杜守基，鄒崢嶸，張?jiān)粕?雪，王競雪

1. 中南大學(xué)地球科學(xué)與信息物理學(xué)院，湖南 長沙 410083； 2. 遼寧工程技術(shù)大學(xué)測繪與地理科學(xué)學(xué)院，遼寧 阜新 123000

建筑物是城市空間重要的地理信息要素，從遙感數(shù)據(jù)中自動(dòng)提取建筑物對(duì)于城市三維建模、災(zāi)害評(píng)估、數(shù)字地圖更新等應(yīng)用具有重要的作用[1-2]。建筑物的自動(dòng)提取一直是攝影測量與遙感領(lǐng)域一個(gè)重要的研究方向，但是由于城市環(huán)境復(fù)雜，從遙感數(shù)據(jù)中自動(dòng)提取建筑物仍然面臨許多困難[3]。

近年來，國內(nèi)外學(xué)者對(duì)建筑物提取進(jìn)行了廣泛的研究。根據(jù)所用數(shù)據(jù)的不同，可以分為基于影像數(shù)據(jù)[4-6]、基于LiDAR數(shù)據(jù)[7-10]，以及聯(lián)合影像與LiDAR數(shù)據(jù)[11-15]3類方法。第1類方法主要利用影像的光譜信息。由于影像廣泛存在的“同物異譜”、“同譜異物”現(xiàn)象，以及陰影、遮擋等現(xiàn)象，單純利用影像提取的建筑物有較多的錯(cuò)誤，難以實(shí)用化[16]。利用LiDAR數(shù)據(jù)提取建筑物主要利用點(diǎn)云的強(qiáng)度、回波以及幾何信息，雖然自動(dòng)化程度較高，但相較于影像數(shù)據(jù)，LiDAR數(shù)據(jù)的空間分辨率較低，提取的建筑物輪廓不夠精確。

融合LiDAR點(diǎn)云與影像數(shù)據(jù)提取建筑物，可以充分利用LiDAR數(shù)據(jù)精確的三維信息和影像的光譜信息以及分辨率高的優(yōu)勢，二者的融合更加有利于自動(dòng)提取高精度的建筑物信息。文獻(xiàn)[11]提出一種面向?qū)ο蟮暮娇沼跋衽cLiDAR數(shù)據(jù)融合分類方法，但是該方法依賴于高精度的航空影像分割。文獻(xiàn)[12]首先利用光譜信息分離出植被，然后利用高程信息從地面道路和建筑物中分離出建筑物。該方法單獨(dú)利用光譜信息分離植被，利用高程信息分離建筑物，沒有將兩種數(shù)據(jù)進(jìn)行有效融合。文獻(xiàn)[13]采用支持向量機(jī)融合光譜與幾何特征進(jìn)行建筑物和植被提取，但是監(jiān)督分類方法需要大量的標(biāo)記數(shù)據(jù)。以上方法主要利用了影像的光譜信息來提高建筑物提取精度，而忽略了影像的高分辨率特征來優(yōu)化建筑物邊緣信息。文獻(xiàn)[14]利用超高分辨率影像在LiDAR輔助下提取建筑物輪廓；文獻(xiàn)[15]融合LiDAR與正射影像進(jìn)行建筑物提取和邊緣規(guī)則化。兩種方法都是基于影像上的線特征提取進(jìn)行邊緣信息規(guī)則化，但是線特征提取通常不完整，易受陰影區(qū)域的影響。針對(duì)現(xiàn)有方法存在的問題，基于LiDAR點(diǎn)云與影像數(shù)據(jù)的特點(diǎn)，本文引入圖割算法[17]，提出一種融合幾何信息與顏色信息的建筑物提取方法，并利用前后景分割的思想來優(yōu)化建筑物邊緣。在本文方法中，一方面通過圖割算法來融合幾何與顏色信息，考慮鄰域關(guān)系以保證提取結(jié)果鄰域內(nèi)的一致性；另一方面，通過前后景分割的方法基于影像的顏色信息來優(yōu)化建筑物邊緣，以利用影像分辨率高的優(yōu)勢。本文方法主要流程如圖1 所示。

圖1 本文方法流程Fig.1 Flowchart of the proposed method

1 融合LiDAR點(diǎn)云與正射影像的建筑物提取

1.1 數(shù)據(jù)預(yù)處理

1.1.1 生成DSM、DTM、nDSM

儀器誤差或者航空激光點(diǎn)云獲取過程中存在的飛鳥，使得獲取的點(diǎn)云中存在粗差點(diǎn)，影響后續(xù)的DSM內(nèi)插以及幾何特征計(jì)算，首先利用基于統(tǒng)計(jì)分析的方法剔除粗差點(diǎn)[18]。在此基礎(chǔ)上，采用文獻(xiàn)[19]的方法將點(diǎn)云分為地面點(diǎn)和非地面點(diǎn)。然后利用全部點(diǎn)云內(nèi)插DSM，利用地面點(diǎn)內(nèi)插DTM，再利用DSM減去DTM獲取nDSM。由于本文采用的圖割優(yōu)化過程在DSM格網(wǎng)上實(shí)現(xiàn)，因此提出一種保邊緣特征的DSM內(nèi)插方法，主要包括以下幾步：

(1) 由點(diǎn)云平均密度估計(jì)DSM格網(wǎng)分辨率R。

(2) 含有LiDAR點(diǎn)的格網(wǎng)高程采用其包含的LiDAR點(diǎn)的最大高程值。

(3) 缺少LiDAR點(diǎn)的格網(wǎng)高程通過鄰近格網(wǎng)計(jì)算。首先將當(dāng)前格網(wǎng)周圍8鄰域內(nèi)的有效格網(wǎng)(含有LiDAR點(diǎn)的格網(wǎng))的高程按照1.5 m間隔統(tǒng)計(jì)直方圖。當(dāng)某一個(gè)區(qū)間內(nèi)含有的格網(wǎng)數(shù)大于有效格網(wǎng)數(shù)的一半時(shí)，直接將這一區(qū)間格網(wǎng)高程的平均值賦予當(dāng)前格網(wǎng)，否則利用8鄰域格網(wǎng)中所有的LiDAR點(diǎn)，按照與格網(wǎng)中心距離反距離加權(quán)計(jì)算當(dāng)前格網(wǎng)高程。

(4) 如果8鄰域內(nèi)沒有有效格網(wǎng)，則繼續(xù)擴(kuò)大鄰域范圍，直到內(nèi)插出有效高程。

為節(jié)省后續(xù)處理時(shí)間，將非地面點(diǎn)云投影到DSM格網(wǎng)上，生成一張非地面掩膜Mng以指示非地面區(qū)域，也就是建筑物提取候選區(qū)域。在Mng中，“0”指示地面區(qū)域，“1”指示非地面區(qū)域。

1.1.2 正射影像陰影增強(qiáng)

NDVI常用于區(qū)分植被和非植被區(qū)域，本文也將NDVI作為區(qū)分植被和建筑物的一個(gè)特征。但是陰影區(qū)域較暗的顏色會(huì)對(duì)NDVI的計(jì)算產(chǎn)生較大影響[20]，對(duì)此，首先采用文獻(xiàn)[21]中的方法檢測陰影區(qū)域，然后對(duì)陰影區(qū)域進(jìn)行增強(qiáng)。具體做法是利用連通分析將陰影區(qū)域聚類，然后對(duì)每個(gè)聚類的對(duì)象分別進(jìn)行陰影增強(qiáng)，即將影像的RGB轉(zhuǎn)換到HSI顏色空間，然后按照式(1)對(duì)S和I通道進(jìn)行拉伸，再轉(zhuǎn)換到RGB空間，以實(shí)現(xiàn)對(duì)陰影區(qū)域的增強(qiáng)。

(1)

1.2 特征計(jì)算

本文主要采用了基于點(diǎn)云的3個(gè)幾何特征：點(diǎn)云平整度、法向量分布、基于nDSM影像的紋理一致性，以及基于正射影像的顏色特征NDVI。下面對(duì)采用的特征進(jìn)行介紹：

1.2.1 點(diǎn)云平整度

通常情況下，建筑物由多個(gè)平面組成，而植被區(qū)域表面不規(guī)則，因此建筑物上的LiDAR點(diǎn)云具有局部平整性。本文采用協(xié)方差矩陣分析來計(jì)算點(diǎn)云這一特征[22]。

令NP=pii=1,2,…,n表示非地面點(diǎn)，pi=(xi,yi,zi)為其中一個(gè)采樣點(diǎn)，Np=pj|pj∈NP是pi的k鄰近點(diǎn)集(本文k取經(jīng)驗(yàn)值為15)。Np的3×3協(xié)方差矩陣C3×3定義如下

(2)

通過特征分解計(jì)算協(xié)方差矩陣C3×3的特征值λ0、λ1、λ2(0≤λ0≤λ1≤λ2)，點(diǎn)pi的平整度fp定義如下

(3)

fp越小，表明pi更可能位于平面上，也就是更可能屬于建筑物點(diǎn)。計(jì)算完所有非地面點(diǎn)的特征fp后，每一個(gè)DSM格網(wǎng)的平整度取格網(wǎng)內(nèi)所有LiDAR點(diǎn)的fp均值，對(duì)于沒有對(duì)應(yīng)LiDAR點(diǎn)的格網(wǎng)采用1.1節(jié)所提的內(nèi)插方法進(jìn)行內(nèi)插。為保證效率，只對(duì)Mng中值為“1”的格網(wǎng)進(jìn)行內(nèi)插。

1.2.2 點(diǎn)云法向量分布

式中

(4)

1.2.3 基于nDSM影像的紋理特征

1.2.4 顏色相關(guān)特征

影像具有豐富的顏色信息，對(duì)于建筑物與植被具有較好的區(qū)分度。本文采用NDVI來區(qū)分植被與建筑物，定義如下

(5)

式中，IR、R分別為對(duì)應(yīng)顏色波段的值，采用陰影增強(qiáng)后的影像計(jì)算。計(jì)算完正射影像的NDVI后，將其賦予每個(gè)DSM格網(wǎng)。此外，生成一張基于NDVI的植被區(qū)域掩膜Mv，將fNDVI>0.3的格網(wǎng)值設(shè)為“1”，表示植被區(qū)域，其他區(qū)域設(shè)為“0”表示非植被區(qū)域。

以上介紹的4種特征fp、fN、fTH、fNDVI取值范圍不同，因此利用Logistic方程進(jìn)行歸一化，定義如下

(6)

式中，x0表示歸一化的中心；k控制Logistic方程的深度；k取值對(duì)結(jié)果影響較小，根據(jù)方程曲線的形態(tài)將4種特征分別設(shè)置為-35、2.0、0.2、-10；x0通過試驗(yàn)進(jìn)行確定，即單獨(dú)利用某一個(gè)特征進(jìn)行建筑物提取，通過調(diào)整x0值，提取結(jié)果最優(yōu)的為該特征的x0取值，對(duì)于4個(gè)特征，分別設(shè)置為0.06、0.8、18、0.12。

1.3 基于圖割算法的建筑物提取

上節(jié)介紹的4個(gè)特征僅僅描述一個(gè)點(diǎn)或者一個(gè)格網(wǎng)的特征，并沒有考慮上下文關(guān)系，因此本文引入圖割算法來考慮鄰域關(guān)系以保證鄰域內(nèi)的一致性。圖割算法基本思想是構(gòu)建一個(gè)權(quán)重圖，每一條邊的權(quán)表示相應(yīng)的能量值，然后利用最大流/最小割算法尋找圖的最小割[17]。圖割算法的目的是通過最小化如式(7)定義的能量函數(shù)為每一個(gè)結(jié)點(diǎn)賦予一個(gè)標(biāo)記lp。

(7)

如式(7)所示，能量函數(shù)由數(shù)據(jù)項(xiàng)和平滑項(xiàng)構(gòu)成，本文建筑物提取的結(jié)果是將DSM格網(wǎng)分為兩類，一類是建筑物(building)，其他為非建筑物(non-building)，即lp∈{building,non-building}，因此數(shù)據(jù)項(xiàng)定義如下：

(8)

式中，λ1、λ2分別為幾何和顏色特征的權(quán)重，λ11、λ12、λ13分別為幾何特征中fp、fN、fTH的權(quán)重，且滿足λ1+λ2=1、λ11+λ12+λ13=1。對(duì)于Mng中值為“0”的格網(wǎng)，直接賦予標(biāo)記為“non-building”，值為“1”的格網(wǎng)，根據(jù)式(8)設(shè)置數(shù)據(jù)項(xiàng)。

由于DSM格網(wǎng)高程值在局部區(qū)域內(nèi)具有較高的一致性，而在地物邊緣處則有較明顯的差異，尤其是建筑物邊緣，因此本文采用格網(wǎng)高程值來構(gòu)建平滑項(xiàng)。此外，在建筑物附近有高程相近的植被的情況下，可能會(huì)出現(xiàn)過度傳播現(xiàn)象，易出現(xiàn)植被誤檢為建筑物或者建筑物被漏檢的問題。因此本文在平滑項(xiàng)中引入基于NDVI指數(shù)的懲罰因子δ，平滑項(xiàng)設(shè)置如下

(9)

式中，hp和hq分別為相鄰格網(wǎng)的高程值；常數(shù)ε保證分母不為0，可由LiDAR數(shù)據(jù)的高程精度確定，本文設(shè)為0.2 m；δ由植被區(qū)域掩膜Mv確定是否給予平滑項(xiàng)，當(dāng)相鄰格網(wǎng)在Mv中的值不同時(shí)，給予懲罰，避免分為一類，本文δ取值0.1；平滑項(xiàng)系數(shù)β與建筑物提取數(shù)據(jù)(如建筑物高度、建筑物屋頂復(fù)雜度等)有關(guān)，本文將其設(shè)置為1。

能量函數(shù)定義后，采用標(biāo)準(zhǔn)最大流/最小割算法[24]求解能量函數(shù)的最小割，然后確定每一個(gè)DSM格網(wǎng)的標(biāo)記lp。

1.4 初始結(jié)果優(yōu)化

上一節(jié)圖割算法優(yōu)化后的結(jié)果中可能存在一些低矮地物，如灌木、籬笆等，因此進(jìn)一步采用高程閾值Th和面積閾值Ta去除這些地物，即高程小于Th的格網(wǎng)直接去除，然后采用連通分析將提取結(jié)果聚為不同的對(duì)象，當(dāng)對(duì)象面積小于Ta時(shí)直接去除。本文Th和Ta分別設(shè)置為1.5 m和2.5 m2。

2 建筑物邊緣優(yōu)化

經(jīng)過圖割優(yōu)化后提取的建筑物結(jié)果可以視為一張二值圖。在影像信息的輔助下，本文引入前后景分割的思想，利用圖割算法對(duì)建筑物的邊緣提取結(jié)果進(jìn)一步優(yōu)化，能量函數(shù)依然采用式(7)，但數(shù)據(jù)項(xiàng)和平滑項(xiàng)的設(shè)置與初始建筑物提取階段有所區(qū)別。首先，將初始檢測的建筑物區(qū)域設(shè)為前景，非建筑物區(qū)域設(shè)為后景，然后檢測初始建筑物區(qū)域的邊緣像素，并在邊緣像素附近劃定緩沖區(qū)。通過圖割優(yōu)化，將前景和后景的標(biāo)記傳播到緩沖區(qū)，從而實(shí)現(xiàn)建筑物邊緣的精確提取。3個(gè)區(qū)域的數(shù)據(jù)項(xiàng)分別設(shè)置如下

(10)

平滑項(xiàng)由對(duì)應(yīng)正射影像顏色信息構(gòu)建，定義如下

Vp,q(lp,lq)=

(11)

式中，R、G、IR分別為對(duì)應(yīng)顏色波段的值；εcol設(shè)置為0.1。定義能量函數(shù)后，采用標(biāo)準(zhǔn)最大流/最小割算法[24]解算能量函數(shù)對(duì)緩沖區(qū)域的格網(wǎng)重新標(biāo)記。從能量函數(shù)的數(shù)據(jù)項(xiàng)可以看出，本文將初始提取的建筑物區(qū)域以及非建筑物區(qū)域設(shè)置為固定的值，防止在能量最小化過程中標(biāo)記發(fā)生變化，而主要依賴于平滑項(xiàng)將建筑物區(qū)域和非建筑區(qū)域的標(biāo)記傳播到緩沖區(qū)，從而實(shí)現(xiàn)緩沖區(qū)的精確標(biāo)記。在此基礎(chǔ)上，進(jìn)一步利用形態(tài)學(xué)濾波來消除建筑物邊緣的鋸齒現(xiàn)象。

3 試驗(yàn)與分析

3.1 試驗(yàn)數(shù)據(jù)

為了驗(yàn)證本文方法，采用如圖2所示的ISPRS Vaihingen的數(shù)據(jù)進(jìn)行測試，數(shù)據(jù)采集自德國的Vaihingen地區(qū)，具有正射影像和激光點(diǎn)云數(shù)據(jù)，正射影像如圖2(a)所示，分辨率為0.09 m，點(diǎn)云平均密度為4 pts/m2，內(nèi)插的DSM如圖2(b)所示，覆蓋面積約2.0 km2，擁有超過1800棟建筑物。首先采用如圖2(c)、(d)、(e)所示的3個(gè)區(qū)域基準(zhǔn)數(shù)據(jù)測試，正射影像黃色線內(nèi)為測試區(qū)域，參考數(shù)據(jù)由ISPRS官方提供，其中區(qū)域1為形狀復(fù)雜的密集歷史建筑物區(qū)域(圖2(c))，區(qū)域2為樹木環(huán)繞的高聳居民樓區(qū)域(圖2(d))，區(qū)域3為帶有小附屬建筑物的居民區(qū)(圖2(e))。整個(gè)數(shù)據(jù)區(qū)域沒有官方的參考數(shù)據(jù)，筆者采用手工標(biāo)記的形式在正射影像上標(biāo)記了所有的房屋區(qū)域，以用于驗(yàn)證本文方法的有效性。

3.2 試驗(yàn)結(jié)果

本文中的λ1、λ2以及λ11、λ12、λ13通過試驗(yàn)確定，分別取λ1=λ2=0.5、λ11=0.25、λ12=0.5、λ13=0.25。對(duì)于ISPRS Vaihingen基準(zhǔn)數(shù)據(jù)和全部數(shù)據(jù)，采用相同的參數(shù)設(shè)置。

3.2.1 ISPRS Vaihingen基準(zhǔn)數(shù)據(jù)結(jié)果

圖3列舉了區(qū)域1邊緣優(yōu)化前后建筑物區(qū)域在正射影像上套合的結(jié)果。圖中右上角的區(qū)域?yàn)閳D中心黃色方框內(nèi)區(qū)域放大顯示結(jié)果。從圖中可以看出，經(jīng)過優(yōu)化后，邊緣更準(zhǔn)確，消除了鋸齒現(xiàn)象，并在一定程度上恢復(fù)了拐角信息。

為了進(jìn)一步評(píng)價(jià)本文方法，采用ISPRS官方提供的參考數(shù)據(jù)進(jìn)行定量評(píng)價(jià)。采用的指標(biāo)包括基于面積(per-area)、目標(biāo)(per-object)、面積大于50 m2的目標(biāo)(per-object>50 m2)的完整率(%)，正確率(%)以及質(zhì)量(%)(見文獻(xiàn)[25])。結(jié)果如表1所示，與ISPRS測試網(wǎng)站上其他方法結(jié)果的對(duì)比如表2所示。

表1 基準(zhǔn)數(shù)據(jù)提取結(jié)果

表2 與其他方法的結(jié)果對(duì)比

注：指標(biāo)取3個(gè)區(qū)域的平均值，加粗的數(shù)值為該列最佳值。

從表1和表2可以看出，本文方法具有一定的優(yōu)勢。對(duì)于基于面積的指標(biāo)，本文方法取得了最優(yōu)的完整率，質(zhì)量指標(biāo)最高?；谀繕?biāo)的指標(biāo)中，正確率為100%，說明本文方法沒有誤檢目標(biāo)，且完整率和質(zhì)量指標(biāo)也較優(yōu)異?；谀繕?biāo)面積大于50 m2的指標(biāo)，全部達(dá)到了100%。此外，通過表1可以看出，本文方法對(duì)于3個(gè)環(huán)境差異較大的區(qū)域都取得了較好的提取結(jié)果，也說明了本文方法的穩(wěn)定性?；诿娣e的評(píng)價(jià)結(jié)果如圖4所示，黃色為正確提取，紅色為誤檢，藍(lán)色為漏檢。從視覺上看，本文方法取得了較好的結(jié)果。誤檢主要來自于建筑物附近的植被區(qū)域，主要是因?yàn)檫@些區(qū)域處于陰影之中，即使進(jìn)行了陰影增強(qiáng)，也難以有效區(qū)分。漏檢建筑物主要為較低矮的建筑物，漏檢主要原因?yàn)椋河行┙ㄖ镙^矮小，只含有少量激光點(diǎn)而無法被提取，有些建筑物部分被植物遮擋而無法提取。此外，一些屋頂結(jié)構(gòu)復(fù)雜的建筑物以及在地面點(diǎn)濾波時(shí)錯(cuò)分為地面的建筑物也被漏檢。本文優(yōu)化建筑物邊緣信息時(shí)，采用的是正射影像，因此，正射影像建筑物邊緣糾正的效果也對(duì)本文方法的結(jié)果產(chǎn)生一定影響。

商圈利用共享的WIFI網(wǎng)絡(luò)形成與個(gè)體的直接聯(lián)系，進(jìn)而對(duì)商圈APP的下載使用進(jìn)行推廣，通過電子地圖、商圈導(dǎo)購和優(yōu)惠停車等多項(xiàng)便民服務(wù)加強(qiáng)APP的用戶黏度，為商圈內(nèi)商鋪的廣告和活動(dòng)推廣提供優(yōu)質(zhì)載體。同時(shí),通過與第三方APP(包括大眾點(diǎn)評(píng)等團(tuán)購、外賣平臺(tái))的信息進(jìn)行對(duì)接，提升用戶體驗(yàn)。

3.2.2 ISPRS Vaihingen全部數(shù)據(jù)結(jié)果

由于ISPRS Vaihingen全區(qū)域沒有提供參考數(shù)據(jù)，因此筆者通過人機(jī)交互方式進(jìn)行了標(biāo)記。對(duì)于Vaihingen全區(qū)域測試了基于面積(per-area)、基于目標(biāo)(per-object)兩個(gè)指標(biāo)，結(jié)果如表3 所示，基于面積的評(píng)價(jià)結(jié)果如圖5所示。

表3ISPRSVaihingen全部數(shù)據(jù)提取結(jié)果

Tab.3BuildingextractionresultsforwholeareaofISPRSVaihingen(%)

從表3和圖5可以看出，本文方法在全部大范圍數(shù)據(jù)上也表現(xiàn)出了較好的性能，說明本文方法具有一定的適應(yīng)性。從圖5中還可以看出，主要的漏檢建筑物面積較小，另外部分建筑物屋頂覆蓋了較多的植被也被漏檢。除了部分誤檢是由植被區(qū)域?qū)е乱酝?，還有部分誤檢是由于地面點(diǎn)在點(diǎn)云濾波時(shí)被錯(cuò)分為非地面，這部分區(qū)域被誤檢為建筑物。該區(qū)域右下角為工廠，有大量貨物堆積在空曠地面上，這些貨物也被誤檢為建筑物。

本文方法采用C++實(shí)現(xiàn)，運(yùn)行環(huán)境為臺(tái)式機(jī)(Intel i5-3470CPU，主頻：3.20 GHz，內(nèi)存8 GB)，對(duì)于3個(gè)測試區(qū)域的提取時(shí)間分別為12、15和14 s，全部區(qū)域的提取時(shí)間為660 s，其中耗時(shí)最多的步驟為點(diǎn)云幾何特征計(jì)算?？傮w上看，本文方法具有較好的效率。

圖2 ISPRS Vaihingen試驗(yàn)數(shù)據(jù)Fig.2 Experiment data of ISPRS Vaihingen

圖3 建筑物邊緣優(yōu)化前后對(duì)比Fig.3 The effect of building boundary optimization

圖4 基準(zhǔn)數(shù)據(jù)基于面積的評(píng)價(jià)結(jié)果Fig.4 Per-area evaluation results of benchmark data

圖5 ISPRS Vaihingen全部數(shù)據(jù)基于面積的評(píng)價(jià)結(jié)果Fig.5 Per-area evaluati on result for whole area of ISPRS Vaihingen

4 結(jié) 論

本文基于圖割算法，提出融合LiDAR點(diǎn)云與正射影像的建筑物自動(dòng)提取方法。本文方法充分利用LiDAR點(diǎn)云與影像提供的幾何以及顏色特征，通過圖割算法進(jìn)行優(yōu)化，獲得了鄰域平滑一致的結(jié)果。綜合DSM和NDVI構(gòu)建能量函數(shù)平滑項(xiàng)，有效防止了建筑物與植被區(qū)域的標(biāo)記過度傳播。利用影像分辨率高的特點(diǎn)，基于前后景分割的方法進(jìn)一步優(yōu)化建筑物邊緣，獲得了更加準(zhǔn)確的邊緣信息。通過ISPRS Vaihingen地區(qū)的數(shù)據(jù)進(jìn)行測試，并與其他方法進(jìn)行比較，證實(shí)了本文方法可以有效地提取建筑物，精度較高，具有一定的實(shí)用推廣價(jià)值。進(jìn)一步顧及建筑物邊緣的規(guī)則特性提高建筑物的檢測精度是下一步的研究內(nèi)容。

參考文獻(xiàn)：

[1] KHOSHELHAM K, NARDINOCCHI C, FRONTONI E, et al. Performance Evaluation of Automated Approaches to Building Detection in Multi-source Aerial Data[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2010, 65(1): 123-133.

[2] TOMLJENOVIC I, H?FLE B, TIEDE D, et al. Building Extraction from Airborne Laser Scanning Data: An Analysis of the State of the Art[J]. Remote Sensing, 2015, 7(4): 3826-3862.

[4] MANNO-KOVACS A, SZIRANYI T. Orientation-selective Building Detection in Aerial Images[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 108(1): 94-112.

[5] HUANG Xin, ZHANG Liangpei. Morphological Building/Shadow Index for Building Extraction from High-resolution Imagery over Urban Areas[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2012, 5(1): 161-172.

[6] 胡榮明, 黃小兵, 黃遠(yuǎn)程. 增強(qiáng)形態(tài)學(xué)建筑物指數(shù)應(yīng)用于高分辨率遙感影像中建筑物提取[J]. 測繪學(xué)報(bào), 2014, 43(5): 514-520. DOI: 10.13485/j.cnki.11-2089.2014.0084.

HU Rongming, HUANG Xiaobing, HUANG Yuancheng. An Enhanced Morphological Building Index for Building Extraction from High-resolution Images[J]. Acta Geodaetica et Cartographica Sinica, 2014, 43(5): 514-520. DOI: 10.13485/j.cnki.11-2089.2014.0084.

[7] ZHANG Jixian, LIN Xiangguo, NING Xiaogang. SVM-based Classification of Segmented Airborne LiDAR Point Clouds in Urban Areas[J]. Remote Sensing, 2013, 5(8): 3749-3775.

[8] 徐文學(xué), 楊必勝, 魏征, 等. 多標(biāo)記點(diǎn)過程的LiDAR點(diǎn)云數(shù)據(jù)建筑物和樹冠提取[J]. 測繪學(xué)報(bào), 2013, 42(1): 51-58.

XU Wenxue, YANG Bisheng, WEI Zheng, et al. Building and Tree Crown Extraction from LiDAR Point Cloud Data Based on Multi-marked Point Process[J]. Acta Geodaetica et Cartographica Sinica, 2013, 42(1): 51-58.

[9] 徐文學(xué), 楊必勝, 董震, 等. 標(biāo)記點(diǎn)過程用于點(diǎn)云建筑物提取[J]. 武漢大學(xué)學(xué)報(bào)(信息科學(xué)版), 2014, 39(5): 520-525.

XU Wenxue, YANG Bisheng, DONG Zhen, et al. Building Extraction from Point Cloud Using Marked Point Process[J]. Geomatics and Information Science of Wuhan University, 2014, 39(5): 520-525.

[11] 管海燕, 鄧非, 張劍清, 等. 面向?qū)ο蟮暮娇沼跋衽cLiDAR數(shù)據(jù)融合分類[J]. 武漢大學(xué)學(xué)報(bào)(信息科學(xué)版), 2009, 34(7): 830-833.

GUAN Haiyan, DENG Fei, ZHANG Jianqing, et al. Object-based Fusion and Classification of Airborne Laser Scanning Data and Aerial Images[J]. Geomatics and Information Science of Wuhan University, 2009, 34(7): 830-833.

[12] 程效軍, 程小龍, 胡敏捷, 等. 融合航空影像和LIDAR點(diǎn)云的建筑物探測及輪廓提取[J]. 中國激光, 2016, 43(5): 0514002.

CHENG Xiaojun, CHENG Xiaolong, HU Minjie, et al. Buildings Detection and Contour Extraction by Fusion of Aerial Images and LiDAR Point Cloud[J]. Chinese Journal of Lasers, 2016, 43(5): 0514002.

[13] ZAREA A, MOHAMMADZADEH A. A Novel Building and Tree Detection Method from LiDAR Data and Aerial Images[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2016, 9(5): 1864-1875.

[14] 程亮, 龔健雅. LiDAR輔助下利用超高分辨率影像提取建筑物輪廓方法[J]. 測繪學(xué)報(bào), 2008, 37(3): 391-393, 399. DOI: 10.3321/j.issn:1001-1595.2008.03.021.

CHENG Liang, GONG Jianya. Building Boundary Extraction Using Very High Resolution Images and LiDAR[J]. Acta Geodaetica et Cartographica Sinica, 2008, 37(3): 391-393, 399. DOI: 10.3321/j.issn:1001-1595.2008.03.021.

[15] GILANI S A N, AWRANGJEB M, LU Guojun. An Automatic Building Extraction and Regularization Technique Using LiDAR Point Cloud Data and Orthoimage[J]. Remote Sensing, 2016, 8(3): 258.

[16] AWRANGJEB M, FRASER C S. Automatic Segmentation of Raw LiDAR Data for Extraction of Building Roofs[J]. Remote Sensing, 2014, 6(5): 3716-3751.

[17] BOYKOV Y Y, JOLLY M P. Interactive Graph Cuts for Optimal Boundary & Region Segmentation of Objects in N-D Images[C]∥Proceedings of the 8th International Conference on Computer Vision. Vancouver: IEEE, 2001: 105-112.

[18] FERRARI S, FERRIGNO G, PIURI V, et al. Reducing and Filtering Point Clouds with Enhanced Vector Quantization[J]. IEEE Transactions on Neural Networks, 2007, 18(1): 161-177.

[19] HU Han, DING Yulin, ZHU Qing, et al. An Adaptive Surface Filter for Airborne Laser Scanning Point Clouds by Means of Regularization and Bending Energy[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 92: 98-111.

[20] QIN Rongjun, FANG Wei. A Hierarchical Building Detection Method for Very High Resolution Remotely Sensed Images Combined with DSM Using Graph Cut Optimization[J]. Photogrammetric Engineering & Remote Sensing, 2014, 80(9): 873-883.

[21] 帥滔, 張洪艷, 張良培. 面向?qū)ο蟮母叻直孢b感影像陰影探測方法[J]. 光子學(xué)報(bào), 2015, 44(12): 1228002.

SHUAI Tao, ZHANG Hongyan, ZHANG Liangpei. The Object-based Method of Shadow Detection in High-resolution Remote Sensing Imagery[J]. Acta Photonica Sinica, 2015, 44(12): 1228002.

[22] ZHOU Qianyi, NEUMANN U. Fast and Extensible Building Modeling from Airborne LiDAR Data[C]∥Proceedings of the 16th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems. Irvine: ACM, 2008: 1-8.

[23] HARALICK R M, SHANMUGAM K, DINSTEIN I. Textural Features for Image Classification[J]. IEEE Transactions on Systems, Man, and Cybernetics, 1973, SMC-3(6): 610-621.

[24] BOYKOV Y, KOLMOGOROV V. An Experimental Comparison of Min-cut/Max-flow Algorithms for Energy Minimization in Vision[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2004, 26(9): 1124-1137.

[25] ROTTENSTEINER F, SOHN G, GERKE M, et al. Results of the ISPRS Benchmark on Urban Object Detection and 3D Building Reconstruction[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 93: 256-271.