一种高光谱点云数据语义识别方法及系统

本申请涉及遥感信息处理，尤其涉及一种高光谱点云数据语义识别方法及装置。

背景技术：

1、高光谱技术是在遥感技术的基础上发展而来的一种物质成分探测技术。它通过收集目标物体的全波段反射光谱信息，提取出目标物体特定材质的光谱信息，从而达到对物体成分进行分析的目的。高光谱技术有着较高的分辨率，可以对物体进行精准的分类和识别。

2、高光谱激光雷达数据不仅提供了丰富的光谱信息，而且拥有高精度的地物表面结构、高程等详细的几何信息，能解决单源数据进行地物分类的性能瓶颈。实际上，基于高光谱点云数据的语义分割是实现观测对象多维信息有效解析的重要技术手段。然而因高光谱点云数据庞大，网络对该数据处理需要消耗大量计算资源。

技术实现思路

1、本申请提供了一种高光谱点云数据语义识别方法及装置，用于解决现有的高光谱点云数据语义分析处理计算资源消耗大的技术问题。

2、为解决上述技术问题，本申请第一方面提供了一种高光谱点云数据语义识别方法，包括：

3、获取高光谱点云数据；

4、将所述高光谱点云数据转化为无向加权图数据；

5、根据预设的追踪分割算法和分割层数阈值，对所述无向加权图数据进行分层迭代分割处理，得到多尺度高光谱超点图数据，其中，不同尺度的高光谱超点图内超点数量逐层递减；

6、将所述多尺度高光谱超点图数据输入语义分割模型，以通过所述语义分割模型，得到所述高光谱点云数据对应的三维物体分类结果，其中，所述语义分割模型为通过预设的多尺度高光谱超点图数据样本训练得到的hsp-gn架构神经网络模型。

7、优选地，将所述高光谱点云数据转化为超点图数据具体包括：

8、通过预设的k邻近算法，将所述高光谱点云数据对应的每个节点与最接近的若干个临近节点建立连接，形成连通的超点图数据。

9、优选地，根据预设的追踪分割算法和分割层数阈值，对所述无向加权图数据进行分层迭代分割处理，得到多尺度高光谱超点图数据具体包括：

10、根据追踪分割算法的目标函数，计算所述超点图数据中每个节点与相邻节点间的相关性；

11、根据不同节点间的相关性排序结果，将相关性最低的若干对节点的连边进行裁剪，再基于剩余的节点得到若干个连通子图；

12、确定各个连通子图中的超点，得到超点集合，并将当前的超点集合转化为无向加权图数据存储再用于下一轮的图像分割，直至超点图数据的层数与所述分割层数阈值为止，得到多尺度高光谱超点图数据。

13、优选地，所述确定各个连通子图中的超点具体包括：

14、确定所述连通子图的几何中心，在所述几何中心的位置生成所述连通子图对应的超点。

15、优选地，所述追踪分割算法的目标函数具体为：

16、

17、

18、式中，是节点内的几何信息和光谱信息的损失函数，和表示的是在节点u、v上的光谱信息，为节点u、v上的光谱距离差距，r1是光谱差异感知程度的参数，是用于平衡空间几何在相似性度量中的重要性的参数，和分别是节点u、v的法向量，e是两点之间的欧几里德空间距离，是连接节点u-v的连接边的权重，为惩罚强度系数。

19、同时，本申请第二方面提供了一种高光谱点云数据语义识别系统，包括：

20、点云数据获取单元，用于获取高光谱点云数据；

21、超点图转化单元，用于将所述高光谱点云数据转化为无向加权图数据；

22、图像分割处理单元，用于根据预设的追踪分割算法和分割层数阈值，对所述无向加权图数据进行分层迭代分割处理，得到多尺度高光谱超点图数据，其中，不同尺度的高光谱超点图内超点数量逐层递减；

23、语义识别单元，用于将所述多尺度高光谱超点图数据输入语义分割模型，以通过所述语义分割模型，得到所述高光谱点云数据对应的三维物体分类结果，其中，所述语义分割模型为通过预设的多尺度高光谱超点图数据样本训练得到的hsp-gn架构神经网络模型。

24、优选地，超点图转化单元具体用于：

25、通过预设的k邻近算法，将所述高光谱点云数据对应的每个节点与最接近的若干个临近节点建立连接，形成连通的超点图数据。

26、优选地，所述图像分割处理单元具体用于：

27、根据追踪分割算法的目标函数，计算所述超点图数据中每个节点与相邻节点间的相关性；

28、根据不同节点间的相关性排序结果，将相关性最低的若干对节点的连边进行裁剪，再基于剩余的节点得到若干个连通子图；

29、确定各个连通子图中的超点，得到超点集合，然后，更新所述目标函数中的惩罚强度系数，再基于更新后的目标函数对所述无向加权图数据进行下一轮分割，直至超点图数据的层数与所述分割层数阈值为止，得到多尺度高光谱超点图数据。

30、优选地，所述确定各个连通子图中的超点具体包括：

31、确定所述连通子图的几何中心，在所述几何中心的位置生成所述连通子图对应的超点。

32、优选地，所述追踪分割算法的目标函数具体为：

33、

34、

35、式中，是节点内的几何信息和光谱信息的损失函数，和表示的是在节点u、v上的光谱信息，为节点u、v上的光谱距离差距，r1是光谱差异感知程度的参数，是用于平衡空间几何在相似性度量中的重要性的参数，和分别是节点u、v的法向量，e是两点之间的欧几里德空间距离，是连接节点u-v的连接边的权重，为惩罚强度系数。

36、从以上技术方案可以看出，本申请具有以下优点：

37、本申请的技术方案基于图数据的公共语义表示方法，将获取到的高光谱点云数据转化成图形式数据，根据预设的追踪分割算法和分割层数阈值，对所述无向加权图数据进行分层迭代分割处理，得到多尺度高光谱超点图数据，能自然地捕获点云表面的点之间的多边关系，能够有效处理光谱和几何信息这种复杂数据结构，从而有效提高点云处理效率，减少网络消耗的计算资源。

技术特征：

1.一种高光谱点云数据语义识别方法，其特征在于，包括：

2.根据权利要求1所述的一种高光谱点云数据语义识别方法，其特征在于，将所述高光谱点云数据转化为超点图数据具体包括：

3.根据权利要求1所述的一种高光谱点云数据语义识别方法，其特征在于，根据预设的追踪分割算法和分割层数阈值，对所述无向加权图数据进行分层迭代分割处理，得到多尺度高光谱超点图数据具体包括：

4.根据权利要求3所述的一种高光谱点云数据语义识别方法，其特征在于，所述确定各个连通子图中的超点具体包括：

5.根据权利要求3所述的一种高光谱点云数据语义识别方法，其特征在于，所述追踪分割算法的目标函数具体为：

6.一种高光谱点云数据语义识别系统，其特征在于，包括：

7.根据权利要求6所述的一种高光谱点云数据语义识别系统，其特征在于，超点图转化单元具体用于：

8.根据权利要求6所述的一种高光谱点云数据语义识别系统，其特征在于，所述图像分割处理单元具体用于：

9.根据权利要求8所述的一种高光谱点云数据语义识别系统，其特征在于，所述确定各个连通子图中的超点具体包括：

10.根据权利要求8所述的一种高光谱点云数据语义识别系统，其特征在于，所述追踪分割算法的目标函数具体为：

技术总结本申请公开了一种高光谱点云数据语义识别方法及系统，本申请的技术方案基于图数据的公共语义表示方法，将获取到的高光谱点云数据转化成图形式数据，根据预设的追踪分割算法和分割层数阈值，对所述无向加权图数据进行分层迭代分割处理，得到多尺度高光谱超点图数据，能自然地捕获点云表面的点之间的多边关系，能够有效处理光谱和几何信息这种复杂数据结构，从而有效提高点云处理效率，减少网络消耗的计算资源。技术研发人员：赵艮平,陈炜毅受保护的技术使用者：广东工业大学技术研发日：技术公布日：2024/10/17