張　蕾萬芳琦

（1.江西省測繪成果質量監(jiān)督檢驗測試中心　江西南昌　330209；2.江西省地理國情監(jiān)測遙感院　江西南昌　330209）

融合地表覆蓋分類數據的LIDAR點云詳細分類

張蕾1萬芳琦2

（1.江西省測繪成果質量監(jiān)督檢驗測試中心江西南昌330209；2.江西省地理國情監(jiān)測遙感院江西南昌330209）

摘要：LiDAR點云數據包含有豐富的建筑物信息和植被信息，這些信息在各個領域均發(fā)揮著重要的作用，目前對LiDAR數據的詳細分類的主要辦法是借助與DOM數據進行人工判讀，根據影像紋理繪制地類界線完成詳細分類工作。研究一種基于LCA數據對LIDAR點云詳細分類的方法，通過對實驗數據的可行性分析，為LIDAR點云的詳細分類提供一條新思路。

關鍵詞：LiDAR；點云；詳細分類；地表覆蓋分類數據

1　引言

利用各種濾波算法可將機載LiDAR點云數據分為地面點集和非地面點集。地面點集中包含有地形數據點、道路數據點、水系及設施數據點等，可以構TIN生成DEM數據，進一步詳細分類還可以獲取道路信息、水系設施信息等；非地面點集主要包含有建筑物數據點和植被數據點，可進一步分類得到建筑物信息和植被信息。

非地面點云數據中包含有豐富的建筑物信息和植被信息，它們在數字城市建設中發(fā)揮著重要的作用。尤其是建筑物信息，建筑物提取與三維重建已經成為計算機視覺、攝影測量、數字城市建設等多個學科和領域的研究重點，也是這些領域的研究熱點與難點。

但LIDAR數據實現自動化精確化的地物詳細分類與識別具有很大難度。LIDAR數據精度高，但缺乏必要的特征信息，無法根據其屬性直接判讀地物類型。現階段對LIDAR數據的詳細分類的主要辦法是借助與DOM數據進行人工判讀，根據影像紋理繪制地類界線完成詳細分類工作。

第一次地理國情普查成果地表覆蓋分類數據（LCA）包含了大量的地表信息，具有無縫、全覆蓋、精度高等特點，這些信息用于輔助LIDAR數據詳細分類是一個很好的選擇。

本文研究一種基于LCA數據對LIDAR點云詳細分類的方法，并通過實驗數據進行可行性分析，為LIDAR點云的詳細分類提供一條新思路。

2　分類流程

2.1數據預處理

LAS1.0版LIDAR標準格式是由美國攝影測量與遙感（ASPRS）協會2003年開始發(fā)布的，LAS1.0定義了LAS格式的基本框架，包括公共文件頭區(qū)，變長記錄區(qū)和點集記錄三部分。經過改進，目前有4種版本，分別是LAS1.0，1.1，1.2與2.0。本文在ArcGIS平臺下采用最基礎的LAS1.0數據進行詳細分類實驗。

在ArcGIS中，LIDAR數據是通過LAS數據集進行管理的，LAS數據集提供了一種快速訪問大量的激光雷達和表面數據而無需進行數據轉換和導入的方法。LAS數據集允許我們以原生格式方便快捷地檢查LAS文件，并在 LAS文件中提供了激光雷達數據的詳細統(tǒng)計數據和區(qū)域coverage。但在ArcGIS平臺下無法對LAS數據進行屬性編輯，為了能夠使用ArcGIS強大的空間分析功能進行自動詳細分類，需要將LAS數據轉換成SHP文件。

利用ArcToolbox工具進行LAS數據轉換，3D AnalystTools-Conversion-FromFile-LASto Multipiont工具，將LAS數據轉換成多點shp文件，在這里需要注意InputClassCodes（optional）的選取值，輸入合理的數值，將地面點集和非地面點集輸出至不同的SHP文件。

然后將多點文件轉換成單點文件，便于空間分析 。利 用 ADataManagementTools-Features-MultipartToSinglepart工具，將點云轉換成單點shp文件（圖1）。

2.2點云數據與LCA數據對照分類

已經完成地面點集與非地面點集分類的LIDAR數據進行詳細分類，需分別從地面點集和非地面點集中分離出更豐富的信息，此過程需要借助外部數據進行人工判讀或自動分類；LCA記錄了地表覆蓋分類數據，表現形式為無縫拼接的面，屬性字段CC記錄了各要素的分類信息。我們只需找到詳細分類信息與地表覆蓋分類信息之間合理的對照關系，即可完成LIDAR數據自動詳細分類。

在完成地面點集與非地面點集分類的基礎上，進一步分離地面點、非地面點到合適的圖層，詳細分類包括默認類、地面類、居民地建筑物、電力線通信線及其附屬、橋梁類、水體、植被類等。具體分類信息如表1所示：

經過對地理國情普查內容與指標的分析，我們將詳細分類信息與地表覆蓋分類信息進行了表格對照，具體內容如表2所示：

注：LCA數據中，地表覆蓋分類大多分至二三級類，對于LIDAR點云詳細分類來說，過于復雜，我們還需要對LCA數據進行合理的分類合并。

2.3融合地表分類數據（LCA）進行LIDAR點云詳細分類

數據關系確定之后，我們即可利用ArcGIS的空間分析功能進行點云的自動詳細分類工作。利用SpatialJoin工具，將LCA數據的CC屬性賦與點云數據，如圖2所示，是將分離出的非地面點數據進行空間連接，我們只需要LCA層的CC屬性，所以FieldMapofJoinFeatures只需要選擇 CC，Match Option選擇WITHIN，這樣我們就把包含點云的LCA面的CC屬性，賦給了點云數據。

最后，我們利用點云數據與LCA數據對照分類，計算分類字段值。

3　實驗與分析

3.1實驗結果

本文使用實驗數據為鄱陽湖區(qū)域2米間距Lidar點云數據，該區(qū)域包含了各種地形地物特征，如植被、道路、大小形狀各異的建筑物等。

本文以非地面點集詳細分類為例，介紹本次實驗結果。

非地面點集中，落在房屋建筑區(qū)及個別構筑物上的點，應分類至“居民地及設施”，代碼“02”，落在耕地、園地、林地、草地區(qū)域的點，應分類至“植被”，代碼為“6”，其他非地面點歸“其他”，代碼為“07”，分類字段只需要通過VBScript邏輯計算，獲取點云的分類代碼數據：

Dimclassification

IfLeft（［CC］，2）="05"orLeft（［CC］，3）=" 075"Then

classification="2"

elseifLeft（［CC］，2）="01"orLeft（［CC］，2）="02"orLeft（［CC］，2）="03"Then

classification="6"

else

classification="7"

endif

分類顯示效果如圖3所示，紅色點為居民地及設施，綠色點為植被，藍色點為其他。

3.2實驗結果分析

點云地面點集與非地面點集的分類精度，點云密度和LCA層采集精度的關系，LCA層采集時采用的影像精度和質量，LCA數據采集時人工消除投影差的準確程度，這些因素很大程度上影響這種方法的分類精度，往往會導致個別LCA界線附近的點存在分類錯誤。

實驗區(qū)域LCA的采集精度為0.5米，而點云的密度約2米，采集精度優(yōu)于點云密度，從實驗結果來看，這種情況下進行的自動分類精度較為理想。

4　結束語

LiDAR點云進行詳細分類是數據后續(xù)應用的基礎，本文在點云濾波分類基礎上，研究點云的進一步分類，提供一種地表覆蓋分類數據輔助下的自動詳細分類方法，將點云自動分為地面點、居民地及設施、交通及設施、管線及設施、水系及設施、植被和其他七大類。通過實驗結果及分析，效果較為理想。本文方法的缺陷在于點云數據量巨大，采用此種空間分析的方法進行自動分類速度較慢，對硬件要求偏高，對于這一缺陷，還有待進一步研究。

參考文獻：

［1］尚大帥.機載LiDAR點云數據濾波與分類技術研究［D］.鄭州：解放軍信息工程大學，2012.

［2］劉春，姚銀銀，吳杭彬.機載激光掃描（LIDAR）標準數據格式（LAS）的分析與數據提?。跩］.遙感信息，2009（4）.

［3］龔亮，李正國，包全福.融合航空影像的LiDAR地物點云分類［J］.測繪工程，2012，21（4）.