Загрузка и визуализация данных

Загрузите данные облака точек и соответствующие основные истины из файла LAZ, aerialLidarData.laz, полученный из открытого набора данных топографии [1]. Облако точек состоит из различных классов, включая землю, создание и растительность. Загрузите данные облака точек и соответствующие основные истины в рабочую область с помощью readPointCloud функция объекта lasFileReader объект. Визуализируйте облако точек, закодированное в соответствии с метками основной истины, используя pcshow функция.

lazfile = fullfile(toolboxdir('lidar'),'lidardata','las','aerialLidarData.laz');
% Read LAZ data from file
lazReader = lasFileReader(lazfile);
% Read point cloud and corresponding ground truth labels
[ptCloud,pointAttributes] = readPointCloud(lazReader, ...
    'Attributes','Classification');
grdTruthLabels = pointAttributes.Classification;
% Visualize the input point cloud with corresponding ground truth labels
figure
pcshow(ptCloud.Location,grdTruthLabels)
title('Aerial Lidar Data with Ground Truth')

Классификация грунта

Классификация грунта является шагом предварительной обработки, чтобы сегментировать вход облака точек как грунт и нетронут. Сегментируйте данные, загруженные из файла LAZ, в наземные и неземные точки с помощью segmentGroundSMRF функция.

[groundPtsIdx,nonGroundPtCloud,groundPtCloud] = segmentGroundSMRF(ptCloud);
% Visualize ground and non-ground points in green and magenta, respectively
figure
pcshowpair(nonGroundPtCloud,groundPtCloud)
title('Classified Ground and Non-Ground Points')

Редукция данных

Извлечение функций из облака точек с помощью helperExtractFeatures функция. Все вспомогательные функции присоединены к этому примеру как вспомогательные файлы. Функция helper оценивает значения нормали и кривизны для каждой точки в облаке точек. Эти функции обеспечивают базовую информацию о структуре в каждой точке путем корреляции ее с точками в его окрестности.

Можно задать количество соседей, которые нужно учитывать. Если количество соседей слишком мало, вспомогательная функция разгоняет точки растительности. Если число соседей слишком велико, нет определяющего контура между созданиями и растительностью, так как точки растительности около точек создания неправильно классифицируются.

neighbors = 10;  
[normals,curvatures,neighInds] = helperExtractFeatures(nonGroundPtCloud, ...
    neighbors);

Классификация созданий и растительности

Функция-помощник использует изменение нормалей и кривизны, чтобы различать создания и растительность. Создания более планарны по сравнению с растительностью, поэтому изменение кривизны и относительное различие нормалей между соседями меньше для точек, принадлежащих созданиям. Точки растительности более рассеяны, что приводит к более высокому изменению кривизны по сравнению со созданиями. The helperClassify функция классифицирует неземные точки в создание и растительность. Функция helper классифицирует точки как создания на основе следующих критериев:

Точки, которые не удовлетворяют вышеуказанным критериям, отмечены как растительность. Функция helper помечает точки, принадлежащие растительности, следующим 1 и создание как 2.

% Specify the normal threshold and curvature threshold
normalThresh = 0.85;
curveThresh = 0.02;
% Classify the points into building and vegetation
labels = helperClassify(normals,curvatures,neighInds, ...
    normalThresh,curveThresh);

Извлеките метки классов создания и растительности из данных о метках основных истин. Поскольку файл LAZ имеет много классов, необходимо сначала изолировать классы земли, создания и растительности. Классификационные метки соответствуют стандарту ASPRS для форматов файлов LAZ.

Определите maskData для извлечения точек, принадлежащих земле, созданиям и растительности из входа облака точек.

maskData = grdTruthLabels>=2 & grdTruthLabels<=6;

Измените метки основной истины входа облака точек, заданные как grdTruthLabels.

% Compress low, medium, and high vegetation to a single value
grdTruthLabels(grdTruthLabels>=3 & grdTruthLabels<=5) = 4;
% Update grdTruthLabels for metrics calculation
grdTruthLabels(grdTruthLabels == 2) = 1;    
grdTruthLabels(grdTruthLabels == 4) = 2;
grdTruthLabels(grdTruthLabels == 6) = 3;

Сохраните предсказанные метки, полученные из предыдущих шагов классификации, в estimatedLabels.

estimatedLabels = zeros(ptCloud.Count,1);
estimatedLabels(groundPtsIdx) = 1; 
estimatedLabels(labels == 1) = 2;
estimatedLabels(labels == 2) = 3;

Извлеките метки, относящиеся к земле, созданиям и растительности.

grdTruthLabels = grdTruthLabels(maskData);
estimatedLabels = estimatedLabels(maskData);

Визуализация местности с помощью основной истины и расчетных меток.

ptCloud = select(ptCloud,maskData);
hFig = figure('Position',[0 0 900 400]);
axMap1 = subplot(1,2,1,'Color','black','Parent',hFig);
axMap1.Position = [0 0.2 0.5 0.55];
pcshow(ptCloud.Location,grdTruthLabels,'Parent',axMap1)
axis off
title(axMap1,'Aerial Lidar Data with Ground Truth Labels')
axMap2 = subplot(1,2,2,'Color','black','Parent',hFig);
axMap2.Position = [0.5,0.2,0.5,0.55];
pcshow(ptCloud.Location,estimatedLabels,'Parent',axMap2)
axis off
title(axMap2,'Aerial Lidar Data with Classified Labels')

Валидация

Проверьте классификацию путем вычисления общей точности в данном облаке точек наряду с точностью классов, перекрестком по соединению (IoU) и взвешенным IoU.

confusionMatrix = segmentationConfusionMatrix(estimatedLabels,double(grdTruthLabels));
ssm = evaluateSemanticSegmentation({confusionMatrix}, ...
    {'Ground' 'Vegetation' 'Building'},'Verbose',0);
disp(ssm.DataSetMetrics)

    GlobalAccuracy    MeanAccuracy    MeanIoU    WeightedIoU
    ______________    ____________    _______    ___________

       0.99762          0.99417       0.98168      0.99533  

disp(ssm.ClassMetrics)

                  Accuracy      IoU  
                  ________    _______

    Ground        0.99996     0.99996
    Vegetation    0.99195      0.9898
    Building      0.99059     0.95526

См. также

Функции

readPointCloud | segmentGroundSMRF| pcnormals | pcshow | pcshowpair | segmentationConfusionMatrix | evaluateSemanticSegmentation

Объекты

lasFileReader

Ссылки

[1] Старр, Скотт. Tuscaloosa, AL: Seasonal Inundation Dynamics and Fertebrate Communities (неопр.) (недоступная ссылка). Национальный центр воздушного лазерного отображения, 1 декабря 2011 года. OpenTopography (https://doi.org/10.5069/G9SF2T3K)