基于向量角度差和擬合曲線融合的建筑物點(diǎn)云提取方法

劉茂華, 陳杰, 陳晗琳

(沈陽(yáng)建筑大學(xué)交通與測(cè)繪工程學(xué)院, 沈陽(yáng) 110168)

建筑物的提取在城市規(guī)劃、數(shù)字制圖以及更新地理信息系統(tǒng)數(shù)據(jù)庫(kù)等眾多領(lǐng)域中具有重要意義。近年來(lái),航空激光雷達(dá)(light detection and ranging,LiDAR)技術(shù)因其具有高密度和高精度的點(diǎn)云數(shù)據(jù)而迅速發(fā)展,并成為提取建筑物的一種替代方法[1]。

目前,已經(jīng)有大量的研究致力于建筑物提取。一些方法采用了將LiDAR數(shù)據(jù)與圖像數(shù)據(jù)結(jié)合的策略[2-4]。鄧飛等[5]利用方向和梯度等信息以及基于活動(dòng)輪廓的圖割算法,成功提取了建筑物的輪廓信息。王春林等[6]綜合利用LiDAR數(shù)據(jù)和影像特征,在復(fù)雜場(chǎng)景中實(shí)現(xiàn)了建筑物輪廓的提取。盡管LiDAR和圖像結(jié)合的方法可以提高準(zhǔn)確性,但也存在一些問(wèn)題,如在數(shù)據(jù)融合過(guò)程中需要設(shè)置合適的閾值,以及融合后可能導(dǎo)致精度降低等挑戰(zhàn)。因此,為了克服上述困難,研究人員開始關(guān)注從單獨(dú)的LiDAR數(shù)據(jù)中提取建筑物信息。

點(diǎn)云領(lǐng)域中的建筑物提取方法通常分為有監(jiān)督方法[7-8]和無(wú)監(jiān)督方法[9-10]。有監(jiān)督方法利用算法如支持向量機(jī)[11]、隨機(jī)森林[12]和深度學(xué)習(xí)[13-15]等。這些方法在點(diǎn)云分類方面具有一定的優(yōu)勢(shì),但也存在一些限制,如參數(shù)調(diào)整和重復(fù)計(jì)算特征會(huì)降低準(zhǔn)確性和計(jì)算效率。無(wú)監(jiān)督方法包括形態(tài)學(xué)、區(qū)域生長(zhǎng)、擬合方法和掃描線等技術(shù)。李昂等[16]結(jié)合梯度約束濾波、標(biāo)記分水嶺變換和最大似然分類等方法提取建筑物。趙傳等[17]通過(guò)提取初始建筑物輪廓點(diǎn)、計(jì)算點(diǎn)云分布特征、聚類和區(qū)域增長(zhǎng)等步驟實(shí)現(xiàn)建筑物提取。李強(qiáng)等[18]通過(guò)地面LiDAR點(diǎn)云數(shù)據(jù)的特征分析和構(gòu)建規(guī)則集提取建筑物。朱軍桃等[19]通過(guò)點(diǎn)云投影、邊緣點(diǎn)提取、角點(diǎn)提取和邊界線還原等步驟提取建筑物輪廓。呂富強(qiáng)等[20]通過(guò)去噪、聚類和點(diǎn)云分割提取建筑物,實(shí)現(xiàn)了自動(dòng)化的建筑物點(diǎn)云提取。

處理大規(guī)模高密度LiDAR數(shù)據(jù)的主要挑戰(zhàn)之一是計(jì)算負(fù)擔(dān)。航空LiDAR系統(tǒng)中的掃描線提供了適合使用(graphics processing unit,GPU)進(jìn)行并行計(jì)算的一維數(shù)據(jù)結(jié)構(gòu),使得處理高密度區(qū)域的LiDAR數(shù)據(jù)更加高效。一些研究已經(jīng)在其方法中利用了掃描線。如在點(diǎn)云濾波[21-22],道路標(biāo)線提取等[23]。Han等[24]和Hu等[25]基于掃描線成功的提取了建筑物,然而,在這種方法中,當(dāng)植被具有非常平坦的冠層或建筑物具有粗糙和不規(guī)則的屋頂表面時(shí),可能會(huì)產(chǎn)生錯(cuò)誤的結(jié)果。這是因?yàn)樵摲椒▽?duì)建筑物屋頂表面的粗糙度和多樣性作了不適當(dāng)?shù)募僭O(shè)。

綜上所述,盡管以前的工作在某些方面取得了進(jìn)展,但在功能和性能方面仍存在重要的限制。為了解決這些限制,提出一種基于向量角度差的屋頂提取算法。該算法利用航空LiDAR獲取數(shù)據(jù)時(shí)的掃描線與x-o-y平面垂直,并且掃描線上相鄰點(diǎn)具有相同維度的空間向量的特點(diǎn),將三維空間向量簡(jiǎn)化為二維方向向量,然后計(jì)算方向向量與z軸之間的角度,并設(shè)置閾值角度來(lái)提取建筑物的屋頂平面。該方法能夠在有效提取建筑物平面屋頂?shù)耐瑫r(shí),降低計(jì)算復(fù)雜度。提出一種基于歐氏距離和多項(xiàng)式曲線擬合的特征提取方法,用于提取曲線建筑物屋頂。首先,計(jì)算掃描線上相鄰點(diǎn)之間的歐氏距離。然后,執(zhí)行基于最小二乘法的曲線擬合。由于植被點(diǎn)分布是無(wú)序的,而建筑物屋頂表面是有序的,擬合曲線的平均殘差值可以有效地提取建筑物曲面屋頂。

1 方法提出

通過(guò)LiDAR掃描線數(shù)據(jù)建立索引,采用k-維樹(k-dimension tree,KD-tree)搜尋算法對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行去噪,同時(shí)依靠布料模擬算法(cloth simulation filter, CSF)對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行濾波處理,達(dá)到提取非地面點(diǎn)云的目的。首先,分別以每一條掃描線為研究對(duì)象計(jì)算非地面點(diǎn)的相鄰方向向量并求差,利用樣本確定差值閾值并提取出平面建筑物屋頂點(diǎn)云;其次,利用剩余點(diǎn)云的相鄰點(diǎn)歐氏距離進(jìn)行曲線擬合,得到曲面建筑物屋頂點(diǎn)云;最后,經(jīng)過(guò)細(xì)化后處理,對(duì)提取后數(shù)據(jù)中的植物點(diǎn)進(jìn)行剔除,得到完整建筑物點(diǎn)云數(shù)據(jù)的結(jié)果。算法流程如圖1所示。

圖1 本文算法流程圖Fig.1 The proposed algorithm flowchart

1.1 掃描線模型

目前,機(jī)載LiDAR點(diǎn)云數(shù)據(jù)的獲取掃描方式分為:有線掃描、圓錐掃描以及顯微光學(xué)掃描。本文算法針對(duì)的數(shù)據(jù)模型是應(yīng)用最為廣泛的有線掃描式,這種掃描方式的激光腳點(diǎn)投影在地面上形成“Z”形。圖2展示有效掃描的數(shù)據(jù)形式。圖3展示了一條掃描線的剖面圖。

藍(lán)色為一條掃描線圖2 掃描線模型Fig.2 Scan line model

1.2 基于方向向量的平面屋頂點(diǎn)云提取

1.2.1 向量角度差

機(jī)載LiDAR獲取點(diǎn)云數(shù)據(jù)時(shí),運(yùn)動(dòng)方向平行于x-o-y平面,因此每條掃描線所在的平面與x-o-y平面垂直,可以使用該平面上所有方向向量與z軸之間的角度來(lái)區(qū)分平面和非平面。如圖4所示,x-o-y平面即三維點(diǎn)云沿著z軸后的投影平面,則投影面法向量nm為(0,0,1),θi為相鄰點(diǎn)的方向向量ni與nm的夾角。

紅色點(diǎn)為建筑物屋頂點(diǎn);黃色點(diǎn)為建筑物立面點(diǎn);藍(lán)色點(diǎn)為地面點(diǎn);綠色點(diǎn)為高大植被點(diǎn);棕色點(diǎn)為低矮植被點(diǎn)圖3 掃描線剖面圖Fig.3 Scan line profile

圖4 向量角模型Fig.4 Vector angle model

黑色框1～6為建筑物樣本;黑色框7為曲面屋頂樣本;紅色圈1～6為植物樣本圖5 樣本數(shù)據(jù)來(lái)源Fig.5 Source of sample data

得到非地面點(diǎn)后依次計(jì)算相鄰點(diǎn)之間的方向向量夾角θi可表示為

(1)

則相鄰?qiáng)A角的差值為

Δθi=θi+1-θi

(2)

1.2.2 角度差閾值確定

選取7個(gè)建筑物和6個(gè)植物樣本進(jìn)行實(shí)驗(yàn)計(jì)算,樣本來(lái)源如圖5所示。通過(guò)統(tǒng)計(jì)相鄰?qiáng)A角差值來(lái)確定區(qū)分平面與非平面的角度差閾值。建筑物樣本中包含平頂,斜頂,高程變化復(fù)雜以及四周突起等建筑物,能充分表達(dá)城區(qū)內(nèi)平頂建筑物的種類。

如圖6所示,建筑物樣本的相鄰向量角度差高度集中在0°～15°,差值波動(dòng)的主要原因在于:一是建筑物屋頂表面不是完全平滑的;二是掃描儀本身存在高程值與真實(shí)值存在誤差。大于30°以上的差值是因?yàn)榻ㄖ镂蓓斢啥鄠€(gè)平面構(gòu)成而存在高度差。分別以10°、15°和20°作為閾值統(tǒng)計(jì)角度差的概率。

圖6 6個(gè)建筑物樣本直方圖Fig.6 Histogram of 6 building samples

各樣本數(shù)據(jù)如表1所示,平頂建筑物的相鄰向量角度差高度集中在20°以內(nèi),而閾值分別設(shè)置為10°、15°以及20°時(shí),平均概率分別為83.91%、95.96%和97.69%。以10°為基準(zhǔn),閾值設(shè)置為15°時(shí),概率增長(zhǎng)率(增加的概率與原本概率比值)為14.4%;閾值為20°時(shí)概率增長(zhǎng)率為16.4%。說(shuō)明當(dāng)閾值設(shè)定為15°時(shí)的有效性提升遠(yuǎn)高于閾值設(shè)定為20°,這意味著提取建筑物時(shí)的準(zhǔn)確率提升明顯。

表1 建筑物樣本數(shù)據(jù)

此外,為驗(yàn)證閾值普適性,選取6簇植物群樣本進(jìn)行相同計(jì)算。圖7為6簇植物樣本的相鄰向量角度差,與平面建筑物不同的是,植物群向量夾角的分布是比較分散的,樣本中角度差不均勻分布在角度的各個(gè)分段,其中更多的是集中在角度中段且跨度較大。

與建筑物樣本取相同閾值進(jìn)行比較,詳細(xì)樣本數(shù)據(jù)如表2所示。3個(gè)閾值下植物點(diǎn)分布概率分別為2.96%、4.69%以及8.47%,以10°為基準(zhǔn),15°的增長(zhǎng)率為58.5%、20°的增長(zhǎng)率為186.1%。這意味著,隨著角度差的增大,提取建筑物時(shí)植物引起的誤差逐漸增大。綜合建筑物樣本與植物樣本的閾值結(jié)果,閾值從10°增大到15°,提取建筑物的準(zhǔn)確率增加明顯,且植物引起的誤差較低;閾值從15°增加到20°時(shí),建筑物的提取準(zhǔn)確率增長(zhǎng)變緩且植物引起的誤差增加明顯,故將提取平面屋頂?shù)南蛄拷嵌炔铋撝翟O(shè)置為15°。對(duì)于分類為非平面點(diǎn)的建筑物點(diǎn)和分類為平面點(diǎn)的植物點(diǎn)可以利用后續(xù)的細(xì)化后處理進(jìn)行修正。

表2 植物群樣本數(shù)據(jù)

1.3 基于最小二乘法的曲線擬合

鑒于在點(diǎn)云數(shù)據(jù)中無(wú)法通過(guò)向量夾角區(qū)分植物點(diǎn)和彎曲屋頂點(diǎn),引入曲線擬合方法以解決該問(wèn)題。建筑物屋頂點(diǎn)云通常具有人為設(shè)計(jì)的特征,其分布呈現(xiàn)規(guī)律的連續(xù)曲線,并且相鄰點(diǎn)之間的歐氏距離存在一定規(guī)律。與此相反,植物點(diǎn)的點(diǎn)云分布通常不規(guī)則,并且相鄰點(diǎn)之間的歐氏距離變化較大。因此,可以根據(jù)這一特點(diǎn)計(jì)算點(diǎn)間歐氏距離并依靠最小二乘法擬合曲線,根據(jù)擬合曲線的殘差進(jìn)行建筑物曲面屋頂?shù)奶崛　?/p>

1.3.1 擬合曲線殘差

(3)

式(3)中:I為多元函數(shù);xi、yi為二維空間的橫縱坐標(biāo)值;min為多元函數(shù)的最小值。

由多元函數(shù)極值的必要條件,得

(4)

式(4)的系數(shù)矩陣是一個(gè)對(duì)稱正定矩陣,存在唯一解。解得ak(k=0,1,…,n)可得多項(xiàng)式為

(5)

式(5)為所求的擬合多項(xiàng)式,稱為最小二乘擬合多項(xiàng)式,殘差的平方計(jì)算公式為

(6)

1.3.2 曲線擬合階數(shù)及殘差閾值確定

根據(jù)圖8(a)所示,所研究的建筑物的屋頂呈現(xiàn)出具有曲率變化的曲面,并且呈現(xiàn)出不規(guī)則的特征,從左至右曲率逐漸增大。與此對(duì)應(yīng),圖8(b)描繪了建筑物中一條掃描線上相鄰點(diǎn)之間的歐氏距離變化情況。可以看出,相鄰點(diǎn)之間的歐氏距離變化趨勢(shì)與曲面屋頂?shù)男螒B(tài)變化趨勢(shì)相一致,即相鄰點(diǎn)之間的距離逐漸增大。因此,以該建筑物作為目標(biāo)樣本,以探究通過(guò)歐氏距離擬合曲線的閾值。

圖8 建筑物樣本掃描線及相鄰點(diǎn)歐氏距離Fig.8 Scanning line of building sample and Euclidean distance of adjacent points

該建筑物樣本包含掃描線共224條,以該建筑物樣本的相鄰點(diǎn)歐氏距離為樣本數(shù)據(jù),分別對(duì)每條掃描線數(shù)據(jù)建立4階擬合曲線,5階擬合曲線以及6階擬合曲線,并計(jì)算每組曲線的殘差。最終通過(guò)所有掃描線的殘差平均值確定閾值。如圖9所示,以其中一條掃描線為例,展示擬合曲線及殘差的確定方式。

圖9 建筑物樣本擬合曲線及殘差Fig.9 Fitting curve and residual error of building samples

圖9(a)為建筑物取線擬合結(jié)果。圖9(b)為該條掃描線依靠相鄰點(diǎn)間距建立4階擬合曲線的殘差值,即曲線上的值與真實(shí)值的誤差。圖9(c)為5階曲線的殘差。圖9(d)為6階曲線的殘差。以該條樣本數(shù)據(jù)為例,4階曲線的殘差高達(dá)0.1,絕對(duì)值的平均值為0.031。5階最大值為-0.051,絕對(duì)值平均值為0.021。6階曲線殘差的最大值為-0.043,絕對(duì)值的平均值為0.017。

用相同方法對(duì)224條建筑物掃描線計(jì)算擬合曲線以及殘差,詳細(xì)數(shù)據(jù)如表3所示,隨著擬合曲線的階數(shù)提升,殘差值降低的趨勢(shì)逐漸減緩。而224條掃描線計(jì)算總時(shí)間隨著階數(shù)的增加而快速增加。綜合考慮時(shí)間成本與準(zhǔn)確率,確定算法的擬合曲線階數(shù)為5階。為了確定殘差的具體閾值,采用相同方法對(duì)植物樣本進(jìn)行實(shí)驗(yàn)。

表3 建筑物樣本數(shù)據(jù)

植物樣本共174條掃描線,仍然以一條掃描線為例,植物樣本的結(jié)果如圖10所示。4階擬合曲線的殘差值極小值為-0.125,絕對(duì)值的平均值為1.836,5階最小值為-0.373,絕對(duì)值平均值為1.358,6階殘差最小值為0.064,絕對(duì)值的平均值為1.164。統(tǒng)計(jì)174條植物樣本掃描線的5階擬合曲線殘差值,絕對(duì)值的平均值為1.846。

圖10 植物樣本擬合曲線及殘差Fig.10 Fitting curve and residual error of plant samples

根據(jù)樣本實(shí)驗(yàn)可以得出建筑物與植物的歐氏距離擬合曲線的殘差值差異明顯,植物樣本的5階極小值仍然明顯高于建筑物殘差平均值,利用正態(tài)分布原則,殘差閾值采用3倍平均值即0.057。詳細(xì)計(jì)算過(guò)程如圖11所示。

L為初始窗口;L0為側(cè)窗口尺度;L1為當(dāng)前尺寸窗口圖11 擬合曲線算法過(guò)程Fig.11 Algorithm process of curve fitting

利用擬合曲線對(duì)掃描線中的曲面提取時(shí),需要建立窗口來(lái)提取有效的數(shù)據(jù)點(diǎn)。初始窗口L可以根據(jù)點(diǎn)的數(shù)量代替?zhèn)鹘y(tǒng)的距離,這意味著能夠非常有效的分離出前后不連續(xù)的掃描點(diǎn)數(shù)據(jù)。首先,當(dāng)確定L的大小時(shí),計(jì)算當(dāng)前窗口所有點(diǎn)間距的擬合曲線以及殘差并記錄;之后從窗口L的開始處進(jìn)行縮減窗口并建立擬合曲線計(jì)算殘差,當(dāng)殘差值的平均值不再減小時(shí),固定該側(cè)窗口尺度L0;其次,從L尾側(cè)逐漸縮減窗口并記錄擬合曲線的殘差值,當(dāng)殘差值不再減小時(shí),記錄當(dāng)前尺寸窗口L1。

根據(jù)融合向量角度差和擬合曲線法提取建筑物時(shí),可能存在誤差,其中包括少量混入建筑物點(diǎn)云數(shù)據(jù)的植物點(diǎn)和被誤刪的建筑物點(diǎn)。可以利用KD-tree搜尋法來(lái)剔除散落的植物點(diǎn)。建立KD-tree結(jié)構(gòu)后從點(diǎn)云數(shù)據(jù)中隨機(jī)抽取點(diǎn),計(jì)算點(diǎn)之間平均距離d以及全局平均距離μ和標(biāo)準(zhǔn)差σ,其中d在μ±3σ之外的被認(rèn)為是離散的植物點(diǎn)而去除。為了恢復(fù)過(guò)刪除的建筑物點(diǎn),一條掃描線的建筑物提取后,重新歷遍這條掃描線,當(dāng)兩部分建筑物的距離為3σ之內(nèi)時(shí),重新提取這部分點(diǎn)并比較與周圍建筑物點(diǎn)的高程,若在范圍內(nèi)則可以認(rèn)定是過(guò)刪除的建筑物點(diǎn)并恢復(fù),進(jìn)而提高建筑物點(diǎn)云提取的準(zhǔn)確性和完整性。

2 實(shí)驗(yàn)分析

2.1 實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)數(shù)據(jù)通過(guò)運(yùn)5飛行器搭載Leica ALS07傳感器掃描得到。傳感器脈沖頻率159 kHz,平均飛行高度為1 080 m,總面積達(dá)1.78 km2,平均點(diǎn)密度為4.6個(gè)/m2。如圖12所示,該數(shù)據(jù)具有典型的高建筑密度特性的城區(qū),植物與建筑物之間距離較短,且部分植物被修剪成規(guī)則形狀。

圖12 原始數(shù)據(jù)Fig.12 Raw data

2.2 實(shí)驗(yàn)結(jié)果

建筑提取實(shí)驗(yàn)使用MATLAB2019b軟件平臺(tái),實(shí)驗(yàn)計(jì)算機(jī)具有英特爾酷睿i5-8300H,2.3 GHz CPU,16.00 GB內(nèi)存和64位Windows 10操作系統(tǒng)。

(1)去噪和濾波結(jié)果。圖13為去噪和濾波的結(jié)果,濾波后點(diǎn)云數(shù)量為738 957。

圖13 濾波后結(jié)果Fig.13 Filtered results

(2)定性結(jié)果。如圖14所示,將降噪和濾波后的點(diǎn)云作為輸入點(diǎn)云,進(jìn)行建筑物點(diǎn)云。圖14(a)為所提算法提取結(jié)果,圖14(b)為TIN算法提取結(jié)果。

藍(lán)色框1～4為同一區(qū)域內(nèi)的不同結(jié)果;紅色圓圈1和紅色圓圈2為一些手動(dòng)修剪后的植被圖14 兩種算法的建筑物提取結(jié)果Fig.14 Building extraction results of two algorithms

如圖14所示,與TIN算法相比所提算法可以更加全面的提取建筑物。如圖14中藍(lán)色框1和藍(lán)色框3所示,所提算法能夠更加完整的提取邊界形態(tài)復(fù)雜的建筑物。如圖14中藍(lán)色框4所示,TIN算法在面對(duì)高度變化大的平面屋頂時(shí)表現(xiàn)出不穩(wěn)定性,不能完整提取建筑物。圖14中藍(lán)色框2為一個(gè)曲面屋頂,所提算法成功提取了整個(gè)屋頂,而TIN算法幾乎漏掉了整個(gè)曲面屋頂。如圖14(b)所示,紅色圓圈1和紅色圓圈2為一些手動(dòng)修剪后的植被,在形狀上表現(xiàn)出一定規(guī)則性,TIN算法無(wú)法有效去除這些植被。綜上可知,所提算法相較于TIN算法能夠更加穩(wěn)健的提取平面和曲面屋頂?shù)耐瑫r(shí)能夠有效去除植被點(diǎn)云。

2.3 精度及效率分析

為了驗(yàn)證所提算法對(duì)建筑物提取的有效性,需對(duì)算法進(jìn)行精度評(píng)定,采用經(jīng)典模型混淆矩陣對(duì)數(shù)據(jù)結(jié)果進(jìn)行評(píng)價(jià)[26]。

定義一類誤差T1為把非建筑物點(diǎn)錯(cuò)誤地分類為建筑物,可表示為

(7)

式(7)中:b為算法的建筑物數(shù)據(jù)中非建筑物點(diǎn)的個(gè)數(shù);e為參考數(shù)據(jù)的建筑物點(diǎn)個(gè)數(shù)。

定義二類誤差T2為把建筑物點(diǎn)錯(cuò)誤的分類為非建筑物,可表示為

(8)

式(8)中:c為算法的非建筑物數(shù)據(jù)中建筑物點(diǎn)的個(gè)數(shù);f為參考數(shù)據(jù)的非建筑物點(diǎn)個(gè)數(shù)。

則總誤差T3可表示為

(9)

式(9)中:n為濾波后非地面點(diǎn)個(gè)數(shù)。

于是總體精度(overall accuracy, OA)可定義為

(10)

同時(shí),為增加算法精度評(píng)價(jià)的準(zhǔn)確性,使用kappa系數(shù)進(jìn)行對(duì)算法準(zhǔn)確性分析。

(11)

(12)

式中:p0為正確分類的建筑物點(diǎn)a和非建筑物點(diǎn)d的總和除以樣本總數(shù);pe為偶然一致性;ai為建筑物和非建筑物的真實(shí)點(diǎn)云數(shù);bi為由算法分類的建筑物和非建筑物點(diǎn)云。

此類混淆矩陣中kappa系數(shù)替換為

(13)

式(13)中:g為算法分類的建筑物點(diǎn)數(shù);h為算法分類的非建筑物點(diǎn)數(shù)。

表4為3種算法在提取建筑物二元分類時(shí)的精度結(jié)果。

表4 兩組實(shí)驗(yàn)結(jié)果精度評(píng)定

本文算法的T1為2.77%,而TIN算法的T1為7.21%。這表明本文算法在將非建筑物正確分類為負(fù)類方面表現(xiàn)更好,能夠更加有效區(qū)分非建筑物點(diǎn)云。TIN算法在T2指標(biāo)上略好于本文算法,但是本文算法T2也保持在較低水平,說(shuō)明兩種算法都能較好的識(shí)別出建筑物點(diǎn)云。兩種方法的總體精度都高于95%,說(shuō)明兩種方法在整體上都具有較高的分類準(zhǔn)確性。本文算法kappa達(dá)到了91.48%,而TIN的為87.38%。說(shuō)明本文算法在不同樣本上具有較高的一致性和可靠性。

與TIN算法相比,本文算法表現(xiàn)出更快的處理速度,TIN算法運(yùn)行時(shí)間為294 s,本文算法的運(yùn)行時(shí)間為118 s,僅為TIN算法的40.1%。TIN算法為了更好地提取建筑物,需要建立較多三角測(cè)量數(shù)據(jù)結(jié)構(gòu),耗時(shí)較長(zhǎng),而本文算法基于掃描線模型,將它將三維空間向量簡(jiǎn)化為二維方向向量,減少了冗余計(jì)算,提高了算法效率。

3 結(jié)論

提出了一種機(jī)載LiDAR建筑物點(diǎn)云提取方法,通過(guò)實(shí)驗(yàn)區(qū)數(shù)據(jù)處理,結(jié)果表明,能夠有效提取建筑物點(diǎn)云。該算法具有以下特點(diǎn):通過(guò)構(gòu)建掃描線數(shù)據(jù)結(jié)構(gòu)計(jì)算相鄰向量角度差能夠快速準(zhǔn)確地提取平面建筑物屋頂;利用相鄰點(diǎn)歐氏距離擬合曲線,計(jì)算殘差可以準(zhǔn)確區(qū)分曲面建筑物屋頂與植物點(diǎn);最后通過(guò)細(xì)化處理能夠更加完整地提取建筑物并消除植物的影響。該過(guò)程可以很好避免植物對(duì)結(jié)果的影響,同時(shí)能夠非常有效的提取曲面屋頂以及高差復(fù)雜的建筑物屋頂。該算法解決了面對(duì)大面積城區(qū)建筑物復(fù)雜且植物多而提取精度不夠的問(wèn)題,同時(shí)能夠很好提取曲面屋頂建筑物。通過(guò)成熟的TIN算法進(jìn)行消融實(shí)驗(yàn),驗(yàn)證了本文算法的有效性和穩(wěn)定性。