【读论文】LiDAR数据特征的提取与智能分类研究
1.lidar是一种地面非高度信息隐含表达的数据是什么意思？
2.为什么说lidar数据是一个不完整证据系统?
由于lidar是以地面高度信息来记录数据的，仅仅依赖高度信息来识别地物类型的工作方案本身就是不完整证据；即使添加了地面粗糙度、激光反射轻度以及多次回波信号，分类过程中任然存在大量的不确定性。
但是lidar所记录的三位信息对重现地表结构、揭示嗲表规律是如此的重要，而且在没有其他遥感工具能偶取代这项工作前，探索lidar数据特征提取和地面覆盖分类的研究工作任然具有极大的科学价值和实践意义。
3.基于斜率阈值的点云分割技术是什么？
4.高度纹理测度是什么？
mass（1999）最早将测点高度变化的纹理特征定义为高度纹理（height texture），是指检测窗口内有lidar点群（point set）高程所定义的灰度像元的数量和质量的组合模式。
图像纹理分析与纹理测度
5.什么是BP神经网络？
误差反向传播算法(Error Back Propagation Training)，简称BP
BP神经网络流程
6.什么是全间隔支持向量机？
不知道是不是硬间隔支持向量机
从大间隔分类器到核函数：全面理解支持向量机
什么是内插？
残差
稳健估计
数理统计学习笔记：稳健估计
稳健估计/M估计/最小二乘法
激光脉冲：
束波处理：
波形脉冲：
辐射分辨率：
激光脚点
技术发展周期
一、研究背景
1.1
传统多光谱遥感数据 记录地物反射电磁波强度 栅格结构存储 地面目标空间位置信息隐含
LiDAR几乎没有光谱和反射信息 直接测量数据点空间位置
导致lidar数据处理技术相对落后的两个原因：
1.系统尚未普及应用
2.数据密度提高、多次回波信息、回波波形分解以及其他波长的激光发射器的应用，这些新的特点都为lidar数据处理和应用带来了一系列深入讨论和研究的问题
对机载激光雷达的三个阶段：
1.上世纪80年代到2000年——基础工作时期
激光雷达工作原理、GPS和INS数据通讯与集成、误差校正、基础数据结构以及相关软硬件平台搭建
2.2000-2005——广泛应用时期
数据处理与分析，点云分割、滤波算法,DEM自动建模
3.2005年以后——技术上升期
如何提取地面特征、特殊条件下激光雷达数据的应用（例如从高密度点云中提取树干树冠信息）。在地物提取与识别方面，矢量点云向高度图像的转换效率、高度纹理特征提取、矢量点云的统计特征的计算以及地物识别方法还有许多问题等待解决
个人认为现今车载激光雷达技术处于萌芽期，2025年到2040年将是无人驾驶的过热期，相比于智能能手机的发展，无人驾驶汽车将会以更快的速度得到普及。
1.2选题意义
lidar记录的三维信息对重现地表结构、揭示地表规律上十分重要，探索lidar数据特征提取和地面覆盖分类的研究工作仍然具有极大的科学价值和实践意义
第三章 基于地面约束的lidar点云分割方法
利用地面环境的先验知识和lidar点云几何形态特征集合以提高数据分割精度
利用地面特征以及lidar的综合信息参与点云分割，能够有效的提高数据分割精度
3.1 LiDAR测量数据分割原理
**原理：**自然地形起伏有一定的概率分布规律，例如斜坡只能引起某个方向的高程突变，陡坎之间具有相同走势等。建筑物引起的高程突变在每个方向上都存在。
思路： 首先确定这种高程突变代表建筑物边缘，其次根据测点间的斜率变化来寻找这种高程突变。进而找到建筑物。
**操作：**通过判断两点间的距离和斜率和斜率阈值高程阈值的大小，判断某点是否位于地形表面。斜率与之随着两点间距离的增大而适量增大。
**现有通过斜率阈值进行点云分割方法：**移动窗口法、最小二乘内插法、基于地形坡度滤波和移动曲面拟合法等。
移动窗口法：像是乐高积木，从最下面一层开始（高程最低，窗口最大），一层一层往上加（通过判断斜率是否满足条件，斜率大的不要），有点像钟乳石笋，从下往上长
张小红的移动曲面拟合滤波算法，像是病毒先传染给抵抗力弱的人（先找高程最低的三点拟合一个平面），然后病毒发育了，朝着周边的人开始传播（计算初始面最近的那个点和这个面的你和高程值，用高程阈值判定被检测点是否加入地面点集合），就这样一个一个的传染，知道剩下的人都有抵抗力。（每检测一个点为一次迭代，并加入新点后重新拟合一个平面，直到呜啊找到您的地面点为止）。病毒的感染能力太强可能导致青壮年也大量死亡，感染能力太弱可能导致只死几个人达不到最初投放病毒计划的目标（此算法的核心是阈值 的选取，阈值选取同样需要地面的先验知识，较大的阈值有可能保留一些矮小地物，反之，则会削平地形特征）。
借用类别的方式来理解知识，病毒的感染能力的先验知识和阈值选取的先验知识是有相同有不同的，阈值和病毒的感染能力最初都是设定好的，然而病毒会变异产生抗药性，就是说病毒的感染能力是不断变大的。
所以说阈值的选取对于分割来说，具有不确定性很容易过分割或是欠分割，每个场景不同，阈值也不同，可以预料到在复杂地形场景下，并不适用。
线性最小二乘内插模型残差发滤波方法
激光雷达滤波和分割算法的自动化程度低，需要人工经验判断。不能找到普遍适用的算法。所以这篇文章也就干脆不找普遍适用的算法了，集中火力在重点地区，例如城市区域环境，这篇文章探讨破碎湿地环境等情况下有效的lidar点云分割方法。
3.2 LiDAR点云与地面信息的综合
脉冲（pulses per second）通常是指电子技术中经常运用的一种像脉搏似的短暂起伏的电冲击（电压或电流）。
辐射通量又称辐射功率，指单位时间内通过某一截面的辐射能
3.2.2 点云密度信息
激光点云密度 近大远小，LiDAR点云不同于成像遥感不存在像点位移问题，通过激光点和接收器之间的距离，确定唯一的地面点位置。
主要影响点云密度的因素包括：地形起伏和地物反射性质
1.地形起伏：在车载数据中看的比较明显，类别如一叶障目，越是靠近激光雷达的物体，能挡住后面的物体越多。
2.地物反射强度信息：如同声纳一样，激光也是靠反射才能被记录，在激光雷达数据中显示的空洞可能是池塘等水体。
水体 透明玻璃 对激光雷达的影响较大
不过也不是说激光雷达对水体就完全没有办法了
2019.10——激光雷达卫星水下探测
看论文 过程中看了一篇九边的文章 地下的评论 写了一句 广积粮 筑高墙 缓称王
让我想起了 年轻人 地上有石子捡几颗吧，天亮会有用的。
3.2.3 其他地面约束条件
说了跟没说一样
这种情况如何使得计算过程自动化真的考验算法能力了，做一个提高自动化程度的算法是一个多么了不起的事啊
先弄一堆在不同情况下的算法库，判断属于哪种类型，判断，接着用适用算法进行处理，先把数据分为不同类型的块，判断类型，用不同算法算完拼接到一块。
3.3滨岸湿地环境的LiDAR信息综合分割方法
**优势：**地势平缓对应前文说的地形起伏对点云密度的影响 点云密度越大 认为数据质量越好
对于车载LiDAR距离越近
劣势： 地形破碎 地面沟槽边缘的坡度远大于平坦地区 植被覆盖复杂，浅水、挺水植物均有分布。
浅水植物：生长于浅水或池塘周围潮湿的土壤里，在水、陆之间起过渡和柔化作用。有时也将其归于沼泽植物。由于具有异域色彩而备受青睐，常用来构建的背景，如水生鸢尾，千屈菜等。
挺水植物
合理阈值设定是一个关键步骤
**算法关键是什么？**关键就是综合： 综合利用斜率分割、密度和反射强度分割等工具，并将地面特征约束条件与分割算法相结合，以提高滨岸湿地破碎地面为地貌建模的精度。
**用什么设备？**小光斑空载激光雷达
分类策略：
1.斜率阈值分类的规则
2.从高度分类的规则
3.激光反射强度和点云密度规则
不同地面要素采用不同的提取方案和算法
3.3.2 顾及地形的多迭代分割方法
基于临近点间的最大斜率过滤算法，利用斜率阈值分类的规则是lidar’点云分类的基本方法。
自己写看法总结要尽量用简单的话来写，写的通俗易懂，写人话。
写论文时候要往难了写，写的谁也看不明白，也闹不明白是好是坏，往不是人话方面写。
这句话其实在前面已经多次提到了，斜率阈值大了容易把低矮的地物或其他类别的东西判断为地面，阈值小了则容易把地表判断为低矮的植被或其他类别的物体。
目视解译的边界范围和进度怎么样 这个与经验有关吧，而且同一个人判断的精度不能保证每次都一样。
先分出两类来算着，其他的再说。要想找到适龄婚嫁男女青年（平坦滩涂和破碎区域）来了解潜在结婚人口，首先找到适龄的男女青年,男女青年年龄小于36（迭代角r1<迭代角阈值r0），然后把适龄婚嫁男女青年中已婚的去除（距离hn<距离阈值）。剩下的为潜在结婚人口（Lg1为每个区域最小高程点的集合）
在筛选出的男女青年中，再把女的过滤掉（第二次迭代），还可以把性取向不明的过滤掉（如果有必要可以反复进行迭代），最后得到潜在结婚男青年个数（最后得到地面模型单集DEM）
滨岸湿地地形整体平坦，迭代两次精度基本就保证了，迭代次数不是越多越好。
3.3.3.中俄和点云密度、反射强度信息的分类规则
水体对红外波段的激光有强烈的吸收作用，
3.3.4 滨岸湿地环境微地貌建模流程
平常的语言：自己看着办，你觉得哪种方法好就用哪种。
书面语言：针对地面要素特征采用不同的过滤方法，得到某类特征点的集合，然后在人工干预下对这些点集合惊醒交、并、差等运算，获取准确的建模点。
斜率阈值法
阈值大：能提取沟渠边坡点，缺点是低矮植被也被分到滩涂点里
阈值小：不能提取沟槽信息
水体很麻烦，要不不反射（深水区不反射），要不瞎反射（浅水区域水体表面和水底的反射混合）
3.4 实验
3.4.1 实验区 美国佛罗里达州西海岸
3.4.2 LiDAR点云分割
3.4.3实验结果分析
在标准DEM的生产工作中，通常不需要将所有的点都进行分类就可以得到足够精度的地面模型。是不是说，激光点密度和DEM精度没有必然联系。
按类别分成小块后，用不同的分类发方法分类
数据是数据，信息是信息。数据大且独立，无联系。
通过建立激光点间的拓扑关系来分析和表达地面特征
菜好不好吃，一个是原材料的新鲜程度，还有厨艺和调味品。（对不同应用方向和目的，不同组织结构或转换方法的工作效率和精度也有很大的差异）
我觉得最重要的是整个建模过程中没有信息损失。
4.1.2 规则歌王模型
学英语时候天天抱着本单词书背单词（在简单地形上的数据冗余），作文、阅读和真题却不愿意做（而在起伏变化大的区域则描述不够精细，不能准确反映地面特征）
这一片是张家村，那一片是李家村（gis栅格数据结构定义的延伸）。另一个画画的调色板，看上去就几个颜色，实际上想要那个颜色我就给你调，比例多少，你不需要管，能调出你想要的颜色就行了（格网单元的数据是其中心点的高程的平均值，格网单元的属性值是负载与单元的中心点上，曲面在各中心点之间连续变化，这种定义下，区域内任意点的属性值可以用内插方法估计出来。）
4.1.3LiDAR高度图像
4.1.3.1高度图像的特点
这段说的是什么，展示没理解
深度图像确定目标距离_【大规模图像检索的利器】Deep哈希算法介绍
深度图像的获取原理
游戏的深度是水平的 站着向前看，lidar中的高度图像是竖直的，测点和大地水准面的高差所决定。
2.3.1里没提lidar点云分割和高度图像分割啊
4.3.1.2 lidar高度图像提取
采用高程赋值方法是一片混乱，哪种方法好多说不出来（无论是平均高程还是高程极值，都无法判断哪一种取值方法更为合理，被过滤的点损失的斜率信息量也无法统计出来）
