摘? 要：使用SVM對(duì)LiDAR數(shù)據(jù)中進(jìn)行分類，在進(jìn)行分類的過程中，采用了樣本交叉驗(yàn)證和LIBSVM中的網(wǎng)格法兩種方法對(duì)SVM的參數(shù)進(jìn)行了討論。首先，先對(duì)LiDAR數(shù)據(jù)進(jìn)行預(yù)處理;其次，通過兩種方法進(jìn)行SVM分類參數(shù)的獲取;最后，通過精度的比較及分類結(jié)果的目視對(duì)比，分析參數(shù)選取方法，選取適宜的參數(shù)選取方法。

關(guān)鍵詞：LiDAR? SVM? 樣本交叉驗(yàn)證? LIBSVM? 格網(wǎng)法? SVM分類參數(shù)? 分類提取

中圖分類號(hào)：TP181 ? ?文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-3791（2019）08（a）-0045-02

機(jī)載激光雷達(dá)（LiDAR）作為新型的遙感技術(shù)，越來越受到人們的重視與使用;它能快速地采集地面點(diǎn)的空間信息與反射強(qiáng)度信息;利用它所提供的信息數(shù)據(jù)，我們能夠?qū)Φ孛嫖矬w進(jìn)行分類，并提取出人們感興趣或特殊的地物做進(jìn)一步的分析與利用。

而在LiDAR數(shù)據(jù)的眾多分類方法中，支持向量機(jī)（SVM）的使用較為廣泛，且分類精度較高。但由于該方法中存在分類參數(shù)的設(shè)置，使得分類結(jié)果十分依賴于參數(shù)優(yōu)劣，可以說參數(shù)的選擇對(duì)分類結(jié)果有著至關(guān)重要的作用。所以，針對(duì)分類內(nèi)容，如何選取適宜的SVM分類參數(shù)是一個(gè)值得研究的問題。

在過去諸多利用SVM進(jìn)行LiDAR數(shù)據(jù)分類的研究中，它們有的對(duì)SVM的分類參數(shù)進(jìn)行了一些說明，有的并未給出明確的選擇過程。例如，Mingjun Song和Daniel Civco（2004）在使用SVM對(duì)道路進(jìn)行提取時(shí)使用了LIBSVM對(duì)參數(shù)進(jìn)行選取[1];Zahra Azizi（2014）等人在對(duì)森林道路進(jìn)行提取時(shí)對(duì)SVM參數(shù)未具體說明[2];喬紀(jì)綱（2013）等人在對(duì)地物的提取中利用LIBSVM進(jìn)行選取[3]。該文基于前人的研究之上，就SVM參數(shù)的選擇進(jìn)行了進(jìn)一步研究。

1? SVM參數(shù)研究方法

該文使用了SVM對(duì)LiDAR數(shù)據(jù)中的強(qiáng)度信息進(jìn)行了分類。在進(jìn)行分類的過程中，采用了樣本交叉驗(yàn)證和LIBSVM中的網(wǎng)格法兩種方法對(duì)SVM的參數(shù)進(jìn)行了討論，通過精度的比較及分類結(jié)果的目視對(duì)比，對(duì)參數(shù)選取方法進(jìn)行分析。技術(shù)流程如圖1所示。

1.1 數(shù)據(jù)預(yù)處理

先對(duì)LiDAR點(diǎn)云強(qiáng)度信息數(shù)據(jù)進(jìn)行直方圖統(tǒng)計(jì)，根據(jù)直方圖去掉太高或者太低的噪聲。再選取末次回波作為地面觀測(cè)信息，進(jìn)行柵格化。最后使用臨近填充的方法對(duì)數(shù)據(jù)空洞進(jìn)行填補(bǔ)，得到強(qiáng)度信息圖像[4，5]。

1.2 使用不同參數(shù)獲取方法進(jìn)行分類

利用分類樣本進(jìn)行分類參數(shù)的選?。旱谝环N，將分類樣本隨機(jī)分為兩等份，一份用于訓(xùn)練分類器，一份用于檢驗(yàn)分類器精度，利用遍歷法，步長(zhǎng)為1，尋找分類精度最優(yōu)的分類參數(shù)C（懲罰因子）。第二種，利用LIBSVM中的格網(wǎng)法進(jìn)行尋找最優(yōu)參數(shù)C。

1.3 對(duì)分類結(jié)果進(jìn)行對(duì)比

使用樣本交叉驗(yàn)證和格網(wǎng)法所得到參數(shù)C分別對(duì)本文強(qiáng)度信息進(jìn)行分類，得出兩種方法的分類精度及分類圖像，通過精度與圖像的對(duì)比，進(jìn)行對(duì)參數(shù)選取方法的評(píng)價(jià)。

2? 實(shí)驗(yàn)與結(jié)果分析

為了更好地突出分類結(jié)果，實(shí)驗(yàn)數(shù)據(jù)要求應(yīng)簡(jiǎn)潔明了，且易于區(qū)分，能提供較為明顯的地物作為分類提取的目標(biāo)物。為了滿足實(shí)驗(yàn)數(shù)據(jù)的要求，該文選擇了Open Topography Facility在Andrews Experimental Forest和Willamette National Forest地區(qū)的LiDAR點(diǎn)云數(shù)據(jù)。該數(shù)據(jù)區(qū)域面積為0.25km2，其中包含一條明顯的道路，在分類過程中只需將分類目標(biāo)設(shè)置為道路，就能明顯觀察到分類結(jié)果的優(yōu)劣。

對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行預(yù)處理后，得到強(qiáng)度信息圖像，如圖2所示。

根據(jù)強(qiáng)度信息圖像與正射影像圖，選取了40個(gè)道路點(diǎn)與1050個(gè)非道路點(diǎn)作為分類的樣本信息。先對(duì)樣本信息進(jìn)行樣本交叉驗(yàn)證運(yùn)算，得到最優(yōu)分類參數(shù)C為55，分類器先驗(yàn)精度（道路點(diǎn)被正確提取的精度）為82%，分類結(jié)果二值圖如圖3所示。再利用SVM中格網(wǎng)法進(jìn)行參數(shù)C的選取，參數(shù)C結(jié)果為0.0039，分類精度為96%，分類結(jié)果二值圖如圖3所示。

由兩種分類方法的分類精度可知，格網(wǎng)法得出的參數(shù)C對(duì)樣本分類結(jié)果有較高的分類精度，從二值圖像上可以看得出，相比于a，b對(duì)道路信息的保留更多。但是b相對(duì)于a存在更多的噪聲，且噪聲面積較大，對(duì)后期的圖像處理帶來了麻煩。雖然a的道路信息不如b完善，但提取出了道路的大部分信息，體現(xiàn)了道路的主要結(jié)構(gòu)與空間信息，且剩余噪聲多為小面積離散噪聲，方便進(jìn)行后期處理。

經(jīng)過試驗(yàn)證明，在該文對(duì)LiDAR點(diǎn)云數(shù)據(jù)進(jìn)行SVM分類的過程中，選擇樣本交叉驗(yàn)證得出的參數(shù)C更適合對(duì)道路空間結(jié)構(gòu)的提取，而格網(wǎng)法得出的參數(shù)C更能體現(xiàn)道路細(xì)節(jié)信息。在實(shí)際應(yīng)用中，可綜合考慮對(duì)分類目的要求，選取適宜的參數(shù)獲取方式。

3? 結(jié)語

該文在對(duì)LiDAR點(diǎn)云數(shù)據(jù)的分類過程中對(duì)SVM參數(shù)C的選取進(jìn)行了研究，利用了樣本交叉驗(yàn)證與LIBSVM中的格網(wǎng)法兩種方法進(jìn)行了試驗(yàn)、比較。試驗(yàn)表明，樣本交叉驗(yàn)證得出的參數(shù)能較好地剔除非道路點(diǎn)，且能保留較完整的道路信息;格網(wǎng)法對(duì)道路點(diǎn)的提取精度高，但對(duì)噪聲的剔除能力較差。所以，在實(shí)際應(yīng)用中對(duì)SVM參數(shù)的選擇，應(yīng)針對(duì)應(yīng)用要求及分類目標(biāo)進(jìn)行綜合考慮，選擇適宜的參數(shù)選取方法。同時(shí)，該研究仍存在一定的不足：實(shí)驗(yàn)對(duì)應(yīng)的分類類別過少;樣本數(shù)據(jù)較少，缺少大量對(duì)照組。希望后來的研究能豐富數(shù)據(jù)，更深入地研究分類過程中的參數(shù)選取方法。

參考文獻(xiàn)

[1] Song，M.Civco， D.Road extraction using SVM and image segmentation[J].Photogrammetric Engineering & Remote Sensing，2004（70）：1365-1371.

[2] Azizi，Z.Najafi，A.Sadeghian，S.Forest Road Detection Using LiDAR Data[J].Journal of Forestry Research，2014（25）：975-980.

[3] 喬紀(jì)綱，陳明輝，艾彬，等.SVM用于LiDAR數(shù)據(jù)的地物分類[J].測(cè)繪通報(bào)，2013（7）：35-38，42.

[4] 胡澄宇，汪仁銀，張金花，等.一種基于機(jī)載LiDAR點(diǎn)云的林間道路提取方法[J].測(cè)繪工程，2017，26（12）：60-63，75.

[5] 胡澄宇.基于機(jī)載LiDAR的林間道路提取方法研究[D].西南交通大學(xué)，2016.