面向?qū)ο蟮腖 iDAR數(shù)據(jù)多特征融合分類

楊 耘,隋立春

(長(zhǎng)安大學(xué)地質(zhì)工程與測(cè)繪學(xué)院,陜西西安 710054)

面向?qū)ο蟮腖 iDAR數(shù)據(jù)多特征融合分類

楊 耘,隋立春

(長(zhǎng)安大學(xué)地質(zhì)工程與測(cè)繪學(xué)院,陜西西安 710054)

針對(duì)單源遙感數(shù)據(jù)分類精度不高的問題,提出一種基于多特征融合的面向?qū)ο蠓诸惙椒āＴ摲椒ɡ肔iDAR點(diǎn)云數(shù)據(jù)的高程信息,并融合地物粗糙度特征,以及航空影像的地物光譜、形狀和上下文信息等多種特征,再基于 SVM分類器構(gòu)建面向?qū)ο蟮姆诸惙椒?以提高城區(qū)環(huán)境下遙感數(shù)據(jù)分類的可靠性。試驗(yàn)表明,該方法可有效地提高城區(qū)地物的分類精度,且分類結(jié)果更符合人的視覺認(rèn)知規(guī)律。

航空激光雷達(dá);面向?qū)ο蠓诸?數(shù)字高程模型;粗糙度;多特征融合;支持向量機(jī)

一、引 言

運(yùn)用多傳感器集成技術(shù)進(jìn)行土地利用/覆蓋分類是國(guó)土資源調(diào)查、環(huán)境監(jiān)測(cè)、城市規(guī)劃等領(lǐng)域的研究熱點(diǎn)。而利用航空激光雷達(dá)(LiDAR)數(shù)據(jù)輔助高分辨率影像進(jìn)行土地利用/覆蓋狀況分類是一個(gè)非常有效的途徑。近幾年,國(guó)內(nèi)外學(xué)者針對(duì)不同問題,已開展了很多相關(guān)研究。其中,文獻(xiàn)[1]研究了融合高分辨率影像與 L iDAR點(diǎn)云數(shù)據(jù)提取城區(qū)建筑物的方法;文獻(xiàn)[2]針對(duì)機(jī)場(chǎng)安全問題,綜合利用真彩色和彩紅外航空影像,以及LiDAR點(diǎn)云數(shù)據(jù)自動(dòng)提取機(jī)場(chǎng)的建筑物等障礙物。張小紅等[3-4]也開展了LiDAR技術(shù)的理論與工程應(yīng)用研究,取得了諸多研究成果。這些研究表明,LiDAR技術(shù)能快速準(zhǔn)確地獲取地物高程信息,而高空間分辨率的遙感影像(如 SPOT5、IKONOS、QuickBird影像等)具有高幾何分辨率和豐富的光譜信息,兩者優(yōu)勢(shì)互補(bǔ),對(duì)土地利用/覆蓋狀況分類的精度有很大提高。另外, LiDAR點(diǎn)云數(shù)據(jù)除可以提取地物高程信息之外,還可導(dǎo)出地物強(qiáng)度、粗糙度、坡度等更多的衍生特征,將這些特征有機(jī)集成,同時(shí)充分利用影像數(shù)據(jù)中地物的光譜、幾何、上下文特征,可以大大降低地物分類的不確定性,提高分類精度。

而對(duì)于如 Geoeye、IKONOS、QuichBird等高空間分辨率遙感影像,面向?qū)ο蟮姆诸愂且活惙浅Ｓ行У姆椒?。此?支持向量機(jī) (SVM)分類器[5]在高分辨率影像分類中得到了應(yīng)用,不少研究[6]已表明,SVM分類器比其他同類分類器表現(xiàn)出更佳的分類性能。

目前,國(guó)內(nèi) LiDAR數(shù)據(jù)的獲取成本較高,有時(shí)難以同時(shí)獲取同一地區(qū)的影像數(shù)據(jù)及點(diǎn)云數(shù)據(jù)。另一方面,隨著城市化進(jìn)程的加快,利用 LiDAR技術(shù)快速準(zhǔn)確地進(jìn)行城區(qū)地物信息的提取對(duì)城市規(guī)劃等應(yīng)用有著非常重要的作用。在此背景下,本文提出了利用 LiDAR點(diǎn)云數(shù)據(jù)以及同時(shí)獲取的航空影像,基于多源特征融合的思想,構(gòu)建了一種基于SVM分類器的面向?qū)ο蟮姆诸惙椒?、技術(shù),以緩解單一數(shù)據(jù)源情況下遙感數(shù)據(jù)分類的不確定性,提高城區(qū)土地利用/覆蓋分類精度。

二、面向?qū)ο蟮腖 iDAR數(shù)據(jù)分類

本文方法的技術(shù)流程圖如圖 1所示。

圖1 本文方法技術(shù)流程圖

具體細(xì)節(jié)如下：

1.點(diǎn)云數(shù)據(jù)的特征提取

LiDAR離散點(diǎn)云數(shù)據(jù)經(jīng)過濾波處理后,濾除噪聲和房屋、樹等高出地形表面的非地面點(diǎn)云,保留地面點(diǎn),并經(jīng)過高程內(nèi)插,便可以獲取高精度的數(shù)字高程模型(DEM)。因此,濾波算法的好壞對(duì)DEM精度有很大影響。

基于不同的原理及假設(shè),國(guó)內(nèi)外學(xué)者先后提出了很多種點(diǎn)云濾波的方法[5]。根據(jù)研究區(qū)域的地形及地物特點(diǎn),本文采用迭代多項(xiàng)式擬合濾波方法(iterative polynomial fitting filter),該方法不是直接濾除非地面點(diǎn)來達(dá)到分離地面點(diǎn)與非地面點(diǎn)的目的,而是從原始點(diǎn)云數(shù)據(jù)中直接迭代地識(shí)別地面點(diǎn)。

對(duì)濾波后的點(diǎn)云,需要對(duì)空洞區(qū)進(jìn)行高程內(nèi)插得到DEM。但是,DEM包含了地形起伏的信息,無法直接反映地物的高度信息。因此,本文采用歸一化數(shù)字表面模型 (nDS M),即由數(shù)字表面模型(DS M)與DEM進(jìn)行代數(shù)差運(yùn)算后得到的數(shù)據(jù) (即DS M-DEM),這樣 nDS M可直接反映地物的高度信息,大大緩解了地形起伏的影響。這種處理更適于地形起伏變化劇烈的地物覆蓋區(qū)。

為了后續(xù)的分類處理,必須將DEM、DS M以及nDS M與航空影像進(jìn)行配準(zhǔn),從而將多數(shù)據(jù)源的空間位置相互關(guān)聯(lián)。本文采用了二次多項(xiàng)式法利用測(cè)區(qū)已有的控制點(diǎn)進(jìn)行配準(zhǔn),配準(zhǔn)后航空影像的空間分辨率重采樣到 1 m。

由LiDAR點(diǎn)云數(shù)據(jù)可以提取 nDS M這一特征,能夠提取不同高度的建筑物及樹,但仍難以鑒別高度相近、但粗糙度不同的房屋與樹,通常情況下,樹比房屋、地面等平坦地物更粗糙。因此,本文還提取了粗糙度特征(粗糙度用每個(gè)格網(wǎng)內(nèi)所有高程點(diǎn)的標(biāo)準(zhǔn)偏差大小來描述),以提高房屋與樹的識(shí)別能力。

2.面向?qū)ο蟮亩嗵卣魅诤戏诸?/p>

由于L iDAR可以提取高分辨率的DE M數(shù)據(jù),因此其衍生特征均具有高分辨特性。而航空影像的光譜信息有限,但空間信息豐富,同時(shí)蘊(yùn)含著地物的尺寸、形狀及上下文關(guān)系等特征,若能將上述特征充分加以綜合利用,則可以改善分類精度。因此,本文將nDS M與粗糙度這兩個(gè)點(diǎn)云數(shù)據(jù)的衍生特征與航空影像形成多維矢量數(shù)據(jù),采用了基于分割后再分類的面向?qū)ο蟮姆诸惣夹g(shù),實(shí)現(xiàn)特征空間的類別劃分。

面向?qū)ο蟮姆诸惙椒ㄖ?分類是以分割為基礎(chǔ),即先將圖像劃分成多個(gè)同質(zhì)區(qū)域?qū)ο?然后以對(duì)象為分類單元再進(jìn)行分類。因此,地物的光譜、高度、紋理、尺寸、形狀及相鄰地物間的關(guān)系都得到很好地反映及利用,從而克服了傳統(tǒng)的基于像素分類方法中無法對(duì)相同語義特征的像素集合進(jìn)行識(shí)別的不足。而對(duì)于高分辨率影像而言,單一像素分類毫無意義。因此,面向?qū)ο蟮姆诸愃枷胧沟梅诸惤Y(jié)果更符合人的視覺認(rèn)知規(guī)律。

而 SVM分類器無須特征空間正態(tài)分布的假設(shè),且核函數(shù)空間的映射更適合多維的空間特征輸入,模型復(fù)雜度與輸入特征維數(shù)無關(guān),這使得輸入特征可以多元化,從而核函數(shù)將輸入特征映射到高維空間可能產(chǎn)生原始數(shù)據(jù)所不具備的新特征。

基于以上考慮,本文采用了 eCognition軟件包中的多分辨率分割方法,取得某一合適尺度下的分割結(jié)果。然后利用 SVM分類器進(jìn)行分類,分類原理參見文獻(xiàn)[1-2]。并將這種基于分割的 SVM分類視為一種面向?qū)ο蟮姆诸惣夹g(shù),從而將基于像素的 SVM分類提升到基于對(duì)象的分類。

三、試驗(yàn)分析

為了驗(yàn)證本文方法的有效性,我們以 2007年Leica ALS 40獲取的中國(guó)某地的L iDAR點(diǎn)云及真彩色航空影像作為測(cè)試數(shù)據(jù),選取了其中的兩個(gè)場(chǎng)景。

1.試驗(yàn)一

圖 2(a)為航空影像數(shù)據(jù),圖 2(b)為原始 Li-DAR點(diǎn)云數(shù)據(jù)的 3D渲染圖。圖 2(b)所示研究區(qū)域中,LiDAR點(diǎn)云個(gè)數(shù)為 101 933,點(diǎn)云密度平均為1個(gè) /m2。該區(qū)域?yàn)槌菂^(qū)。

圖 2 試驗(yàn)數(shù)據(jù)、提取的特征及分類結(jié)果比較

圖 2(c)、(d)、(f)所示的是濾波后點(diǎn)云、nDS M以及粗糙度特征。從圖 2中可以看出,(b)能夠更清楚地描述地物的高度信息,(c)反映了地物的粗糙程度,有助于識(shí)別相近高度但不同粗糙度的地物,如房屋與樹。

從圖 2(f)可以看出,采用 SVM分類方法對(duì)單源航空影像的分類結(jié)果表明：由于高空間分辨率影像中光譜異質(zhì)現(xiàn)象極其嚴(yán)重,細(xì)部特征明顯等特點(diǎn),會(huì)出現(xiàn)“椒鹽式分類”現(xiàn)象,如房屋、樹等主要地物類型中出現(xiàn)許多離散的、不連續(xù)的小區(qū)域,不利于矢量化,需要費(fèi)時(shí)的人工后處理。

而圖 2(g)表明：當(dāng)融合了地物的高度信息和粗糙度特征后,大大降低了圖 2(f)中建筑物、樹這兩類地物的錯(cuò)分現(xiàn)象;當(dāng)采用了面向?qū)ο蟮姆诸惙椒ê?大大緩解了分類“噪聲”,使分類結(jié)果更符合人的視覺認(rèn)知規(guī)律。

分析原因如下：從特征選擇的角度來分析,SVM分類器對(duì)單一數(shù)據(jù)源的航空影像分類,由于沒有融合地物的高程、粗糙度特征而會(huì)導(dǎo)致城區(qū)房屋這類光譜異質(zhì)極其嚴(yán)重的地物仍會(huì)出現(xiàn)混分現(xiàn)象;從分類方法的角度來分析,盡管在樣本選取合適的情況下,SVM分類器對(duì)光譜異質(zhì)現(xiàn)象有一定的魯棒性,但是,SVM這類分類器本質(zhì)上仍是以單個(gè)像元為單元,沒有充分利用影像的幾何、空間信息,仍無法完全避免光譜異質(zhì)及細(xì)節(jié)的影響。而本文的面向?qū)ο蠓诸惙椒梢杂行Ы鉀Q這一問題。

2.試驗(yàn)二

圖 3(a)、(b)所示場(chǎng)景中,L iDAR點(diǎn)云個(gè)數(shù)為518 089,有一定程度的地形起伏。

圖 3 試驗(yàn)數(shù)據(jù)、提取的特征及分類結(jié)果比較

從圖 3所示的試驗(yàn)結(jié)果 (圖例與圖 2相同),我們可以得出與圖 2相同的結(jié)論。

為了定量評(píng)價(jià)本文方法的性能,本文通過對(duì)高空間分辨率航空影像的目視識(shí)別方式進(jìn)行研究,確定了測(cè)試區(qū)的參考樣本。對(duì)試驗(yàn)中測(cè)試數(shù)據(jù),分別對(duì)單源航空影像以及融合了點(diǎn)云數(shù)據(jù)的航空影像依次采用 SVM分類法,以及本文所提出的面向?qū)ο蟮姆诸惙ㄟM(jìn)行分類結(jié)果對(duì)比。結(jié)果表明：通常情況下,本文分類方法的總分類精度比單源航空影像的SVM分類結(jié)果高出 3%～7%(這取決于樣本選取的好壞及分割尺度選取的優(yōu)劣),表明本文建議的分類方法的確有利于分類精度的提高。

此外,對(duì)面向?qū)ο蟮姆诸惙椒▉碚f,分類結(jié)果的優(yōu)劣在很大程度上取決于分割尺度。因此,最佳分割尺度的選擇對(duì)分類結(jié)果有很大影響。

四、結(jié)束語

本文利用LiDAR點(diǎn)云數(shù)據(jù)和航空影像,融合兩種數(shù)據(jù)源的多個(gè)特征,基于 SVM分類器構(gòu)建了一種面向?qū)ο蟮姆诸惙椒?以降低單一數(shù)據(jù)源地物分類中的不確定性。其中,利用L iDAR點(diǎn)云數(shù)據(jù)衍生的地物高度特征以及粗糙度特征,并與航空影像數(shù)據(jù)特征有機(jī)融合,采用面向?qū)ο蟮姆诸惣夹g(shù)對(duì)該多維特征進(jìn)行地物類別劃分。這種方法充分利用了地物的光譜、紋理、高程、幾何、上下文信息等多個(gè)特征,有效降低了分類的不確定性,提高了分類精度,也為分類結(jié)果向 GIS數(shù)據(jù)轉(zhuǎn)化提供了便利。

[1] SOHN G,DOWMAN I.Data Fusion of High-resolution Satellite Imagery and LiDAR Data forAutomatic Building Extraction[J].Journal of Photogrammetry and Remote Sensing,2007,62(1)：43-62.

[2] DEM IR N,POL I D,BALTSAV IA S E.Extraction of Buildings and TreesUsing Images and LiDAR Data[J]. The International Archives of the Photogrammetry,Remote Sensing and Spatial Information Sciences,2008, XXXV II(B4)：313-318.

[3] 張小紅.機(jī)載激光雷達(dá)測(cè)量技術(shù)理論與方法[M].武漢：武漢大學(xué)出版社,2007.

[4] 徐祖艦,王滋政,陽鋒.機(jī)載激光雷達(dá)測(cè)量技術(shù)及工程應(yīng)用實(shí)踐[M].武漢：武漢大學(xué)出版社,2009.

[5] VAPN IK V.Support-vector-machines[EB/OL].[2010-01-10],http：∥www.support-vector-machines.org.

[6] 黃昕,張良培,李平湘.基于多尺度特征融合和支持向量機(jī)的高分辨率遙感影像分類 [J].遙感學(xué)報(bào), 2007,11(1)：48-54.

Object-oriented Classification of L iDAR Data Based on M ulti-feature Fusion

YANG Yun,SU ILichun

0494-0911(2010)08-0011-04

P237

B

2010-02-08

國(guó)家自然科學(xué)基金資助項(xiàng)目(40971306)

楊 耘(1975—),女,新疆沙灣人,博士,講師,主要從事模式識(shí)別、激光雷達(dá)數(shù)據(jù)和遙感圖像處理研究。