准备点云训练数据 (3D Analyst 工具)
汇总
用于生成相应数据，这些数据用于训练和验证点云分类模型。
用法
查看输入点云，以确保针对感兴趣对象对其点进行良好分类。 分类模型的质量将取决于用于训练和验证的数据的质量。 如果需要改进点云的分类，请考虑以交互方式编辑点分类。
点云训练数据由扩展名为
.pctd的目录定义，该目录包含两个子目录，一个子目录包含将用于训练分类模型的数据，另一个子目录包含将用于验证经过训练的模型的数据。 必须始终指定输入点云，因为它将提供用于训练的数据源。 可以定义训练边界，以限制导出用于训练的点。 同时还需要验证数据，可以通过执行以下任一操作来指定验证数据：提供验证点云。 该数据集必须引用与输入点云不同的点集。
提供具有验证边界的验证点云。 由此将根据与验证边界重叠的验证点云部分创建验证数据。
提供不含验证点云的训练边界和验证边界。 由此将根据与训练边界相交的输入点云部分创建训练数据，并根据与验证边界相交的输入点云部分创建验证点云。 边界要素不得相互重叠。
输入点云应具有相当一致的点密度。 评估点云以确定其是否包含点密度较高的位置，例如通过重叠飞行测线测量或闲置地面扫描仪采集的区域。 对于具有重叠航线的机载激光雷达数据，可使用 分类 LAS 重叠 工具标记重叠点，以实现更一致的点分布。 具有过采样热点的其他类型的点云可以使用 稀疏化 LAS 工具稀疏化为常规分布。
点云中的点可以通过其类代码从训练数据中排除，以通过减少必须处理的点的数量来帮助提高训练模型的性能。 排除的点应该属于可以轻易分类的类，并且不一定为正在训练模型的对象提供足够的上下文。 考虑过滤掉分类为重叠或噪点的点。 如果在训练数据的生成期间计算距地面的高度，则还可以过滤出地面分类点。
可以将参考高度信息合并到训练数据中，从而为训练过程提供其他属性。 该操作是通过在参考表面参数中指定栅格来完成的。 此栅格用于派生出每个重叠点的相对高度属性。 该属性通过获取每个点的 z 值，并通过双线性插值从栅格中减去获取的高度来计算。 包含此信息有助于区分与栅格表面具有不同相对高度范围的对象。 此外，该信息还可为神经网络推断方向关系提供另一项依据。 例如，在训练电力线并使用地面高程栅格作为参考表面时，电力线点可能会位于地面以上的特定相对高度范围内。 此外，当参考高度基于地面高程时，一旦地面点的存在无法为识别感兴趣对象提供有用的上下文，则参考高度可以提供用于消除训练数据中所包含地面点的前文本。 神经网络将尝试学习在训练期间提供给它的所有数据的分类。 由于可以 使用分类 LAS 地面点 工具实现高质量的地面分类，因此无需训练神经网络以识别地面点并将其与其他类进行区分。 地面点（通常由类 2 表示，有时也由类 8 和类 20 表示）可以通过在排除类代码参数中将其列出来排除。 完成此操作后，神经网络将以更高的速度处理训练数据，原因是地面点通常占激光雷达测量中捕获的总点数的一半左右。
用作参考表面参数输入的栅格表面可以通过过滤 LAS 数据集并使用 LAS 数据集转栅格 工具从 LAS 点的子集（例如地面分类点）生成。 可以使用分类代码、返回值和分类标志的任意组合来过滤 LAS 数据集中所需的点子集。 可以通过 LAS 数据集图层的属性对话框或 创建 LAS 数据集图层 工具应用点过滤器。 也可以使用 点云转栅格 工具从点云场景图层生成栅格表面。
排除类代码参数可用于忽略与类代码关联的、无法提供用于推断如何识别感兴趣对象的有用上下文的点。 省略这些点，可以通过减少被评估的点的数量来提高训练过程的速度。 例如，构建分类点通常对于训练交通灯、电线和其他资产等对象的分类模型并不重要。 也可以使用 分类 LAS 建筑物 工具对建筑物点进行可靠分类。 将代表建筑物的类 6 指定为已排除的类将会从训练数据中忽略建筑物点。 任何将使用通过已排除类训练的模型的点云都应该在应用模型之前对这些类进行分类。 这些类还应在 使用训练模型对点云进行分类 和 评估点云训练数据 工具的排除类代码参数中列出，以便模型可以使用与用于训练模型的数据的特征相匹配的点云来推断其分类。
块的点限制应反映数据的块大小和平均点间距。 给定块中的点数可以使用 用作栅格数据的 LAS 点统计 工具进行估算，方法参数设置为点计数选项并将所需的块大小作为输出栅格的像元大小。 此栅格的 影像直方图 可以说明数据集中每个块的点分布。 如果直方图显示具有大幅变化的大量块，则其可以指示存在包含密集点集合构成的潜在热点的不规则采样数据。 如果块包含的点多于块的点限制，则将多次创建该块，以确保在训练数据中表示其所有点。 例如，如果点限制为 10,000，并且给定的块包含 22,000 个点，则将创建三个包含 10,000 个点的块，以确保每个块中的均匀采样。 还应该避免块的点限制显著高于大多数块的标称点数量的情况。 在一些架构中，数据会进行上采样以满足点限制。 由于这些原因，使用与覆盖训练数据中的大多数块的预期点计数接近的块大小和块点限制。 创建训练数据后，工具的消息窗口中将显示直方图，并将其图像存储在包含训练数据和验证数据的文件夹中。 可以检查该直方图以确定是否指定了适当的块大小和点限制组合。 如果这些值指示点限制欠佳，则使用更合适的块点限制参数值重新运行工具。
确保将输出写入具有足够磁盘空间以容纳训练数据的位置。 此工具创建未压缩 HDF5 文件的部分重叠块，这些文件复制四个块中的每个点。 在超过最大点限制的块中，某些点可能重复四次以上。 生成的训练数据占用的磁盘空间至少是源点云数据的三倍。
参数
| 标注 | 说明 | 数据类型 |
|---|---|---|
|
输入点云 |
将用于创建训练数据的点云，如果未提供验证点云，则可能用于创建验证数据。 在这种情况下，必须同时定义训练边界和验证边界。 |
LAS Dataset Layer; File |
|
块大小 |
将从输入点云创建的每个训练数据块的直径。 一般规则是块大小应该足够大，以捕获感兴趣的对象及其周围的上下文。 |
Linear Unit |
|
输出训练数据 |
输出训练数据（ |
File |
|
训练边界要素 （可选） |
用于描绘输入点云中点的子集的面要素，该子集将用于训练模型。 未提供验证点云参数值时，此参数是必需的。 |
Feature Layer |
|
验证点云 （可选） |
在训练过程中将用于验证深度学习模型的点云。 此数据集必须引用与输入点云不同的点集，以确保训练模型的质量。 如果未提供验证点云，则可通过为训练边界要素和验证边界要素参数提供面要素类，使用输入点云来定义训练和验证数据集。 |
LAS Dataset Layer; File |
|
验证边界要素 （可选） |
描绘在训练过程中用于验证模型的点子集的面要素。 如果未提供验证点云，则点将源自输入点云，并且训练边界要素参数将需要面。 |
Feature Layer |
|
按类代码过滤块 （可选） |
将用于限制导出的训练数据块的类代码。 块中所有至少包含一个为此参数列出的值的点都将被导出，但排除类代码参数中指定的类或标记为保留点的点除外。 可以指定 0 到 255 范围内的任何值。 |
Value Table |
|
块点限制 （可选） |
每个训练数据块中将允许的最大点数。 当块包含的点超过此值时，将在同一位置创建多个块，以确保在训练时使用所有点。 默认值为 8,192。 |
Long |
|
参考表面 （可选） |
将用于为点云数据中的每个点提供相对高度值的栅格表面。 在分析中，将不考虑不与栅格重叠的点。 |
Raster Layer |
|
排除类代码 （可选） |
将从训练数据中排除的类代码。 可以指定 0 到 255 范围内的任何值。 |
Long |
环境
当前工作空间, 临时工作空间, 范围, 并行处理因子, 输出坐标系, 地理变换
许可信息
- 基本: 需要 3D Analyst
- 标准: 需要 3D Analyst
- 高级: 需要 3D Analyst