楊俊濤，康志忠

中國(guó)地質(zhì)大學(xué)(北京)土地科學(xué)技術(shù)學(xué)院, 北京 100083

電力對(duì)現(xiàn)代社會(huì)的活動(dòng)至關(guān)重要。為了確保電力的不間斷供應(yīng)，有必要對(duì)電力線進(jìn)行有效地監(jiān)測(cè)和維護(hù)。對(duì)電網(wǎng)的監(jiān)測(cè)一般包括兩個(gè)方面：電力線構(gòu)件和周?chē)矬w(如植被)。不斷接近電力線生長(zhǎng)的樹(shù)木可能破壞基礎(chǔ)設(shè)施，甚至導(dǎo)致大面積斷電與森林火災(zāi)，因此需要對(duì)電力線附近的植被做定期監(jiān)測(cè)。而且，暴風(fēng)雨以及其他自然災(zāi)害也可能對(duì)電力線造成一定程度的破壞[1]。

傳統(tǒng)的人工巡檢方式存在勞動(dòng)力強(qiáng)度大、效率低、復(fù)巡周期長(zhǎng)等缺點(diǎn)。近年來(lái)，諸多學(xué)者致力于將遙感技術(shù)應(yīng)用于電力線監(jiān)測(cè)中[1],其中機(jī)載LiDAR以其獨(dú)特的優(yōu)勢(shì)，被日漸廣泛地應(yīng)用于電力巡線中。機(jī)載LiDAR在電力方面的研究主要是點(diǎn)云自動(dòng)分類(lèi)和電力線構(gòu)件重建[2-6]，其中大部分提取電力線的方法是基于電力線的線性特征。文獻(xiàn)[2,6]利用霍夫變換提取電力線；文獻(xiàn)[7]利用多次回波和強(qiáng)度信息分離電力線和植被；文獻(xiàn)[8]通過(guò)分析首末次回波的高度差和強(qiáng)度信息分離電力線和植被；文獻(xiàn)[9]從點(diǎn)云數(shù)據(jù)中提取21個(gè)幾何特征并利用隨機(jī)森林將場(chǎng)景分類(lèi)為電線、電塔、植被、建筑物和低矮物體；文獻(xiàn)[10]在分析點(diǎn)云場(chǎng)景的基礎(chǔ)上，提取點(diǎn)云的26個(gè)幾何特征，同時(shí)考慮一定的空間先驗(yàn)信息利用JointBoost實(shí)現(xiàn)場(chǎng)景分類(lèi)。

在分類(lèi)任務(wù)中，引入空間上下文信息進(jìn)行分類(lèi)約束已經(jīng)成為研究人員的一個(gè)共識(shí)。文獻(xiàn)[11—12]以條件隨機(jī)場(chǎng)為框架，將上下文信息融入到點(diǎn)云分類(lèi)決策中，使分類(lèi)精度顯著提高。文獻(xiàn)[13]提出了一種融合航空影像輔助點(diǎn)云分類(lèi)的方法，文中用SVM表達(dá)觀測(cè)數(shù)據(jù)的概率分布，基于馬爾可夫隨機(jī)場(chǎng)實(shí)現(xiàn)顧及上下文信息的土地利用分類(lèi)。文獻(xiàn)[14]通過(guò)構(gòu)建圖割模型做全局優(yōu)化，改善初始分類(lèi)結(jié)果。因此，綜合MRF模型所描述的空間上下文信息和提取的點(diǎn)云幾何結(jié)構(gòu)信息可以改善點(diǎn)云分類(lèi)精度。

針對(duì)電力線場(chǎng)景中地物的連續(xù)性，本文提出了一種基于隨機(jī)森林后驗(yàn)概率的馬爾可夫隨機(jī)場(chǎng)模型，記作MRF_RF模型，用于點(diǎn)云的分類(lèi)與識(shí)別(如圖1所示)。首先結(jié)合空間金字塔理論構(gòu)建多尺度視覺(jué)分類(lèi)特征，以此描述空間點(diǎn)及其鄰域的幾何形狀信息；接著利用隨機(jī)森林分類(lèi)器描述觀測(cè)數(shù)據(jù)的概率分布，基于馬爾可夫隨機(jī)場(chǎng)模型建立顧及上下文信息的先驗(yàn)概率，構(gòu)建一個(gè)多標(biāo)記能量函數(shù)；最后利用多標(biāo)記圖割技術(shù)最小化能量函數(shù)完成分類(lèi)標(biāo)簽優(yōu)化。

1 構(gòu)建多尺度視覺(jué)分類(lèi)特征

在點(diǎn)云視覺(jué)分類(lèi)特征的計(jì)算中，通常需要連同三維鄰域內(nèi)的其他點(diǎn)一起統(tǒng)計(jì)和分析，因此計(jì)算點(diǎn)云的視覺(jué)分類(lèi)特征首先需要考慮鄰域的形狀和大小[10，15]。考慮到機(jī)載點(diǎn)云密度的變化，本文采用k鄰域定義待分類(lèi)點(diǎn)的鄰域，作為計(jì)算點(diǎn)特征的支撐區(qū)域。

圖1 馬爾可夫隨機(jī)場(chǎng)分類(lèi)模型Fig.1 MRF classification model

1.1 基于點(diǎn)的單尺度特征構(gòu)建

由于機(jī)載LiDAR點(diǎn)云數(shù)據(jù)具有場(chǎng)景復(fù)雜、目標(biāo)豐富、點(diǎn)密度變化以及存在噪聲點(diǎn)等問(wèn)題，從大量激光雷達(dá)點(diǎn)云數(shù)據(jù)中提取有效信息進(jìn)行場(chǎng)景分類(lèi)始終是一個(gè)挑戰(zhàn)?？紤]到電力線場(chǎng)景的點(diǎn)云分布特點(diǎn)，綜合文獻(xiàn)[16—17]中對(duì)點(diǎn)云視覺(jué)分類(lèi)特征的分析，選擇點(diǎn)云的絕對(duì)高度[17]、基于特征值的特征[11-13,16-17,19]和電力線形狀描述子作為分類(lèi)點(diǎn)的視覺(jué)分類(lèi)特征。

1.1.1 絕對(duì)高度

點(diǎn)云的絕對(duì)高度Nh由DSM與DTM[18]的差值表示,用于消除地形起伏的影響。

1.1.2 基于特征值的特征

基于特征值的特征可以用來(lái)描述當(dāng)前點(diǎn)周?chē)》秶鷥?nèi)的幾何形狀特征，被廣泛應(yīng)用于激光雷達(dá)點(diǎn)云分類(lèi)中。假設(shè)Cp表示點(diǎn)p的鄰域協(xié)方差矩陣，則Cp可以通過(guò)式(1)進(jìn)行計(jì)算

(1)

1.1.3 電力線形狀描述子

盡管單條電力線具有很強(qiáng)的線性特征，但是實(shí)際場(chǎng)景中往往是兩條電力線或者多條電力線并行的結(jié)構(gòu)(即分裂導(dǎo)線)。雙線或者多線并行結(jié)構(gòu)在基于點(diǎn)鄰域建模提取幾何特征時(shí)，使得電力線的線性特征不再具有區(qū)分性。本文在分析電力線形狀分布以及場(chǎng)景特點(diǎn)的基礎(chǔ)上，參考ESP特征[20]提取的思路，提出一種描述雙線并行電力線形狀分布的特征描述子(powerline shape descriptor,PSD)。具體的提取流程如下：

(1) 取當(dāng)前點(diǎn)p及其k鄰域內(nèi)所有點(diǎn)利用最小二乘擬合平面，并將當(dāng)前點(diǎn)p及其鄰域點(diǎn)沿平面的法線方向投影到擬合平面上。

(2) 從投影點(diǎn)中隨機(jī)的選擇3個(gè)點(diǎn)p1、p2、p3，構(gòu)造三角形Δp1p2p3，如果三角形的任意一條邊的邊長(zhǎng)小于給定閾值(文中設(shè)定為電力線的直徑)，則重新選擇3個(gè)點(diǎn)。然后定義三角形中的最大角為θ。

(3) 將[60°,180°]平均分成6個(gè)區(qū)間，重復(fù)步驟(2)MaxIter次，統(tǒng)計(jì)最大角θ在每個(gè)區(qū)間中出現(xiàn)的頻率，構(gòu)建角度頻率直方圖xPSD。

對(duì)于單條電力線的情形，當(dāng)前點(diǎn)p及其鄰域點(diǎn)沿平面的法線方向投影到擬合平面上所得到的投影點(diǎn)近似呈一條直線分布(圖2(a))，此時(shí)通過(guò)隨機(jī)重復(fù)采樣選點(diǎn)構(gòu)造的三角形Δp1p2p3中最大角θ取值在180°附近。因此隨機(jī)重復(fù)采樣統(tǒng)計(jì)得到的角度頻率直方圖中第6個(gè)區(qū)間的概率應(yīng)該最高且其值接近1，而其他區(qū)間的概率接近0，如圖2(b)所示。對(duì)于雙線平行的情形，當(dāng)前點(diǎn)p及其鄰域點(diǎn)沿平面的法線方向投影到擬合平面上所得到的投影點(diǎn)近似呈兩條直線平行分布(圖2(c))，此時(shí)通過(guò)隨機(jī)重復(fù)采樣選點(diǎn)構(gòu)造的三角形Δp1p2p3中最大角θ是大于90°的，且從第2區(qū)間到第6區(qū)間概率呈遞增趨勢(shì)，如圖2(d)所示。對(duì)于其他非線結(jié)構(gòu)的地物，當(dāng)前點(diǎn)p及其鄰域點(diǎn)沿平面的法線方向投影到擬合平面上所得到的投影點(diǎn)是散亂分布的(圖2(e))，此時(shí)通過(guò)隨機(jī)重復(fù)采樣選點(diǎn)構(gòu)造的三角形Δp1p2p3中最大角θ取值范圍是[60°,180°]且是等可能的，因此隨機(jī)重復(fù)采樣統(tǒng)計(jì)得到的角度概率直方圖近似為均勻分布，如圖2(f)所示。

圖2 不同地物構(gòu)造電力線形狀特征示意圖Fig.2 Schematic diagram of power line shape with different surface features

1.2 基于單點(diǎn)的多尺度特征構(gòu)建

根據(jù)文獻(xiàn)[19]的結(jié)論，k取值對(duì)不同地物的分類(lèi)正確率產(chǎn)生不同的影響。考慮到點(diǎn)云在不同尺度下會(huì)表現(xiàn)出不同的紋理特征，本文參考空間金字塔匹配核思想[21]，提出構(gòu)建多尺度的特征向量的策略。具體思路如下：分別取3個(gè)不同鄰域大小k值(即k=k0,k1,k2)計(jì)算當(dāng)前點(diǎn)的視覺(jué)分類(lèi)特征向量，然后連接成一個(gè)長(zhǎng)分類(lèi)特征向量構(gòu)成當(dāng)前點(diǎn)的多尺度分類(lèi)特征向量F=[Nhfk0fk1fk2]，用于描述電力線三維場(chǎng)景。本文以單木為例說(shuō)明多尺度特征向量提取流程，如圖3所示。圖中，分別取距離當(dāng)前點(diǎn)最近的Nk0、Nk1、Nk2個(gè)點(diǎn)作為支撐區(qū)域構(gòu)建當(dāng)前點(diǎn)的單尺度特征向量fk0、fk1、fk2，將當(dāng)前點(diǎn)3個(gè)尺度的特征向量fk0、fk1、fk2和絕對(duì)高度Nh連接成多尺度特征向量F。試驗(yàn)結(jié)果表明，與單尺度特征向量相比，本文構(gòu)建的多尺度特征向量具有更好的區(qū)分性和穩(wěn)健性。

圖3 多尺度特征向量提取流程Fig.3 The extracting process of multi-scale feature vector

圖3中，黑色點(diǎn)為當(dāng)前點(diǎn)，灰色點(diǎn)為當(dāng)前點(diǎn)鄰域Nki(i=0,1,2)內(nèi)的點(diǎn)。基于特征值的特征xeigen=[λ1λ2λ3AλPλSλLλ]ki，i=0,1,2，xPSD為電力線形狀描述子，Nh為絕對(duì)高度。

2 面向點(diǎn)云分類(lèi)的MRF模型

MRF模型[22]可以表示為一個(gè)無(wú)向圖G=〈V,E〉，其中V表示節(jié)點(diǎn)的集合(本文中無(wú)向圖中的節(jié)點(diǎn)與LiDAR點(diǎn)云中點(diǎn)的一一對(duì)應(yīng))，E表示無(wú)向邊的集合。對(duì)于點(diǎn)云數(shù)據(jù)D,假定P={p1,p2,…,pN}表示D中N個(gè)點(diǎn)的集合，Ω={c1,c2,…,cm}表示m種類(lèi)別標(biāo)簽的集合(本文中m=3，即植被、電力線和電塔3種地物)，F(xiàn)={Fi|i=1,2,…,N}表示數(shù)據(jù)D中點(diǎn)的特征向量集合，L={l=(l1,l2,…,lN)|li∈Ω,i=1,2,…,N}表示數(shù)據(jù)D所有可能的標(biāo)簽配置。當(dāng)以F為條件時(shí)L滿(mǎn)足馬爾可夫性：P(lu|{lv}u≠v;F)=P(lu|{lv}v∈N(u);F)，其中u、v表示G中的節(jié)點(diǎn)，N(u)表示G中節(jié)點(diǎn)u的鄰域，那么L是關(guān)于鄰域系統(tǒng)N的一個(gè)馬爾可夫隨機(jī)場(chǎng)。因此，在構(gòu)建面向點(diǎn)云數(shù)據(jù)的MRF模型之前，需要先定義點(diǎn)的鄰域系統(tǒng)。

2.1 圖模型的構(gòu)建

對(duì)于二維的柵格圖像而言，可以利用像素的4鄰域或者8鄰域直觀地建模圖像像素間的關(guān)系。然而機(jī)載LiDAR點(diǎn)云數(shù)據(jù)在三維空間中的分布是不規(guī)則，點(diǎn)間也沒(méi)有必然的拓?fù)潢P(guān)系。在一個(gè)MRF模型中，只有當(dāng)兩個(gè)節(jié)點(diǎn)是相鄰的情況下，它們之間才會(huì)有直接的作用關(guān)系，而與其他節(jié)點(diǎn)無(wú)關(guān)?；诖耍疚囊訩d樹(shù)組織散亂的點(diǎn)云，當(dāng)前點(diǎn)p與距其最近的4個(gè)點(diǎn)連接無(wú)向邊，構(gòu)建MRF模型的鄰域系統(tǒng)N，如圖4所示。

圖4中，黑色點(diǎn)表示當(dāng)前點(diǎn)，灰色點(diǎn)表示距離當(dāng)前點(diǎn)最近的4個(gè)點(diǎn)。

2.2 馬爾可夫隨機(jī)場(chǎng)分類(lèi)模型

在MRF模型中，將點(diǎn)云分類(lèi)看做是一個(gè)標(biāo)記問(wèn)題。根據(jù)點(diǎn)的視覺(jué)特征向量和分塊平滑的特性，給任意點(diǎn)p分配一個(gè)類(lèi)別標(biāo)簽ci(1≤i≤m)，也就是將每個(gè)點(diǎn)映射到標(biāo)簽集Ω中的某個(gè)標(biāo)簽上。最優(yōu)標(biāo)簽L*的確定不僅要滿(mǎn)足分塊平滑，還要與被觀測(cè)數(shù)據(jù)保持一致。

圖4 MRF模型的鄰域系統(tǒng)N的構(gòu)建Fig.4 The construction of neighborhood system N in MRF model

在計(jì)算機(jī)視覺(jué)領(lǐng)域中，尋找最優(yōu)的標(biāo)簽L*可以被表達(dá)為能量最小化問(wèn)題，按照下式構(gòu)建一個(gè)多標(biāo)記能量函數(shù)

E(L)=Edata(L)+λEsmooth(L)

(2)

式中，數(shù)據(jù)項(xiàng)Edata(L)描述了標(biāo)簽L與被觀測(cè)數(shù)據(jù)的不一致性；平滑項(xiàng)Esmooth(L)表征了標(biāo)簽L的分塊不平滑程度；λ表示平衡數(shù)據(jù)項(xiàng)和平滑項(xiàng)的比例系數(shù)。

諸多研究成果中提出了不同的能量函數(shù)表現(xiàn)形式，數(shù)據(jù)項(xiàng)Edata(L)一般被表示為

(3)

式中，Du(lu)度量在給定特征向量Fu的條件下，標(biāo)簽lu與觀測(cè)數(shù)據(jù)的一致性。為了盡可能準(zhǔn)確地反映每個(gè)點(diǎn)的特征信息，本文采用隨機(jī)森林分類(lèi)器擬合觀測(cè)數(shù)據(jù)特征向量的概率分布，以隨機(jī)森林分類(lèi)器的后驗(yàn)概率定量地描述標(biāo)簽lu與觀測(cè)數(shù)據(jù)的一致性?？紤]到電力線場(chǎng)景中電力線的實(shí)際高度，對(duì)隨機(jī)森林分類(lèi)器的分類(lèi)過(guò)程添加一個(gè)強(qiáng)約束，即如果當(dāng)前點(diǎn)的絕對(duì)高度低于一定閾值(本文設(shè)置為7 m)，則該點(diǎn)不能被分類(lèi)為電力線點(diǎn)。

平滑項(xiàng)Esmooth(L)的選擇至關(guān)重要。為了抑制分類(lèi)過(guò)程中可能存在的“椒鹽”現(xiàn)象，使得分類(lèi)結(jié)果具有更好的區(qū)域性，本文將平滑項(xiàng)Esmooth(L)表示為

(4)

在基于MRF模型的分類(lèi)問(wèn)題中，最小化式(2)是一個(gè)NP難題。在本文中，式(2)采用多標(biāo)記圖割技術(shù)[23]有效地最小化。多標(biāo)記圖割技術(shù)是一種對(duì)任意有限大小的標(biāo)簽集l(l∈L)近似能量最小化的算法，不僅有效地改善了計(jì)算效率，而且可以獲得全局最優(yōu)解，其中α-βswap算法是多標(biāo)記圖割技術(shù)中的典型代表，如圖5所示。算法基本流程是：

(1) 初始化標(biāo)簽配置L。

(2) 設(shè)置標(biāo)志變量flag=false。

(3) 對(duì)于每一對(duì)標(biāo)簽α,β(α,β∈Ω,α≠β)，通過(guò)α-βswap操作調(diào)整L′，通過(guò)解最小割的方式最小化能量函數(shù)E(L′)，如果E(L′)

(4) 如果flag=true，轉(zhuǎn)步驟(2)，否則最優(yōu)標(biāo)簽配置L*=L。

圖5 多標(biāo)記圖割中Gαβ原理示意圖Fig.5 Schematic diagram of Gαβ in multi-label graph cut

3 試驗(yàn)與分析

3.1 試驗(yàn)數(shù)據(jù)及評(píng)價(jià)標(biāo)準(zhǔn)

為了驗(yàn)證本文模型的有效性，選取電力行業(yè)的LiDAR點(diǎn)云數(shù)據(jù)作為試驗(yàn)數(shù)據(jù)。場(chǎng)景1-3為直升機(jī)平臺(tái)的E+AP激光電力巡檢系統(tǒng)獲取的LiDAR點(diǎn)云數(shù)據(jù)，點(diǎn)云密度為大約40點(diǎn)/m2，總長(zhǎng)約6500 m。場(chǎng)景4為無(wú)人機(jī)平臺(tái)的SKY-Lark無(wú)人機(jī)雷達(dá)系統(tǒng)獲取的LiDAR點(diǎn)云數(shù)據(jù)，點(diǎn)云密度為大約80點(diǎn)/m2，總長(zhǎng)為約600 m。本文主要將場(chǎng)景分為植被、電塔和電力線，所用訓(xùn)練集和測(cè)試集的點(diǎn)云統(tǒng)計(jì)如表1所示。

表1 試驗(yàn)數(shù)據(jù)統(tǒng)計(jì)

本文采用召回率(recall)、精確率(precision)、準(zhǔn)確率(overallaccuracy)和F_score對(duì)分類(lèi)結(jié)果進(jìn)行評(píng)價(jià)。假設(shè)原始樣本中有兩類(lèi)，其中有P個(gè)類(lèi)別為1的樣本，且假設(shè)類(lèi)別1為正例，有N個(gè)類(lèi)別為0的樣本，且假設(shè)類(lèi)別0為負(fù)例，則

(5)

(6)

(7)

(8)

式中，TP個(gè)類(lèi)別為1的樣本被系統(tǒng)正確判定為類(lèi)別1；FN個(gè)類(lèi)別為1的樣本被系統(tǒng)誤判定為類(lèi)別0；FP個(gè)類(lèi)別為0的樣本被系統(tǒng)誤判斷定為類(lèi)別1；TN個(gè)類(lèi)別為0的樣本被系統(tǒng)正確判為類(lèi)別0。

3.2 試驗(yàn)與精度分析

3.2.1 最大重復(fù)次數(shù)MaxIter對(duì)分類(lèi)精度的影響

為了驗(yàn)證最大重復(fù)次數(shù)MaxIter對(duì)分類(lèi)精度的影響，本文以場(chǎng)景1為研究對(duì)象做了對(duì)比試驗(yàn)，最大重復(fù)次數(shù)MaxIter分別取值100、250、500、750、1000，其中權(quán)重λ設(shè)置為0.75，統(tǒng)計(jì)得到的分類(lèi)正確率變化情況，如圖6所示，圖中不同灰度的柱狀圖反映了不同地物的分類(lèi)F-score值受最大重復(fù)次數(shù)MaxIter取值的影響，折線圖表示了最大重復(fù)次數(shù)MaxIter的取值對(duì)分類(lèi)總正確率的影響。試驗(yàn)結(jié)果表明，隨著最大重復(fù)次數(shù)MaxIter的增加，分類(lèi)正確率從99.77%逐步提高到99.79%，當(dāng)MaxIter增加到750時(shí)，分類(lèi)正確率在99.79%處維持穩(wěn)定狀態(tài)。在3類(lèi)地物中，植被和電力線的分類(lèi)精度受MaxIter取值影響較小，分類(lèi)F-score值的波動(dòng)小于0.2%。相反的，電塔的分類(lèi)精度受MaxIter取值影響最大，分類(lèi)F-score值的波動(dòng)大于5%。

圖6 最大重復(fù)次數(shù)MaxIter對(duì)分類(lèi)精度的影響Fig.6 The effect of maximum iteration number MaxIter on classification accuracy

3.2.2 不同尺度組合對(duì)分類(lèi)精度的影響

為了驗(yàn)證多尺度特征向量的優(yōu)勢(shì)，以場(chǎng)景1為試驗(yàn)對(duì)象，將多種不同尺度的組合情況做了對(duì)比試驗(yàn)，分別計(jì)算k0=30、k1=50、k2=70、k3=90時(shí)的特征向量，不同尺度計(jì)算的特征向量連接成一個(gè)長(zhǎng)向量，利用MRF_RF模型對(duì)場(chǎng)景1進(jìn)行分類(lèi)，統(tǒng)計(jì)結(jié)果如圖7所示。圖中不同灰度的柱狀圖反映了各類(lèi)地物的分類(lèi)F-score值在不同單尺度以及單尺度組合情況下的波動(dòng)情況，折線圖表示了不同單尺度以及單尺度組合情況對(duì)分類(lèi)總正確率的影響。試驗(yàn)結(jié)果表明，單尺度特征向量連接成多尺度的長(zhǎng)特征向量(如k0+k1、k0+k1+k2、k0+k1+k2+k3)所得到的分類(lèi)正確率明顯好于單一尺度，總正確率從99.76%提高到99.79%。其中，多尺度特征向量對(duì)改善電塔分類(lèi)精度最為顯著，在單尺度組合得到多尺度特征向量的不同試驗(yàn)中，電塔的分類(lèi)F-score值的波動(dòng)大于3%，而植被和電力線的分類(lèi)F-score值的波動(dòng)小于0.5%。然而這種單尺度連接成多尺度特征向量的策略，并不是尺度越多對(duì)改善分類(lèi)精度越有益。從圖7可以看出，在對(duì)比試驗(yàn)中3個(gè)尺度的組合情況具有最高的分類(lèi)精度。盡管4個(gè)尺度的組合情況在總分類(lèi)精度上與3個(gè)尺度相當(dāng)，但電塔的分類(lèi)F-score值開(kāi)始出現(xiàn)下降趨勢(shì)。

圖7 不同尺度組合對(duì)分類(lèi)精度的影響Fig.7 The effect of different scale combination on classification accuracy

3.2.3 不同分類(lèi)器間的對(duì)比

如3.2.1節(jié)所述，本文提出的用于描述電力線形狀分布的PSD可以改善電力線的分類(lèi)精度，其中參數(shù)MaxIter影響該特征描述子的穩(wěn)健性。為了說(shuō)明MaxIter對(duì)PSD穩(wěn)健性的影響，本文以場(chǎng)景1為試驗(yàn)對(duì)象，將其應(yīng)用于其他常規(guī)分類(lèi)器(如AdaBoost、最近鄰分類(lèi)器(KNN)、支持向量機(jī)(SVM)、決策樹(shù)(Dtree))中。試驗(yàn)結(jié)果如圖8所示，隨著最大重復(fù)次數(shù)MaxIter的增加，各個(gè)分類(lèi)器的分類(lèi)總正確率都有不同程度的提高。但是最大重復(fù)次數(shù)達(dá)到750次時(shí)，分類(lèi)總正確率開(kāi)始趨向穩(wěn)定狀態(tài)。

圖8 最大重復(fù)次數(shù)MaxIter對(duì)不同分類(lèi)器分類(lèi)精度的影響Fig.8 The effect of maximum iteration number MaxIter on classification accuracy of different classifiers

為了進(jìn)一步驗(yàn)證本文提出的多尺度特征向量的優(yōu)勢(shì)，以場(chǎng)景1為試驗(yàn)對(duì)象，將單尺度與多尺度特征向量用于不同分類(lèi)器中。其中，單尺度的試驗(yàn)結(jié)果中以尺度k1的分類(lèi)結(jié)果最優(yōu)，本文將其統(tǒng)計(jì)于表2中，并將多尺度的結(jié)果統(tǒng)計(jì)于表3中。對(duì)比表2和表3可見(jiàn)，盡管多尺度的策略在改善植被分類(lèi)結(jié)果上效果不明顯，但是對(duì)于電塔和電力線，其分類(lèi)結(jié)果有明顯改善，單地物的召回率最大可提高5%以上。圖9顯示了不同分類(lèi)器的分類(lèi)總正確率受不同尺度組合的影響，多尺度特征向量在一定程度上提高了特征向量的表達(dá)能力，改善了分類(lèi)質(zhì)量。表3—6顯示了本文MRF_RF模型對(duì)比其他分類(lèi)器的性能。在表3—6所示的4個(gè)場(chǎng)景中，本文模型大多數(shù)的數(shù)據(jù)要優(yōu)于其他分類(lèi)器。將MRF_RF模型與其他分類(lèi)方法對(duì)比可得，盡管不同的方法在分類(lèi)植被方面性能相當(dāng)，但MRF模型具有更高的總體精度，分類(lèi)電塔的優(yōu)勢(shì)顯著。

3.2.4 不同分類(lèi)器的效率對(duì)比

為了對(duì)比不同分類(lèi)器所產(chǎn)生的計(jì)算時(shí)間成本，本文以場(chǎng)景1為研究對(duì)象，進(jìn)行對(duì)比試驗(yàn)。表7列舉了不同分類(lèi)器的運(yùn)行時(shí)間。試驗(yàn)結(jié)果表明，Dtree具有最高的效率，但其分類(lèi)效果明顯低于其他方法，分類(lèi)總正確率低于MRF_RF模型0.17%，電力線和電塔的召回率分別低于MRF_RF模型1.05%和0.66%，電力線和電塔的精確率分別低于MRF_RF模型1.64%和26.49%。與KNN和SVM方法相比，MRF_RF模型不僅在效率上明顯高于這兩種方法，而且在電力線的分類(lèi)召回率上分別高出KNN和SVM方法1.43%和0.4%，在電塔的分類(lèi)召回率上分別高出KNN和SVM方法8.55%和6.86%。盡管MRF_RF模型在效率上略低于AdaBoost方法，但其在總分類(lèi)正確率上高出AdaBoost方法0.06%，在電塔的分類(lèi)召回率上高出AdaBoost方法1.37%。

圖9 不同分類(lèi)器分類(lèi)精度受不同尺度組合的影響Fig.9 The effect of different scale combination on classification accuracy of different classifiers

項(xiàng)目植被電塔電力線召回率精確率召回率精確率召回率精確率總正確率MRF_RF99.9999.7964.7096.8699.2599.0299.76AdaBoost99.9999.7762.4693.9098.1098.8999.73KNN99.9999.7759.0990.4098.1497.7599.70SVM99.9999.7660.1694.9798.6799.0499.72Dtree99.8699.8263.6072.1298.6197.4299.62

表3 不同分類(lèi)器的性能對(duì)比(場(chǎng)景1,多尺度)

表4 不同分類(lèi)器的性能對(duì)比(場(chǎng)景2，多尺度)

表5 不同分類(lèi)器的性能對(duì)比(場(chǎng)景3，多尺度)

表6 不同分類(lèi)器的性能對(duì)比(場(chǎng)景4，多尺度)

表7 不同分類(lèi)器效率對(duì)比

4 結(jié)束語(yǔ)

針對(duì)機(jī)載點(diǎn)云數(shù)據(jù)，本文提出了一種基于隨機(jī)森林后驗(yàn)概率的馬爾可夫隨機(jī)場(chǎng)模型，用于電力線場(chǎng)景的點(diǎn)云分類(lèi)。該方法可以有效地分類(lèi)地物點(diǎn)，同時(shí)也為L(zhǎng)iDAR電力巡線的數(shù)據(jù)后處理提供了新思路，大大節(jié)省了人力物力。盡管考慮地物之間局部相關(guān)性可以改善點(diǎn)云的分類(lèi)精度，面對(duì)復(fù)雜的場(chǎng)景以點(diǎn)為單位的點(diǎn)云分類(lèi)是一種挑戰(zhàn)。面向?qū)ο蟮姆诸?lèi)方法或者基于對(duì)象提取中層以及高層語(yǔ)義信息輔助點(diǎn)云分類(lèi)將是下一步研究的重點(diǎn)。

[1] MATIKAINEN L, LEHTOMKI M, AHOKAS E, et al. Remote Sensing Methods for Power Line Corridor Surveys[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016, 119: 10-31.

[2] 余潔, 穆超, 馮延明, 等. 機(jī)載LiDAR點(diǎn)云數(shù)據(jù)中電力線的提取方法研究[J]. 武漢大學(xué)學(xué)報(bào)(信息科學(xué)版), 2011, 36(11): 1275-1279.

YU Jie, MU Chao, FENG Yanming, et al. Powerlines Extraction Techniques from Airborne LiDAR Data[J]. Geomatics and Information Science of Wuhan University, 2011, 36(11): 1275-1279.

[3] 林祥國(guó), 張繼賢. 架空輸電線路機(jī)載激光雷達(dá)點(diǎn)云電力線三維重建[J]. 測(cè)繪學(xué)報(bào), 2016, 45(3): 347-353. DOI: 10.11947/j.AGCS.2016.20150186.

LIN Xiangguo, ZHANG Jixian. 3D Power Line Reconstruction from Airborne LiDAR Point Cloud of Overhead Electric Power Transmission Corridors[J]. Acta Geodaetica et Cartographica Sinica, 2016, 45(3): 347-353. DOI: 10.11947/j.AGCS.2016.20150186.

[4] 段敏燕. 機(jī)載激光雷達(dá)點(diǎn)云電力線三維重建方法研究[J]. 測(cè)繪學(xué)報(bào), 2016, 45(12): 1495. DOI: 10.11947/j.AGCS.2016.20160341.

DUAN Minyan. 3D Power Line Reconstruction from Airborne LiDAR Point Cloud[J]. Acta Geodaetica et Cartographica Sinica, 2016, 45(12): 1495. DOI: 10.11947/j.AGCS.2016.20160341.

[5] 賴(lài)旭東, 戴大昌, 鄭敏, 等. LiDAR點(diǎn)云數(shù)據(jù)的電力線3維重建[J]. 遙感學(xué)報(bào), 2014, 18(6): 1223-1229.

LAI Xudong, DAI Dachang, ZHENG Min, et al. Powerline Three-dimensional Reconstruction for LiDAR Point Cloud Data[J]. Journal of Remote Sensing, 2014, 18(6): 1223-1229.

[6] 陳馳, 麥曉明, 宋爽, 等. 機(jī)載激光點(diǎn)云數(shù)據(jù)中電力線自動(dòng)提取方法[J]. 武漢大學(xué)學(xué)報(bào)(信息科學(xué)版), 2015, 40(12): 1600-1605.

CHEN Chi, MAI Xiaoming, SONG Shuang, et al. Automatic Power Lines Extraction Method from Airborne LiDAR Point Cloud[J]. Geomatics and Information Science of Wuhan University, 2015, 40(12): 1600-1605.

[7] AXELSSON P. Processing of Laser Scanner Data: Algorithms and Applications[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 1999, 54(2-3): 138-147.

[8] CLODE S, ROTTENSTEINER F. Classification of Trees and Powerlines from Medium Resolution Airborne Laserscanner Data in Urban Environments[C]∥LOVELL B C, MAEDER A J. Proceedings of APRS Workshop on Digital Image Computing 2005 (WDIC2005). Brisbane： University of Queensland, 2005, 1: 97-102.

[9] KIM H B, SOHN G. Point-based Classification of Power Line Corridor Scene Using Random Forests[J]. Photogrammetric Engineering & Remote Sensing, 2013, 79(9): 821-833.

[10] GUO Bo, HUANG Xianfeng, ZHANG Fan, et al. Classification of Airborne Laser Scanning Data Using JointBoost[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 100: 71-83.

[11] LIM E H, SUTER D. 3D Terrestrial LIDAR Classifications with Super-voxels and Multi-scale Conditional Random Fields[J]. Computer-Aided Design, 2009, 41(10): 701-710.

[12] NIEMEYER J, ROTTENSTEINER F, SOERGEL U, et al. Hierarchical Higher Order Crf for the Classification of Airborne LiDAR Point Clouds in Urban Areas[C]∥Proceedings of ISPRS International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. Prague, Czech Republic: ISPRS, 2016, XLI-B3: 655-662.

[13] CAO Yang, WEI Hong, ZHAO Huijie, et al. An Effective Approach for Land-cover Classification from Airborne LiDAR Fused with Co-registered Data[J]. International Journal of Remote Sensing, 2012, 33(18): 5927-5953.

[14] LI Zhuqiang, ZHANG Liqiang, TONG Xiaohua, et al. A Three-step Approach for TLS Point Cloud Classification[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(9): 5412-5424.

[15] FILIN S, PFEIFER N. Neighborhood Systems for Airborne Laser Data[J]. Photogrammetric Engineering & Remote Sensing, 2005, 71(6): 743-755.

[16] CHEHATA N, GUO L, MALLET C. Airborne LiDAR Feature Selection for Urban Classification Using Random Forests[J].Laser Scanning , 2009, 38: 207-212.

[17] DITTRICH A, WEINMANN M, HINZ S. Analytical and Numerical Investigations on the Accuracy and Robustness of Geometric Features Extracted from 3D Point Cloud Data[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2017, 126: 195-208.

[18] AXELSSON P. DEM Generation from Laser Scanner Data Using Adaptive TIN Models[J]. International Archives of Photogrammetry and Remote Sensing, 2000, 33: 110-117.

[19] KANG Zhizhong, YANG Juntao, ZHONG Ruofei. A Bayesian-network-based Classification Method Integrating Airborne LiDAR Data with Optical Images[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2016, 10(4): 1651-1661.

[20] WOHLKINGER W, VINCZE M. Ensemble of Shape Functions for 3D Object Classification[C]∥Proceedings of 2011 IEEE International Conference on Robotics and Biomimetics. Karon Beach, Phuket: IEEE, 2011: 2987-2992.

[21] LAZEBNIK S, SCHMID C, PONCE J. Beyond Bags of Features: Spatial Pyramid Matching for Recognizing Natural Scene Categories[C]∥Proceedings of Computer Society Conference on Computer Vision and Pattern Recognition. New York, NY: IEEE, 2006: 2169-2178.

[22] GEMAN S, GEMAN D. Stochastic Relaxation, Gibbs Distributions, and the Bayesian Restoration of Images[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1984, PAMI-6(6): 721-741.

[23] BOYKOV Y, VEKSLER O, ZABIH R. Fast Approximate Energy Minimization via Graph Cuts[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2001, 23(11): 1222-1239.