隨著遙感探測場景的不斷擴展，探測目標也變得多樣化與復雜化，如何利用高光譜激光雷達技術快速精確地實現復雜場景下的地物精細化分類變得愈發迫切。

一、引言

激光雷達技術作為一種重要的對地觀測技術手段，憑借其可快速高效獲取地物目標三維空間信息的優勢特點，在地物分類、森林管理、資源調查、城市三維建模等諸多領域發揮著越來越重要的作用。隨著遙感探測領域的不斷拓展與深化，如何實現激光雷達在復雜場景下的地物目標高精度識別分類已成為遙感技術發展的重要方向。然而，傳統激光雷達技術大多采用單波長激光進行探測，該波長并不屬于地物敏感波長，且構建的空譜特征也相對較為簡單，對復雜場景下的地物分類能力提升有限。

高光譜激光雷達技術作為一種新型的主動式遙感探測手段，可將被動高光譜成像技術與激光雷達技術優勢合二為一，該技術可有效避免高光譜影像與激光雷達點云數據匹配融合帶來的偏差，并且不受太陽照射、采集時間不一致等因素的影響。高光譜激光雷達技術憑借地物目標空譜一體化成像探測優勢，可為復雜場景下的地物精細化分類提供一種重要思路。隨著遙感探測場景的不斷擴展，探測目標也變得多樣化與復雜化，如何利用高光譜激光雷達技術快速精確地實現復雜場景下的地物精細化分類變得愈發迫切。然而，針對高光譜激光雷達構建的空譜特征選擇研究較少，如何確定并提取最優空譜特征對于高光譜激光雷達在復雜場景下的地物精細化分類至關重要。

二、高光譜激光雷達系統掃描探測實驗

為驗證高光譜激光雷達技術在復雜場景下地物分類的可行性與準確性，本文對室內14類不同顏色的地物進行三維掃描探測，并同時獲取地物豐富的光譜信息與三維空間信息。此外，為了有效地降低外界雜散光與大氣效應的影響，該掃描實驗在黑暗且干凈的實驗室內進行。掃描實驗場景主要由14類地物組成：1）卡紙；2）虎皮蘭；3）陶瓷花盆；4）紙箱；5）塑料臺燈；6）鐵制水杯；7）陶瓷水杯；8）膠帶；9）木盒；10）發財樹樹葉；11）發財樹樹干；12）塑料桶、陶瓷胡蘿卜；13）塑料桶淺色部分；14）塑料桶深色部分。具體掃描實物場景如圖2所示。掃描目標除植被類型之外，還包括多種不同的人造材料。不同的地物具有不同的光譜與空間信息，并且地物空間擺放位置相對比較復雜，這也對高光譜激光雷達精細化地物分類造成一定困擾。

圖214類不同地物掃描場景

三、空譜特征提取與特征優化選擇

3.1基于空譜特征優化選擇的地物分類方法流程

高光譜激光雷達可實現對目標高空間分辨率與高光譜分辨率的一體化遙感探測，在地物精細化分類領域將發揮巨大優勢。本文提出地物分類方法流程如圖3所示。

圖3基于空譜特征優化選擇的高光譜激光雷達地物分類方法流程

3.2基于波段優化的光譜指數特征提取

按照植被指數構建方式，植被指數總體可分為三種類型：基于經驗方法、數理方法、新型遙感光譜構建，三種構建方式在不同的應用場景中各具優勢。本文采用光譜波段優化方式，根據波段相似性原則，選擇鄰近且相關性較高的波段代替原有波段。考慮到本次掃描場景的復雜性與植被指數的適用性，本文基于高光譜激光雷達光譜信息構建了10種適用于地物分類的植被指數，R775表示中心波長為775nm處的光譜反射率。

表110種光譜指數的具體信息。

此外，顏色指數也是一種重要的光譜指數，是通過對紅綠藍（RGB）值進行線性或者非線性組合從而實現對地物分類識別的重要特征。而高光譜激光雷達可在可見光范圍內獲取豐富的光譜信息，可為地物真彩色重建提供技術支持。然而，由于超連續激光器與探測器硬件性能的制約，無法獲取完整的可見光光譜，導致顏色重建存在一定程度的顏色失真現象。圖4為基于最佳波段組合真彩色重建結果。基于顏色重建的RGB值，本文構建了11種適用于高光譜激光雷達地物分類的顏色指數，其中R、G、B分別表示重建RGB值的三個顏色分量。

圖4基于最佳波段組合的真彩色重建結果

表211種顏色指數的具體信息

3.3基于區域增強的空間特征

提取空間特征是用于表達地物空間幾何特性的重要指標，也是表述地物空間幾何位置形態的重要屬性。為實現高精度地物分類，本文基于局部鄰域表面擬合構建了可實現區域增強的法向量與曲率的兩種幾何特征，兩者可直觀地表述目標幾何屬性，特別是在幾何空間復雜區域更加明顯，可提高地物識別能力。

目前點云法向量計算可概括為三種類型：局部表面擬合法、Delaunay/Voronoi法以及魯棒統計法。由于局部表面擬合法方便簡單計算量小，因此本文基于高光譜激光雷達高精度空間掃描點云數據，通過局部表面擬合法進行點云法向量計算。局部表面擬合法算法實現是假設采樣平面都是光滑的，局部鄰域都可以通過采樣平面進行比較好的擬合。本文法向量計算基于主成分分析（PCA）方法實現，通過采樣點局部鄰域擬合局部最小二乘平面，使得采樣點局部鄰域的所有點距離此平面距離的和最小，該平面法向量即為采樣點的法向量。

3.4空譜特征選擇優化方法

本文在構建光譜指數與空間特征的基礎上，采用空譜特征選擇優化方法，確定最優空譜特征組合，可有效消除特征冗余，提高地物分類精度。該空譜特征選擇優化方法主要是基于海洋捕食者算法與特征相關性分析實現的。海洋捕食者算法具有設計變量數量少、計算負擔小、收斂速度快、近似全局解等優點，已被成功應用于光伏、電力等多個領域。海洋捕食者算法可提取最有效的空譜特征，但提取的空譜特征之間可能存在較強的相關性，一方面相關性較高的特征會放大分類噪聲，且多個特征會“平分”該類特征對分類模型的貢獻，導致模型對特征的變動更加敏感，泛化誤差增加，另一方面會造成一定程度上的特征冗余問題，影響計算效率。為此，本文聯合海洋捕食者算法與特征相關性分析，進一步消除相關性較高的空譜特征，最終確定最優空譜特征組合實現高精度地物分類。

3.5分類策略與分類方法

為進一步探究高光譜激光雷達技術在復雜場景下地物分類應用中的優勢以及時間效率問題，本文將多個空譜特征按照不同組合方式分成6種分類策略。策略1：基于高光譜激光雷達獲取的原始32通道光譜信息與高程值用于地物分類；策略2：基于波段優化的光譜指數特征提取用于地物分類；策略3：基于區域增強的幾何特征提取用于地物分類；策略4：聯合32通道光譜信息、高程值、光譜指數、空間特征用于地物分類；策略5：基于海洋捕食者算法選擇的空譜特征組合用于地物分類；策略6：基于最優空譜特征組合用于地物分類。

圖514種地物的真實類別

基于本文研究樣本相對較少、特征維度較高的特點，故采用隨機森林分類算法。本文對不同地物目標進行手動標注，不同的顏色代表不同類型的地物。此外，對于隨機森林分類算法，決策樹的數量和特征最大值是影響分類精度的兩個重要參數。因此，本文采用基于交叉驗證的網格搜索對參數進行優化。此外，由于數據量相對較小，采用三者交叉驗證方法確保目標分類的準確性。此外，采用總精度（OA）、平均精度（AA）、Kappa系數三個分類評價標準對分類結果進行評價。

四、結果與討論

4.1空譜特征聯合的地物分類結果

基于6種不同的地物分類策略，本文分別將對應的分類特征輸入隨機森林分類算法進行分類。

表4分類精度匯總

從表中可以看出，6種分類策略都取得了較好的分類效果，OA都高于89%，AA都高于68%，Kappa系數值都大于0.85。第1種分類策略OA可達91.49%，AA為77.74%，Kappa系數值為0.8934，其預測地物類別分布如圖6（a）所示，綠色點表示地物錯誤分類的位置。其中大部分點云都能夠被正確分類，但存在不同程度的椒鹽噪聲現象，導致部分類別地物精確率低于0.75。

第2種分類策略OA可達90.73%，AA為78.27%，使得部分類別分類準確度有所提高，其預測地物類別分布如圖6（b）所示。然而，從6種分類策略的分類結果圖6（a）~（d）和圖7（a）、7（b）來看，部分地物都存在一定程度上的椒鹽噪聲和錯誤分類現象。分析具體原因如下：1）地物空間結構較復雜，地物回波信號受表面幾何因素影響較大；2）激光光斑照射至地物邊緣位置或者僅有部分光斑照射至地物目標導致光譜信號不準確。

圖6前4種分類策略的地物分類結果。（a）32通道光譜信息與高程值；（b）光譜指數；（c）幾何特征；（d）空譜特征組合

第3種分類策略OA可達89.56%，因上述原因導致部分地物類別精確率較低，處于0.50以下，最終使得類別的AA下降，Kappa系數值為0.8693，預測地物類別分布如圖6（c）所示。從圖中可以看出，錯分點大部分聚集在地物的某一偏彎曲位置或者空間結構較為復雜區域。分析是在地物某些彎曲細小位置或者空間結構較為復雜區域存在計算偏差，最終導致錯分現象。

第4種分類策略相比前3種分類策略，總體分類精度都有了較大提升，OA可達95.57%，AA為84.37%，Kappa系數值為0.9380，其預測地物類別分布如圖6（d）所示。從表4可得到，第10類與第11類地物相比，分類精度有較大提升，分類準確度分別為0.82與0.86。但第13與第14類地物準確率相比其他分類策略，提升程度有限。主要原因仍是空間位置較為復雜，激光光斑從塑料桶間隙穿過，導致光譜指數與空間特征準確計算較為困難。

4.2空譜特征選擇優化的地物分類結果

增加地物分類特征維度，雖可在一定程度上增加地物分類精度，但也會引入冗余特征，浪費了計算資源，也會影響分類精度。為此，本文利用海洋捕食者算法對高光譜激光雷達構建的空譜特征進行特征選擇，最終確定了12維的空譜特征用于地物分類，OA提升了1.09%，AA提升了3.07%，Kappa系數值提高了0.0197，其預測地物類別分布如圖7（a）所示。

圖7第5與第6種分類策略的地物分類結果。（a）基于海洋捕食者算法選擇的空譜特征；（b）最優空譜特征組合

從表4類別準確性中可以看出，各個類別地物分類準確性都有小幅度提升，除了第13與第14類地物，其他類別分類準確性基本都在0.85以上。然而，海洋捕食者特征選擇算法有可能引入相關性較高的分類特征，為此本文在12維空譜特征基礎上進一步考慮特征相關性，剔除相關性較大的空譜特征，其12維空譜特征的相關性如圖8所示。從圖中可以看出，在12維空譜特征中，前5維特征相關性高于0.95，第7與第8維特征相關性也大于0.95。因此，可剔除前4維與第7維特征，最終保留7維空譜特征作為地物分類的最優空譜特征組合。最終，14類地物的OA為97.13%，AA為89.05%，Kappa系數值為0.9642。

從表4類別準確性中可以看出，相比第5種分類策略，各個類別地物分類準確性都有小幅度提升。與其他分類策略相似，除了第13與第14類地物錯分點云較多之外，其他類別分類準確性都比較好，基本都在0.90以上。

最終分類結果表明，基于空譜特征優化選擇的地物分類流程是可行的，可大幅度提高地物分類精度。此外，空譜特征優化選擇確定最優波段組合用于地物分類還可以提高計算效率，節約成本。

圖8空譜特征相關性

五、總論

作為一種新型主動式遙感探測技術，高光譜激光雷達可聯合被動高光譜成像技術與主動激光雷達技術的優勢，實現地物空間-光譜一體化同步獲取，在地物精細化分類領域發揮著重要作用。基于高光譜激光雷達獲取的豐富光譜數據與高精度三維空間信息，本文提出了基于空譜特征優化選擇的高光譜激光雷達地物分類流程，通過波段優化方法構建光譜指數特征，以及利用局部鄰域表面擬合方法構建了可實現區域增強的法向量與曲率幾何特征，最后通過空譜特征優化選擇，確定最優空譜特征組合從而實現復雜場景下的高精度地物分類。

最終14類地物的OA為97.13%，AA為89.05%，Kappa系數值為0.9642，且大幅度提高計算效率。然而，由于某些地物空間結構較復雜，且激光光斑照射至地物邊緣位置或者僅有部分光斑照射至地物表面，導致光譜數據獲取準確性存在較大偏差，存在一定程度上的錯誤分類現象，后續可根據邊界算法或條件隨機場算法對分類結果進行平滑處理，消除椒鹽噪聲現象，進一步提高分類精度。此外，由于室內14類地物掃描實驗場景相對較小，樣本數量相對較少，僅獲取了初步的分類結果，但仍具有一定參考價值，可為后續高光譜激光雷達地物精細化分類提供重要參考。

推薦：

便攜式高光譜成像系統iSpecHyper-VS1000

專門用于公安刑偵、物證鑒定、醫學醫療、精準農業、礦物地質勘探等領域的最新產品，主要優勢具有體積小、幀率高、高光譜分辨率高、高像質等性價比特點采用了透射光柵內推掃原理高光譜成像，系統集成高性能數據采集與分析處理系統，高速USB3.0接口傳輸，全靶面高成像質量光學設計，物鏡接口為標準C-Mount，可根據用戶需求更換物鏡。

歡迎關注公眾號：萊森光學，了解更多光譜知識。

萊森光學(深圳)有限公司是一家提供光機電一體化集成解決方案的高科技公司，我們專注于光譜傳感和光電應用系統的研發、生產和銷售。

審核編輯 黃宇