基于區(qū)域多次回波點(diǎn)密度分析的城區(qū)LiDAR建筑物提取

李樂林， 江萬壽， 郭程方

(1.湖南科技大學(xué)地理空間信息技術(shù)國家地方聯(lián)合工程實(shí)驗(yàn)室，湘潭 411201；2.武漢大學(xué)測(cè)繪遙感信息工程國家重點(diǎn)實(shí)驗(yàn)室，武漢 430079；3.柳州鐵道職業(yè)技術(shù)學(xué)院建筑技術(shù)學(xué)院，柳州 545007)

基于區(qū)域多次回波點(diǎn)密度分析的城區(qū)LiDAR建筑物提取

李樂林1， 江萬壽2， 郭程方3

(1.湖南科技大學(xué)地理空間信息技術(shù)國家地方聯(lián)合工程實(shí)驗(yàn)室，湘潭 411201；2.武漢大學(xué)測(cè)繪遙感信息工程國家重點(diǎn)實(shí)驗(yàn)室，武漢 430079；3.柳州鐵道職業(yè)技術(shù)學(xué)院建筑技術(shù)學(xué)院，柳州 545007)

以正確提取城區(qū)LiDAR點(diǎn)云中建筑物為目標(biāo)，綜合利用不同類別目標(biāo)點(diǎn)云的回波特征以及地形信息，提出了一種基于區(qū)域多次回波密度分析的LiDAR點(diǎn)云建筑物提取方法。首先,將點(diǎn)云構(gòu)建不規(guī)則三角網(wǎng)(triangulated irregular network,TIN)，獲取封閉的等高線；然后，利用等高線間的拓?fù)潢P(guān)系得到等高線族區(qū)域；最后，統(tǒng)計(jì)每一區(qū)域的多次回波點(diǎn)云密度信息，通過建筑物和樹木區(qū)域多次回波點(diǎn)云在區(qū)域密度上的巨大差異來識(shí)別建筑物點(diǎn)云和樹木點(diǎn)云。研究結(jié)果表明：該方法既充分利用了建筑物表面與植被間多次回波特性的差異，又不否定建筑物邊緣同樣存在多次回波的現(xiàn)象；通過封閉的等高線自適應(yīng)地檢測(cè)出地物目標(biāo)的輪廓，彌補(bǔ)了傳統(tǒng)LiDAR建筑物提取方法的不足；該方法能夠較其他方法更準(zhǔn)確地提取建筑物。

LiDAR；數(shù)學(xué)形態(tài)學(xué)；點(diǎn)云分類；等高線族；區(qū)域多次回波點(diǎn)密度

0 引言

隨著機(jī)載激光雷達(dá)(LiDAR)技術(shù)的發(fā)展，快速獲取大片區(qū)域數(shù)字表面模型(digital surface model,DSM)在技術(shù)上已經(jīng)不是難題，但是如何從這些大量的離散LiDAR點(diǎn)云中準(zhǔn)確獲取所需信息，如DEM提取，建筑物點(diǎn)云、樹木點(diǎn)云的分類與建模等，成為了當(dāng)前研究的熱點(diǎn)問題。目前國內(nèi)外已有大量學(xué)者在DEM提取方面做了相關(guān)研究，提出了許多效果顯著的算法，地面點(diǎn)和非地面點(diǎn)的分類精度也較高。Sithole和Vosselman[1]對(duì)這些算法做了詳盡地總結(jié)和對(duì)比。但是將非地面激光點(diǎn)云進(jìn)一步分為建筑物和植被等的研究還不夠深入。大部分學(xué)者利用穿透植被的激光點(diǎn)云存在回波差異的特性來對(duì)樹木進(jìn)行分類。其中單次回波多發(fā)生在地面或接近樹冠的部分；而在多次回波中,首次回波大多為接近樹冠部分的反射信號(hào),末次回波一般是較樹冠低一些的枝葉或地面的反射信號(hào)。有的學(xué)者僅利用首次回波點(diǎn)云數(shù)據(jù)提取樹木區(qū)域[2]，或者僅利用末次回波點(diǎn)云數(shù)據(jù)過濾掉大部分樹木信息，來達(dá)到提取建筑物的目的[3]。雖然該類方法有助于提取所需的單方面信息，但是首次回波和末次回波中都會(huì)同時(shí)有建筑物和植被點(diǎn)云，它們沒有被正確地分類，也沒有全部得到利用；也有學(xué)者利用多次回波或首末次回波的高程差來區(qū)分建筑物點(diǎn)云或植被點(diǎn)云[4-5]，但該方法也忽略了在建筑物邊緣存在多次回波現(xiàn)象以及具有層次結(jié)構(gòu)的建筑物邊緣點(diǎn)云存在很大高程差現(xiàn)象，結(jié)果必然導(dǎo)致建筑物邊緣精度的丟失和部分建筑物邊緣點(diǎn)云被錯(cuò)誤分類為植被點(diǎn)云。

除了利用點(diǎn)云的回波特性之外，有些學(xué)者利用不同材質(zhì)屬性(如建筑物和樹木)導(dǎo)致的不同回波信息強(qiáng)度來進(jìn)行分類[6]，但不同的植被之間和建筑物之間，甚至不同地域的植被回波強(qiáng)度信息都是不一致的，并不能用一條很明顯的界線將它們有效地分割開，該方法適應(yīng)性較差；也有學(xué)者利用建筑物區(qū)域和樹木區(qū)域的粗糙度[5]、區(qū)域梯度的一致性[7]、對(duì)象區(qū)域內(nèi)的三角網(wǎng)坡度信息熵大小[8]、對(duì)象目標(biāo)的幾何特征[9]以及大坡度值[10]來區(qū)分建筑物點(diǎn)云和植被點(diǎn)云，但區(qū)域的確定需要不斷地迭代增長，過程繁瑣冗余；還有學(xué)者[11]基于一些先驗(yàn)知識(shí)，如本地區(qū)房屋的面積大小等，利用閉合等高線區(qū)域面積的大小來粗略提取建筑物區(qū)域，分離樹木和局部突起的地形點(diǎn)，但在復(fù)雜的城市環(huán)境中,樹木可能成片集中或以單株樹木出現(xiàn)，建筑物、植被及局部地形區(qū)域的大小同樣不存在顯著的分割點(diǎn)；此外，還有可能建筑物與樹木相伴，此種情況下等高線將同時(shí)包括建筑物和樹木區(qū)域，所以該類方法的適應(yīng)性還有待驗(yàn)證。

除了利用機(jī)載LiDAR獲取的點(diǎn)云數(shù)據(jù)來提取建筑物，還有部分學(xué)者通過融合LiDAR點(diǎn)云和影像數(shù)據(jù)來進(jìn)行建筑物的提取與三維重建。有的學(xué)者利用LiDAR數(shù)據(jù)點(diǎn)集的邊界來定位衛(wèi)星圖像上的感興趣區(qū)域并提取關(guān)鍵提示線來實(shí)現(xiàn)屋頂?shù)姆指?，從而得到屬于每個(gè)建筑物的屋頂點(diǎn)[12]；也有學(xué)者利用多源數(shù)據(jù)產(chǎn)生的各種信息建立分類規(guī)則并實(shí)現(xiàn)基于面向?qū)ο蟮牡匚锓诸怺13]; 還有學(xué)者以提取后的建筑物機(jī)載LiDAR數(shù)據(jù)和配準(zhǔn)后的航空影像為基礎(chǔ)，通過結(jié)合從LiDAR點(diǎn)云提取建筑物的粗糙輪廓以及從影像上提取精確的建筑物特征線來得到建筑物的外輪廓[14]。一方面，通過融合LiDAR數(shù)據(jù)和影像數(shù)據(jù)能夠提供更多的有用信息，以此來提高分類精度，但同時(shí)也增加了建筑物提取的難度，因?yàn)樵谶@種情況下，LiDAR數(shù)據(jù)和影像需要進(jìn)行精確配準(zhǔn)才能達(dá)到精確分類的目的。

總體來講，這些已有的算法雖然能夠?qū)⒋蟛糠贮c(diǎn)云準(zhǔn)確地歸類為地面、植被和建筑物點(diǎn)云等，但是均存在一定的不足，甚至對(duì)后續(xù)研究造成了一定影響。本文提出的建筑物和植被點(diǎn)云分離的算法中，首先基于數(shù)學(xué)形態(tài)學(xué)濾波方法將LiDAR點(diǎn)云分離出地面點(diǎn)和非地面點(diǎn)，然后利用等高線獲取不同目標(biāo)區(qū)域的地面點(diǎn)云，同時(shí)利用植被區(qū)域和房屋區(qū)域多次回波點(diǎn)云在密度上的巨大差異來識(shí)別該建筑物點(diǎn)云和植被點(diǎn)云。該方法既承認(rèn)了建筑物表面與植被間多次回波特性的差異，又不回避建筑物邊緣同樣存在的多次回波現(xiàn)象，是通過封閉的等高線自適應(yīng)地檢測(cè)出地物目標(biāo)的輪廓，因而能夠較其他方法更準(zhǔn)確地對(duì)LiDAR點(diǎn)云進(jìn)行分類。

1 研究方法

激光穿透性導(dǎo)致多次回波現(xiàn)象不僅發(fā)生在植被區(qū)，同樣也發(fā)生在建筑物邊緣，但地表不存在這種現(xiàn)象；森林和植被區(qū)域的多次回波點(diǎn)密度明顯高于建筑物區(qū)域。圖1為某一植被茂密的城鎮(zhèn)區(qū)域的原始點(diǎn)云及其多次回波點(diǎn)云。

圖1 原始點(diǎn)云(左)及其多次回波點(diǎn)云(右)Fig.1 Raw point clouds(left) and point clouds with multi-return(right)

從圖1(右)可以看出，植被區(qū)域有著高密度的多次回波點(diǎn)，建筑群僅在邊緣地區(qū)存在少量的多次回波點(diǎn)。關(guān)于建筑物和植被點(diǎn)云分離的問題可以分解為2個(gè)：①地物目標(biāo)區(qū)域的正確劃分；②選擇顯著性特征，對(duì)非地面點(diǎn)云有效地進(jìn)行分類，該最優(yōu)特征應(yīng)與尺度、面積大小無關(guān)。

經(jīng)過點(diǎn)云濾波后地面點(diǎn)已得到正確標(biāo)記，如果能夠?qū)⒌孛嫱钩鑫飬^(qū)域正確地提取出來，再選擇與多次回波點(diǎn)有關(guān)的最優(yōu)特征對(duì)地面凸出物區(qū)域進(jìn)行分類，則該區(qū)域建筑物與植被點(diǎn)云的分類將變得十分明確。本文基于區(qū)域的多次回波點(diǎn)云密度分析的LiDAR點(diǎn)云建筑物提取算法可以用圖2來描述。

圖2 LiDAR點(diǎn)云分類算法流程Fig.2 LiDAR point clouds classification algorithm flow

1.1 分離地面點(diǎn)

基于機(jī)載LiDAR點(diǎn)云濾波方法主要包括基于數(shù)學(xué)形態(tài)學(xué)[15]、梯度[16]、線性預(yù)測(cè)[17]、TIN的迭代濾波[18]、區(qū)域增長[19]以及聚類分析[20]的方法等。通過這些方法大多情況下都可獲得較好的地面點(diǎn)和非地面點(diǎn)的初始分類，但各自又有一些缺陷，如：

1)基于線性預(yù)測(cè)的最小二乘濾波中由于分塊大小固定，當(dāng)塊的大小設(shè)置不當(dāng)時(shí)，或無法完全剔除城區(qū)的房屋數(shù)據(jù)，只能削去房頂棱角，或過度地削掉地形特征，其結(jié)果取決于分塊方式的科學(xué)性和地形結(jié)果形態(tài)的適應(yīng)性；在森林和城鎮(zhèn)地區(qū)，當(dāng)?shù)孛纥c(diǎn)占整個(gè)數(shù)集的比例比較少時(shí)，很難得到準(zhǔn)確的地面。

2)基于不規(guī)則三角網(wǎng)(triangulated irregular network,TIN)濾波方法中由于需設(shè)置多個(gè)參數(shù)(如高程差、角度及邊長等)，閾值自適應(yīng)選取是一個(gè)問題，同時(shí)過濾灌叢或低矮地面物體時(shí)該算法容易過濾掉地形起伏相對(duì)劇烈的地面點(diǎn)，產(chǎn)生過濾誤差。

3)基于梯度算法中，計(jì)算相異2點(diǎn)間的坡度值或高差，當(dāng)坡度值或高差超過設(shè)定的閾值時(shí)，就認(rèn)為較高點(diǎn)是地物，這種理論的基礎(chǔ)是假設(shè)陡坡只會(huì)出現(xiàn)在地物數(shù)據(jù)集中，顯然該假設(shè)不太可靠。

4)基于數(shù)學(xué)形態(tài)學(xué)的濾波方法與其他算法一樣，對(duì)于陡坡等復(fù)雜地形的處理均存在問題，但該方法可以基于格網(wǎng)執(zhí)行，計(jì)算效率高。

本文在分離地面點(diǎn)過程中采用了基于數(shù)學(xué)形態(tài)學(xué)的濾波方法。數(shù)學(xué)形態(tài)學(xué)基本思想是用與原始圖像在尺寸和形狀上都有相關(guān)性的“結(jié)構(gòu)元”在原始圖像中添放，探測(cè)圖像集合結(jié)構(gòu)，獲得原始圖像的尺寸、形狀、連通性、凹凸型、平滑性以及方向性等信息。數(shù)學(xué)形態(tài)學(xué)“結(jié)構(gòu)元”窗口分析的基本運(yùn)算有腐蝕運(yùn)算、膨脹運(yùn)算、開運(yùn)算和閉運(yùn)算，在LiDAR點(diǎn)云的濾波分析中，地面點(diǎn)的提取一般采用開運(yùn)算，同時(shí)達(dá)到分離非地面點(diǎn)的效果。

圖3為采用多級(jí)窗口的數(shù)學(xué)形態(tài)學(xué)方法濾波后對(duì)圖1(左)中的點(diǎn)云數(shù)據(jù)進(jìn)行地面點(diǎn)云和非地面點(diǎn)云分類的結(jié)果。濾波效果較理想，樹木、植被和房屋均被正確地劃分為非地面點(diǎn)云。

圖3 地面點(diǎn)云與非地面點(diǎn)云分類結(jié)果Fig.3 Classification results of terrain point clouds and off-terrain point clouds

1.2 地物目標(biāo)區(qū)域獲取

基于已有的研究[21-22]，將原始點(diǎn)云構(gòu)成TIN后獲得的閉合等高線能夠很好地反映該區(qū)域的地表形態(tài)；樹木和建筑物區(qū)域先將等同于地形來對(duì)待，只有通過后續(xù)的多次回波點(diǎn)密度的分析才能將其正確識(shí)別出來。所有的閉合等高線通過拓?fù)浞治鰧⒈痪垲惓刹煌牡雀呔€族[22]，每1個(gè)族代表了不同的地物目標(biāo)或同一目標(biāo)的不同層次，每一族中最低高程等高線所囊括的范圍即為該地物目標(biāo)的所屬區(qū)域。等高線的拓?fù)渚垲愡^程主要分2步：

1)構(gòu)建等高線樹。利用一個(gè)樹形結(jié)構(gòu)，基于等高線在平面位置上的疊合、相離關(guān)系以及在高程方向上的上下關(guān)系可以將各閉合等高線連接成一個(gè)等高線樹。具體為每一條閉合等高線為樹中的一個(gè)節(jié)點(diǎn)，其父節(jié)點(diǎn)為下一高程面上與之在平面位置上存在嵌套或疊合關(guān)系的閉合等高線; 同理，其子節(jié)點(diǎn)為上一高程面的與之在平面位置上存在嵌套或疊合關(guān)系的閉合等高線。每一節(jié)點(diǎn)只存在唯一的父節(jié)點(diǎn)，但可有多個(gè)子節(jié)點(diǎn)。等高線樹構(gòu)建可以按照由底至頂?shù)捻樞驑?gòu)建，也可按照由頂至底的順序構(gòu)建。樹根節(jié)點(diǎn)為一虛擬的節(jié)點(diǎn)，代表大地面。圖4為假想的地物目標(biāo)及構(gòu)建的等高線樹。

圖4 假想地物目標(biāo)及其等高線樹Fig.4 Supposed objects and its corresponding contours tree

從圖4可知，對(duì)于同一棟建筑物，等高線生成過程中，設(shè)置不同的間距大小將在垂直方向上產(chǎn)生不同的等高線，進(jìn)而導(dǎo)致不同間距情況下同一棟建筑物的等高線族包含不同的等高線。生成等高線族的目的主要是為了解析建筑物的層次結(jié)構(gòu)，單一等高線族內(nèi)等高線條數(shù)的多少在此處并無多大影響，但為了能夠?qū)⒔ㄖ锊煌瑢哟蔚慕Y(jié)構(gòu)正確區(qū)分開來，需要確保每一個(gè)層次結(jié)構(gòu)至少有一條等高線存在，通常選取1 m作為等高線間距來生成等高線。

2)等高線樹剪枝。剪枝過程即為分族過程，剪枝結(jié)果便是各等高線族。具體步驟為從根節(jié)點(diǎn)開始遍歷等高線樹，每一節(jié)點(diǎn)及其單一子節(jié)點(diǎn)聚合為同一等高線族，若碰到有多個(gè)子節(jié)點(diǎn)則該等高線族聚合結(jié)束，從子節(jié)點(diǎn)開始重新聚合新的等高線族，直至遍歷完所有節(jié)點(diǎn)。生成的等高線族通過該族的首節(jié)點(diǎn)便可以找到其父節(jié)點(diǎn)所在族，亦即新族和父族的拓?fù)潢P(guān)系仍然保留下來。通過剪枝過程得到了不同的等高線族，同時(shí)也建立了一棵等高線族樹。圖5(左)為圖4中的等高線樹進(jìn)行剪枝后得到的等高線族，不同族等高線以不同的顏色進(jìn)行區(qū)分，圖5(右)為相應(yīng)的等高線族樹。

圖5 等高線樹剪枝結(jié)果(左)及其相應(yīng)的等高線族樹(右)Fig.5 Pruning results of the contours tree(left) and tree of contours clusters(right)

1.3 非地面點(diǎn)分配

區(qū)域確定后，所有的非地面點(diǎn)云將被分配到不同的等高線族中。以族為單位進(jìn)行點(diǎn)云分配，遍歷等高線族樹，分割過程從等高線族樹的葉子節(jié)點(diǎn)開始，每一族內(nèi)的點(diǎn)云分配具體過程為：①取每一族的最低高程等高線為該等高線族的區(qū)域邊界；②計(jì)算該等高線的外接矩形，基于該外接矩形搜索點(diǎn)云格網(wǎng)；③搜索格網(wǎng)內(nèi)的非地面點(diǎn)云，按點(diǎn)在多邊形內(nèi)的判定方法判斷點(diǎn)是否落入該等高線族區(qū)域內(nèi)。若點(diǎn)在多邊形內(nèi)，則將該點(diǎn)編號(hào)保存到等高線族的點(diǎn)云容器中，同時(shí)標(biāo)記該點(diǎn)為已分配點(diǎn)。區(qū)域中可能存在落入2個(gè)或者更多族中的點(diǎn)，如果已分配并標(biāo)記過的點(diǎn)再次落入多邊形內(nèi)，該點(diǎn)便不再分配到其他族中。

該方法解決了點(diǎn)云分割過程中的區(qū)域自適應(yīng)問題，分類精度更好，而且分割過程無需迭代，簡單易行。由于在等高線生成過程中，并不是所有的植被點(diǎn)云(如低矮的植被)都能夠生成閉合等高線，且本文已將面積小于10 m2(一般建筑物的面積≥10 m2)的閉合等高線過濾掉，所以，沒有被選入任何一等高線族的非地面點(diǎn)將被分類為低矮植被。

1.4 區(qū)域多次回波點(diǎn)密度

區(qū)域確定后，所有非地面點(diǎn)分割完畢，其中包括了單次回波點(diǎn)云以及多次回波點(diǎn)云。圖6是圖1數(shù)據(jù)得到的各等高線族，圖中不同的等高線族用不同的顏色進(jìn)行區(qū)分。

圖6 等高線族區(qū)域Fig.6 Regions of the contour clusters

為了將植被點(diǎn)和建筑物點(diǎn)有效劃分開，選用一個(gè)顯著特征量，要求2類點(diǎn)云的特征值差異必須明顯。本文將區(qū)域多次回波點(diǎn)密度作為劃分標(biāo)準(zhǔn)，這是因?yàn)椋孩儆捎诩す獾拇┩感?，植被區(qū)域多次回波點(diǎn)較多且較均勻地密集分布于植被區(qū)域；②建筑物區(qū)域多次回波點(diǎn)稀少且只發(fā)生在建筑物邊緣，建筑物區(qū)域的多次回波點(diǎn)數(shù)量和植被區(qū)域的多次回波點(diǎn)數(shù)量不在同一個(gè)數(shù)量級(jí)上。鑒于此，綜合利用回波點(diǎn)數(shù)和空間體積元素，將區(qū)域多次回波點(diǎn)密度Dmr選作特征量，即

Dmr=Nmr/V

(1)

式中：Dmr為單位體積內(nèi)多次回波點(diǎn)的點(diǎn)數(shù)，即多次回波點(diǎn)密度；Nmr為該區(qū)域范圍內(nèi)所含的多次回波點(diǎn)的點(diǎn)數(shù)(單次回波點(diǎn)除外)；V為該區(qū)域的體積，可通過該區(qū)域的面積與該族等高線最小高程與最大高程之差求出。假定存在一閾值TDmr,當(dāng)Dmr

只要機(jī)載LiDAR系統(tǒng)能夠記錄激光脈沖的2次及以上的多次回波數(shù)據(jù)，便可求出所選區(qū)域的Dmr,進(jìn)而作為建筑物和植被點(diǎn)云分離的統(tǒng)計(jì)量。現(xiàn)有LiDAR系統(tǒng)已能夠記錄到激光脈沖的多次回波信號(hào)，如Leica ALS50-II系統(tǒng)和Optech ALTM-3100EA 系統(tǒng)都可記錄到激光脈沖的4次回波信息。由于激光在樹木和植被區(qū)域具有穿透特性，若回波記錄數(shù)越多，則植被區(qū)域所獲得的多次回波點(diǎn)云數(shù)量將越大，植被區(qū)域的多次回波點(diǎn)云密度值也將越大；建筑物只在邊緣產(chǎn)生少量的回波數(shù)據(jù)，因此建筑物區(qū)域的多次回波點(diǎn)云密度幾乎沒有變化，這將更加有利于建筑物和植被點(diǎn)云的分離。

當(dāng)計(jì)算出某一等高線族區(qū)域的Dmr后，便可依據(jù)TDmr判定該區(qū)域?yàn)榻ㄖ锘蛑脖弧ＭǔＧ闆r下只需一次計(jì)算便可以確定點(diǎn)云分類屬性，完成劃分。但在城區(qū)環(huán)境下,特別是住宅區(qū)，可以經(jīng)?？吹綐淠竞头课菹嗷ソ徊嬖谝黄穑踔粮采w到屋頂之上，造成這2種目標(biāo)點(diǎn)云在平面空間分離存在難度。該情況在LiDAR點(diǎn)云生成的等高線上的直接反映就是建筑物輪廓線將穿過樹木區(qū)域。如圖6所示的建筑物1，其所屬的藍(lán)色等高線族便將其右下角的植被區(qū)域包圍進(jìn)來了，由此造成了建筑物輪廓線的不準(zhǔn)確，但這并不影響建筑物點(diǎn)和植被點(diǎn)的分離；由于樹木本身具有輪廓自封閉性，在該黃色等高線族之上將生成一個(gè)真正屬于樹木的小的等高線族，通過該小的等高線族區(qū)域的多次回波點(diǎn)密度分析，仍然可以將樹木點(diǎn)和建筑物點(diǎn)正確區(qū)分開來。為此，在點(diǎn)云分類屬性的確定過程中，一旦某點(diǎn)被某一等高線族確認(rèn)為植被點(diǎn)，那么該點(diǎn)的分類屬性則固定為植被屬性，此后將不再改變。

若需要進(jìn)行后續(xù)的應(yīng)用處理(如建筑物三維重建)，待經(jīng)過區(qū)域多次回波點(diǎn)密度分析后，還需重新生成TIN，追蹤等高線，生成一個(gè)相對(duì)準(zhǔn)確的邊緣。此次構(gòu)建TIN過程中，只能利用地面點(diǎn)云和已提取出的建筑物點(diǎn)云，植被點(diǎn)云不再加入到TIN中。

2 實(shí)驗(yàn)分析

為了找到將建筑物點(diǎn)云與植被點(diǎn)云進(jìn)行分離的Dmr分割臨近點(diǎn)，本文對(duì)一組植被比較茂密的建筑物區(qū)域進(jìn)行試驗(yàn)。在該區(qū)域內(nèi)隨機(jī)選擇25組等高線族作為樣本并對(duì)各個(gè)等高線族區(qū)域的Dmr進(jìn)行統(tǒng)計(jì)分析，確定Dmr分割閾值。該實(shí)驗(yàn)數(shù)據(jù)選自TerraSolid附帶的示例數(shù)據(jù)Hut2000中植被與建筑物混雜比較嚴(yán)重的區(qū)域。圖7所示為該區(qū)域內(nèi)等高線族樣本的Dmr統(tǒng)計(jì)結(jié)果。

圖7 多次回波點(diǎn)密度統(tǒng)計(jì)Fig.7 Statistics of the regional multi-return point density

通過對(duì)圖7進(jìn)行分析，選定Dmr=0.05為植被區(qū)域與建筑物區(qū)域的分割閾值。圖8(左)為選定閾值Dmr=0.05，將Dmr<0.05的等高線族區(qū)域判定為建筑物區(qū)域，將Dmr≥0.05的區(qū)域判定為植被區(qū)域后的非地面點(diǎn)云顯示結(jié)果。圖8(右)則為單獨(dú)提取出的建筑物點(diǎn)云?？梢钥闯觯x定Dmr=0.05為植被區(qū)域與建筑物區(qū)域分割閾值是合適的。

圖8 非地面點(diǎn)云分類顯示(左)及其單獨(dú)提取出的建筑物點(diǎn)云(右)Fig.8 Classification of the off-terrain point clouds(left) and extracted building point clouds(right)

由于缺少點(diǎn)云分類的參考數(shù)據(jù)，所以本文提出的算法無法通過官方數(shù)據(jù)得到驗(yàn)證，無法從定量分析的角度對(duì)本算法進(jìn)行質(zhì)量評(píng)價(jià)，但可以根據(jù)激光掃描飛行時(shí)獲取的相應(yīng)航片(圖9)進(jìn)行目視判斷。

圖9 測(cè)試區(qū)航空影像Fig.9 Aerial photo of the test region

從目視解譯結(jié)果來看，本文提出的基于區(qū)域回波密度分析的點(diǎn)云分類算法分類結(jié)果較好，僅有一處低矮的附屬物因緊鄰高大樹木而被誤分為植被點(diǎn)云；植被茂密區(qū)域的建筑物點(diǎn)云和植被點(diǎn)云都被有效地分離開來，為下一步建筑物的重建和植被參數(shù)的估計(jì)提供了很好的分類結(jié)果。此外，本文對(duì)其他小類別點(diǎn)云沒有再次進(jìn)行細(xì)分，如圖9中的小汽車點(diǎn)云在圖8中被歸類為低矮植被，但汽車類點(diǎn)云在城區(qū)環(huán)境中應(yīng)是比較常見的類別，更精細(xì)的點(diǎn)云分類將是下一步的研究方向，同時(shí)本文提出的方法也有待于更多復(fù)雜地區(qū)的數(shù)據(jù)進(jìn)行檢驗(yàn)。

3 結(jié)論

1)在形態(tài)學(xué)濾波算法基礎(chǔ)上，從原始LiDAR點(diǎn)云數(shù)據(jù)中分離出地面點(diǎn)云和非地面點(diǎn)云；同時(shí)加入基于區(qū)域多次回波密度分析的點(diǎn)云分類思想，通過等高線分族方法自適應(yīng)地獲取不同地物目標(biāo)的點(diǎn)云區(qū)域，統(tǒng)計(jì)該區(qū)域內(nèi)的多次回波點(diǎn)密度，根據(jù)建筑物和植被在該特征上的顯著性差異，選擇了恰當(dāng)?shù)姆指铋撝祵⒅脖稽c(diǎn)云和建筑物點(diǎn)云從非地面點(diǎn)云中正確分類出來。

2)通過分析試驗(yàn)數(shù)據(jù)結(jié)果，表明該算法能很好地將LiDAR點(diǎn)云正確地劃分為地面點(diǎn)云、植被點(diǎn)云和建筑物點(diǎn)云。

3)該分類方法中沒有考慮其他特殊的分類，如電力線和汽車等。為此，還需要在此基礎(chǔ)上做進(jìn)一步研究。同時(shí)，國際組織ISPRS僅提供了LiDAR點(diǎn)云濾波的標(biāo)準(zhǔn)測(cè)試數(shù)據(jù)與參考數(shù)據(jù)，本算法無法通過官方數(shù)據(jù)得到驗(yàn)證，同時(shí)國際上以及國內(nèi)科研機(jī)構(gòu)在LiDAR點(diǎn)云分類方面也缺少相關(guān)的行業(yè)標(biāo)準(zhǔn)，無法給出定量的評(píng)價(jià)結(jié)果。

[1] Sithole G,Vosselman G.Experimental comparison of filter algorithms for bare-Earth extraction from airborne laser scanning point clouds[J].ISPRS Journal of Photogrammetry and Remote Sensing,2004,59(1/2):85-101.

[2] 張齊勇,岑敏儀,周國清,等.城區(qū)LiDAR點(diǎn)云數(shù)據(jù)的樹木提取[J].測(cè)繪學(xué)報(bào),2009,38(4):330-335. Zhang Q Y,Cen M Y,Zhou G Q,et al.Extracting trees from LiDAR data in urban region[J].Acta Geodaetica et Cartographica Sinica,2009,38(4):330-335.

[3] 許曉東,張小紅,程世來.航空LiDAR的多次回波探測(cè)方法及其在濾波中的應(yīng)用[J].武漢大學(xué)學(xué)報(bào):信息科學(xué)版,2007,32(9):778-781. Xu X D,Zhang X H,Cheng S L.Detection of multiple echoes and its application in filtering of airborne LiDAR[J].Geomatics and Information Science of Wuhan University,2007,32(9):778-781.

[4] 張小紅.利用機(jī)載LiDAR雙次回波高程之差分類激光腳點(diǎn)[J].測(cè)繪科學(xué),2006,31(4):48-50. Zhang X H.Airborne LiDAR points cloud classification based on difference of twice return pulse heights[J].Science of Surveying and Mapping,2006,31(4):48-50.

[5] 馬東洋,尚大帥,保永強(qiáng).一種基于高程差粗糙度的建筑物激光腳點(diǎn)提取方法[J].測(cè)繪科學(xué)技術(shù)學(xué)報(bào),2013,30(2):158-161. Ma D Y,Shang D S,Bao Y Q.A building extraction method based on roughness of height difference for airborne LiDAR point cloud data[J].Journal of Geomatics Science and Technology,2013,30(2):158-161.

[6] Zhang Z X,Zhang Y J,Zhang J G,et al.Photogrammetric modeling of linear features with generalized point photogrammetry[J].Photogrammetric Engineering and Remote Sensing,2008,74(9):1119-1127.

[7] Yang Y,Lin Y.Object-based level set model for building detection in urban area[C]//2009 Urban Remote Sensing Joint Event.Shanghai,China:IEEE,2009.

[8] 徐宏根,王建超,鄭雄偉,等.面向?qū)ο蟮闹脖慌c建筑物重疊區(qū)域的點(diǎn)云分類方法[J].國土資源遙感,2012,24(2):23-27.doi:10.6046/gtzyyg.2012.02.05. Xu H G,Wang J C,Zheng X W,et al.Object-based point clouds classification of the vegetation and building overlapped area[J].Remote Sensing for Land and Resources,2012,24(2):23-27.doi:10.6046/gtzyyg.2012.02.05.

[9] 徐文學(xué),楊必勝,魏征,等.多標(biāo)記點(diǎn)過程的LiDAR點(diǎn)云數(shù)據(jù)建筑物和樹冠提取[J].測(cè)繪學(xué)報(bào),2013,42(1):51-58. Xu W X,Yang B S,Wei Z,et al.Building and tree crown extraction from LiDAR point cloud data based on multi-marked point process[J].Acta Geodaetica et Cartographica Sinica,2013,42(1):51-58.

[10]李峰,崔希民,袁德寶,等.利用機(jī)載LiDAR點(diǎn)云提取復(fù)雜城市建筑物面域[J].國土資源遙感,2013,25(3):85-89.doi:10.6046/gtzyyg.2013.03.15. Li F,Cui X M,Yuan D B,et al.Extraction of the building region from airborne LiDAR point clouds under complex urban conditions[J].Remote Sensing for Land and Resources,2013,25(3):85-89.doi:10.6046/gtzyyg.2013.03.15.

[11]任自珍,岑敏儀,張同剛,等.基于等高線的表面估計(jì)濾波方法[J].遙感學(xué)報(bào),2009,13(1):91-96. Ren Z Z,Cen M Y,Zhang T G,et al.Filtering method of LiDAR data based on contours[J].Journal of Remote Sensing,2009,13(1):91-96.

[12]余燁,劉曉平,Buckles B P.基于數(shù)據(jù)融合的居民區(qū)建筑物重建方法研究[J].電子學(xué)報(bào),2014,42(2):250-256. Yu Y,Liu X P,Buckles B P.Residential building reconstruction based on data fusion[J].Acta Electronica Sinica,2014,42(2):250-256.

[13]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,2013,41(4):607-613. Xie R,Cheng X J,Guan H Y.Classification and accuracy analysis of LiDAR and aerial images[J].Journal of Tongji University:Natural Science,2013,41(4):607-613.

[14]李云帆,龔?fù)?林俞先,等.LiDAR點(diǎn)云與影像相結(jié)合的建筑物輪廓信息提取[J].國土資源遙感,2014,26(2):54-59.doi:10.6046/gtzyyg.2014.02.10. Li Y F,Gong W P,Lin Y X,et al.The extraction of building boundaries based on LiDAR point cloud data and imageries[J].Remote Sensing for Land and Resources,2014,26(2):54-59.doi:10.6046/gtzyyg.2014.02.10.

[15]Zhang K Q,Chen S C,Whitman D,et al.A progressive morphological filter for removing nonground measurements from airborne LiDAR data[J].IEEE Transactions on Geoscience and Remote Sensing,2003,41(4):872-882.

[16]李勇,吳華意.基于形態(tài)學(xué)梯度的機(jī)載激光掃描數(shù)據(jù)濾波方法[J].遙感學(xué)報(bào),2008,12(4):633-639. Li Y,Wu H Y.Filtering airborne LiDAR data based on morphological gradient[J].Journal of Remote Sensing,2008,12(4):633-639.

[17]Pfeifer N,Stadler P,Briese C.Derivation of digital terrain models in the SCOP++environment[C]//OEEPE Workshop on Airborne Laserscanning and Interferometric SAR for Detailed Digital Terrain Models.Stockholm,2001.

[18]Axelsson P.Processing of laser scanner data algorithms and applications[J].ISPRS Journal of Photogrammetry and Remote Sensing,1999,54(2/3):138-147.

[19]Shao Y C,Chen L C.Automated searching of ground points from airborne LiDAR data using a climbing and sliding method[J].Photogrammetric Engineering and Remote Sensing,2008,74(5):625-635.

[20]Chehata N,David N,Bretar F.LiDAR data classification using hierarchical K-Means clustering[J].The International Archives of the Photogrammetry,Remote Sensing and Spatial Information Sciences,2008,37(Part B3b):325-330.

[21]Zhang J,Li L L,Lu Q P,et al.Contour clustering analysis for building reconstruction from LiDAR data[J].The International Archives of the Photogrammetry,Remote Sensing and Spatial Information Sciences,2008,37(Part B3b):355-360.

[22]Li L L,Zhang J,Jiang W S.Automatic complex building reconstruction from LiDAR based on hierarchical structure analysis[C]//MIPPR 2009:Pattern Recognition and Computer Vision,74961J.Yichang,China:SPIE,2009.

(責(zé)任編輯：邢宇)

Classification of LiDAR point clouds in urban areas based on the analysis of regional multi-return density

LI Lelin1,JIANG Wanshou2,GUO Chengfang3

(1.National-LocalJointEngineeringLaboratoryofGeo-SpatialInformationTechnology,HunanUniversityofScienceandTechnology,Xiangtan411201,China; 2.StateKeyLaboratoryofInformationEngineeringinSurveying,MappingandRemoteSensing,WuhanUniversity,Wuhan430079,China; 3.ArchitecturalInstituteofTechnology,LiuzhouRailwayVocationalTechnicalCollege,Liuzhou545007,China)

A new strategy for the classification of raw LiDAR points in urban areas,which is based on the comprehensive utilization of echo features of different object types and terrain information,is proposed in this paper according to a regional multi-return density analysis. The main procedure of the classification of the off-terrain points begins with the construction of Triangulated Irregular Network (TIN),and then the region of each object is captured by the contours clustering based on the topological relations of various contours traced from the TIN. Finally,the type of the object is recognized by the statistical analysis of the regional multi-return density through the significant difference between the building region and the vegetation region. This method not only makes good use of the difference in echo features between different objects such as buildings and trees but also confirms the existence of the multi-returns on the edges of the building. At the same time,the adaptive region determination of the objects is accomplished following the contours clustering. So the proposed method can dramatically increase the classification accuracy and overcome the weakness of the traditional methods,thus being more useful to the study and application of such aspects as building reconstruction and parameters estimation of the trees. Experiments prove that the new algorithm can get an effective classification.

LiDAR; mathematical morphology; point clouds classification；contour clusters；regional multi-return points density

2013-12-25；

2014-06-23

湖南省教育廳項(xiàng)目“復(fù)雜環(huán)境下基于機(jī)載LiDAR點(diǎn)云的建筑物檢測(cè)方法研究”(編號(hào)：13C325)和國家自然科學(xué)青年基金項(xiàng)目“山地城市環(huán)境下等高線輔助的機(jī)載LiDAR點(diǎn)云復(fù)雜建筑物三維模型重建方法研究”(編號(hào)：41401497)共同資助。

10.6046/gtzyyg.2015.02.05

李樂林，江萬壽，郭程方.基于區(qū)域多次回波點(diǎn)密度分析的城區(qū)LiDAR建筑物提取[J].國土資源遙感，2015，27(2)：29-35.(Li L L,Jiang W S,Guo C F.Classification of LiDAR point clouds in urban areas based on the analysis of regional multi-return density[J].Remote Sensing for Land and Resources,2015,27(2)：29-35.)

TP 181; TP 79

A

1001-070X(2015)02-0029-07

李樂林(1981-)，男，博士，講師，主要從事機(jī)載LiDAR數(shù)據(jù)處理及高分辨率遙感影像處理方面的研究。Email: lilelindr@126.com。