.png){kind=icon}
返回
A spatial-spectral classification framework for multispectral LiDAR
.png){kind=icon}
OA
AI
DOI：10.1080/10095020.2023.2208611.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
光探测和测距 (LiDAR) 点云的精确分类是各种应用中的基本过程，例如土地覆盖测绘，林业管理和自动驾驶。由于光谱信息的缺乏，现有的单波长激光雷达分类研究受到限制。来自图像的光谱信息可以解决此限制，但是数据融合会遇到变化的照明条件和配准问题。一种新颖的多光谱激光雷达成功地获得了空间和光谱信息，作为一种全新的数据类型，即多光谱点云，从而提高了分类性能。然而，在先前的研究中，多光谱激光雷达的空间和光谱信息已经被分开处理，从而可能限制多光谱激光雷达的分类性能。为了探索这种新数据类型的潜力，当前的多光谱激光雷达空间光谱分类框架包括四个步骤 :( 1) 邻域选择，(2) 特征提取和选择，(3) 分类和 (4) 标签平滑。在这个空间光谱分类框架中提出了三个新颖的亮点。(1) 我们通过光谱角度匹配改进了流行的基于特征熵的邻域选择，以提取更精确的邻域。(2) 我们评估了几何和光谱特征的重要性，以比较它们的贡献，并选择了最重要的特征以减少特征冗余。(3) 我们通过条件随机场进行了空间标签平滑，考虑了邻域点的空间和光谱信息。所提出的方法通过具有三个通道的多光谱激光雷达进行了演示: 466 nm (蓝色)，527 nm (绿色) 和628 nm (红色)。实验结果证明了所提出的空间-光谱分类框架的有效性。此外，本研究利用空间和光谱信息的互补，有利于更精确的邻域选择，更有效的特征和令人满意的分类结果。最后，这项研究可以为未来有效的多光谱点云空间光谱处理提供启发。
Keyword:
multispectral Light Detection and Ranging (LiDAR)
point cloud classification
neighborhood selection
feature selection
condition random field
期刊
G
IF:
5.5
论文数:
877
被引数:
2.4K
机构
引用论文
.png){kind=icon}
分享收藏Airborne multispectral LiDAR point cloud classification with a feature Reasoning-based graph convolution network基于特征推理的图卷积网络的机载多光谱LiDAR点云分类
OAAI
OAAI分享收藏Semantic point cloud interpretation based on optimal neighborhoods, relevant features and efficient classifiers基于最优邻域、相关特征和高效分类器的语义点云解释
PREAI
分享收藏Beliefs about and usage of vitamin/mineral supplements by elderly participants of rural congregate meal programs in central Iowa关于爱荷华州中部农村团体供餐计划中老年参与者对维生素/矿物质补充剂的信念与使用情况
PREAI
分享收藏
查看更多内容