利用高精度DSM數據提取建筑物輪廓算法研究

引文格式： 馬紅. 利用高精度DSM數據提取建筑物輪廓算法研究[J].測繪通報，2015(4)：111-113.DOI:10.13474/j.cnki.11-2246.2015.0124

利用高精度DSM數據提取建筑物輪廓算法研究

馬紅

(重慶市勘測院，重慶 400020)

ResearchonAlgorithmforBuildingOutlineExtractionBasedon

High-precisionDSMData

MAHong

摘要：基于DSM數據提取建筑物輪廓信息是快速自動構建建筑物三維模型的基礎和前提。本文將隨機抽樣一致性算法RANSAC引入到DSM點云分割中，提出了一種基于隨機抽樣一致性算法模型的建筑物面片識別和輪廓提取算法，實現了高精度DSM數據的建筑物輪廓信息提取，試驗驗證了本文方法的精度和可靠性。

關鍵詞：DSM；建筑物輪廓；RANSAC；特征提取

中圖分類號：P208

收稿日期：2014-03-28

基金項目：“十二五”國家科技支撐計劃(2011BAH12B07-03)

作者簡介：馬紅(1987—)，女，碩士，工程師，主要從事遙感影像處理和應用研究以及空間數據挖掘工作。E-mail：690573582@qq.com

一、引言

隨著車載導航系統、位置服務需求的不斷增長和數字城市、智慧城市的快速發展，快速高效的建筑物三維模型重建技術已逐漸成為當前研究熱點[1]。三維建筑模型作為三維城市模型的主體內容，其目前的生產方式主要是利用建模軟件(如3DMax等)手工建模，工作強度大、生產成本高；其高程數據來源主要包括地形圖和樓層、航空攝影測量數據以及竣工測量數據等[2]。由于數據源多樣化和現勢性差異的影響，建筑物三維模型的高程精度并不準確，導致其應用受到限制，尤其在城市規劃領域幾乎無用武之地。

考慮到高精度的DSM包含了建筑物的平面輪廓范圍和高程信息，因此可以利用高精度的DSM數據提取建筑物的輪廓和高程[3-4]。對DSM數據采用一定的準則進行處理，就可以將建筑物和其他非建筑物分離。幾年來，國內外很多學者對建筑物三維重建方法進行了大量的研究，如Vosselman等利用Hough變換處理LiDAR點云數據并結合地平面信息來提取建筑物[5]；Miche等采用區域增長方法處理LiDAR點云數據提取建筑物[5]；GuoTao等利用LiDAR數據提取DEM，再利用DEM和LiDAR數據得到正則化的DSM，最后通過分割DSM提取建筑物[6]；穆超等利用高分辨率遙感影像和DSM數據組合分類提取建筑物輪廓[7]。為了充分利用現有影像處理系統的強大并行計算能力，本文采用像素工廠DSM編輯器自動生成高精度的DSM數據，并引入計算機視覺中具有強魯棒性消除錯誤點的RANSAC模型來提取建筑物輪廓信息[8]。

二、基于RANSAC模型的建筑物高程信息提取

隨機抽樣一致性算法(randomsampleconsensus，RANSAC)是由Fishier和Bolles提出[9]，它是一種從數據集合中迭代估計模型參數(模型擬合)的方法，通過隨機取樣剔除局外點的影響，構建一個僅由局內點數據組成的基本子集。在進行參數估計時，并不是不加區分地對待所有的輸入數據，而是首先設計一個判斷準則，利用此準則迭代剔除那些與所估計的參數不一致的輸入數據(即局外點)，然后通過正確的輸入數據來估計參數[10-11]。它要求保證在一定的置信概率下，基本子集最小抽樣數N與一個良性抽樣子集的概率P(P>ε)滿足如下關系

P=1-(1-1×(1-ε)d)N

(1)

式中，ε為數據錯誤率；d為計算模型參數需要的最小數據量。

作為一種穩健的估計算法，RANSAC在模型選擇、影像匹配等領域內應用較為廣泛[10]。Bauer等在利用立體像對進行城市建筑物三維重建時，結合RANSAC方法對建筑物進行立面提取，極大地提高了三維重建的效率[12]。本文將RANSAC模型引入到DSM點云數據中提取建筑物輪廓信息，實現步驟如圖1所示。

圖1　基于RANSAC模型的建筑物高程信息提取流程

具體步驟如下：

1) 隨機選擇原始輸入數據中的一個子集，并認為該子集是一個只包含局內點的集合，通過該子集數據解算模型參數。

2) 測試完整數據集中剩余點是否符合此參數模型，如果符合，則這些點是局內點；否則為局外點。

3)如果符合該模型的局內點數達到所設定的閾值，即認為該模型估計正確，根據所有局內點來精確計算模型參數。

4) 如果符合該模型的局內點數沒有達到所設定的閾值，那么可能存在一個包含更多局內點和更高精度的模型，因此重復執行上述步驟，直到最終確定最優的模型參數。

5) 根據最優的模型參數，提取建筑物屋頂輪廓，輸出提取結果。

在處理過程中，N表示構建模型所需要的最小數據，k用以判斷輸入點坐標是否符合模型的閾值參數，M用以判定模型是否為更有效的最小樣本數，t表示RANSAC模型迭代的次數。在計算過程中，將建筑物屋頂視為平面，只需要3個點即可以確定其參數，故N=3。假定所選取的點都是局內點的概率為P0，若都是局內點的模型可能為最優模型；再假定每次選取到局內點的概率為P，則可以得到如下關系

(2)

式中，M1為輸入數據中的局內點個數；M為輸入點云數據的總個數。

分析輸入數據和試驗區的特性，可以給P賦一個近似值。設PN為每次選擇都選中局內點的概率，則至少有一次選中局外點的概率為1-PN，因此在t次迭代計算過程中出現錯誤的概率Pt滿足如下公式

Pt=(1-PN)t

(3)

由于Pt等于1-P0，故對式(3)兩邊求取對數，有下式成立

(4)

根據式(4)，如果選定某點后，該點在后續的選取過程中有可能會被重復選中，如此推導出的t值是選取不重復點的上限。故使用其標準偏差進行估計比簡單的t值更可信，則t的標準偏差

(5)

三、試驗與分析

1. 試驗及結果

本文利用像素工廠DSM編輯器生成高精度DSM數據，空間分辨率為0.4m。選取的試驗數據覆蓋面積約1km2。本研究在像素工廠中完成了DSM點云數據的生成，并利用雙線性內插方法對DSM數據作了內插處理，消除了零值區域對提取結果的影響。利用IDL語言完成了本文算法的程序開發，基于ENVI5.0平臺實現了本文方法試驗。

首先載入試驗數據，如圖2所示。其中，圖2(a)為試驗區域的DOM影像，圖2(b)為試驗區域的DSM點云數據。

由DOM影像可以看出，試驗區域內建筑物林立密集且面積較大，因此，對應圖1提取流程中的參數k、M，取值k=0.8，M=60。采用本文方法遍歷處理后，識別出的建筑物輪廓如圖3所示。

圖2　某地區試驗數據

圖3　RANSAC模型提取后的建筑物輪廓信息

2. 精度分析

精度分析通常采用更高精度的數據驗證或實地測量方式完成。本文從試驗區域1∶500數字地形圖上提取建筑物信息進行精度驗證。利用1∶500的數字線劃圖(2006—2009年生產，數據格式為MicroStationV8DGN)進行建筑物矢量提取，通過接邊、合并、構面等處理，可以得到較為精確的建筑物輪廓。再將該輪廓數據進行坐標轉換處理，使其與DSM提取的建筑輪廓信息在同一坐標系下，并將本文提取的輪廓與1∶500數字地形圖中提取的建筑物輪廓進行疊加套合，套合結果如圖4所示。

圖4　1∶500數字線劃圖中建筑物輪廓與本文方法提取輪廓套合

通過圖4的套合結果可以看出，本文方法提取的建筑物輪廓信息基本能夠與1∶500地形圖上提取的建筑物輪廓套合，排除坐標轉換存在的誤差和DSM生成誤差(即前期空三加密誤差)的影響，利用本文方法提取的建筑物輪廓整體精度能夠滿足后期使用的要求。

四、結束語

本文主要針對高精度DSM點云數據處理過程中建筑物輪廓信息提取進行了研究，提出了一種基于RANSAC模型的建筑物輪廓特征提取方法，且通過試驗證明了本文方法可以從高精度DSM點云數據中準確提取建筑物輪廓信息，并將1∶500數字線劃圖中提取建筑物輪廓信息與本文方法提取結果進行了疊加比對。比對結果證明本文方法提取的建筑物輪廓信息比較準確，能夠滿足后期三維城市仿真建模和城市用地信息變化檢測等方面的工作需要。

本文算法在處理DSM點云數據時，僅對DSM數據作了內插處理，消除了無值區對結果的影響，在下一步的研究中將結合測區的機載LiDAR數據、高分辨率光學衛星影像和高分辨率SAR影像等進行多源數據融合處理，實現建筑物輪廓的精確提取和快速建模，以提高實際建模的生產效率、降低生產成本。

參考文獻：

[1]曹敏，史照良，沈泉飛.基于高精度DSM的建筑物三維幾何模型構建[J].測繪通報,2011(10):20-22.

[2]穆利娜，李發紅.城市DSM的獲取技術與應用[J].陜西師范大學學報,2008(6):224-227.

[3]汪燕琴，李光耀，衛靖杰，等.基于數字高程模型的建筑物自動提取算法研究[J].計算機工程與應用,2008,30(44):243-245.

[4]周曉明.基于像素工廠產品提取建筑物矢量輪廓方法的研究與實踐[D].鄭州:信息工程大學,2008.

[5]VOSSELMANG,DJIMKANS. 3DBuildingModelReconstructionfromPointCloudsandGroundPlans[J].InternationalArchivesofPhotogrammetryandRemoteSensing,2001, 34(3/VV4): 37-44.

[6]GUOT,YASUOKAY.CombiningHighResolutionSatelliteImageryandAirborneLaserScanningDataforGeneratingBareLandandDEMinUrbanAreas[D].Kunming:[s.n.],2002.

[7]穆超，余潔，許磊，等. 基于高分辨率遙感影像的DSM建筑物點的提取研究[J]. 武漢大學學報:信息科學版,2009,34(4): 414-417.

[8]姚達，周軍，薛質. 計算機視覺中強魯棒性的遺傳一致性估計[J].計算機工程,2011,37(20): 183-185.

[9]FISCHLER M A, BOLLES B C. Random Sample Consensus: A Paradigm for Model Fitting with Applications to Image Analysis and Automated Cartography[J]. Communications of the ACM, 1981, 24(6): 381-395.

[10]LEE J S, GRUNES M R, SCHULER D L, et al. Scattering-model—based Speckle Filtering of Polarimetric SAR Data[J]. Transactions on Geoscience and Remote Sensing, 2006, 44(1): 176-187.

[11]王植，李清泉. 一種基于機載LiDAR 和離散曲率的建筑物三維重建方法[J].地理與地理信息科學,2009,25(1): 44-48.

[12]YAMAGUCHI Y, MORIYAMA T, YAMADA H. Four-Component Scattering Model for Polarimetric SAR Image Decomposition[J]. IEEE Transactions on Geoscience and Remote Sensing, 2005, 43(8): 1699-1706.