點雲分類相關調研

點雲分類（标注）根據采取的方法和政策可以分為階層式分類和同時分類方法。

階層式分類就是将任務分為兩類：濾波和對象分類。濾波就是将點雲分為地面點和非地面點，其中常用的算法有數學形态學算法，坡度濾波算法，不規則三角網漸進加密算法，移動曲面拟合算法和疊代線性最小二乘内插法，布料模拟算法等。在對象分類計算，階層式分類将非地面點分為建築物點和植被等多個類别。例如Meng等人采用多向濾波算法移除點雲中地面點，然後采用基于形态的建築物檢測方法，依據建築物的形态特征移除剩餘的非建築物點，進而将非地面點分割為建築物和非建築物。Xu等人提出了一種基于多實體的點雲分類方法，該方法首先将點雲資料分為地面點和非地面點，然後将獲得的非地面點分割為平面段、平均位移段和散亂點，最後将這三種類型的資料按照各自的分類方式進行分類。總之，在使用階層式分類方法進行點雲分類時，通常需要為每個類設定相應的判别方法，進而将點雲劃分為多個執行個體。

同時分類方法依據點的特征将點雲直接分類為地面、建築物和植被等多個類别，并且不需要設定太多的假設。例如，Niemeyer等人提出了一種基于條件随機場的點雲分類方法，成功的将點雲資料直接劃分為地面、建築物和植被三類，之後Niemeyer等人又将條件随機場和随機森林相結合，獲得了更可靠的分類效果。

根據點雲特征提取的基本單元，可以分為基于點的分類方法和基于分割段的分類方法。

機器學習方法

在點雲資料的分類階段，傳統的分類方法通過手動定義一系列的判定規則來判定點的類别。例如，我們可以假定在近鄰區域内地面點的高度最小，并以此作為判定規則，标記出所有的地面點。然而，在許多情況下，判定規則是難以設定的。為了解決這個問題，機器學習被用于實作點雲分類。這類方法的基本思想是利用訓練集訓練一個分類器，然後使用分類器對點雲資料進行分類。常用的分類器有：支援向量機[19]，随機森林[20]，AdaBoost[21]，JointBoost[12]，樸素貝葉斯分類器[22]和最大期望算法[23]等。其中，随機森林分類器由于出色的性能，受到了越來越多的關注[24]。同時，現有的研究表明，使用随機森林分類器能夠分析特征的重要性，移除不相關的特征，提高資料分類的性能[25]。Sun[26]和 Guan[27]等人已将随機森林應用到了點雲資料的特征選擇中，并取得較好的分類效果。