對接Revit平臺的古建點(diǎn)云快速分類研究

劉永吉,李佳恩,吳 翔

(1.吉林建筑大學(xué),吉林 長春 130118；2.吉林大學(xué)地球探測科學(xué)與技術(shù)學(xué)院,吉林 長春 130026)

1 引 言

近年來,隨著信息化技術(shù)深入到社會各個領(lǐng)域,利用三維激光掃描技術(shù)進(jìn)行建筑復(fù)原成為可能,國內(nèi)外大多數(shù)研究主要集中于運(yùn)用三維激光掃描儀對古建筑進(jìn)行掃描后逆向建模,如 Siwei C 等[1]對建筑體進(jìn)行了激光掃描。Bouzakis等[2]通過三維激光掃描技術(shù)復(fù)建了帕臺農(nóng)神廟西部帶狀雕塑。藺小虎等[3]對大雁塔進(jìn)行點(diǎn)云逆向建模。周曦冰等[4]通過點(diǎn)云特征提取,應(yīng)用于古文物本體圖制作。隨著三維激光技術(shù)應(yīng)用越來越廣泛,通過對點(diǎn)云數(shù)據(jù)的分類處理能夠有效提高數(shù)據(jù)成果的準(zhǔn)確性和高效性[5-7]。通過對點(diǎn)云分類處理,結(jié)合BIM技術(shù)實現(xiàn)古建筑Revit參數(shù)化建模,進(jìn)而實現(xiàn)基于信息化平臺統(tǒng)一管理,對古建筑進(jìn)行數(shù)字化保護(hù)與傳承正逐漸成為研究熱點(diǎn)。

針對城市復(fù)雜環(huán)境點(diǎn)云數(shù)據(jù)中建筑物和植被較難分離的問題,利用二者高度、面積、坡度等信息先將建筑物分離,再利用建筑物結(jié)果作為約束,較為準(zhǔn)確地將二者進(jìn)行分離[8]。以礦區(qū)的彩色三維激光點(diǎn)云數(shù)據(jù)為研究對象,提出了礦區(qū)點(diǎn)云快速自動分類及目標(biāo)提取的方法[9]。Nourzad等提出基于Bagging和AdaBoost組合分類器將機(jī)載激光點(diǎn)云分為植被,地面,房屋三類[10]。點(diǎn)云分類方法大多是建立在物體三維表面模型上,根據(jù)其高程、回波強(qiáng)度和表面變化率等信息進(jìn)行分類,相較于在二維平面上的地物分類,基于三維信息的分類費(fèi)時、費(fèi)力,同時對硬件設(shè)施提出更高要求,這無疑制約了分類算法在現(xiàn)實中的應(yīng)用。因此,本文首先對點(diǎn)云數(shù)據(jù)進(jìn)行柵格化,將三維問題轉(zhuǎn)為二維；然后提出一種基于PSO_MLP算法的機(jī)載激光點(diǎn)云數(shù)據(jù)分類方法,在減少時間成本和計算機(jī)性能要求的基礎(chǔ)上,提高了分類精度。

以某古建為試驗區(qū),通過Z+F5010C三維激光掃描儀對建筑群點(diǎn)云數(shù)據(jù)進(jìn)行數(shù)據(jù)處理,證明了本文算法的準(zhǔn)確性和實用性,在數(shù)據(jù)精簡等方面,實現(xiàn)了對接Revit平臺模型創(chuàng)建,為使用點(diǎn)云數(shù)據(jù)進(jìn)行歷史保護(hù)建筑三維數(shù)字檔案創(chuàng)建打下了基礎(chǔ)。

2 方 法

2.1 多層感知機(jī)

多層感知機(jī)(Multilayer Perceptron,MLP)是一種網(wǎng)絡(luò)結(jié)構(gòu),由多層分布的節(jié)點(diǎn)組成,各節(jié)點(diǎn)在相鄰層由不同權(quán)重相連接,包含輸入層,隱藏層和輸出層[11]。MLP網(wǎng)絡(luò)模型結(jié)構(gòu)圖如圖1所示。

圖1 MLP網(wǎng)絡(luò)模型結(jié)構(gòu)圖

MLP的輸出計算步驟如下:首先計算得到輸入的加權(quán)和:

(1)

其中,n是總輸入節(jié)點(diǎn)個數(shù)；Wij是連接權(quán)重；θj是第j個隱含節(jié)點(diǎn)的偏置；Xi表示第i個輸入信息。

計算輸入節(jié)點(diǎn)的輸出為:

(2)

計算隱藏節(jié)點(diǎn)的輸出為:

(3)

最終的輸出信息為:

(4)

2.2 粒子群優(yōu)化算法

粒子群優(yōu)化算法(Particle Swarm Optimization,PSO)是由Kennedy和Eberhart于1995年提出的一種優(yōu)化算法[12]。最近幾年來,在對神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化的研究中PSO算法是一個熱點(diǎn)。PSO算法的基本思想是利用在神經(jīng)網(wǎng)絡(luò)中的微粒對信息的共享性,使得在整個神經(jīng)網(wǎng)絡(luò)的運(yùn)動問題中對于由無序問題對有序問題進(jìn)行求解成為可能,從而獲取最優(yōu)解。該算法首先初始化一組隨機(jī)粒子,在迭代過程中計算每個微粒i的適應(yīng)度,通過跟蹤個體極值Pi和全局極值Pg來更新自己。微粒i分別根據(jù)公式(5)和(6)來更新自己的速度和位置值:

Vi(t+1)=ω·Vi(t)+c1·r1·[Pi(t)-Xi(t)]+

c2·r2·[Pg(t)-Xi(t)]

(5)

Xi(t+1)=Xi(t)+Vi(t+1)

(6)

其中,Vi(t)是微粒i在t時刻的速度；w是慣性權(quán)重；Xi(t)是粒子在t時刻的位置；r1和r2是介于(0,1)之間的隨機(jī)數(shù)；c1,c2是學(xué)習(xí)因子,通常c1=c2=2。

3 應(yīng)用案例

3.1 測區(qū)概況及預(yù)處理

以云南某古建群為試驗區(qū),測區(qū)測繪面積0.186 km2,測繪單體共計6個,采用德國Z+F5010C三維激光掃描儀獲取試驗區(qū)的彩色三維激光掃描數(shù)據(jù)。總站點(diǎn)數(shù)為81站,密度適中,完成了整個測區(qū)的站點(diǎn)覆蓋,通過JRC 3D進(jìn)行交互處理,完成試驗區(qū)點(diǎn)云數(shù)據(jù)的拼接、去噪與賦色,如圖2所示。該測區(qū)點(diǎn)云數(shù)據(jù)需對接Revit平臺進(jìn)行三維檔案創(chuàng)建主要包括高植被、建筑物、建筑物附屬、地形及其他等信息。由于測區(qū)范圍較大,點(diǎn)云數(shù)據(jù)龐大,首先進(jìn)行數(shù)據(jù)分割,對測區(qū)范圍內(nèi)6個建筑單體進(jìn)行分割,分割后的區(qū)域均包含地面,建筑,高植等部分,從數(shù)據(jù)量上考慮仍然較大,另外植被遮擋細(xì)部亦影響建模表達(dá),下面以其中一個區(qū)域為例進(jìn)行數(shù)據(jù)處理。

圖2 測區(qū)鳥瞰圖

3.2 數(shù)據(jù)處理

3.2.1 點(diǎn)云柵格化

由于大多分類算法在二維遙感圖像的應(yīng)用要比三維點(diǎn)云應(yīng)用更為成熟,且在二維平面中分類所消耗的時間會更短。項目采取降維處理,對于三維數(shù)據(jù)轉(zhuǎn)換二維處理,使得處理速度大大加快。根據(jù)點(diǎn)云數(shù)據(jù)的原始記錄中空間點(diǎn)的坐標(biāo)、反射率和RGB值進(jìn)行提取,利用點(diǎn)云數(shù)據(jù)生成點(diǎn)云圖,找到全部柵格點(diǎn)中投影在XOY投影面中反射強(qiáng)度值最大的點(diǎn),得到與該區(qū)域空間點(diǎn)云相對應(yīng)的柵格化點(diǎn)云。點(diǎn)云與柵格圖像如圖3、4所示。

圖3 點(diǎn)云數(shù)據(jù)

圖4 柵格數(shù)據(jù)

3.2.2 點(diǎn)云特征提取

由于利用點(diǎn)云的反射強(qiáng)度信息進(jìn)行分類,具有分類特征單一、對地物反射強(qiáng)度接近、地物復(fù)雜處分類效果不理想等特點(diǎn)[11-12]。首先,將柵格數(shù)據(jù)二值化如圖5(a)所示,在此基礎(chǔ)上,提取紋理信息以及形狀信息,讓分類特征更加豐富,可在一定程度上提高分類精度。本文采用統(tǒng)計方法中的灰度共生矩陣方式進(jìn)行分析,其主要是通過統(tǒng)計分析圖像灰度的空間相關(guān)特性來實現(xiàn)圖像的紋理計算[13]。本文選用了Variance和Mean兩種方法進(jìn)行圖像紋理特征的提取,提取結(jié)果如圖5(b)、(c)所示。

圖5 特征提取圖

3.3 分類算法建模過程

利用PSO-MLP算法可以對多類別數(shù)據(jù)分類的優(yōu)勢,應(yīng)用到站式三維激光掃描點(diǎn)云數(shù)據(jù)中,構(gòu)建基于PSO-MLP遙感影像快速分類方法,同時為體現(xiàn)PSO-MLP算法的優(yōu)越性引入PSO-SVPM算法進(jìn)行尋優(yōu)適用度比較,具體建模過程如下:

(1)特征信息提取,訓(xùn)練集(xi,yi),其中xi為特征信息,yi為對應(yīng)的地物類別,取值為0～3；

(2)利用Python-GDAL函數(shù)庫和sklearn模塊中的MLP代碼集成到遙感影像MLP算法中,構(gòu)建MLP算法分類模型；

(3)PSO算法對MLP與SVM參數(shù)對比。本文在應(yīng)用PSO算法時,最大迭代次數(shù)設(shè)為50,并作為算法終止條件,選擇模型預(yù)測結(jié)果的平均精度作為適應(yīng)度函數(shù),將粒子群大小設(shè)置為100,學(xué)習(xí)因子c1設(shè)為2.0,c2設(shè)為2.0,經(jīng)過50次迭代計算后,搜索得到MLP算法的隱藏層個數(shù)(hidden_layer_sizes)為10,激活函數(shù)(activation function)為logistic,SVM算法的懲罰系數(shù)c為1.95,核參數(shù)gamma為0.27。最優(yōu)粒子的適應(yīng)度值變化如圖6所示,可以看出,MLP的最優(yōu)粒子適應(yīng)度值達(dá)到0.9257,SVM的最優(yōu)粒子適應(yīng)度值達(dá)到0.9240,PSO優(yōu)化算法對MLP和SVM的優(yōu)化效果都比較好。

圖6 PSO_MLP與PSO_SVM參數(shù)適應(yīng)度

3.4 分類結(jié)果

為了驗證PSO_MLP算法在點(diǎn)云數(shù)據(jù)分類中的適用性,作為對比,本文還加入了PSO_SVM算法對研究區(qū)內(nèi)的典型地物進(jìn)行分類[14],分別利用PSO_MLP和PSO_SVM對測區(qū)內(nèi)的典型地物進(jìn)行分類,分類結(jié)果如圖7、8所示。對比兩幅分類結(jié)果圖可以看出,PSO_SVM算法在部分區(qū)域存在著明顯的“椒鹽現(xiàn)象”,且部分地物出現(xiàn)錯分現(xiàn)象,尤其是在建筑物和高植被、地物復(fù)雜處的邊緣等尤為明顯。而PSO_MLP算法表現(xiàn)的比PSO_SVM更加優(yōu)越,克服噪點(diǎn)的能力更好,對于特征信息比較接近的地物也實現(xiàn)了高效的識別。

圖7 PSO_MLP分類結(jié)果

圖8 PSO_SVM分類結(jié)果

4 精度分析

4.1 混淆矩陣

混淆矩陣能夠?qū)Ψ诸惸Ｐ瓦M(jìn)行性能評價,在圖像精度評價中,主要用于比較分類結(jié)果和實際測量值,是精度評價的一種格式。本項目采用混淆矩陣來進(jìn)行分類結(jié)果精度評價,統(tǒng)計其分類圖像的分類精度、總體分類精度和Kappa系數(shù)等指標(biāo)。

從表1可以看出,由PSO-MLP算法和PSO-SVM算法對圖像分類的總體分類精度分別為94.16 %和85.12 %,Kappa系數(shù)分別為0.9219和0.8004。 由此可見在本項目中PSO_MLP能夠?qū)c(diǎn)云數(shù)據(jù)分類效果較好。

表1 混淆矩陣分類精度指標(biāo)對比

4.2 ROC曲線

近年來,ROC曲線分析技術(shù)越來越多的應(yīng)用到機(jī)器學(xué)習(xí)領(lǐng)域[15],因其具有對類別分布和代價不敏感,能夠成為評價分類器效果的手段之一。AUC表示為:

(7)

(8)

曲線面積AUC的標(biāo)準(zhǔn)偏差的計算公式為:

(9)

試驗區(qū)采用ROC曲線來進(jìn)行分類結(jié)果精度分析,PSO_MLP算法和PSO_SVM算法對實驗區(qū)內(nèi)的地物分類結(jié)果如表2所示,ROC曲線分別如圖9、10所示。PSO_MLP算法的各地物AUC面積比PSO_SVM算法大,且ROC曲線的TP曲線形態(tài)更好,分類器的分類效果更好。

表2 ROC曲線分類精度指標(biāo)對比

圖9 PSO_MLP算法ROC曲線

圖10 PSO_SVM算法ROC曲線

5 成果應(yīng)用

將測區(qū)點(diǎn)云進(jìn)行拼接質(zhì)檢后,根據(jù)統(tǒng)一密度進(jìn)行抽稀后,按照建模區(qū)域不同進(jìn)行點(diǎn)云分割,應(yīng)用算法將測區(qū)分割后的區(qū)塊進(jìn)行逐一分類,分類后點(diǎn)云類別為地面,其他分類,建筑,高植(見圖11),將點(diǎn)云數(shù)據(jù)保存為Autodesk ReCap數(shù)據(jù)格式,生成ReCap文件,導(dǎo)入Revit平臺進(jìn)行參數(shù)化建模,Revit平臺建模成果如圖12所示。

圖11 點(diǎn)云細(xì)分圖

圖12 Revit模型

6 結(jié) 論

本文首先對測區(qū)建筑單體進(jìn)行數(shù)據(jù)分割,通過PSO_MLP算法對點(diǎn)云數(shù)據(jù)進(jìn)行柵格化,并結(jié)合紋理信息和形狀信息后,利用粒子群優(yōu)化算法對MLP的參數(shù)進(jìn)行尋優(yōu),實現(xiàn)了測區(qū)的典型地物的快速分類。結(jié)果表明:(1)基于PSO_MLP分類方法的分類在本項目中精度高于PSO_SVM的分類精度；(2)對于分類精度指標(biāo),與傳統(tǒng)的混淆矩陣相比,將ROC曲線應(yīng)用于遙感圖像分類,結(jié)果更為直觀,可以清晰地判別各地類的分類情況。分類后的點(diǎn)云特征明顯,數(shù)據(jù)得到精簡能夠更好對接Revit平臺進(jìn)行參數(shù)建模,進(jìn)而為實現(xiàn)基于信息化平臺統(tǒng)一管理奠定基礎(chǔ)。