基于LiDAR數(shù)據(jù)的面向對象高分辨率影像建筑物提取研究

李 慧 賈亞紅

內蒙古自治區(qū)測繪院

基于LiDAR數(shù)據(jù)的面向對象高分辨率影像建筑物提取研究

李 慧 賈亞紅

內蒙古自治區(qū)測繪院

本文基于面向對象的思想，通過點云數(shù)據(jù)生成數(shù)字表面模型(DSM)，在此基礎上對影像分割成若干同質區(qū)域，通過充分挖掘遙感影像豐富的光譜、形狀、空間語義關系以及LiDAR的高度特征，構建建筑物對象的特征知識庫，使得識別結果更為精確。實驗表明，基于LiDAR數(shù)據(jù)輔助的建筑物提取方法與只利用高分辨率影像特征分類對比表明，使用LiDAR數(shù)據(jù)輔助影像分類能夠較大的提高精度。

LiDAR；面向對象；分類

0 引言

近年來機載激光掃描LiDAR得到了迅速的發(fā)展，作為一種快速獲取三維的空間信息的方式，其在數(shù)字城市、城市規(guī)劃、交通運輸、和預防地震洪澇災害等領域中起到至關重要的作用。與LiDAR數(shù)據(jù)相比，航空遙感影像提供了大量豐富的光譜和空間紋理等信息。每種數(shù)據(jù)源都有其自身的優(yōu)勢和局限性，而單純利用一種數(shù)據(jù)源對地物進行分類與提取在精度上都會有所限制。

由于激光點云和航空影像數(shù)據(jù)之間可以彌補彼此的不足，許多學者對其進行了研究，鐘良[1]提出了LiDAR數(shù)據(jù)和同機獲取的航空影像融合的地物分類算法。他利用激光點云和航空影像兩類傳感器數(shù)據(jù)采用基于半監(jiān)督多層次多特征的融合分類方法。尤紅建等[2]通過影像分割將遙感信息和高程信息結合起來進行建筑物輪廓提??；謝瑞[3]等提出將機載激光掃描LiDAR數(shù)據(jù)與航空影像融合進行地物分類的思想，實現(xiàn)基于面向對象和單像元的復雜城區(qū)多級地物分類，實踐證明數(shù)據(jù)融合是一種有效可行的地物分類方法[4]。根據(jù)航空影像與LiDAR各自的特點，本文基于面向對象的方法，充分挖掘通過充分挖掘遙感影像豐富的光譜、形狀、空間語義關系以及點云的高度特征，通過構建建筑物對象的特征知識庫，使得識別結果更為精確。

1 研究方法

1.1 分割方法

面向對象技術分析的基本單元是影像對象，是一種新的分類方法。對象生成是使用一種分割技術生成不同特征值的影像對象的過程，分割后的對象包含豐富的語義信息用來滿足圖像分類的要求，影像分割結果的好壞直接影響后續(xù)遙感影像分析與理解。

圖像有多種不同的分割方法，而不同分割方法又有著不同的特點。這些分割方法分別是：棋盤分割、四叉樹分割、多尺度分割、光譜差異分割。

多尺度分割算法是一種常用的算法，這種算法是自上而下的算法，在算法主要是合并周圍相鄰的像素或是一些比較小的像素，在保證對象之間差異性最小、內部性質最大化相同的程度下，在區(qū)域分割的基礎上實現(xiàn)了目標的分割。多尺度分割方法相對來說沒有那么復雜，并且分割效果可以達到較好的水平。多尺度分割算法合并周圍相鄰的像素或是一些比較小的像素，保證對象之間差異性小，內部性質最大化相同的程度，在區(qū)域分割的基礎上實現(xiàn)了目標的分割。在本文中，使用這種多尺度分割方法對影像進行分割。

1.2 特征選擇

遙感影像被分割為圖形對象后，從理論上講存在三類特征[5]。一是內在特征，主要包括對象的色彩、紋理和形狀；二是拓撲特征，該特征用來描述對象間或一幅圖像內部幾何關系，主要包括左右關系、距離、包含等；三是上下文特征，描述對象間語義關系的特征。除此之外還包括LiDAR數(shù)據(jù)產生的高度特征，用于輔助影像分類。通過構建特征知識庫，使每個對象和其他地物對象很好的區(qū)分開來，從而實現(xiàn)各種地物的分類。

1.3 分類方法

高分辨率遙感影像中同一地物類別內部豐富的細節(jié)信息得到表征，空間信息更加豐富，同時可以更好地反映地物的尺寸、形狀及相鄰地物的關系。分辨率的提高影響光譜特征的穩(wěn)定性，具體表現(xiàn)為類內方差變大，增加了同類之間的光譜異質性，類間方差減小，減少了異類之間的光譜同質性，使得傳統(tǒng)的光譜分類方法對高分辨率影像分類也不能得到滿意的結果[6]，由于高分辨率影像上地物的結構特征成為分類的主要依據(jù)，因此，基于對象的圖像分析在研究中得到重視[7]。

模糊理論是近年來發(fā)展的一種新的理論，模糊數(shù)學分類方法就是以模糊理論為基礎，是一種針對不確定性事物的分析方法，在分類過程中使用某種函數(shù)把影像對象的特征值通過計算轉換為模糊值，用來表示屬于某一類的隸屬度?；谀：壿嫹诸愔饕▋煞N不同類型的分類器：最近鄰法和成員函數(shù)(也稱模糊規(guī)則法。模糊規(guī)則方法使用隸屬度函數(shù)模擬對象特征與類別間的隱含關系，隸屬度函數(shù)模擬真實系統(tǒng)的知識越好，分類的最終結果就越好。另一種方法是通過訓練樣本來評估出對象特征之間的關系，然后基于樣本自動生成多維隸屬函數(shù)，這種方法就是面向對象的最鄰近分類法。

2 實驗與結果分析

本文使用LiDAR數(shù)據(jù)和高分辨率影像相結合來進行建筑物的提取。使用數(shù)據(jù)包括高分辨率航攝影像和對應的LiDAR數(shù)據(jù)，一方面航空影像具有較高的分辨率，能提供較多的細節(jié)特征，使得在較小的空間尺度上就可以觀察地表細節(jié)的變化，另一方面LiDAR提供高度信息，如圖1所示：

多尺度影像分割將大量的像素合并到一個影像對象中，會有一定的信息損失，但如果影像對象以一種合理的方式生成，即采用合適的分割尺度，就會有大量的除了光譜值的新特征可以用來描述影像對象，如形狀、紋理或者上下文。分割后影像的質量與分割尺度、波段權重與兩個分割屬性因子：色彩與形狀(光滑度、緊密度)有關[8]，根據(jù)影像的光譜和幾何特征，將影像劃分為不同的對象。

本文使用多尺度分割方法進行分割，分割使用的圖層包括紅色、綠色、藍色和DSM四個圖層，對應的權重為1：1：1：1，得到的分割效果如圖2所示，明顯可以看出將房屋分割對象具有較高的同質性，能夠很好地將房屋與其他地物區(qū)別開來。

建筑物用地是由建筑物及少量道路、空地及綠地等組成的混和體，影像混合像元較多，存在同物異譜和異物同譜的現(xiàn)象。從影像中可以看出建筑物的特點如下：1.建筑物與周圍背景高差較大。2.建筑物的灰度值分布均勻但是不同灰度的建筑物在形狀紋理有很大差異。3.由于建筑物的高低起伏和受光照影響，造成建筑物之間有大量陰影的存在，部分建筑物由于樹木或者樹木陰影的遮擋，分割后形狀不完整，很難采用單獨統(tǒng)一的幾何特征描述形狀[9]。

在分割得到的對象層的基礎上針對地物不同特點使用均值、拓撲關系及對象間語義關系等特征。算法選定后，定義特征空間，形成知識庫結構，根據(jù)隸屬度函數(shù)構建分類方法。

首先使用Mean DSM特征將閾值調整在765-814.45可以將建筑物的輪廓大致提取出來，通過建立規(guī)則，建立分類體系可以初步將建筑物提取出來，這樣提取出來的建筑物里還有一部分樹在里面。

建筑物與樹木通過LiDAR高度特征可以看出，樹木的分割對象中較高的高度和較低的高度往往距離較近，樹木的異質性明顯要遠遠高于建筑物，使用標準差即Stddev.Of DSM特征建立模糊規(guī)則重新分類將誤分類進來的樹在類提取出去，以達到提取建筑物的目的。

最后一些建筑物的分類不是很明顯，有的地方略有殘缺，是因為提取精度不高，所以分類提取不全面，接下來使用綠色波段光譜信息、面積、建筑物周邊關系等特征使用模糊分類方法，將建筑物完整的進行提取與優(yōu)化，優(yōu)化結果如圖3所示。

為對比分析，本實驗針對航空影像不使用LiDAR數(shù)據(jù)進行分類，分類提取最終效果如圖4。

為了定量評價算法性能，本文采用誤分率和漏分率作為評價指標，將建筑物的提取結果和人工提取參考結果進行基于像素的比較。分別統(tǒng)計提取面積M1與實際參考面積M2。設正確分類面積為T，錯分面積為F，漏分面積為L，面積按像素數(shù)計算，則：正確率=T/M1，錯分率=F/M1，漏分率=L/M2。通過對這些錯分、漏分像元數(shù)目的統(tǒng)計計算，就可以采用像素數(shù)量誤差作為定量評價指標，對提取結果進行精評價，統(tǒng)計正確提取的百分率、錯誤提取的百分率以及漏提取的百分率，見表1。

與未使用LiDAR數(shù)據(jù)的影像建筑物分類提取相比較，使用LiDAR數(shù)據(jù)影像分類提取建筑物能夠很好地將建筑物與其他地物區(qū)別開來，可以達到預期的效果，省事、方便，而且分類精度比沒有LiDAR數(shù)據(jù)影像分類精度要高。

3 結論

本文通過面向對象的方法利用LiDAR數(shù)據(jù)分割航空彩色影像，把分割后的同質區(qū)域作為待分類對象，建立起包括高度、光譜、形狀、紋理等構建建筑物對象的多源特征知識庫，使用模糊分類方法進行分類。從最后的實驗結果來看，基于LiDAR和高分辨率遙感影像分類提取建筑物達到了良好的效果，能夠很好地將建筑物從其它地物中提取出來，通過與未使用LiDAR的影像來對建筑物分類提取結果對比可以看出，使用LiDAR的影像在建筑物提取分類提取效果更好，而且提取精度相對來說也很高。

[1] 鐘良. LiDAR同機影像輔助點云分類相關技術研究[D].武漢大學,2011.

圖1 航攝影像和LiDAR數(shù)據(jù)

圖3 基于LiDAR數(shù)據(jù)的建筑物提取結果

圖2 多尺度分割結果

圖4 未使用LiDAR數(shù)據(jù)的建筑物提取結果

[2] 尤紅建,蘇林,李樹楷. 利用機載三維成像儀的DSM數(shù)據(jù)自動提取建筑物[J]. 武漢大學學報(信息科學版),2002,(04):408-413.

[3] 謝瑞,程效軍,管海燕. 機載激光掃描與航空影像的融合分類與精度分析[J]. 同濟大學學報(自然科學版),2013,(04):607-613.

[4] Puttonen E,Suomalainen J,Hakala T,et al.Tree species classif i cation from fused active hyperspectral reflectance and LIDAR measurements[J].Forest Ecology and Management,2010,260:1843.

[5] Def i niens Image GmbH，ecognition User Guide. German,1999,11：54-56

[6] 黃昕,張良培,李平湘. 融合形狀和光譜的高空間分辨率遙感影像分類[J].遙感學報,2007,(2).

[7] BLASCHKE T,HAY G.Object-oriented image analysis and scale-space:Theory and methods for modeling and evaluating multi-scale landscape structure[J].International Archives of Photogrammetry and Remote Sensing,2001,34(4):22-29.

[8] Benz U C, Peter H, Gregor W, et al. Multi-resolution, Object-oriented Fuzzy Analysis of Remote Sensing Data for GIS-ready Information [J].ISPRS Journal of Photogrammetry amp; Remote Sensing,2004 (58):239-258

[9]周軍其,李志娟.空間關系輔助的面向對象建筑物提取[J].應用科學學報,2012,(05):511-516.

表1 建筑物提取精度評價結果