[发明专利]基于机载LiDAR与星载多光谱影像融合的复杂地形分析方法

权利要求书

1.一种基于机载LiDAR与星载多光谱影像融合的复杂地形分析方法，其特征在于，包括：

利用星载传感器获取多光谱影像并利用机载激光雷达获取点云数据，所述点云数据覆盖的区域被包含于所述多光谱影像覆盖的区域中；

基于点云数据生成点云深度图；

对所述点云深度图与所述多光谱影像进行粗配准，得到粗配准点对；

利用粗配准点对及所述点云数据的高程值，建立二维至三维的转换模型；

以所述点云深度图与所述多光谱影像的互信息最大值为测度，通过搜索算法确定精配准系数；

根据所述精配准系数和所述转换模型，对所述多光谱影像进行转换，得到转换影像；

将所述转换影像与所述点云数据进行动态特征融合，生成融合数据；

生成等高线地形图并显示在所述多光谱影像中，与所述融合数据协同进行分析。

2.根据权利要求1所述的基于机载LiDAR与星载多光谱影像融合的复杂地形分析方法，其特征在于，基于点云数据生成点云深度图的步骤之前，还包括：

分别对所述多光谱影像及所述点云数据进行预处理。

3.根据权利要求2所述的基于机载LiDAR与星载多光谱影像融合的复杂地形分析方法，其特征在于，分别对所述多光谱影像及所述点云数据进行预处理的步骤，包括：

对所述多光谱影像进行辐射定标、大气校正及几何校正，得到预处理后的多光谱影像；

利用滤波算法对所述点云进行滤波去噪处理，并对滤波后的点云数据进行下采样，得到预处理后的点云数据；所述滤波算法为中通滤波、带通滤波、双边滤波、统计滤波、半径滤波、条件滤波和高斯滤波中的至少一种。

4.根据权利要求1所述的基于机载LiDAR与星载多光谱影像融合的复杂地形分析方法，其特征在于，以所述点云深度图与所述多光谱影像的互信息最大值为测度，通过搜索算法确定配准系数的步骤，包括：

计算所述点云深度图和所述多光谱影像的互信息；

获取对所述点云深度图与所述多光谱影像进行粗配准时的粗配准系数后，将所述粗配准系数作为初始配准系数代入所述转换模型，并利用Powell算法在预设范围内搜索；

利用每轮搜索到的配准系数对所述多光谱影像进行变换，并计算所述点云深度图和变换后的多光谱影像的互信息；

当所述互信息达到最大时，将对应的配准系数确定为精配准系数。

5.根据权利要求4所述的基于机载LiDAR与星载多光谱影像融合的复杂地形分析方法，其特征在于，计算所述点云深度图和变换后的多光谱影像的互信息的步骤，包括：

分别计算所述变换后的多光谱影像的边缘信息熵H(M)以及所述点云深度图的边缘信息熵H(D)；

基于所述变换后的多光谱影像的边缘信息熵H(M)和所述点云深度图的边缘信息熵H(D)计算条件信息熵H(D|M)，并根据所述条件信息熵H(D|M)计算H(M,D)；

根据所述点云深度图的边缘信息熵H(D)、所述变换后的多光谱影像的边缘信息熵H(M)以及H(M,D)，计算变换后的多光谱影像与所述点云深度图之间的互信息I(D；M)：

I(D；M)＝H(M)+H(D)-H(M,D)。

6.根据权利要求5所述的基于机载LiDAR与星载多光谱影像融合的复杂地形分析方法，其特征在于，分别按照如下公式计算所述变换后的多光谱影像的边缘信息熵H(M)以及所述点云深度图的边缘信息熵H(D)：

式中，P(·)表示离散随机变量概率，M表示所述变换后的多光谱影像，D表示所述变换后的点云深度图。

7.根据权利要求1所述的基于机载LiDAR与星载多光谱影像融合的复杂地形分析方法，其特征在于，将所述转换影像与所述点云数据进行动态特征融合，生成融合数据的步骤，包括：

将所述点云数据中的高程信息赋值给对应的多光谱影像，生成融合数据。

8.根据权利要求1所述的基于机载LiDAR与星载多光谱影像融合的复杂地形分析方法，其特征在于，将所述转换影像与所述点云数据进行动态特征融合，生成融合数据的步骤，包括：

将所述点云数据与对应区域的多光谱影像融合，形成将点云数据呈现在多光谱影像上的融合影像。