隨著遙感探測場景的不斷擴(kuò)展，探測目標(biāo)也變得多樣化與復(fù)雜化，如何利用高光譜激光雷達(dá)技術(shù)快速精確地實(shí)現(xiàn)復(fù)雜場景下的地物精細(xì)化分類變得愈發(fā)迫切。

一、引言

激光雷達(dá)技術(shù)作為一種重要的對(duì)地觀測技術(shù)手段，憑借其可快速高效獲取地物目標(biāo)三維空間信息的優(yōu)勢特點(diǎn)，在地物分類、森林管理、資源調(diào)查、城市三維建模等諸多領(lǐng)域發(fā)揮著越來越重要的作用。隨著遙感探測領(lǐng)域的不斷拓展與深化，如何實(shí)現(xiàn)激光雷達(dá)在復(fù)雜場景下的地物目標(biāo)高精度識(shí)別分類已成為遙感技術(shù)發(fā)展的重要方向。然而，傳統(tǒng)激光雷達(dá)技術(shù)大多采用單波長激光進(jìn)行探測，該波長并不屬于地物敏感波長，且構(gòu)建的空譜特征也相對(duì)較為簡單，對(duì)復(fù)雜場景下的地物分類能力提升有限。

高光譜激光雷達(dá)技術(shù)作為一種新型的主動(dòng)式遙感探測手段，可將被動(dòng)高光譜成像技術(shù)與激光雷達(dá)技術(shù)優(yōu)勢合二為一，該技術(shù)可有效避免高光譜影像與激光雷達(dá)點(diǎn)云數(shù)據(jù)匹配融合帶來的偏差，并且不受太陽照射、采集時(shí)間不一致等因素的影響。高光譜激光雷達(dá)技術(shù)憑借地物目標(biāo)空譜一體化成像探測優(yōu)勢，可為復(fù)雜場景下的地物精細(xì)化分類提供一種重要思路。隨著遙感探測場景的不斷擴(kuò)展，探測目標(biāo)也變得多樣化與復(fù)雜化，如何利用高光譜激光雷達(dá)技術(shù)快速精確地實(shí)現(xiàn)復(fù)雜場景下的地物精細(xì)化分類變得愈發(fā)迫切。然而，針對(duì)高光譜激光雷達(dá)構(gòu)建的空譜特征選擇研究較少，如何確定并提取最優(yōu)空譜特征對(duì)于高光譜激光雷達(dá)在復(fù)雜場景下的地物精細(xì)化分類至關(guān)重要。

二、高光譜激光雷達(dá)系統(tǒng)掃描探測實(shí)驗(yàn)

為驗(yàn)證高光譜激光雷達(dá)技術(shù)在復(fù)雜場景下地物分類的可行性與準(zhǔn)確性，本文對(duì)室內(nèi)14類不同顏色的地物進(jìn)行三維掃描探測，并同時(shí)獲取地物豐富的光譜信息與三維空間信息。此外，為了有效地降低外界雜散光與大氣效應(yīng)的影響，該掃描實(shí)驗(yàn)在黑暗且干凈的實(shí)驗(yàn)室內(nèi)進(jìn)行。掃描實(shí)驗(yàn)場景主要由14類地物組成：1）卡紙；2）虎皮蘭；3）陶瓷花盆；4）紙箱；5）塑料臺(tái)燈；6）鐵制水杯；7）陶瓷水杯；8）膠帶；9）木盒；10）發(fā)財(cái)樹樹葉；11）發(fā)財(cái)樹樹干；12）塑料桶、陶瓷胡蘿卜；13）塑料桶淺色部分；14）塑料桶深色部分。具體掃描實(shí)物場景如圖2所示。掃描目標(biāo)除植被類型之外，還包括多種不同的人造材料。不同的地物具有不同的光譜與空間信息，并且地物空間擺放位置相對(duì)比較復(fù)雜，這也對(duì)高光譜激光雷達(dá)精細(xì)化地物分類造成一定困擾。

圖214類不同地物掃描場景

三、空譜特征提取與特征優(yōu)化選擇

3.1基于空譜特征優(yōu)化選擇的地物分類方法流程

高光譜激光雷達(dá)可實(shí)現(xiàn)對(duì)目標(biāo)高空間分辨率與高光譜分辨率的一體化遙感探測，在地物精細(xì)化分類領(lǐng)域?qū)l(fā)揮巨大優(yōu)勢。本文提出地物分類方法流程如圖3所示。

圖3基于空譜特征優(yōu)化選擇的高光譜激光雷達(dá)地物分類方法流程

3.2基于波段優(yōu)化的光譜指數(shù)特征提取

按照植被指數(shù)構(gòu)建方式，植被指數(shù)總體可分為三種類型：基于經(jīng)驗(yàn)方法、數(shù)理方法、新型遙感光譜構(gòu)建，三種構(gòu)建方式在不同的應(yīng)用場景中各具優(yōu)勢。本文采用光譜波段優(yōu)化方式，根據(jù)波段相似性原則，選擇鄰近且相關(guān)性較高的波段代替原有波段。考慮到本次掃描場景的復(fù)雜性與植被指數(shù)的適用性，本文基于高光譜激光雷達(dá)光譜信息構(gòu)建了10種適用于地物分類的植被指數(shù)，R775表示中心波長為775nm處的光譜反射率。

表110種光譜指數(shù)的具體信息。

此外，顏色指數(shù)也是一種重要的光譜指數(shù)，是通過對(duì)紅綠藍(lán)（RGB）值進(jìn)行線性或者非線性組合從而實(shí)現(xiàn)對(duì)地物分類識(shí)別的重要特征。而高光譜激光雷達(dá)可在可見光范圍內(nèi)獲取豐富的光譜信息，可為地物真彩色重建提供技術(shù)支持。然而，由于超連續(xù)激光器與探測器硬件性能的制約，無法獲取完整的可見光光譜，導(dǎo)致顏色重建存在一定程度的顏色失真現(xiàn)象。圖4為基于最佳波段組合真彩色重建結(jié)果?；陬伾亟ǖ腞GB值，本文構(gòu)建了11種適用于高光譜激光雷達(dá)地物分類的顏色指數(shù)，其中R、G、B分別表示重建RGB值的三個(gè)顏色分量。

圖4基于最佳波段組合的真彩色重建結(jié)果

表211種顏色指數(shù)的具體信息

3.3基于區(qū)域增強(qiáng)的空間特征

提取空間特征是用于表達(dá)地物空間幾何特性的重要指標(biāo)，也是表述地物空間幾何位置形態(tài)的重要屬性。為實(shí)現(xiàn)高精度地物分類，本文基于局部鄰域表面擬合構(gòu)建了可實(shí)現(xiàn)區(qū)域增強(qiáng)的法向量與曲率的兩種幾何特征，兩者可直觀地表述目標(biāo)幾何屬性，特別是在幾何空間復(fù)雜區(qū)域更加明顯，可提高地物識(shí)別能力。

目前點(diǎn)云法向量計(jì)算可概括為三種類型：局部表面擬合法、Delaunay/Voronoi法以及魯棒統(tǒng)計(jì)法。由于局部表面擬合法方便簡單計(jì)算量小，因此本文基于高光譜激光雷達(dá)高精度空間掃描點(diǎn)云數(shù)據(jù)，通過局部表面擬合法進(jìn)行點(diǎn)云法向量計(jì)算。局部表面擬合法算法實(shí)現(xiàn)是假設(shè)采樣平面都是光滑的，局部鄰域都可以通過采樣平面進(jìn)行比較好的擬合。本文法向量計(jì)算基于主成分分析（PCA）方法實(shí)現(xiàn)，通過采樣點(diǎn)局部鄰域擬合局部最小二乘平面，使得采樣點(diǎn)局部鄰域的所有點(diǎn)距離此平面距離的和最小，該平面法向量即為采樣點(diǎn)的法向量。

3.4空譜特征選擇優(yōu)化方法

本文在構(gòu)建光譜指數(shù)與空間特征的基礎(chǔ)上，采用空譜特征選擇優(yōu)化方法，確定最優(yōu)空譜特征組合，可有效消除特征冗余，提高地物分類精度。該空譜特征選擇優(yōu)化方法主要是基于海洋捕食者算法與特征相關(guān)性分析實(shí)現(xiàn)的。海洋捕食者算法具有設(shè)計(jì)變量數(shù)量少、計(jì)算負(fù)擔(dān)小、收斂速度快、近似全局解等優(yōu)點(diǎn)，已被成功應(yīng)用于光伏、電力等多個(gè)領(lǐng)域。海洋捕食者算法可提取最有效的空譜特征，但提取的空譜特征之間可能存在較強(qiáng)的相關(guān)性，一方面相關(guān)性較高的特征會(huì)放大分類噪聲，且多個(gè)特征會(huì)“平分”該類特征對(duì)分類模型的貢獻(xiàn)，導(dǎo)致模型對(duì)特征的變動(dòng)更加敏感，泛化誤差增加，另一方面會(huì)造成一定程度上的特征冗余問題，影響計(jì)算效率。為此，本文聯(lián)合海洋捕食者算法與特征相關(guān)性分析，進(jìn)一步消除相關(guān)性較高的空譜特征，最終確定最優(yōu)空譜特征組合實(shí)現(xiàn)高精度地物分類。

3.5分類策略與分類方法

為進(jìn)一步探究高光譜激光雷達(dá)技術(shù)在復(fù)雜場景下地物分類應(yīng)用中的優(yōu)勢以及時(shí)間效率問題，本文將多個(gè)空譜特征按照不同組合方式分成6種分類策略。策略1：基于高光譜激光雷達(dá)獲取的原始32通道光譜信息與高程值用于地物分類；策略2：基于波段優(yōu)化的光譜指數(shù)特征提取用于地物分類；策略3：基于區(qū)域增強(qiáng)的幾何特征提取用于地物分類；策略4：聯(lián)合32通道光譜信息、高程值、光譜指數(shù)、空間特征用于地物分類；策略5：基于海洋捕食者算法選擇的空譜特征組合用于地物分類；策略6：基于最優(yōu)空譜特征組合用于地物分類。

圖514種地物的真實(shí)類別

基于本文研究樣本相對(duì)較少、特征維度較高的特點(diǎn)，故采用隨機(jī)森林分類算法。本文對(duì)不同地物目標(biāo)進(jìn)行手動(dòng)標(biāo)注，不同的顏色代表不同類型的地物。此外，對(duì)于隨機(jī)森林分類算法，決策樹的數(shù)量和特征最大值是影響分類精度的兩個(gè)重要參數(shù)。因此，本文采用基于交叉驗(yàn)證的網(wǎng)格搜索對(duì)參數(shù)進(jìn)行優(yōu)化。此外，由于數(shù)據(jù)量相對(duì)較小，采用三者交叉驗(yàn)證方法確保目標(biāo)分類的準(zhǔn)確性。此外，采用總精度（OA）、平均精度（AA）、Kappa系數(shù)三個(gè)分類評(píng)價(jià)標(biāo)準(zhǔn)對(duì)分類結(jié)果進(jìn)行評(píng)價(jià)。

四、結(jié)果與討論

4.1空譜特征聯(lián)合的地物分類結(jié)果

基于6種不同的地物分類策略，本文分別將對(duì)應(yīng)的分類特征輸入隨機(jī)森林分類算法進(jìn)行分類。

表4分類精度匯總

從表中可以看出，6種分類策略都取得了較好的分類效果，OA都高于89%，AA都高于68%，Kappa系數(shù)值都大于0.85。第1種分類策略O(shè)A可達(dá)91.49%，AA為77.74%，Kappa系數(shù)值為0.8934，其預(yù)測地物類別分布如圖6（a）所示，綠色點(diǎn)表示地物錯(cuò)誤分類的位置。其中大部分點(diǎn)云都能夠被正確分類，但存在不同程度的椒鹽噪聲現(xiàn)象，導(dǎo)致部分類別地物精確率低于0.75。

第2種分類策略O(shè)A可達(dá)90.73%，AA為78.27%，使得部分類別分類準(zhǔn)確度有所提高，其預(yù)測地物類別分布如圖6（b）所示。然而，從6種分類策略的分類結(jié)果圖6（a）~（d）和圖7（a）、7（b）來看，部分地物都存在一定程度上的椒鹽噪聲和錯(cuò)誤分類現(xiàn)象。分析具體原因如下：1）地物空間結(jié)構(gòu)較復(fù)雜，地物回波信號(hào)受表面幾何因素影響較大；2）激光光斑照射至地物邊緣位置或者僅有部分光斑照射至地物目標(biāo)導(dǎo)致光譜信號(hào)不準(zhǔn)確。

圖6前4種分類策略的地物分類結(jié)果。（a）32通道光譜信息與高程值；（b）光譜指數(shù)；（c）幾何特征；（d）空譜特征組合

第3種分類策略O(shè)A可達(dá)89.56%，因上述原因?qū)е虏糠值匚镱悇e精確率較低，處于0.50以下，最終使得類別的AA下降，Kappa系數(shù)值為0.8693，預(yù)測地物類別分布如圖6（c）所示。從圖中可以看出，錯(cuò)分點(diǎn)大部分聚集在地物的某一偏彎曲位置或者空間結(jié)構(gòu)較為復(fù)雜區(qū)域。分析是在地物某些彎曲細(xì)小位置或者空間結(jié)構(gòu)較為復(fù)雜區(qū)域存在計(jì)算偏差，最終導(dǎo)致錯(cuò)分現(xiàn)象。

第4種分類策略相比前3種分類策略，總體分類精度都有了較大提升，OA可達(dá)95.57%，AA為84.37%，Kappa系數(shù)值為0.9380，其預(yù)測地物類別分布如圖6（d）所示。從表4可得到，第10類與第11類地物相比，分類精度有較大提升，分類準(zhǔn)確度分別為0.82與0.86。但第13與第14類地物準(zhǔn)確率相比其他分類策略，提升程度有限。主要原因仍是空間位置較為復(fù)雜，激光光斑從塑料桶間隙穿過，導(dǎo)致光譜指數(shù)與空間特征準(zhǔn)確計(jì)算較為困難。

4.2空譜特征選擇優(yōu)化的地物分類結(jié)果

增加地物分類特征維度，雖可在一定程度上增加地物分類精度，但也會(huì)引入冗余特征，浪費(fèi)了計(jì)算資源，也會(huì)影響分類精度。為此，本文利用海洋捕食者算法對(duì)高光譜激光雷達(dá)構(gòu)建的空譜特征進(jìn)行特征選擇，最終確定了12維的空譜特征用于地物分類，OA提升了1.09%，AA提升了3.07%，Kappa系數(shù)值提高了0.0197，其預(yù)測地物類別分布如圖7（a）所示。

圖7第5與第6種分類策略的地物分類結(jié)果。（a）基于海洋捕食者算法選擇的空譜特征；（b）最優(yōu)空譜特征組合

從表4類別準(zhǔn)確性中可以看出，各個(gè)類別地物分類準(zhǔn)確性都有小幅度提升，除了第13與第14類地物，其他類別分類準(zhǔn)確性基本都在0.85以上。然而，海洋捕食者特征選擇算法有可能引入相關(guān)性較高的分類特征，為此本文在12維空譜特征基礎(chǔ)上進(jìn)一步考慮特征相關(guān)性，剔除相關(guān)性較大的空譜特征，其12維空譜特征的相關(guān)性如圖8所示。從圖中可以看出，在12維空譜特征中，前5維特征相關(guān)性高于0.95，第7與第8維特征相關(guān)性也大于0.95。因此，可剔除前4維與第7維特征，最終保留7維空譜特征作為地物分類的最優(yōu)空譜特征組合。最終，14類地物的OA為97.13%，AA為89.05%，Kappa系數(shù)值為0.9642。

從表4類別準(zhǔn)確性中可以看出，相比第5種分類策略，各個(gè)類別地物分類準(zhǔn)確性都有小幅度提升。與其他分類策略相似，除了第13與第14類地物錯(cuò)分點(diǎn)云較多之外，其他類別分類準(zhǔn)確性都比較好，基本都在0.90以上。

最終分類結(jié)果表明，基于空譜特征優(yōu)化選擇的地物分類流程是可行的，可大幅度提高地物分類精度。此外，空譜特征優(yōu)化選擇確定最優(yōu)波段組合用于地物分類還可以提高計(jì)算效率，節(jié)約成本。

圖8空譜特征相關(guān)性

五、總論

作為一種新型主動(dòng)式遙感探測技術(shù)，高光譜激光雷達(dá)可聯(lián)合被動(dòng)高光譜成像技術(shù)與主動(dòng)激光雷達(dá)技術(shù)的優(yōu)勢，實(shí)現(xiàn)地物空間-光譜一體化同步獲取，在地物精細(xì)化分類領(lǐng)域發(fā)揮著重要作用。基于高光譜激光雷達(dá)獲取的豐富光譜數(shù)據(jù)與高精度三維空間信息，本文提出了基于空譜特征優(yōu)化選擇的高光譜激光雷達(dá)地物分類流程，通過波段優(yōu)化方法構(gòu)建光譜指數(shù)特征，以及利用局部鄰域表面擬合方法構(gòu)建了可實(shí)現(xiàn)區(qū)域增強(qiáng)的法向量與曲率幾何特征，最后通過空譜特征優(yōu)化選擇，確定最優(yōu)空譜特征組合從而實(shí)現(xiàn)復(fù)雜場景下的高精度地物分類。

最終14類地物的OA為97.13%，AA為89.05%，Kappa系數(shù)值為0.9642，且大幅度提高計(jì)算效率。然而，由于某些地物空間結(jié)構(gòu)較復(fù)雜，且激光光斑照射至地物邊緣位置或者僅有部分光斑照射至地物表面，導(dǎo)致光譜數(shù)據(jù)獲取準(zhǔn)確性存在較大偏差，存在一定程度上的錯(cuò)誤分類現(xiàn)象，后續(xù)可根據(jù)邊界算法或條件隨機(jī)場算法對(duì)分類結(jié)果進(jìn)行平滑處理，消除椒鹽噪聲現(xiàn)象，進(jìn)一步提高分類精度。此外，由于室內(nèi)14類地物掃描實(shí)驗(yàn)場景相對(duì)較小，樣本數(shù)量相對(duì)較少，僅獲取了初步的分類結(jié)果，但仍具有一定參考價(jià)值，可為后續(xù)高光譜激光雷達(dá)地物精細(xì)化分類提供重要參考。

推薦：

便攜式高光譜成像系統(tǒng)iSpecHyper-VS1000

專門用于公安刑偵、物證鑒定、醫(yī)學(xué)醫(yī)療、精準(zhǔn)農(nóng)業(yè)、礦物地質(zhì)勘探等領(lǐng)域的最新產(chǎn)品，主要優(yōu)勢具有體積小、幀率高、高光譜分辨率高、高像質(zhì)等性價(jià)比特點(diǎn)采用了透射光柵內(nèi)推掃原理高光譜成像，系統(tǒng)集成高性能數(shù)據(jù)采集與分析處理系統(tǒng)，高速USB3.0接口傳輸，全靶面高成像質(zhì)量光學(xué)設(shè)計(jì)，物鏡接口為標(biāo)準(zhǔn)C-Mount，可根據(jù)用戶需求更換物鏡。

歡迎關(guān)注公眾號(hào)：萊森光學(xué)，了解更多光譜知識(shí)。

萊森光學(xué)(深圳)有限公司是一家提供光機(jī)電一體化集成解決方案的高科技公司，我們專注于光譜傳感和光電應(yīng)用系統(tǒng)的研發(fā)、生產(chǎn)和銷售。

審核編輯 黃宇