[发明专利]一种激光雷达数据和高光谱图像的点云级融合方法

说明书

本申请公开了一种激光雷达数据和高光谱图像的点云级融合方法，主要针对异构遥感数据，即激光雷达数据以及高光谱图像数据，基于加入正则项的非负矩阵分解框架首先对高光谱数据解混，获取高光谱图像数据丰度矩阵以及端元矩阵；并根据高光谱图像数据的最终丰度矩阵的丰度信息，采用双线性内插法获得激光雷达数据的丰度矩阵；将最终利用激光雷达数据的丰度矩阵与最终高光谱端元矩阵进行融合，得到高光谱点云。本申请将高光谱高分辨光谱信息与小光斑激光雷达高程信息在点云级的融合，具有同时进行光谱分类和3D结构分割的能力。

技术领域

本申请涉及多源遥感数据融合技术领域，尤其涉及一种激光雷达数据和高光谱图像的点云级融合方法。

背景技术

遥感对地观测的智能化及多方位立体检测需求，使得多源遥感数据融合呈现前所未有的急迫需求。特别近年来，激光雷达扫描的高程信息与高光谱图像数据的融合已经为此类应用需求提供了潜在的解决方案。

多源数据融合，通常分为像素级融合、特征级融合以及决策级融合。像素级融合常用于具有不同光谱特性的影像数据，如多光谱和全色图像、高光谱与多光谱图像的融合。然而激光雷达数据和高光谱图像为异构数据，其点云及像素点表征的信息类型差异较大，二者空间分辨率的不同，使得这两类数据融合大多转换到图像数据形式并统一到其中较低的空间分辨尺度进行特征级融合识别。因此，关于高光谱图像与激光雷达数据融合很少进行像素级及决策级融合方面的研究。实际上，海量的点云数据包含丰富的空间几何结构信息，特征级融合的相关研究未能充分挖掘点云中信息。另外，基于低空间分辨率的图像融合会带来有效信息的丢失。当前，随着无人机及商用激光雷达扫描仪的快速发展，机载小光斑激光雷达扫描数据通常具有分米级的空间分辨率。因此相对大多具有米级别的高光谱遥感数据，密集的点云具备更精密的细节信息表达，同一区域对应的点云对高光谱图像像元来说可提供超分细节补充。在此条件下，探索将像元光谱信息与相应点云信息相融合具有潜在应用价值。

发明内容

本申请提供了一种激光雷达数据和高光谱图像的点云级融合方法，使得能够充分保留小光斑激光雷达点云数据的高空间分辨率及高光谱图像数据的高光谱分辨率优势。

有鉴于此，本申请提供了一种激光雷达数据和高光谱图像的点云级融合方法，所述方法包括：

获取激光雷达数据以及高光谱图像数据；

对所述激光雷达数据以及所述高光谱图像数据进行预处理；

将预处理过的所述激光雷达数据以及所述高光谱图像数据进行分割，分割成同质区域以及异质区域；

将同质区域中距离凸面单形体中心点最远的端元作为同质区域的代表端元，将代表端元结合异质区域的端元组合成初始的端元矩阵；

对混合光谱进行非负矩阵分解得到初始的丰度矩阵；

构建非负矩阵解混目标函数，迭代更新所述丰度矩阵以及所述端元矩阵；

对更新后的所述端元矩阵中大于预置的丰度阈值的数据向量作为最终端元，得到最终端元矩阵；

在固定所述最终端元矩阵的前提下，对更新后的所述丰度矩阵进行优化，得到最终丰度矩阵；

根据高光谱图像数据的所述最终丰度矩阵的丰度信息，采用双线性内插法获得对应的激光雷达数据的丰度矩阵；

利用所述激光雷达数据的丰度矩阵与所述最终端元矩阵进行融合，得到高光谱点云。

可选的，在所述获取激光雷达数据以及高光谱图像数据之前，还包括：

将激光雷达传感器、高光谱图像传感器及定位系统传感器的坐标原点安装固定在同一点。

可选的，所述对所述激光雷达数据以及所述高光谱图像数据进行预处理，包括：