羅瀟姝

（四川建筑職業(yè)技術(shù)學(xué)院 四川 德陽 618000）

0 引言

隨著城市化進(jìn)程的加速和城市規(guī)模的不斷擴(kuò)大，對于建筑物的識別、分類變得越來越重要。 傳統(tǒng)的建筑物特征研究主要依賴于人工勘察和地面調(diào)查，耗時耗力且效率低下。 然而，無人機技術(shù)的快速發(fā)展為建筑物特征研究帶來了新的機遇［1］。 RGB（red、green、blue）影像是指由紅、綠和藍(lán)3 個波段組成的彩色影像。 無人機載雷達(dá)和RGB 影像作為兩種常用的無人機數(shù)據(jù)源，提供多種角度和維度的建筑物信息。 無人機載雷達(dá)可以通過發(fā)射和接收雷達(dá)波，獲得建筑物的結(jié)構(gòu)特征、高程信息和反射特性，即使在復(fù)雜地形和植被覆蓋的情況下也能有效探測。 RGB 影像則能夠提供建筑物的視覺信息，包括外觀特征、紋理和色彩等［2］。 借助計算機視覺、機器學(xué)習(xí)和深度學(xué)習(xí)等技術(shù)，可以開發(fā)自動化算法和模型，實現(xiàn)建筑物的自動分類、提取和分析，有助于提高研究的效率和準(zhǔn)確性，減輕人工分析的工作量。

1 無人機載雷達(dá)技術(shù)在建筑物特征研究中的挑戰(zhàn)

無人機載雷達(dá)系統(tǒng)采集的數(shù)據(jù)量龐大，對于數(shù)據(jù)的存儲、管理和處理提出了挑戰(zhàn)。 有效的大數(shù)據(jù)處理和分析方法亟須被開發(fā)。 在數(shù)據(jù)處理和配準(zhǔn)方面，無人機載雷達(dá)數(shù)據(jù)的預(yù)處理、配準(zhǔn)和濾波等步驟需要高度精確的算法和技術(shù)支持。 無人機載雷達(dá)數(shù)據(jù)的質(zhì)量和精度直接影響建筑物特征提取的準(zhǔn)確性和可靠性。 需要開發(fā)相應(yīng)的質(zhì)量控制方法，包括數(shù)據(jù)校正、誤差估計和精度評估等。 如何實現(xiàn)自動化的建筑物分類和功能分析仍是挑戰(zhàn)。

2 RGB 影像及建筑物特征

2.1 RGB 影像獲取與處理

在建筑物特征研究中，RGB 影像是一種常用的數(shù)據(jù)源，用于提取建筑物的視覺特征和紋理信息。 RGB 影像可以通過多種方式獲取，包括航空攝影、衛(wèi)星遙感和無人機航拍等。 無人機航拍則是利用無人機平臺進(jìn)行低空拍攝，具有靈活性和高分辨率的優(yōu)勢。

2.2 建筑物特征提取方法

建筑物特征提取是建筑物研究中的重要任務(wù)，它能夠從圖像或點云數(shù)據(jù)中提取出建筑物的形狀、紋理、高程等信息［3］。 傳統(tǒng)方法主要基于計算機視覺和圖像處理技術(shù)，包括特征描述子、邊緣檢測、分割和形狀分析等方法。 深度學(xué)習(xí)方法利用深度神經(jīng)網(wǎng)絡(luò)對圖像或點云數(shù)據(jù)進(jìn)行特征學(xué)習(xí)和提取，能夠自動學(xué)習(xí)和表示建筑物的特征。 基于圖像分割的方法是將建筑物從背景中分離出來，以獲得建筑物的輪廓和形狀信息，常用的圖像分割方法包括基于閾值、基于邊緣、基于區(qū)域和基于圖割等。 基于形狀描述的方法是將建筑物的形狀信息進(jìn)行描述和匹配，以獲得建筑物的特征，常用的方法包括形狀上下文、形狀分析和輪廓匹配等。 基于高程數(shù)據(jù)的方法是基于點云或激光雷達(dá)數(shù)據(jù)的建筑物特征提取，可以利用高程信息進(jìn)行分析，高程數(shù)據(jù)可以提供建筑物的高度、坡度和屋頂形態(tài)等特征。 基于多源數(shù)據(jù)的方法是結(jié)合多源數(shù)據(jù)，如多光譜影像、熱紅外影像和雷達(dá)數(shù)據(jù)，進(jìn)行建筑物特征提取可以獲得更全面和多維的信息。 多源數(shù)據(jù)融合可以利用各種數(shù)據(jù)的優(yōu)勢，提高建筑物特征的準(zhǔn)確性和魯棒性。

3 數(shù)據(jù)獲取與預(yù)處理

3.1 無人機載雷達(dá)數(shù)據(jù)采集

無人機載雷達(dá)數(shù)據(jù)采集是利用搭載在無人機上的雷達(dá)設(shè)備對地面進(jìn)行掃描和測量，以獲取地物的距離、高程和反射特性等信息，詳見表1。

表1 無人機載雷達(dá)數(shù)據(jù)采集步驟

對于特定的研究項目，可以結(jié)合其他傳感器數(shù)據(jù)進(jìn)行多源數(shù)據(jù)融合，以獲得更全面和多維的信息。

3.2 RGB 影像獲取與校正

RGB 影像獲取和校正是指獲取彩色圖像并對其進(jìn)行校正和處理，以獲得準(zhǔn)確的顏色信息和圖像質(zhì)量，對于遙感、地理信息系統(tǒng)、計算機視覺和圖像分析等都具有重要意義［4］。 通過數(shù)據(jù)采集和校正，獲得可靠的圖像數(shù)據(jù)，并為后續(xù)的分析和應(yīng)用提供準(zhǔn)確的信息基礎(chǔ)，詳見表2。

表2 RGB 影像獲取與校正步驟

3.3 數(shù)據(jù)預(yù)處理和配準(zhǔn)

數(shù)據(jù)預(yù)處理和配準(zhǔn)可以消除數(shù)據(jù)之間的差異性，提高數(shù)據(jù)質(zhì)量和一致性，為后續(xù)的特征提取和分析提供可靠的基礎(chǔ)。 同時減少誤差和不確定性，從而增強對建筑物特征的準(zhǔn)確性和可靠性的分析和解釋。

（1）數(shù)據(jù)預(yù)處理。 噪聲去除：使用濾波算法（如高斯濾波、中值濾波）去除數(shù)據(jù)中的噪聲，提高數(shù)據(jù)質(zhì)量。 數(shù)據(jù)平滑：應(yīng)用平滑算法（如均值濾波、卷積核濾波）降低數(shù)據(jù)中的噪聲和離群值數(shù)據(jù)插值：對缺失或不完整的數(shù)據(jù)進(jìn)行插值處理，填補缺失值以恢復(fù)數(shù)據(jù)的完整性。 影像校正：如去除輻射畸變、幾何畸變或傳感器響應(yīng)不均勻性等。

（2）數(shù)據(jù)配準(zhǔn)。 幾何配準(zhǔn)：對數(shù)據(jù)進(jìn)行幾何配準(zhǔn)，將不同源或不同時間的數(shù)據(jù)對齊。 輻射配準(zhǔn)：校正不同數(shù)據(jù)源的輻射度，使其具有相同的輻射單位和參考標(biāo)準(zhǔn)。 影像配準(zhǔn)：將不同傳感器或不同分辨率的影像進(jìn)行配準(zhǔn)，使其空間對應(yīng)關(guān)系準(zhǔn)確。

（3）數(shù)據(jù)校正和標(biāo)定。 輻射校正：將數(shù)據(jù)轉(zhuǎn)換為可比較的輻射度或反射率，消除由于不同傳感器、觀測條件或大氣效應(yīng)引起的亮度差異。 色彩校正：調(diào)整數(shù)據(jù)的色彩和亮度，以保持一致的顏色表現(xiàn)和可視化效果。 尺度校正：根據(jù)地面控制點等，對數(shù)據(jù)進(jìn)行尺度校正，確保準(zhǔn)確的空間尺度。

4 數(shù)據(jù)融合方法

4.1 點云與影像數(shù)據(jù)融合算法

點云與影像數(shù)據(jù)融合算法用于將來自激光掃描儀或無人機搭載的激光雷達(dá)采集的點云數(shù)據(jù)與來自RGB 影像的圖像數(shù)據(jù)進(jìn)行融合，以獲得更豐富和全面的地理信息。

4.1.1 影像投影法

①影像像素到點云的投影：將影像上的像素坐標(biāo)轉(zhuǎn)換為對應(yīng)的地理坐標(biāo)，然后通過插值或最近鄰的方法找到對應(yīng)的點云數(shù)據(jù)點，將像素值賦予該點云點。 ②點云到影像的反投影：將點云數(shù)據(jù)點的地理坐標(biāo)投影到影像平面上，然后通過插值或最近鄰的方法找到對應(yīng)的影像像素，將點云的屬性信息賦予該像素。

4.1.2 特征匹配法

①特征提取與匹配：從點云數(shù)據(jù)和影像數(shù)據(jù)中提取特征，如角點、邊緣、紋理等。 然后通過特征描述子或相似度度量方法進(jìn)行特征匹配，找到點云和影像中相對應(yīng)的特征點。 ②姿態(tài)估計與配準(zhǔn)：基于匹配的特征點，使用姿態(tài)估計算法計算點云和影像之間的相對姿態(tài)（平移和旋轉(zhuǎn)），進(jìn)而進(jìn)行點云和影像的配準(zhǔn)，使其對齊。

4.1.3 深度學(xué)習(xí)方法

①語義分割與對齊：使用深度學(xué)習(xí)模型，如卷積神經(jīng)網(wǎng)絡(luò)或語義分割網(wǎng)絡(luò)，對影像數(shù)據(jù)進(jìn)行語義分割，得到每個像素點的語義類別。 然后將語義分割結(jié)果與點云數(shù)據(jù)進(jìn)行對齊，將每個點云點的屬性信息賦予對應(yīng)的語義類別。 ②生成對抗網(wǎng)絡(luò)（GAN）：使用GAN 模型，通過學(xué)習(xí)影像數(shù)據(jù)和點云數(shù)據(jù)之間的映射關(guān)系，生成逼真的點云數(shù)據(jù)，以填補點云數(shù)據(jù)的缺失或不完整部分。

4.1.4 運動估計與融合

通過運動估計算法，估計無人機或激光掃描儀在采集數(shù)據(jù)時的運動軌跡和姿態(tài)變化。 將點云數(shù)據(jù)和影像數(shù)據(jù)根據(jù)估計的運動軌跡和姿態(tài)變化進(jìn)行融合，實現(xiàn)點云和影像數(shù)據(jù)的空間對齊和一致性。

4.2 三維重建和紋理映射

三維重建是將點云數(shù)據(jù)轉(zhuǎn)換為幾何模型的過程，它包括點云的三角化和表面重建。 常用的三維重建方法包括以下幾種：Delaunay 三角化、法向量估計與平滑、體素化重建、基于特征的重建。 紋理映射是將影像數(shù)據(jù)中的紋理信息映射到三維模型表面的過程，以實現(xiàn)真實感和細(xì)節(jié)的增強。 常用的紋理映射方法包括點云投影、紋理坐標(biāo)映射、多視角紋理融合、基于光照的紋理合成。

綜合考慮三維重建和紋理映射，可以將點云數(shù)據(jù)與影像數(shù)據(jù)無縫地融合，生成具有高質(zhì)量紋理的真實感三維模型。 通過三維重建，可以獲得準(zhǔn)確的幾何信息，而通過紋理映射，可以為模型賦予真實的外觀和細(xì)節(jié)。 這種融合可以提供更真實、更直觀的可視化效果。

5 建筑物特征提取與分析

5.1 建筑物輪廓提取

建筑物輪廓提取是從圖像或點云數(shù)據(jù)中提取出建筑物的邊界或輪廓線。 這個過程可以獲取建筑物的幾何形狀信息，進(jìn)而進(jìn)行建筑物的分析、識別和重建等任務(wù)。

Canny 算法是一種經(jīng)典的邊緣檢測方法，可以檢測出圖像中的邊緣信息，通過設(shè)定適當(dāng)?shù)拈撝岛瓦吘夁B接策略，以提取出建筑物的邊界。 區(qū)域生長算法是一種基于像素相似性的圖像分割方法，可以將具有相似屬性的像素聚合成區(qū)域，通過設(shè)定建筑物的種子點和生長準(zhǔn)則，在圖像中提取出建筑物的輪廓。 圖割算法是一種圖論算法，可以將圖像分割成多個具有相似屬性的區(qū)域。 通過設(shè)定建筑物的前景和背景標(biāo)簽，實現(xiàn)建筑物輪廓的提取。 卷積神經(jīng)網(wǎng)絡(luò)通過訓(xùn)練具有建筑物輪廓標(biāo)注的數(shù)據(jù)集，可使用卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行建筑物輪廓的預(yù)測和提取。

5.2 高程信息提取

高程信息提取是指從地形數(shù)據(jù)中提取出地表點的垂直高程信息。 可利用激光雷達(dá)數(shù)據(jù)中的地面點，通過一系列濾波和分割算法提取出地面的點云，從而得到地表的高程信息。 還可通過將激光雷達(dá)點云進(jìn)行插值或柵格化，生成高精度的數(shù)字高程模型，其中每個像素都代表了地表的高程值。 也可通過分析多幅SAR 圖像的相位差異，推斷出地表點的高程信息，這種方法在獲取大范圍地表高程信息方面具有優(yōu)勢，適用于地表形變監(jiān)測和地形重建等應(yīng)用。 還可通過對具有重疊區(qū)域的光學(xué)影像進(jìn)行立體匹配，計算出地表點的高程信息，這種方法需要至少兩個視角的影像，并利用視差或特征點匹配來計算高程。 還可利用全球?qū)Ш叫l(wèi)星系統(tǒng)接收器獲取地表點的位置信息，通過差分定位或?qū)崟r動態(tài)定位算法，計算出點的高程信息，這種方法適用于實時監(jiān)測和測量應(yīng)用。 將不同數(shù)據(jù)源（如激光雷達(dá)數(shù)據(jù)、SAR 數(shù)據(jù)、光學(xué)影像等）進(jìn)行融合，可以綜合利用它們的優(yōu)勢，提高高程信息提取的精度和完整性。

5.3 紋理特征提取

紋理特征提取是指從圖像或物體表面中提取出紋理信息的過程。

灰度共生矩陣（ gray-level co-occurrence matrix，GLCM）通過計算圖像中像素間的灰度級對出現(xiàn)的頻率來描述紋理。 基于GLCM 可以提取出統(tǒng)計特征，如能量、對比度、均勻性和熵等。

灰度直方圖通過計算圖像中像素的灰度級分布，可以獲取圖像的灰度紋理特征。

小波變換可以將圖像分解成不同尺度和方向的頻帶。通過分析各個頻帶的能量分布和紋理信息，可以提取出具有多尺度和多方向特征的紋理描述子。

局部二值模式是一種局部紋理描述子，通過比較像素與其鄰域像素的灰度關(guān)系來表示紋理信息。 局部二值模式特征可以通過計算圖像中每個像素的二進(jìn)制編碼來提取。

Gabor 濾波器是一組用于提取紋理信息的濾波器。通過在不同尺度和方向上對圖像進(jìn)行Gabor 濾波，可以提取出不同頻率和方向的紋理特征。

通常，將多個紋理特征提取方法結(jié)合起來可以獲得更全面和豐富的紋理描述。 可以將不同方法提取的特征進(jìn)行組合或串聯(lián)，以得到更具辨別能力的紋理特征。

6 展望

未來的研究可以繼續(xù)探索和拓展相關(guān)技術(shù)和應(yīng)用，以提高建筑物分類與功能分析的準(zhǔn)確性、效率和實用性，為城市規(guī)劃、環(huán)境監(jiān)測、智能交通等領(lǐng)域的發(fā)展提供更好的支持。 還需進(jìn)一步改進(jìn)。

①算法改進(jìn)：進(jìn)一步改進(jìn)數(shù)據(jù)融合和特征提取的算法，提高建筑物分類與功能分析的準(zhǔn)確性和魯棒性。 可以嘗試引入更復(fù)雜的深度學(xué)習(xí)模型、多模態(tài)數(shù)據(jù)融合方法和語義推理技術(shù)等。 ②多尺度建筑物分析：建筑物具有不同的尺度和層次，從單個建筑物到城市級別，研究如何在不同尺度下進(jìn)行建筑物特征提取和分析，可以提供更全面和細(xì)粒度的信息。 ③實時處理和大規(guī)模數(shù)據(jù)：建筑物數(shù)據(jù)的實時處理和大規(guī)模數(shù)據(jù)的處理是具有挑戰(zhàn)性的任務(wù)，需要開發(fā)高效的算法和系統(tǒng)，以滿足實時性和處理效率的要求。 ④應(yīng)用拓展：可以探索將該方法應(yīng)用于城市規(guī)劃、環(huán)境監(jiān)測、智能交通等領(lǐng)域，為相關(guān)決策和應(yīng)用提供更準(zhǔn)確、全面的建筑物信息支持。 ⑤跨領(lǐng)域合作與應(yīng)用：與地理信息系統(tǒng)、機器學(xué)習(xí)、遙感等領(lǐng)域共同研究建筑物分類與功能分析的方法和應(yīng)用，獲得更多的專業(yè)知識和技術(shù)支持，推動建筑物特征研究的發(fā)展。 ⑥算法可解釋性和可視化：開發(fā)可視化工具來展示建筑物特征和分析結(jié)果，幫助用戶更好地理解和應(yīng)用算法，提高用戶的信任和接受度。