基于旋转差值核估计的激光雷达点云建筑物边缘提取 下载: 794次
1 引言
三维城市模型的应用越来越广泛,涉及到生产生活等各个领域。该模型的构建需要已知地物的精确几何结构,故从遥感数据中自动提取地物目标的几何形态成为研究热点之一。机载激光雷达(LiDAR)因能精确获取地面高程信息,在地物目标提取方面受到了广泛关注[1-3]。当今城市居民区内建筑物密度不断增大,并混有大量绿化树木,提取过程中建筑物之间、建筑物与树木之间的相互干扰,会使该类建筑物的提取非常困难,因此研究房屋密集居民区的建筑物提取具有重要意义[4]。
利用LiDAR提取建筑物的研究有很多,根据提取对象主要可分为三类:建筑物三维几何结构提取、建筑物数据点提取与建筑物边缘线提取。在现今大数据量、大尺度的点云数据中,建筑物边缘以较少的数据量就能充分反映区域内建筑物的平面结构信息,因而得到了广泛应用。
目前所利用的LiDAR数据类型主要包括原始点云数据、点云数据栅格化图像[5-7]及融合点云数据和光学影像等[8-10]。内插后的栅格化数据存在不可避免的信息损失,无法保证原点位信息的精确性[11-12];由于难以获取同一时相的点云数据和光学影像,且两类不同数据配准困难,后两类数据的应用范围有限。故针对原始点云数据的研究对工程实践有更重要的意义。目前,研究者已经提出了很多针对原始点云数据的建筑物边缘提取方法[13-15],主要包括基于不规则三角网的方法[16]、传统的基于聚类[17]与基于滤波[18]的方法,也有一些新型算法诸如图论[19]与随机几何[20-22]等。它们所面临的问题大都是无法直接提取任意形状的建筑物[23],通常都只能以直线来拟合边缘,但很多特殊建筑物是圆形或拱形等非规则形状,故上述方法无法满足任意形状的提取要求。而基于图论的方法是针对建筑物设计的,故可以较好地得到复杂建筑物的边缘数据点,但该方法未对树木的干扰进行合适的处理,这不仅会漏提建筑物与树木交界,也会错提出树木。而随机几何方法只能提取规则形状,且实现起来过于复杂,耗时较高,目前尚无法广泛应用到实践中。
针对上述问题,本文将旋转差值核估计(RDKE)[24-25]的基本思想应用到点云数据中。RDKE在规则离散的图像域中并不能实现,而在点云数据中不但可以实现,而且可以通过将均值与方差同时作为统计测度并调整所构建对称窗口的间距,克服绿化树木遮挡建筑物的问题,提取出具有任意形状且完整的建筑物边缘。
2 算法描述
设点云数据为
2.1 任意方向对称窗口
为计算数据点的高程均值及描述高程起伏程度的方差等统计量,需定义任意方向的对称窗口。即需要一个对点云中所有数据点具有普适性的单位距离来衡量对称窗口的尺度。因点云数据在地面投影所覆盖的区域相对较大,且包含的数据点较多,故可认为非规则分布的数据点在此区域内近似规则分布,即每个数据点在该区域内都占有一小块正方形区域[26]。因此,可定义近似平均点间距为
式中:
沿与水平线成
为使窗口内数据点能充分反映区域内高程的统计特征,需保证足够的样本容量,即窗口内数据点不能太少或为空,故应取
2.2 核函数
定义在数据点
式中(
2.3 特征点提取
定义表征不同类型地物的高程平均水平及其差异性的测度,并以此作为判据提取对应的特征点。
边缘点的两侧具有较大的高程差,而高程加权均值之差可定量描述这一特性。因此,对于某数据点
式中
图 2. 正好取得与没有取得MRDKE(xi,yi,θ*)时的对称窗口示意图
Fig. 2. Schematic of symmetric windows of MRDKE(xi,yi,θ*) obtained and not obtained
建筑物和其周围的地面都较为平坦,而树木高
图 3. 测试数据的LiDAR点云与光学影像。(a)测试数据的LiDAR点云;(b)测试数据的光学影像
Fig. 3. LiDAR point cloud data and optical image for test data. (a) LiDAR point cloud for test data; (b) optical image for test data
图 4. 测试点云数据中不同区域的数据点对应的对称窗口连线方向及MRDKE(xi,yi,θ*)和σi(θ*)大小。(a)连线方向与MRDKE(xi,yi,θ*)大小;(b)连线方向与σi(θ*)大小
Fig. 4. Directions of symmetrical window connection corresponding to the data points in different regions in the test LiDAR point cloud data and the magnitude of MRDKE(xi, yi, θ*) and σi(θ*). (a) Connection directions and the magnitude of MRDKE(xi, yi, θ*); (b) connection directions and the magnitude of σi(θ*)
低起伏较大,因此建筑物与地面交界处和树木边缘是有区别的,而高程方差之差可定量描述这一区别。对于数据点
式中
为提取树木点,需要准确定量地反映树木的起伏突变程度。但
设
为提取建筑物与地面的交界点,令
图 5. 数据点i和窗口的移动示意图。(a) θ*=0且l=2r时的对称窗口;(b)数据点i经过建筑物与地面交界
Fig. 5. Diagram of movement of data point i and windows. (a) Symmetric windows with θ*=0 and l=2r; (b) data point i through the boundary between building and ground
图 6. MRDKE(xi, yi, θ*)与σi(θ*)的变化趋势。(a) MRDKE(xi, yi, θ*);(b) σi(θ*)
Fig. 6. Change trend of MRDKE(xi, yi, θ*) and σi(θ*). (a) MRDKE(xi, yi, θ*); (b) σi(θ*)
图 7. 与图6中MRDKE(xi, yi, θ*)与σi(θ*)的变化趋势对应的整体点云示意图。(a)与图6(a)中宽度为2(l-r)且MRDKE(xi, yi, θ*)较大的一段红线相对应;(b1)与图6(b)中宽度为2(l-r)且σi(θ*)较小的一段红线相对应; (b2)与图6(b)中两个凸起的峰的顶端相对应
Fig. 7. Schematic of overall point cloud corresponding to the change trend of MRDKE(xi, yi, θ*) and σi(θ*) in Fig. 6. (a) Corresponding to a red line with a width of 2(l-r) and a larger MRDKE(xi, yi, θ*) in Fig. 6(a); (b1) corresponding to a red line with a width of 2(l-r) and a smaller σi(θ*) in Fig. 6(b); (b2) Corresponding to the top of the two raised peak in Fig. 6(b)
与
综上,建筑物与地面交界附近的点同时具有较大的
建筑物边缘由建筑物与地面交界和建筑物与树木交界组成,但上述操作无法识别建筑物与树木交界。故可先将树木点提取出来,并在原点云数据上进行滤除,再提取建筑物边缘。接下来进行树木点的提取。
当
因此,为提取完整的树木点,宽度调整为
图 8. 数据点i穿过树木的示意图及对应的σi(θ#)的变化趋势。(a)数据点i在树木处;(b)数据点i穿过树木;(c) σi(θ#)的变化趋势
Fig. 8. Diagrammatic sketch of data point i passing through the tree and the change trend of σi(θ#).(a) Data point i at tree; (b) data point i passing through tree; (c) change trend of σi(θ#)
图 9. 数据点i穿过建筑物与地面交界的示意图及穿过该交界时σi(θ#)的变化趋势。(a) θ*=0且l=r时的对称窗口;(b)数据点i经过建筑物与地面交界的过程示意图;(c)σi(θ#)的变化趋势
Fig. 9. Diagrammatic sketch of data point i through the boundary between building and ground and the corresponding change trend to σi(θ#). (a) Symmetric windows when θ*=0 and l=r; (b) schematic of the process of data point i through the boundary between building and ground; (c) change trend of σi(θ#)
然而,当
图 10. l=r时,不同区域的数据点对应的对称窗口连线方向及σi(θ#)大小
Fig. 10. Directions of symmetric window connection and magnitude of σi(θ#) corresponding to the data points in different regions when l=r
木区域的
为提取树木点,需将同时提取出的建筑物与地面的交界点删除。设利用
图 11. 阈值处理后的点集范围。(a) T1和T2;(b) T3
Fig. 11. Range of point sets after threshold procession. (a) T1 and T2; (b) T3
由于
式中:
2.4 建筑物边缘提取
图 12. 滤除树木的过程示意图。(a)树木点的三维显示;(b)树木点的二维显示;(c)高程直方图;(d)处理后的树木点二维显示
Fig. 12. Diagram of the process of filtering trees. (a) Three dimensional version of tree points; (b) two dimensional version of tree points; (c) elevation histogram; (d) two dimensional version of treated tree points
可以通过先验知识来人工选取阈值,也可通过下述方案来确定。由于建筑物边缘点和树木点等只占所有数据点的小部分,而绝大部分的数据点都位于平坦区域,故遍历点云后得到的
图 13. 测试数据的σi(θ*)与σi(θ#)的直方图与阈值。(a) σi(θ*)的直方图;(b)图13(a)的局部放大;(c) σi(θ#)的直方图;(d)图13(c)的局部放大
Fig. 13. Histograms and thresholds of σi(θ*) and σi(θ#). (a) Histogram of σi(θ*); (b) local magnification of Fig.13(a); (c) histogram of σi(θ#); (d) local magnification of Fig.13(c)
2.5 算法流程
为尽可能实现理论上的任意方向对称窗口,以Δ
S1 计算点云数据的近似点间距
S2 通过(4)~(8)式得到
S3 将每个数据点的
S4 将每个数据点的
S5 在
S6 对
设
综上,所提算法的复杂度为
3 实验结果与讨论
应用所提算法对测试数据进行提取,
图 14. 建筑物与地面交界的提取过程。(a) MRDKE(xi, yi, θ*)量级分布图;(b) MRDKE(xi, yi, θ*)及θ*所构成的矢量场;(c) σi(θ*)量级分布图;(d)σi(θ*)及θ*所构成的矢量场;(e)提取出的建筑物与地面交界
Fig. 14. Extraction process of the boundaries between buildings and ground. (a) Magnitude distribution of MRDKE(xi, yi, θ*); (b) vector field consisting of MRDKE(xi, yi, θ*) and θ*; (c) magnitude distribution of σi(θ*); (d) vector field consisting of σi(θ*) and θ*; (e) the extracted boundaries between buildings and ground
图 15. 树木及建筑物和地面交界的提取过程示意图。(a) σi(θ#)量级分布图;(b) σi(θ#)及θ#所构成的矢量场;(c)提取出的树木及建筑物和地面交界
Fig. 15. Schematic of the extraction process of trees and the boundaries between buildings and ground. (a) Magnitude distribution of σi(θ#); (b) vector field consisting of σi(θ#) and θ#; (c) trees and buildings and the boundaries between ground
为判断所提算法的准确性,以标准边缘点在算法提取出的边缘点中所占的比率作为定量评价标准,将以人为确定的边缘线为中心、半径为
图 16. 建筑物边缘的提取过程。(a)点集O;(b)点集Of;(c) Of的规则块划分;(d)点集Ph;(e)建筑物边缘
Fig. 16. Extraction process of building edges. (a) Point set O; (b) point set Of; (c) regular block partition of Of; (d) point set Ph; (e) building edges
表 1. 定量评价结果
Table 1. Quantitative evaluation results
|
为定量评价结果,可以看出,所提算法的平均提取率可达到80%左右。
为进一步验证所提算法的实用性和有效性,分别对
图 17. 居民区点云数据及其对应的光学影像。(a)~(d)点云数据;(a1)~(d1)与点云数据对应的光学影像
Fig. 17. Point cloud data of residential areas and corresponding optical images. (a)-(d) Point cloud data; (a1)-(d1) optical images corresponding to the point cloud data
为了进行定性评价,分别将所提算法与对比算法的提取结果叠加到原始点云数据上。
由
图 18. 第一个到第4个实验数据对应的A、B、Of、Ph。(a1)~(d1) A;(a2)~(d2) B;(a3)~(d3) Of;(a4)~(d4) Ph
Fig. 18. A、B、Of、Ph for first to fourth experimental data. (a1)-(d1) A; (a2)-(d2) B; (a3)-(d3) Of; (a4)-(d4) Ph
图 19. 所提算法的提取结果。(a)数据一;(b)数据二;(c)数据三;(d)数据四
Fig. 19. Extraction results based on proposed algorithm. (a) Data 1; (b) data 2; (c) data 3; (d) data 4
图 20. 对比算法的提取结果。(a1)~(d1) Terrasolid软件;(a2)~(d2)文献[ 19]中的方法;(a3)~(d3)文献[ 20]中的方法
Fig. 20. Extraction results based on compared methods. (a1)-(d1) Terrasolid software; (a2)-(d2) the method in Ref. [19]; (a3)-(d3) the method in Ref. [20]
图 21. 所提算法的叠加结果。(a)数据一;(b)数据二;(c)数据三;(d)数据四
Fig. 21. Superposition results of proposed algorithm. (a) Data 1; (b) data 2; (c) data 3; (d) data 4
图 22. 对比算法的叠加结果。(a1)~(d1)Terrasolid软件;(a2)~(d2)文献[ 19]中的方法;(a3)~(d3)文献[ 20]中的方法
Fig. 22. Superposition results of compared methods. (a1)-(d1) Terrasolid software; (a2)-(d2) the method in Ref. [19]; (a3)-(d3) the method in Ref. [20]
筑物,导致很多“漏洞”未被拟合,不适用于工程实践。
而由
4 结论
为克服建筑物边缘提取方法中无法检测任意形状建筑物边缘,且受树木遮挡使得检测不完整的问题,通过在点云数据中构建任意方向的对称窗口,将RDKE引入到点云数据中。通过将加权均值与方差同时作为统计测度,调整窗口间距,提取出树木点,并利用激光穿透树冠的特性,对树木点进行规则分块,完整地还原了点云中树木所处位置的地面高程信息,滤除了树木点,解决了树木阻挡建筑物导致的无法利用RDKE直接提取完整建筑物边缘的问题,提取出了任意几何形状的建筑物边缘。但所提算法提取的是建筑物边缘处的点集,并不是完全精确的单个边缘点,后续会进一步改进该问题。
[1] 麻晓敏, 陶宗明, 张璐璐, 等. 侧向散射激光雷达探测白天近地面气溶胶探测技术[J]. 光学学报, 2018, 38(4): 0401005.
[2] 程效军, 郭王, 李泉, 等. 基于强度与颜色信息的地面LiDAR点云联合分类方法[J]. 中国激光, 2017, 44(10): 1010007.
[3] 成中涛, 刘东, 刘崇, 等. 多纵模高光谱分辨率激光雷达研究[J]. 光学学报, 2017, 37(4): 0401001.
[4] 沈蔚, 李京, 陈云浩, 等. 基于LIDAR数据的建筑轮廓线提取及规则化算法研究[J]. 遥感学报, 2008, 12(5): 692-698.
[5] 孙颖, 张新长, 康停军, 等. 改进GAC模型在点云和影像自动提取建筑物边界中的应用[J]. 测绘学报, 2013, 42(3): 337-343,350.
[6] 乔纪纲, 刘小平, 张亦汉. 基于LiDAR高度纹理和神经网络的地物分类[J]. 遥感学报, 2011, 15(3): 539-553.
[7] 孙颖, 张新长, 罗国玮. 从机载激光雷达点云提取建筑物屋顶边界的活动轮廓模型改进方法[J]. 测绘学报, 2014, 43(6): 620-626, 636.
[8] Awrangjeb M, Zhang C S, Fraser C S. Building detection in complex scenes thorough effective separation of buildings from trees[J]. Photogrammetric Engineering & Remote Sensing, 2012, 78(7): 729-745.
[10] 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.
[11] 惠振阳, 程朋根, 官云兰, 等. 机载LiDAR点云滤波综述[J]. 激光与光电子学进展, 2018, 55(6): 060001.
[12] 黄田程, 陶邦一, 毛志华, 等. 基于多通道海洋激光雷达的海陆波形分类[J]. 中国激光, 2017, 44(6): 0610002.
[13] 罗胜, 姜挺, 江刚武, 等. 基于原始LiDAR点云TIN模型的建筑物自动提取[J]. 测绘通报, 2012( S1): 334- 337.
LuoS, JiangT, Jiang GW, et al. Automatic building extraction based on the TIN model for original LiDAR point cloud[J]. Bulletin of Surveying and Mapping, 2012( S1): 334- 337.
[14] Chen Y M, Cheng L, Li M C, et al. Multiscale grid method for detection and reconstruction of building roofs from airborne LiDAR data[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(10): 4081-4094.
[15] Cheng L, Zhao W, Han P, et al. Building region derivation from LiDAR data using a reversed iterative mathematic morphological algorithm[J]. Optics Communications, 2013, 286: 244-250.
[16] 曾齐红, 毛建华, 李先华, 等. 建筑物LiDAR点云的屋顶边界提取[J]. 武汉大学学报(信息科学版), 2009, 34(4): 383-386.
Zeng Q H, Mao J H, Li X H, et al. Building roof boundary extraction from LiDAR point cloud[J]. Geomatics and Information Science of Wuhan University, 2009, 34(4): 383-386.
[17] Vosselman G. Building reconstruction using planar faces in very high density height data[J]. International Archives of Photogrammetry and Remote Sensing, 1999, 32: 87-94.
[18] Awrangjeb M, Fraser C S. An automatic and threshold-free performance evaluation system for building extraction techniques from airborne LIDAR data[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(10): 4184-4198.
[19] 张婧一. 基于平面无向图的激光雷达点云复杂建筑物群边缘提取[D]. 阜新: 辽宁工程技术大学, 2015.
Zhang JY. Complex building edge extraction from LIDAR based on undirected plane graph[D]. Fuxin: Liaoning Technical University, 2015.
[20] Zhao Q H, Li Y, He X J. Building extraction from LIDAR point cloud data using marked point process[J]. Journal of the Indian Society of Remote Sensing, 2014, 42(3): 529-538.
[21] 徐文学, 杨必胜, 董震, 等. 标记点过程用于点云建筑物提取[J]. 武汉大学学报(信息科学版), 2014, 39(5): 520-525.
Xu W X, Yang B S, Dong Z, et al. Building extraction from point cloud using marked point process[J]. Geomatics and Information Science of Wuhan University, 2014, 39(5): 520-525.
[22] 徐文学, 杨必胜, 魏征, 等. 多标记点过程的LiDAR点云数据建筑物和树冠提取[J]. 测绘学报, 2013, 42(1): 51-58.
Xu W X, Yang B S, Wei Z, et al. Building and tree crown extraction from LiDAR point cloud data based on multi-marked point process[J]. Acta Geodaetica et Cartographica Sinica, 2013, 42(1): 51-58.
[23] 夏春林, 张婧一, 李玉. 利用非参数回归跳变检测模型提取LiDAR建筑边缘[J]. 测绘通报, 2014( 8): 17- 20.
Xia CL, Zhang JY, LiY. Building edge extraction from LiDAR based on jump detection in non-parameter regression model[J]. Bulletin of Surveying and Mapping, 2014( 8): 17- 20.
[24] Qiu P H, Yandell B. Jump detection in regression surfaces[J]. Journal of Computational and Graphical Statistics, 1997, 6(3): 332-354.
[25] Qiu PH. Image processing and jump regression analysis[M]. Hoboken: John Wiley & Sons, 2005.
[26] 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.
王岱良, 李玉. 基于旋转差值核估计的激光雷达点云建筑物边缘提取[J]. 中国激光, 2019, 46(1): 0104005. Wang Dailiang, Li Yu. Building Edge Extraction from LiDAR Point Cloud Based on Rotational Difference Kernel Estimation[J]. Chinese Journal of Lasers, 2019, 46(1): 0104005.