LiDAR与遥感影像结合的建筑物分类与提取技术研究

"该研究探讨了LiDAR数据在辅助高分辨遥感影像进行建筑物分类识别和提取的应用。通过结合LiDAR数据的高度信息和遥感影像的光谱及纹理特性，采用支持向量机(SVM)进行有效的分类。文章详细介绍了三种不同的建筑物提取方法：直接从高分辨率图像提取、直接从LiDAR数据提取以及结合两者进行提取，并讨论了影像预处理、SVM分类和分类后处理的关键步骤。" 在遥感领域，建筑物的分类和提取是一项重要的任务，而LiDAR数据的引入极大地提升了这一过程的精确性和效率。支持向量机(SVM)作为机器学习的一种，以其小样本学习、高效学习和全局最优等特点在遥感影像分类中表现突出。 第一种方法是直接从高分辨率图像提取建筑物。早期的方法主要依赖于边缘检测算法，如线段边缘检测，而现在则更多地采用面向对象的分割技术，通过调整对象分割阈值来识别建筑物。 第二种方法是直接利用LiDAR数据。通过生成距离影像，并结合对比度纹理辅助的点云数据，可以快速提取建筑物。首先，从原始的数字表面模型(DSM)中减去地形数字高程模型(DEM)得到规则化DSM，然后利用灰度共生矩阵统计高程信息来确定建筑物。 第三种方法是结合高分辨图像和LiDAR数据。这种方法首先利用LiDAR数据的高程信息去除地面点，然后在非地面点中进一步识别建筑物点，并结合遥感影像的边缘信息来精确提取建筑物轮廓。 在实施这些方法前，需要进行影像预处理，包括LiDAR数据和遥感影像的坐标匹配、点云数据栅格化、影像切割等，以确保数据的一致性。接着，生成数字表面模型和数字高程模型，然后通过波段运算得到规则化的nDSM，与遥感影像具有相同的空间分辨率和灰度。最后，将nDSM与遥感影像融合，形成四波段（红、绿、蓝和高程）的分类影像。 整个流程主要包括三个模块：影像预处理，如点云数据的离散点插值生成DSM和DEM；SVM分类，利用SVM模型对预处理后的数据进行训练和分类；以及分类后处理，处理分类结果中的噪声和错误。 其中，插值方法如最邻近插值、样条函数插值、距离反比插值和不规则三角网插值等，用于填补LiDAR点云数据中的空缺，确保生成的DSM和DEM的连续性。这些技术的综合运用，使得建筑物的自动识别和提取更加精准和高效。