面向對象的植被與建筑物重疊區域的點云分類方法

徐宏根，王建超，鄭雄偉，吳 芳，李 遷

(1.中國國土資源航空物探遙感中心，北京 100083;2.中國地質調查局武漢地質調查中心，武漢 430205)

面向對象的植被與建筑物重疊區域的點云分類方法

徐宏根1，2，王建超1，鄭雄偉1，吳 芳1，李 遷1

(1.中國國土資源航空物探遙感中心，北京 100083;2.中國地質調查局武漢地質調查中心，武漢 430205)

在分析LiDAR點云數據分類現狀的基礎上，針對植被與建筑物重疊區域分類困難的問題，提出了一種基于面向對象的點云分類方法。首先采用三角網漸進內插的濾波方法將點云分為地面點和非地面點，并得到DTM;然后對高出DTM一定高度的非地面點建立三角網，刪除較長的三角網的邊(地物間的邊)，從而將非地面點云分割成多個對象;再利用各個對象內的三角網坡度信息熵大小判斷該對象屬于植被或建筑物;最后對于難以區分的對象(植被與建筑物重疊區)根據建筑物幾何規則形狀延伸擴充，從而提高植被和建筑物重疊區的點云分類準確率。實驗結果表明，該方法能夠很好地區分建筑物和植被點，分類準確率達到87%。

機載激光雷達;點云分類;植被;建筑物;面向對象

0 引言

機載激光雷達(light detection and ranging，LiDAR)是近年來廣泛應用于快速獲取精確地面三維數字信息的新型技術。目前，機載激光雷達技術已廣泛應用于道路規劃、數字城市建模、林業調查、電力選線巡線及自然災害的災前預測、災情勘測、災后重建等領域。在這些應用當中，首要任務是把點云數據進行分類。近些年已經提出了很多LiDAR數據的特征提取和數據過濾的算法，將激光點云進行分類，從而生成所需的數字產品。

Filin［1］將 LiDAR 數據作為單一數據源，對建筑物屋頂部分進行了分類研究;Vosselman［2］利用LiDAR數據所生成的地面模型和表面模型之差來提取建筑物;H?fle等［3］在LiDAR點云數據中利用基于對象的方法對冰川表面進行了分割和分類研究;Miliaresis［4］采用基于面向對象的方法從LiDAR點云數據提取建筑物點云數據;Lodha等［5］利用SVM方法進行LiDAR數據的分類。大多數分類算法是基于局部的相似性，如需要比較局部坡度差和高程差等，當樹枝和建筑物頂部靠得很近時，則會造成建筑物與樹木被錯誤地融合到一個類別中而難以區分，這種情形在城市地區尤為普遍。因此本文在基于面向對象分類后，對植被和建筑物重疊區域還進行了幾何規則化并擴充，提高了建筑物點的識別率。

1 點云濾波

在LiDAR濾波時，需先建立區分地面點和非地面點的規則，該規則就是濾波算法的假設條件。主要的假設條件有兩種:①地面點低于非地面點;②地面坡度變化在一定范圍之內。濾波算法的關鍵問題是如何利用判別規則和假設條件建立數學模型，區分地面點和非地面點。根據濾波算法原理的差異，可分為3類:形態學方法［6-7］、基于內插的方法［8-10］和基于曲面擬合［11］的方法。形態學方法是以最低點為基礎計算出粗略的模型，再利用該粗略模型定義一個高程緩沖區，在緩沖區內的點接受為地面點;基于曲面擬合方法是將地面看作連續且平緩變化的表面，可用帶限制條件的參數曲面約束分類;基于內插的方法是線性最小二乘內插后激光腳點高程擬合殘差不服從正態分布，高出地面的地物點高程擬合殘差都為正值，且偏差較大。本文采用文獻［10］中的三角網漸進內插的濾波方法區分地面點和非地面點。

2 研究方法與思路

2.1 基于面向對象的點云分類方法總體流程

點云濾波后得到地面點和非地面點。非地面點中包含建筑物、植被和小面積物體。先利用區域分割的方法，將地物進行分割，并排除小面積物體;再統計各個地物的坡度信息熵，利用建筑物表面平坦信息熵小的原理對建筑物和植被進行分割，若分割不成功，則采用基于幾何特征約束的方法對植被和建筑物重疊區域進行分割，其流程如圖1所示。

圖1 點云分類流程Fig.1 Flow char of point cloud classification

1)將非地面點的高程減去地面點所構成的DTM，得到各非地面點的高度，將高度大于某設定閾值(如0.5m)的點建立三角網。

2)區域分割。在植被或建筑物區域，非地面點密度大于裸露地表區域的密度，因此在植被或建筑物區域的非地面點所建立的三角網比較密集，邊長較短;而在裸露地面區域的非地面點所建立的三角網比較稀疏，邊長較長。刪除邊長大于設定閾值的邊后，三角網被分割成多個小三角網(每個小三角網為一個對象)。

3)統計各個對象的面積，若面積大于設定閾值，則該對象被判為植被或建筑物，轉到下一步;否則，為小面積物體，本文對該類不識別;

4)利用建筑物表面平坦，其對應的坡度信息熵小的原理區分建筑物和植被;

5)若基于坡度信息熵方法無法區分建筑物和植被，則采用建筑物幾何約束的方法對植被和建筑物重疊區的點云進行分類。

2.2 基于信息熵的植被和建筑物點云分類

采用基于坡度信息熵的方法分割建筑物和植被的流程如圖2所示。

圖2 建筑物和植被點云分類Fig.2 Point cloud classification of building and vegetation

與植被表面相比，建筑物表面比較平滑，即建筑物點所構成的三角網的各個法向量方向比較一致;而植被點所構成的三角網的各個法向量方向相差很大。因此，可按下面的步驟判斷某個對象是植被還是建筑物:

解算得出。求出法向量后，再根據相應公式求出該法向量與水平面所構成的傾斜角α。

2)統計傾斜角在各個角度區間的個數及其對應的概率，本文角度區間間隔設為10°，共9個角度區間。

首先，統計在各個角度區間的三角形個數，如圖3所示。

圖3 植被和建筑物的法向量角度統計直方圖Fig.3 Histogram of vegetation and building on vector angle

然后，計算各角度區間三角形出現的概率p(xi)，即

式中:mi表示第i個角度區間內的三角形個數;M表示總的三角形個數。

3)計算該對象的坡度角信息熵Entropy，即

式中n為角度區間個數。

4)從圖3可以看出，若是建筑物，則該對象的三角形坡度方向主要聚集在個別角度區間內;而植被點，則分散在各個角度區間內。因此，可以根據坡度信息熵大小來區分植被和建筑物。若信息熵小于閾值t1，則該對象為建筑物;若信息熵大于閾值t2，則該對象為植被;否則為植被和建筑物重疊區，即

式中:E=Entropy(x)/M;0＜t1＜t2。根據多組實驗數據測試，t1=0.01，t2=0.05能夠取得較好的分類結果。如果是植被則根據其平均高度可分為低矮、中等和高大植被3種。

2.3 植被和建筑物重疊區分割方法

當某區域的E值在t1和t2之間時，其分類的正確率不高。這種情況主要出現在植被覆蓋了部分建筑物。為了正確分離植被和建筑物，本文利用建筑物的幾何約束特征對點云數據進行分類。

由于人工建筑物的幾何表面存在嚴格的點、線、面的幾何特征關系，如建筑物邊緣一般由直線構成，而建筑物屋頂一般由平面構成;并且絕大部分人工建筑物的外形可以用棱柱體來描述，因為其一般具有比較規則的形狀，其中一個突出的特點就是建筑物的外邊緣線段常常是互相垂直或平行的，為此可對提取的建筑物邊緣線進行規則化處理。因此本文基于這種假設，對植被遮擋的建筑物區域再次進行點云分類。其流程為:

首先，提取無植被遮擋的建筑物區域;然后，根據無植被遮擋的建筑物區域的點云提取概略的建筑物邊緣;最后，將建筑物規則化，并重新分類;

2.3.1 提取無植被遮擋的建筑物區域

在無植被遮擋的建筑物區域具備2個特征:①回波次數大部分為1;②坡度角度大致相同。因此利用這2個特點可以快速提取無遮擋的建筑物區域。首先，將該對象區域的非地面點云數據進行規則格網組織;然后，統計各個格網內平均回波次數，并統計該區域內各三角形的坡度角信息熵;最后，逐個格網判斷，若平均回波次數小于設定值(本文取1.1)并且坡度信息熵小于設定值(本文取0.01)，則該區域為無遮擋的建筑物區域。

2.3.2 提取概略的建筑物邊緣

采用張靖等［12］提出的基于等高線提取建筑物模型的方法提取建筑物的概略邊緣。首先，通過對無植被遮擋的建筑物點云數據的三角網跟蹤提取等高線;然后，利用等高線的長度、面積等形狀參數來提取建筑物等高線;再通過拓撲分析，以及形狀匹配的方法對等高線進行分簇，得到同一建筑物不同組成部分的等高線簇;最后，對各簇等高線進行模型參數優化，并按拓撲關系進行重組建筑物模型。

2.3.3 根據建筑物幾何特征進行規則化和擴展

經2.3.2節提取的建筑物邊緣是不規則的，如圖4(a)所示，并且也不完整。因此需要對邊緣進行規則化，并補充被植被遮擋的區域。

圖4 建筑物規則化示意圖Fig.4 Schematic diagram of regularizating building

由于大部分人工建筑物一般都是規則的多邊形輪廓，即建筑物相鄰兩條邊之間的夾角為90°，并且相對的兩條線是平行的，因此可以根據該幾何特征進行規則化并擴展。具體步驟如下:

首先，將邊緣線分段，即相鄰兩邊的夾角大于135°時，認為這兩邊屬于同一線段;然后，將屬于同一線段的邊緣線重新擬合成一條直線;再根據相鄰平行線一般是等長的情況，將建筑物邊緣進行擴展，如圖4(b)所示;最后，根據擴展后的邊緣重新分類。若點離建筑物面的距離小于設定閾值，則認為該點為建筑物點，否則為植被點。

3 實驗

3.1 實驗數據

實驗中所用的數據是2009年在敦煌市區采集的，選取其中一塊進行實驗，該數據按高程顯示如圖5所示。

圖5 原始點云(按高程顯示)Fig.5 Original point clounds(displayed on elevation)

3.2 點云濾波

采用漸進三角網加密方法對原始點云數據進行濾波，得到地面點(黃色點)和非地面點(白色點)，結果如圖6所示。

圖6 點云濾波結果Fig.6 Point clouds after filtered

3.3 基于坡度信息熵的點云分類測試

濾波后，將非地面點云數據的高程減去地面點所構成的DTM，得到各個點的高度。對高度大于0.5 m的點云建立三角網。然后刪除三角網中邊長大于0.5 m的邊，就會得到多個子三角網，對每個子三角網的坡度計算信息熵。圖7(a)的點云所構成的三角網的坡度信息熵為0.114，而圖7(b)的點云所構成的三角網的坡度信息熵為0.008。

圖7 基于坡度信息熵的點云分類結果Fig.7 Classified result of point clouds based on slope information

3.4 重疊區分類

對于難于區分的重疊區域，經過幾何規則化和擴展，并將點云重新分類，分類結果如圖8所示。

圖8 重疊區分類結果Fig.8 Classification result of overlapping area

3.5 分類正確率

為了統計分類方法的正確率，將解譯結果進行比較(表1)。

表1 分類正確率Tab.1 Classification accuracy (%)

表1中，方案1是采用文獻［1］中的方法;方案2是采用本文的基于坡度信息熵的分類方法，處理重疊區前的準確率;方案3是采用本文方法，處理重疊區后的準確率。表中植被點誤分率是指其他類被識別成植被的錯誤率，建筑物誤分率是指其他類被識別成建筑物的錯誤率。

從表1中可以看出，本文方法在未處理重疊區時，與方案1相當;而在考慮建筑物幾何規則約束的基礎上對重疊區分類，建筑物點的正確率有所提高，植被點的誤分率明顯下降，并且總體識別率顯著提高。

4 結論與展望

本文將非地面點按對象進行分組，利用建筑物點云比植被點云數據所建立的三角網的坡度更一致的原理，有效地區分了植被和建筑物;而在植被和建筑物重疊區域根據建筑物的幾何形狀拓展分類，解決了重疊區分類困難的問題，明顯提高了重疊區的分類精度。

每種數據所包含的數據量都是有限的，要想靠獨立的數據處理系統實現單數據源數據處理的自動化往往不太現實，因此融合多源數據進行點云濾波分類是今后點云數據處理的發展趨勢，也是點云數據處理向高精度、高自動化程度發展的新方向。

［1］Filin S，Pfeifer N.Segmentation of Airborne Laser Scanning Data Using a Slope Adaptive Neighborhood［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2006，60(2):71-80.

［2］Vosselman G，Dijkman S.3D Building Model Reconstruction from Point Clouds and Ground Plans［J］.International Aachives of Photogrammetry Remote Sensing and Spatial Information Sciences，2001，34(3/w4):37-44.

［3］H?fle B，Geist T，Rutzinger M，et al.Glacier Surface Segmentation Using Airborne Laser Scanning Point Cloud and Intensity Data［J］.Remote Sensing and Spatial Information Sciences，2007(3/w52):195-200.

［4］Miliaresis G，Kokkas N.Segmentation and Object-based Classification for the Extraction of the Building Class from LiDAR DEMs［J］.Computers ＆ Geosciences，2007，33(8):1076-1087.

［5］Lodha S K，Kreps E J，Helmbold D P，et al.Aerial LiDAR Data Classification Using Support Vector Machines(SVM)［C］//Proceedings of the Conference on 3DPVT，2006，3(4):567-574.

［6］Chen Q，Gong P，Baldocchi D，et al.Filtering Airborne Laser Scanning Data with Morphological Methods［J］.Photogrammetric Engineering and Remote Sensing，2007，73(2):175.

［7］Zhang K Q，Chen S C，Whitman D，et al.A Progressive Morphological Filter for Removing Nonground Measurements from Airborne LiDAR Data［J］.IEEE Transactions on Geoscience and Remote Sensing，2003，41(4):872-882.

［8］Kraus K，Rieger W.Processing of Laser Scanning Data for Wooded Areas［J］.Fritsch and Spiller，Editors，Photogrammetric Week，1999，99:221-231.

［9］Lee H S，Younan N H.DTM Eextraction of LiDAR Returns Via Adaptive Processing［J］.IEEE Transactions on Geoscience and Remote Sensing，2003，41(9):2063-2069.

［10］Axelsson P.DEM Generation from Laser Scanner Data Using Adaptive TIN Models［J］.International Archives of Photogrammetry and Remote Sensing，2000，33(B4/1;PART 4):110-117.

［11］Elmqvist M，Jungert E，Lantz F，et al.Terrain Modelling and Analysis Using Laser Scanner Data［J］.IAPRS，2001，34(3/w4):219-224.

［12］張 靖，李樂林，江萬壽.基于等高線簇分析的復雜建筑物模型重建方法［J］.地球信息科學學報，2010，12(5):641-648.

Object-based Point Clouds Classification of the Vegetation and Building Overlapped Area

XU Hong-gen1，2，WANG Jian-chao1，ZHENG Xiong-wei1，WU Fang1，LI Qian1
(1.China Aero Geophysical Survey and Remote Sensing Center for Land and Resources，Beijing 100083，China;2.Wuhan Center of Geological Survey，Wuhan 430205，China)

This paper proposes an object-oriented point clouds classification method for solving the difficult classification problem for the overlapping between vegetation and buildings based on reviewing current status of LiDAR point clouds classification approaches.In the proposed method，the point clouds are firstly separated into ground points and non-ground points through adaptive TIN filter method，and the DTM is obtained.Second，a triangle network is constructed for non-ground points higher than DTM.The non-ground point clouds could be divided into multi-objects by removing longer edges(edge between ground and object).Then，the object is judged to decide whether it belongs to vegetation or building according to its information entropy of triangle network slope.Finally，for objects difficult to be distinguished from other objects，the overlapped area between vegetation and buildings is extended by geometric shape of buildings，so that the accuracy of point clouds classification of the overlapped area could be improved.The experiment results show good classification performance for buildings and vegetation，and the accuracy reaches 87%.

light detection and ranging(LiDAR);classification of point clouds;vegetation;building;objectbased

P 237.3

A

1001-070X(2012)02-0023-05

徐宏根(1979-)，男，博士，主要研究LiDAR數據分析處理、衛星遙感數據處理、遙感地質應用等。E-mail:honggen_xu@163.com。

(責任編輯:邢 宇)

10.6046/gtzyyg.2012.02.05

2011-07-04;

2011-07-20

中國國土資源航空物探遙感中心對地觀測技術工程實驗室，航遙青年創新基金項目(編號:2010YFL14)資助。