融合点云数据和多光谱影像的特征分析.docx

点云数据和多光谱影像的融合方法 点云数据与影像数据是遥感技术所获取的主要数据。 两类数据具有各自的优缺点： 影像 数据的空间分辨率和精度低，并且缺少高程信息，然而其影像的特征连续，光谱信息丰富； 机载激光扫描数据精度高并且保有高精度的高程信息， 然而特征信息不明显， 点和点的拓扑 关系没有全部保留， 无法直接判读地面物体。 因此， 在一些研究中， 往往通过将点云数据与 影像进行融合进行分析研究。 一般情况下， 将点云数据与影像数据融合需要预处理、 配准和 融合三个步骤。 LIDAR 与影像的几何配准 LIDAR数据是具有空间坐标的点云，而影像数据只有平面的像素坐标。将点云数据与影 像数据做好平面上的配准与几何纠正是两种数据融合的基础。 影像与点云数据的融合， 首先 依赖于点云数据与影像数据的高精度匹配。 对于影像数据与点云数据的匹配， 一般通过以下 几种方法实现： （1） 对于一般没有坐标信息的影像数据，可以通过人工选取同名点的方法实现云数据 与影像数据的匹配。 人工选取同名点匹配方法是近景摄影测量领域曾广泛应用的图像匹配方法。对于 LIDAR 点云数据和影像，业可以采用此种方法进行匹配。 由于LIDAR数据与一般影像所表达的地物 内容并不一致， 半自动选取同名点的方法往往会造成同名点的选择错误， 因此，影像与 LIDAR 数据高精度匹配一般采用人工选取同名点的方法。 （2） 基于灰度信息的点云数据与影像匹配。 灰度信息是图像匹配过程中最常使用的信息。 有大量的文献已经对基于灰度信息的图像 匹配进行了研究。 基于灰度信息的匹配过程中， 相似度准则的选取十分重要。 相似度准则定 量给出了不同影像之间的匹配效果。 对于一般的同源影像， 相关系数是最常用的相似度准则。 此外， 对于一些灰度信息成线性变换的图像， 相关系数准则也能得到较为满意的结果。 然而 对于不同源的影像，图像所描述的信息从本质上是有差异的（邓非， 2006）。匹配的任务就 变为寻找一种新的准则，使得不同的影像在这种准则下，达到最佳的匹配效果。 （3） 基于特征的点云数据与影像匹配。 在点云或者点云内插的影像中， 可以较为直观的得到点云的特征信息， 而在影像处理领 域，特征提取已经较为成熟。 因此， 可以采用对点云特征和影像特征进行匹配， 从而实现影 像与点云之间的匹配过程。荷兰的 Van den Heuvel（ 1999）提出一种利用直线摄影测量进行 多面体重建并进行纹理映射的方法。 美国的 Debevec 等（1996）也利用初始几何模型以及核 线几何关系，基于直线测量值和像方、物方的混合模型进行了建筑物的三维重建。 本书中所采用的配准方法， 是基于同名点的人工选取， 然后按照六参数的平面坐标转换 模型对影像坐标进行转换。 首先， 在影像上找到较为明显的地物特征点， 如水域边界。 分别记录下水域边缘角点在 影像上的像素坐标和点云数据中的边缘角点的激光点云脚点的 x， y 坐标。 根据下述公式计算像素对应的地理坐标。 x = Ax + By + C y = Dx + Ey+ F 其中： X表示像素对应的地理 x坐标，y表示像素对应的地理 y坐标。 x 表示像素坐标（列号） ， y 像素坐标（行号） 。 A表示x方向上的像素分辨率，E代表y方向上的像素分辨率。 D、 B 表示旋转参数。 C 表示影像左上角像素中心 x 坐标， F 影像地图左上角像素中心 y 坐标 选取同名点代入公式，求出 A、B C、D、E、F六个参数的最小二乘解。并评定 X方向 和Y方向的残差中误差。匹配的结果精度可以保证后续工作。 LIDAR 与影像的融合 数据融合技术是指对按时序获得的若干观测信息，在一定准则下加以自动分析、综合， 以完成所需的决策和评估任务而进行的信息处理技术。数据融合可以分为以下几种。 像素级融合 它是直接在采集到的原始数据层上进行融合， 在各种传感器的原始测报未经预处理之前 就进行数据的综合与分析。 数据层融合一般采用集中式融合体系进行融合处理过程。 这是最 低层的融合， 如成像传感器中通过对包含某一像素的模糊图像进行图像处理来确认目标属性 的过程就属于数据层融合。 特征层融合 特征层融合属于中间层次的融合， 它先对来自传感器的原始信息进行特征提取 （特征可 以是目标的边缘、方向、速度等） ，然后对特征信息进行综合分析和处理。特征层融合的优 点在于实现了可观的信息压缩， 有利于实时处理， 并且由于所提取的特征直接与决策分析有 关，因而融合结果能最大限度地给出决策分析所需要的特征信息。 特征层融合一般采用分布 式或集中式的融合体系。 特征层融合可分为两大类： 一类是目标状态融合； 另一类是目标特 性融合。 决策层融合 决策层融合通过不同类型的传感器观测同一个目标， 每个传感