LiDAR點云與遙感影像結合提取建筑物輪廓

陳蒙蒙，周紹光，劉文靜，程圓娥

（1.河海大學測繪科學與工程學院，江蘇 南京 211100）

LiDAR點云與遙感影像結合提取建筑物輪廓

陳蒙蒙1，周紹光1，劉文靜1，程圓娥1

（1.河海大學測繪科學與工程學院，江蘇 南京 211100）

結合點云數(shù)據(jù)與遙感圖像數(shù)據(jù)提取建筑物輪廓提出一種新方法。首先對LiDAR點云高程柵格化，利用形態(tài)學濾波得到地物的高程圖DSM；用漸進形態(tài)學對高程圖進行濾波，得到地形圖；通過克里金插值對地面點進行內(nèi)插得到DTM；以DSM-DTM=DHM得到粗糙的高度圖；通過中值濾波得到完善的高度圖，進行基于高度信息和彩色信息的區(qū)域生長，最后進行基于方位梯度數(shù)據(jù)的分割，優(yōu)化建筑物邊緣，有效地實現(xiàn)了建筑物輪廓提取。

克里金插值；DHM；圖割

目前，國內(nèi)外學者提出了多種將LiDAR點云與遙感影像結合提取建筑物輪廓的方法[1-3]。在此基礎上，本文提出另外一種結合LiDAR點云和遙感影像的建筑物輪廓提取方法。首先進行點云濾波，得到地面點；再根據(jù)點云的高程柵格化得到高程圖，地面克里金插值獲得DTM；然后利用DSM-DTM=DHM，得到地面高度模型DHM（digital height model）；用區(qū)域生長和局部方差的方法，獲得建筑物屋頂?shù)拇笾掳邏K，根據(jù)斑塊，獲得建筑物斑塊的邊界緩沖區(qū)；最后根據(jù)影像和DHM信息，構建圖割的能量函數(shù)，分割得到建筑物的精確輪廓。

1 算法流程

建筑物輪廓提取算法如圖1所示。

圖1 建筑物輪廓提取算法

1.1 地面點獲取并利用克里金法獲得DTM

1.1.1 點云柵格化和填充缺失數(shù)據(jù)獲取高度圖DSM

對于空間離散點云，首先將其水平投影，求出所有數(shù)據(jù)點坐標的最大值與最小值。再根據(jù)這些最大最小坐標值建立一個與坐標軸平行的最小長方形包圍投影數(shù)據(jù)，將小長方形劃分為相同大小的一系列小正方形（稱為柵格），再將高程信息賦給柵格。若有幾個數(shù)據(jù)同時落入一個單元格，那么只記錄最小高程，此格網(wǎng)記為gmin。當一些單元格里無高程，對于這些單元格，解決的策略是將最鄰近的單元格的值賦給此單元格。當存在大面積的缺失數(shù)據(jù)時，此方法會引起錯誤，解決辦法是先找到數(shù)據(jù)缺失的區(qū)域并用與其鄰近的區(qū)域中的最小高程值填充該區(qū)域。具體步驟為：

1）對數(shù)據(jù)缺失區(qū)域進行定位。首先創(chuàng)建二值區(qū)，用“1”代表有值的單元格，用“0”代表無值的單元格。然后對二值圖進行形態(tài)學閉運算，使用半徑為r的“圓盤”結構元素：

式中，d表示脈沖速度（單位km的脈沖數(shù)），可以由原始數(shù)據(jù)計算出；c表示單元格的大小，單位是m。閉運算以后，由于脈沖密度低導致的縫隙消失，面積較大的數(shù)據(jù)缺失區(qū)域被發(fā)現(xiàn)。

2）用各個數(shù)據(jù)缺失區(qū)域輪廓線上最小高程值填充相應的缺失數(shù)據(jù)，用膨脹后的圖減去原圖可以得到數(shù)據(jù)缺失區(qū)域的輪廓邊界，膨脹的結構元素是半徑為1的“disk”結構元素。

3）對于上面修改過的gmin，反復使用最近鄰的高程值替代無值的單元格。對每個格網(wǎng)進行高程賦值后，得到地物的原始高程圖。

1.1.2 對高程數(shù)據(jù)濾波得到地形數(shù)據(jù)

數(shù)學形態(tài)學的基本運算是腐蝕和膨脹，其通過結構元素的鄰域執(zhí)行運算。集合X被結構元素B腐蝕表示如下[4]：

腐蝕是為了獲得高程較鄰域最低的點，膨脹是為了獲得高程較鄰域最高的點。開運算是基于膨脹和腐蝕的，先腐蝕再膨脹。開運算具有一個很好的特點，能夠去除比指定的窗口尺寸小的突出物體。

選用圓盤型結構元素B，這是由于圓盤型結構元素更加適合去除植被并保持地形不變。對高程圖進行數(shù)學形態(tài)學的開運算，濾除地表上的樹和高粗差點，h極小轉(zhuǎn)換能夠檢測和填充所有比周圍低h m以上的凹坑，以去除和填充低粗差區(qū)域。

接著對高程圖進行漸進形態(tài)學濾波，逐漸增大窗口的尺寸，直到找到所有的建筑區(qū)域，選擇最大窗口大于最大的建筑物，濾波去除建筑物，得到地形圖。

1.1.3 克里金插值和高度圖的生成

對得到的地形圖進行克里金插值生成DTM，根據(jù)DSM－DTM=DHM得到粗糙的高度圖。由于中值濾波能有效抑制噪聲[5]，中值濾波的基本原理是把數(shù)字圖像或數(shù)字序列中一點的值用該點的一個鄰域中各點值的中值代替，讓周圍的像素值接近的真實值，從而消除孤立的噪聲點，而且可以保持圖像的邊緣特性，不會使圖像產(chǎn)生顯著的模糊，因此將粗糙的地物高度數(shù)據(jù)進行中值濾波，得到完善的地物高度圖。

1.2 基于高度信息和遙感影像提取建筑物

1.2.1 利用高度和光譜特點確定建筑物候選點

對整個實驗區(qū)進行分析后可知：①房屋高度不低于5 m；②建筑物在高度上與當?shù)貥淠竞芙咏虎劢ㄖ镯敳康墓庾V特點與地面很相似。根據(jù)建筑物的高度和光譜分布范圍確定閾值，可分辨出大部分建筑物點。

除上述3個特點，樹木與房屋頂部還可以通過鄰域高度最小方差加以區(qū)分：將圖2所示的4個濾波窗口的定位點順次對準高度圖像的每一像素，計算每一窗口鄰域內(nèi)高度數(shù)據(jù)的方差，求出4個方差中最小一個作為當前像素處的均勻性指標。房屋頂部（尖頂或平頂）的均勻性非常高，而樹木的高度方差則相對要大得多[7]。對高度和光譜閾設置值后，可區(qū)分出大部分建筑物與樹木。

圖2 4個方向的濾波窗口(黑色表示定位點)

1.2.2 區(qū)域生長獲取建筑物斑塊

建筑物圖斑邊緣不整，存在毛刺、不規(guī)則粘連塊。首先通過形態(tài)學腐蝕去除邊緣的不規(guī)則和小錯誤，然后利用區(qū)域生長法重新生長出建筑物斑塊。建筑物都有足夠大的面積，腐蝕操作去除了邊緣部分后，中央部分可作為生長階段的種子點。生長同時考慮高度色彩的相似性[8]。為了盡可能保證房屋邊緣接近直線，生長過程按“圈”執(zhí)行，同時生長出多個新點的步驟才視為有效。區(qū)域生長實現(xiàn)的步驟如下：①對圖像順序掃描，找到第1個還沒有歸屬的像素，設該像素為（X0，Y0）；② 以（X0，Y0）為中心，考慮（X0，Y0）的4鄰域像素（X，Y），如果（X0，Y0）滿足生長準則，將（X，Y）與（X0，Y0）合并（在同一區(qū)域內(nèi)），同時將（X，Y）壓入堆棧；③從堆棧中取出一個像素，把它當作（X0，Y0）返回步驟②；④當堆棧為空時，返回步驟①；⑤重復步驟①、④，直到圖像中的每個點都有歸屬時，生長結束。

1.3 基于方位梯度數(shù)據(jù)的圖割

為了使得生長所得建筑物斑塊的邊緣盡可能平直，與影像內(nèi)部邊緣線靠近，對建筑物斑塊的外邊緣線進行優(yōu)化[5,9]。以其中一個斑塊E為例介紹優(yōu)化過程、展示優(yōu)化結果。

1.3.1 計算影像的梯度模值及方向

依次利用圖3所示的a、b、c、d 4個模板對斑塊進行卷積，令卷積結果分別為im1、im2、im3、im4，計算出im1、im2、im3、im4的絕對值。每個像素處有4個非負的灰度梯度值，算出每個像素點的最大灰度梯度值并記錄其對應方向數(shù)。若像素p處im1中數(shù)據(jù)絕對值最大，則表明該點處有豎直邊緣；類似若im1，im2，im3，im4中數(shù)據(jù)絕對值最大，則分別表明該點處有“左下右上”邊緣、水平邊緣或“左上右下”邊緣。

圖3 邊緣檢測模板

1.3.2 對建筑物外邊緣線進行優(yōu)化

E斑塊如圖4a，計算其附近的梯度模值，得到斑塊附近的梯度方向分布情況。梯度模的取值范圍為[0，100]；梯度方向共有4個不同的值，分別為水平、豎直及±45°方向。搜索出斑塊輪廓線，膨脹此輪廓線得到優(yōu)化緩沖區(qū)。用緩沖區(qū)的梯度模及方向數(shù)據(jù)構建圖，圖割法解算最小割得到房屋E的最終輪廓線，圖4b為這一優(yōu)化結果，圖4c為提取輪廓線疊加于E斑塊上的效果。

圖4 以E斑塊為例進行邊緣線優(yōu)化

對其他房屋斑塊作類似處理，總體結果如圖5。圖6為提取輪廓線疊加于原始影像上的效果。大部分的輪廓邊緣線比較平直，與建筑物的外形基本相似。

圖5 邊緣線優(yōu)化

圖6 邊緣疊加到原圖

2 實驗結果與分析

由一些高層住宅性建筑物組成實驗區(qū)域，實驗區(qū)域基本情況有：①建筑物結構復雜，且部分區(qū)域建筑物被高大植被環(huán)繞遮蔽。②汽車種類較多，部分小汽車的高度和面積均與超小型建筑物接近。③ 道路紋理與建筑物很相似。④空間分辨率SR為0.20 m。

將本文建筑物提取結果與采用目視解譯的方法手動分割原圖作為參考的分割結果，即人工在原圖上分別標注出目標區(qū)域的輪廓（ground truth），運用算法將實驗中的分割結果分別與 Ground Truth 作交集檢測錯分的像素點數(shù)，則錯分率為錯分像素占原圖總像素的比例，驗證本文方法的有效性。圖7表示用本文的方法提取的建筑物輪廓；圖8表示Ground Truth得到的結果，表1為二種方法測試的對比值。

表1 本文方法與人工解譯精度對比

經(jīng)實驗對比分析發(fā)現(xiàn)，在多次的重復實驗中，人工解譯的結果不穩(wěn)定，不能精確地表現(xiàn)建筑物的形狀信息，提取精度遠不如本文算法，驗證了算法的有效性和可靠性。

圖7 本文提取結果

圖8 人工解譯提取結果

3 結 語

本研究中提出了提取建筑物的算法，實驗證明算法的有效性。考慮到建筑物的復雜性，在今后的工作中還需要對二個方面進行更深入的研究和拓展：

1）在城市建筑物密集區(qū)，LiDAR很容易區(qū)分建筑物和其他地物，但在地物分布稀疏的區(qū)域，其分辨地物的能力并不比影像強，自動劃分不同區(qū)域是一個有待解決的預處理問題。

2）從遙感數(shù)據(jù)中獲取建筑物的粗糙斑塊是成功提取建筑物最關鍵的一個步驟，但對斑塊進行邊緣優(yōu)化是另一難題。期望的結果是與建筑物的實際輪廓盡可能接近且盡可能平滑。如何保證邊緣線平滑是下一步研究重點。

[1] VU TT,YAMAZAKI F,MATSUOKA M, Matsusuoka M.Multi-scale Solution for Building Extraction from LiDAR and Image Data[J].International Journal of Applied Earth Observation and Geoinformation,2009(11):281-289

[2] TURKER M,KOC-SAN D. Building Extraction from Highresolution Optical Spaceborne Images Using the Integration of Support Vector Maching(SVM) Classification, Hough TransFormation and Perceptual Grouping[J].International Journal of Applied Earth Observation and Geoinformation, 2015(34):58-69

[3] 劉戰(zhàn)杰.一種新的基于區(qū)域生長的彩色圖像分割算法[J].山東大學學報（理學版）,2010,45(6):76-80

[4] 閆麗麗,許長輝,高井祥,等. 基于數(shù)學形態(tài)學細化算子的改進Canny算法研究[J].測繪科學, 2010, 35(2):82-84

[5] 吳加富,樊景峰.一種改進的快速中值濾波算法[J].濟源職業(yè)技術學院學報,2009, 8(1):21-23

[6] LI Y, WU H. Adaptive Building Edge Detection by Combining LiDAR Data and Aerial Images[J].The International Archives of the Photogrammetry,Remote Sensing and Spatial Information Sciences,2008,8(37):197-202

[7] 李勇,吳華意.基于形態(tài)學梯度的機載激光掃描數(shù)據(jù)濾波方法[J].遙感學報,2008,12(4):633-639

[8] 林卉,趙長勝,舒寧.基于Canny算子的邊緣檢測及評價[J].黑龍江工程學院學報,2003,17(2):3-6

[9] 劉松濤,殷福亮.基于圖割的圖像分割方法及其新進展[J].自動化學報,2012, 38(6):911-922

P237

B

1672-4623（2017）02-0030-03

10.3969/j.issn.1672-4623.2017.02.009

2016-04-05。

項目來源：國家自然科學基金資助項目（41271420/D010702）。

陳蒙蒙，碩士研究生，研究方向為數(shù)字圖像處理。