- 标题
- 摘要
- 关键词
- 实验方案
- 产品
-
一种改进的DBSCAN方法用于激光雷达数据分割并自动估计Eps参数
摘要： 点云数据分割、滤波、分类和特征提取是点云数据处理的主要关注点。DBSCAN（基于密度的空间聚类应用噪声）能够检测任意维度空间中任意形状的簇，该方法非常适合激光雷达（LiDAR，光探测与测距）数据的分割。DBSCAN方法至少需要两个参数：最小点数minPts和搜索半径ε。然而，参数ε往往更难确定，这阻碍了DBSCAN方法在点云分割中的应用。因此，提出了一种基于DBSCAN的分割算法，并采用一种新颖的自动参数ε估计方法——基于k近邻最大距离平均值的估计方法，通过该方法可以根据点云数据的固有属性计算参数ε。该方法基于k值与平均最大距离的拟合曲线。在不同类型的点云数据上对该方法进行了评估：机载点云数据和有无颜色信息的移动点云数据。结果表明，使用所提方法估计的ε的准确率分别为75%、74%和71%，高于使用小于或大于估计值的参数时的准确率。结果表明，所提出的算法能够以更高的准确率和鲁棒性分割不同类型的激光雷达点云。该算法可应用于机载和移动激光雷达点云数据处理系统，从而减少人工工作量并提高数据处理的自动化程度。
关键词： 参数估计、分割、DBSCAN、激光雷达
更新于2025-09-23 15:22:29
-
[IEEE IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 西班牙瓦伦西亚（2018.7.22-2018.7.27）] IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 采样方法对基于三维卷积神经网络的像素级高光谱图像分类的影响
摘要： 监督图像分类是从遥感影像生成语义图的关键技术之一。由于采集训练样本存在固有的时间和成本投入，标注真实数据集的匮乏导致新分类器通常在单幅影像内进行训练与验证。针对此情况，主流方法采用随机采样策略将现有真实数据划分为互斥的训练集和测试集。本文探讨了该策略与光谱-空间及像素级分类器（如三维卷积神经网络3D CNN）结合使用时产生的问题：随机采样方案会导致独立性假设被违背，并产生从训练集中提取全局知识的假象。为此，本文提出两种基于密度聚类算法（DBSCAN）的改进采样策略，通过最小化训练/测试样本独立性假设的违背程度，确保对分类器泛化能力的真实评估。
关键词： DBSCAN、聚类、采样策略、卷积神经网络（CNN）、深度学习、高光谱图像分类
更新于2025-09-10 09:29:36