SVM提取地物方法中的参数研究

摘? 要：使用SVM对LiDAR数据中进行分类，在进行分类的过程中，采用了样本交叉验证和LIBSVM中的网格法两种方法对SVM的参数进行了讨论。首先，先对LiDAR数据进行预处理;其次，通过两种方法进行SVM分类参数的获取;最后，通过精度的比较及分类结果的目视对比，分析参数选取方法，选取适宜的参数选取方法。

关键词：LiDAR? SVM? 样本交叉验证? LIBSVM? 格网法? SVM分类参数? 分类提取

中图分类号：TP181 ? ?文献标识码：A 文章编号：1672-3791（2019）08（a）-0045-02

机载激光雷达（LiDAR）作为新型的遥感技术，越来越受到人们的重视与使用;它能快速地采集地面点的空间信息与反射强度信息;利用它所提供的信息数据，我们能够对地面物体进行分类，并提取出人们感兴趣或特殊的地物做进一步的分析与利用。

而在LiDAR数据的众多分类方法中，支持向量机（SVM）的使用较为广泛，且分类精度较高。但由于该方法中存在分类参数的设置，使得分类结果十分依赖于参数优劣，可以说参数的选择对分类结果有着至关重要的作用。所以，针对分类内容，如何选取适宜的SVM分類参数是一个值得研究的问题。

在过去诸多利用SVM进行LiDAR数据分类的研究中，它们有的对SVM的分类参数进行了一些说明，有的并未给出明确的选择过程。例如，Mingjun Song和Daniel Civco（2004）在使用SVM对道路进行提取时使用了LIBSVM对参数进行选取[1];Zahra Azizi（2014）等人在对森林道路进行提取时对SVM参数未具体说明[2];乔纪纲（2013）等人在对地物的提取中利用LIBSVM进行选取[3]。该文基于前人的研究之上，就SVM参数的选择进行了进一步研究。

1? SVM参数研究方法

该文使用了SVM对LiDAR数据中的强度信息进行了分类。在进行分类的过程中，采用了样本交叉验证和LIBSVM中的网格法两种方法对SVM的参数进行了讨论，通过精度的比较及分类结果的目视对比，对参数选取方法进行分析。技术流程如图1所示。

1.1 数据预处理

先对LiDAR点云强度信息数据进行直方图统计，根据直方图去掉太高或者太低的噪声。再选取末次回波作为地面观测信息，进行栅格化。最后使用临近填充的方法对数据空洞进行填补，得到强度信息图像[4，5]。

1.2 使用不同参数获取方法进行分类

利用分类样本进行分类参数的选取：第一种，将分类样本随机分为两等份，一份用于训练分类器，一份用于检验分类器精度，利用遍历法，步长为1，寻找分类精度最优的分类参数C（惩罚因子）。第二种，利用LIBSVM中的格网法进行寻找最优参数C。

1.3 对分类结果进行对比

使用样本交叉验证和格网法所得到参数C分别对本文强度信息进行分类，得出两种方法的分类精度及分类图像，通过精度与图像的对比，进行对参数选取方法的评价。

2? 实验与结果分析

为了更好地突出分类结果，实验数据要求应简洁明了，且易于区分，能提供较为明显的地物作为分类提取的目标物。为了满足实验数据的要求，该文选择了Open Topography Facility在Andrews Experimental Forest和Willamette National Forest地区的LiDAR点云数据。该数据区域面积为0.25km2，其中包含一条明显的道路，在分类过程中只需将分类目标设置为道路，就能明显观察到分类结果的优劣。

对点云数据进行预处理后，得到强度信息图像，如图2所示。

根据强度信息图像与正射影像图，选取了40个道路点与1050个非道路点作为分类的样本信息。先对样本信息进行样本交叉验证运算，得到最优分类参数C为55，分类器先验精度（道路点被正确提取的精度）为82%，分类结果二值图如图3所示。再利用SVM中格网法进行参数C的选取，参数C结果为0.0039，分类精度为96%，分类结果二值图如图3所示。

由两种分类方法的分类精度可知，格网法得出的参数C对样本分类结果有较高的分类精度，从二值图像上可以看得出，相比于a，b对道路信息的保留更多。但是b相对于a存在更多的噪声，且噪声面积较大，对后期的图像处理带来了麻烦。虽然a的道路信息不如b完善，但提取出了道路的大部分信息，体现了道路的主要结构与空间信息，且剩余噪声多为小面积离散噪声，方便进行后期处理。

经过试验证明，在该文对LiDAR点云数据进行SVM分类的过程中，选择样本交叉验证得出的参数C更适合对道路空间结构的提取，而格网法得出的参数C更能体现道路细节信息。在实际应用中，可综合考虑对分类目的要求，选取适宜的参数获取方式。

3? 结语

该文在对LiDAR点云数据的分类过程中对SVM参数C的选取进行了研究，利用了样本交叉验证与LIBSVM中的格网法两种方法进行了试验、比较。试验表明，样本交叉验证得出的参数能较好地剔除非道路点，且能保留较完整的道路信息;格网法对道路点的提取精度高，但对噪声的剔除能力较差。所以，在实际应用中对SVM参数的选择，应针对应用要求及分类目标进行综合考虑，选择适宜的参数选取方法。同时，该研究仍存在一定的不足：实验对应的分类类别过少;样本数据较少，缺少大量对照组。希望后来的研究能丰富数据，更深入地研究分类过程中的参数选取方法。

参考文献

[1] Song，M.Civco， D.Road extraction using SVM and image segmentation[J].Photogrammetric Engineering & Remote Sensing，2004（70）：1365-1371.

[2] Azizi，Z.Najafi，A.Sadeghian，S.Forest Road Detection Using LiDAR Data[J].Journal of Forestry Research，2014（25）：975-980.

[3] 乔纪纲，陈明辉，艾彬，等.SVM用于LiDAR数据的地物分类[J].测绘通报，2013（7）：35-38，42.

[4] 胡澄宇，汪仁银，张金花，等.一种基于机载LiDAR点云的林间道路提取方法[J].测绘工程，2017，26（12）：60-63，75.

[5] 胡澄宇.基于机载LiDAR的林间道路提取方法研究[D].西南交通大学，2016.

编辑整理：科学技术创新杂志社编辑部 官方网站：www.hljkxzzs.com