（1）米拉贝洛5.9级地震灾区。
表3.13为运用MCLU-MS算法采样后，利用光谱+纹理、几何、光谱+纹理+几何特征对灾场地物分类的结果。结果表明，加入新的训练样本后基于不同特征的灾场地物分类精度均有明显提高，总体分类精度分别为86.93%、74.15%、94.39%，对应的Kappa系数分别为0.82、0.64和0.92。其中，光谱+纹理和光谱+纹理+几何特征的分类结果对碎屑的分类精度增幅最大，分别从原来的28.48%和63.89%提高到80.05%和88.02%。其原因为：
（1）MCLU-MS算法采集碎屑样本的比例相对其在测试样本中的比例（5 141/55 859）有明显提高，分别为89/395和99/395。
（2）运用MCLU-MS算法采集的样本提高了训练器的训练参数，降低了对碎屑分类的不确定性。
表3.13 米拉贝洛震区增加训练样本后的点云分类精度
基于几何特征的分类结果对植被类别的分类精度有显著提高，由原来的33.63%提升到67.23%；相反，屋顶类别的用户精度稍有下降。其原因为：
（1）初始分类结果中被分成屋顶的点云数目少而其被正确分类的比例较大（7 540/8 472），使得原屋顶类别的分类精度较高。
（2）增加样本后被分成屋顶点云的数目显著增多，导致被正确分类的比例减小（12 285/15 828）。
图3.13（a）～（c）分别为运用MCLU-MS算法采样后，基于光谱+纹理、几何、光谱+纹理+几何特征对灾场地物的初始分类结果。结果表明：
（1）图3.13（a）的分类结果要明显好于图3.9（a）中的分类结果。图3.9（a）中屋顶被错分为墙面和碎屑的现象明显改善；图3.9（a）中被错分为碎屑的屋顶全部分类正确。
（2）图3.13（b）中的椒盐现象较图3.9（b）有明显减少，与基于光谱+纹理的分类结果类似；图3.13（c）中被分为屋顶的点云数目明显增多，尤其原来被错分为植被的屋顶除少部分（塔的顶部）被错分为墙面外，其他均被正确分为屋顶。
（3）图3.13（c）中所有地物基本全部分类正确，而且高度均一，没有椒盐现象出现；图3.13（c）中被错分为碎屑的点主要分布在地面与墙面的交叉处，这种现象在图3.13（a）中也存在，其原因是这些区域受建筑阴影遮挡，导致其光谱特征与碎屑的光谱特征相似而造成错判。尽管如此，原本属于碎屑的区域被完全分类正确，且被错分为碎屑的样本数目很少，不影响对灾情评估的精度。
图3.13 基于多尺度点特征的灾场点云初始分类结果（米拉贝洛震区）
（a）基于光谱+纹理特征；（b）基于几何特征；（c）基于光谱+纹理+几何特征
图3.14为采用条件随机场（CRF）模型优化后的分类结果。实验结果表明：采用CRF优化对基于光谱+纹理特征和基于几何特征的分类结果提升效果较小，而对基于光谱+纹理+几何特征的分类结果有较大提升，详见图3.14（c）中白色方框标注。
（2）芦山7.0级地震灾区。(www.xing528.com)
表3.14为增加训练样本运用MCLU-MS算法采样后，基于光谱+纹理、几何、光谱+纹理+几何特征对地物点云分类的结果。结果表明：新增样本后，基于光谱+纹理和光谱+纹理+几何特征的分类精度均有一定程度的提高，且提升幅度较大，而基于几何特征的分类精度提高幅度较小。首先，基于光谱+纹理特征的分类结果中低矮地物的分类精度提高幅度最大，为35%；其次是碎屑和地面，分别提高约10%；基于光谱+纹理+几何特征的分类结果中低矮地物的精度提升幅度最大（>20%）。此外，基于光谱+纹理+几何特征的分类结果中，各地物的用户精度均为95%以上，在灾场地物分类中表现出了极强的适用性。
图3.14 基于多尺度点特征和条件随机场优化的灾场点云分类结果（芦山震区）
（a）基于光谱+纹理特征；（b）基于几何特征；（c）基于光谱+纹理+几何特征
表3.14 芦山震区增加训练样本后的点云分类精度
本研究以光谱+纹理+几何特征分类为例，分析了加入随机采样的训练样本后各地物的分类结果。结果表明，随着训练样本数目的增多，各类地物的分类精度均有一定程度的提高；相对于运用MCLU-MS算法采样的分类结果，随机采样分类的总体精度和Kappa系数均较低，分别为94.97%、0.93；其中运用MCLU-MS算法采样对碎屑和低矮地物的分类精度较随机采样的分类精度提升较高，分别提高了6%、7%。
图3.15 基于多尺度点特征的灾场点云初始分类结果（芦山震区）
（a）基于光谱+纹理特征；（b）基于几何特征；（c）基于光谱+纹理+几何特征
图3.15（a）～（c）为运用MCLU-MS算法采样后分别利用光谱+纹理、几何、光谱+纹理+几何特征对芦山震区低空影像重建点云进行分类的结果。与米拉贝洛震区实验中的结果类似，光谱+纹理特征对植被的分类结果较好且类内均匀程度较高，但其对邻近建筑物的空间区分能力较弱，如空间上距离较近的建筑群较易被错分为一个整体；单纯利用几何特征的分类结果中存在一定的椒盐现象，且对碎屑、植被和地面的交叉错分现象较为严重，但是其对邻近建筑的空间分离能力较强。基于光谱+纹理+几何特征的分类结果充分体现了上述两种特征对地物分类的优势，既保留了光谱+纹理特征对于植被和地面较好的分类能力，又保留了几何特征对于邻近建筑空间可分性的优势，整体分类结果较好。与米拉贝洛震区分类结果类似，该震区道路和房屋的阴影区域被错分为碎屑的可能性较大，因此后续研究中可以依据阴影与地物之间的空间关系去除阴影对碎屑分类结果的干扰。Li等（2015）对高分影像中的阴影提取已做了很好的研究，这为本研究后续扩展到三维点云分类中提供了参考。
图3.16（a）～（c）为运用CRF算法对光谱+纹理、几何、光谱+纹理+几何特征的灾场云点分类后的优化结果。结果表明：
（1）基于光谱+纹理特征的分类结果经过CRF算法优化后，地面和屋顶地物间的错分类情况得到了改善，如图3.16（a）所示。
（2）基于光谱+纹理+几何特征的分类结果经过CRF算法优化后，地面、植被和低矮地物间的错分类情况也得到改善。
（3）基于几何特征的分类结果经过CRF算法优化后反而增加了新的错分类情况，主要体现在地面和碎屑类型的错误混淆。
图3.16 运用CRF算法对基于多尺度点特征的灾场点云分类优化结果（芦山震区）
（a）基于光谱+纹理特征；（b）基于几何特征；（c）基于光谱+纹理+几何特征
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
