熊 艳，高仁强，徐战亚

1. 中国地质大学(武汉)信息工程学院，湖北 武汉 430074； 2. 北京大学遥感与地理信息系统研究所，北京 100871

机载LiDAR技术作为一种全新的测绘技术，具有快速获取大范围、高密度、高精度的地面信息的优势，已在城市规划、地形制图、自然灾害监测方面得到广泛应用[1-2]。点云分类是激光点云数据后处理的一个重要环节，也是目前摄影测量与遥感领域的重要研究方向之一[3]。在实际的点云分类应用中，受点云的噪声、离散性、密度的不均匀性以及地物形态的多样性等因素的影响，自动化、高精度的点云分类依然面临着巨大挑战。

目前的点云分类方法主要有以下几种解决思路。①将LiDAR点云内插生成高程或者强度影像，然后从图像中提取一些基本的统计特征参数并采用基于像素或者对象的分类方法进行地物分类[4-7]。这种方式虽然能取得较好的效果，但是内插会带来计算误差，而且将三维点云转为二维栅格数据来处理有信息损失。②直接根据点云的三维空间信息选择合适的空间邻域结构，邻域的选择形式包括K近邻、球体邻域、圆柱体邻域或立方体邻域，然后提取反映地物类型差异的几何特征参数，并借助相关的机器学习算法进行分类[8-10]。这种方法的难点在于邻域的确定受空间邻域尺度的影响。对于最佳空间邻域尺度的确定，大多学者是通过反复的尝试或者凭借经验获得，可指导性不强，也有学者尝试采用多尺度的方式解决，但是不加筛选的添加邻域尺度将导致特征维数的急剧增大，给数据处理带来巨大负担。……