2021.1.29 更新说明

有很多小伙伴发邮件问我要数据,由于年代久远,原始数据我已经找不到了,其实就是把点云数据按 x y z 一行行写成一个文本txt就行

PointCloudSVMDemo

三维点云激光分类（建筑，树木）

1.样本数据选取

1.1.原始样本：

1.2 样本预处理

首先去除地面，（滤波，随机采样等均可），利用连通性分析分离点云，同时删除点云个数小于20个点的点云快。（剔除一些杂点，不太便于辨别形状的点）。

1.3 训练样本数据选取

2.特征值的选取与计算（基于表面邻域分析）

由于树木和建筑直观上看还是比较好区分的，因此取两个特征值组成特征向量分类效果还可以。

2.1 粗糙度的计算

寻找平面计算方法很类似于平差里面里的间接平差 ps(一开始想偷懒直接对整体进行计算，对于树还是可以，但对于建筑就有坑） 建筑如果是由坡面组成，直接对整体进行计算粗糙度是不科学的。

2.2 基于KNN表面邻域分析

在点云表面取一个点，找到距离最近的n个点，这样的话建筑表面取点，最近的n个点一般都会是平面，树木表面取最近的n个点的话，按上述方法计算出来的粗糙的比较大。

KNN算法很多库都有，C#里有Alglib，Python的一个强大的第三方库sklearn里面也有封装 算下来的话可以看到建筑和树木差异还是比较大的，可以作为一个较好的分类标准。

2.3 点云表面局部协方差矩阵分析

老师上课PPT里有的一个东西，一开始没怎么懂，后来在《遥感学报》上看到了一篇论文用到了这个来做分类，实践了下后懂了原理，就是通过计算协方差阵的特征值来描述点云的分布。 【来源】：老师PPT 【来源】：老师PPT 【来源】遥感学报，马振宇，庞勇，李增元，卢昊，刘鲁霞，陈博伟.地基激光雷达森林近地面点云精细分类与倒木提取 [J].遥感学报，2019, 23(4)

如果面状性较好的话，可以知道会有两个特征值大小接近，一个特征值很小；如果点云很分散的话，那么3个特征值的大小应该是比较接近的。 这里取发散状指数进行计算，可以看出差异还是比较大的，效果比较好。 把上面两个特征值作出特征空间（二维来说就是个平面），可以看出可分性还是比较强的，用一个线性SVM分类器分类效果还是可以。

3 支持向量机分类

原理省略n字。。。。反正很复杂，但是我们把它看成一个黑箱模型就够了，就是往里面扔特征向量，往外面吐分类结果就可以了。

我用的是python里Sklearn库里面SVM，sklearn也安利一下，基本常见的机器学习算法里面都有封装好。 和函数里面可以选线性函数，高斯函数等，这里就直接线性了。

4 分类结果

5. 评价

6.源代码

完整代码以及点云可以访问Github https://github.com/YhQIAO/PointCloudSVMDemo.git

6.1 说明

程序结构说明 依赖文件： MyHelper.py：封装计算特征值和特征向量的函数。 FileOperator.py: 封装文件读取和写入功能。 程序运行： 1.首先运行SaveFV.py，读取./points/trees以及./points/buildings中的训练样本数据，计算特征值，设树木标签为1，建筑标签为-1。保存的文件位于./FeatureVectors.txt。 2.再运行svmdemo.py，训练支持向量机分类器，并且读取待分类数据（位于./points/testdata/data1文件夹下），若分类为树木，则在每一点坐标后添加0 255 0，使其在导入CloudCompare时颜色为绿色；若分类为建筑，则在每一点坐标后添加0 0 255，使其在导入CloudCompare时颜色为蓝色。

测试步骤： 1.运行SaveFV.py,提取样本数据的特征向量，保存于FeatureVectors.txt文件中。 2.运行svmdemo.py，训练分类器，并对待分类数据进行分类 3.在CloudCompare中查看分类结果（蓝色的表示分类为建筑，绿色表示分类为树木）

文件路径格式说明 本程序运行在MacOS（类Unix，Linux）系统上，文件路径格式为./…/… ,若在windows环境下运行，需修改文件路径格式。如./points/trees需修改为D:\points\trees。

文件内容说明 所有点云数据在./points文件夹内 ./points/buildings内为建筑样本 ./points/trees内为树木样本 ./points/testdata/data1 为BlockA_FULLA.txt测试数据 ./points/testdata/data2 为BlockB_FULL.txt测试数据 ./points/testdata/resultdata 为分类完成后的点云数据