徐晶鑫,黃其歡

(河海大學(xué)地球科學(xué)與工程學(xué)院,江蘇南京 210098)

邊緣檢測(cè)算子LiDAR河流數(shù)據(jù)提取的研究

徐晶鑫,黃其歡

(河海大學(xué)地球科學(xué)與工程學(xué)院,江蘇南京 210098)

由于LiDAR數(shù)據(jù)具有離散、不連續(xù)的特點(diǎn),在空間上并沒有明確的函數(shù)關(guān)系,現(xiàn)有的Li-DAR數(shù)據(jù)地形地物的提取算法存在依賴輔助數(shù)據(jù)和算法只針對(duì)建筑物等明顯地物提取的問題。河流的數(shù)據(jù)存在形狀不規(guī)則、邊緣不明顯的特征,自然形成的原因?qū)е缕淦露刃畔⒍嘧?常見的數(shù)據(jù)提取算法難以解決這類問題,Robert邊緣檢測(cè)算子對(duì)邊緣信息更為敏感,實(shí)驗(yàn)證明,與Sobel和Prewitt算子對(duì)比,Robert算子更適用于提取較高精度河流地物邊緣并且有較好的精確性和適用性,可獲得較高精度作為準(zhǔn)確的目標(biāo)信息。

LiDAR河流數(shù)據(jù);灰度圖像;邊緣檢測(cè)算子

激光探測(cè)與測(cè)量(LiDAR,light detection and ranging)技術(shù)利用激光的回波性質(zhì)來實(shí)現(xiàn)測(cè)距、定向,是當(dāng)前最先進(jìn)的、能實(shí)時(shí)獲取地形表面三維空間信息和影像的航空遙感系統(tǒng)之一,該系統(tǒng)可直接獲取高密度、高精度的地表、地物三維坐標(biāo),在構(gòu)建三維地表模型、數(shù)字高程模型(DEM,digital elevation model)、數(shù)字表面模型(DSM,digital surface model)等方面有廣泛的應(yīng)用前景[1]。

LiDAR的數(shù)據(jù)簡(jiǎn)單直觀,但存在結(jié)構(gòu)離散,不連續(xù),沒有直接的函數(shù)關(guān)系,數(shù)據(jù)量大等缺點(diǎn)。LiDAR原始的離散的點(diǎn)云數(shù)據(jù)結(jié)構(gòu)因?yàn)椴淮嬖谳^為直接的函數(shù)關(guān)系,存在不可導(dǎo)的問題,因此在后期的數(shù)據(jù)處理中無法通過研究其連續(xù)性來獲取其坡度特征,同時(shí)對(duì)坡度特征獲取的精度與點(diǎn)云數(shù)據(jù)密度有關(guān),其密度越大,坡度特征越精確,但其處理效率就越低。文獻(xiàn)[2]中提出了一種利用Canny算子提取深度處理后的LiDAR數(shù)據(jù),并實(shí)現(xiàn)了建筑物的邊緣提取,但是Canny算子要進(jìn)行事先的高斯濾波處理,高斯濾波對(duì)數(shù)據(jù)本身有高度的平滑的作用,如果是本身邊緣信息不明顯的地物,就有可能進(jìn)一步增加邊緣提取的難度,且Canny算子運(yùn)行效率較低,所以該算法只能提取邊緣信息較強(qiáng)的數(shù)據(jù),如建筑物等。

河流與建筑物數(shù)據(jù)相比存在明顯差異,首先,河流是天然形成的,河流的流向、形狀都有著不可估計(jì)的特點(diǎn),不規(guī)則的形狀對(duì)人工提取算法的適應(yīng)性難以預(yù)期。其次,建筑物數(shù)據(jù)常常包含明顯的邊緣信息,邊緣與地表對(duì)比明顯,而河流因?yàn)榧竟?jié)性流量的不同,沖積產(chǎn)生的邊緣地帶的坡度也不同,這給邊緣的檢測(cè)造成一定的難度。在LiDAR河流數(shù)據(jù)的采集過程中,由于地理?xiàng)l件約束,常常存在數(shù)據(jù)不均等問題。

邊緣檢測(cè)算子LiDAR河流數(shù)據(jù)提取算法先對(duì)數(shù)據(jù)進(jìn)行插值,建立函數(shù)關(guān)系,再將插值的DEM進(jìn)行DSM灰度處理,利用Robert邊緣檢測(cè)算子對(duì)河流進(jìn)行提取,并將其與Sobel和Prewitt算子對(duì)比討論其精確性特點(diǎn)和適用性,并利用均值濾波、灰度變化(坡度)差異分割的算法進(jìn)行濾波處理,提取較高精度的地物邊緣并獲得較高精度作為準(zhǔn)確的目標(biāo)信息。

1 邊緣檢測(cè)算子

考慮到Robert算子、Sobel算子和Prewitt算子對(duì)邊緣信息的敏感程度高,可適用于不同邊緣強(qiáng)度的地物,且它們的算法簡(jiǎn)單、運(yùn)行效率高,Robert算子對(duì)噪聲敏感程度低,而Sobel算子對(duì)噪聲有一定的平滑作用,Prewitt算子對(duì)噪聲有相對(duì)較強(qiáng)的抑制作用,因此選用這三種算子對(duì)河流數(shù)據(jù)作分析性處理。三種算子梯度公式如下[3]:

(1)Robert算子梯度公式為

(2)Sobel算子梯度為

(3)Prewitt算子梯度公式為

Robert算子是根據(jù)對(duì)角線相鄰像素之差近似梯度幅值來檢測(cè)邊緣,Sobel算子利用像素點(diǎn)上下左右鄰域點(diǎn)的灰度加權(quán)差在邊緣處達(dá)到極值來檢測(cè)邊緣,Prewitt算子與Sobel算子類似,使用兩向算子,水平方向和垂直方向,以兩者卷積的最大值來作為像素點(diǎn)輸出值。

2 實(shí)驗(yàn)分析

2.1 算法步驟

實(shí)驗(yàn)步驟如下:

(1)LiDAR點(diǎn)云數(shù)據(jù)高程擬合,內(nèi)插DEM并生成DSM;

(2)通過梯度變化設(shè)置初始密度區(qū)間(d1,d2)并設(shè)置原始的梯度閾值T;

(3)密度分割生成DSM并作均值濾波處理;

(4)利用邊緣檢測(cè)算子提取目標(biāo)地物并再次做均值濾波處理;

(5)利用二分法計(jì)算新的密度區(qū)間,計(jì)算梯度t;

(6)重復(fù)步驟(2)～(4),直到t小于設(shè)置的梯度閾值T;

(7)對(duì)獲取的DSM圖像進(jìn)行灰度的反算和二值化處理;

(8)輸出獲得的目標(biāo)地物圖像。

2.2 DEM插值

將離散的點(diǎn)位信息插值為具有連續(xù)性的DEM首先要進(jìn)行高程的擬合,即通過一定的函數(shù)關(guān)系利用已有的點(diǎn)云數(shù)據(jù)來擬合地表起伏信息,對(duì)于待定點(diǎn)P(X,Y,Z),其點(diǎn)位預(yù)告稱之間的函數(shù)關(guān)系為

采用的擬合算法為線性擬合地面模型,將Li-DAR數(shù)據(jù)按照規(guī)則格網(wǎng)的采樣建立DEM,格網(wǎng)大小為1 000×1 000,間距約為2 m。

點(diǎn)云圖像與插值后的DEM對(duì)比見圖1。圖1中數(shù)據(jù)采自某山谷一河流。從點(diǎn)云數(shù)據(jù)可以看出其數(shù)據(jù)分布不均勻,有些地方數(shù)據(jù)密度大,而有些地方數(shù)據(jù)密度小,河流主河道較為清晰,而支流較為模糊。經(jīng)DEM插值后,建立了山谷的數(shù)學(xué)上的表達(dá)關(guān)系,還原了山谷的地形地貌。

圖1 點(diǎn)云圖像與插值后的DEM對(duì)比圖Fig.1 Comparison between point cloud image and DEM after interpolation

2.3 密度分割生成DSM

(1)灰度量化DSM影像 將生成的DEM的高度值按照下式進(jìn)行灰度量化[2]:

其中:Z為點(diǎn)云數(shù)據(jù)的高程;Gi為DSM圖像素的灰度值。

灰度量化后的DSM圖見圖2。圖2保留了原DEM插值時(shí)點(diǎn)位與高度的線性關(guān)系,同時(shí)通過灰度值突出了地面起伏的變化,便于后續(xù)的地面目標(biāo)物的提取。

圖2 灰度量化后的DSM圖Fig.2 DSM after gray-scale quantifying

(2)均值濾波 原始的點(diǎn)云數(shù)據(jù)在生成DSM過程中會(huì)保留下來一定量的噪聲,出現(xiàn)這些噪聲的原因主要有兩個(gè)方面:①原始的點(diǎn)云數(shù)據(jù)存在噪聲;②在插值的過程中由于選取的插值方法不能很好地?cái)M合部分區(qū)域的高程信息產(chǎn)生的錯(cuò)誤。

對(duì)于上述噪聲,可采用均值濾波的方法對(duì)圖像中的噪聲予以濾除,其梯度公式為[4]

其中:S是中心鄰域內(nèi)像素點(diǎn)的集合;M是集合內(nèi)像素點(diǎn)的個(gè)數(shù);T為設(shè)置的非負(fù)灰度閾值,當(dāng)像素點(diǎn)和其鄰域內(nèi)點(diǎn)的灰度平均值大于閾值T,就用其代替該點(diǎn)的灰度值。

2.4 邊緣檢測(cè)

利用Robert算子、Sobel算子和Prewitt算子分別對(duì)河流提取數(shù)據(jù),其結(jié)果見圖3。

從圖3可以看出,Robert算子得到的河流影像仍然存在一定的噪聲,但其表達(dá)較為清楚。Sobel算子和Prewitt算子由于盲目地噪聲抑制的特點(diǎn),檢測(cè)提取的DSM圖十分模糊,雖然噪聲少但目標(biāo)地物不突出。可見在邊緣檢測(cè)中,Robert算子對(duì)邊緣信息具有更高的敏感度和精確性,也更加適用于該類邊緣不明顯的地物的提取。

圖3 邊緣檢測(cè)提取河流的結(jié)果Fig.3 Result of picking up river by edge inspection

在使用邊緣檢測(cè)算子進(jìn)行地物提取的過程中仍會(huì)出現(xiàn)以下問題:(1)非目標(biāo)地物的處理。非目標(biāo)地物如果沒有得到很好的處理很有可能產(chǎn)生新的噪聲點(diǎn),這類噪聲點(diǎn)與目標(biāo)地物一般有較大的差別。在獲取原始點(diǎn)云數(shù)據(jù)過程中,獲取手段是盲目的,不具備選擇性,因此此類噪聲點(diǎn)云必然存在。(2)在獲取原始點(diǎn)云數(shù)據(jù)過程中產(chǎn)生的粗差,這類噪聲點(diǎn)其實(shí)為錯(cuò)誤點(diǎn)云,其產(chǎn)生的原因十分復(fù)雜,一般是在激光掃描的路徑中存在一些非地物的各類影響。這類噪聲點(diǎn)極容易帶到我們后期處理的DEM、DSM圖像中。

這類噪聲點(diǎn)帶來的主要問題是:由于噪聲點(diǎn)的突出性,往往會(huì)將一些我們想提取的但表達(dá)不明顯的目標(biāo)地物給掩蓋掉,我們的目標(biāo)地物河流的支流并沒有明顯體現(xiàn)出來。這些支流在采集時(shí)數(shù)據(jù)密度就很小,表達(dá)分辨難度大,加之噪聲點(diǎn)(包括非目標(biāo)地物點(diǎn))與之灰度表達(dá)突出性對(duì)比處于強(qiáng)勢(shì)地位,使之表達(dá)不明顯。只有很好地處理這兩類噪聲才能很好地展現(xiàn)河流的全貌。

對(duì)于(1)類噪聲算法選用2.3中密度分割DSM圖像的反復(fù)處理,同時(shí)可以設(shè)置關(guān)于圖像地形坡度(這里即影像灰度差)的閾值,在進(jìn)行邊緣檢測(cè)時(shí)對(duì)圖像做預(yù)處理,平滑閾值外的深度DSM圖像。對(duì)于(2)類噪聲用均值濾波處理,均值濾波考慮周圍環(huán)境,對(duì)單獨(dú)且突兀的目標(biāo)點(diǎn)可進(jìn)行平滑、濾除,這種方法也可用于檢測(cè)并剔除遺留的(1)類噪聲點(diǎn)。

噪聲濾除后的河流影像如圖4所示。圖4(a)為坡度閾值分割后的DSM圖,此處選用邊緣坡度在0.2～0.6之間的坡度閾值?？紤]到實(shí)際情況,此處為山谷河流,由于其常年的沖刷侵蝕地表較深,又處于山間,因此坡度變化較大。坡度大于0.6的區(qū)域被認(rèn)為是獨(dú)立山峰,而小于0.2的區(qū)域被認(rèn)為是地表,都屬于非目標(biāo)地物。從圖中被圈處可以看出,主要的支流已經(jīng)得到明顯的表達(dá)。圖4(b)是均值濾波后的去噪結(jié)果,從圖4(b)中可以看出,主要的噪聲已被去除,河流更加清晰。

圖4 噪聲濾除后的河流影像Fig.4 River image after filtering noise

2.5 結(jié)果輸出

選取上述處理圖像對(duì)獲取的DSM圖像進(jìn)行進(jìn)一步的密度分割和濾波,然后通過灰度的反算和二值化處理,可得河流的最終提取影像見圖5。

圖5 河流的提取圖像Fig.5 Picked up image of river

3 結(jié)論

從實(shí)驗(yàn)結(jié)果看,Robert算子對(duì)邊緣信息更為敏感,無論數(shù)據(jù)邊緣信息是否明顯,都可以較好的識(shí)別,但由于其在邊緣提取過程中對(duì)邊緣識(shí)別的盲目性,常常會(huì)將一些非目標(biāo)地物當(dāng)成提取的目標(biāo)地物,因此會(huì)留下較多的噪聲點(diǎn),需要進(jìn)一步濾波予以剔除。而Sobel算子和Prewitt算子由于其噪聲平滑的性質(zhì),其邊緣提取后保留的噪聲相對(duì)較少,但是其邊緣也會(huì)一定程度上受平滑效果的影響而變得不明顯,因此這兩種算子不適用于該類地物提取。

LiDAR河流數(shù)據(jù)的提取較之建筑物提取有著明顯的問題和難點(diǎn),建筑物由于人地規(guī)劃有著規(guī)則的形狀和相對(duì)穩(wěn)定的地域條件,河流無論從形狀的不規(guī)則性還是地域條件的復(fù)雜性都給提取工作帶來了許多問題。由于其形狀的不規(guī)則,其邊緣檢測(cè)難度較大,地域條件的多變會(huì)造成數(shù)據(jù)密度精度的不同,如主流與支流、上游與下游,這也給數(shù)據(jù)辨識(shí)、提取工作帶來了很大的困難。以上基于Robert算子的DSM灰度處理算法,通過對(duì)DSM影像灰度和地形坡度的處理,解決了上述目標(biāo)信息提取過程中的難點(diǎn),能夠很好地識(shí)別目標(biāo)地物(河流)并提取出來。

[1] 王琦.Lidar點(diǎn)云生成格網(wǎng)DEM模型的內(nèi)插算法研究[D].北京:中國地質(zhì)大學(xué),2010.

[2] 崔建軍,隋立春,徐花芝,等.基于邊緣檢測(cè)算法的LiDAR數(shù)據(jù)建筑物提取[J].測(cè)繪科學(xué)技術(shù)學(xué)報(bào),2008,25(2):98-100.

[3] 連靜.圖像邊緣特征提取算法研究及應(yīng)用[D].長(zhǎng)春:吉林大學(xué),2008.

[4] 王文麗.各種圖像邊緣提取算法的研究[D].北京:北京交通大學(xué),2010.

[5] Farooq M,Wang Daobo.Multiscale Edge Detection of Noisy Images Using Wavelets[J].Journal of Harbin Institute of Technology,2007,14(5):737-740.

[6] Ohtake Yutaka,Suzuki Hiromasa.Edge Detection Based Multi-material Interface Extraction on Industrial CT Volumes [J].Science China(Information Sciences),2013,56(9):1-9.

[7] 王蓓.基于LiDAR點(diǎn)云數(shù)據(jù)的建筑物邊緣提取[D].西安:長(zhǎng)安大學(xué),2014.

[8] Kin SoRa,Kwak DooAhn,Olee WooKyun,et al.Estimation of Carbon Storage Based on Individual Tree Detection in Pinus Densiflora Stands Using a Fusion of Aerial Photography and LiDAR Data[J].Science China(Life Sciences),2010,53(7): 885-897.

[9] 賴旭東,萬幼川.機(jī)載激光雷達(dá)距離圖像的邊緣檢測(cè)研究[J].激光與紅外,2005,35(6):444-446.

[10] 任建波,頡耀文,屈宏斌.基于平面多邊形的不規(guī)則三角網(wǎng)分割[J].甘肅科學(xué)學(xué)報(bào),2005,17(1):65-68.

Study on Getting Edge Detection Operator LiDAR River Data

Xu Jingxin,Huang Qihuan
(School of Earth Science and Engineering,Hohai University,Nanjing210098,China)

For LiDAR data has the disperse and discontinuous characteristic and hasn＇t clear function relationship in space,the problem is that the pick-up algorithm of present LiDAR data from terrain and surface features depends largely on auxiliary data and algorithm is only for surface features which has obvious buildings.The data about river has out-of-shape and unconspicuous edge feature,and nature reason causes that gradient information is changeful.The common data pick-up algorithm can＇t solve this problem.Robert edge detection operator is more sensitive to edge information,then,the experiment proves that,compared with Sobel and Prewitt operator,Robert operator is more suitable to pick up high precision river land feature edge with better precision and applicability,it can get more precisely target information.

LiDAR river data;Grayscale images;Edge detection operator

P237

:A

:1004-0366(2016)05-0010-05

2015-12-07;

:2016-01-04.

國家自然科學(xué)基金項(xiàng)目(41304025);江蘇省自然科學(xué)基金項(xiàng)目(BK20130831).

徐晶鑫(1991-),男,江蘇常州人,碩士研究生,研究方向?yàn)闇y(cè)量數(shù)據(jù)處理、三維激光掃描、LiDAR等.E-mail:1016938475＠qq.com.

Xu Jingxin,Huang Qihuan.Study on Getting Edge Detection Operator LiDAR River Data[J].Journal of Gansu Sciences,2016,28(5):10-14.[徐晶鑫,黃其歡.邊緣檢測(cè)算子LiDAR河流數(shù)據(jù)提取的研究[J].甘肅科學(xué)學(xué)報(bào),2016,28(5):10-14.]

10.16468/j.cnkii.ssn1004-0366.2016.05.003.