基于傾斜影像顏色信息的建筑物點(diǎn)云提取

余和順， 劉 榮

(東華理工大學(xué) 測(cè)繪工程學(xué)院, 江西 南昌 330013)

隨著無人機(jī)航攝技術(shù)的不斷發(fā)展，使用無人機(jī)采集信息成為了一種趨勢(shì)(許亞男等，2020)。無人機(jī)獲取數(shù)據(jù)具有成本低和適用范圍廣的特點(diǎn)(陶國(guó)強(qiáng)等，2019)，許多城市利用其獲取的傾斜影像進(jìn)行實(shí)景三維重建。但實(shí)景三維模型只是“一張皮”，并不能進(jìn)行編輯和分析 (胡平波，2019)。因此需要進(jìn)行建筑物單體建模，使其達(dá)到“可編輯”、“可分析”的要求。

目前，基于傾斜攝影的建筑物單體建模方法主要有：①二維矢量面疊加到城市Mesh網(wǎng)格進(jìn)行動(dòng)態(tài)渲染(陳良超等，2018)；②根據(jù)建筑物二維矢量面對(duì)城市Mesh網(wǎng)格進(jìn)行物理分割(王勇等，2018)；③從多視圖像(MVS)點(diǎn)云中提取建筑物單體點(diǎn)云，再對(duì)點(diǎn)云進(jìn)行重建(Li et al.，2016; Nan et al., 2017)。其中動(dòng)態(tài)渲染方法不能將建筑物與其他地物物理分離；矢量分割方法在分離建筑物的過程中建筑物底面存在鋸齒，且會(huì)破壞模型原有的多細(xì)節(jié)層次(聶贊等，2019)；而點(diǎn)云重建方法能最大程度實(shí)現(xiàn)建筑物單體重建。作為建筑物單體重建的前提，建筑物點(diǎn)云提取質(zhì)量直接影響建筑物單體模型的質(zhì)量。

相比激光點(diǎn)云，MVS點(diǎn)云有自帶顏色信息，獲取成本低的優(yōu)點(diǎn)。因此筆者選用MVS點(diǎn)云為研究對(duì)象，根據(jù)點(diǎn)云顏色信息和植被密集成塊的特性提出一種植被點(diǎn)云剔除方法，結(jié)合點(diǎn)云濾波和點(diǎn)云分割對(duì)建筑物點(diǎn)云進(jìn)行提取。

1 建筑物點(diǎn)云提取方法

基于傾斜影像顏色信息的建筑物點(diǎn)云提取方法，提取步驟如圖1所示。

圖1 建筑物點(diǎn)云提取流程圖

1.1 布料模擬濾波(CSF)

點(diǎn)云分為地面點(diǎn)云和非地面點(diǎn)云(地物點(diǎn)云)。采用CSF(Zhang et al.，2016)方法分離出非地面點(diǎn)云，原理如圖2所示。假定有一塊倒置的地形模型，其上平鋪具有一定硬度的布料，在重力作用下與地形模型貼合，此時(shí)的布料形態(tài)就是數(shù)字地面模型(DTM)。同理，點(diǎn)云可視為離散化的地形模型，將布料模型(布料為一個(gè)具有質(zhì)量和相互連接的粒子組成的網(wǎng)格模型)鋪在倒置的點(diǎn)云上。由于重力和布料粒子間的相互作用力，使得布料粒子與地面點(diǎn)的間距較小，與非地面點(diǎn)的間距較大，設(shè)置距離閾值(Hcc)可分離出地面點(diǎn)和非地面點(diǎn)。

圖2 CSF濾波原理圖

CSF通過調(diào)整布料網(wǎng)格分辨率(GR)、時(shí)間步長(zhǎng)(dT)、布料剛性(RI)和距離閾值(Hcc)來適應(yīng)不同地形的點(diǎn)云。GR用來控制布料模型的粒子個(gè)數(shù)；dT控制每次迭代時(shí)布料粒子下降的位移；RI控制布料的柔軟度；Hcc用來分離地面點(diǎn)和非地面點(diǎn)的閾值。目前，基于無人機(jī)點(diǎn)云濾波算法中，CSF算法效果較好(Serifoglu et al.，2018)。

1.2 基于顏色信息的綠色植被點(diǎn)云剔除

建筑物點(diǎn)云提取過程中，剔除地面點(diǎn)云后，仍有許多影響建筑點(diǎn)云提取的植被點(diǎn)云。為了剔除植被點(diǎn)云，陳宇等(2016)使用基于高程統(tǒng)計(jì)的方法，首先繪制地物點(diǎn)云的高程頻率直方圖，然后根據(jù)高程頻率直方圖與個(gè)人經(jīng)驗(yàn)，確定植被高程閾值，剔除植被點(diǎn)云。該方法易于操作，但只適用于較平坦和植被點(diǎn)云高程較為統(tǒng)一的地區(qū)。鄧飛等(2018)使用單波段顏色閾值分割的方法剔除植被點(diǎn)云，通過采樣分析建筑物與植被在RGB各個(gè)波段中灰度分布范圍，按照錯(cuò)分概率最小原則選擇波段和分割閾值。該方法能較好地剔除植被點(diǎn)云，但存在剔除大量建筑物點(diǎn)云的缺點(diǎn)。筆者采用過綠指數(shù)(EXG)并結(jié)合植被點(diǎn)云密集成塊的特性剔除植被點(diǎn)云，能較好地剔除植被點(diǎn)，并幾乎完整保留建筑點(diǎn)。

EXG常被用于圖像的植被蓋度檢測(cè)，它可以在各種不同的背景下較為有效檢測(cè)出黃綠色和綠色植被(丁肖等，2017; Torres-Sánchez et al.，2014; 徐金勤等，2018)。采用EXG進(jìn)行植被檢測(cè)，同時(shí)考慮植被點(diǎn)云密集成塊的特性，即在點(diǎn)Pi的σ鄰域內(nèi)，若絕大多數(shù)點(diǎn)為植被點(diǎn)，則點(diǎn)Pi有較大概率為植被點(diǎn)，若絕大多數(shù)點(diǎn)為非植被點(diǎn)，則點(diǎn)Pi有較大概率為非植被點(diǎn)。EXG模型公式如下：

I=2g-r-b

(1)

式中，I為過綠指數(shù)，r=R/(R+G+B),g=G/(R+G+B),b=B/(R+G+B)，R、G、B為點(diǎn)云紅綠藍(lán)的顏色值，范圍為0～255。

經(jīng)CSF濾波后得到非地面點(diǎn)云{Pi}，根據(jù)式(1)計(jì)算{Pi}中每個(gè)點(diǎn)的I，I大于閾值T的點(diǎn)被認(rèn)為是植被可疑點(diǎn)，否則為非植被可疑點(diǎn)。對(duì)點(diǎn)云中的點(diǎn)Pi進(jìn)行σ鄰域搜索，統(tǒng)計(jì)鄰域內(nèi)植被可疑點(diǎn)的個(gè)數(shù)，若大于閾值M，則將Pi點(diǎn)分類為植被點(diǎn)，否則為非植被點(diǎn)，如圖3所示，重復(fù)以上步驟，直至點(diǎn)云{Pi}中所有點(diǎn)都被分類。植被點(diǎn)云具體剔除流程如圖4。

圖3 基于顏色信息的植物濾波原理圖

圖4 植被點(diǎn)云剔除流程圖

1.3 DBSCAN聚類分割建筑物點(diǎn)云

經(jīng)濾波和植被點(diǎn)剔除后的剩余點(diǎn)云由建筑物點(diǎn)、少量未被剔除的非密集植被點(diǎn)以及路燈汽車等小點(diǎn)云構(gòu)成。筆者使用具有噪聲的基于密度的空間聚類方法(DBSCAN)進(jìn)行建筑物點(diǎn)云分割，進(jìn)而提取建筑物點(diǎn)云。

DBSCAN(Ester et al.,1996)是一種能發(fā)現(xiàn)任意形狀的聚類，具有ε和Tmin兩個(gè)參數(shù)。ε為定義密度時(shí)的鄰域半徑，Tmin為定義核心點(diǎn)時(shí)的閾值(陳宇等，2016)。DBSCAN的原理如圖5所示。

圖5 DBSCAN的原理圖

核心對(duì)象：假設(shè)點(diǎn)云數(shù)據(jù)集為D，對(duì)點(diǎn)p∈D進(jìn)行半徑ε的鄰域搜索，若點(diǎn)p的ε鄰域內(nèi)包含的點(diǎn)的個(gè)數(shù)大于給定閾值Tmin，則確定該點(diǎn)為核心點(diǎn)。

密度直達(dá)：若點(diǎn)p1是核心點(diǎn)p的ε鄰域內(nèi)的點(diǎn)，則p1由p密度直達(dá)。

密度可達(dá)：若有一系列點(diǎn)p1,p2,…,pn，且pi+1(i

密度相連：若存在某核心點(diǎn)px屬于D，使得px到p、pa都密度可達(dá)，則p和pa密度相連。

DBSCAN聚類是以一個(gè)核心點(diǎn)為出發(fā)點(diǎn)，將這個(gè)核心點(diǎn)與其所有密度相連的點(diǎn)歸為一個(gè)簇。

2 實(shí)驗(yàn)與分析

2.1 實(shí)驗(yàn)數(shù)據(jù)

筆者對(duì)提出的建筑物點(diǎn)云提取組合方法進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)對(duì)象選取為地勢(shì)起伏較大的東華理工大學(xué)南區(qū)宿舍及范家新村的部分區(qū)域。實(shí)驗(yàn)區(qū)域影像數(shù)據(jù)由飛馬D200四旋翼無人機(jī)搭載D-OP300五鏡頭傾斜模塊于2019年5月采集獲得。使用ContextCapture軟件對(duì)數(shù)據(jù)進(jìn)行影像密集匹配，設(shè)置點(diǎn)采樣間隔為20像素，選取部分點(diǎn)云(圖6)作為實(shí)驗(yàn)數(shù)據(jù)，在MSV點(diǎn)云中提取建筑物。

圖6 實(shí)驗(yàn)點(diǎn)云

2.2 實(shí)驗(yàn)結(jié)果

通過CloudCompare封裝的CSF算法(Zhang et al.，2016)進(jìn)行地面點(diǎn)剔除，分離非地面點(diǎn)云，實(shí)驗(yàn)結(jié)果如圖7所示。結(jié)果顯示，非地面點(diǎn)被較好分離。在植被點(diǎn)剔除過程中，參數(shù)T、σ、M分別取0、1.5、45時(shí)能較好地剔除植被點(diǎn)云。使用單波段閾值分割法(鄧飛等，2018)和EXG指數(shù)法作對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如圖8所示。結(jié)果表明相較于單波段閾值分割法和EXG指數(shù)法，在較好剔除植被點(diǎn)的基礎(chǔ)上，本方法剔除的建筑點(diǎn)更少。

圖8 剔除的植被點(diǎn)云

圖7 非地面點(diǎn)云

剔除植被點(diǎn)后，對(duì)剩余點(diǎn)云進(jìn)行DBSCAN聚類分割。DBSCAN聚類參數(shù)ε和Tmin分別設(shè)定為0.5和5，得到的聚類結(jié)果如圖9所示。由圖9(a)、(d)可知，單波段閾值分割法將少量植被點(diǎn)錯(cuò)分為建筑物點(diǎn)，但遺漏了大量建筑物點(diǎn)；由圖9(b)、(e)可知，EXG指數(shù)法不僅錯(cuò)分為建筑物的點(diǎn)比單波段閾值分割法多，且也遺漏了大量建筑點(diǎn)；由圖9(c)、(f)可知，本方法雖錯(cuò)分為建筑物的點(diǎn)比其他方法稍多，但建筑物提取基本完整。

圖9 聚類分割后的建筑物點(diǎn)云

2.3 精度分析

為了定量評(píng)價(jià)建筑物點(diǎn)云提取效果，對(duì)建筑物點(diǎn)云提取的正確性、完整性和質(zhì)量精度進(jìn)行評(píng)價(jià)(戴玉成，2017)。

(2)

其中，A表示正確性，P表示完整性，Q表示質(zhì)量精度，TP表示正確識(shí)別建筑物點(diǎn)云的個(gè)數(shù)，F(xiàn)P表示被錯(cuò)認(rèn)為建筑物點(diǎn)云的非建筑物點(diǎn)云個(gè)數(shù)，F(xiàn)N表示遺漏的建筑物點(diǎn)云個(gè)數(shù)。

使用人工分割出的建筑物點(diǎn)云作為參考點(diǎn)云進(jìn)行比較，得到各種方法提取建筑物點(diǎn)云的精度，如表1所示。由表1可知，筆者采用的建筑物點(diǎn)云提取方法的正確性為98.06%、完整性為98.20%、質(zhì)量為96.34%。相較于單波段閾值分割法，其正確性降低了1.81%，完整性提高了28.47%，質(zhì)量提高了26.67%。相較于EXG指數(shù)的方法，其正確性降低了1.05%，完整性提高了16.71%，質(zhì)量提高了15.44%。筆者提取建筑物點(diǎn)云方法的正確性、完整性和質(zhì)量上均大于96%。綜合比較，使用筆者提出的建筑物點(diǎn)云提取方法會(huì)獲得更好的效果。

表1 建筑物點(diǎn)云提取精度

3 結(jié)論

筆者利用EXG指數(shù)和植被點(diǎn)云密集成塊特性，提出了一種從影像密集匹配的點(diǎn)云中提取建筑物點(diǎn)云的組合方法。該方法簡(jiǎn)單易于實(shí)現(xiàn)，充分利用了密集匹配點(diǎn)云的顏色信息，可以在保留建筑點(diǎn)較完整的情況下剔除盡量多的植被點(diǎn)，且建筑物點(diǎn)云提取的正確性、完整性和質(zhì)量均高于96%，建筑物點(diǎn)云提取效果好。但該方法設(shè)置的參數(shù)值是經(jīng)驗(yàn)閾值，因此如何快速設(shè)置理想?yún)?shù)有待進(jìn)一步研究。