第10讲-地面三维激光雷达点云分割分类——分类

第九讲地面三维激光雷达点云分割与分类点云数据分类地面三维激光点云分割与分类点云分类地面三维激光扫描点云分类是对点云的属性进行识别的过程，点云的准确分类对提高点云后期的建模过程的可靠性与自动化程度有着重要意义。路面树木建筑内外立面曲面对象路灯及汽车点云数据分类地面三维激光点云分割与分类内容提纲基础知识特征变换与特征选择分类方法分类后处理与误差分析点云数据分类地面三维激光点云分割与分类基础知识点云分割点云分类？点云数据分类地面三维激光点云分割与分类基础知识BuildingpointsTreepointsGroundpoints点云数据分类地面三维激光点云分割与分类分类特征空间点云的空间几何信息是点云的典型必要特征信息反射强度信息：不同的地物、不同的入射角度、不同距离等因素导致反射强度不一致点云数据分类地面三维激光点云分割与分类分类特征空间光谱信息：与CCD影像配准后，点云具有光谱信息点云数据分类地面三维激光点云分割与分类分类特征空间几何衍生信息：法向量、曲率、骨架、特征变化系数等特征点云数据分类地面三维激光点云分割与分类分类特征空间分割后的拓扑与语义特征尺寸位置方向拓扑地面面积较大最低水平或倾斜墙面积较大垂直与地面相交屋顶面积较大位于墙壁的轮廓顶处与墙最顶边相交门面积在一定范围内位于墙上垂直与地面相交凸起位于墙/屋顶外一点一面与墙壁平行；或者有两个以上相接面，且最左面和最右面与墙壁有大夹角与墙/屋顶相交凹陷位于墙/屋顶内一点点云数据分类地面三维激光点云分割与分类分类特征空间不同的特征构成一个多维随机变量X，称为分类特征向量，特征向量所在的域成为特征空间不同的地物类别在特征空间会表现出不同的上述特征利用分类特征向量对点云进行分类TnxxxX][21点云数据分类地面三维激光点云分割与分类分类特征空间点云数据分类地面三维激光点云分割与分类分类特征空间不同类别地物在特征空间的聚类通常使用特征点分布的概率密度函数来进行表示点云数据分类地面三维激光点云分割与分类特征变换与特征选择目的：减少参加分类的特征的维度，从原始信息中抽取能更好进行不同类别区分的分类特征。特征变换——将原有的m量值集合通过某种变换，然后产生n个（n≤m）特征特征选择——从原有的m个测量值集合中，按某一准则选择出n个特征点云数据分类地面三维激光点云分割与分类主分量变换主分量变换也称为KL变换，是一种线性变换，是就均方误差最小来说的最佳正交变换KL变换能够把原来多个维度中的有用信息集中到数目尽可能少的特征中去，达到数据压缩的目的。KL变换还能够使新的特征间互不相关，使新的特征向量包含的信息内容不重叠，增加类别的可区分性。点云数据分类地面三维激光点云分割与分类主分量变换点云数据分类地面三维激光点云分割与分类主分量变换计算均值向量M和协方差矩阵C；计算矩阵C的特征值和特征向量；将特征值按由大到小的次序排序选择前几个特征值对应的几个特征向量构造变换矩阵φn。根据Ｙ＝φnX进行变换，得到的新特征就是变换的结果，X为的点的分类特征矢量。点云数据分类地面三维激光点云分割与分类特征选择选择一组最佳的特征影像进行分类定量选择方法距离测度散布矩阵测度类内散矩阵类间散布矩阵总体散布矩阵=+点云数据分类地面三维激光点云分割与分类分类方法前面所述内容主要为分类前的预处理。预处理工作结束后，就将参与分类的数据准备，接下来的工作就是从这些数据提供的信息中让计算机“找”出所需识别的类别方式有两种：监督分类法非监督分类法点云数据分类地面三维激光点云分割与分类监督分类法判别函数和判别规则各个类别的判别区域确定后，某个特征矢量属于哪个类别可以用一些函数来表示和鉴别，这些函数就称为判别函数。当计算完某个矢量，在不同类别判决函数中的值后，我们要确定该矢量属于某类必须给出一个判断的依据。如若所得函数值最大则该矢量属于最大值对应的类别。这种判断的依据，我们称之为判别规则。点云数据分类地面三维激光点云分割与分类监督分类法判别函数当且仅当g2(x)g1(x)且g2(x)g3(x)，我们判断x∈ω2对于更多的类别，当且仅当gi(x)gj(x)x∈ωij=1，2，3，…，m，j≠i，m为类别数点云数据分类地面三维激光点云分割与分类监督分类法概率判决函数和贝叶斯判决规则点云数据分类地面三维激光点云分割与分类监督分类法概率判决函数和贝叶斯判决规则点云数据分类地面三维激光点云分割与分类监督分类法最大似然法分类的错分概率：错分概率是类别判决分界两侧做出不正确判决的概率之和。贝叶斯判决边界使这个数错误为最小，因为这个判决边界无论向左还是向右移都将包括不是1类便是2类的一个更大的面积，从而增加总的错分概率。点云数据分类地面三维激光点云分割与分类监督分类法距离判决函数和判决规则基本思想：计算未知矢量X到有关类别集群之间的距离，哪类距离它最近，该未知矢量就属于哪类。马氏距离􀂾欧氏距离􀂾计程距离点云数据分类地面三维激光点云分割与分类监督分类法距离法的错分概率及判决边界点云数据分类地面三维激光点云分割与分类监督分类法盒式分类法基本思想：首先通过训练样区的数据找出每个类别在特征空间的位置和形状，然后以一个包括该集群的“盒子”作为该集群的判别函数。判决规则为若未知矢量X落入该“盒子”，则X分为此类，否则再与其它盒子比较。点云数据分类地面三维激光点云分割与分类监督分类法盒式分类法点云数据分类地面三维激光点云分割与分类监督分类法不同方法分类结果与比较点云数据分类地面三维激光点云分割与分类监督分类法不同方法分类结果与比较点云数据分类地面三维激光点云分割与分类监督分类法不同方法分类结果与比较点云数据分类地面三维激光点云分割与分类监督分类法不同方法分类结果与比较点云数据分类地面三维激光点云分割与分类监督分类法分类过程确定感兴趣的类别数特征变换和特征选择选择训练样区确定判决函数和判决规则根据判决函数和判决规则对非训练样区的图像区域进行分类点云数据分类地面三维激光点云分割与分类监督分类法对训练样区的要求准确性、代表性和统计性。准确性：要确保选择的样区与实际地物一致；代表性：所选样区为某一地物的代表，还要考虑到地物本身的复杂性，反映同类地物光谱特性的波动情况；统计性：指选择的训练样区内必须有足够多的像元，以保证由此计算出的类别参数符合统计规律。点云数据分类地面三维激光点云分割与分类监督分类法原始点云数据训练样区的选择与评估不合格特征提取和特征选择分类精度评价成果输出精度合格精度不合格通过训练样区误差矩阵和分类预警评价、样本可分性度量判断训练样区是否合格合格分类器选择及分类运算点云数据分类地面三维激光点云分割与分类监督分类法主观性由于点云类别的特征差异，而且复杂场景中的，使得训练样本没有很好的代表性训练样本的获取和评估花费较多人力时间只能识别训练中定义的类别点云数据分类地面三维激光点云分割与分类监督分类法发展趋势更为复杂的学习过程与模型模拟人类学习过程，引入生物视觉理论复杂的语义特征、对称特征研究与应用热点神经网络支持向量机点云数据分类地面三维激光点云分割与分类监督分类法神经网络：利用计算器模拟人类学习的过程，建立输入和输出数据之间联系的程序。这种程序模仿人脑的学习过程，通过重复地输入和输出训练，来增强和修改输入和输出数据之间的联系。点云数据分类地面三维激光点云分割与分类监督分类法神经网络：优势它不被统计假设所约束，是完全非参数化的对于缺失或噪声信息有更强的抵御能力并行结构运算速度快神经网络：缺点对样本的个数具有要求，样本数据要多容易导致过学习，导致模型的推广能力(即训练得到的判别函数对非样本目标的分类能力)差点云数据分类地面三维激光点云分割与分类监督分类法SVM支持向量机：传统的统计模式识别方法只有在样本趋向无穷大时，其性能才有理论的保证。统计学习理论（STL）研究有限样本情况下的机器学习问题。SVM的理论基础就是统计学习理论。传统的统计模式识别方法在进行机器学习时，强调经验风险最小化。而单纯的经验风险最小化会产生“过学习问题”，其推广能力较差。点云数据分类地面三维激光点云分割与分类监督分类法SVM支持向量机“过学习问题”：某些情况下，当训练误差过小反而会导致推广能力的下降。例如：对一组训练样本(x,y),x分布在实数范围内，y取值在[0，1]之间。无论这些样本是由什么模型产生的，我们总可以用y=sin(w*x)去拟合，使得训练误差为0.点云数据分类地面三维激光点云分割与分类监督分类法SVM支持向量机根据统计学习理论，学习机器的实际风险由经验风险值和置信范围值两部分组成。而基于经验风险最小化准则的学习方法只强调了训练样本的经验风险最小误差，没有最小化置信范围值，因此其推广能力较差。点云数据分类地面三维激光点云分割与分类监督分类法SVM支持向量机Vapnik提出的支持向量机（SupportVectorMachine,SVM）以训练误差作为优化问题的约束条件，以置信范围值最小化作为优化目标，即SVM是一种基于结构风险最小化准则的学习方法，其推广能力明显优于一些传统的学习方法由于SVM的求解最后转化成二次规划问题的求解，因此SVM的解是全局唯一的最优解点云数据分类地面三维激光点云分割与分类监督分类法SVM支持向量机SVM在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中Joachims最近采用SVM在Reuters-21578来进行文本分类，并声称它比当前发表的其他方法都好SVM方法已经在图像识别、信号处理和基因图谱识别等方面得到了成功的应用,显示了它的优势。点云数据分类地面三维激光点云分割与分类监督分类法SVM支持向量机SVM在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中Joachims最近采用SVM在Reuters-21578来进行文本分类，并声称它比当前发表的其他方法都好SVM方法已经在图像识别、信号处理和基因图谱识别等方面得到了成功的应用,显示了它的优势。点云数据分类地面三维激光点云分割与分类监督分类法支持向量机：优势小样本，推广能力强鲁棒性高，具有坚实理论基础计算的复杂性取决于支持向量的数目,而不是样本空间的维数,这在某种意义上避免了“维数灾难”支持向量机：缺点（已存在各类改进或优化方法）SVM训练算法慢受到训练样本集规模制约点云数据分类地面三维激光点云分割与分类监督分类法支持向量机点云数据分类地面三维激光点云分割与分类非监督分类法也称聚类分析，是事先对分类过程不施加任何先验知识，仅凭地物扫描点的特征的分布规律，进行自动分类。其本质是一种聚类分割方法。主要方法：K-均值聚类法ISODATA算法聚类分析点云数据分类地面三维激光点云分割与分类非监督分类法K-均值聚类法算法准则：多模式点到类别中心的距离的平方和最小。算法步骤：选择m个类的初始中心按照到类中心距离最小的原则对像元分类重新计算类中心类中心不变，算法结束点云数据分类地面三维激光点云分割与分类非监督分类法K-均值聚类法012345678910012345678910012345678910012345678910012345678910012345678910012345678910012345678910点云数据分类地面三维激光点云分割与分类非监督分类法ISODATA算法聚类分析在每次把所有样本都调整完毕之后才重新计算一次各类样本的均值，为成批样本修正法。ISODATA算法不仅可以通过调整样本所属类别完成样本的聚类分析