一种基于人工智能的地形数据自动矢量化分类方法及系统与流程
本发明涉及地形测绘,特别是指一种基于人工智能的地形数据自动矢量化分类方法及系统。
背景技术:
1、在山区坡面地形的林业资源调查与地表测绘应用场景中,需通过机载激光雷达获取坡面三维点云数据,并对地表点与植被点进行分类后矢量化输出矢量多边形,以支撑林地面积测算与地形建模。
2、现有分类方法多基于全局高程阈值或局部平面拟合残差划分地表与植被点,由于坡面沿最陡下降方向本身存在连续高程跌落,坡面地表点的局部几何特征易与低矮灌丛、枝干散落点的特征发生混淆,导致分类边界在坡面上呈现断续、漂移状态,且初步分离出的植被点子集中混杂大量孤立噪声点,难以依据枝干结构的连续性特征进行甄别剔除,最终生成的地表与植被矢量多边形边界错配、轮廓破碎,难以满足坡面地形高精度矢量化分类的应用需求。
技术实现思路
1、本发明提供了一种基于人工智能的地形数据自动矢量化分类方法及系统,提升了坡面场景下地形数据自动矢量化分类的精度。
2、为解决上述技术问题,本发明的技术方案如下:
3、第一方面,一种基于人工智能的地形数据自动矢量化分类方法,所述方法包括:
4、获取激光雷达三维点云数据,沿坡面最陡下降方向计算相邻点高程差值与水平距离比值,得到局部跌落紧凑度;
5、根据局部跌落紧凑度,提取点及邻域离散点三维坐标,拟合局部空间曲面并计算局部空间曲面在两个正交主方向上的弯折变化率,得到局部表面起伏形态量;
6、根据局部跌落紧凑度和局部表面起伏形态量,计算每个点邻域内各邻域点相对于所述每个点的空间方位角离散程度,得到邻域辐射形态熵;
7、根据局部跌落紧凑度、局部表面起伏形态量和邻域辐射形态熵,在局部表面起伏形态量出现符号反转且邻域辐射形态熵呈现非对称分布处构建分类边界,得到地表点子集和植被点子集;
8、根据植被点子集,沿枝干向下延伸方向提取相邻点方位角分布熵差值,得到枝干延伸方向上的形态衰减落差;
9、根据形态衰减落差,在植被点子集内沿枝干向下延伸方向,以形态衰减落差为逐段累加范围计算累积形态衰减量,得到枝干延伸连续性指标;
10、根据枝干延伸连续性指标,剔除植被点子集中连续性指标低于预设阈值的孤立噪声点,得到目标植被点子集;
11、根据地表点子集和目标植被点子集,分别提取点云簇空间边界轮廓,得到地表矢量多边形和植被矢量多边形。
12、第二方面,一种基于人工智能的地形数据自动矢量化分类系统,包括:
13、局部跌落紧凑度计算模块,用于获取激光雷达三维点云数据,沿坡面最陡下降方向计算相邻点高程差值与水平距离比值,得到局部跌落紧凑度;
14、局部表面起伏形态量计算模块,用于根据局部跌落紧凑度,提取点及邻域离散点三维坐标,拟合局部空间曲面并计算局部空间曲面在两个正交主方向上的弯折变化率,得到局部表面起伏形态量;
15、邻域辐射形态熵计算模块,用于根据局部跌落紧凑度和局部表面起伏形态量,计算每个点邻域内各邻域点相对于所述每个点的空间方位角离散程度,得到邻域辐射形态熵;
16、分类边界构建模块,用于根据局部跌落紧凑度、局部表面起伏形态量和邻域辐射形态熵,在局部表面起伏形态量出现符号反转且邻域辐射形态熵呈现非对称分布处构建分类边界,得到地表点子集和植被点子集;
17、形态衰减落差计算模块,用于根据植被点子集,沿枝干向下延伸方向提取相邻点方位角分布熵差值,得到枝干延伸方向上的形态衰减落差;
18、枝干连续性指标计算模块,用于根据形态衰减落差,在植被点子集内沿枝干向下延伸方向,以形态衰减落差为逐段累加范围计算累积形态衰减量,得到枝干延伸连续性指标;
19、植被点噪声剔除模块,用于根据枝干延伸连续性指标,剔除植被点子集中连续性指标低于预设阈值的孤立噪声点,得到目标植被点子集;
20、矢量化输出模块,用于根据地表点子集和目标植被点子集,分别提取点云簇空间边界轮廓,得到地表矢量多边形和植被矢量多边形。
21、本发明的上述方案至少包括以下有益效果:
22、沿坡面最陡下降方向计算局部跌落紧凑度、局部表面起伏形态量和邻域辐射形态熵,以形态量符号反转叠加熵值非对称分布为判据构建连续分类边界,可在坡面地形下稳定区分地表起伏与植被冠层造成的几何差异,形成贯穿坡面的准确分类界线;进一步通过枝干延伸方向上的形态衰减落差与累积形态衰减量计算枝干延伸连续性指标,剔除连续性不足的孤立噪声点,净化植被点子集,最终输出的地表矢量多边形与植被矢量多边形边界清晰、轮廓完整,提升了坡面场景下地形数据自动矢量化分类的精度。
1.一种基于人工智能的地形数据自动矢量化分类方法,其特征在于,所述方法包括:
2.根据权利要求1所述的基于人工智能的地形数据自动矢量化分类方法,其特征在于,根据局部跌落紧凑度,提取点及邻域离散点三维坐标,拟合局部空间曲面并计算局部空间曲面在两个正交主方向上的弯折变化率,得到局部表面起伏形态量,包括:
3.根据权利要求2所述的基于人工智能的地形数据自动矢量化分类方法,其特征在于,根据局部跌落紧凑度和局部表面起伏形态量,计算每个点邻域内各邻域点相对于所述每个点的空间方位角离散程度,得到邻域辐射形态熵,包括:
4.根据权利要求3所述的基于人工智能的地形数据自动矢量化分类方法,其特征在于,根据局部跌落紧凑度、局部表面起伏形态量和邻域辐射形态熵,在局部表面起伏形态量出现符号反转且邻域辐射形态熵呈现非对称分布处构建分类边界,得到地表点子集和植被点子集,包括:
5.根据权利要求4所述的基于人工智能的地形数据自动矢量化分类方法,其特征在于,根据得到的局部表面起伏形态量,沿确定的坡面最陡下降方向逐点遍历各目标点,检测当前遍历点与前一个遍历点的局部表面起伏形态量是否发生由正值翻转为负值或由负值翻转为正值的符号反转,将发生符号反转的当前遍历点标记为符号反转候选点,包括:
6.根据权利要求5所述的基于人工智能的地形数据自动矢量化分类方法,其特征在于,根据得到的邻域辐射形态熵,对每个符号反转候选点,判断该符号反转候选点的邻域辐射形态熵在邻域空间范围内是否偏离均匀分布而呈现偏态聚集,将邻域辐射形态熵呈现偏态聚集的符号反转候选点标记为边界种子点,包括:
7.根据权利要求6所述的基于人工智能的地形数据自动矢量化分类方法,其特征在于,根据植被点子集,沿枝干向下延伸方向提取相邻点方位角分布熵差值,得到枝干延伸方向上的形态衰减落差,包括:
8.根据权利要求7所述的基于人工智能的地形数据自动矢量化分类方法,其特征在于,根据枝干延伸点序列,对枝干延伸点序列中的每个点,以该点为中心按预设方位邻域半径确定方位计算邻域范围,并计算该邻域范围内各点相对于该点的方位角分布熵,得到枝干延伸方向上各点的方位角分布熵序列,包括:
9.根据权利要求8所述的基于人工智能的地形数据自动矢量化分类方法,其特征在于,根据形态衰减落差,在植被点子集内沿枝干向下延伸方向,以形态衰减落差为逐段累加范围计算累积形态衰减量,得到枝干延伸连续性指标,包括:
10.一种基于人工智能的地形数据自动矢量化分类系统,该系统实现如权利要求1至9中任一项所述的方法,其特征在于,包括:
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com