【读论文】Supervised spatial classification of multispectral LiDAR data in urban areas(2018)
城市地区多光谱激光雷达数据的监督空间分类
Lian-Zhi，Huo，Carlos
DOI:10.1371/journal.pone.0206185
摘要：
多光谱 LiDAR（光探测和测距）数据最初被用于土地覆盖分类。然而，仍然存在很高的分类不确定性，特别是在城市地区，物体经常混杂在一起。本研究调查了将先进的统计方法与源自多光谱 LiDAR 数据的 LiDAR 指标相结合以提高城市地区土地覆盖分类精度的效率。研究区位于加拿大安大略省奥沙瓦的安大略湖海岸线上。研究区域的多光谱 Optech Titan LiDAR 数据于 2014 年 9 月 3 日在 3 平方公里的单条带中获得。使用 1,550 nm (C1)、1,064 nm (C2) 和 532 nm (C3) 的通道、LiDAR 强度数据、归一化数字表面模型 (nDSM)、伪归一化差异植被指数 (PseudoNDVI)、形态剖面 (MP) 和一种新的分层形态学特征（HMP）被导出并用作分类的特征。在分类阶段应用了具有径向基函数（RBF）内核的支持向量机分类器，其中分类器的最佳参数通过网格搜索程序选择。强度、pseudoNDVI、nDSM 和 HMP 的组合产生了最佳的土地覆盖分类，总体准确率为 93.28%。
结论：
在这项研究中，我们评估了尖端激光雷达传感器、多光谱Optech Titan以及先进的建模衍生工具对城市地区土地覆盖分类的能力。具体来说，我们只考虑了来自激光雷达数据（即强度数据和nDSM数据）的光栅产品，并从强度数据中提取MP特征。为了在保持垂直结构信息的同时提取多光谱激光雷达强度数据的空间特征，提出了一种新的层次形态轮廓特征。结果表明，MP特征有助于在城市地区提供空间一致的土地覆盖分类。此外，通过利用高度信息，在多光谱激光雷达数据的不同特征中，所提出的HMP特征效果最好。通过我们的最佳测试模型（IMEAN+伪NDVI+nDSM+HMP），我们获得了城市地区四类土地覆盖分类的总体准确率为93.28%。我们的研究结果表明，从三波段激光雷达强度合成图像中提取空间特征可以大大提高分类结果。未来的研究可能会进一步开发应用于多光谱激光雷达数据的光谱空间分类方法，并可能直接对点云数据进行分类（即考虑几何特征），这对特征提取方法提出了新的挑战。
1.该论文研究了什么？
本研究调查了将先进的统计方法与源自多光谱 LiDAR 数据的 LiDAR 指标相结合以提高城市地区土地覆盖分类精度的效率。研究区位于加拿大安大略省奥沙瓦的安大略湖海岸线上。研究区域的多光谱 Optech Titan LiDAR 数据于 2014 年 9 月 3 日在 3 平方公里的单条带中获得。使用 1,550 nm (C1)、1,064 nm (C2) 和 532 nm (C3) 的通道、LiDAR 强度数据、归一化数字表面模型 (nDSM)、伪归一化差异植被指数 (PseudoNDVI)、形态剖面 (MP) 和一种新的分层形态学特征（HMP）被导出并用作分类的特征。
2.创新点在哪？
形态剖面（MP）表现良好，因为他们能够捕捉不同土地覆盖类型之间的空间关系。传统的主成分分析方法是对多光谱或高光谱图像的特征图像（主要是第一个或前几个主成分）进行处理。基本上，假设图像数据在相同的垂直分布水平上执行；例如，形态学操作仅考虑空间邻域像素，而缺乏考虑其邻域像素是否明显属于另一土地覆盖类被的能力。
激光雷达衍生的nDSM提供了图像的垂直背景，从而提供了在提取MP特征时一如垂直背景的机会。本文提出了一种新的层次形态轮廓（HMP）特征，并具体研究了（1）评估MP对改进多光谱激光雷达数据分类的有用性；（2）进一步研究建议HMP的有效性。
通过 选择强度、pseudoNDVI、nDSM 和 HMP 的组合向量利用SVM进行分类产生了最佳的土地覆盖分类，总体准确率为 93.28%。
3.研究方法是什么？
①首先对多光谱数据进行相对辐射定标
② 使用lastools[49]将激光雷达点云标准化为地上高度，并衍生出三种产品， 平均强度（IMEAN）、 归一化数字地表模型（nDSM）、 伪归一化差异植被指数（伪NDVI）、用于土地覆盖分类。
③ 根据强度图像手动定义四个主要类别： 建筑、草地、道路（包括停车场）和树木，这是城市和郊区最典型的土地覆盖类型。
④ 我们首先简要介绍了形态轮廓（MP）[44]，然后提出了新的层次形态轮廓（HMP）
有几种方法可以在分类任务中组合不同的特征，例如复合核[51]和多核学习方法[52]。然而，叠加向量法是利用多个特征的直接且最简单的方法。由于主要目的是研究空间特征在多光谱激光雷达强度图像分类中的有用性，因此采用直接叠加矢量方法来融合不同的特征。
对支持向量机分类器应用不同的特征组合， 对于所有模型，均采用径向基函数（RBF）核。正则化参数C的值和RBF核的伽马值通过网格搜索程序选择，在相同范围{10]内进行五次交叉验证?5,10?4.104,105}. 分类准确度根据总体准确度（OA，[%]）、Kappa统计量（K）和分类准确度进行评估。
4.得到的结论是什么？
基于三波段强度图像的分类性能相对适中（74.66%）。然而，从强度图像中提取的辅助特征对于提高分类精度非常有用。在提取的特征中，与强度图像相比，伪NDVI、nDSM、MP和HMP的总体精度分别提高了0.37%、12.12%、7.65%和18.14%。当强度图像与伪NDVI、nDSM和HMP特征相结合时，总体分类精度提高了18.62%。
至于具体类别，由于这些类别之间存在混淆，基于强度图像，1类（道路）和2类（建筑）的分类精度最差（76.66%和42.42%）（见混淆矩阵表3）
通过结合多光谱激光雷达数据和形态学剖面，我们对城市地区的地形进行了分类。我们研究的分类结果表明，多光谱激光雷达数据能够记录来自土地覆盖物的各种光谱信号，因此强调了其有效城市区域分类的潜力。
为了提高分类精度，利用了伪NDVI和DSM或nDSM特征[34,37,56-58]。与以往的研究一致，本研究进一步证明，伪NDVI和nDSM可以提高多光谱激光雷达强度图像的分类精度。
本研究进一步证明，与仅使用多光谱激光雷达强度数据的方法相比，包含空间特征（MP和建议的HMP）对于获得高精度分类结果非常有用；具体来说，道路和建筑类在我们的案例中受益最大。
[1]Lian-Zhi, Huo, Carlos, et al. Supervised spatial classification of multispectral LiDAR data in urban areas.[J]. Plos One, 2018.
