基于Li DAR數(shù)據(jù)的建筑物自動提取方法的比較

馮甜甜,龔健雅

(1.同濟大學測量系,上海 200092;2.武漢大學測繪遙感信息工程國家重點實驗室,湖北武漢 430079)

基于Li DAR數(shù)據(jù)的建筑物自動提取方法的比較

馮甜甜1,龔健雅2

(1.同濟大學測量系,上海 200092;2.武漢大學測繪遙感信息工程國家重點實驗室,湖北武漢 430079)

簡述三種典型的利用LiDAR點云自動提取建筑物的方法。提出對建筑物提取結(jié)果的精度評價指標,并對三種方法的提取結(jié)果進行比較。結(jié)果表明基于Dempster-Shafer理論的建筑物自動提取方法最為穩(wěn)健。

LiDAR;建筑物自動提取;精度評定

建筑物信息在很多應(yīng)用中都起到十分重要的作用,如城市和區(qū)域規(guī)劃、交通規(guī)劃、人口估計和預(yù)測、污染分析及能量預(yù)算等[1]。隨著城市發(fā)展進程的加快,發(fā)展建筑物自動提取方法對于城市規(guī)劃者顯得相當重要。然而,由于建筑物屋頂?shù)膹?fù)雜形狀及頂部多樣的組成材料,如何從影像上自動準確地提取建筑物目標仍是一個較難的研究熱點[2]。近幾年,激光雷達 (light detection and ranging,Li DAR)技術(shù)的出現(xiàn)使得快速獲取高精度的三維地表數(shù)據(jù)成為可能,這也給建筑物提取研究帶來了新的機遇和挑戰(zhàn)。其中,具有代表性的利用 Li DAR數(shù)據(jù)探測建筑物的方法是平面擬合[3]和區(qū)域增長法則[4]。然而,大部分單獨使用LiDAR數(shù)據(jù)進行建筑物提取的方法在分辨部分地物方面都存在共同的問題,尤其是對于建筑物、植被以及橋梁的辨別。為了彌補這一局限,有些學者提出將高分辨率影像與 Li DAR數(shù)據(jù)相結(jié)合來提取建筑物。例如,文獻 [5]首先從LiDAR數(shù)據(jù)中提取非地面特征,再利用從 IKONOS影像中提取出來的 NDV I信息去除植被。文獻[6]先借助LiDAR數(shù)據(jù)分割出建筑物點,再結(jié)合影像的線段提取和 LiDAR估算的概略主方向?qū)⒔ㄖ镙喞Y選出來?？傊?到目前為止已經(jīng)出現(xiàn)了大量的建筑物自動提取算法,但不同提取算法都有自身的特點,而對于不同提取算法之間的比較以及對建筑物提取結(jié)果的精度評價指標方面的研究相對較少。

本文介紹了三種典型的利用 LiDAR數(shù)據(jù)及高分辨率遙感影像的建筑物自動提取方法,這三種方法分別是基于平面擬合的區(qū)域增長法則、面向?qū)ο蟮姆诸惙椒ㄒ约盎?Dempster-Shafer(D-S)理論多源數(shù)據(jù)融合的建筑物自動提取方法。最后從建筑物的數(shù)量、面積和體積三個方面提出五個評價指標,對三種方法的提取結(jié)果進行定量的精度評定和比較。

一、建筑物提取方法

在進行建筑物提取之前需要對數(shù)據(jù)進行預(yù)處理。首先用 Delaunay三角網(wǎng)生成算法,定義每個LiDAR點的空間鄰接關(guān)系,并用最鄰近法將 LiDAR點內(nèi)插成 1m分辨率的格網(wǎng)。然后計算表面高度變化的多尺度梯度,并在多分辨率、綜合分析的框架下采用自適應(yīng)侵蝕規(guī)則 Li DAR格網(wǎng)點的方法區(qū)分地面點及非地面點,生成地面掩膜圖像[7]。另一方面,對應(yīng)研究區(qū)域上的植被掩膜圖像根據(jù)從 Quick-Bird遙感影像計算出的 NDV I值及給定的閾值獲得,該處理通過 ENV I軟件實現(xiàn)。

1.區(qū)域增長法提取建筑物方法

區(qū)域增長法是典型的利用 Li DAR數(shù)據(jù)提取建筑物的方法。屋頂?shù)奶綔y從種子點開始,分析鄰近點與種子點的共面關(guān)系,逐步將鄰近的共面點加入進來。該方法首先通過測試非地面點的八鄰域點來識別內(nèi)部點和邊界點;對于每個非地面內(nèi)部點,用 3×3范圍內(nèi)點的高程值模擬一個平面,并計算該平面與這 9個點之間的最大絕對偏差 (MAD);所有內(nèi)部點按照MAD值升次排列,并將具有最小MAD值的點作為第一個種子點;將絕對偏差小于閾值的點加到當前平面中,并重復(fù)該處理,當找不到種子點時,區(qū)域增長處理結(jié)束。最后對區(qū)域增長處理的結(jié)果進行一些后處理:首先,根據(jù)植被掩膜圖像去除區(qū)域增長處理結(jié)果中的植被;其次,用剩下的 Li-DAR點生成只表示建筑物或非建筑物的二值圖像,并將二值圖像中的小洞填補起來;最后,再利用最小建筑物尺寸、最小建筑物高度以及最小建筑物體積等閾值將非建筑物區(qū)域過濾掉。

2.面向?qū)ο蟮姆诸惙椒ㄌ崛〗ㄖ?/h3>

在面向?qū)ο蟮姆诸愔?對影像的分割是比較關(guān)鍵的一步。這里將多個影像層輸入易康軟件進行影像的分割,這些影像層包括QuickBird四個多光譜影像、歸一化植被指數(shù) (NDV I)影像、LiDAR影像和地面掩膜圖像。為了更好地進行影像分割生成同質(zhì)區(qū)域,給每個影像層設(shè)定一個權(quán)值,權(quán)值的大小與該影像層的重要性成正比。整個影像分類過程分為以下三個階段進行:第一階段的目的是為了區(qū)分植被和不透水層。在權(quán)值的設(shè)置中,將 NDV I影像層的權(quán)值設(shè)為 5,其他影像層的權(quán)值設(shè)為 1。分割后,選取部分特征并使用特征空間優(yōu)化工具來判斷哪些波段能有效地區(qū)分植被和不透水層,并將這些波段數(shù)據(jù)用于第二階段的分割。第二階段的目的是為了區(qū)分建筑物、植被和地面。將 NDV I影像層的權(quán)值降低至 2,LiDAR影像層的權(quán)值設(shè)為 3,地面掩膜圖像的權(quán)值設(shè)為 4,其他所有層的權(quán)值設(shè)為 1,得到分割結(jié)果。第三階段對影像分割結(jié)果進行分類,根據(jù)分割結(jié)果中對象的光譜反射值、形狀、紋理等特征采用最鄰近分類器進行分類,將影像分割的結(jié)果分成建筑物、植被、地面三個類型。

3.用D-S理論融合多源數(shù)據(jù)提取建筑物

D-S理論的主要思想是根據(jù)一個論斷不同證據(jù)來源的概率來推斷其信任度[8]。這里將地面掩膜圖像、植被掩膜圖像和候選建筑物圖像作為三種數(shù)據(jù)源。候選建筑物圖像通過地面掩膜圖像和植被掩膜圖像共同獲得。假設(shè)圖像中只有地面、建筑物、植被這三種類別,將所有非地面點且非植被點作為建筑物點并構(gòu)成二值圖像,再去除二值圖像中小于最小建筑物尺寸的區(qū)域后作為候選建筑物區(qū)域。根據(jù) D-S理論,將每一個候選建筑物區(qū)域看作一個獨立的論斷,并通過計算信任函數(shù)來判斷該區(qū)域是否為建筑物區(qū)域。首先,尋找每個候選建筑物區(qū)域的最小外接矩形,并計算最小外接矩形中的像素個數(shù),假設(shè)為 N;在地面掩膜圖像的對應(yīng)區(qū)域中計算地面點的像素個數(shù),設(shè)為 p;那么該區(qū)域是地面的概率為 p/N。由于對該區(qū)域內(nèi)其他像素點的類別沒有任何證據(jù),那么該區(qū)域?qū)儆谥脖弧⒔ㄖ?、植被或建筑物的概率相同。而所有類別的概率之和為 1,因此屬于上述三類的概率都是 (1-p/N)/3。類似的,根據(jù)植被掩膜圖像得到的各個類別的概率也可以用同樣的方法計算出來。而對于建筑物候選圖像,每個候選區(qū)域都有較大的初始建筑物概率,因此給定一個較低的常數(shù)作為初始建筑物概率,這樣則需要更多的來自其他數(shù)據(jù)源的證據(jù)來支持該區(qū)域是建筑物這一論斷,這也使得建筑物區(qū)域的判斷更具說服力。據(jù)研究表明,適當?shù)亟档统跏几怕手挡⒉粫ㄖ飬^(qū)域判斷的正確性產(chǎn)生影響[9]。最后,通過尋找各個類別信任函數(shù)的最大值來確定該候選區(qū)域的類別。

二、試驗及討論

本文在美國得克薩斯州奧斯汀市區(qū)內(nèi)選取四個具有不同特征的區(qū)域作為試驗區(qū),分別應(yīng)用上述三種方法進行建筑物的自動提取試驗。將提取結(jié)果與實地調(diào)查所得到的參考數(shù)據(jù)比較,從基于建筑物的數(shù)量、面積和體積三個方面提出五種精度評價指標進行定量的精度評定和比較。

1.基于建筑物的數(shù)量

基于建筑物數(shù)量的精度評定采用檢出率和正確率這兩個評價指標。檢出率是指正確提取出的建筑物數(shù)目占參考數(shù)據(jù)中建筑物總數(shù)的比例,表達提取的完整性,反映試驗區(qū)內(nèi)的漏檢錯誤;正確率是指正確提取出的建筑物數(shù)目占提取結(jié)果中建筑物總數(shù)的比例,表達提取結(jié)果的正確率,反映試驗區(qū)內(nèi)的提取錯誤。這里認為只要建筑物的某一部分被正確提取出來了,就將這個建筑物記為被正確提取的建筑物。表 1顯示了三種建筑物提取結(jié)果的檢出率和正確率,從提取結(jié)果的檢出率上看,四個試驗區(qū)上的最高檢出率均是由基于D-S證據(jù)理論的數(shù)據(jù)融合方法獲得的;從提取結(jié)果的正確率上看,三種方法都不能使得在具有不同特點試驗區(qū)的提取結(jié)果均具有較高的準確率。

表 1 基于建筑物數(shù)量的精度評定結(jié)果 (%)

2.基于建筑物的面積

基于建筑物面積的精度評定采用面積漏檢錯誤和面積提取錯誤這兩個評價指標。面積漏檢錯誤是指試驗區(qū)中沒有被提取出的建筑物面積占參考數(shù)據(jù)中建筑物總面積的比例,反映有多少面積實際上是建筑物區(qū)域卻沒能被提取出來;面積提取錯誤是指提取結(jié)果中被錯誤提取為建筑物的面積占提取結(jié)果中建筑物總面積的比例,反映有多少面積實際上不是建筑物卻被誤認為是建筑物被提取出來了。

三種提取結(jié)果的精度評定結(jié)果如表 2所示。通過漏檢錯誤對比發(fā)現(xiàn),三種提取方法在四個試驗區(qū)上得到的漏檢錯誤差別不大。相比其他兩種提取方法,用區(qū)域增長法的提取結(jié)果中有較高的漏檢錯誤。根據(jù)提取錯誤的對比,用影像分類方法的提取結(jié)果明顯差于其他兩種提取方法,在用 D-S理論融合方法的提取結(jié)果中,除了試驗區(qū)三中的提取錯誤較大程度地低于用區(qū)域增長法則的提取結(jié)果,其他三個試驗區(qū)中的差別不大。

表 2 基于建筑物面積的精度評定 (%)

3.基于建筑物的體積

最后提出全局體積誤差這一指標對提取的建筑物體積進行定量的精度評定。全局體積誤差是指提取的建筑物體積與真實建筑物體積之間的絕對誤差占真實建筑物體積的比例的平均值,反應(yīng)建筑物體積上的整體提取偏差,計算結(jié)果如表 3所示。

對比每個試驗區(qū)中的體積誤差發(fā)現(xiàn),影像分類方法的提取結(jié)果除了在試驗區(qū)二中的提取誤差較小外,在其他三個試驗區(qū)中的提取誤差都明顯高于其他兩種方法。而根據(jù)基于建筑物面積的精度評定結(jié)果可知,影像分類法在試驗區(qū)二中存在大量的提取錯誤,因此雖然該方法在試驗區(qū)二中表現(xiàn)出了較小的建筑物體積誤差,但實際上這個結(jié)果是不可取的,所以影像分類方法的提取結(jié)果是三種提取結(jié)果中最不理想的。在試驗區(qū)一、三中,用區(qū)域增長法和基于D-S理論的數(shù)據(jù)融合方法所提取出的建筑物在體積上的精度非常相近,而區(qū)域增長法在另外兩個試驗區(qū)中的提取誤差明顯高于D-S數(shù)據(jù)融合方法。因此有理由認為在這三種建筑物自動提取方法中,用 D-S理論的數(shù)據(jù)融合方法所提取出的結(jié)果在建筑物體積方面具有最小的誤差。

表 3 基于建筑物體積的精度評定 (%)

三、結(jié)束語

本文比較了用區(qū)域增長法、面向?qū)ο蟮姆诸惙椒癉-S理論三種方法自動提取建筑物的能力,并提出五個精度評定指標對提取結(jié)果進行了定量的精度評價。綜合各項精度評價指標發(fā)現(xiàn),用 D-S理論進行建筑物的自動提取是最為穩(wěn)健的方法,其提取結(jié)果在五個精度評價指標上均能達到較高的精度,這也給結(jié)合多源數(shù)據(jù)自動提取建筑物提供了新的思路。

[1]GRUEN A,NEVAT IA R.Automatic Building Extraction from Aerial Images[J]. Computer Vision and Image Understanding,1998,72(2):99-100.

[2]MAYUNGA S D,ZHANG Y,COLEMAN D J.Semiautomatic Buiding Extraction Utilizing QuickBird Imagery[C]∥Proc.of the ISPRS Workshop CMRT.Vienna:ISPRS,2005:131-136.

[3]NARD INOCCH IC,SCA ION IM,FORLAN I G.Building Extraction from LiDAR Data[C]∥IEEE/ISPRS Joint Workshop on Remote Sensing andData Fusion overUrban Areas. Rome: Institute of Electrical and Electronics Engineers in Piscataway,2001:79-83.

[4]AUER S,H INZ S.Automatic Extraction of Salient Geometric Entities from L IDAR Point Clouds[C]∥Geoscience and Remote Sensing Symposium.Barcelona:Institute of Electrical and Electronics Engineers(IEEE),2007:2507-2510.

[5]SOHN G,DOWMAN I.Data Fusion of High-resolution Satellite Imagery and Li DAR Data forAutomatic Building Extraction[J]. ISPRS Journal of Photogrammetry and Remote Sensing,2007,62(1):43-63.

[6]程亮,龔健雅.LiDAR輔助下利用超高分辨率影像提取建筑物輪廓方法[J].測繪學報,2008,37(3):391-393.

[7]S ILVAN-CARDENAS J L,WANG L.A Multi-resolution Approach for FilteringLiDAR AltimetryData[J].ISPRS Journal of Photogrammetry&Remote Sensing,2006,61(1):11-22.

[8]SHAFER G.A Mathematical Theory of Evidence[M].Princeton:Princeton University Press,1992.

[9]LU Y H,TR INDER J C,KUBLK K.Automatic Building Detection Using the Dempster-shafer Algorithm[J].Photogrammetric Engineering and Remote Sensing,2006,72(4):395-403.

Comparison of Automatic Building Extraction Methods Based on Li DAR Data

FENG Tiantian,GONG Jianya

2010-03-03

馮甜甜 (1983—),女,江蘇宿遷人,博士,主要從事建筑物提取及人口估算研究。

0494-0911(2011)02-0021-03

P237.9

B