基于线扫描数据的复杂环境下的河岸线提取
In recent years, with the rapid development of LiDAR, algorithms for point cloud edge extraction have been widely used in coastline extraction. Compared to coastline extraction, riparian line extraction has more significance; however, it often presents more challenges, especially when confronted with the task of extracting riparian lines in environments characterized by substantial elevation variations and dense tree cover. To address these problems, we propose an accurate extraction process for riparian lines in complex environments using a line-scanning laser point cloud. This approach enables precise riparian line extraction even in scenarios where the riverbank elevation varies significantly and the riverbank is obscured by tree canopies.
First, the original river point cloud data were preprocessed, and the number of points within a certain range was counted using the center point neighborhood and elevation information. The center points were then categorized into noise and riverbank points, and an initial representation of the riverbank was established using the breakpoint analysis method (Fig.2). Second, an adaptive threshold frame was generated. With the rough outline as the reference and the rough outline point as the center point of the threshold frame, elevation statistics were performed on the object elevation within the threshold frame. Concurrently, ground objects, such as tall trees, were selectively removed to refine the threshold frame (Fig.11). Finally, considering the smoothness characteristics of the riparian edge in real conditions, “defective” points were removed by the normal gradient constraint between adjacent edge points. This ensured the smoothness of the edge, and the remaining edge points were subsequently connected to form vector riparian lines. The detailed process for precisely extracting a riparian line in a complex environment is shown in Fig. 1.
Experiments were conducted on islets in the middle of a river and shorelines obscured by trees using the method described in this study and the mainstream contour tracing method, respectively. The shorelines extracted using the two methods were compared with real shorelines. The root mean square error (RMSE) of the calculated distances was used to qualitatively analyze the performance of the two methods. As shown in Table 1, the proposed method exhibit an approximately 24.6% lower RMSE compared to the contour tracing method, along with 30.2% more error-free matches. Moreover, it is evident from the statistical histogram of the error distribution that the errors of the proposed method are mainly concentrated within 0.3 m, with only a few points exceeding 1 m (Fig.16). Although the error of the contour line tracking method also achieved excellent results, it is significantly larger than that of the proposed method, with certain points exhibiting an error of approximately 1.5 m. For island and reef terrain, both methods demonstrate excellent capability in extracting the bank edge. However, when dealing with coastlines concealed by trees, the edge extracted by the proposed method is more closely aligned with the actual terrain (Fig.17). In summary, the proposed method outperforms the traditional contour tracing method in terms of extraction quality and error control, making it particularly well-suited for processing data in complex terrains.
Considering the complex environment of riverbanks, this study proposes an accurate extraction method for riparian lines using line-scanning laser point clouds in complex environments. The advantages of the method are as follows: (1) it utilizes scan line characteristics to identify breakpoints; (2) an adaptive threshold is employed to eliminate non-riparian point cloud data like shoreline canopy; (3) riparian point cloud data are further transformed into smooth, closed vector data using the normal gradient constraint method. The experimental results show that this method can effectively extract riparian lines in a complex environment. This proposed method holds promise in supporting critical tasks such as river surveys, river track detection, and riverbank soil and water loss monitoring.
1 引言
河岸线是指水陆交界的分界线。河岸线是动态的分界线,在丰水期、平水期、枯水期,水岸线的形状是不同的。关于河岸线不同时期状态的相关研究对于当地的生态环境保护具有重要意义。早期针对河岸线提取的方法多用于遥感领域,但激光点云技术凭借其精度高、速度快、可同时获取大量的点等特性,迅速成为该领域的重点研究对象[1]。激光点云数据量庞大,对数据处理技术提出了更高要求,进而推动了针对激光点云的去噪、分割、边缘提取等算法的开发与研究[2-5]。搭载在飞行器上的激光雷达可以在极高的视角下实现对地面信息的高精度、大范围获取,在地物边缘提取任务中得到了极为广泛的应用[6]。苗松等[7]针对扫描过程中存在的建筑物遮挡问题,提出了数据补充的方法,并采用该方法提取了被遮挡部分的边缘信息。陈华伟等[8]在特征线提取过程中引入图像处理的思想,提出了鲁棒性极强的基于曲率突变分析的特征线提取方法。高佳月等[9]提出一种基于局部边缘特征描述子的边缘检测算法,该算法在很大程度上解决了当前点云边缘检测算法由邻域半径设置造成的边缘提取结果不稳定的问题。王明军等[10]提出了一种基于自适应局部邻域特征点提取和匹配的点云配准方法,实现了特征点的高效提取。Wang等[11]搭建了边缘覆盖卷积神经网络(SC-CNN),该网络在获取点云数据边缘特征的同时实现了语义层面的分割。李维刚等[12]结合道路结构特征和点云回波强度信息提出了一种道路标线提取方法。
由于水体与岸上地物对电磁波的反射特性不同,激光点云在海岸线的提取中得到了广泛应用[13]。董保根等[14]先利用离散LiDAR点云数据构建约束三角网,然后结合样条函数内插实现了平滑海岸线的提取。于彩霞等[15]提出了基于点云栅格化的海岸线提取方法,该方法简洁高效地实现了海岸线的提取。后来,他们又在LiDAR数据的基础上[16],将潮水面作为阈值,实现了对海岸边点云数据的水陆分割,得到了可靠性更高的海岸线结果。刘森波等[17]利用等值线追踪法实现了海岛岸线的高精度、高效率、低成本提取,为海岸线提取方法的研究提供了新的思路。点云数据用于海岸线提取已经获得长足发展,但在进行河流岸线的提取时往往会存在诸多问题:① 河流所处的地形较为复杂,河岸的高程往往存在较大变化,从而使得经典的等值线追踪法很难得到优异的结果;② 海岸周围往往地物较为简单,但河岸周围茂密的树木会遮挡激光扫描仪对河岸线的扫描;③ 河岸线曲折蜿蜒,从所提取的点云中还原真实的河岸走向存在困难,获取的河岸线点云数据在后续应用中也较为不便。笔者通过分析复杂环境下河岸点云的特征,提出了一种基于线扫描激光点云的复杂环境下河岸线提取框架。然后,从点云数据预处理、边缘提取等方面入手,提出了自适应动态阈值方法,并采用该方法将树冠与河岸区分开来,避免了其干扰河岸线的提取。之后结合法线方向渐变约束方法,实现了所提取的精确河岸点云的矢量化,为后续研究和应用提供了支持。
2 河岸线提取方法
河道边缘环境复杂,存在灌木、树林、水草等多种地物,这些地物会对河岸线的精准提取带来一定干扰。尤其是高大的树木,其树冠延伸到水面,遮挡了三维激光扫描对河岸数据的获取。因此,亟须设计出一种合理完善的解决方法,用于实现树木遮挡情况下河流岸线的准确提取。本文提出了如
2.1 断点分析法获取河岸粗略轮廓
由于激光雷达在水面的反射特性不同于地面,无法采集水面的点云位置信息,所以横跨河流的扫描线会出现断点。根据这一特性,可以针对每条扫描线进行单独处理:先设定一个阈值T,在每条扫描线上,如果相邻两点之间的距离大于阈值T,则认为相邻点之间的部分是没有采集到数据的河流部分。示意图如
2.2 动态阈值法去除干扰数据
为了动态地去除覆盖在河岸线上的干扰点云,笔者设计了一种基于局部邻域高程信息的自适应动态阈值修正方法。
在提取河岸线的过程中,虽然存在岸边树木的干扰,但树冠所覆盖的面积是有限的,真实的河岸边缘与所提取的河岸边缘相距不远,因此可以在所提取河岸的局部邻域内寻找真实的河岸点。该方法的核心思想是:逐个遍历所提取的河岸点,以此为中心点,以预先设定的阈值
式中:
若河岸附近存在较高的树木,则局部邻域内点云的高程应近似服从双峰分布(河岸与树冠处点云密集)。此时可通过最大类间方差法(OTSU,大津法)计算阈值,以实现对双峰数据的分割。若存在阈值
此时类间方差为
其中,
式中:
所得类间方差
进而得到河岸点的高程范围,之后在局部邻域保留河岸点云数据,从而排除河岸边缘树木的遮挡对边缘提取产生的干扰。
2.3 法向渐变约束实现河岸线矢量化
边缘提取的结果为边缘的离散点云数据,所提取的结果在后续应用中的作用十分有限,目前大部分的边缘提取研究也止步于此。为了能将所提取的数据广泛应用于其他相关工作中,需要进一步将所提取的离散点云数据转换成矢量要素,这是一项意义重大的工作。
树木、灌木等具有一定高度的植被被去除后,可以再次根据线扫描特性提取断点,但是基于欧氏距离最小的连接原则提取的河岸线往往边缘不平滑,存在较多的“毛刺”现象,如
法向夹角计算示意如
计算相邻两点之间的法向,采用2.2节中的窗口,以已连接的点为中心,以窗口范围内的边缘点为候选点,分别计算中心点与后续候选点之间的法向夹角
法向渐变约束不仅可用于平滑点云边缘轮廓,还可用于追踪点云并连线,从而还原真实的岸线。通过计算中心点与候选点的法向夹角θ,连接法向夹角最小的两点,可以判断相邻点是否为可靠点。若夹角为最小角,相邻点就是可靠点,则保留并连接;若夹角不是最小角,则顺延至下一个点,直至组织完所有边缘点,如
3 实验分析
为了验证本文所提方法的有效性,采用智喙PM-1500机载激光测量系统进行实验。测试区域位于安徽省宣城市某河域,河岸两侧有高树、灌木以及电线,这些地物会对真实河岸的提取造成较大影响。
3.1 测试区域河岸线的提取
3.1.1 河岸线粗提取
自然环境下的河流附近常常有滩涂,而越靠近水的滩涂部分的点云信息越零碎。在边缘提取的过程中,零碎的点云信息将影响边缘提取的准确性。因此,基于邻域信息进行去噪,以减小滩涂对边缘的影响。去噪时选取的点云数量的阈值为100,即统计距某点云 1 m以内的点云数量,如果大于100个,则判定该点云为有效点;如果小于100,则认定该点云是孤立点。如
由于树叶晃动,树叶部分的点云信息会存在大量噪声点,这部分噪声信息将对后期河岸地物的高程统计产生影响。因此可以通过分析单个点云高程范围内点的数量来判断该点是否为高处噪声点或高程异常点。
依据线扫描的特性,提取每根扫描线中的断点,得到了河岸的大致轮廓,如
3.1.2 自适应动态阈值修正
河岸周边的地势大多相对一致,如
但仅仅去除岸线轮廓上的高点会导致岸线点不连续,这会影响后续的连线。因此可以使用当地树木直径的统计值划定相应的缓冲区,对缓冲区内地物的高程进行统计,再去除高点部分。然而,单纯去除高点的方法仅适用于地势相对平缓的平原地区,在某些高原地区或者上游与下游地势相差较大的河流则不适用,在进行高程统计时地势较高地方的地面点与地势较低处树木点的高程可能一样。
为了解决上述问题,笔者提出了一种自适应动态阈值修正方法。该方法的具体步骤为:先划定一个窗口,窗口大小略大于当地树冠直径的统计值,以此保证窗口内即便充满树木也能包含部分地面;然后,统计窗口内地物的高程值,根据不同的高程分布采用适合的阈值范围。如
在高程直方图中,一般会出现两种情况。
第一种情况,窗口内的点云为地面点,此时直方图如
图 13. 高程直方图。(a)单峰高程直方图;(b)双峰高程直方图
Fig. 13. Elevation histogram. (a) Single-peak elevation histogram; (b) bimodal elevation histogram
第二种情况,窗口内的点云既有河岸点又有高程较高的树冠。由于提前确定窗口尺寸大于树冠尺寸,因此便会出现双峰情况,如
3.1.3 法向渐变约束
去除高大的树木后,原本树木的位置会不可避免地出现缺口,这不利于矢量轮廓边界的组织。因此,使用法线渐变约束法来连接零星岸线,从而剔除岸上点的干扰。凹进去的点云是去除高大树木后形成的错误岸点。为了使岸线贴合实际情况,计算相邻点之间的法向夹角,并判断其是否在合理阈值内,以此来确认其是否为可靠点,如
图 14. 法向渐变约束结果。(a)法向渐变约束理论;(b)栅格图下的真实岸线;(c)CloudCompare软件中的真实岸线点
Fig. 14. Normal gradient constraint result. (a) Normal gradient constraint theory; (b) real shoreline under raster diagram; (c) real shoreline points in CloudCompare software
将提取的岸线附红,并在栅格图中展示,如
本文方法除了可以提取河岸线以外,对岸上周围有树木环绕的闭合水体也有效。
3.2 本文方法与其他方法所得结果的比较与分析
3.2.1 与影像法叠加分析
图 15. 岸线与影像重叠图。(a)河流岸线图;(b)江心洲岸线图;(c)提取的岸线与实际岸线重叠图
Fig. 15. Overlay of shoreline and imagery. (a) River shoreline map; (b) central island shoreline map;(c)overlapped map of extractive shoreline and actual shoreline
3.2.2 方法对比与分析
当前提取岸线的主流方法是等值线追踪法[18]。为了直观地对比本文方法与等值线追踪法,分别选取河流中间的小岛和树木遮挡的岸线两种典型区域作为实验对象。首先在ArcGIS中手动提取1004个河岸边缘作为真实岸线,然后依次使用等值线追踪法和本文方法提取该河流小岛的岸线。将两种方法提取的岸线与真实岸线进行对比,计算距离的均方根误差,以此来定性分析两种方法的性能。如
图 16. 河道边缘提取误差分布统计直方图。(a)等值线追踪法;(b)本文方法
Fig. 16. Statistical histogram of error distribution extracted from the river edge. (a) Contour tracking method; (b) our method
如
表 1. 河道边缘提取误差分析表
Table 1. River edge extraction error analysis table
|
综上所述,本文方法在误差控制上要优于等值线追踪法。针对边缘提取结果,选取了具有代表性的两处地形来进行实验,分别是岛礁和河岸。将所提取的河岸边缘与真实点云数据进行对比,结果如
图 17. 本文方法与等值线追踪法在不同环境下的提取结果对比。(a)等值线法对江心洲的提取结果;(b)本文方法对江心洲的提取结果;(c)等值线法对河岸的提取结果;(d)本文方法对河岸的提取结果
Fig. 17. Extraction results comparison of our method and contour tracking method in different environments. (a) Extraction result of central island by contour tracking method; (b) extraction result of central island by our method; (c) extraction result of river bank by contour tracking method; (d) extraction result of river bank by our method
从
综上所述,本文所提方法在提取效果上要优于经典的等值线追踪法,更适合处理复杂地形。
4 结论
河流岸线具有形状曲折、易被岸边树木遮盖等特点,给传统的基于激光点云的边缘提取方法带来了诸多困难。本文提出了基于线扫描激光点云的复杂环境下河岸线的精确提取方法。所提方法的优点为:① 利用扫描线特点提取扫描线断点;② 通过自适应调整高程阈值,使得实时变动的阈值能够有效去除岸边树冠等非河岸点云数据;③ 考虑到法向一致性约束的河岸线滤波,利用法向渐变约束进一步将河岸点云数据转化成平滑、封闭的矢量数据。
实验证明本文方法可以有效地提取出复杂环境下的河岸线,同时该方法也可在河流调查、河道轨迹检测、河岸水土流失监测等重要任务中提供技术支持。
[1] 李勇, 佟国峰, 杨景超, 等. 三维点云场景数据获取及其场景理解关键技术综述[J]. 激光与光电子学进展, 2019, 56(4): 040002.
[2] 何东健, 邵小宁, 王丹, 等. Kinect获取植物三维点云数据的去噪方法[J]. 农业机械学报, 2016, 47(1): 331-336.
He D J, Shao X N, Wang D, et al. Denoising method of 3-D point cloud data of plants obtained by Kinect[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(1): 331-336.
[3] 徐鹏. 海量三维点云数据的组织与可视化研究[D]. 南京: 南京师范大学, 2013: 1-16.
XuP. Research on organization and visualization of massive 3D point cloud data[D]. Nanjing: Nanjing Normal University, 2013: 1-16.
[4] 庞勇, 赵峰, 李增元, 等. 机载激光雷达平均树高提取研究[J]. 遥感学报, 2008, 12(1): 152-158.
Pang Y, Zhao F, Li Z Y, et al. Forest height inversion using airborne lidar technology[J]. Journal of Remote Sensing, 2008, 12(1): 152-158.
[5] 赵煦. 基于地面激光扫描点云数据的三维重建方法研究[D]. 武汉: 武汉大学, 2010: 35-62.
ZhaoX. Research on 3D reconstruction method based on ground laser scanning point cloud data[D]. Wuhan: Wuhan University, 2010: 35-62.
[6] WangG F, LiZ, YanJ Y, et al. Application of multi-platform LiDAR in the construction of slow traffic system[C]∥2022 3rd International Conference on Geology, Mapping and Remote Sensing (ICGMRS), April 22-24, 2022, Zhoushan, China. New York: IEEE Press, 2022: 408-411.
[7] 苗松, 王建军, 李云龙, 等. 基于建筑物激光点云边缘线自动提取提高DSM精度[J]. 激光与光电子学进展, 2018, 55(1): 012803.
[8] 陈华伟, 袁小翠, 吴禄慎, 等. 基于曲率突变分析的点云特征线自动提取[J]. 光学 精密工程, 2019, 27(5): 1218-1228.
[9] 高佳月, 许宏丽, 邵凯亮, 等. 基于局部边缘特征描述子的自适应边缘检测算法[J]. 中国激光, 2020, 47(6): 0604003.
[10] 王明军, 易芳, 李乐, 等. 自适应局部邻域特征点提取和匹配的点云配准[J]. 红外与激光工程, 2022, 51(5): 20210342.
[11] Wang C S, Ning X, Sun L J, et al. Learning discriminative features by covering local geometric space for point cloud analysis[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022, 60: 5703215.
[12] 李维刚, 樊响, 梅洋, 等. 基于车载激光点云的道路标线提取方法[J]. 中国激光, 2022, 49(7): 0710001.
[13] 姜怀刚. 基于LiDAR的海岸线提取及性质识别技术[D]. 郑州: 战略支援部队信息工程大学, 2020: 13-20.
JiangH G. Coastline extraction and property identification technology based on LiDAR[D]. Zhengzhou: Information Engineering University, 2020: 13-20.
[14] 董保根, 张良, 张钢, 等. 利用LiDAR点云提取有地形约束的光滑海岸线[J]. 测绘科学技术学报, 2012, 29(2): 113-117.
Dong B G, Zhang L, Zhang G, et al. Smooth shoreline extraction with topographic constraints using LiDAR point clouds[J]. Journal of Geomatics Science and Technology, 2012, 29(2): 113-117.
[15] 于彩霞, 王家耀, 暴景阳, 等. 一种基于LiDAR点云栅格化的海岸线提取方法[J]. 测绘科学技术学报, 2015, 32(2): 187-191.
Yu C X, Wang J Y, Bao J Y, et al. A binary image optimization method of extracting coastline based on LiDAR data[J]. Journal of Geomatics Science and Technology, 2015, 32(2): 187-191.
[16] 于彩霞, 王家耀, 黄文骞, 等. 基于LiDAR点云提取海岸线的二值图像化改进方法[J]. 武汉大学学报(信息科学版), 2017, 42(7): 897-903.
Yu C X, Wang J Y, Huang W Q, et al. An improved binary image method of extracting shoreline based on LiDAR data[J]. Geomatics and Information Science of Wuhan University, 2017, 42(7): 897-903.
[17] 刘森波, 林旭波, 杨龙, 等. 基于无人机影像密集匹配点云的海岛岸线提取方法研究[J]. 海洋湖沼通报, 2020(5): 26-31.
Liu S B, Lin X B, Yang L, et al. Research on island shoreline extraction method based on UAV image dense matching point cloud[J]. Transactions of Oceanology and Limnology, 2020(5): 26-31.
[18] Robertson W V, Whitman D, Zhang K Q, et al. Mapping shoreline position using airborne laser altimetry[J]. Journal of Coastal Research, 2004, 20(3): 884-892.
Article Outline
朱岑岑, 李嘉, 蓝秋萍, 王旭, 陈焱明. 基于线扫描数据的复杂环境下的河岸线提取[J]. 中国激光, 2023, 50(23): 2309001. Cencen Zhu, Jia Li, Qiuping Lan, Xu Wang, Yanming Chen. Riparian Line Extraction in Complex Environment Based on Line Scanning Data[J]. Chinese Journal of Lasers, 2023, 50(23): 2309001.