基于LiDAR數(shù)據(jù)的面向?qū)ο蟾叻直媛视跋窠ㄖ锾崛⊙芯?/h1>
2017-11-28 12:14:25賈亞紅
環(huán)球市場(chǎng) 2017年28期
李 慧 賈亞紅
內(nèi)蒙古自治區(qū)測(cè)繪院
基于LiDAR數(shù)據(jù)的面向?qū)ο蟾叻直媛视跋窠ㄖ锾崛⊙芯?/p>
李 慧 賈亞紅
內(nèi)蒙古自治區(qū)測(cè)繪院
本文基于面向?qū)ο蟮乃枷耄ㄟ^點(diǎn)云數(shù)據(jù)生成數(shù)字表面模型(DSM)，在此基礎(chǔ)上對(duì)影像分割成若干同質(zhì)區(qū)域，通過充分挖掘遙感影像豐富的光譜、形狀、空間語義關(guān)系以及LiDAR的高度特征，構(gòu)建建筑物對(duì)象的特征知識(shí)庫(kù)，使得識(shí)別結(jié)果更為精確。實(shí)驗(yàn)表明，基于LiDAR數(shù)據(jù)輔助的建筑物提取方法與只利用高分辨率影像特征分類對(duì)比表明，使用LiDAR數(shù)據(jù)輔助影像分類能夠較大的提高精度。
LiDAR；面向?qū)ο螅环诸?/p>
0 引言
近年來機(jī)載激光掃描LiDAR得到了迅速的發(fā)展，作為一種快速獲取三維的空間信息的方式，其在數(shù)字城市、城市規(guī)劃、交通運(yùn)輸、和預(yù)防地震洪澇災(zāi)害等領(lǐng)域中起到至關(guān)重要的作用。與LiDAR數(shù)據(jù)相比，航空遙感影像提供了大量豐富的光譜和空間紋理等信息。每種數(shù)據(jù)源都有其自身的優(yōu)勢(shì)和局限性，而單純利用一種數(shù)據(jù)源對(duì)地物進(jìn)行分類與提取在精度上都會(huì)有所限制。
由于激光點(diǎn)云和航空影像數(shù)據(jù)之間可以彌補(bǔ)彼此的不足，許多學(xué)者對(duì)其進(jìn)行了研究，鐘良[1]提出了LiDAR數(shù)據(jù)和同機(jī)獲取的航空影像融合的地物分類算法。他利用激光點(diǎn)云和航空影像兩類傳感器數(shù)據(jù)采用基于半監(jiān)督多層次多特征的融合分類方法。尤紅建等[2]通過影像分割將遙感信息和高程信息結(jié)合起來進(jìn)行建筑物輪廓提取；謝瑞[3]等提出將機(jī)載激光掃描LiDAR數(shù)據(jù)與航空影像融合進(jìn)行地物分類的思想，實(shí)現(xiàn)基于面向?qū)ο蠛蛦蜗裨膹?fù)雜城區(qū)多級(jí)地物分類，實(shí)踐證明數(shù)據(jù)融合是一種有效可行的地物分類方法[4]。根據(jù)航空影像與LiDAR各自的特點(diǎn)，本文基于面向?qū)ο蟮姆椒ǎ浞滞诰蛲ㄟ^充分挖掘遙感影像豐富的光譜、形狀、空間語義關(guān)系以及點(diǎn)云的高度特征，通過構(gòu)建建筑物對(duì)象的特征知識(shí)庫(kù)，使得識(shí)別結(jié)果更為精確。
1 研究方法
1.1 分割方法
面向?qū)ο蠹夹g(shù)分析的基本單元是影像對(duì)象，是一種新的分類方法。對(duì)象生成是使用一種分割技術(shù)生成不同特征值的影像對(duì)象的過程，分割后的對(duì)象包含豐富的語義信息用來滿足圖像分類的要求，影像分割結(jié)果的好壞直接影響后續(xù)遙感影像分析與理解。
圖像有多種不同的分割方法，而不同分割方法又有著不同的特點(diǎn)。這些分割方法分別是：棋盤分割、四叉樹分割、多尺度分割、光譜差異分割。
多尺度分割算法是一種常用的算法，這種算法是自上而下的算法，在算法主要是合并周圍相鄰的像素或是一些比較小的像素，在保證對(duì)象之間差異性最小、內(nèi)部性質(zhì)最大化相同的程度下，在區(qū)域分割的基礎(chǔ)上實(shí)現(xiàn)了目標(biāo)的分割。多尺度分割方法相對(duì)來說沒有那么復(fù)雜，并且分割效果可以達(dá)到較好的水平。多尺度分割算法合并周圍相鄰的像素或是一些比較小的像素，保證對(duì)象之間差異性小，內(nèi)部性質(zhì)最大化相同的程度，在區(qū)域分割的基礎(chǔ)上實(shí)現(xiàn)了目標(biāo)的分割。在本文中，使用這種多尺度分割方法對(duì)影像進(jìn)行分割。
1.2 特征選擇
遙感影像被分割為圖形對(duì)象后，從理論上講存在三類特征[5]。一是內(nèi)在特征，主要包括對(duì)象的色彩、紋理和形狀；二是拓?fù)涮卣鳎撎卣饔脕砻枋鰧?duì)象間或一幅圖像內(nèi)部幾何關(guān)系，主要包括左右關(guān)系、距離、包含等；三是上下文特征，描述對(duì)象間語義關(guān)系的特征。除此之外還包括LiDAR數(shù)據(jù)產(chǎn)生的高度特征，用于輔助影像分類。通過構(gòu)建特征知識(shí)庫(kù)，使每個(gè)對(duì)象和其他地物對(duì)象很好的區(qū)分開來，從而實(shí)現(xiàn)各種地物的分類。
1.3 分類方法
高分辨率遙感影像中同一地物類別內(nèi)部豐富的細(xì)節(jié)信息得到表征，空間信息更加豐富，同時(shí)可以更好地反映地物的尺寸、形狀及相鄰地物的關(guān)系。分辨率的提高影響光譜特征的穩(wěn)定性，具體表現(xiàn)為類內(nèi)方差變大，增加了同類之間的光譜異質(zhì)性，類間方差減小，減少了異類之間的光譜同質(zhì)性，使得傳統(tǒng)的光譜分類方法對(duì)高分辨率影像分類也不能得到滿意的結(jié)果[6]，由于高分辨率影像上地物的結(jié)構(gòu)特征成為分類的主要依據(jù)，因此，基于對(duì)象的圖像分析在研究中得到重視[7]。
模糊理論是近年來發(fā)展的一種新的理論，模糊數(shù)學(xué)分類方法就是以模糊理論為基礎(chǔ)，是一種針對(duì)不確定性事物的分析方法，在分類過程中使用某種函數(shù)把影像對(duì)象的特征值通過計(jì)算轉(zhuǎn)換為模糊值，用來表示屬于某一類的隸屬度。基于模糊邏輯分類主要包括兩種不同類型的分類器：最近鄰法和成員函數(shù)(也稱模糊規(guī)則法。模糊規(guī)則方法使用隸屬度函數(shù)模擬對(duì)象特征與類別間的隱含關(guān)系，隸屬度函數(shù)模擬真實(shí)系統(tǒng)的知識(shí)越好，分類的最終結(jié)果就越好。另一種方法是通過訓(xùn)練樣本來評(píng)估出對(duì)象特征之間的關(guān)系，然后基于樣本自動(dòng)生成多維隸屬函數(shù)，這種方法就是面向?qū)ο蟮淖钹徑诸惙ā?/p>
2 實(shí)驗(yàn)與結(jié)果分析
本文使用LiDAR數(shù)據(jù)和高分辨率影像相結(jié)合來進(jìn)行建筑物的提取。使用數(shù)據(jù)包括高分辨率航攝影像和對(duì)應(yīng)的LiDAR數(shù)據(jù)，一方面航空影像具有較高的分辨率，能提供較多的細(xì)節(jié)特征，使得在較小的空間尺度上就可以觀察地表細(xì)節(jié)的變化，另一方面LiDAR提供高度信息，如圖1所示：
多尺度影像分割將大量的像素合并到一個(gè)影像對(duì)象中，會(huì)有一定的信息損失，但如果影像對(duì)象以一種合理的方式生成，即采用合適的分割尺度，就會(huì)有大量的除了光譜值的新特征可以用來描述影像對(duì)象，如形狀、紋理或者上下文。分割后影像的質(zhì)量與分割尺度、波段權(quán)重與兩個(gè)分割屬性因子：色彩與形狀(光滑度、緊密度)有關(guān)[8]，根據(jù)影像的光譜和幾何特征，將影像劃分為不同的對(duì)象。
本文使用多尺度分割方法進(jìn)行分割，分割使用的圖層包括紅色、綠色、藍(lán)色和DSM四個(gè)圖層，對(duì)應(yīng)的權(quán)重為1：1：1：1，得到的分割效果如圖2所示，明顯可以看出將房屋分割對(duì)象具有較高的同質(zhì)性，能夠很好地將房屋與其他地物區(qū)別開來。
建筑物用地是由建筑物及少量道路、空地及綠地等組成的混和體，影像混合像元較多，存在同物異譜和異物同譜的現(xiàn)象。從影像中可以看出建筑物的特點(diǎn)如下：1.建筑物與周圍背景高差較大。2.建筑物的灰度值分布均勻但是不同灰度的建筑物在形狀紋理有很大差異。3.由于建筑物的高低起伏和受光照影響，造成建筑物之間有大量陰影的存在，部分建筑物由于樹木或者樹木陰影的遮擋，分割后形狀不完整，很難采用單獨(dú)統(tǒng)一的幾何特征描述形狀[9]。
在分割得到的對(duì)象層的基礎(chǔ)上針對(duì)地物不同特點(diǎn)使用均值、拓?fù)潢P(guān)系及對(duì)象間語義關(guān)系等特征。算法選定后，定義特征空間，形成知識(shí)庫(kù)結(jié)構(gòu)，根據(jù)隸屬度函數(shù)構(gòu)建分類方法。
首先使用Mean DSM特征將閾值調(diào)整在765-814.45可以將建筑物的輪廓大致提取出來，通過建立規(guī)則，建立分類體系可以初步將建筑物提取出來，這樣提取出來的建筑物里還有一部分樹在里面。
建筑物與樹木通過LiDAR高度特征可以看出，樹木的分割對(duì)象中較高的高度和較低的高度往往距離較近，樹木的異質(zhì)性明顯要遠(yuǎn)遠(yuǎn)高于建筑物，使用標(biāo)準(zhǔn)差即Stddev.Of DSM特征建立模糊規(guī)則重新分類將誤分類進(jìn)來的樹在類提取出去，以達(dá)到提取建筑物的目的。
最后一些建筑物的分類不是很明顯，有的地方略有殘缺，是因?yàn)樘崛【炔桓撸苑诸愄崛〔蝗妫酉聛硎褂镁G色波段光譜信息、面積、建筑物周邊關(guān)系等特征使用模糊分類方法，將建筑物完整的進(jìn)行提取與優(yōu)化，優(yōu)化結(jié)果如圖3所示。
為對(duì)比分析，本實(shí)驗(yàn)針對(duì)航空影像不使用LiDAR數(shù)據(jù)進(jìn)行分類，分類提取最終效果如圖4。
為了定量評(píng)價(jià)算法性能，本文采用誤分率和漏分率作為評(píng)價(jià)指標(biāo)，將建筑物的提取結(jié)果和人工提取參考結(jié)果進(jìn)行基于像素的比較。分別統(tǒng)計(jì)提取面積M1與實(shí)際參考面積M2。設(shè)正確分類面積為T，錯(cuò)分面積為F，漏分面積為L(zhǎng)，面積按像素?cái)?shù)計(jì)算，則：正確率=T/M1，錯(cuò)分率=F/M1，漏分率=L/M2。通過對(duì)這些錯(cuò)分、漏分像元數(shù)目的統(tǒng)計(jì)計(jì)算，就可以采用像素?cái)?shù)量誤差作為定量評(píng)價(jià)指標(biāo)，對(duì)提取結(jié)果進(jìn)行精評(píng)價(jià)，統(tǒng)計(jì)正確提取的百分率、錯(cuò)誤提取的百分率以及漏提取的百分率，見表1。
與未使用LiDAR數(shù)據(jù)的影像建筑物分類提取相比較，使用LiDAR數(shù)據(jù)影像分類提取建筑物能夠很好地將建筑物與其他地物區(qū)別開來，可以達(dá)到預(yù)期的效果，省事、方便，而且分類精度比沒有LiDAR數(shù)據(jù)影像分類精度要高。
3 結(jié)論
本文通過面向?qū)ο蟮姆椒ɡ肔iDAR數(shù)據(jù)分割航空彩色影像，把分割后的同質(zhì)區(qū)域作為待分類對(duì)象，建立起包括高度、光譜、形狀、紋理等構(gòu)建建筑物對(duì)象的多源特征知識(shí)庫(kù)，使用模糊分類方法進(jìn)行分類。從最后的實(shí)驗(yàn)結(jié)果來看，基于LiDAR和高分辨率遙感影像分類提取建筑物達(dá)到了良好的效果，能夠很好地將建筑物從其它地物中提取出來，通過與未使用LiDAR的影像來對(duì)建筑物分類提取結(jié)果對(duì)比可以看出，使用LiDAR的影像在建筑物提取分類提取效果更好，而且提取精度相對(duì)來說也很高。
[1] 鐘良. LiDAR同機(jī)影像輔助點(diǎn)云分類相關(guān)技術(shù)研究[D].武漢大學(xué),2011.
圖1 航攝影像和LiDAR數(shù)據(jù)
圖3 基于LiDAR數(shù)據(jù)的建筑物提取結(jié)果
圖2 多尺度分割結(jié)果
圖4 未使用LiDAR數(shù)據(jù)的建筑物提取結(jié)果
[2] 尤紅建,蘇林,李樹楷. 利用機(jī)載三維成像儀的DSM數(shù)據(jù)自動(dòng)提取建筑物[J]. 武漢大學(xué)學(xué)報(bào)(信息科學(xué)版),2002,(04):408-413.
[3] 謝瑞,程效軍,管海燕. 機(jī)載激光掃描與航空影像的融合分類與精度分析[J]. 同濟(jì)大學(xué)學(xué)報(bào)(自然科學(xué)版),2013,(04):607-613.
[4] Puttonen E,Suomalainen J,Hakala T,et al.Tree species classif i cation from fused active hyperspectral reflectance and LIDAR measurements[J].Forest Ecology and Management,2010,260:1843.
[5] Def i niens Image GmbH，ecognition User Guide. German,1999,11：54-56
[6] 黃昕,張良培,李平湘. 融合形狀和光譜的高空間分辨率遙感影像分類[J].遙感學(xué)報(bào),2007,(2).
[7] BLASCHKE T,HAY G.Object-oriented image analysis and scale-space:Theory and methods for modeling and evaluating multi-scale landscape structure[J].International Archives of Photogrammetry and Remote Sensing,2001,34(4):22-29.
[8] Benz U C, Peter H, Gregor W, et al. Multi-resolution, Object-oriented Fuzzy Analysis of Remote Sensing Data for GIS-ready Information [J].ISPRS Journal of Photogrammetry amp; Remote Sensing,2004 (58):239-258
[9]周軍其,李志娟.空間關(guān)系輔助的面向?qū)ο蠼ㄖ锾崛J].應(yīng)用科學(xué)學(xué)報(bào),2012,(05):511-516.
表1 建筑物提取精度評(píng)價(jià)結(jié)果
猜你喜歡
分類算一算數(shù)學(xué)小靈通(1-2年級(jí))(2021年4期)2021-06-09 06:25:56 如何表達(dá)“特征”瘋狂英語·新策略(2019年10期)2019-12-13 08:43:28 不忠誠(chéng)的四個(gè)特征當(dāng)代陜西(2019年10期)2019-06-03 10:12:04 分類討論求坐標(biāo)中學(xué)生數(shù)理化·七年級(jí)數(shù)學(xué)人教版(2019年4期)2019-05-20 10:06:32 數(shù)據(jù)分析中的分類討論中學(xué)生數(shù)理化·七年級(jí)數(shù)學(xué)人教版(2018年6期)2018-06-26 08:36:06 教你一招：數(shù)的分類初中生世界·七年級(jí)(2017年9期)2017-10-13 22:27:46 抓住特征巧觀察數(shù)學(xué)小靈通·3-4年級(jí)(2017年9期)2017-10-13 08:10:54 用對(duì)方法才能瘦Coco薇(2016年2期)2016-03-22 02:42:52 四大方法 教你不再“坐以待病”！Coco薇(2015年1期)2015-08-13 02:47:34 捕魚小雪花·成長(zhǎng)指南(2015年4期)2015-05-19 14:47:56
李 慧 賈亞紅
內(nèi)蒙古自治區(qū)測(cè)繪院
基于LiDAR數(shù)據(jù)的面向?qū)ο蟾叻直媛视跋窠ㄖ锾崛⊙芯?/p>
李 慧 賈亞紅
內(nèi)蒙古自治區(qū)測(cè)繪院
本文基于面向?qū)ο蟮乃枷耄ㄟ^點(diǎn)云數(shù)據(jù)生成數(shù)字表面模型(DSM)，在此基礎(chǔ)上對(duì)影像分割成若干同質(zhì)區(qū)域，通過充分挖掘遙感影像豐富的光譜、形狀、空間語義關(guān)系以及LiDAR的高度特征，構(gòu)建建筑物對(duì)象的特征知識(shí)庫(kù)，使得識(shí)別結(jié)果更為精確。實(shí)驗(yàn)表明，基于LiDAR數(shù)據(jù)輔助的建筑物提取方法與只利用高分辨率影像特征分類對(duì)比表明，使用LiDAR數(shù)據(jù)輔助影像分類能夠較大的提高精度。
LiDAR；面向?qū)ο螅环诸?/p>
0 引言
近年來機(jī)載激光掃描LiDAR得到了迅速的發(fā)展，作為一種快速獲取三維的空間信息的方式，其在數(shù)字城市、城市規(guī)劃、交通運(yùn)輸、和預(yù)防地震洪澇災(zāi)害等領(lǐng)域中起到至關(guān)重要的作用。與LiDAR數(shù)據(jù)相比，航空遙感影像提供了大量豐富的光譜和空間紋理等信息。每種數(shù)據(jù)源都有其自身的優(yōu)勢(shì)和局限性，而單純利用一種數(shù)據(jù)源對(duì)地物進(jìn)行分類與提取在精度上都會(huì)有所限制。
由于激光點(diǎn)云和航空影像數(shù)據(jù)之間可以彌補(bǔ)彼此的不足，許多學(xué)者對(duì)其進(jìn)行了研究，鐘良[1]提出了LiDAR數(shù)據(jù)和同機(jī)獲取的航空影像融合的地物分類算法。他利用激光點(diǎn)云和航空影像兩類傳感器數(shù)據(jù)采用基于半監(jiān)督多層次多特征的融合分類方法。尤紅建等[2]通過影像分割將遙感信息和高程信息結(jié)合起來進(jìn)行建筑物輪廓提取；謝瑞[3]等提出將機(jī)載激光掃描LiDAR數(shù)據(jù)與航空影像融合進(jìn)行地物分類的思想，實(shí)現(xiàn)基于面向?qū)ο蠛蛦蜗裨膹?fù)雜城區(qū)多級(jí)地物分類，實(shí)踐證明數(shù)據(jù)融合是一種有效可行的地物分類方法[4]。根據(jù)航空影像與LiDAR各自的特點(diǎn)，本文基于面向?qū)ο蟮姆椒ǎ浞滞诰蛲ㄟ^充分挖掘遙感影像豐富的光譜、形狀、空間語義關(guān)系以及點(diǎn)云的高度特征，通過構(gòu)建建筑物對(duì)象的特征知識(shí)庫(kù)，使得識(shí)別結(jié)果更為精確。
1 研究方法
1.1 分割方法
面向?qū)ο蠹夹g(shù)分析的基本單元是影像對(duì)象，是一種新的分類方法。對(duì)象生成是使用一種分割技術(shù)生成不同特征值的影像對(duì)象的過程，分割后的對(duì)象包含豐富的語義信息用來滿足圖像分類的要求，影像分割結(jié)果的好壞直接影響后續(xù)遙感影像分析與理解。
圖像有多種不同的分割方法，而不同分割方法又有著不同的特點(diǎn)。這些分割方法分別是：棋盤分割、四叉樹分割、多尺度分割、光譜差異分割。
多尺度分割算法是一種常用的算法，這種算法是自上而下的算法，在算法主要是合并周圍相鄰的像素或是一些比較小的像素，在保證對(duì)象之間差異性最小、內(nèi)部性質(zhì)最大化相同的程度下，在區(qū)域分割的基礎(chǔ)上實(shí)現(xiàn)了目標(biāo)的分割。多尺度分割方法相對(duì)來說沒有那么復(fù)雜，并且分割效果可以達(dá)到較好的水平。多尺度分割算法合并周圍相鄰的像素或是一些比較小的像素，保證對(duì)象之間差異性小，內(nèi)部性質(zhì)最大化相同的程度，在區(qū)域分割的基礎(chǔ)上實(shí)現(xiàn)了目標(biāo)的分割。在本文中，使用這種多尺度分割方法對(duì)影像進(jìn)行分割。
1.2 特征選擇
遙感影像被分割為圖形對(duì)象后，從理論上講存在三類特征[5]。一是內(nèi)在特征，主要包括對(duì)象的色彩、紋理和形狀；二是拓?fù)涮卣鳎撎卣饔脕砻枋鰧?duì)象間或一幅圖像內(nèi)部幾何關(guān)系，主要包括左右關(guān)系、距離、包含等；三是上下文特征，描述對(duì)象間語義關(guān)系的特征。除此之外還包括LiDAR數(shù)據(jù)產(chǎn)生的高度特征，用于輔助影像分類。通過構(gòu)建特征知識(shí)庫(kù)，使每個(gè)對(duì)象和其他地物對(duì)象很好的區(qū)分開來，從而實(shí)現(xiàn)各種地物的分類。
1.3 分類方法
高分辨率遙感影像中同一地物類別內(nèi)部豐富的細(xì)節(jié)信息得到表征，空間信息更加豐富，同時(shí)可以更好地反映地物的尺寸、形狀及相鄰地物的關(guān)系。分辨率的提高影響光譜特征的穩(wěn)定性，具體表現(xiàn)為類內(nèi)方差變大，增加了同類之間的光譜異質(zhì)性，類間方差減小，減少了異類之間的光譜同質(zhì)性，使得傳統(tǒng)的光譜分類方法對(duì)高分辨率影像分類也不能得到滿意的結(jié)果[6]，由于高分辨率影像上地物的結(jié)構(gòu)特征成為分類的主要依據(jù)，因此，基于對(duì)象的圖像分析在研究中得到重視[7]。
模糊理論是近年來發(fā)展的一種新的理論，模糊數(shù)學(xué)分類方法就是以模糊理論為基礎(chǔ)，是一種針對(duì)不確定性事物的分析方法，在分類過程中使用某種函數(shù)把影像對(duì)象的特征值通過計(jì)算轉(zhuǎn)換為模糊值，用來表示屬于某一類的隸屬度。基于模糊邏輯分類主要包括兩種不同類型的分類器：最近鄰法和成員函數(shù)(也稱模糊規(guī)則法。模糊規(guī)則方法使用隸屬度函數(shù)模擬對(duì)象特征與類別間的隱含關(guān)系，隸屬度函數(shù)模擬真實(shí)系統(tǒng)的知識(shí)越好，分類的最終結(jié)果就越好。另一種方法是通過訓(xùn)練樣本來評(píng)估出對(duì)象特征之間的關(guān)系，然后基于樣本自動(dòng)生成多維隸屬函數(shù)，這種方法就是面向?qū)ο蟮淖钹徑诸惙ā?/p>
2 實(shí)驗(yàn)與結(jié)果分析
本文使用LiDAR數(shù)據(jù)和高分辨率影像相結(jié)合來進(jìn)行建筑物的提取。使用數(shù)據(jù)包括高分辨率航攝影像和對(duì)應(yīng)的LiDAR數(shù)據(jù)，一方面航空影像具有較高的分辨率，能提供較多的細(xì)節(jié)特征，使得在較小的空間尺度上就可以觀察地表細(xì)節(jié)的變化，另一方面LiDAR提供高度信息，如圖1所示：
多尺度影像分割將大量的像素合并到一個(gè)影像對(duì)象中，會(huì)有一定的信息損失，但如果影像對(duì)象以一種合理的方式生成，即采用合適的分割尺度，就會(huì)有大量的除了光譜值的新特征可以用來描述影像對(duì)象，如形狀、紋理或者上下文。分割后影像的質(zhì)量與分割尺度、波段權(quán)重與兩個(gè)分割屬性因子：色彩與形狀(光滑度、緊密度)有關(guān)[8]，根據(jù)影像的光譜和幾何特征，將影像劃分為不同的對(duì)象。
本文使用多尺度分割方法進(jìn)行分割，分割使用的圖層包括紅色、綠色、藍(lán)色和DSM四個(gè)圖層，對(duì)應(yīng)的權(quán)重為1：1：1：1，得到的分割效果如圖2所示，明顯可以看出將房屋分割對(duì)象具有較高的同質(zhì)性，能夠很好地將房屋與其他地物區(qū)別開來。
建筑物用地是由建筑物及少量道路、空地及綠地等組成的混和體，影像混合像元較多，存在同物異譜和異物同譜的現(xiàn)象。從影像中可以看出建筑物的特點(diǎn)如下：1.建筑物與周圍背景高差較大。2.建筑物的灰度值分布均勻但是不同灰度的建筑物在形狀紋理有很大差異。3.由于建筑物的高低起伏和受光照影響，造成建筑物之間有大量陰影的存在，部分建筑物由于樹木或者樹木陰影的遮擋，分割后形狀不完整，很難采用單獨(dú)統(tǒng)一的幾何特征描述形狀[9]。
在分割得到的對(duì)象層的基礎(chǔ)上針對(duì)地物不同特點(diǎn)使用均值、拓?fù)潢P(guān)系及對(duì)象間語義關(guān)系等特征。算法選定后，定義特征空間，形成知識(shí)庫(kù)結(jié)構(gòu)，根據(jù)隸屬度函數(shù)構(gòu)建分類方法。
首先使用Mean DSM特征將閾值調(diào)整在765-814.45可以將建筑物的輪廓大致提取出來，通過建立規(guī)則，建立分類體系可以初步將建筑物提取出來，這樣提取出來的建筑物里還有一部分樹在里面。
建筑物與樹木通過LiDAR高度特征可以看出，樹木的分割對(duì)象中較高的高度和較低的高度往往距離較近，樹木的異質(zhì)性明顯要遠(yuǎn)遠(yuǎn)高于建筑物，使用標(biāo)準(zhǔn)差即Stddev.Of DSM特征建立模糊規(guī)則重新分類將誤分類進(jìn)來的樹在類提取出去，以達(dá)到提取建筑物的目的。
最后一些建筑物的分類不是很明顯，有的地方略有殘缺，是因?yàn)樘崛【炔桓撸苑诸愄崛〔蝗妫酉聛硎褂镁G色波段光譜信息、面積、建筑物周邊關(guān)系等特征使用模糊分類方法，將建筑物完整的進(jìn)行提取與優(yōu)化，優(yōu)化結(jié)果如圖3所示。
為對(duì)比分析，本實(shí)驗(yàn)針對(duì)航空影像不使用LiDAR數(shù)據(jù)進(jìn)行分類，分類提取最終效果如圖4。
為了定量評(píng)價(jià)算法性能，本文采用誤分率和漏分率作為評(píng)價(jià)指標(biāo)，將建筑物的提取結(jié)果和人工提取參考結(jié)果進(jìn)行基于像素的比較。分別統(tǒng)計(jì)提取面積M1與實(shí)際參考面積M2。設(shè)正確分類面積為T，錯(cuò)分面積為F，漏分面積為L(zhǎng)，面積按像素?cái)?shù)計(jì)算，則：正確率=T/M1，錯(cuò)分率=F/M1，漏分率=L/M2。通過對(duì)這些錯(cuò)分、漏分像元數(shù)目的統(tǒng)計(jì)計(jì)算，就可以采用像素?cái)?shù)量誤差作為定量評(píng)價(jià)指標(biāo)，對(duì)提取結(jié)果進(jìn)行精評(píng)價(jià)，統(tǒng)計(jì)正確提取的百分率、錯(cuò)誤提取的百分率以及漏提取的百分率，見表1。
與未使用LiDAR數(shù)據(jù)的影像建筑物分類提取相比較，使用LiDAR數(shù)據(jù)影像分類提取建筑物能夠很好地將建筑物與其他地物區(qū)別開來，可以達(dá)到預(yù)期的效果，省事、方便，而且分類精度比沒有LiDAR數(shù)據(jù)影像分類精度要高。
3 結(jié)論
本文通過面向?qū)ο蟮姆椒ɡ肔iDAR數(shù)據(jù)分割航空彩色影像，把分割后的同質(zhì)區(qū)域作為待分類對(duì)象，建立起包括高度、光譜、形狀、紋理等構(gòu)建建筑物對(duì)象的多源特征知識(shí)庫(kù)，使用模糊分類方法進(jìn)行分類。從最后的實(shí)驗(yàn)結(jié)果來看，基于LiDAR和高分辨率遙感影像分類提取建筑物達(dá)到了良好的效果，能夠很好地將建筑物從其它地物中提取出來，通過與未使用LiDAR的影像來對(duì)建筑物分類提取結(jié)果對(duì)比可以看出，使用LiDAR的影像在建筑物提取分類提取效果更好，而且提取精度相對(duì)來說也很高。
[1] 鐘良. LiDAR同機(jī)影像輔助點(diǎn)云分類相關(guān)技術(shù)研究[D].武漢大學(xué),2011.
圖1 航攝影像和LiDAR數(shù)據(jù)
圖3 基于LiDAR數(shù)據(jù)的建筑物提取結(jié)果
圖2 多尺度分割結(jié)果
圖4 未使用LiDAR數(shù)據(jù)的建筑物提取結(jié)果
[2] 尤紅建,蘇林,李樹楷. 利用機(jī)載三維成像儀的DSM數(shù)據(jù)自動(dòng)提取建筑物[J]. 武漢大學(xué)學(xué)報(bào)(信息科學(xué)版),2002,(04):408-413.
[3] 謝瑞,程效軍,管海燕. 機(jī)載激光掃描與航空影像的融合分類與精度分析[J]. 同濟(jì)大學(xué)學(xué)報(bào)(自然科學(xué)版),2013,(04):607-613.
[4] Puttonen E,Suomalainen J,Hakala T,et al.Tree species classif i cation from fused active hyperspectral reflectance and LIDAR measurements[J].Forest Ecology and Management,2010,260:1843.
[5] Def i niens Image GmbH，ecognition User Guide. German,1999,11：54-56
[6] 黃昕,張良培,李平湘. 融合形狀和光譜的高空間分辨率遙感影像分類[J].遙感學(xué)報(bào),2007,(2).
[7] BLASCHKE T,HAY G.Object-oriented image analysis and scale-space:Theory and methods for modeling and evaluating multi-scale landscape structure[J].International Archives of Photogrammetry and Remote Sensing,2001,34(4):22-29.
[8] Benz U C, Peter H, Gregor W, et al. Multi-resolution, Object-oriented Fuzzy Analysis of Remote Sensing Data for GIS-ready Information [J].ISPRS Journal of Photogrammetry amp; Remote Sensing,2004 (58):239-258
[9]周軍其,李志娟.空間關(guān)系輔助的面向?qū)ο蠼ㄖ锾崛J].應(yīng)用科學(xué)學(xué)報(bào),2012,(05):511-516.
表1 建筑物提取精度評(píng)價(jià)結(jié)果
猜你喜歡
數(shù)學(xué)小靈通(1-2年級(jí))(2021年4期)2021-06-09 06:25:56
瘋狂英語·新策略(2019年10期)2019-12-13 08:43:28
當(dāng)代陜西(2019年10期)2019-06-03 10:12:04
中學(xué)生數(shù)理化·七年級(jí)數(shù)學(xué)人教版(2019年4期)2019-05-20 10:06:32
中學(xué)生數(shù)理化·七年級(jí)數(shù)學(xué)人教版(2018年6期)2018-06-26 08:36:06
初中生世界·七年級(jí)(2017年9期)2017-10-13 22:27:46
數(shù)學(xué)小靈通·3-4年級(jí)(2017年9期)2017-10-13 08:10:54
Coco薇(2016年2期)2016-03-22 02:42:52
Coco薇(2015年1期)2015-08-13 02:47:34
小雪花·成長(zhǎng)指南(2015年4期)2015-05-19 14:47:56
