融合光谱特征和几何特征的建筑物提取算法 下载: 1200次
1 引言
机载LiDAR系统是一种新兴的主动传感器探测系统。LiDAR点云数据可以快速获取,不易受天气和时段的影响,能全天候24 h进行数据采集[1],常被应用到**学、地球科学和物理学等领域[2]。基于LiDAR点云数据的目标提取与分类研究对机载LiDAR系统的实际应用具有重要意义,是近年来的研究热点及重要课题之一。
张量投票[3]具有强大的显著性结构推理能力,已成功应用于图像处理、点云处理和计算机视觉等多个领域[4]。文献[ 4]探究了张量投票的二维解析方法。文献[ 5]采用张量投票机制对机载LiDAR点云数据进行坡度穿透率的投票,突出了建筑物与植被点云数据在空间分布上的差异,并通过阈值分类取得了机载LiDAR点云数据较好的建筑物提取效果。通过张量投票充分体现了点云数据之间的相邻性和相似性等特点,建筑物的提取精度较高。但是,文献[ 5]仅依靠机载LiDAR点云数据的建筑物提取方法,在邻域点云高程变化较小的茂盛树冠点处的错分率较大,提取精度较低。而融合航空影像数据与LiDAR点云数据的建筑物提取方法能够充分利用两种数据的优势,形成优势互补,提供更加准确的建筑物特征,如今已经成为研究的热点与发展趋势。文献[ 6]通过融合LiDAR点云数据与光谱信息实现了建筑物、树木、低矮植被和道路的分类提取。文献[ 7]利用点云强度信息对道路进行粗提取,再结合影像光谱信息对粗提取的点云进行优化,实现了无需精确配准的高精度道路提取。文献[ 8]将光谱信息作为特征向量进行聚类,利用高程信息提取建筑物轮廓,获得了较高的分类正确率和轮廓提取精度。
本研究在LiDAR点云数据高程信息的基础上,针对文献[ 5]中茂盛冠点的错分类问题,通过改进张量投票机制,提出了融合光谱特征和几何特征的建筑物提取算法,并采用提取的融合特征和随机森林算法对LiDAR点云进行分类,实现了较高精度的建筑物提取。
2 基本原理
本研究所提算法首先将原始LiDAR点云数据与光学航空影像数据进行配准,以获取点云数据对应的光谱信息,然后选取邻域范围内的点作为中心点的投票点,通过改进张量投票函数,计算LiDAR点云数据的融合特征,最后将样本点云数据高程值和投票函数值组成分类特征向量,利用随机森林的机器学习算法进行分类器训练,最后将测试数据的特征向量输入分类器,得到建筑物点云数据的提取结果,并对分类精度进行评价。算法的具体流程如
2.1 LiDAR点云光谱信息的提取
LiDAR点云数据与其同步获取的航空影像数据之间的配准是融合LiDAR点云数据点几何特征与航空影像数据光谱特征的重要步骤,LiDAR点云数据三维坐标点与图像行列坐标的对应关系需要通过相机坐标系进行转换[8]。相机坐标系(
式中
相机坐标系(
式中(
选取国际摄影测量与遥感学会(ISPRS)提供的Vaihingen数据集中包含Area2区域的航空影像文件10040083.jpg进行实验。文献[
9]阐述了数据的相关信息,获取航空影像数据时投影中心点
式中
相机的焦距为120.000 mm,像素尺寸
2.2 张量投票原理
在张量投票中,某一LiDAR点云数据点作为被投票点
投票强度的衰减函数体现了点之间的空间特征,投票值随点之间空间结构的变化而变化,其计算公式为
式中:
当树木点与建筑物相距很近时,树木点对建筑物点的投票信息就会产生错误,造成无法区分的现象,而建筑物点之间的法向量方向趋于一致,投票点与被投票点法向量的夹角越小,该点越有可能是建筑物点,反之则为植被点。基于法向量夹角的张量投票衰减函数[5]考虑了点云数据的相似性,修改后的张量投票的衰减函数为
式中:
文献[
5]选取坡度自适应穿透率
式中
因此,坡度自适应穿透率与点法向量的张量投票值
遍历所有LiDAR点云数据可计算得到所有点的空间几何特征张量投票值。
2.3 改进的张量投票机制
对于茂盛的植物,过密的树冠会导致LiDAR点云数据的穿透力较弱,出现与建筑物类似的点云分布特性,此时基于点云空间分布的张量投票特征无法有效区分该类植被点与建筑物点,从而出现错检现象。从光学航空影像植被与建筑物的光谱特征出发,对张量投票机制进行改进,融合点云数据的光谱特征能够对点云空间分布特征相近的植被点与建筑物点进行有效区分。
本研究将归一化差值植被指数(NDVI)作为建筑物检测的重要指标,用
式中
利用航空影像光谱特征对张量投票衰减函数进行修改:
式中:
因此,设被投票点张量投票值用
式中:
2.4 随机森林算法
随机森林[11](RF)是一种基于集成学习思想的算法,它的基本单元是决策树,其基本思想是在Bagging策略的基础上进行了修改,从样本集中用Bootstrap采样选出
通常,可以通过随机森林算法的分类结果对特征进行选择[12],也可进行分类特征重要性的评估[13]。文献[ 14]提出基于随机森林的封装式特征选择算法,采用序列后向选择和广义序列后向选择方法进行特征选择;文献[ 15]则通过随机森林算法,对LiDAR点云数据分类常用的20个特征的重要性进行正确评估,实现了针对不同场景下的特征自适应选择。研究对比了传统和改进张量投票特征的建筑物提取精度,由于LiDAR点云数据高程是建筑物点区别于其他数据点的重要特征,因此选择高程分别与改进前后的张量投票特征组成特征向量,进行随机森林算法分类器的训练及测试数据的分类,最后对分类结果的精度进行计算分析,并对特征重要性进行评估。具体步骤如下:
1) 导入原始LiDAR点云数据,包括训练数据与测试数据;
2) 计算LiDAR点云数据对应的航空影像行列坐标,获得其光谱信息;
3) 构建LiDAR点云数据的虚拟网格,网格大小为2 m×2 m;
4) 计算LiDAR点云数据的坡度穿透率投票值或改进的张量投票值;
5) 构成特征向量,传统张量投票算法为[
6) 设定随机森林参数,树木个数
7) 运用训练样本特征及数据集中标记好的标签进行随机森林分类器训练;
8) 采用训练好的分类器对测试样本进行分类,得到分类结果。
在随机森林算法点云数据建筑物提取与分类的实验中,仅在分类器训练时设置随机森林的决策树数目和选择特征数,与具体的测试样本无关。文献[ 4]的算法经过点云张量投票后,需要计算点云粗糙度、面积、边界,提取并设定相关阈值,以实现建筑物区域的精化。与之相比,本研究所提算法更便捷,自适应性更高。
3 算法仿真实验
实验主要分为两部分:传统张量投票机制的建筑物提取实验;通过改进张量投票机制,融合LiDAR点云数据几何特征与航空影像光谱特征的建筑物提取实验。最后对比融合前后的点云分类实验结果,对提取精度以及特征重要性进行评估。
3.1 实验环境和数据
基于MATLAB2014a实验平台,采用ISPRS提供的德国Vaihingen城市测试数据集中的Area2区域进行实验。文献[
16]对测试数据集的信息进行了详细介绍,Area2区域是高程较大的民用建筑物区域,建筑物周围有许多植被,包含丰富的地理环境、城区环境及建筑物类型,能够充分验证本算法。Vaihingen数据集中提供了航空影像数据以及与其对应的机载LiDAR点云数据,Area2区域数字航空影像为彩色红外图像,如
Vaihingen数据集提供的参考数据中已经对LiDAR点云数据的分类类别进行了标注,提取相关建筑物特征后,可以直接用随机森林算法训练分类器,对LiDAR点云测试数据进行分类,最终实现建筑物点的精确提取。
3.2 实验结果及分析
LiDAR点云数据的传统穿透率张量投票实验结果如
图 5. (a)传统的张量投票结果和(b)融合光谱特征的张量投票结果
Fig. 5. (a) Traditional tensor voting results and (b) tensor voting results of fusing spectral feature
运用随机森林算法对LiDAR点云数据进行分类,实验结果如
图 6. (a)传统张量投票的点云分类结果和(b)改进张量投票的点云分类结果
Fig. 6. Point cloud classification results of (a) traditional tensor voting and (b) improved tensor voting
实验对传统张量投票算法以及改进张量投票融合光谱特征算法的建筑物提取结果分别进行了目标级和像素级的准确度分析,采用Sithole等[17]提出的评价指标和文献[
18]中给出的提取质量的计算方法进行计算,结果如
表 1. 准确度分析
Table 1. Accuracy analysis
|
为了准确评估该算法的建筑物提取性能,将LiDAR点云数据的高程
从
4 结论
通过改进张量投票机制融合航空影像的光谱特征与点云几何特征,充分考虑了不同类别点云之间光谱特征的差异,弥补了仅使用几何特征进行提取的不足;通过随机森林算法实现了点云的自动准确分类;与定义分类规则的方法相比,本研究提出的算法需要设置的参数较少,提升了算法的自动化及自适应能力。通过对算法改进前后的实验结果进行定性及定量分析,证明了改进后的算法在建筑物提取准确度上有明显提升,以及航空影像中光谱信息在机载LiDAR点云数据分类中的重要性。研究成果对于融合多源传感器数据的目标检测研究具有积极意义,但是算法需要对数据进行训练,效率较低,下一步将重点研究如何提升建筑物提取算法的效率。
[1] 惠振阳, 胡友健. 基于LiDAR数字高程模型构建的数学形态学滤波方法综述[J]. 激光与光电子学进展, 2016, 53(8): 080001.
[2] 黄作维, 刘峰, 胡光伟. 基于多尺度虚拟格网的LiDAR点云数据滤波改进方法[J]. 光学学报, 2017, 37(8): 0828004.
[3] MordohaiP, MedioniG. Tensor voting: A perceptual organization approach to computer vision and machine learning[C]. Synthesis Lectures on Image Video & Multimedia Processing, 2006, 2( 1): 1- 136.
[4] 林洪彬, 邵艳川, 王伟. 二维解析张量投票算法研究[J]. 自动化学报, 2016, 42(3): 472-480.
Lin H B, Shao Y C, Wang W. The 2D analytical tensor voting algorithm[J]. Acta Automatica Sinica, 2016, 42(3): 472-480.
[5] 杨威, 万幼川, 何培培. 张量投票的机载LiDAR数据建筑物自动提取[J]. 测绘科学, 2016, 41(9): 7-10.
Yang W, Wan Y C, He P P. Automated detection of building region from airborne LiDAR data based on tensor voting[J]. Science of Surveying and Mapping, 2016, 41(9): 7-10.
[6] Zhan QM, Liang YB, WeiC, et al. Ground object recognitions using combined high resolution airborne images and DSM[C]. International Archives of the Photogrammetry, RemoteSensing and Spatial InformationSciences, 2012, XXXIX-B3: 573- 577.
[7] 曾妮红, 岳迎春, 黄迟. 融合机载雷达和航空正射影像的道路提取[J]. 测绘科学, 2016, 41(5): 96-99.
Zeng N H, Yue Y C, Huang C. Fusion of airborne LiDAR and aerial DOM for road extraction[J]. Science of Surveying and Mapping, 2016, 41(5): 96-99.
[8] 程效军, 程小龙, 胡敏捷, 等. 融合航空影像和LIDAR点云的建筑物探测及轮廓提取[J]. 中国激光, 2016, 43(5): 0514002.
[9] RottensteinerF, SohnG, JungJ, et al. The ISPRS benchmark on urban object classification and 3D building reconstruction[C]. ISPRS Annals of the Photogrammetry, RemoteSensing and Spatial InformationSciences, 2012, 1/2/3: 293- 298.
[10] 管海燕. LiDAR与影像结合的地物分类及房屋重建研究[D]. 武汉: 武汉大学, 2009: 85- 86.
Guan HY. Research on objects classification and simple buildings reconstruction based on digital images and LiDAR[D]. Wuhan: Wuhan University, 2009: 85- 86.
[11] Breiman L. Random forests[J]. Machine Learning, 2001, 45(1): 5-32.
[12] 孙杰, 赖祖龙. 利用随机森林的城区机载LiDAR数据特征选择与分类[J]. 武汉大学学报(信息科学版), 2014, 39(11): 1310-1313.
Sun J, Lai Z L. Airborne LiDAR feature selection for urban classification using random forests[J]. Geomatics and Information Science of Wuhan University, 2014, 39(11): 1310-1313.
[13] 李大威, 杨风暴, 王肖霞. 基于随机森林与D-S证据合成的多源遥感分类研究[J]. 激光与光电子学进展, 2016, 53(3): 031001.
[14] 姚登举, 杨静, 詹晓娟. 基于随机森林的特征选择算法[J]. 吉林大学学报(工学版), 2014, 44(1): 137-141.
Yao D J, Yang J, Zhan X J. Feature selection algorithm based on random forest[J]. Journal of Jilin University (Engineering and Technology Edition), 2014, 44(1): 137-141.
[15] 张爱武, 肖涛, 段乙好. 一种机载LiDAR点云分类的自适应特征选择方法[J]. 激光与光电子学进展, 2016, 53(8): 082802.
[18] NiemeyerJ, RottensteinerF, SoergelU. Conditional random fields for LIDAR point cloud classification in complex urban areas[C]. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2012, 1( 3): 263- 268.
Article Outline
何曼芸, 程英蕾, 廖湘江, 赵中阳. 融合光谱特征和几何特征的建筑物提取算法[J]. 激光与光电子学进展, 2018, 55(4): 042803. Manyun He, Yinglei Cheng, Xiangjiang Liao, Zhongyang Zhao. Building Extraction Algorithm by Fusing Spectral and Geometrical Features[J]. Laser & Optoelectronics Progress, 2018, 55(4): 042803.