[发明专利]一种基于深度学习多光谱LiDAR数据分类的样本生成方法

权利要求书

1.一种基于深度学习多光谱LiDAR数据分类的样本生成方法，其特征在于，该方法包括如下步骤：

S1、以任意一个波段的LiDAR点云为基准数据，对基准数据中的每个激光点，采用最邻近搜索方法分别在其它波段数据中获得最邻近激光点的波段信息，生成一个包含多光谱信息的单一融合点云数据，完成多波段数据融合；

S2、依照LiDAR扫描地区的真实地物分布，通过人工解译为融合后的点云中的每一个点标注类别标签，并将融合后的点云数据划分为训练点云和测试点云；

S3、使用各项同行归一化方法将数据归一化到(-1～1)；

S4、基于S3归一化后的训练点云和测试点云，利用最远点采样方法FPS和k近邻方法KNN分别从中提取点云样本数据，最后形成直接用于网络训练的训练样本和直接用于测试的测试样本。

2.根据权利要求1所述的一种基于深度学习多光谱LiDAR数据分类的样本生成方法，其特征在于，所述步骤S1具体方法如下：

多光谱LiDAR系统共发射3个波段光束，获得n＝3个相应的点云数据：P1、P2、P3；

选取C1波段点云P1作为基准，将P1、P2、P3三个独立的点云合并成单个高密度多光谱点云，基准点云P1的每个激光点Qk包含的信息为几何位置信息X，Y，Z和C1波段光谱信息l_C1，k＝1,2,…,m，m是点云P1中点的个数，利用最邻近搜索方法在其它两个波段C2、C3中以一定搜索半径搜索Qk的邻近点，从而获得P1中每个点在其他两个点云中的光谱信息l_C2、l_C3，最终获得的单一点云中每个点具有完整的信息：几何位置信息X，Y，Z和多波段光谱信息l_C1，l_C2，l_C3。

3.根据权利要求2所述的一种基于深度学习多光谱LiDAR数据分类的样本生成方法，其特征在于，所述步骤S2具体包括以下分步骤：

S21、S1获融合后的点云包含地物几何位置信息X，Y，Z和多波段光谱信息l_C1，l_C2，l_C3，通过CloudCompare软件以人工解译的方法将融合后的点云按照真实地物逐点标注六类：路、草地、树、建筑物、裸地、电力线，依次对应的标签信息为0、1、2、3、4、5，最终获得的点云中每个点具有的信息为：几何位置信息X，Y，Z、多波段光谱信息l_C1，l_C2，l_C3和标签信息τ，τ＝0,1,…,5；

S22、将LiDAR扫描的地表面积按照3：1划分两块区域，选择其中大面积区域作为深度学习的训练区域，其对应的点云为网络进行训练的点云，即训练点云；剩余小面积区域为测试区域，其对应的点云为网络进行测试的点云，即测试点云。