基于K-means聚类与RBFNN的点云DEM构建方法

• 作者: 李沛婷 田文忠 赵庆展 马永建
• 来源期刊: 农业机械学报
• 学科: 地球科学
• 关键词: 无人机机载激光雷达 数字高程模型 肘方法 K-means聚类 径向基函数神经网络 线性回归
• 年，卷（期）: 2019,（9）
• 所属期刊栏目: 农业信息化工程
• 页码范围: 208-214
• 页数: 7页
• 分类号: TN958.98|P231.5
• 字数: 5635字
• 语种: 中文
• DOI: 10.6041/j.issn.1000-1298.2019.09.024

摘要

因无人机机载激光雷达(Light detection and ranging,LiDAR)数据具有离散性,在生成数字高程模型(Digital elevation model,DEM)时需选择有效插值方法.以荒漠植被区为研究背景,使用零-均值标准化方法归一化点云回波强度,利用肘方法确定最佳聚类数目,采用K-means方法对点云强度值聚类得到地面点云.在此基础上,采用克里金(Kriging)方法插值抽稀率为20％和80％的地面点云数据,且将点云高程作为变量,建立RBF神经网络预测模型,并通过线性回归检验方法对模型进行精度分析,采用Delaunay三角网内插生成高精度DEM.结果 表明:采用K-means方法实现最佳聚类数目为4的聚类,得到地面点云48 722个,在点云较优抽稀率20％的情况下,径向基函数神经网络(Radical basis function neural network,RBFNN)训练时间为56 s,点云高程预测的决定系数R2为0.887,均方根误差RMSE为0.168m.说明使用RBFNN对K-means聚类滤波得到的地面点云进行高程预测效果较好,可为基于点云构建高精度DEM提供参考.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	田文忠	石河子大学机械电气工程学院	2	0	0.0	0.0