基于面向?qū)ο蟮慕ㄖ镙喞獏f(xié)同提取方法

李 珵，盧小平，李向陽

(1.河南理工大學礦山空間信息技術國家測繪地理信息局重點實驗室，河南焦作454003;2.河南省基礎地理信息中心，河南鄭州450003)

一、引 言

機載LiDAR可以快速獲取地面物體的高精度三維點云數(shù)據(jù)，據(jù)此建立的高分辨率DEM和DSM可用于復雜環(huán)境中地物要素信息的提取。然而，現(xiàn)有的建筑物提取方法多是將點云數(shù)據(jù)濾波分類為地面點、建筑物和其他地物，然后與基于影像的建筑物進行檢測比較。由于點云數(shù)據(jù)受水平位置精度限制，使用單一的LiDAR數(shù)據(jù)源難以獲取準確、翔實的建筑物邊緣信息，因此要提取建筑物的規(guī)則輪廓，在一定程度上取決于LiDAR數(shù)據(jù)的幾何分辨率。

本文綜合利用LiDAR點云數(shù)據(jù)與GeoEye高空間分辨率遙感影像，研究基于圖像分割的面向?qū)ο蠓诸惙椒?，建立了一種礦區(qū)建筑物協(xié)同提取算法模型，即利用不同分割算法對nDSM數(shù)據(jù)進行分割，建立目標對象;通過設定地物高度閾值與亮度閾值確定建筑物區(qū)域，去除陰影信息;利用建筑物光譜特征的相似性在較高坡度值的區(qū)域精確提取建筑物的輪廓;基于綠度指數(shù)去除植被信息;對于植被與建筑物混疊區(qū)域，根據(jù)其與建筑物之間的空間關系進行優(yōu)化，可確保建筑物輪廓的完整性;最后利用開、閉形態(tài)學算子和面積閾值，實現(xiàn)了虛警目標的去除和目標邊界的平滑。

二、面向?qū)ο蟮慕ㄖ镙喞崛?/h2>

1.影像分割

影像分割是面向?qū)ο笮畔⑻崛〉年P鍵，其目的是使地物目標的異質(zhì)性最大。選擇不同尺度對圖像進行分割，可大大減少分類時需要處理的數(shù)據(jù)單元數(shù)，并提高分類速度。針對多數(shù)建筑物所具有的形狀特征，本文采用四叉樹圖像分割算法將對象分割為矩形目標。

空間四叉樹算法是將含有整個場景的空間按x、y方向分割成4個子方塊網(wǎng)格，組織成一棵四叉樹。若某一子方塊網(wǎng)格中所含目標特征的一致性大于設定的閾值，則對該子方塊網(wǎng)格作進一步剖分。如此遞歸，直到四叉樹的每一葉子節(jié)點子方塊所含目標特征的一致性均小于閾值為止。建立四叉樹結構，能夠使每個分割目標具有符合尺度參數(shù)定義的一致性閾值的最大可能尺寸。

本文使用均值和方差作為同質(zhì)性標準。子分割對象的像元均值可表示為

式中，n2為四叉樹分割對象的像元數(shù)量;f(i，j)為像元(i，j) 值。方差定義為

四叉樹算法是從圖像像素開始向上來實現(xiàn)四叉樹構造，具體步驟為：

1)構建一個四叉樹，存儲每個結點的4個子節(jié)點的均值和方差;

2)搜索，從根結點找到均值和方差都在要求范圍內(nèi)的最高的子結點;

3)通過鄰域搜索合并均值和方差在閾值范圍之內(nèi)的相鄰節(jié)點。

nDSM圖像具有較好的可分離背景，適合于四叉樹分割。建筑物分割后內(nèi)部可形成較大的方形目標，邊緣得到較小的分割目標(如圖1所示)，適用于后續(xù)的閾值提取和建筑物輪廓的精確提取。

圖1 原始nDSM數(shù)據(jù)與基于四叉樹分割結果對比

2.建筑物提取

(1)基于高度閾值與陰影信息的初步提取方法

利用nDSM高度閾值提取建筑物候選分割對象，高度閾值通常設置為較小的值，以確保建筑物的完整性，如農(nóng)村住宅一般較矮，可將高度閾值設定為1 m。通常情況下，與建筑物相鄰的陰影難以區(qū)分，但可根據(jù)陰影亮度值很低、建筑物房頂?shù)牧炼戎递^高這一特點進行區(qū)分。因此，可利用航空影像的R、G、B波段計算亮度指數(shù)(Brightness)，用以消除建筑物候選對象中的陰影，并將亮度指數(shù)的陰影亮度特征閾值設置為小于70。亮度指數(shù)的計算式為

(2)建筑物陡坡邊緣地物的重分類

利用GeoEye高空間分辨率遙感影像豐富的光譜信息，將建筑物邊緣坡度較大區(qū)域中與房頂光譜一致的對象分類到建筑物中，可提高建筑物邊緣的提取精度。如果已知高度H沿x和y方向的偏導數(shù)，坡度指數(shù)可按下式計算

坡度指數(shù)閾值的取值區(qū)間可通過試錯法，并綜合坡度圖像和坡度直方圖進行選取，坡度閾值的變化區(qū)間為［40°，90°］。由于不同房屋屋頂?shù)墓庾V特征不同，因此需要對各個波段的光譜相似性進行分析。本文設定距離閾值為20像素，亮度差異閾值為30。

(3)基于綠度指數(shù)的植被信息去除

對于初步提取結果中存在的植被信息，利用航空影像R波段和G波段計算的綠度指數(shù)進行去除。綠度指數(shù)閾值設定為0.36，計算公式如下

(4)數(shù)學形態(tài)學處理方法

提取結果中存在的各種噪聲會導致目標虛警、不完整等，可通過數(shù)學形態(tài)學和提取目標連通區(qū)域的形狀特征進一步處理，從而取得更為完善的結果。

①腐蝕與膨脹

腐蝕與膨脹是數(shù)學形態(tài)學兩種最基本的運算，其他形態(tài)學算法大多是以這兩種原始運算為基礎的。設A與B是Z中的集合，A被B膨脹定義為

式中，B叫做膨脹的結構元素。A被B腐蝕可定義為

從膨脹與腐蝕的算式可以看出，膨脹使圖像目標面積擴大，而腐蝕使圖像面積縮小。一般在提取的地物目標區(qū)域中，受各種干擾因素的影響，其邊緣不能完整獲取。在下面開、閉運算的基礎上可適當進行膨脹運算，從而獲取較完整的目標信息。

②開操作與閉操作

開操作與閉操作是重要的形態(tài)學運算方法。使用結構元素B對集合A進行開操作即對A先腐蝕，然后用B對結果進行膨脹。使用結構元素B對集合A進行閉操作，即用B對A先膨脹，然后用B對結果進行腐蝕。

開操作使對象的輪廓變得光滑，可斷開狹窄的間斷并消除細小的突出物;閉操作同樣可使輪廓線更為光滑，但與開操作相反的是，它可以消除狹窄的間斷及消除小的空洞，填補輪廓線中的斷裂。在道路區(qū)域處理過程中，首先采用小對稱結構元素進行開操作，去除與道路非連通的小區(qū)域;然后在此基礎上采用大結構元素進行閉操作，消除斷裂，平滑邊緣。

③區(qū)域填充

對于分類提取算法提取的目標區(qū)域中存在的圖斑漏洞等噪聲，可利用形態(tài)學區(qū)域填充方法進行處理。該算法以集合的膨脹、求補和交集為基礎，若A表示一個包含子集的集合，則子集元素均為區(qū)域的八連通邊界點。從邊界內(nèi)p點開始，用1填充整個區(qū)域，將所有非邊界(背景)點標記為0。區(qū)域填充的計算模型如下

式中，X0表示P點;B為對稱結構元素;Ac表示A。如Xk=Xk-1，則算法在迭代第k次后結束。Xk和A的并集包含被填充的集合和邊界。

在提取建筑物過程中，首先采用填充操作填補建筑對象中小于一定閾值的內(nèi)孔;然后通過閉操作(先使用膨脹算子，后使用腐蝕算子)對粗糙的邊界進行平滑，并去除建筑物邊緣處的小缺口。本文采用的結構元素是5×5的矩形，通過形態(tài)學操作消除虛假對象并平滑目標邊界后，獲得了一組可靠、完整的建筑物對象，實現(xiàn)了對每個對象邊界的檢測和追蹤。

三、試驗結果與分析

1.試驗區(qū)概況

本文以河南省鶴壁礦區(qū)內(nèi)的農(nóng)村住宅作為試驗研究區(qū)，以ALS60機載LiDAR和GeoEye遙感影像為數(shù)據(jù)源。GeoEye遙感影像(如圖2所示)和提取的nDSM(如圖3所示)空間分辨率分別為0.4 m和0.5 m。GeoEye影像使用DSM進行正射校正，并使校正后的圖像與機載LiDAR點云數(shù)據(jù)完全配準。

圖2 試驗區(qū)GeoEye影像

圖3 LiDAR提取的nDSM數(shù)據(jù)

2.試驗結果與分析

采用面向?qū)ο蟮姆诸惙椒▽r(nóng)村居民建筑物進行提取(約為0.56 km2)，處理步驟包括四叉樹圖像分割、基于高度閾值的建筑物初步提取、建筑物陡坡邊緣地物重分類、基于綠度指數(shù)的植被信息去除和數(shù)學形態(tài)學處理。四叉樹分割利用nDSM數(shù)據(jù)進行分割，高差平均值設置為1 m。圖4為局部提取的處理過程，其中，圖4(b)為分割結果，圖4(c)為基于nDSM閾值初步提取結果，圖4(d)為最終結果(能夠較準確地提取出建筑物邊緣)。圖5為試驗區(qū)建筑物輪廓提取結果。

圖4 試驗區(qū)建筑物局部提取處理過程

圖5 試驗區(qū)建筑物輪廓提取結果

試驗共提取了234處居民建筑物(連結在一起的建筑物作為一處)，總面積為191 539 m2，并通過人工解譯方法對參考數(shù)據(jù)進行了精度評價。其中，Ⅰ類誤差(建筑物被錯分為其他地物)、Ⅱ類誤差(其他地物被錯分為建筑物)分別為4.09%和3.25%，總體精度達到了95.94%。

四、結束語

本文以激光點云和GeoEye遙感影像為數(shù)據(jù)源，引入主被動遙感協(xié)同處理方法，構建了基于面向?qū)ο蟮牡匚镆靥崛∷惴Ｐ?，實現(xiàn)了居民地要素的自動提取。試驗結果表明，農(nóng)村居民建筑物要素整體提取的準確度超過90%。

［1］BRZANK A，HEIPKE C，GOEPFERT J，et al.Aspects of Generating Precise Digital Terrain Models in the Wadden Sea from Lidar-water Classification and Structure Line Extraction［J］.Journal of Photogrammetry and Remote Sensing，2008，63(5)：510-528.

［2］VOSSELMAN G.Slope Based Filtering of Laser Altimetry Data［J］.International Archives of Photogrammetry and Remote Sensing，2000，33(B4)：958-964.

［3］WHITMAN D，ZHANG K，LEATHERMAN S P，et al.Airborne Laser Topographic Mapping：Application to Hurricane Storm Surge Hazards［J］.Earth Sciences in the Cities：A Reader，2003：363-376.

［4］CRESSIE N.The Origins of Kriging［J］.Mathematical Geology，1990，22(3)：239-252.

［5］孫家抦.遙感原理與應用［M］.2版.武漢：武漢大學出版社，2009：218-224.

［6］盧小平.電磁波信號在對流層中路徑彎曲改正的級數(shù)展開式［J］.測繪學報，2008，37(2)：142-146.

［7］ZHANGKeqi，WHITMAN D.Comparison of Three Algorithms for Filtering Airborne LiDAR Data［J］.Photogrammetric Engineering ＆ Remote Sensing，2005，71(3)：313-324.

［8］PILESJ? P，PERSSON A，HARRIE L.Digital Elevation Data for Estimation of Potential Wetness in Ridged Fields-Comparison of Two Different Methods［J］.Agricultural Water Management，2006，79(3)：225-247.

［9］盧小平，王雙亭.遙感原理與方法［M］.北京：測繪出版社，2012.