楊 耘,隋立春

(長安大學地質(zhì)工程與測繪學院,陜西西安 710054)

面向?qū)ο蟮腖 iDAR數(shù)據(jù)多特征融合分類

楊 耘,隋立春

(長安大學地質(zhì)工程與測繪學院,陜西西安 710054)

針對單源遙感數(shù)據(jù)分類精度不高的問題,提出一種基于多特征融合的面向?qū)ο蠓诸惙椒?。該方法利用LiDAR點云數(shù)據(jù)的高程信息,并融合地物粗糙度特征,以及航空影像的地物光譜、形狀和上下文信息等多種特征,再基于 SVM分類器構建面向?qū)ο蟮姆诸惙椒?以提高城區(qū)環(huán)境下遙感數(shù)據(jù)分類的可靠性。試驗表明,該方法可有效地提高城區(qū)地物的分類精度,且分類結果更符合人的視覺認知規(guī)律。

航空激光雷達;面向?qū)ο蠓诸?數(shù)字高程模型;粗糙度;多特征融合;支持向量機

一、引 言

運用多傳感器集成技術進行土地利用/覆蓋分類是國土資源調(diào)查、環(huán)境監(jiān)測、城市規(guī)劃等領域的研究熱點。而利用航空激光雷達(LiDAR)數(shù)據(jù)輔助高分辨率影像進行土地利用/覆蓋狀況分類是一個非常有效的途徑。近幾年,國內(nèi)外學者針對不同問題,已開展了很多相關研究。其中,文獻[1]研究了融合高分辨率影像與 L iDAR點云數(shù)據(jù)提取城區(qū)建筑物的方法;文獻[2]針對機場安全問題,綜合利用真彩色和彩紅外航空影像,以及LiDAR點云數(shù)據(jù)自動提取機場的建筑物等障礙物。張小紅等[3-4]也開展了LiDAR技術的理論與工程應用研究,取得了諸多研究成果。這些研究表明,LiDAR技術能快速準確地獲取地物高程信息,而高空間分辨率的遙感影像(如 SPOT5、IKONOS、QuickBird影像等)具有高幾何分辨率和豐富的光譜信息,兩者優(yōu)勢互補,對土地利用/覆蓋狀況分類的精度有很大提高。另外, LiDAR點云數(shù)據(jù)除可以提取地物高程信息之外,還可導出地物強度、粗糙度、坡度等更多的衍生特征,將這些特征有機集成,同時充分利用影像數(shù)據(jù)中地物的光譜、幾何、上下文特征,可以大大降低地物分類的不確定性,提高分類精度。

而對于如 Geoeye、IKONOS、QuichBird等高空間分辨率遙感影像,面向?qū)ο蟮姆诸愂且活惙浅Ｓ行У姆椒?。此?支持向量機 (SVM)分類器[5]在高分辨率影像分類中得到了應用,不少研究[6]已表明,SVM分類器比其他同類分類器表現(xiàn)出更佳的分類性能。

目前,國內(nèi) LiDAR數(shù)據(jù)的獲取成本較高,有時難以同時獲取同一地區(qū)的影像數(shù)據(jù)及點云數(shù)據(jù)。另一方面,隨著城市化進程的加快,利用 LiDAR技術快速準確地進行城區(qū)地物信息的提取對城市規(guī)劃等應用有著非常重要的作用。在此背景下,本文提出了利用 LiDAR點云數(shù)據(jù)以及同時獲取的航空影像,基于多源特征融合的思想,構建了一種基于SVM分類器的面向?qū)ο蟮姆诸惙椒?、技術,以緩解單一數(shù)據(jù)源情況下遙感數(shù)據(jù)分類的不確定性,提高城區(qū)土地利用/覆蓋分類精度。

二、面向?qū)ο蟮腖 iDAR數(shù)據(jù)分類

本文方法的技術流程圖如圖 1所示。

圖1 本文方法技術流程圖

具體細節(jié)如下：

1.點云數(shù)據(jù)的特征提取

LiDAR離散點云數(shù)據(jù)經(jīng)過濾波處理后,濾除噪聲和房屋、樹等高出地形表面的非地面點云,保留地面點,并經(jīng)過高程內(nèi)插,便可以獲取高精度的數(shù)字高程模型(DEM)。因此,濾波算法的好壞對DEM精度有很大影響。

基于不同的原理及假設,國內(nèi)外學者先后提出了很多種點云濾波的方法[5]。根據(jù)研究區(qū)域的地形及地物特點,本文采用迭代多項式擬合濾波方法(iterative polynomial fitting filter),該方法不是直接濾除非地面點來達到分離地面點與非地面點的目的,而是從原始點云數(shù)據(jù)中直接迭代地識別地面點。

對濾波后的點云,需要對空洞區(qū)進行高程內(nèi)插得到DEM。但是,DEM包含了地形起伏的信息,無法直接反映地物的高度信息。因此,本文采用歸一化數(shù)字表面模型 (nDS M),即由數(shù)字表面模型(DS M)與DEM進行代數(shù)差運算后得到的數(shù)據(jù) (即DS M-DEM),這樣 nDS M可直接反映地物的高度信息,大大緩解了地形起伏的影響。這種處理更適于地形起伏變化劇烈的地物覆蓋區(qū)。

為了后續(xù)的分類處理,必須將DEM、DS M以及nDS M與航空影像進行配準,從而將多數(shù)據(jù)源的空間位置相互關聯(lián)。本文采用了二次多項式法利用測區(qū)已有的控制點進行配準,配準后航空影像的空間分辨率重采樣到 1 m。

由LiDAR點云數(shù)據(jù)可以提取 nDS M這一特征,能夠提取不同高度的建筑物及樹,但仍難以鑒別高度相近、但粗糙度不同的房屋與樹,通常情況下,樹比房屋、地面等平坦地物更粗糙。因此,本文還提取了粗糙度特征(粗糙度用每個格網(wǎng)內(nèi)所有高程點的標準偏差大小來描述),以提高房屋與樹的識別能力。

2.面向?qū)ο蟮亩嗵卣魅诤戏诸?/p>

由于L iDAR可以提取高分辨率的DE M數(shù)據(jù),因此其衍生特征均具有高分辨特性。而航空影像的光譜信息有限,但空間信息豐富,同時蘊含著地物的尺寸、形狀及上下文關系等特征,若能將上述特征充分加以綜合利用,則可以改善分類精度。因此,本文將nDS M與粗糙度這兩個點云數(shù)據(jù)的衍生特征與航空影像形成多維矢量數(shù)據(jù),采用了基于分割后再分類的面向?qū)ο蟮姆诸惣夹g,實現(xiàn)特征空間的類別劃分。

面向?qū)ο蟮姆诸惙椒ㄖ?分類是以分割為基礎,即先將圖像劃分成多個同質(zhì)區(qū)域?qū)ο?然后以對象為分類單元再進行分類。因此,地物的光譜、高度、紋理、尺寸、形狀及相鄰地物間的關系都得到很好地反映及利用,從而克服了傳統(tǒng)的基于像素分類方法中無法對相同語義特征的像素集合進行識別的不足。而對于高分辨率影像而言,單一像素分類毫無意義。因此,面向?qū)ο蟮姆诸愃枷胧沟梅诸惤Y果更符合人的視覺認知規(guī)律。

而 SVM分類器無須特征空間正態(tài)分布的假設,且核函數(shù)空間的映射更適合多維的空間特征輸入,模型復雜度與輸入特征維數(shù)無關,這使得輸入特征可以多元化,從而核函數(shù)將輸入特征映射到高維空間可能產(chǎn)生原始數(shù)據(jù)所不具備的新特征。

基于以上考慮,本文采用了 eCognition軟件包中的多分辨率分割方法,取得某一合適尺度下的分割結果。然后利用 SVM分類器進行分類,分類原理參見文獻[1-2]。并將這種基于分割的 SVM分類視為一種面向?qū)ο蟮姆诸惣夹g,從而將基于像素的 SVM分類提升到基于對象的分類。

三、試驗分析

為了驗證本文方法的有效性,我們以 2007年Leica ALS 40獲取的中國某地的L iDAR點云及真彩色航空影像作為測試數(shù)據(jù),選取了其中的兩個場景。

1.試驗一

圖 2(a)為航空影像數(shù)據(jù),圖 2(b)為原始 Li-DAR點云數(shù)據(jù)的 3D渲染圖。圖 2(b)所示研究區(qū)域中,LiDAR點云個數(shù)為 101 933,點云密度平均為1個 /m2。該區(qū)域為城區(qū)。

圖 2 試驗數(shù)據(jù)、提取的特征及分類結果比較

圖 2(c)、(d)、(f)所示的是濾波后點云、nDS M以及粗糙度特征。從圖 2中可以看出,(b)能夠更清楚地描述地物的高度信息,(c)反映了地物的粗糙程度,有助于識別相近高度但不同粗糙度的地物,如房屋與樹。

從圖 2(f)可以看出,采用 SVM分類方法對單源航空影像的分類結果表明：由于高空間分辨率影像中光譜異質(zhì)現(xiàn)象極其嚴重,細部特征明顯等特點,會出現(xiàn)“椒鹽式分類”現(xiàn)象,如房屋、樹等主要地物類型中出現(xiàn)許多離散的、不連續(xù)的小區(qū)域,不利于矢量化,需要費時的人工后處理。

而圖 2(g)表明：當融合了地物的高度信息和粗糙度特征后,大大降低了圖 2(f)中建筑物、樹這兩類地物的錯分現(xiàn)象;當采用了面向?qū)ο蟮姆诸惙椒ê?大大緩解了分類“噪聲”,使分類結果更符合人的視覺認知規(guī)律。

分析原因如下：從特征選擇的角度來分析,SVM分類器對單一數(shù)據(jù)源的航空影像分類,由于沒有融合地物的高程、粗糙度特征而會導致城區(qū)房屋這類光譜異質(zhì)極其嚴重的地物仍會出現(xiàn)混分現(xiàn)象;從分類方法的角度來分析,盡管在樣本選取合適的情況下,SVM分類器對光譜異質(zhì)現(xiàn)象有一定的魯棒性,但是,SVM這類分類器本質(zhì)上仍是以單個像元為單元,沒有充分利用影像的幾何、空間信息,仍無法完全避免光譜異質(zhì)及細節(jié)的影響。而本文的面向?qū)ο蠓诸惙椒梢杂行Ы鉀Q這一問題。

2.試驗二

圖 3(a)、(b)所示場景中,L iDAR點云個數(shù)為518 089,有一定程度的地形起伏。

圖 3 試驗數(shù)據(jù)、提取的特征及分類結果比較

從圖 3所示的試驗結果 (圖例與圖 2相同),我們可以得出與圖 2相同的結論。

為了定量評價本文方法的性能,本文通過對高空間分辨率航空影像的目視識別方式進行研究,確定了測試區(qū)的參考樣本。對試驗中測試數(shù)據(jù),分別對單源航空影像以及融合了點云數(shù)據(jù)的航空影像依次采用 SVM分類法,以及本文所提出的面向?qū)ο蟮姆诸惙ㄟM行分類結果對比。結果表明：通常情況下,本文分類方法的總分類精度比單源航空影像的SVM分類結果高出 3%～7%(這取決于樣本選取的好壞及分割尺度選取的優(yōu)劣),表明本文建議的分類方法的確有利于分類精度的提高。

此外,對面向?qū)ο蟮姆诸惙椒▉碚f,分類結果的優(yōu)劣在很大程度上取決于分割尺度。因此,最佳分割尺度的選擇對分類結果有很大影響。

四、結束語

本文利用LiDAR點云數(shù)據(jù)和航空影像,融合兩種數(shù)據(jù)源的多個特征,基于 SVM分類器構建了一種面向?qū)ο蟮姆诸惙椒?以降低單一數(shù)據(jù)源地物分類中的不確定性。其中,利用L iDAR點云數(shù)據(jù)衍生的地物高度特征以及粗糙度特征,并與航空影像數(shù)據(jù)特征有機融合,采用面向?qū)ο蟮姆诸惣夹g對該多維特征進行地物類別劃分。這種方法充分利用了地物的光譜、紋理、高程、幾何、上下文信息等多個特征,有效降低了分類的不確定性,提高了分類精度,也為分類結果向 GIS數(shù)據(jù)轉(zhuǎn)化提供了便利。

[1] SOHN G,DOWMAN I.Data Fusion of High-resolution Satellite Imagery and LiDAR Data forAutomatic Building Extraction[J].Journal of Photogrammetry and Remote Sensing,2007,62(1)：43-62.

[2] DEM IR N,POL I D,BALTSAV IA S E.Extraction of Buildings and TreesUsing Images and LiDAR Data[J]. The International Archives of the Photogrammetry,Remote Sensing and Spatial Information Sciences,2008, XXXV II(B4)：313-318.

[3] 張小紅.機載激光雷達測量技術理論與方法[M].武漢：武漢大學出版社,2007.

[4] 徐祖艦,王滋政,陽鋒.機載激光雷達測量技術及工程應用實踐[M].武漢：武漢大學出版社,2009.

[5] VAPN IK V.Support-vector-machines[EB/OL].[2010-01-10],http：∥www.support-vector-machines.org.

[6] 黃昕,張良培,李平湘.基于多尺度特征融合和支持向量機的高分辨率遙感影像分類 [J].遙感學報, 2007,11(1)：48-54.

Object-oriented Classification of L iDAR Data Based on M ulti-feature Fusion

YANG Yun,SU ILichun

0494-0911(2010)08-0011-04

P237

B

2010-02-08

國家自然科學基金資助項目(40971306)

楊 耘(1975—),女,新疆沙灣人,博士,講師,主要從事模式識別、激光雷達數(shù)據(jù)和遙感圖像處理研究。