徐宏根，王建超，鄭雄偉，吳 芳，李 遷

(1.中國(guó)國(guó)土資源航空物探遙感中心，北京 100083;2.中國(guó)地質(zhì)調(diào)查局武漢地質(zhì)調(diào)查中心，武漢 430205)

面向?qū)ο蟮闹脖慌c建筑物重疊區(qū)域的點(diǎn)云分類(lèi)方法

徐宏根1，2，王建超1，鄭雄偉1，吳 芳1，李 遷1

(1.中國(guó)國(guó)土資源航空物探遙感中心，北京 100083;2.中國(guó)地質(zhì)調(diào)查局武漢地質(zhì)調(diào)查中心，武漢 430205)

在分析LiDAR點(diǎn)云數(shù)據(jù)分類(lèi)現(xiàn)狀的基礎(chǔ)上，針對(duì)植被與建筑物重疊區(qū)域分類(lèi)困難的問(wèn)題，提出了一種基于面向?qū)ο蟮狞c(diǎn)云分類(lèi)方法。首先采用三角網(wǎng)漸進(jìn)內(nèi)插的濾波方法將點(diǎn)云分為地面點(diǎn)和非地面點(diǎn)，并得到DTM;然后對(duì)高出DTM一定高度的非地面點(diǎn)建立三角網(wǎng)，刪除較長(zhǎng)的三角網(wǎng)的邊(地物間的邊)，從而將非地面點(diǎn)云分割成多個(gè)對(duì)象;再利用各個(gè)對(duì)象內(nèi)的三角網(wǎng)坡度信息熵大小判斷該對(duì)象屬于植被或建筑物;最后對(duì)于難以區(qū)分的對(duì)象(植被與建筑物重疊區(qū))根據(jù)建筑物幾何規(guī)則形狀延伸擴(kuò)充，從而提高植被和建筑物重疊區(qū)的點(diǎn)云分類(lèi)準(zhǔn)確率。實(shí)驗(yàn)結(jié)果表明，該方法能夠很好地區(qū)分建筑物和植被點(diǎn)，分類(lèi)準(zhǔn)確率達(dá)到87%。

機(jī)載激光雷達(dá);點(diǎn)云分類(lèi);植被;建筑物;面向?qū)ο?/p>

0 引言

機(jī)載激光雷達(dá)(light detection and ranging，LiDAR)是近年來(lái)廣泛應(yīng)用于快速獲取精確地面三維數(shù)字信息的新型技術(shù)。目前，機(jī)載激光雷達(dá)技術(shù)已廣泛應(yīng)用于道路規(guī)劃、數(shù)字城市建模、林業(yè)調(diào)查、電力選線巡線及自然災(zāi)害的災(zāi)前預(yù)測(cè)、災(zāi)情勘測(cè)、災(zāi)后重建等領(lǐng)域。在這些應(yīng)用當(dāng)中，首要任務(wù)是把點(diǎn)云數(shù)據(jù)進(jìn)行分類(lèi)。近些年已經(jīng)提出了很多LiDAR數(shù)據(jù)的特征提取和數(shù)據(jù)過(guò)濾的算法，將激光點(diǎn)云進(jìn)行分類(lèi)，從而生成所需的數(shù)字產(chǎn)品。

Filin［1］將 LiDAR 數(shù)據(jù)作為單一數(shù)據(jù)源，對(duì)建筑物屋頂部分進(jìn)行了分類(lèi)研究;Vosselman［2］利用LiDAR數(shù)據(jù)所生成的地面模型和表面模型之差來(lái)提取建筑物;H?fle等［3］在LiDAR點(diǎn)云數(shù)據(jù)中利用基于對(duì)象的方法對(duì)冰川表面進(jìn)行了分割和分類(lèi)研究;Miliaresis［4］采用基于面向?qū)ο蟮姆椒◤腖iDAR點(diǎn)云數(shù)據(jù)提取建筑物點(diǎn)云數(shù)據(jù);Lodha等［5］利用SVM方法進(jìn)行LiDAR數(shù)據(jù)的分類(lèi)。大多數(shù)分類(lèi)算法是基于局部的相似性，如需要比較局部坡度差和高程差等，當(dāng)樹(shù)枝和建筑物頂部靠得很近時(shí)，則會(huì)造成建筑物與樹(shù)木被錯(cuò)誤地融合到一個(gè)類(lèi)別中而難以區(qū)分，這種情形在城市地區(qū)尤為普遍。因此本文在基于面向?qū)ο蠓诸?lèi)后，對(duì)植被和建筑物重疊區(qū)域還進(jìn)行了幾何規(guī)則化并擴(kuò)充，提高了建筑物點(diǎn)的識(shí)別率。

1 點(diǎn)云濾波

在LiDAR濾波時(shí)，需先建立區(qū)分地面點(diǎn)和非地面點(diǎn)的規(guī)則，該規(guī)則就是濾波算法的假設(shè)條件。主要的假設(shè)條件有兩種:①地面點(diǎn)低于非地面點(diǎn);②地面坡度變化在一定范圍之內(nèi)。濾波算法的關(guān)鍵問(wèn)題是如何利用判別規(guī)則和假設(shè)條件建立數(shù)學(xué)模型，區(qū)分地面點(diǎn)和非地面點(diǎn)。根據(jù)濾波算法原理的差異，可分為3類(lèi):形態(tài)學(xué)方法［6-7］、基于內(nèi)插的方法［8-10］和基于曲面擬合［11］的方法。形態(tài)學(xué)方法是以最低點(diǎn)為基礎(chǔ)計(jì)算出粗略的模型，再利用該粗略模型定義一個(gè)高程緩沖區(qū)，在緩沖區(qū)內(nèi)的點(diǎn)接受為地面點(diǎn);基于曲面擬合方法是將地面看作連續(xù)且平緩變化的表面，可用帶限制條件的參數(shù)曲面約束分類(lèi);基于內(nèi)插的方法是線性最小二乘內(nèi)插后激光腳點(diǎn)高程擬合殘差不服從正態(tài)分布，高出地面的地物點(diǎn)高程擬合殘差都為正值，且偏差較大。本文采用文獻(xiàn)［10］中的三角網(wǎng)漸進(jìn)內(nèi)插的濾波方法區(qū)分地面點(diǎn)和非地面點(diǎn)。

2 研究方法與思路

2.1 基于面向?qū)ο蟮狞c(diǎn)云分類(lèi)方法總體流程

點(diǎn)云濾波后得到地面點(diǎn)和非地面點(diǎn)。非地面點(diǎn)中包含建筑物、植被和小面積物體。先利用區(qū)域分割的方法，將地物進(jìn)行分割，并排除小面積物體;再統(tǒng)計(jì)各個(gè)地物的坡度信息熵，利用建筑物表面平坦信息熵小的原理對(duì)建筑物和植被進(jìn)行分割，若分割不成功，則采用基于幾何特征約束的方法對(duì)植被和建筑物重疊區(qū)域進(jìn)行分割，其流程如圖1所示。

圖1 點(diǎn)云分類(lèi)流程Fig.1 Flow char of point cloud classification

1)將非地面點(diǎn)的高程減去地面點(diǎn)所構(gòu)成的DTM，得到各非地面點(diǎn)的高度，將高度大于某設(shè)定閾值(如0.5m)的點(diǎn)建立三角網(wǎng)。

2)區(qū)域分割。在植被或建筑物區(qū)域，非地面點(diǎn)密度大于裸露地表區(qū)域的密度，因此在植被或建筑物區(qū)域的非地面點(diǎn)所建立的三角網(wǎng)比較密集，邊長(zhǎng)較短;而在裸露地面區(qū)域的非地面點(diǎn)所建立的三角網(wǎng)比較稀疏，邊長(zhǎng)較長(zhǎng)。刪除邊長(zhǎng)大于設(shè)定閾值的邊后，三角網(wǎng)被分割成多個(gè)小三角網(wǎng)(每個(gè)小三角網(wǎng)為一個(gè)對(duì)象)。

3)統(tǒng)計(jì)各個(gè)對(duì)象的面積，若面積大于設(shè)定閾值，則該對(duì)象被判為植被或建筑物，轉(zhuǎn)到下一步;否則，為小面積物體，本文對(duì)該類(lèi)不識(shí)別;

4)利用建筑物表面平坦，其對(duì)應(yīng)的坡度信息熵小的原理區(qū)分建筑物和植被;

5)若基于坡度信息熵方法無(wú)法區(qū)分建筑物和植被，則采用建筑物幾何約束的方法對(duì)植被和建筑物重疊區(qū)的點(diǎn)云進(jìn)行分類(lèi)。

2.2 基于信息熵的植被和建筑物點(diǎn)云分類(lèi)

采用基于坡度信息熵的方法分割建筑物和植被的流程如圖2所示。

圖2 建筑物和植被點(diǎn)云分類(lèi)Fig.2 Point cloud classification of building and vegetation

與植被表面相比，建筑物表面比較平滑，即建筑物點(diǎn)所構(gòu)成的三角網(wǎng)的各個(gè)法向量方向比較一致;而植被點(diǎn)所構(gòu)成的三角網(wǎng)的各個(gè)法向量方向相差很大。因此，可按下面的步驟判斷某個(gè)對(duì)象是植被還是建筑物:

解算得出。求出法向量后，再根據(jù)相應(yīng)公式求出該法向量與水平面所構(gòu)成的傾斜角α。

2)統(tǒng)計(jì)傾斜角在各個(gè)角度區(qū)間的個(gè)數(shù)及其對(duì)應(yīng)的概率，本文角度區(qū)間間隔設(shè)為10°，共9個(gè)角度區(qū)間。

首先，統(tǒng)計(jì)在各個(gè)角度區(qū)間的三角形個(gè)數(shù)，如圖3所示。

圖3 植被和建筑物的法向量角度統(tǒng)計(jì)直方圖Fig.3 Histogram of vegetation and building on vector angle

然后，計(jì)算各角度區(qū)間三角形出現(xiàn)的概率p(xi)，即

式中:mi表示第i個(gè)角度區(qū)間內(nèi)的三角形個(gè)數(shù);M表示總的三角形個(gè)數(shù)。

3)計(jì)算該對(duì)象的坡度角信息熵Entropy，即

式中n為角度區(qū)間個(gè)數(shù)。

4)從圖3可以看出，若是建筑物，則該對(duì)象的三角形坡度方向主要聚集在個(gè)別角度區(qū)間內(nèi);而植被點(diǎn)，則分散在各個(gè)角度區(qū)間內(nèi)。因此，可以根據(jù)坡度信息熵大小來(lái)區(qū)分植被和建筑物。若信息熵小于閾值t1，則該對(duì)象為建筑物;若信息熵大于閾值t2，則該對(duì)象為植被;否則為植被和建筑物重疊區(qū)，即

式中:E=Entropy(x)/M;0＜t1＜t2。根據(jù)多組實(shí)驗(yàn)數(shù)據(jù)測(cè)試，t1=0.01，t2=0.05能夠取得較好的分類(lèi)結(jié)果。如果是植被則根據(jù)其平均高度可分為低矮、中等和高大植被3種。

2.3 植被和建筑物重疊區(qū)分割方法

當(dāng)某區(qū)域的E值在t1和t2之間時(shí)，其分類(lèi)的正確率不高。這種情況主要出現(xiàn)在植被覆蓋了部分建筑物。為了正確分離植被和建筑物，本文利用建筑物的幾何約束特征對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行分類(lèi)。

由于人工建筑物的幾何表面存在嚴(yán)格的點(diǎn)、線、面的幾何特征關(guān)系，如建筑物邊緣一般由直線構(gòu)成，而建筑物屋頂一般由平面構(gòu)成;并且絕大部分人工建筑物的外形可以用棱柱體來(lái)描述，因?yàn)槠湟话憔哂斜容^規(guī)則的形狀，其中一個(gè)突出的特點(diǎn)就是建筑物的外邊緣線段常常是互相垂直或平行的，為此可對(duì)提取的建筑物邊緣線進(jìn)行規(guī)則化處理。因此本文基于這種假設(shè)，對(duì)植被遮擋的建筑物區(qū)域再次進(jìn)行點(diǎn)云分類(lèi)。其流程為:

首先，提取無(wú)植被遮擋的建筑物區(qū)域;然后，根據(jù)無(wú)植被遮擋的建筑物區(qū)域的點(diǎn)云提取概略的建筑物邊緣;最后，將建筑物規(guī)則化，并重新分類(lèi);

2.3.1 提取無(wú)植被遮擋的建筑物區(qū)域

在無(wú)植被遮擋的建筑物區(qū)域具備2個(gè)特征:①回波次數(shù)大部分為1;②坡度角度大致相同。因此利用這2個(gè)特點(diǎn)可以快速提取無(wú)遮擋的建筑物區(qū)域。首先，將該對(duì)象區(qū)域的非地面點(diǎn)云數(shù)據(jù)進(jìn)行規(guī)則格網(wǎng)組織;然后，統(tǒng)計(jì)各個(gè)格網(wǎng)內(nèi)平均回波次數(shù)，并統(tǒng)計(jì)該區(qū)域內(nèi)各三角形的坡度角信息熵;最后，逐個(gè)格網(wǎng)判斷，若平均回波次數(shù)小于設(shè)定值(本文取1.1)并且坡度信息熵小于設(shè)定值(本文取0.01)，則該區(qū)域?yàn)闊o(wú)遮擋的建筑物區(qū)域。

2.3.2 提取概略的建筑物邊緣

采用張靖等［12］提出的基于等高線提取建筑物模型的方法提取建筑物的概略邊緣。首先，通過(guò)對(duì)無(wú)植被遮擋的建筑物點(diǎn)云數(shù)據(jù)的三角網(wǎng)跟蹤提取等高線;然后，利用等高線的長(zhǎng)度、面積等形狀參數(shù)來(lái)提取建筑物等高線;再通過(guò)拓?fù)浞治觯约靶螤钇ヅ涞姆椒▽?duì)等高線進(jìn)行分簇，得到同一建筑物不同組成部分的等高線簇;最后，對(duì)各簇等高線進(jìn)行模型參數(shù)優(yōu)化，并按拓?fù)潢P(guān)系進(jìn)行重組建筑物模型。

2.3.3 根據(jù)建筑物幾何特征進(jìn)行規(guī)則化和擴(kuò)展

經(jīng)2.3.2節(jié)提取的建筑物邊緣是不規(guī)則的，如圖4(a)所示，并且也不完整。因此需要對(duì)邊緣進(jìn)行規(guī)則化，并補(bǔ)充被植被遮擋的區(qū)域。

圖4 建筑物規(guī)則化示意圖Fig.4 Schematic diagram of regularizating building

由于大部分人工建筑物一般都是規(guī)則的多邊形輪廓，即建筑物相鄰兩條邊之間的夾角為90°，并且相對(duì)的兩條線是平行的，因此可以根據(jù)該幾何特征進(jìn)行規(guī)則化并擴(kuò)展。具體步驟如下:

首先，將邊緣線分段，即相鄰兩邊的夾角大于135°時(shí)，認(rèn)為這兩邊屬于同一線段;然后，將屬于同一線段的邊緣線重新擬合成一條直線;再根據(jù)相鄰平行線一般是等長(zhǎng)的情況，將建筑物邊緣進(jìn)行擴(kuò)展，如圖4(b)所示;最后，根據(jù)擴(kuò)展后的邊緣重新分類(lèi)。若點(diǎn)離建筑物面的距離小于設(shè)定閾值，則認(rèn)為該點(diǎn)為建筑物點(diǎn)，否則為植被點(diǎn)。

3 實(shí)驗(yàn)

3.1 實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)中所用的數(shù)據(jù)是2009年在敦煌市區(qū)采集的，選取其中一塊進(jìn)行實(shí)驗(yàn)，該數(shù)據(jù)按高程顯示如圖5所示。

圖5 原始點(diǎn)云(按高程顯示)Fig.5 Original point clounds(displayed on elevation)

3.2 點(diǎn)云濾波

采用漸進(jìn)三角網(wǎng)加密方法對(duì)原始點(diǎn)云數(shù)據(jù)進(jìn)行濾波，得到地面點(diǎn)(黃色點(diǎn))和非地面點(diǎn)(白色點(diǎn))，結(jié)果如圖6所示。

圖6 點(diǎn)云濾波結(jié)果Fig.6 Point clouds after filtered

3.3 基于坡度信息熵的點(diǎn)云分類(lèi)測(cè)試

濾波后，將非地面點(diǎn)云數(shù)據(jù)的高程減去地面點(diǎn)所構(gòu)成的DTM，得到各個(gè)點(diǎn)的高度。對(duì)高度大于0.5 m的點(diǎn)云建立三角網(wǎng)。然后刪除三角網(wǎng)中邊長(zhǎng)大于0.5 m的邊，就會(huì)得到多個(gè)子三角網(wǎng)，對(duì)每個(gè)子三角網(wǎng)的坡度計(jì)算信息熵。圖7(a)的點(diǎn)云所構(gòu)成的三角網(wǎng)的坡度信息熵為0.114，而圖7(b)的點(diǎn)云所構(gòu)成的三角網(wǎng)的坡度信息熵為0.008。

圖7 基于坡度信息熵的點(diǎn)云分類(lèi)結(jié)果Fig.7 Classified result of point clouds based on slope information

3.4 重疊區(qū)分類(lèi)

對(duì)于難于區(qū)分的重疊區(qū)域，經(jīng)過(guò)幾何規(guī)則化和擴(kuò)展，并將點(diǎn)云重新分類(lèi)，分類(lèi)結(jié)果如圖8所示。

圖8 重疊區(qū)分類(lèi)結(jié)果Fig.8 Classification result of overlapping area

3.5 分類(lèi)正確率

為了統(tǒng)計(jì)分類(lèi)方法的正確率，將解譯結(jié)果進(jìn)行比較(表1)。

表1 分類(lèi)正確率Tab.1 Classification accuracy (%)

表1中，方案1是采用文獻(xiàn)［1］中的方法;方案2是采用本文的基于坡度信息熵的分類(lèi)方法，處理重疊區(qū)前的準(zhǔn)確率;方案3是采用本文方法，處理重疊區(qū)后的準(zhǔn)確率。表中植被點(diǎn)誤分率是指其他類(lèi)被識(shí)別成植被的錯(cuò)誤率，建筑物誤分率是指其他類(lèi)被識(shí)別成建筑物的錯(cuò)誤率。

從表1中可以看出，本文方法在未處理重疊區(qū)時(shí)，與方案1相當(dāng);而在考慮建筑物幾何規(guī)則約束的基礎(chǔ)上對(duì)重疊區(qū)分類(lèi)，建筑物點(diǎn)的正確率有所提高，植被點(diǎn)的誤分率明顯下降，并且總體識(shí)別率顯著提高。

4 結(jié)論與展望

本文將非地面點(diǎn)按對(duì)象進(jìn)行分組，利用建筑物點(diǎn)云比植被點(diǎn)云數(shù)據(jù)所建立的三角網(wǎng)的坡度更一致的原理，有效地區(qū)分了植被和建筑物;而在植被和建筑物重疊區(qū)域根據(jù)建筑物的幾何形狀拓展分類(lèi)，解決了重疊區(qū)分類(lèi)困難的問(wèn)題，明顯提高了重疊區(qū)的分類(lèi)精度。

每種數(shù)據(jù)所包含的數(shù)據(jù)量都是有限的，要想靠獨(dú)立的數(shù)據(jù)處理系統(tǒng)實(shí)現(xiàn)單數(shù)據(jù)源數(shù)據(jù)處理的自動(dòng)化往往不太現(xiàn)實(shí)，因此融合多源數(shù)據(jù)進(jìn)行點(diǎn)云濾波分類(lèi)是今后點(diǎn)云數(shù)據(jù)處理的發(fā)展趨勢(shì)，也是點(diǎn)云數(shù)據(jù)處理向高精度、高自動(dòng)化程度發(fā)展的新方向。

［1］Filin S，Pfeifer N.Segmentation of Airborne Laser Scanning Data Using a Slope Adaptive Neighborhood［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2006，60(2):71-80.

［2］Vosselman G，Dijkman S.3D Building Model Reconstruction from Point Clouds and Ground Plans［J］.International Aachives of Photogrammetry Remote Sensing and Spatial Information Sciences，2001，34(3/w4):37-44.

［3］H?fle B，Geist T，Rutzinger M，et al.Glacier Surface Segmentation Using Airborne Laser Scanning Point Cloud and Intensity Data［J］.Remote Sensing and Spatial Information Sciences，2007(3/w52):195-200.

［4］Miliaresis G，Kokkas N.Segmentation and Object-based Classification for the Extraction of the Building Class from LiDAR DEMs［J］.Computers ＆ Geosciences，2007，33(8):1076-1087.

［5］Lodha S K，Kreps E J，Helmbold D P，et al.Aerial LiDAR Data Classification Using Support Vector Machines(SVM)［C］//Proceedings of the Conference on 3DPVT，2006，3(4):567-574.

［6］Chen Q，Gong P，Baldocchi D，et al.Filtering Airborne Laser Scanning Data with Morphological Methods［J］.Photogrammetric Engineering and Remote Sensing，2007，73(2):175.

［7］Zhang K Q，Chen S C，Whitman D，et al.A Progressive Morphological Filter for Removing Nonground Measurements from Airborne LiDAR Data［J］.IEEE Transactions on Geoscience and Remote Sensing，2003，41(4):872-882.

［8］Kraus K，Rieger W.Processing of Laser Scanning Data for Wooded Areas［J］.Fritsch and Spiller，Editors，Photogrammetric Week，1999，99:221-231.

［9］Lee H S，Younan N H.DTM Eextraction of LiDAR Returns Via Adaptive Processing［J］.IEEE Transactions on Geoscience and Remote Sensing，2003，41(9):2063-2069.

［10］Axelsson P.DEM Generation from Laser Scanner Data Using Adaptive TIN Models［J］.International Archives of Photogrammetry and Remote Sensing，2000，33(B4/1;PART 4):110-117.

［11］Elmqvist M，Jungert E，Lantz F，et al.Terrain Modelling and Analysis Using Laser Scanner Data［J］.IAPRS，2001，34(3/w4):219-224.

［12］張 靖，李樂(lè)林，江萬(wàn)壽.基于等高線簇分析的復(fù)雜建筑物模型重建方法［J］.地球信息科學(xué)學(xué)報(bào)，2010，12(5):641-648.

Object-based Point Clouds Classification of the Vegetation and Building Overlapped Area

XU Hong-gen1，2，WANG Jian-chao1，ZHENG Xiong-wei1，WU Fang1，LI Qian1
(1.China Aero Geophysical Survey and Remote Sensing Center for Land and Resources，Beijing 100083，China;2.Wuhan Center of Geological Survey，Wuhan 430205，China)

This paper proposes an object-oriented point clouds classification method for solving the difficult classification problem for the overlapping between vegetation and buildings based on reviewing current status of LiDAR point clouds classification approaches.In the proposed method，the point clouds are firstly separated into ground points and non-ground points through adaptive TIN filter method，and the DTM is obtained.Second，a triangle network is constructed for non-ground points higher than DTM.The non-ground point clouds could be divided into multi-objects by removing longer edges(edge between ground and object).Then，the object is judged to decide whether it belongs to vegetation or building according to its information entropy of triangle network slope.Finally，for objects difficult to be distinguished from other objects，the overlapped area between vegetation and buildings is extended by geometric shape of buildings，so that the accuracy of point clouds classification of the overlapped area could be improved.The experiment results show good classification performance for buildings and vegetation，and the accuracy reaches 87%.

light detection and ranging(LiDAR);classification of point clouds;vegetation;building;objectbased

P 237.3

A

1001-070X(2012)02-0023-05

徐宏根(1979-)，男，博士，主要研究LiDAR數(shù)據(jù)分析處理、衛(wèi)星遙感數(shù)據(jù)處理、遙感地質(zhì)應(yīng)用等。E-mail:honggen_xu@163.com。

(責(zé)任編輯:邢 宇)

10.6046/gtzyyg.2012.02.05

2011-07-04;

2011-07-20

中國(guó)國(guó)土資源航空物探遙感中心對(duì)地觀測(cè)技術(shù)工程實(shí)驗(yàn)室，航遙青年創(chuàng)新基金項(xiàng)目(編號(hào):2010YFL14)資助。