三维(3D)点云数据在智能驾驶、遥感测量和虚拟现实等领域的应用越来越广泛。针对室外大场景, 提出了一种兼顾快速性与准确性的三维点云分类算法, 该算法首先对原始点云进行离群点去除, 并在现有地面滤波算法的基础上,结合点云法向量差信息滤除地面点; 然后再使用具有噪声的基于密度(DBSCAN)的聚类算法对非地面点云进行分割, 同时针对点云的过分割问题采用了就近融合的策略; 再提取出不同物体点云的全局特征, 包括垂直方向切片采样直方图和质心距直方图, 以及点云的二维投影图像方向梯度直方图(HOG)特征; 最后, 通过支持向量机(SVM)分类器分类, 得到较为精确的三维点云分类结果。实验结果表明:所提算法可以将复杂的室外大场景分类为较为准确的单个物体, 并且具有较高的精确率以及召回率; 相较于其他算法, 所提算法的效率有了较大提高。

河流是遥感图像中一种非常典型且重要的地理目标,对河流的自动检测在水资源调查及水利规划等方面有重大意义。在此提出了一种基于多特征融合和软投票方法的河流目标检测算法,该算法首先将图像分割成胞元,提取胞元的局部熵、纹理、光谱和颜色等特征,利用随机森林训练和分类,并利用基于形态学运算结合多判据投票法优化机器学习的粗检测结果,对优化后的粗检测结果利用水平集活动轮廓逼近河岸线。实验表明,该算法检测效果良好,对测试集的检测准确率达97.44%,在复杂背景下可以有效检测出河流。