利用傾斜攝影測(cè)量的農(nóng)村房屋信息調(diào)查

張靜茹，邱云飛，方立，沈慧芳，周樹(shù)東

(1.遼寧工程技術(shù)大學(xué) 軟件學(xué)院，遼寧 葫蘆島 125105；2.中國(guó)科學(xué)院海西研究院 泉州裝備制造研究所，福建 泉州 362216)

0 引言

農(nóng)村房屋信息作為反映土地資源利用和農(nóng)民生產(chǎn)生活狀況的基本數(shù)據(jù)，對(duì)數(shù)字化鄉(xiāng)村建設(shè)、抗震性能分析、生態(tài)環(huán)境監(jiān)測(cè)以及耕地保護(hù)等方面具有重大的價(jià)值和作用[1]。受地形地貌的影響，農(nóng)村房屋具有坐落無(wú)規(guī)律、擴(kuò)建翻新速度快、產(chǎn)權(quán)結(jié)構(gòu)復(fù)雜等特性，造成了傳統(tǒng)實(shí)地勘測(cè)測(cè)量難度大、測(cè)繪周期長(zhǎng)、成本投入高、安全隱患多、房屋信息數(shù)據(jù)更新不及時(shí)以及測(cè)量與審批結(jié)果不符等亟待解決的問(wèn)題[2]。因此，開(kāi)發(fā)一套高精度、低成本、短周期的農(nóng)村房屋信息調(diào)查方法具有非常重要的研究意義。

近年來(lái)，傾斜攝影測(cè)量技術(shù)迅猛發(fā)展，該技術(shù)能夠全方位、多角度地獲取地面物體真實(shí)的三維信息，并且成本低廉、數(shù)據(jù)獲取便捷，在自然資源更新監(jiān)測(cè)、城市建模管理等諸多領(lǐng)域都得到了廣泛的應(yīng)用[3-4]，從傾斜攝影測(cè)量影像匹配點(diǎn)云中提取建筑物信息也成為研究熱點(diǎn)[5-8]。但是，影像匹配點(diǎn)云中存在大量與房屋粘連的非建筑物點(diǎn)云，這些點(diǎn)云將直接影響建筑物點(diǎn)云提取效果，使得房屋信息計(jì)算精度低。為了減小非建筑物點(diǎn)的影響，戴玉成[9]在通過(guò)高程濾波濾除大量低矮點(diǎn)的基礎(chǔ)上，利用植被反射波普特性訓(xùn)練機(jī)器學(xué)習(xí)模型對(duì)高大植被點(diǎn)進(jìn)行剔除。此方法利用成熟模型可以快速、高效地進(jìn)行植被點(diǎn)檢測(cè)，但檢測(cè)的結(jié)果依賴(lài)于模型的優(yōu)劣，并且需要投入大量成本對(duì)數(shù)據(jù)進(jìn)行標(biāo)注。鄧飛等[10]在去除地面點(diǎn)云后，通過(guò)對(duì)植被、建筑物點(diǎn)的灰度分布范圍進(jìn)行訓(xùn)練，使用單波段灰度值進(jìn)行閾值分割剔除植被點(diǎn)云。該方法雖然能快速地剔除植被點(diǎn)云，但易將建筑物點(diǎn)云標(biāo)記為植被點(diǎn)錯(cuò)誤去除。余和順等[11]根據(jù)過(guò)綠指數(shù)檢測(cè)出點(diǎn)云場(chǎng)景中的黃綠色、綠色的點(diǎn)，并依據(jù)植被密集成塊特性對(duì)顏色分類(lèi)結(jié)果進(jìn)行糾正，在去除植被點(diǎn)時(shí)能夠有效保留部分建筑物且無(wú)需模型訓(xùn)練。但是，該方法使用單一植被指數(shù)易將建筑物點(diǎn)錯(cuò)誤濾除，并且對(duì)于場(chǎng)景中存在的非綠色植被點(diǎn)無(wú)法有效檢測(cè)。

圖1 農(nóng)村房屋信息自動(dòng)化調(diào)查的總體流程圖

基于以上分析，本文面向傾斜攝影測(cè)量數(shù)據(jù)匹配點(diǎn)云，提出了一種點(diǎn)云顏色與尺度信息相結(jié)合的植被點(diǎn)云濾波方法，并將其與現(xiàn)有成熟技術(shù)相結(jié)合，形成一套完整的農(nóng)村房屋信息自動(dòng)化調(diào)查方案。如圖1所示，信息自動(dòng)化調(diào)查方案共分為5個(gè)環(huán)節(jié)：①無(wú)人機(jī)裝載傾斜攝影系統(tǒng)采集數(shù)據(jù)，生成三維點(diǎn)云；②主動(dòng)輪廓能量最小化算法模擬地面，生成數(shù)字地面模型(digital terrain model，DTM)，利用高程信息進(jìn)行高程濾波；③點(diǎn)云尺度與顏色相結(jié)合進(jìn)行非建筑物點(diǎn)濾波，利用多規(guī)則區(qū)域增長(zhǎng)算法進(jìn)行平面分割；④針對(duì)不同類(lèi)型房屋選取不同約束線組合提取房屋輪廓；⑤房屋信息計(jì)算。為了驗(yàn)證所提出方法的可行性，本文于武漢市新洲區(qū)施廟村展開(kāi)試點(diǎn)研究。

1 數(shù)據(jù)獲取與預(yù)處理

1.1 無(wú)人機(jī)影像獲取

研究區(qū)位于湖北省武漢市新洲區(qū)施廟村(114°79′E，30°90′N(xiāo))，共采集了該區(qū)域內(nèi)101宗地的162幢農(nóng)村房屋影像數(shù)據(jù)。實(shí)驗(yàn)采用大疆多旋翼無(wú)人機(jī)，搭載5臺(tái)1 820萬(wàn)像素的Sony WX RGB相機(jī)，從垂直和前后左右5個(gè)不同的方位視角采集影像數(shù)據(jù)，圖像分辨率為4 896像素×3 672像素。表1顯示了無(wú)人機(jī)的飛行參數(shù)設(shè)置。

表1 實(shí)驗(yàn)區(qū)域航攝技術(shù)參數(shù)

由于飛行環(huán)境、相機(jī)參數(shù)和像控點(diǎn)布設(shè)同樣影響影像質(zhì)量和后續(xù)處理步驟，因此，飛行選擇在光照恒定、氣流平穩(wěn)的天氣進(jìn)行。在飛行過(guò)程中檢查影像清晰度以及漏測(cè)和錯(cuò)位現(xiàn)象以調(diào)整相機(jī)和航攝視角。像控點(diǎn)布設(shè)主要為平高控制點(diǎn)，1 km230個(gè)控制點(diǎn)，此外房屋屋頂也加入一定的控制點(diǎn)，最大限度保證了攝影質(zhì)量。實(shí)驗(yàn)所使用的計(jì)算機(jī)運(yùn)行環(huán)境如表2所示。

表2 計(jì)算機(jī)運(yùn)行環(huán)境

1.2 影像預(yù)處理

無(wú)人機(jī)影像數(shù)據(jù)獲取后使用商用軟件包Agisoft Photoscan生成攝影測(cè)量數(shù)據(jù)：密集三維點(diǎn)云數(shù)據(jù)圖、數(shù)字地表模型(digital surface model，DSM)和RGB真彩色航空數(shù)字正射影像圖。圖2顯示了3種攝影測(cè)量數(shù)據(jù)的輸出成果。

圖2 傾斜攝影測(cè)量輸出結(jié)果

2 研究方法

2.1 數(shù)字地面模型生成

為了獲取精確數(shù)字地面模型，采用主動(dòng)輪廓能量最小化算法對(duì)地表進(jìn)行模擬[12]。基本步驟如下：將高密度三維點(diǎn)云網(wǎng)格化，取每個(gè)網(wǎng)格中的最低點(diǎn)作為樣本點(diǎn)p，取p點(diǎn)的高度值得到一幅二維的高度圖像Ip。對(duì)所有的樣本構(gòu)造一個(gè)主動(dòng)輪廓模型，最小化主動(dòng)輪廓能量函數(shù)得到對(duì)應(yīng)的地面圖像zp。在得到DTM后，結(jié)合高程信息對(duì)點(diǎn)云進(jìn)行閾值濾波，過(guò)濾掉高程小于閾值的點(diǎn)。

2.2 非建筑物點(diǎn)云濾波

在高程濾波后，點(diǎn)云之中仍然存在高大樹(shù)木、電線桿等非建筑點(diǎn)。為了減小非建筑物點(diǎn)的影響，提高建筑物點(diǎn)云提取準(zhǔn)確率，提出了一種多屬性融合的非建筑物點(diǎn)云濾波算法，通過(guò)點(diǎn)云的尺度信息與顏色信息結(jié)合去除場(chǎng)景中存在的非建筑物點(diǎn)云。具體實(shí)現(xiàn)如下。

設(shè)待測(cè)點(diǎn)Q的鄰域點(diǎn)為Pi(i=1，2，3…，n)，使用Q與Pi構(gòu)建協(xié)方差矩陣H，求解可得特征值λ1，λ2，λ3。其中，λ1>λ2>λ3，所對(duì)應(yīng)的方向向量分別為n1，n2，n3。其中，n1為點(diǎn)鄰域的主向量，n3為法向量。本文采用局部尺度信息度量[13]進(jìn)行尺度信息計(jì)算，可計(jì)算出待測(cè)點(diǎn)Q屬于線性、平面與球形點(diǎn)的概率P1D、P2D、P3D。

由于在高程濾波后，極有可能將經(jīng)過(guò)閾值濾波的平面點(diǎn)誤認(rèn)為是線性點(diǎn)標(biāo)記，故多屬性融合的非建筑物點(diǎn)云濾波方法基于以下規(guī)則對(duì)點(diǎn)的尺度進(jìn)行劃分。

1)P3D=max{P3D，P2D，P1D}的為球狀點(diǎn)，Label=0；

2)P2D=max{P3D，P2D，P1D}的為平面點(diǎn)，Label=1；

3)P1D=max{P3D，P2D，P1D}<0.9，且n1平行地面的點(diǎn)為平面點(diǎn)，Label=1；

4)P1D=max{P3D，P2D，P1D}，且Label≠3的為垂直線性點(diǎn)，Label=2。

其中，球狀點(diǎn)多為冠狀植被，垂直線性點(diǎn)為樹(shù)木樹(shù)干、電線桿等垂直于地面的物體，平面點(diǎn)多為建筑物點(diǎn)云。但由于傾斜攝影匹配點(diǎn)云密度較低，單一依賴(lài)于幾何信息會(huì)造成結(jié)果不準(zhǔn)確，故方法引入顏色相似性進(jìn)行聯(lián)合判斷。在對(duì)顏色相似性進(jìn)行計(jì)算時(shí)，需要先標(biāo)定植被顏色信息。多屬性融合濾波算法采用投票機(jī)制，對(duì)Label=0的點(diǎn)進(jìn)行RGB信息投票，得票最高的顏色信息被標(biāo)記為植被顏色信息，顏色的相似性根據(jù)以下規(guī)則進(jìn)行度量。

1)點(diǎn)與植被顏色的相似性Sim1值大于閾值。

2)點(diǎn)的鄰域平均顏色信息與植被顏色信息相似性Sim2大于閾值。Sim1、Sim2的計(jì)算如式(1)所示。

(1)

式中：R′、G′、B′為植被顏色信息；R、G、B為待測(cè)點(diǎn)顏色信息；Rran、Gran、Bran分別為各個(gè)通道上最大值與最小值的差。融合點(diǎn)云尺度信息與顏色信息的植被點(diǎn)概率計(jì)算如式(2)所示。

(2)

式中：Pv為待測(cè)點(diǎn)屬于植被點(diǎn)的概率。對(duì)Pv大于閾值的點(diǎn)進(jìn)行去除。此外，對(duì)于Label=2的點(diǎn)，將作為非建筑物點(diǎn)直接去除。

2.3 建筑物平面獲取

在濾除非建筑物點(diǎn)云后，文中采用融合顏色信息的區(qū)域增長(zhǎng)算法[14]進(jìn)行平面分割，并為其添加約束規(guī)則，使其能夠克服噪聲點(diǎn)的影響，實(shí)現(xiàn)高效平面探測(cè)。多規(guī)則約束的區(qū)域增長(zhǎng)算法首先從所有Label=1的點(diǎn)中隨機(jī)選取一點(diǎn)作為種子節(jié)點(diǎn)i，選取其半徑R內(nèi)的點(diǎn)作為鄰域點(diǎn)j，基于以下規(guī)則進(jìn)行區(qū)域增長(zhǎng)。

1)Labeli=Labelj=0，點(diǎn)的顏色相似；

2)Labeli=Labelj=1，且法向量夾角小于閾值，點(diǎn)的顏色相似。

在得到初始平面后，對(duì)所有平面的點(diǎn)數(shù)進(jìn)行閾值判斷，若區(qū)域內(nèi)點(diǎn)數(shù)小于一定閾值，則此區(qū)域按照噪聲點(diǎn)去除；若大于閾值則利用空間一致性分析對(duì)離散的平面和點(diǎn)進(jìn)行聚類(lèi)融合，以獲得空間上連續(xù)的平面區(qū)域。

2.4 屋頂輪廓獲取

屋頂輪廓線提取是三維建模與房屋信息計(jì)算的關(guān)鍵步驟。雖然不同地區(qū)的房屋構(gòu)成會(huì)具有顯著差異，但是房屋信息的計(jì)算主要依賴(lài)于屋頂投影的計(jì)算，并且同一區(qū)域房屋多為一種類(lèi)型。一般來(lái)說(shuō)，住房屋頂可分為平頂型和多面型兩種，針對(duì)不同房屋類(lèi)型，采用多種特征線組合策略進(jìn)行房屋輪廓提取。其中，不同特征線來(lái)自不同數(shù)據(jù)源。

采用多源數(shù)據(jù)可以有效克服從單一數(shù)據(jù)源進(jìn)行提取存在的輪廓線缺失問(wèn)題，在進(jìn)行區(qū)域輪廓線提取時(shí)，依據(jù)地域特點(diǎn)人工選擇合適多源特征線組合同樣可以有效提升計(jì)算效率。對(duì)于平頂房，采用房屋立面投影線與高程急劇變化的邊界線融合策略；對(duì)于多面型房屋除兩種基礎(chǔ)的線型外，需要添加不同平面的相交線進(jìn)行輔助修訂。上述3種特征線定義如下。

1)房屋立面的投影線。房屋通?？梢哉J(rèn)為是由多個(gè)垂直于地面的墻立面和屋頂組成，房屋立面在地面上的投影線輪廓即可視為房屋的外圍輪廓。對(duì)比于屋頂輪廓，由于立面投影線可去除屋檐等延伸部分的影響，在計(jì)算房屋面積等信息時(shí)，該輪廓的可靠度高于屋頂輪廓線。

2)高程急劇變化的邊界線。DSM模型包含了地面上各種物體，由于房屋多為高大地物，則屋頂邊界與周?chē)匚锞哂休^大的高程差?；谶@一客觀事實(shí)，根據(jù)DSM生成像元值代表高程變化的梯度圖像，利用最小像元值和最短線長(zhǎng)原則檢測(cè)出高程急劇變化的邊界線作為輪廓修正因子，對(duì)投影線中存在的缺失進(jìn)行補(bǔ)充修正。

3)不同平面相交線。對(duì)于多面型房屋，其不同平面的相交線和房屋2D輪廓線連通，且平面相交線之間往往具有對(duì)稱(chēng)性，故可以使用不同平面相交線對(duì)缺失的2D輪廓進(jìn)行補(bǔ)充修正。

圖3顯示了人字形屋頂輪廓線提取流程，圖3(d)、圖3(e)、圖3(f)分別為該區(qū)域高程急劇變化的邊界線、不同平面相交線與房屋立面投影線。將上述3種輪廓約束線融合在統(tǒng)一模型中得到圖3(g)。由于直接融合后的線仍有缺失、不規(guī)則現(xiàn)象存在，故需要對(duì)缺失線條進(jìn)行填補(bǔ)，并通過(guò)搜索成對(duì)相交點(diǎn)，按照最小化多邊形周長(zhǎng)的原則構(gòu)造一個(gè)整體的屋頂輪廓多邊形。正則化后的輪廓線如圖3(h)所示。

圖3 屋頂輪廓線提取流程

2.5 房屋信息統(tǒng)計(jì)和模型導(dǎo)出

樓層信息通過(guò)屋頂高度和研究區(qū)域內(nèi)平均樓層高度進(jìn)行估計(jì)；房屋總建筑面積通過(guò)屋頂?shù)钠矫嫱队懊娣e和樓層數(shù)計(jì)算得出。建筑面積計(jì)算如式(3)所示。

S=S1+S2+S3

(3)

式中：S1為不包含陽(yáng)臺(tái)和隔熱層的各樓層主體面積；S2為陽(yáng)臺(tái)面積；S3為高度超過(guò)2.2 m的隔熱層面積。房屋的二維模型為一組屋頂外圍輪廓的邊界多邊形，主要導(dǎo)出格式為Shapefile。三維模型為包含屋頂和墻面在內(nèi)的建筑模型，對(duì)于不可見(jiàn)的墻體，根據(jù)屋頂輪廓和樓高外推獲取，主要導(dǎo)出格式為DXF。

3 算法分析與試點(diǎn)研究

3.1 非建筑物點(diǎn)云濾波

圖4顯示了多屬性融合的非建筑物點(diǎn)云濾波方法與單波段閾值分割法、過(guò)綠指數(shù)植被濾波的效果對(duì)比。如圖4(a)所示，由于光照等因素影響，由傾斜攝影測(cè)量數(shù)據(jù)生成的點(diǎn)云存在陰影遮擋、植被顏色差異較大等問(wèn)題。圖4(b)為使用單波段閾值分割的結(jié)果，在利用單波段閾值分割進(jìn)行植被點(diǎn)去除時(shí)，由于方法僅依賴(lài)于單一信息對(duì)于陰影點(diǎn)無(wú)法去除，同時(shí)遺留大量噪聲。圖4(c)為具有修正的過(guò)綠指數(shù)法，該方法對(duì)比于以往過(guò)綠指數(shù)法增添了幾何校正，對(duì)于離散的判斷出錯(cuò)的植被點(diǎn)可以很好地去除，但是對(duì)于色差較大且密集成塊的植被點(diǎn)云濾波效果較差。多屬性融合的非建筑物點(diǎn)云濾波效果如圖4(d)所示，得益于方法考慮尺度與顏色信息，對(duì)比其他方法表現(xiàn)出了良好植被點(diǎn)濾波效果。并且對(duì)于在密集匹配過(guò)程中產(chǎn)生的與植被顏色差異較大的點(diǎn)，也能較好地檢測(cè)去除。但是，在經(jīng)過(guò)高程濾波的點(diǎn)云中除高大植被外可能還會(huì)存在樹(shù)干、電線、信號(hào)塔、太陽(yáng)能等處于高處的非建筑物點(diǎn)，本文方法雖然可以結(jié)合顏色與幾何信息進(jìn)行植被點(diǎn)去除，但在進(jìn)行其他非建筑物點(diǎn)去除時(shí)，只能單一依靠形態(tài)去除電線桿等線狀非建筑物點(diǎn)，如圖4(d)所示，本文方法對(duì)于太陽(yáng)能板、高大院墻等具有平面性質(zhì)的點(diǎn)無(wú)法有效去除。

圖4 植被點(diǎn)云去除實(shí)驗(yàn)

同時(shí)，進(jìn)行無(wú)監(jiān)督信息的點(diǎn)云濾波，濾波的結(jié)果決定于點(diǎn)云自身性質(zhì)。由于光照、遮擋物、點(diǎn)云密度不均勻、稀疏等問(wèn)題，直接從點(diǎn)云中獲取的顏色、局部信息并不完全可靠，雖然本文方法選用顏色與尺度信息結(jié)合的方式進(jìn)行分類(lèi)，降低了依靠單一信息錯(cuò)誤分類(lèi)的可能性，但在地物組成多、植被類(lèi)型多樣、房屋結(jié)構(gòu)復(fù)雜的地區(qū)仍無(wú)法保證分類(lèi)結(jié)果的準(zhǔn)確性。

3.2 建筑物信息提取

為了探究房屋信息提取方法在具有復(fù)雜結(jié)構(gòu)的房屋中的適用性，在由瑞士公司senseFly提供的瑞士測(cè)區(qū)傾斜攝影測(cè)量數(shù)據(jù)上進(jìn)行房屋信息提取。圖5(a)為該測(cè)區(qū)去除非建筑物點(diǎn)的部分點(diǎn)云；圖5(b)為在進(jìn)行平面探測(cè)、空間聚類(lèi)后的點(diǎn)云；圖5(c)為在多面型房屋輪廓提取方案下的房屋2D輪廓線。結(jié)果表明，對(duì)于確定的屋頂平面，本文方法可以較好地從中提取出輪廓信息，在屋頂平面缺失時(shí)也能很好地補(bǔ)全。但在建筑物分割時(shí)，由于存在兩棟房屋共用一墻的復(fù)雜房屋，單憑計(jì)算機(jī)無(wú)法準(zhǔn)確判斷其是否為同一棟房屋，故在空間聚類(lèi)時(shí)可能會(huì)出現(xiàn)錯(cuò)誤，對(duì)于此類(lèi)錯(cuò)誤需要人工考察，或了解當(dāng)?shù)亟ㄖ厣笞龀鋈斯Q斷。

圖5 建筑物屋頂輪廓提取

3.3 試點(diǎn)研究

在位于施廟村的試點(diǎn)研究中，共進(jìn)行兩輪調(diào)查，第一輪獲取房屋影像數(shù)據(jù)，第二輪進(jìn)行實(shí)地調(diào)研獲取房屋實(shí)際信息。在進(jìn)行數(shù)據(jù)處理時(shí)，據(jù)《房產(chǎn)測(cè)量規(guī)范》規(guī)定，在房屋面積測(cè)量時(shí)只統(tǒng)計(jì)總高度高于2.2 m的房屋，故本文將高程閾值設(shè)置為2.2 m。試點(diǎn)數(shù)據(jù)高程濾波結(jié)果如圖6(a)所示，濾波后場(chǎng)景的主要組成為建筑物點(diǎn)云與植被點(diǎn)云。圖6(b)顯示了植被點(diǎn)概率計(jì)算結(jié)果，紅色為高概率植被點(diǎn)。在進(jìn)行植被點(diǎn)云濾波后，場(chǎng)景中仍舊存在高大院墻，高大院墻在計(jì)算時(shí)容易被誤判為墻立面，故在實(shí)驗(yàn)時(shí)設(shè)定的一組平面組件中，其中一個(gè)平面擁有3個(gè)以上的相鄰平面，且至少有兩個(gè)平面的法向量的夾角與該平面的夾角在85°至90°之間，則認(rèn)為該平面為房屋立面。圖6(c)為建筑物平面分割結(jié)果，根據(jù)平面法向量方向的不同可將探測(cè)后的平面劃分為立面與屋頂。圖6(d)為從多源數(shù)據(jù)中提取的3種輪廓約束線。如圖6(e)所示，在提取出房屋輪廓后，可根據(jù)房屋輪廓信息進(jìn)行大規(guī)模三維建模，三維模型為包含屋頂和墻面在內(nèi)的建筑模型，對(duì)于不可見(jiàn)的墻體，根據(jù)屋頂輪廓和樓高外推獲取，主要導(dǎo)出格式為AutoCAD DXF。房屋的二維模型為一組屋頂外圍輪廓的邊界多邊形，將其與正射影像圖疊加輸出，主要導(dǎo)出格式為Shapefile，導(dǎo)出結(jié)果如圖6(f)所示。

圖6 施廟村試點(diǎn)房屋建筑信息提取

在此次施廟村房屋實(shí)地調(diào)研中一共提取出162幢房屋，與在實(shí)地調(diào)查中共調(diào)查到158幢房屋對(duì)比，其中有3幢房屋是由于兩次調(diào)查時(shí)間較久而新增的房屋，1幢房屋為實(shí)地測(cè)量漏檢房屋，故本文方法可以探測(cè)到該區(qū)域內(nèi)的所有房屋平面。但探測(cè)到的房屋之中存在房頂脫落、墻面倒塌等破壞房屋，自動(dòng)化方法無(wú)法精確捕捉，其中破壞房屋共有16幢。

為了對(duì)建筑物信息提取的效果進(jìn)行定量分析，對(duì)提取到的142幢完整房屋信息計(jì)算其平面投影面積信息，并與實(shí)地測(cè)量的房屋投影面積進(jìn)行對(duì)比，通過(guò)房屋在限差以?xún)?nèi)的房屋占比、平均面積計(jì)算精確率、召回率、優(yōu)質(zhì)率對(duì)方法進(jìn)行評(píng)估。同時(shí)與文獻(xiàn)[9]中提出的基于傾斜攝影測(cè)量的城市建筑物信息的方法對(duì)比。

其中，其限差E計(jì)算如式(4)所示。

(4)

式中：S為實(shí)地測(cè)量的真實(shí)房屋建筑面積。計(jì)算誤差在限差以?xún)?nèi)的房屋記為合格。具體評(píng)估結(jié)果如表3所示。

表3 房屋信息調(diào)查定量評(píng)估 %

表3表明，本文方法在試點(diǎn)房屋調(diào)查中平均精確率可達(dá)99.24%，房屋占地面積數(shù)據(jù)誤差在限差以?xún)?nèi)的房屋數(shù)量在總房屋數(shù)量中占比88.74%。圖7顯示了限差與誤差情況，部分房屋誤差遠(yuǎn)大于限差，為了分析產(chǎn)生原因，對(duì)誤差值較大的房屋進(jìn)行提取分析，發(fā)現(xiàn)誤差較大的房屋是由于隔熱層還有陽(yáng)臺(tái)的面積統(tǒng)計(jì)出錯(cuò)而引起的。在試點(diǎn)房屋中，部分陽(yáng)臺(tái)采用玻璃圍護(hù)，因此無(wú)人機(jī)相機(jī)無(wú)法充分捕捉其顏色和紋理屬性，造成點(diǎn)云信息缺失，無(wú)法提供充足的邊界重建信息，造成漏檢現(xiàn)象。

圖7 房屋占地建筑面積的誤差與限差分布

此外，高程濾波去除了低于2.2 m的點(diǎn)，對(duì)于鋪設(shè)隔熱層的低矮建筑，進(jìn)行濾波且去除非房屋點(diǎn)后信息缺損嚴(yán)重，無(wú)法精確提取，同時(shí)隔熱層阻擋了房屋立面信息獲取，造成了房屋主體面積計(jì)算誤差。在去除陽(yáng)臺(tái)與隔熱層的統(tǒng)計(jì)后，房屋合格率上升至91%，且房屋主體誤差超過(guò)限差的部分不超過(guò)1.5 m2。因此，本文方法在房屋信息計(jì)算方面是準(zhǔn)確有效的，具有一定的實(shí)用價(jià)值。

4 結(jié)束語(yǔ)

本文提出了一種基于無(wú)人機(jī)傾斜攝影測(cè)量數(shù)據(jù)的農(nóng)村房屋信息自動(dòng)化調(diào)查方案，該方法結(jié)合無(wú)人機(jī)傾斜攝影測(cè)量與自動(dòng)化成圖等技術(shù)，對(duì)農(nóng)村房屋進(jìn)行數(shù)據(jù)收集、輪廓提取和面積計(jì)算，實(shí)現(xiàn)了從原始航空影像到二維和三維模型的自動(dòng)輸出。與傳統(tǒng)的實(shí)地測(cè)量的農(nóng)村房屋信息調(diào)查方法和激光掃描的測(cè)量方法相比，基于影像的三維信息自動(dòng)化處理方法在時(shí)間和成本效益上取得了很大的提升。算法上，在進(jìn)行建筑物點(diǎn)云提取時(shí)，本文提出了一種多屬性融合的植被點(diǎn)去除方法，通過(guò)點(diǎn)的尺度與RGB信息結(jié)合快速高效地去除非房屋點(diǎn)云，利用基于點(diǎn)屬性的區(qū)域增長(zhǎng)算法，準(zhǔn)確地提取出房屋平面信息；在輪廓提取時(shí)，采用多線型融合最大限度還原屋頂輪廓，為三維精細(xì)重建與房屋信息計(jì)算提供良好基礎(chǔ)。實(shí)驗(yàn)成果上，提供AutoCAD、ArcGIS等軟件的數(shù)據(jù)格式，方便進(jìn)行數(shù)據(jù)處理和分析。