利用機載LiDAR數據和高分辨率圖像提取復雜城區建筑物

王雪， 李培軍， 姜莎莎， 劉婧， 宋本欽

(1.香港中文大學地理與資源管理學系，香港　999077； 2.北京大學地球與空間科學學院遙感所，北京　100871； 3.路易斯安那州立大學工程科學項目，洛杉磯　70803； 4.屯特大學國際地理信息科學與地球觀測學院，恩斯赫德　7500； 5.中國電子科學研究院，北京　100041)

利用機載LiDAR數據和高分辨率圖像提取復雜城區建筑物

王雪1， 李培軍2， 姜莎莎3， 劉婧4， 宋本欽5

(1.香港中文大學地理與資源管理學系，香港999077； 2.北京大學地球與空間科學學院遙感所，北京100871； 3.路易斯安那州立大學工程科學項目，洛杉磯70803； 4.屯特大學國際地理信息科學與地球觀測學院，恩斯赫德7500； 5.中國電子科學研究院，北京100041)

摘要：在復雜城區內部通常存在大量的陰影，建筑物的屋頂也有多種類型，這使得利用高分辨率遙感圖像自動提取建筑物變得困難。針對上述2個問題，提出了一種綜合利用高分辨率圖像與機載LiDAR數據的城市建筑物提取新方法。首先，對歸一化植被指數(normalized difference vegetation index,NDVI)和LiDAR高度數據設定閾值得到初步的建筑物提取結果； 然后，分別利用陰影區NDVI、圖像紋理和形態學濾波來改進結果； 最后，采用局部的機載LiDAR數據和QuickBird圖像，對提出的方法進行驗證，并與現有方法進行比較。研究結果表明，該方法可有效減少由陰影和不同屋頂特征所造成的錯誤識別，顯著提高了建筑物提取精度。

關鍵詞：建筑物提取； 高分辨率圖像； 機載LiDAR； 陰影； 冷色屋頂； 多層次

0引言

城市建筑物信息是城市規劃、土地利用分析和災害評估等很多城市應用所需要的重要數據[1]。近年來，IKONOS，QuickBird，GeoEye-1和WorldView-2等高分辨率遙感數據的大量獲取，使得利用遙感技術提取建筑物成為可能。然而，由于建筑物與其他地物(如道路)的光譜相似性，僅利用高分辨率圖像很難準確地提取建筑物[2]。激光雷達 (lightdetectionandranging，LiDAR)所提供的高度數據，為建筑物的提取提供了補充信息[2-3]，因此，綜合利用高分辨率圖像和LiDAR數據可以更有效地提取城市建筑物[2]。

近年來，有很多利用高分辨率圖像和機載LiDAR數據提取城市建筑物的研究，采用的提取方法包括閾值法、圖像融合法和輪廓提取法等[2,4-5]。然而，這些研究大多集中于新算法的開發，且用于驗證算法的研究區一般都是相對簡單的城區，針對復雜城區的建筑物提取研究較少[2]。因為在復雜城區，存在高度不同、且形狀不規則的建筑物，高大建筑物和樹木的陰影遮蔽了較矮的建筑物和樹木，使得陰影區的地物光譜特征發生改變[6]。例如，陰影區內樹木歸一化植被指數(normalizeddifferencevegdationindex,NDVI)變得很低，與建筑物的NDVI值相似，僅利用NDVI很難區分陰影區內部的樹木與建筑物[7]。另一方面，復雜城區內建筑物的屋頂有多種類型，特別是為了有效減少城市熱島效應，近幾年冷色屋頂(藍色、綠色屋頂)或種有植被的屋頂越來越多[8]，這類屋頂在近紅外波段的反射率很高，與植被有相似的光譜特征。盡管在以往的研究中[9-11]，也發現了區分這2類屋頂的困難，但是卻沒有一種有效的解決方法。因此，針對上述2個問題，本文提出了一個利用LiDAR和高分辨率圖像提取復雜城區建筑物的新方法。

1提取方法

面向對象的分析方法通常比基于像素的方法可獲得更高精度的分類結果[12]，本文采用面向對象的方法來提取城市建筑物。首先，分別對LiDAR高度數據與高分辨率圖像進行分割，得到相應的圖像對象； 其次，以LiDAR數據的分割結果為基準，分別計算每一個對象的高度均值及NDVI均值并進行閾值法分類，初步提取城市區域的建筑物和樹木； 然后，對初步提取的建筑物和樹木結果進行優化； 最后，對優化后的結果進行后處理，進一步改善建筑物提取結果。本文方法流程圖見圖1。

圖1　方法流程

1.1圖像分割

利用上述圖像分割方法分別對LiDAR高度數據與高分辨率圖像進行分割。采用LiDAR數據的分割結果作為本研究提取建筑物的基準，而高分辨率圖像的分割結果則只用于陰影區的提取，以及對陰影區內部植被與非植被的區分。

1.2建筑物的初步提取

對高分辨率圖像和LiDAR高度數據進行圖像分割得到圖像對象后，采用閾值法[2]初步提取建筑物，即分別對LiDAR高度數據和NDVI圖像設定閾值： 高于高度閾值且低于NDVI閾值的對象識別為建筑物； 高于高度閾值且高于NDVI閾值的對象識別為樹木； 其他對象(即草地和地面)被掩模掉，不參與后續處理。

對結果的初步分析發現，直接利用高度和NDVI設定閾值來提取建筑物存在2個問題。第一，陰影區的樹木被錯分為建筑物，因為陰影區樹木的NDVI值通常很低，與建筑物的NDVI值相近； 第二，具有冷色屋頂或植被覆蓋屋頂的建筑物被錯分為樹木，因為這2類屋頂具有很高的近紅外波段反射率，與樹木有相似的反射光譜特征[8]。

“博雅課程”的目標旨在培養“品重學成、冠冕群倫的拔尖創新型人才”，課程由4大領域、10個模塊和若干專題組成（見表1）。

針對這2個問題，本文提出了對初步提取結果進行優化的方法。優化方法包括2步： ①從建筑物的初步提取結果中去除在陰影區被錯分為建筑物的樹木； ②從樹木的初步提取結果中，區分出具有冷色屋頂或植被覆蓋屋頂的建筑物。

1.3陰影區樹木的去除

為了去除陰影區內被錯分為建筑物的樹木，首先基于高分辨率圖像的分割結果及其光譜信息提取陰影區。本文采用亮度直方圖閾值法[7]來提取陰影，這是一個簡單但有效的方法，被廣泛應用于陰影區的提取[7]。提取出陰影區之后，將陰影區與建筑物初步提取結果進行疊加，確定位于陰影區內的建筑物對象，其中包括被誤分的樹木； 然后對陰影區內建筑物和樹木的NDVI值進行初步統計，確定一個合適的NDVI閾值來區分陰影區的樹木和建筑物； 最后將陰影區的樹木從建筑物初步提取結果中剔除。

1.4特定屋頂的建筑物提取

為了提取錯分為樹木的具有冷色屋頂或植被覆蓋屋頂(即特定屋頂)的建筑物，本研究試驗了很多方法[9,11]，但仍無法有效區分這2類屋頂。因此，本文提出了一種新的方法。

通常情況下，樹木和建筑物的光譜特征和高度在空間變化上有很大的不同： 樹木具有較顯著的空間變化(紋理)，而建筑物的屋頂則相對較均勻(外表光滑，無紋理)。所以，本文利用圖像紋理來區分樹木和特定屋頂的建筑物。

本文利用實驗變異函數來計算圖像紋理，這是一個被廣泛應用的紋理計算算法[17]，其表達式為

(1)

式中： xi為像元i的空間位置； DN為光譜亮度值；h為具有方向和大小的滯后距離(lag)向量； N(h)為距離為h的像元對的數量。

提取特定屋頂建筑物的方法為： 首先，考慮到建筑物都占有較大的面積，設定一個面積閾值，將一些小面積的對象(例如一棵樹)從樹木的初步提取結果中去除，去除后得到的結果包含大片的樹林和特定屋頂的建筑物； 然后，設定一個紋理閾值，對上一步結果中的每一個像元進行分析判斷，如果這個像元的紋理值低于此閾值，就被標記為建筑物，反之被標記為樹木； 最后，基于面向對象的處理方法，采取簡單眾數規則確定每個對象是否為建筑物，如果50%以上的像元被標記為建筑物時，此對象便被分類為建筑物，反之被分類為樹木。

本文分別采用LiDARnDSM和高分辨率全色圖像來計算圖像紋理，再分別提取特定屋頂的建筑物，然后進行定量比較，選擇最好的提取結果與陰影區去除樹木后的建筑物提取結果合并。

1.5后處理

為了進一步改善上述步驟得到的建筑物提取結果，本文提出了一種后處理方法： ①由于建筑物通常占有較大面積，所以設定一個面積閾值來去除掉小面積的對象； ②由于提取的建筑物對象和邊緣往往都不規則(如內部不連續、有空洞)，所以利用基于數學形態學的方法來解決該問題。首先，進行基于腐蝕的形態學重建[18]，使得建筑物中的洞被填充的同時，建筑物的邊緣保持不變； 然后，進行開運算，使得建筑物的邊緣變得筆直且規則。

1.6精度評價

利用LiDAR數據與高分辨率圖像，通過人工目視解譯和實地考察，得到整個研究區的建筑物分布，并作為參考數據來評價建筑物提取結果。

本文分別采用3種方法來進行精度評價： ①經典的混淆矩陣方法，也稱為基于像素指標的評價方法[2]，得到總體分類精度、Kappa系數、生產者精度和用戶精度4種評價指標[19]； ②統計結果圖像和參考圖像中建筑物重疊的數量，也稱為基于對象指標的評價方法[2]，該方法包含2種指數，一種是完整性，即生產者精度，另一種是正確性，即用戶精度[19]； ③分析提取誤差的空間分布，通過逐個像素的比對，分別對正確提取、錯分和漏分3種情況進行統計分析，最終得到誤差空間分布。

為了驗證本文所提出方法的有效性，將本文方法與2種現有方法進行對比。第1種方法是直接對LiDAR高度數據及NDVI圖像采用閾值法來提取建筑物。第2種方法是對第1種方法得到的建筑物提取結果再進行后處理。

2研究區及數據源

本文研究區位于江蘇省南京市鼓樓區，包括南京大學及其周邊地區，是非常復雜的城市建成區，覆蓋面積約140 000m2。該區域內街道和建筑物周圍樹木密集，有很多非常高的居民樓和商務樓，形成了大量陰影，一些建筑物和樹木位于陰影區內。同時，此區域的建筑物屋頂的材質和顏色多種多樣。有一些建筑物是冷色屋頂(藍色和綠色)，還有一些屋頂上種有植被(主要是草)。這些復雜的情況使得建筑物的自動提取變得困難。

本文數據源為QuickBird高分辨率影像和機載LiDAR點云數據。QuickBird圖像獲取時間為2009年11月22日，包括4個多光譜波段(空間分辨率為2.4m)和1個全色波段(空間分辨率為0.6m)。利用Gram-Schmidt方法[20]將多光譜和全色圖像融合，獲得銳化后的多光譜融合圖像。

LiDAR數據采集時間為2009年4月22日，利用Optech公司的ALTM(airbornelaserterrainmapper)Gemini[21]機載激光測量儀獲得，平面精度0.25m，高程精度0.15m。利用LiDAR的點云數據，首先生成數字表面模型(digitalsurfacemodel,DSM)和數字高程模型(digitalelevationmodel,DEM)圖像。DSM和DEM相減后，得到歸一化數字表面模型(normalizedDSM,nDSM)，代表了地物相對于地面的高度。以全色波段圖像為參考圖像，將nDSM圖像與多光譜融合圖像進行配準。對配準后的QuickBird和nDSM圖像進行裁剪，得到大小為1 364像素×936像素的研究區圖像(圖2)。

(a)QuickBird真彩色合成影像 (b)nDSM圖像 (c) 建筑物分布參考圖

圖2研究區數據

Fig.2dataofstudyarea

3結果和討論

本文分割尺度是通過對不同尺度的分割結果進行目視分析以及比較分類或信息提取的精度來確定的。nDSM圖像和QuickBird圖像初步分割尺度都為25，用于進一步區分陰影區植被和建筑物的分割尺度則為10。閾值主要是根據研究區內相關特征的統計結果以及試錯過程而確定的。在建筑物初步提取中，nDSM和NDVI的閾值分別為5和0.09。陰影提取中，亮度閾值為247。區分陰影區中的建筑物和樹木的NDVI閾值為0.01。后處理中，面積閾值為250像素； 腐蝕運算的結構元素是半徑為10像素的圓； 開運算的結構元素是8像素×8像素的正方形。表1列出了利用不同方法提取的建筑物信息基于像素指標的精度評價結果。

表1　不同方法提取的建筑物結果基于像素指標的精度評價

從表1中可以看出，3種方法的總體精度都大于90%，但是，直接利用閾值法提取建筑物的Kappa系數僅為79.19%； 當對閾值法的結果進行后處理(以下簡稱“閾值法+后處理”)，則Kappa系數增加了3.08%； 而本文方法Kappa系數有更明顯的提升，提高了6.17%。

表2是利用不同方法提取的建筑物信息基于對象指標的精度評價結果。

表2　不同方法提取的建筑物結果基于對象指標的精度評價

從表2中可以看出，直接利用閾值法提取建筑物的結果有很高的完整性(90.04%)，但正確性很低(66.24%)，表明雖然大多數的建筑物被正確提取出來，但很多非建筑物對象(如陰影區的樹木)卻被錯分為建筑物； 閾值法+后處理的方法在保持較高完整性的同時，正確性提升了24.19%； 本文方法正確性有更明顯的提升，達到95.56%，并且完整性也提升到了93.07%。

圖3是不同方法提取建筑物的結果。

(a)閾值法 (b) 閾值法+后處理 (c) 本文方法

圖3不同方法的建筑物提取結果

Fig.3Buildingextractionresultsusingdifferentmethods

從圖3中可以看出，直接采用閾值法雖然大多數的建筑物都被正確提取出來，但是建筑物的形態和邊界并不規則，還有很多噪聲，同時一些陰影區的樹木被錯分為建筑物(圖3(a)中紅圈內部)，很多特定屋頂的房屋被漏分。閾值法+后處理方法的提取結果有了很明顯的改善，大部分噪聲被去除，建筑物的形態和邊界也變得更規則，然而仍存在部分錯分和漏分現象(圖3(b))。本文方法提取建筑物的結果(圖3(c))不僅提取結果有了明顯的改善，而且大部分陰影區內部的樹木被去除，大多數特定屋頂的建筑物被正確提取出來。

圖4是不同方法的誤差空間分布情況。

(a)閾值法 (b) 閾值法+后處理 (c) 本文方法

圖4誤差空間分布

Fig.4Spatialdistributionoferrors

從圖4中可以看出，直接采用閾值法提取的結果既有很多錯分(綠色區域，如陰影區的樹木)，也有很多漏分(藍色區域，如特定屋頂的建筑物)； 采用閾值法+后處理的方法，陰影區樹木所造成的錯分現象雖明顯減少，但漏分現象卻仍然存在； 而本文方法得到的提取結果中，錯分誤差和漏分誤差都有明顯減少，這證明了本文方法的有效性。

通過誤差分析發現，本文方法仍存在一些漏分和錯分現象。存在漏分現象(藍色區域)的原因主要有2方面： ①有些建筑物的高度較低，在初步的閾值分類時被遺漏； ②由于LiDAR數據存在誤差，導致很多平滑的建筑物表面在高度上參差不齊。

造成錯分現象(綠色區域)的原因也主要有2方面： ①少部分陰影區的陰影非常濃重，致使這些樹木的NDVI值非常低； ②由于有一些樹木被包含在建筑物區域內或非常接近建筑物，具有較低的NDVI值。同時，在建筑物的邊緣也有一些錯分，這是由于LiDAR數據較低的水平精度[22]以及提取結果與參考圖像之間的配準誤差造成的； 并且，圖像分割誤差也會影響到建筑物提取結果。這些誤差分析為今后的相關研究提供了啟示和線索。

4結論

利用高分辨率圖像進行復雜城區的建筑物提取是一項困難的任務。針對復雜城區內的陰影，以及具有冷色屋頂或植被覆蓋屋頂的建筑物與樹木之間的光譜相似性，本文提出了一種綜合利用高分辨率圖像與機載LiDAR數據的多層次提取復雜城市建筑物的新方法，并利用實際數據，通過與現有方法比較驗證了本文方法的有效性。

1)本文方法結合了高分辨率圖像和機載LiDAR數據的優勢，充分利用光譜信息、圖像紋理、形狀信息和高度數據等來提取復雜城區的建筑物。

2)與現有方法相比，本文方法有效減少了由陰影和不同類型的屋頂所造成的建筑物錯分和漏分現象，建筑物提取精度顯著提高，可應用于具有類似情況的復雜城區的建筑物提取。

3)進一步的誤差分析發現，本文方法得到的建筑物提取結果仍存在少量錯分和漏分現象，需要進一步研究解決。在今后的研究中將考慮結合LiDAR數據的其他信息，如強度信息和多次回波特征等。

參考文獻(References)：

[1]HussainE,UralS,KimKH,etal.BuildingextractionandrubblemappingforcityPort-au-Princepost-2010EarthquakewithGeoeye-1imageryandLiDARData[J].PhotogrammetricEngineeringandRemoteSensing,2011,77(10):1011-1023.

[2]AwrangjebM,RavanbakhshM,FraserCS.AutomaticdetectionofresidentialbuildingsusingLiDARdataandmultispectralimagery[J].ISPRSJournalofPhotogrammetryandRemoteSensing,2010,65(5):457-467.

[3]李遷,肖春蕾,陳潔,等.基于機載LiDAR點云和建筑物輪廓線構建DSM的方法[J].國土資源遙感,2013,25(2):95-100.doi:10.6046/gtzyyg.2013.02.17.

LiQ,XiaoCL,ChenJ,etal.MethodforconstructingDSMbasedonbuildingcontourlineandairborneLiDARdata[J].RemoteSensingforLandandResources,2013,25(2):95-100.doi:10.6046/gtzyyg.2013.02.17.

[4]RottensteinerF,TrinderJ,ClodeS,etal.UsingtheDempster-ShafermethodforthefusionofLiDARdataandmultispectralimagesforbuildingdetection[J].InformationFusion,2005,6(4):283-300.

[5]李云帆,龔威平,林俞先,等.LiDAR點云與影像相結合的建筑物輪廓信息提取[J].國土資源遙感,2014,26(2):54-59.doi:10.6046/gtzyyg.2014.02.10.

LiYF,GongWP,LinYX,etal.TheextractionofbuildingboundariesbasedonLiDARpointclouddataandimageries[J].RemoteSensingforLandandResources,2014,26(2):54-59.doi:10.6046/gtzyyg.2014.02.10.

[6]RansonKJ,DaughtryCST.Sceneshadoweffectsonmultispectralresponse[J].IEEETransactionsonGeoscienceandRemoteSensing,1987,25(4):502-509.

[7]ZhouWQ,HuangGL,TroyA,etal.Object-basedlandcoverclassificationofshadedareasinhighspatialresolutionimageryofurbanareas:Acomparisonstudy[J].RemoteSensingofEnvironment,2009,113(8):1769-1777.

[8]LevinsonR,BerdahlP,AkbariH.Solarspectralopticalpropertiesofpigments-PartI:Modelforderivingscatteringandabsorptioncoefficientsfromtransmittanceandreflectancemeasurements[J].SolarEnergyMaterialsandSolarCells,2005,89(4):319-349.

[9]HuJB,ChenW,LiXY,etal.Roofconfusionremovalforaccuratevegetationextractionintheurbanenvironment[C]//InternationalWorkshoponEarthObservationandRemoteSensingApplications.Beijing:IEEE,2008:1-7.

[10]CablkME,MinorTB.Detectinganddiscriminatingimperviouscoverwithhigh-resolutionIKONOSdatausingprincipalcomponentanalysisandmorphologicaloperators[J].InternationalJournalofRemoteSensing,2003,24(23):4627-4645.

[11]PesaresiM,GerhardingerA,HaagF.Rapiddamageassessmentofbuilt-upstructuresusingVHRsatellitedataintsunami-affectedareas[J].InternationalJournalofRemoteSensing,2007,28(13/14):3013-3036.

[12]AL-KhudhairyDHA,CaravaggiI,GiadaS.StructuraldamageassessmentsfromIKONOSdatausingchangedetection,object-orientedsegmentation,andclassificationtechniques[J].PhotogrammetricEngineeringandRemoteSensing,2005,71(7):825-837.

[13]LiPJ,GuoJC,SongBQ,etal.Amultilevelhierarchicalimagesegmentationmethodforurbanimpervioussurfacemappingusingveryhighresolutionimagery[J].IEEEJournalofSelectedTopicsinAppliedEarthObservationsandRemoteSensing,2011,4(1):103-116.

[14]ZhangJ,LiPJ,MazherA,etal.Impervioussurfaceextractionwithveryhighresolutionimageryinurbanareas:Reducingtreeobscuringeffect[C]//InternationalConferenceonComputerVisioninRemoteSensing.Xiamen:IEEE,2012:94-99.

[15]LiPJ,XuHQ,SongBQ.Anovelmethodforurbanroaddamagedetectionusingveryhighresolutionsatelliteimageryandroadmap[J].PhotogrammetricEngineeringandRemoteSensing,2011,77(10):1057-1066.

[16]BenzUC,HofmannP,WillhauckG,etal.Multi-resolution,object-orientedfuzzyanalysisofremotesensingdataforGIS-readyinformation[J].ISPRSJournalofPhotogrammetryandRemoteSensing,2004,58(3/4):239-258.

[17]Rodriguez-GalianoVF,Chica-OlmoM,Abarca-HernandezF,etal.RandomforestclassificationofMediterraneanlandcoverusingmulti-seasonalimageryandmulti-seasonaltexture[J].RemoteSensingofEnvironment,2012,121:93-107.

[18]GonzalezRC,WoodsRE,EddinsSL.DigitalImageProcessingUsingMATLAB[M].2nded.USA:GatesmarkPublishing,2009:827.

[19]FoodyGM.Statusoflandcoverclassificationaccuracyassessment[J].RemoteSensingofEnvironment,2002,80(1):185-201.

[20]LabenA,BrowerBV.Processforenhancingthespatialresolutionofmultispectralimageryusingpan-sharpening:USA,6011875[P/OL].2000-01-04[2015-01-30].http://www.freepatentsonline.com/6011875.html.

[21]ChenL,ZhaoSH,HanWQ,etal.BuildingdetectioninanurbanareausingLiDARdataandQuickBirdimagery[J].InternationalJournalofRemoteSensing,2012,33(16):5135-5148.

[22]LiY,WuHY.AdaptivebuildingedgedetectionbycombiningLiDARdataandaerialimages[C/OL]//TheInternationalArchivesofthePhotogrammetry,RemoteSensingandSpatialInformationSciences.Beijing:ISPRS,2008:197-202.http://www.isprs.org/proceedings/XXXVII/congress/1_pdf/33.pdf.

(責任編輯： 陳理)

BuildingextractionusingairborneLiDARdataandveryhighresolutionimageryoveracomplexurbanarea

WANGXue1,LIPeijun2,JIANGShasha3,LIUJing4,SONGBenqin5

(1. Department of Geography and Resource Management, The Chinese University of Hong Kong, Hong Kong 999077, China;2. Institute of Remote Sensing and GIS, School of Earth and Space Sciences, Peking University, Beijing 100871, China;3. Engineering Science Program, Louisiana State University, Los Angeles 70803, USA; 4. Faculty of Geo-information Science and Earth Observation of Twente University, Enschede 7500 AE, the Netherlands; 5. China Academy of Electronics and Information Technology， Beijing 100041， China.)

Abstract:The occurrence of shadow and diverse building roofs in complex urban areas makes it difficult to extract building automatically using very high resolution (VHR) imagery over these areas. In order to solve these two problems, this paper proposed a novel method for building extraction using airborne LiDAR data and VHR imagery. The buildings were initially extracted by thresholding the normalized difference vegetation index (NDVI) image and LiDAR height data. The initially obtained result was then refined by using NDVI image over shadow areas, image texture and morphological filtering. The proposed method was quantitatively evaluated and compared with existing methods using airborne LiDAR data and QuickBird image of Nanjing City, China. The results indicated that the proposed method effectively reduced the extraction errors caused by shadow and diverse building roof and significantly improved the accuracy of building extraction.

Keywords:building extraction; very high resolution imagery; airborne LiDAR; shadow; cool-colored roof; multi-level

doi:10.6046/gtzyyg.2016.02.17

收稿日期：2014-11-12；

修訂日期：2015-02-02

中圖法分類號：TP 79

文獻標志碼：A

文章編號：1001-070X(2016)02-0106-06

第一作者簡介：王雪(1990-)，女，博士研究生，研究方向為高空間分辨率遙感城市變化檢測。Email： wsnow@link.cuhk.edu.hk。

引用格式： 王雪,李培軍,姜莎莎,等.利用機載LiDAR數據和高分辨率圖像提取復雜城區建筑物[J].國土資源遙感,2016,28(2):106-111.(WangX,LiPJ,JiangSS,etal.BuildingextractionusingairborneLiDARdataandveryhighresolutionimageryoveracomplexurbanarea[J].RemoteSensingforLandandResources,2016,28(2):106-111.)