Study on image point cloud classification of mountain villages by machine learning
-
摘要: 为了利用点云技术更好地获取地表信息, 用无人机AA1300的内置光学镜头采集影像数据, 构建2-D的数字正射影像地图(DOM), 悬挂GS-1350N镜头采集3-D的激光雷达点云; 通过k最近邻法(KNN)、支持向量机法(SVM)和随机森林法(RF)来实现DOM分类, 用定量分析中精度高的方法分类3-D点云, 并进行了2-D和3-D的分类映射对比分析。结果表明, 2-D的DOM分类中, 相对于KNN和SVM, RF的kappa系数分别高3.74%和2.16%, 全局精度分别高4.04% 和2.88%;2-D的分类结果通过直接线性变换到3-D点云中, 可实现2-D和3-D的点云分类, 映射精度达94.15%;而在相同条件下, 相对于2-D/3-D点云映射, 直接3-D点云分类能更完整地呈现地物信息。3-D点云的精准分类对获取地表信息是有帮助的。Abstract: In order to use point cloud technology to better obtain surface information, the built-in optical lens of unmanned aerial vehicle(UAV) AA1300 was used to collect image data and build a 2-D digital orthophoto map (DOM) and GS-1350N lens was hung to collect a 3-D light detection and ranging point cloud. DOM classification was realized by three methods, namely, the k-nearest neighbor(KNN) method, support vector machine (SVM) method, and random forest (RF) method. 3-D point cloud was classified by the method with high accuracy in quantitative analysis. The comparative analysis of 2-D and 3-D classification mapping was carried out. The results show that, in 2-D DOM classification, kappa coefficients of RF are 3.74% and 2.16% higher, and the overall accuracy is 4.04% and 2.88% higher than those of KNN and SVM, respectively. The classification results of 2-D can be directly linearly transformed into 3-D point clouds, achieving 2-D and 3-D point cloud classification with a mapping accuracy of 94.15%. Under the same conditions, compared to 2-D/3-D point cloud mapping, direct 3-D point cloud classification can present more complete terrain information. This study indicates that the precise classification of 3-D point clouds can be helpful for better obtaining surface information.
-
0. 引言
激光诱导击穿光谱(laser-induced breakdown spectroscopy，LIBS)是一种元素分析的新技术，对几乎所有物质形态(诸如气溶胶、岩石、金属、骨骼、血液、生物组织以及聚合物等)的靶样都可以进行元素分析，其定性、定量分析是通过检测等离子体(高能激光脉冲聚焦烧蚀物质产生)发射光谱来实现。LIBS技术在各种实验条件下都可以开展实施，包括常压、真空、海洋深处、或者是极端恶劣的环境中(如反应堆), 其具有响应时间短、样品无需制备或仅需简单制备、可免校准方法和多元素同时在线分析等优点，已广泛应用于元素分析领域[1-3]。基于此，国内外学者日益关注对LIBS的研究，这项技术也逐步从实验室研究推广到生物医学、太空检测、环境监测、资源探测、反应堆乏燃料以及放射性同位素分析等诸多领域[4-10]。目前，LIBS开展特定样品的元素成分分析，探测灵敏度多为mg/L量级，一直以来, 众多科学家关注的焦点是如何极大地降低其检测限，有效地提高LIBS信号强度。
表面等离激元共振是纳米结构具有的特性之一，很大程度上能增强局域电场[11-12]，对LIBS信号增强效果显著，信号强度能达到数个量级的增强。纳米颗粒增强LIBS(nanoparticle enhanced LIBS, NELIBS)只需要简单的优化制样方法，不需要对实验设备进行复杂的改进, 即可对LIBS信号进行增强。意大利GIACOMO课题组对NELIBS展开了系统且具有重要影响力的研究，比如通过使用纳米银溶胶将其滴加到金属、半导体和绝缘体表面，降低了固体靶的烧蚀阈值，对金属靶样的信号强度增强达到了1~2个数量级[13]。基底在滴加样品溶液前沉积一层纳米金颗粒，使得检测限下降到mg/L以下[14]。LIU等人使用金属螯合物诱导金纳米粒子聚集，检测水中重金属元素(Cd, Cu, Ag, Pb和Cr)，检测限达到μg/L量级[15]；该课题组还提出了在多孔静电纺超细纤维上添加纳米粒子涂层的方法增强水体系中金属离子的LIBS信号[16]。LIU等人从纳米颗粒对信号强度、信号噪声比和相对标准差的影响出发，特别注意了预烧蚀对纳米颗粒增强效果的影响以及NELIBS很好的可重复性，从而促进了对NELIBS的全面了解[17]。
作者所在课题组引入两亲性分子到NELIBS，使得信号检测限达到μg/L量级[18]。使用磁控溅射方法，研究了纳米团簇对NELIBS信号的影响[19]。另外在纳米银溶胶中加入不同浓度的氯离子后，利用透射电镜观察纳米颗粒的状态，并结合专业微纳光子学仿真分析软件计算纳米粒子不同的状态对局域电磁场增强的影响[20]。基于此，有必要对卤素离子做进一步的研究。本文中将分析不同种类的卤素离子对NELIBS信号的影响。
1. 样品制备及实验装置
1.1 纳米颗粒制备及表征
使用Lee-Meisel法[21]制备灰绿色的纳米银溶胶(灰银胶)，即柠檬酸钠(C6H5Na3O7)还原硝酸银(AgNO3)生成银纳米粒子。
在超薄碳膜上滴加银胶溶液，使用透射电子显微镜对样品进行形貌表征。紫外-可见分光光度计用来测量银胶的吸收光谱[22]。
1.2 样品制备
配制以下溶液：浓度为0.01 mmol/L十二烷基硫酸钠(sodium dodecyl sulfate，SDS)(质量分数不小于99.0%)溶液[20]；浓度为2 mmol/L的MgSO4(质量分数不小于99.0%)溶液；浓度为0.01 mmol/L、0.05 mmol/L、0.1 mmol/L、0.15 mmol/L、0.2 mmol/L、0.3 mmol/L、0.4 mmol/L、0.5 mmol/L、1 mmol/L、2 mmol/L、4 mmol/L和20 mmol/L的KBr(质量分数为99.9%)溶液；浓度为0.2 mmol/L的KCl(质量分数不小于99.99%)溶液；浓度为0.05 mmol/L、0.1 mmol/L、0.15 mmol/L、0.2 mmol/L、0.3 mmol/L、0.4 mmol/L、0.5 mmol/L、1 mmol/L、2 mmol/L和4 mmol/L的KF(质量分数为99.9%)以及KI(质量分数不小于99.9%)溶液。
依次用去离子水和无水乙醇超声清洗9 cm2正方形单面抛光硅片(P型硅，100晶向)，20 min后干燥使用[22]。
1.3 LIBS实验
采用Nd ∶YAG纳秒脉冲激光器(波长为532 nm、单脉冲能量80 mJ)，纳秒激光聚焦烧蚀靶样产生等离子体。等离子体发射光谱(侧向收集)聚焦到光纤上，经光纤耦合传导到光谱仪中进行测量。光谱仪延迟时间、积分门宽和信号增益分别设置为0.4 μs、5 μs和1500，采集单发烧蚀LIBS信号，多次测量以降低误差[22]。
2. 结果与讨论
2.1 银纳米粒子的表征
首先对Ag纳米粒子(nanoparticles，NPs)进行透射电子显微镜(transmission electron microscope，TEM)表征，形貌表征结果如图 1所示。TEM测试图(见图 1a, 图 1c, 图 1e)和尺寸统计分布直方图(见图 1b, 图 1d和图 1f)分别对应的是10 mL、5 mL、2 mL柠檬酸钠溶液(质量分数为1%)和2 mL的AgNO3溶液(质量分数为1%)制备的灰银胶。从图 1中可以看出，减少柠檬酸钠的用量会导致Ag NPs直径变大(平均直径为34.53 nm，39.65 nm，59.01 nm)。
![图 1 不同体积的C6H5Na3O7溶液(质量分数为1%)和2 mL AgNO3溶液(质量分数为1%)制备灰银胶的TEM图及尺寸分布统计]()
图 1 不同体积的C6H5Na3O7溶液(质量分数为1%)和2 mL AgNO3溶液(质量分数为1%)制备灰银胶的TEM图及尺寸分布统计Figure 1. TEM images and size distribution statistics of different volumes of C6H5Na3O7 solution (mass fraction of 1%) and 2 mL AgNO3 solution (mass fraction of 1%) for preparation of grey silver sol图 2是灰银胶吸收光谱的测量结果。可以看到，减少柠檬酸钠的用量会使420 nm附近的共振吸收峰红移。由于较小尺寸的胶体会更加稳定，不易团聚，并且为尽量使其吸收峰位更接近532 nm激光[22]，在之后的实验中选择了纳米粒子平均直径为39.65 nm的灰银胶。
![图 2 不同体积比的AgNO3溶液(质量分数为1%)和C6H5Na3O7溶液(质量分数为1%)制备灰银胶的吸收光谱]()
图 2 不同体积比的AgNO3溶液(质量分数为1%)和C6H5Na3O7溶液(质量分数为1%)制备灰银胶的吸收光谱Figure 2. Absorption spectra of different volume ratios of AgNO3 solution (mass fraction of 1%) and sodium citrate solution (mass fraction of 1%) for preparation gray silver sol以氯离子为例, 研究了卤素离子对银纳米溶胶聚集效应的影响，发现不同浓度的氯离子诱导银纳米颗粒聚集的程度不同，随着氯离子浓度的增加，银纳米粒子逐渐团聚，间距越来越小，直至凝聚沉淀[20]。
图 3为加入氯离子浓度为20 mmol/L时的TEM图。可以看到, 纳米颗粒团聚十分严重，出现链状的凝聚，颗粒几乎很难分辨。
![图 3 氯离子浓度为20 mmol/L时银胶形貌的TEM图]()
图 3 氯离子浓度为20 mmol/L时银胶形貌的TEM图Figure 3. TEM image of morphology of Ag colloid with chloride ion concentrations of 20 mmol/L2.2 LIBS谱线特征
由作者团队之前的工作[20]可知，氯离子可以引起纳米颗粒团聚现象，0.2 mmol/L的氯离子NELIBS信号的程度最大。基于此，用同样的方法研究了不同种类的卤素离子对NELIBS信号的影响。在MgSO4溶液中加入KF、KBr和KI溶液，引入卤素离子后测量NELIBS信号的变化。图 4是靶元素Mg的一个典型的光谱图。光谱范围在382.3 nm~384.4 nm，382.90 nm、383.21 nm、383.80 nm是Mg元素的3个特征峰。从图中可以清楚看到, 添加纳米颗粒之后的LIBS信号有明显的增强效果。
![图 4 Mg元素LIBS和NELIBS光谱的对比]()
图 4 Mg元素LIBS和NELIBS光谱的对比Figure 4. Comparison of LIBS and NELIBS spectra of Mg elements改变卤素离子浓度，测量了SDS+Ag NPs MgSO4(2 mmol/L)样品中Mg元素的NELIBS信号强度，实验结果如图 5所示。图中信号强度是通过扣除本底信号后选取382.66 nm、384.13 nm为左右端点进行面积积分，将积分值作为信号强度。当Br-、I-浓度为0.2 mmol/L时Mg的NELIBS信号达到最强，与之前工作[20]中Cl-实验结果一致，而F-浓度为0.4 mmol/L时Mg的NELIBS信号最强。
![图 5 不同浓度的KF、KBr、KI溶液加入到2 mmol/L MgSO4溶液中时Mg的NELIBS信号变化]()
图 5 不同浓度的KF、KBr、KI溶液加入到2 mmol/L MgSO4溶液中时Mg的NELIBS信号变化Figure 5. NELIBS signal of Mg changes when different concentrations of KF, KBr and KI are added into 2 mmol/L MgSO4 solution基于图 5中的实验结果，综合考量实验因素，固定卤素离子的浓度为0.2 mmol/L，研究分析了4种卤素阴离子对NELIBS信号强度的影响，结果见图 6。从图 6中可以看出, 分别加入KF、KCl、KBr、KI溶液(浓度均为0.2 mmol/L)到2 mmol/L MgSO4+0.01 mmol/L SDS+Ag NPs的溶液中，当银溶胶中加入0.2 mmol/L卤化钾时，Mg的NELIBS信号得到了不同程度的增强，卤素离子对Mg的NELIBS信号的增强效果为：F-＞Cl-＞Br-＞I-。
![图 6 在2 mmol/L MgSO4溶液中加入等量0.2 mmol/L KF、KCl、KBr、KI溶液时Mg的NELIBS信号变化]()
图 6 在2 mmol/L MgSO4溶液中加入等量0.2 mmol/L KF、KCl、KBr、KI溶液时Mg的NELIBS信号变化Figure 6. NELIBS signal of Mg changes when the same amount of KF, KCl, KBr and KI solutions with 0.2 mmol/L concentration are added into 2 mmol/L MgSO4 solution3. 结论
研究了不同种类、不同浓度的卤素阴离子对Ag NPs增强LIBS信号的影响。在添加卤素离子之后对比分析了Mg的NELIBS信号，发现其信号会得到不同程度的增强，结合之前氯离子的工作，表明卤素阴离子与Ag NPs之间存在着一定的相互作用。Ag NPs具有较大的比表面积，少量未反应的银离子可能会吸附在Ag NPs的表面，而银离子与卤素阴离子具有库伦相互作用，使得卤素阴离子在Ag NPs的表面上吸附，引起Ag NPs的团聚现象，从而使得Ag NPs之间的距离发生了显著的变化；F-对Ag NPs的影响比Cl-、Br-、I-要强，F-与Ag NPs的活性点结合更容易，原因可能是和F、Cl、Br、I的原子序数有较大的关系。卤素阴离子对Mg的NELIBS信号增强的作用为：F-＞Cl-＞Br-＞I-。
-
表 1 3种算法2-D影像分类精度
Table 1 2-D image classification accuracy of three algorithms
methods ground objects bare soil road building tree crop total KNN bare soil 16 2 0 0 0 18 road 2 16 6 0 0 24 building 0 0 17 0 0 17 tree 1 0 0 74 4 79 crop 0 0 0 6 29 35 total 19 18 23 80 33 producer 0.8421 0.8889 0.7391 0.9250 0.8788 user 0.8889 0.6667 1 0.9367 0.8286 OA 0.8786 κ 0.8293 SVM bare soil 15 2 0 0 0 17 road 2 16 5 0 0 23 building 0 0 18 0 0 18 tree 2 0 0 75 3 80 crop 0 0 0 5 30 35 total 19 18 23 80 33 producer 0.7895 0.8889 0.7826 0.9375 0.909 user 0.8824 0.6957 1 0.9375 0.8571 OA 0.8902 κ 0.8451 RF bare soil 17 2 0 0 0 19 road 2 16 3 0 0 21 building 0 0 20 0 0 20 tree 0 0 0 75 2 77 crop 0 0 0 5 31 36 total 19 18 23 80 33 producer 0.8947 0.8888 0.8695 0.9375 0.9393 user 0.8947 0.7620 1 0.9740 0.8611 OA 0.9190 κ 0.8667 
下载: 导出CSV
-
[1] ROSSI G, TANTERI L, TOFANI V, et al. Multitemporal UAV surveys for landslide mapping and characterization[J]. Landslides, 2018, 15(5): 1045-1052. DOI: 10.1007/s10346-018-0978-0
[2] KOUTALAKIS P D, TZORAKI O A, PRAZIOUTIS G I, et al. Can drones map earth cracks? Landslide measurements in north greece using UAV photogrammetry for nature-based solutions[J]. Sustainability, 2021, 13(9): 4697-4717. DOI: 10.3390/su13094697
[3] 李旭亮, 王保成, 田亮, 等. 基于无人机影像的乡村道路信息提取及安全导引优化设计[J]. 导航定位学报, 2021, 9(4): 123-130. https://www.cnki.com.cn/Article/CJFDTOTAL-CHWZ202104019.htm LI X L, WANG B Ch, TIAN L, et al. Information extraction of rural roads and optimization design of safety guidance based on UAV images[J]. Journal of Navigation and Positioning, 2021, 9(4): 123-130 (in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-CHWZ202104019.htm
[4] 陈竹安, 施陈敬, 冯祥瑞, 等. 低空多旋翼无人机航测在秀美乡村规划建设中的应用[J]. 测绘通报, 2019(8): 144-148. https://www.cnki.com.cn/Article/CJFDTOTAL-CHTB201908030.htm CHEN Zh A, SHI Ch J, FENG X R, et al. Application of aerial survey of low-altitude multi-rotor UAV in beautiful rural planning and construction[J]. Bulletin of Surveying and Mapping, 2019(8): 144-148(in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-CHTB201908030.htm
[5] GUO Q, ZHANG J, GUO S, et al. Urban tree classification based on object-oriented approach and random forest algorithm using unmanned aerial vehicle (UAV) multispectral imagery[J]. Remote Sensing, 2022, 14(16): 3885-3902. DOI: 10.3390/rs14163885
[6] 马飞虎, 徐发东, 孙翠羽. 面向对象的无人机影像地物分类[J]. 应用科学学报, 2021, 39(2): 312-320. https://www.cnki.com.cn/Article/CJFDTOTAL-YYKX202102013.htm MA F H, XU F D, SUN C Y. Land-use information of object-oriented classification by UAV image[J]. Journal of Applied Sciences, 2021, 39(2): 312-320(in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-YYKX202102013.htm
[7] 韩文霆, 郭聪聪, 张立元, 等. 基于无人机遥感的灌区土地利用与覆被分类方法[J]. 农业机械学报, 2016, 47(11): 270-277. https://www.cnki.com.cn/Article/CJFDTOTAL-NYJX201611037.htm HAN W T, GUO C C, ZHANG L Y, et al. Classification method of land cover and irrigated farm land use based on UAV remote sensing in irrigation[J]. Transactions of the Chinese Society of Agricultural Machinery, 2016, 47(11): 270-277(in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-NYJX201611037.htm
[8] 刘舒, 朱航. 基于超高空间分辩率无人机影像的面向对象土地利用分类方法[J]. 农业工程学报, 2020, 36(2): 87-94. https://www.cnki.com.cn/Article/CJFDTOTAL-NYGU202002011.htm LIU Sh, ZHU H. Object-oriented land use classification based on ultra-high resolution images taken by unmanned aerial vehicle[J]. Transactions of the Chinese Society of Agricultural Engineering, 2020, 36(2): 87-94(in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-NYGU202002011.htm
[9] 郝雯, 张雯静, 梁玮, 等. 面向三维点云的场景识别方法综述[J]. 光学精密工程, 2022, 30(16): 1988-2005. https://www.cnki.com.cn/Article/CJFDTOTAL-GXJM202216008.htm HAO W, ZHANG W J, LIANG W, et al. Scene recognition for 3D point clouds: A review[J]. Optics and Precision Engineering, 2022, 30(16): 1988-2005(in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-GXJM202216008.htm
[10] 田晨, 张金龙, 金义蓉, 等. 一种利用贝叶斯优化的蓝藻遥感分类方法[J]. 自然资源遥感, 2023, 35(1): 49-56. https://www.cnki.com.cn/Article/CJFDTOTAL-GTYG202301006.htm TIAN Ch, ZHANG J L, JIN Y R, et al. A remote sensing classification method for cyanobacteria using Bayesian optimization algorithm[J]. Remote Sensing for Natural Resources, 2023, 35(1): 49-56(in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-GTYG202301006.htm
[11] 刘睿, 王志勇, 高瑞. 时序SAR影像的干旱地区土地利用分类应用[J]. 测绘科学, 2021, 46(10): 90-97. https://www.cnki.com.cn/Article/CJFDTOTAL-CHKD202110013.htm LIU R, WANG Zh Y, GAO R. Application of time series SAR i-mage in land use classification in arid area[J]. Science of Surveying and Mapping, 2021, 46(10): 90-97(in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-CHKD202110013.htm
[12] 颜文杰, 陈俊明, 宋亚军, 等. 基于DT-KNN-FDA建模的车漆光谱无损鉴别[J]. 激光技术, 2021, 45(2): 182-185. DOI: 10.7510/jgjs.issn.1001-3806.2021.02.009 YAN W J, CHEN J M, SONG Y J, et al. Research on non-destructive identification about vehicle paints by DT-KNN-FDA[J]. Laser Technology, 2021, 45(2): 182-185(in Chinese). DOI: 10.7510/jgjs.issn.1001-3806.2021.02.009
[13] 涂兵, 张晓飞, 张国云, 等. 递归滤波与KNN的高光谱遥感图像分类方法[J]. 国土资源遥感, 2019, 31(1): 22-32. https://www.cnki.com.cn/Article/CJFDTOTAL-GTYG201901004.htm TU B, ZHANG X F, ZHANG G Y, et al. Hyperspectral image cla-ssification via recursive filtering and KNN[J]. Remote Sensing for Land & Resources, 2019, 31(1): 22-32(in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-GTYG201901004.htm
[14] 赵庆展, 江萍, 王学文, 等. 基于无人机高光谱遥感影像的防护林树种分类[J]. 农业机械学报, 2021, 52(11): 190-199. https://www.cnki.com.cn/Article/CJFDTOTAL-NYJX202111020.htm ZHAO Q Zh, JIANG P, WANG X W, et al. Classification of protection forest tree species based on UAV hyperspectral data[J]. Transactions of the Chinese Society of Agricultural Machinery, 2021, 52(11): 190-199(in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-NYJX202111020.htm
[15] 邓曾, 李丹, 柯樱海, 等. 基于改进SVM算法的高分辨率遥感影像分类[J]. 国土资源遥感, 2016, 28(3): 12-18. https://www.cnki.com.cn/Article/CJFDTOTAL-GTYG201603003.htm DENG Z, LI D, KE Y H, et al. An improved SVM algorithm for high spatial resolution remote sensing image classification[J]. Remote Sensing for Land & Resources, 2016, 28(3): 12-18(in Ch-inese). https://www.cnki.com.cn/Article/CJFDTOTAL-GTYG201603003.htm
[16] 刘海娟, 张婷, 侍昊, 等. 基于RF模型的高分辨率遥感影像分类评价[J]. 南京林业大学学报(自然科学版), 2015, 39(1): 99-103. https://www.cnki.com.cn/Article/CJFDTOTAL-NJLY201501018.htm LIU H J, ZHANG T, SHI H, et al. Classification evaluation on high resolution remote sensing image based on RF[J]. Journal of Nanjing Forestry University (Natural Sciences Edition), 2015, 39(1): 99-103(in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-NJLY201501018.htm
[17] WANG X, GAO X, ZHANG Y, et al. Land-cover classification of coastal wetlands using the RF algorithm for worldview-2 and landsat 8 images[J]. Remote Sensing, 2019, 11(16): 1927-1949. DOI: 10.3390/rs11161927
[18] DENG Z, ZHU X, CHENG D, et al. Efficient KNN classification algorithm for big data[J]. Neurocomputing, 2016, 195: 143-148. DOI: 10.1016/j.neucom.2015.08.112
[19] 潘卫军, 吴郑源, 张晓磊. 基于k最近邻的激光雷达飞机尾涡识别[J]. 激光技术, 2020, 44(4): 471-477. DOI: 10.7510/jgjs.issn.1001-3806.2020.04.013 PANG W J, WU Zh Y, ZHANG X L. Identification of aircraft wake vortex based on k-nearest neighbor[J]. Laser Technology, 2020, 44(4): 471-477 (in Chinese). DOI: 10.7510/jgjs.issn.1001-3806.2020.04.013
[20] 赵理君, 唐娉. 典型遥感数据分类方法的适用性分析——以遥感图像场景分类为例[J]. 遥感学报, 2016, 20(2): 157-171. https://www.cnki.com.cn/Article/CJFDTOTAL-YGXB201602001.htm ZHAO L J, TANG P. Scalability analysis of typical remote sensing data classification methods: A case of remote sensing image scene[J]. Journal of Remote Sensing, 2016, 20(2): 157-171(in Chin-ese). https://www.cnki.com.cn/Article/CJFDTOTAL-YGXB201602001.htm
[21] 王猛, 张新长, 王家耀, 等. 结合随机森林面向对象的森林资源分类[J]. 测绘学报, 2020, 49(2): 235-244(in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-CHXB202002011.htm WANG M, ZHANG X Ch, WANG J Y, et al. Forest resource cla-ssification based on random forest and object oriented method[J]. Acta Geodaetica et Cartographica Sinica, 2020, 49(2): 235-244(in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-CHXB202002011.htm
[22] 刘国栋, 刘佳, 刘浪. 一种基于机载LiDAR数据的山区道路提取方法[J]. 激光技术, 2022, 46(4): 466-473. DOI: 10.7510/jgjs.issn.1001-3806.2022.04.005 LIU G D, LIU J, LIU L. A mountain road extraction method based on airborne LiDAR data[J]. Laser Technology, 2022, 46(4): 466-473(in Chinese). DOI: 10.7510/jgjs.issn.1001-3806.2022.04.005
[23] 薛豆豆, 程英蕾, 释小松, 等. 综合布料滤波与改进随机森林的点云分类算法[J]. 激光与光电子学进展, 2020, 57(22): 221017. https://www.cnki.com.cn/Article/CJFDTOTAL-JGDJ202022020.htm XUE D D, CHENG Y L, SHI X S, et al. Point clouds classification algorithm based on cloth filtering algorithm and improved random forest[J]. Laser & Optoelectronics Progress, 2020, 57(22): 221017(in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-JGDJ202022020.htm
[24] 吴锦玉, 刘晓龙, 柏延臣, 等. 基于GF-2数据结合多纹理特征的塑料大棚识别[J]. 农业工程学报, 2019, 35(12): 173-183. https://www.cnki.com.cn/Article/CJFDTOTAL-NYGU201912021.htm WU J Y, LIU X L, BO Y Ch, et al. Plastic greenhouse recognition based on GF-2 data and multi-texture features[J]. Transactions of the Chinese Society of Agricultural Engineering, 2019, 35(12): 173-183(in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-NYGU201912021.htm
[25] 高永刚, 林悦欢, 温小乐, 等. 基于无人机影像的可见光波段植被信息识别[J]. 农业工程学报, 2020, 36(3): 178-189. https://www.cnki.com.cn/Article/CJFDTOTAL-NYGU202003022.htm GAO Y G, LIN Y H, WEN X L, et al. Vegetation information re-cognition in visible band based on UAV images[J]. Transactions of the Chinese Society of Agricultural Engineering, 2020, 36(3): 178-189 (in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-NYGU202003022.htm
[26] 张莹, 黄影平, 郭志阳, 等. 基于点云与图像交叉融合的道路分割方法[J]. 光电工程, 2021, 48(12): 210340. https://www.cnki.com.cn/Article/CJFDTOTAL-GDGC202112003.htm ZHANG Y, HUANG Y P, GUO Zh Y, et al. Point cloud-image data fusion for road segmentation[J]. Opto-Electron Engineering, 2021, 48(12): 210340(in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-GDGC202112003.htm
-
期刊类型引用(5)
1. 覃淮青，姚顺春，喻子彧，马维喆，卢志民，董美蓉，陆继东. 煤粉流等离子体光谱诊断及定量分析研究. 工程热物理学报. 2024(06): 1863-1871 . 
百度学术
2. 唐瑞玲，胡梦颖，邢夏，刘彬，张鹏鹏，顾雪，房芳，张灵火，徐进力，白金峰，张勤. 激光诱导击穿光谱仪工作参数对测定土壤样品中稀土元素的影响. 应用激光. 2021(05): 1084-1090 . 百度学术
3. 龚书航，钱东斌，苏茂根，赵冬梅，孙对兄，吴超，王永强，马新文. 复杂颗粒状物质中微量元素的LIBS稳定性研究. 激光与光电子学进展. 2018(07): 472-477 . 百度学术
4. 李文煜，章海锋，刘婷，马宇. 一种波束扫描固态等离子体超表面的设计. 激光技术. 2018(06): 822-826 . 本站查看
5. 马宇，章海锋，刘婷，李文煜. 一种波束扫描超材料天线的设计. 强激光与粒子束. 2018(10): 70-75 . 百度学术
其他类型引用(1)
计量
- 文章访问数: 9
- HTML全文浏览量: 1
- PDF下载量: 6
- 被引次数: 6