馮甜甜,龔健雅

(1.同濟(jì)大學(xué)測量系,上海 200092;2.武漢大學(xué)測繪遙感信息工程國家重點(diǎn)實(shí)驗(yàn)室,湖北武漢 430079)

基于Li DAR數(shù)據(jù)的建筑物自動(dòng)提取方法的比較

馮甜甜1,龔健雅2

(1.同濟(jì)大學(xué)測量系,上海 200092;2.武漢大學(xué)測繪遙感信息工程國家重點(diǎn)實(shí)驗(yàn)室,湖北武漢 430079)

簡述三種典型的利用LiDAR點(diǎn)云自動(dòng)提取建筑物的方法。提出對建筑物提取結(jié)果的精度評價(jià)指標(biāo),并對三種方法的提取結(jié)果進(jìn)行比較。結(jié)果表明基于Dempster-Shafer理論的建筑物自動(dòng)提取方法最為穩(wěn)健。

LiDAR;建筑物自動(dòng)提取;精度評定

建筑物信息在很多應(yīng)用中都起到十分重要的作用,如城市和區(qū)域規(guī)劃、交通規(guī)劃、人口估計(jì)和預(yù)測、污染分析及能量預(yù)算等[1]。隨著城市發(fā)展進(jìn)程的加快,發(fā)展建筑物自動(dòng)提取方法對于城市規(guī)劃者顯得相當(dāng)重要。然而,由于建筑物屋頂?shù)膹?fù)雜形狀及頂部多樣的組成材料,如何從影像上自動(dòng)準(zhǔn)確地提取建筑物目標(biāo)仍是一個(gè)較難的研究熱點(diǎn)[2]。近幾年,激光雷達(dá) (light detection and ranging,Li DAR)技術(shù)的出現(xiàn)使得快速獲取高精度的三維地表數(shù)據(jù)成為可能,這也給建筑物提取研究帶來了新的機(jī)遇和挑戰(zhàn)。其中,具有代表性的利用 Li DAR數(shù)據(jù)探測建筑物的方法是平面擬合[3]和區(qū)域增長法則[4]。然而,大部分單獨(dú)使用LiDAR數(shù)據(jù)進(jìn)行建筑物提取的方法在分辨部分地物方面都存在共同的問題,尤其是對于建筑物、植被以及橋梁的辨別。為了彌補(bǔ)這一局限,有些學(xué)者提出將高分辨率影像與 Li DAR數(shù)據(jù)相結(jié)合來提取建筑物。例如,文獻(xiàn) [5]首先從LiDAR數(shù)據(jù)中提取非地面特征,再利用從 IKONOS影像中提取出來的 NDV I信息去除植被。文獻(xiàn)[6]先借助LiDAR數(shù)據(jù)分割出建筑物點(diǎn),再結(jié)合影像的線段提取和 LiDAR估算的概略主方向?qū)⒔ㄖ镙喞Y選出來。總之,到目前為止已經(jīng)出現(xiàn)了大量的建筑物自動(dòng)提取算法,但不同提取算法都有自身的特點(diǎn),而對于不同提取算法之間的比較以及對建筑物提取結(jié)果的精度評價(jià)指標(biāo)方面的研究相對較少。

本文介紹了三種典型的利用 LiDAR數(shù)據(jù)及高分辨率遙感影像的建筑物自動(dòng)提取方法,這三種方法分別是基于平面擬合的區(qū)域增長法則、面向?qū)ο蟮姆诸惙椒ㄒ约盎?Dempster-Shafer(D-S)理論多源數(shù)據(jù)融合的建筑物自動(dòng)提取方法。最后從建筑物的數(shù)量、面積和體積三個(gè)方面提出五個(gè)評價(jià)指標(biāo),對三種方法的提取結(jié)果進(jìn)行定量的精度評定和比較。

一、建筑物提取方法

在進(jìn)行建筑物提取之前需要對數(shù)據(jù)進(jìn)行預(yù)處理。首先用 Delaunay三角網(wǎng)生成算法,定義每個(gè)LiDAR點(diǎn)的空間鄰接關(guān)系,并用最鄰近法將 LiDAR點(diǎn)內(nèi)插成 1m分辨率的格網(wǎng)。然后計(jì)算表面高度變化的多尺度梯度,并在多分辨率、綜合分析的框架下采用自適應(yīng)侵蝕規(guī)則 Li DAR格網(wǎng)點(diǎn)的方法區(qū)分地面點(diǎn)及非地面點(diǎn),生成地面掩膜圖像[7]。另一方面,對應(yīng)研究區(qū)域上的植被掩膜圖像根據(jù)從 Quick-Bird遙感影像計(jì)算出的 NDV I值及給定的閾值獲得,該處理通過 ENV I軟件實(shí)現(xiàn)。

1.區(qū)域增長法提取建筑物方法

區(qū)域增長法是典型的利用 Li DAR數(shù)據(jù)提取建筑物的方法。屋頂?shù)奶綔y從種子點(diǎn)開始,分析鄰近點(diǎn)與種子點(diǎn)的共面關(guān)系,逐步將鄰近的共面點(diǎn)加入進(jìn)來。該方法首先通過測試非地面點(diǎn)的八鄰域點(diǎn)來識別內(nèi)部點(diǎn)和邊界點(diǎn);對于每個(gè)非地面內(nèi)部點(diǎn),用 3×3范圍內(nèi)點(diǎn)的高程值模擬一個(gè)平面,并計(jì)算該平面與這 9個(gè)點(diǎn)之間的最大絕對偏差 (MAD);所有內(nèi)部點(diǎn)按照MAD值升次排列,并將具有最小MAD值的點(diǎn)作為第一個(gè)種子點(diǎn);將絕對偏差小于閾值的點(diǎn)加到當(dāng)前平面中,并重復(fù)該處理,當(dāng)找不到種子點(diǎn)時(shí),區(qū)域增長處理結(jié)束。最后對區(qū)域增長處理的結(jié)果進(jìn)行一些后處理:首先,根據(jù)植被掩膜圖像去除區(qū)域增長處理結(jié)果中的植被;其次,用剩下的 Li-DAR點(diǎn)生成只表示建筑物或非建筑物的二值圖像,并將二值圖像中的小洞填補(bǔ)起來;最后,再利用最小建筑物尺寸、最小建筑物高度以及最小建筑物體積等閾值將非建筑物區(qū)域過濾掉。

2.面向?qū)ο蟮姆诸惙椒ㄌ崛〗ㄖ?/h3>

在面向?qū)ο蟮姆诸愔?對影像的分割是比較關(guān)鍵的一步。這里將多個(gè)影像層輸入易康軟件進(jìn)行影像的分割,這些影像層包括QuickBird四個(gè)多光譜影像、歸一化植被指數(shù) (NDV I)影像、LiDAR影像和地面掩膜圖像。為了更好地進(jìn)行影像分割生成同質(zhì)區(qū)域,給每個(gè)影像層設(shè)定一個(gè)權(quán)值,權(quán)值的大小與該影像層的重要性成正比。整個(gè)影像分類過程分為以下三個(gè)階段進(jìn)行:第一階段的目的是為了區(qū)分植被和不透水層。在權(quán)值的設(shè)置中,將 NDV I影像層的權(quán)值設(shè)為 5,其他影像層的權(quán)值設(shè)為 1。分割后,選取部分特征并使用特征空間優(yōu)化工具來判斷哪些波段能有效地區(qū)分植被和不透水層,并將這些波段數(shù)據(jù)用于第二階段的分割。第二階段的目的是為了區(qū)分建筑物、植被和地面。將 NDV I影像層的權(quán)值降低至 2,LiDAR影像層的權(quán)值設(shè)為 3,地面掩膜圖像的權(quán)值設(shè)為 4,其他所有層的權(quán)值設(shè)為 1,得到分割結(jié)果。第三階段對影像分割結(jié)果進(jìn)行分類,根據(jù)分割結(jié)果中對象的光譜反射值、形狀、紋理等特征采用最鄰近分類器進(jìn)行分類,將影像分割的結(jié)果分成建筑物、植被、地面三個(gè)類型。

3.用D-S理論融合多源數(shù)據(jù)提取建筑物

D-S理論的主要思想是根據(jù)一個(gè)論斷不同證據(jù)來源的概率來推斷其信任度[8]。這里將地面掩膜圖像、植被掩膜圖像和候選建筑物圖像作為三種數(shù)據(jù)源。候選建筑物圖像通過地面掩膜圖像和植被掩膜圖像共同獲得。假設(shè)圖像中只有地面、建筑物、植被這三種類別,將所有非地面點(diǎn)且非植被點(diǎn)作為建筑物點(diǎn)并構(gòu)成二值圖像,再去除二值圖像中小于最小建筑物尺寸的區(qū)域后作為候選建筑物區(qū)域。根據(jù) D-S理論,將每一個(gè)候選建筑物區(qū)域看作一個(gè)獨(dú)立的論斷,并通過計(jì)算信任函數(shù)來判斷該區(qū)域是否為建筑物區(qū)域。首先,尋找每個(gè)候選建筑物區(qū)域的最小外接矩形,并計(jì)算最小外接矩形中的像素個(gè)數(shù),假設(shè)為 N;在地面掩膜圖像的對應(yīng)區(qū)域中計(jì)算地面點(diǎn)的像素個(gè)數(shù),設(shè)為 p;那么該區(qū)域是地面的概率為 p/N。由于對該區(qū)域內(nèi)其他像素點(diǎn)的類別沒有任何證據(jù),那么該區(qū)域?qū)儆谥脖?、建筑物、植被或建筑物的概率相同。而所有類別的概率之和為 1,因此屬于上述三類的概率都是 (1-p/N)/3。類似的,根據(jù)植被掩膜圖像得到的各個(gè)類別的概率也可以用同樣的方法計(jì)算出來。而對于建筑物候選圖像,每個(gè)候選區(qū)域都有較大的初始建筑物概率,因此給定一個(gè)較低的常數(shù)作為初始建筑物概率,這樣則需要更多的來自其他數(shù)據(jù)源的證據(jù)來支持該區(qū)域是建筑物這一論斷,這也使得建筑物區(qū)域的判斷更具說服力。據(jù)研究表明,適當(dāng)?shù)亟档统跏几怕手挡⒉粫?huì)對建筑物區(qū)域判斷的正確性產(chǎn)生影響[9]。最后,通過尋找各個(gè)類別信任函數(shù)的最大值來確定該候選區(qū)域的類別。

二、試驗(yàn)及討論

本文在美國得克薩斯州奧斯汀市區(qū)內(nèi)選取四個(gè)具有不同特征的區(qū)域作為試驗(yàn)區(qū),分別應(yīng)用上述三種方法進(jìn)行建筑物的自動(dòng)提取試驗(yàn)。將提取結(jié)果與實(shí)地調(diào)查所得到的參考數(shù)據(jù)比較,從基于建筑物的數(shù)量、面積和體積三個(gè)方面提出五種精度評價(jià)指標(biāo)進(jìn)行定量的精度評定和比較。

1.基于建筑物的數(shù)量

基于建筑物數(shù)量的精度評定采用檢出率和正確率這兩個(gè)評價(jià)指標(biāo)。檢出率是指正確提取出的建筑物數(shù)目占參考數(shù)據(jù)中建筑物總數(shù)的比例,表達(dá)提取的完整性,反映試驗(yàn)區(qū)內(nèi)的漏檢錯(cuò)誤;正確率是指正確提取出的建筑物數(shù)目占提取結(jié)果中建筑物總數(shù)的比例,表達(dá)提取結(jié)果的正確率,反映試驗(yàn)區(qū)內(nèi)的提取錯(cuò)誤。這里認(rèn)為只要建筑物的某一部分被正確提取出來了,就將這個(gè)建筑物記為被正確提取的建筑物。表 1顯示了三種建筑物提取結(jié)果的檢出率和正確率,從提取結(jié)果的檢出率上看,四個(gè)試驗(yàn)區(qū)上的最高檢出率均是由基于D-S證據(jù)理論的數(shù)據(jù)融合方法獲得的;從提取結(jié)果的正確率上看,三種方法都不能使得在具有不同特點(diǎn)試驗(yàn)區(qū)的提取結(jié)果均具有較高的準(zhǔn)確率。

表 1 基于建筑物數(shù)量的精度評定結(jié)果 (%)

2.基于建筑物的面積

基于建筑物面積的精度評定采用面積漏檢錯(cuò)誤和面積提取錯(cuò)誤這兩個(gè)評價(jià)指標(biāo)。面積漏檢錯(cuò)誤是指試驗(yàn)區(qū)中沒有被提取出的建筑物面積占參考數(shù)據(jù)中建筑物總面積的比例,反映有多少面積實(shí)際上是建筑物區(qū)域卻沒能被提取出來;面積提取錯(cuò)誤是指提取結(jié)果中被錯(cuò)誤提取為建筑物的面積占提取結(jié)果中建筑物總面積的比例,反映有多少面積實(shí)際上不是建筑物卻被誤認(rèn)為是建筑物被提取出來了。

三種提取結(jié)果的精度評定結(jié)果如表 2所示。通過漏檢錯(cuò)誤對比發(fā)現(xiàn),三種提取方法在四個(gè)試驗(yàn)區(qū)上得到的漏檢錯(cuò)誤差別不大。相比其他兩種提取方法,用區(qū)域增長法的提取結(jié)果中有較高的漏檢錯(cuò)誤。根據(jù)提取錯(cuò)誤的對比,用影像分類方法的提取結(jié)果明顯差于其他兩種提取方法,在用 D-S理論融合方法的提取結(jié)果中,除了試驗(yàn)區(qū)三中的提取錯(cuò)誤較大程度地低于用區(qū)域增長法則的提取結(jié)果,其他三個(gè)試驗(yàn)區(qū)中的差別不大。

表 2 基于建筑物面積的精度評定 (%)

3.基于建筑物的體積

最后提出全局體積誤差這一指標(biāo)對提取的建筑物體積進(jìn)行定量的精度評定。全局體積誤差是指提取的建筑物體積與真實(shí)建筑物體積之間的絕對誤差占真實(shí)建筑物體積的比例的平均值,反應(yīng)建筑物體積上的整體提取偏差,計(jì)算結(jié)果如表 3所示。

對比每個(gè)試驗(yàn)區(qū)中的體積誤差發(fā)現(xiàn),影像分類方法的提取結(jié)果除了在試驗(yàn)區(qū)二中的提取誤差較小外,在其他三個(gè)試驗(yàn)區(qū)中的提取誤差都明顯高于其他兩種方法。而根據(jù)基于建筑物面積的精度評定結(jié)果可知,影像分類法在試驗(yàn)區(qū)二中存在大量的提取錯(cuò)誤,因此雖然該方法在試驗(yàn)區(qū)二中表現(xiàn)出了較小的建筑物體積誤差,但實(shí)際上這個(gè)結(jié)果是不可取的,所以影像分類方法的提取結(jié)果是三種提取結(jié)果中最不理想的。在試驗(yàn)區(qū)一、三中,用區(qū)域增長法和基于D-S理論的數(shù)據(jù)融合方法所提取出的建筑物在體積上的精度非常相近,而區(qū)域增長法在另外兩個(gè)試驗(yàn)區(qū)中的提取誤差明顯高于D-S數(shù)據(jù)融合方法。因此有理由認(rèn)為在這三種建筑物自動(dòng)提取方法中,用 D-S理論的數(shù)據(jù)融合方法所提取出的結(jié)果在建筑物體積方面具有最小的誤差。

表 3 基于建筑物體積的精度評定 (%)

三、結(jié)束語

本文比較了用區(qū)域增長法、面向?qū)ο蟮姆诸惙椒癉-S理論三種方法自動(dòng)提取建筑物的能力,并提出五個(gè)精度評定指標(biāo)對提取結(jié)果進(jìn)行了定量的精度評價(jià)。綜合各項(xiàng)精度評價(jià)指標(biāo)發(fā)現(xiàn),用 D-S理論進(jìn)行建筑物的自動(dòng)提取是最為穩(wěn)健的方法,其提取結(jié)果在五個(gè)精度評價(jià)指標(biāo)上均能達(dá)到較高的精度,這也給結(jié)合多源數(shù)據(jù)自動(dòng)提取建筑物提供了新的思路。

[1]GRUEN A,NEVAT IA R.Automatic Building Extraction from Aerial Images[J]. Computer Vision and Image Understanding,1998,72(2):99-100.

[2]MAYUNGA S D,ZHANG Y,COLEMAN D J.Semiautomatic Buiding Extraction Utilizing QuickBird Imagery[C]∥Proc.of the ISPRS Workshop CMRT.Vienna:ISPRS,2005:131-136.

[3]NARD INOCCH IC,SCA ION IM,FORLAN I G.Building Extraction from LiDAR Data[C]∥IEEE/ISPRS Joint Workshop on Remote Sensing andData Fusion overUrban Areas. Rome: Institute of Electrical and Electronics Engineers in Piscataway,2001:79-83.

[4]AUER S,H INZ S.Automatic Extraction of Salient Geometric Entities from L IDAR Point Clouds[C]∥Geoscience and Remote Sensing Symposium.Barcelona:Institute of Electrical and Electronics Engineers(IEEE),2007:2507-2510.

[5]SOHN G,DOWMAN I.Data Fusion of High-resolution Satellite Imagery and Li DAR Data forAutomatic Building Extraction[J]. ISPRS Journal of Photogrammetry and Remote Sensing,2007,62(1):43-63.

[6]程亮,龔健雅.LiDAR輔助下利用超高分辨率影像提取建筑物輪廓方法[J].測繪學(xué)報(bào),2008,37(3):391-393.

[7]S ILVAN-CARDENAS J L,WANG L.A Multi-resolution Approach for FilteringLiDAR AltimetryData[J].ISPRS Journal of Photogrammetry&Remote Sensing,2006,61(1):11-22.

[8]SHAFER G.A Mathematical Theory of Evidence[M].Princeton:Princeton University Press,1992.

[9]LU Y H,TR INDER J C,KUBLK K.Automatic Building Detection Using the Dempster-shafer Algorithm[J].Photogrammetric Engineering and Remote Sensing,2006,72(4):395-403.

Comparison of Automatic Building Extraction Methods Based on Li DAR Data

FENG Tiantian,GONG Jianya

2010-03-03

馮甜甜 (1983—),女,江蘇宿遷人,博士,主要從事建筑物提取及人口估算研究。

0494-0911(2011)02-0021-03

P237.9

B