基于Li DAR數據的建筑物自動提取方法的比較

馮甜甜,龔健雅

(1.同濟大學測量系,上海 200092;2.武漢大學測繪遙感信息工程國家重點實驗室,湖北武漢 430079)

基于Li DAR數據的建筑物自動提取方法的比較

馮甜甜1,龔健雅2

(1.同濟大學測量系,上海 200092;2.武漢大學測繪遙感信息工程國家重點實驗室,湖北武漢 430079)

簡述三種典型的利用LiDAR點云自動提取建筑物的方法。提出對建筑物提取結果的精度評價指標,并對三種方法的提取結果進行比較。結果表明基于Dempster-Shafer理論的建筑物自動提取方法最為穩健。

LiDAR;建筑物自動提取;精度評定

建筑物信息在很多應用中都起到十分重要的作用,如城市和區域規劃、交通規劃、人口估計和預測、污染分析及能量預算等[1]。隨著城市發展進程的加快,發展建筑物自動提取方法對于城市規劃者顯得相當重要。然而,由于建筑物屋頂的復雜形狀及頂部多樣的組成材料,如何從影像上自動準確地提取建筑物目標仍是一個較難的研究熱點[2]。近幾年,激光雷達 (light detection and ranging,Li DAR)技術的出現使得快速獲取高精度的三維地表數據成為可能,這也給建筑物提取研究帶來了新的機遇和挑戰。其中,具有代表性的利用 Li DAR數據探測建筑物的方法是平面擬合[3]和區域增長法則[4]。然而,大部分單獨使用LiDAR數據進行建筑物提取的方法在分辨部分地物方面都存在共同的問題,尤其是對于建筑物、植被以及橋梁的辨別。為了彌補這一局限,有些學者提出將高分辨率影像與 Li DAR數據相結合來提取建筑物。例如,文獻 [5]首先從LiDAR數據中提取非地面特征,再利用從 IKONOS影像中提取出來的 NDV I信息去除植被。文獻[6]先借助LiDAR數據分割出建筑物點,再結合影像的線段提取和 LiDAR估算的概略主方向將建筑物輪廓篩選出來。總之,到目前為止已經出現了大量的建筑物自動提取算法,但不同提取算法都有自身的特點,而對于不同提取算法之間的比較以及對建筑物提取結果的精度評價指標方面的研究相對較少。

本文介紹了三種典型的利用 LiDAR數據及高分辨率遙感影像的建筑物自動提取方法,這三種方法分別是基于平面擬合的區域增長法則、面向對象的分類方法以及基于 Dempster-Shafer(D-S)理論多源數據融合的建筑物自動提取方法。最后從建筑物的數量、面積和體積三個方面提出五個評價指標,對三種方法的提取結果進行定量的精度評定和比較。

一、建筑物提取方法

在進行建筑物提取之前需要對數據進行預處理。首先用 Delaunay三角網生成算法,定義每個LiDAR點的空間鄰接關系,并用最鄰近法將 LiDAR點內插成 1m分辨率的格網。然后計算表面高度變化的多尺度梯度,并在多分辨率、綜合分析的框架下采用自適應侵蝕規則 Li DAR格網點的方法區分地面點及非地面點,生成地面掩膜圖像[7]。另一方面,對應研究區域上的植被掩膜圖像根據從 Quick-Bird遙感影像計算出的 NDV I值及給定的閾值獲得,該處理通過 ENV I軟件實現。

1.區域增長法提取建筑物方法

區域增長法是典型的利用 Li DAR數據提取建筑物的方法。屋頂的探測從種子點開始,分析鄰近點與種子點的共面關系,逐步將鄰近的共面點加入進來。該方法首先通過測試非地面點的八鄰域點來識別內部點和邊界點;對于每個非地面內部點,用 3×3范圍內點的高程值模擬一個平面,并計算該平面與這 9個點之間的最大絕對偏差 (MAD);所有內部點按照MAD值升次排列,并將具有最小MAD值的點作為第一個種子點;將絕對偏差小于閾值的點加到當前平面中,并重復該處理,當找不到種子點時,區域增長處理結束。最后對區域增長處理的結果進行一些后處理:首先,根據植被掩膜圖像去除區域增長處理結果中的植被;其次,用剩下的 Li-DAR點生成只表示建筑物或非建筑物的二值圖像,并將二值圖像中的小洞填補起來;最后,再利用最小建筑物尺寸、最小建筑物高度以及最小建筑物體積等閾值將非建筑物區域過濾掉。

2.面向對象的分類方法提取建筑物

在面向對象的分類中,對影像的分割是比較關鍵的一步。這里將多個影像層輸入易康軟件進行影像的分割,這些影像層包括QuickBird四個多光譜影像、歸一化植被指數 (NDV I)影像、LiDAR影像和地面掩膜圖像。為了更好地進行影像分割生成同質區域,給每個影像層設定一個權值,權值的大小與該影像層的重要性成正比。整個影像分類過程分為以下三個階段進行:第一階段的目的是為了區分植被和不透水層。在權值的設置中,將 NDV I影像層的權值設為 5,其他影像層的權值設為 1。分割后,選取部分特征并使用特征空間優化工具來判斷哪些波段能有效地區分植被和不透水層,并將這些波段數據用于第二階段的分割。第二階段的目的是為了區分建筑物、植被和地面。將 NDV I影像層的權值降低至 2,LiDAR影像層的權值設為 3,地面掩膜圖像的權值設為 4,其他所有層的權值設為 1,得到分割結果。第三階段對影像分割結果進行分類,根據分割結果中對象的光譜反射值、形狀、紋理等特征采用最鄰近分類器進行分類,將影像分割的結果分成建筑物、植被、地面三個類型。

3.用D-S理論融合多源數據提取建筑物

D-S理論的主要思想是根據一個論斷不同證據來源的概率來推斷其信任度[8]。這里將地面掩膜圖像、植被掩膜圖像和候選建筑物圖像作為三種數據源。候選建筑物圖像通過地面掩膜圖像和植被掩膜圖像共同獲得。假設圖像中只有地面、建筑物、植被這三種類別,將所有非地面點且非植被點作為建筑物點并構成二值圖像,再去除二值圖像中小于最小建筑物尺寸的區域后作為候選建筑物區域。根據 D-S理論,將每一個候選建筑物區域看作一個獨立的論斷,并通過計算信任函數來判斷該區域是否為建筑物區域。首先,尋找每個候選建筑物區域的最小外接矩形,并計算最小外接矩形中的像素個數,假設為 N;在地面掩膜圖像的對應區域中計算地面點的像素個數,設為 p;那么該區域是地面的概率為 p/N。由于對該區域內其他像素點的類別沒有任何證據,那么該區域屬于植被、建筑物、植被或建筑物的概率相同。而所有類別的概率之和為 1,因此屬于上述三類的概率都是 (1-p/N)/3。類似的,根據植被掩膜圖像得到的各個類別的概率也可以用同樣的方法計算出來。而對于建筑物候選圖像,每個候選區域都有較大的初始建筑物概率,因此給定一個較低的常數作為初始建筑物概率,這樣則需要更多的來自其他數據源的證據來支持該區域是建筑物這一論斷,這也使得建筑物區域的判斷更具說服力。據研究表明,適當地降低初始概率值并不會對建筑物區域判斷的正確性產生影響[9]。最后,通過尋找各個類別信任函數的最大值來確定該候選區域的類別。

二、試驗及討論

本文在美國得克薩斯州奧斯汀市區內選取四個具有不同特征的區域作為試驗區,分別應用上述三種方法進行建筑物的自動提取試驗。將提取結果與實地調查所得到的參考數據比較,從基于建筑物的數量、面積和體積三個方面提出五種精度評價指標進行定量的精度評定和比較。

1.基于建筑物的數量

基于建筑物數量的精度評定采用檢出率和正確率這兩個評價指標。檢出率是指正確提取出的建筑物數目占參考數據中建筑物總數的比例,表達提取的完整性,反映試驗區內的漏檢錯誤;正確率是指正確提取出的建筑物數目占提取結果中建筑物總數的比例,表達提取結果的正確率,反映試驗區內的提取錯誤。這里認為只要建筑物的某一部分被正確提取出來了,就將這個建筑物記為被正確提取的建筑物。表 1顯示了三種建筑物提取結果的檢出率和正確率,從提取結果的檢出率上看,四個試驗區上的最高檢出率均是由基于D-S證據理論的數據融合方法獲得的;從提取結果的正確率上看,三種方法都不能使得在具有不同特點試驗區的提取結果均具有較高的準確率。

表 1 基于建筑物數量的精度評定結果 (%)

2.基于建筑物的面積

基于建筑物面積的精度評定采用面積漏檢錯誤和面積提取錯誤這兩個評價指標。面積漏檢錯誤是指試驗區中沒有被提取出的建筑物面積占參考數據中建筑物總面積的比例,反映有多少面積實際上是建筑物區域卻沒能被提取出來;面積提取錯誤是指提取結果中被錯誤提取為建筑物的面積占提取結果中建筑物總面積的比例,反映有多少面積實際上不是建筑物卻被誤認為是建筑物被提取出來了。

三種提取結果的精度評定結果如表 2所示。通過漏檢錯誤對比發現,三種提取方法在四個試驗區上得到的漏檢錯誤差別不大。相比其他兩種提取方法,用區域增長法的提取結果中有較高的漏檢錯誤。根據提取錯誤的對比,用影像分類方法的提取結果明顯差于其他兩種提取方法,在用 D-S理論融合方法的提取結果中,除了試驗區三中的提取錯誤較大程度地低于用區域增長法則的提取結果,其他三個試驗區中的差別不大。

表 2 基于建筑物面積的精度評定 (%)

3.基于建筑物的體積

最后提出全局體積誤差這一指標對提取的建筑物體積進行定量的精度評定。全局體積誤差是指提取的建筑物體積與真實建筑物體積之間的絕對誤差占真實建筑物體積的比例的平均值,反應建筑物體積上的整體提取偏差,計算結果如表 3所示。

對比每個試驗區中的體積誤差發現,影像分類方法的提取結果除了在試驗區二中的提取誤差較小外,在其他三個試驗區中的提取誤差都明顯高于其他兩種方法。而根據基于建筑物面積的精度評定結果可知,影像分類法在試驗區二中存在大量的提取錯誤,因此雖然該方法在試驗區二中表現出了較小的建筑物體積誤差,但實際上這個結果是不可取的,所以影像分類方法的提取結果是三種提取結果中最不理想的。在試驗區一、三中,用區域增長法和基于D-S理論的數據融合方法所提取出的建筑物在體積上的精度非常相近,而區域增長法在另外兩個試驗區中的提取誤差明顯高于D-S數據融合方法。因此有理由認為在這三種建筑物自動提取方法中,用 D-S理論的數據融合方法所提取出的結果在建筑物體積方面具有最小的誤差。

表 3 基于建筑物體積的精度評定 (%)

三、結束語

本文比較了用區域增長法、面向對象的分類方法及D-S理論三種方法自動提取建筑物的能力,并提出五個精度評定指標對提取結果進行了定量的精度評價。綜合各項精度評價指標發現,用 D-S理論進行建筑物的自動提取是最為穩健的方法,其提取結果在五個精度評價指標上均能達到較高的精度,這也給結合多源數據自動提取建筑物提供了新的思路。

[1]GRUEN A,NEVAT IA R.Automatic Building Extraction from Aerial Images[J]. Computer Vision and Image Understanding,1998,72(2):99-100.

[2]MAYUNGA S D,ZHANG Y,COLEMAN D J.Semiautomatic Buiding Extraction Utilizing QuickBird Imagery[C]∥Proc.of the ISPRS Workshop CMRT.Vienna:ISPRS,2005:131-136.

[3]NARD INOCCH IC,SCA ION IM,FORLAN I G.Building Extraction from LiDAR Data[C]∥IEEE/ISPRS Joint Workshop on Remote Sensing andData Fusion overUrban Areas. Rome: Institute of Electrical and Electronics Engineers in Piscataway,2001:79-83.

[4]AUER S,H INZ S.Automatic Extraction of Salient Geometric Entities from L IDAR Point Clouds[C]∥Geoscience and Remote Sensing Symposium.Barcelona:Institute of Electrical and Electronics Engineers(IEEE),2007:2507-2510.

[5]SOHN G,DOWMAN I.Data Fusion of High-resolution Satellite Imagery and Li DAR Data forAutomatic Building Extraction[J]. ISPRS Journal of Photogrammetry and Remote Sensing,2007,62(1):43-63.

[6]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].測繪學報,2008,37(3):391-393.

[7]S ILVAN-CARDENAS J L,WANG L.A Multi-resolution Approach for FilteringLiDAR AltimetryData[J].ISPRS Journal of Photogrammetry&Remote Sensing,2006,61(1):11-22.

[8]SHAFER G.A Mathematical Theory of Evidence[M].Princeton:Princeton University Press,1992.

[9]LU Y H,TR INDER J C,KUBLK K.Automatic Building Detection Using the Dempster-shafer Algorithm[J].Photogrammetric Engineering and Remote Sensing,2006,72(4):395-403.

Comparison of Automatic Building Extraction Methods Based on Li DAR Data

FENG Tiantian,GONG Jianya

2010-03-03

馮甜甜 (1983—),女,江蘇宿遷人,博士,主要從事建筑物提取及人口估算研究。

0494-0911(2011)02-0021-03

P237.9

B