一种基于机载激光雷达的最适点云密度预测方法

1.一种基于机载激光雷达的最适点云密度预测方法，其特征在于，包括：S1、通过机载激光雷达获取高密度原始点云和正射影像，并进行预处理，得到数据源；S2、利用数据源制作用于训练的数据集；S3、使用数据集训练ICP-NN模型；其中，ICP表示Inductive Conformal Predictor框架；S3包括：S31、通过数据集训练神经网络模型，得到训练好的神经网络模型；S32、使用归纳共性预测算法辅助神经网络，得到ICP-NN模型；S4、将待处理的高密度原始点云和正射影像输入训练后的ICP-NN模型，得到最适点云密度的预测区间；S4中，ICP-NN模型得到最适点云密度的预测区间的方法包括：S41、设置ICP-NN模型的预测区间执行度ε，计算未标记的数据x的预测集Γ ε (x)；预测集Γ ε (x)的表达式为：其中，H(.)是Heaviside阶跃函数，A(x,y)＝|y-m(η；X)|/σ(θ；x)为数据点(x,y)的NCM值，m和σ为两个结构和类型相同的机器学习模型，η和θ为训练好的神经网络模型中的权值集合，A(x j ,y j )为数据Z j 对应的NCM值，x j ,y j 分别为数据Z j 对应的输入变量和目标标签，数据Z j 为独立同分布的数据组{Z 1 ,Z 2 ,...,Z k ,...,Z l ,...,Z n }中的任一数据，x为未标记数据，y为未标记数据x对应的真实目标值，R为实数，l和k均表示数据组的范围节点；S42、根据预测集Γ ε (x)的约束，将预测集Γ ε (x)转化为最适点云密度的预测区间；预测集Γ ε (x)的约束为：Pr(y i ∈Γ ∈ (x i ))≥1-ε其中，Pr(.)表示联合分布；最适点云密度的预测区间为 其中， q为校准集中所有数据的ε分位数。 2.根据权利要求1所述的基于机载激光雷达的最适点云密度预测方法，其特征在于，所述S1包括：S11、通过机载激光雷达进行数据采集，获取高密度原始点云和正射影像；S12、将POS数据导入正射影像，并使用空三解算获取目标点；S13、根据目标点进行网络构建，得到处理后的正射影像；S14、对高密度原始点云进行波段拼接和波段调整，得到处理后的点云；S15、对处理后的点云进行自动分类并过滤掉噪音，得到地面点云；S16、根据地面点云构建数字高程模型；S17、将处理后的正射影像和数字高程模型作为数据源。 3.根据权利要求2所述的基于机载激光雷达的最适点云密度预测方法，其特征在于，所述S2包括：S21、提取数据源中的点云个数以及地面点云个数；S22、计算数据源的地表植被覆盖情况；S23、根据数据源的地理环境、地表植被覆盖情况、点云个数以及地面点云个数，制作用于训练的数据集。 4.根据权利要求3所述的基于机载激光雷达的最适点云密度预测方法，其特征在于，所述S22中，使用植被郁闭度表征地表植被覆盖情况。 5.根据权利要求1所述的基于机载激光雷达的最适点云密度预测方法，其特征在于，所述独立同分布的数据组{Z 1 ,Z 2 ,...,Z k ,...,Z l ,...,Z n }中，{Z 1 ,Z 2 ,...,Z k }为训练集，{Z k+1 ,...,Z l }为校准集，{Z l+1 ,...,Z n }为测试集。