2018-决策树约束的建筑点云提取方法

摘要

• 针对目前机载点云数据量大，建筑物点云不均匀等问题提出一种面向对象构建决策树的建筑点云高精度提取方法。决策树可以同时处理多种特征，并且对缺失值不敏感，利用点云中每个对象的高程信息、粗糙度、法向量分布三个特征，基于信息熵的变化，有监督地从样本数据中学习得到正确的分类器，进而完成待处理点云中建筑物的提取

研究方法

1. 滤波。采用移动曲面滤波方法，即利用一个不断移动的窗口寻找窗口内高程最低点，采用二项式方程拟合计算得到一个粗略的地形模型。由于地面点高程较低，因此脚点的真实高程与邻域点计算生成得到的曲面模型中的拟合高程值相差较小，当激光点与曲面模型间的距离小于一定阈值时，可判断为地面点，否则判断为非地面点。
2. 构建决策树。决策树的核心思想即在一个数据集中找到一个最优特征，在该特征的限制下，数据的不确定性（熵）可以得到最大限度的降低，即信息增益或信息增益率最大。任何一个给定点集自身会有一个熵 Ｈ。熵的计算公式如下，
   
   对使用每个特征提取后的结果进行点数统计，通过对连续特征进行离散化处理，统计该特征下对应的最大最小值，排序后采用二分法迭代，确定信息增益最大的节点阈值作为最优特征值。
   简单理解就是三次利用每一个特征进行分类，对每一次的分类结果计算熵增益，选择熵增益最大的那个特征作为第一个分类的特征。下表为三个特征的熵增益，
   所以构建的决策树是这样的，
   

实验结果分析

• 优化。由于局部仍包含着部分小面积非建筑物点云。使用欧式聚类，设置最小聚类点的数目阈值，即可实现过滤。