李 珵，盧小平，李向陽(yáng)

(1.河南理工大學(xué)礦山空間信息技術(shù)國(guó)家測(cè)繪地理信息局重點(diǎn)實(shí)驗(yàn)室，河南焦作454003;2.河南省基礎(chǔ)地理信息中心，河南鄭州450003)

一、引 言

機(jī)載LiDAR可以快速獲取地面物體的高精度三維點(diǎn)云數(shù)據(jù)，據(jù)此建立的高分辨率DEM和DSM可用于復(fù)雜環(huán)境中地物要素信息的提取。然而，現(xiàn)有的建筑物提取方法多是將點(diǎn)云數(shù)據(jù)濾波分類為地面點(diǎn)、建筑物和其他地物，然后與基于影像的建筑物進(jìn)行檢測(cè)比較。由于點(diǎn)云數(shù)據(jù)受水平位置精度限制，使用單一的LiDAR數(shù)據(jù)源難以獲取準(zhǔn)確、翔實(shí)的建筑物邊緣信息，因此要提取建筑物的規(guī)則輪廓，在一定程度上取決于LiDAR數(shù)據(jù)的幾何分辨率。

本文綜合利用LiDAR點(diǎn)云數(shù)據(jù)與GeoEye高空間分辨率遙感影像，研究基于圖像分割的面向?qū)ο蠓诸惙椒?，建立了一種礦區(qū)建筑物協(xié)同提取算法模型，即利用不同分割算法對(duì)nDSM數(shù)據(jù)進(jìn)行分割，建立目標(biāo)對(duì)象;通過(guò)設(shè)定地物高度閾值與亮度閾值確定建筑物區(qū)域，去除陰影信息;利用建筑物光譜特征的相似性在較高坡度值的區(qū)域精確提取建筑物的輪廓;基于綠度指數(shù)去除植被信息;對(duì)于植被與建筑物混疊區(qū)域，根據(jù)其與建筑物之間的空間關(guān)系進(jìn)行優(yōu)化，可確保建筑物輪廓的完整性;最后利用開(kāi)、閉形態(tài)學(xué)算子和面積閾值，實(shí)現(xiàn)了虛警目標(biāo)的去除和目標(biāo)邊界的平滑。

二、面向?qū)ο蟮慕ㄖ镙喞崛?/h2>

1.影像分割

影像分割是面向?qū)ο笮畔⑻崛〉年P(guān)鍵，其目的是使地物目標(biāo)的異質(zhì)性最大。選擇不同尺度對(duì)圖像進(jìn)行分割，可大大減少分類時(shí)需要處理的數(shù)據(jù)單元數(shù)，并提高分類速度。針對(duì)多數(shù)建筑物所具有的形狀特征，本文采用四叉樹(shù)圖像分割算法將對(duì)象分割為矩形目標(biāo)。

空間四叉樹(shù)算法是將含有整個(gè)場(chǎng)景的空間按x、y方向分割成4個(gè)子方塊網(wǎng)格，組織成一棵四叉樹(shù)。若某一子方塊網(wǎng)格中所含目標(biāo)特征的一致性大于設(shè)定的閾值，則對(duì)該子方塊網(wǎng)格作進(jìn)一步剖分。如此遞歸，直到四叉樹(shù)的每一葉子節(jié)點(diǎn)子方塊所含目標(biāo)特征的一致性均小于閾值為止。建立四叉樹(shù)結(jié)構(gòu)，能夠使每個(gè)分割目標(biāo)具有符合尺度參數(shù)定義的一致性閾值的最大可能尺寸。

本文使用均值和方差作為同質(zhì)性標(biāo)準(zhǔn)。子分割對(duì)象的像元均值可表示為

式中，n2為四叉樹(shù)分割對(duì)象的像元數(shù)量;f(i，j)為像元(i，j) 值。方差定義為

四叉樹(shù)算法是從圖像像素開(kāi)始向上來(lái)實(shí)現(xiàn)四叉樹(shù)構(gòu)造，具體步驟為：

1)構(gòu)建一個(gè)四叉樹(shù)，存儲(chǔ)每個(gè)結(jié)點(diǎn)的4個(gè)子節(jié)點(diǎn)的均值和方差;

2)搜索，從根結(jié)點(diǎn)找到均值和方差都在要求范圍內(nèi)的最高的子結(jié)點(diǎn);

3)通過(guò)鄰域搜索合并均值和方差在閾值范圍之內(nèi)的相鄰節(jié)點(diǎn)。

nDSM圖像具有較好的可分離背景，適合于四叉樹(shù)分割。建筑物分割后內(nèi)部可形成較大的方形目標(biāo)，邊緣得到較小的分割目標(biāo)(如圖1所示)，適用于后續(xù)的閾值提取和建筑物輪廓的精確提取。

圖1 原始nDSM數(shù)據(jù)與基于四叉樹(shù)分割結(jié)果對(duì)比

2.建筑物提取

(1)基于高度閾值與陰影信息的初步提取方法

利用nDSM高度閾值提取建筑物候選分割對(duì)象，高度閾值通常設(shè)置為較小的值，以確保建筑物的完整性，如農(nóng)村住宅一般較矮，可將高度閾值設(shè)定為1 m。通常情況下，與建筑物相鄰的陰影難以區(qū)分，但可根據(jù)陰影亮度值很低、建筑物房頂?shù)牧炼戎递^高這一特點(diǎn)進(jìn)行區(qū)分。因此，可利用航空影像的R、G、B波段計(jì)算亮度指數(shù)(Brightness)，用以消除建筑物候選對(duì)象中的陰影，并將亮度指數(shù)的陰影亮度特征閾值設(shè)置為小于70。亮度指數(shù)的計(jì)算式為

(2)建筑物陡坡邊緣地物的重分類

利用GeoEye高空間分辨率遙感影像豐富的光譜信息，將建筑物邊緣坡度較大區(qū)域中與房頂光譜一致的對(duì)象分類到建筑物中，可提高建筑物邊緣的提取精度。如果已知高度H沿x和y方向的偏導(dǎo)數(shù)，坡度指數(shù)可按下式計(jì)算

坡度指數(shù)閾值的取值區(qū)間可通過(guò)試錯(cuò)法，并綜合坡度圖像和坡度直方圖進(jìn)行選取，坡度閾值的變化區(qū)間為［40°，90°］。由于不同房屋屋頂?shù)墓庾V特征不同，因此需要對(duì)各個(gè)波段的光譜相似性進(jìn)行分析。本文設(shè)定距離閾值為20像素，亮度差異閾值為30。

(3)基于綠度指數(shù)的植被信息去除

對(duì)于初步提取結(jié)果中存在的植被信息，利用航空影像R波段和G波段計(jì)算的綠度指數(shù)進(jìn)行去除。綠度指數(shù)閾值設(shè)定為0.36，計(jì)算公式如下

(4)數(shù)學(xué)形態(tài)學(xué)處理方法

提取結(jié)果中存在的各種噪聲會(huì)導(dǎo)致目標(biāo)虛警、不完整等，可通過(guò)數(shù)學(xué)形態(tài)學(xué)和提取目標(biāo)連通區(qū)域的形狀特征進(jìn)一步處理，從而取得更為完善的結(jié)果。

①腐蝕與膨脹

腐蝕與膨脹是數(shù)學(xué)形態(tài)學(xué)兩種最基本的運(yùn)算，其他形態(tài)學(xué)算法大多是以這兩種原始運(yùn)算為基礎(chǔ)的。設(shè)A與B是Z中的集合，A被B膨脹定義為

式中，B叫做膨脹的結(jié)構(gòu)元素。A被B腐蝕可定義為

從膨脹與腐蝕的算式可以看出，膨脹使圖像目標(biāo)面積擴(kuò)大，而腐蝕使圖像面積縮小。一般在提取的地物目標(biāo)區(qū)域中，受各種干擾因素的影響，其邊緣不能完整獲取。在下面開(kāi)、閉運(yùn)算的基礎(chǔ)上可適當(dāng)進(jìn)行膨脹運(yùn)算，從而獲取較完整的目標(biāo)信息。

②開(kāi)操作與閉操作

開(kāi)操作與閉操作是重要的形態(tài)學(xué)運(yùn)算方法。使用結(jié)構(gòu)元素B對(duì)集合A進(jìn)行開(kāi)操作即對(duì)A先腐蝕，然后用B對(duì)結(jié)果進(jìn)行膨脹。使用結(jié)構(gòu)元素B對(duì)集合A進(jìn)行閉操作，即用B對(duì)A先膨脹，然后用B對(duì)結(jié)果進(jìn)行腐蝕。

開(kāi)操作使對(duì)象的輪廓變得光滑，可斷開(kāi)狹窄的間斷并消除細(xì)小的突出物;閉操作同樣可使輪廓線更為光滑，但與開(kāi)操作相反的是，它可以消除狹窄的間斷及消除小的空洞，填補(bǔ)輪廓線中的斷裂。在道路區(qū)域處理過(guò)程中，首先采用小對(duì)稱結(jié)構(gòu)元素進(jìn)行開(kāi)操作，去除與道路非連通的小區(qū)域;然后在此基礎(chǔ)上采用大結(jié)構(gòu)元素進(jìn)行閉操作，消除斷裂，平滑邊緣。

③區(qū)域填充

對(duì)于分類提取算法提取的目標(biāo)區(qū)域中存在的圖斑漏洞等噪聲，可利用形態(tài)學(xué)區(qū)域填充方法進(jìn)行處理。該算法以集合的膨脹、求補(bǔ)和交集為基礎(chǔ)，若A表示一個(gè)包含子集的集合，則子集元素均為區(qū)域的八連通邊界點(diǎn)。從邊界內(nèi)p點(diǎn)開(kāi)始，用1填充整個(gè)區(qū)域，將所有非邊界(背景)點(diǎn)標(biāo)記為0。區(qū)域填充的計(jì)算模型如下

式中，X0表示P點(diǎn);B為對(duì)稱結(jié)構(gòu)元素;Ac表示A。如Xk=Xk-1，則算法在迭代第k次后結(jié)束。Xk和A的并集包含被填充的集合和邊界。

在提取建筑物過(guò)程中，首先采用填充操作填補(bǔ)建筑對(duì)象中小于一定閾值的內(nèi)孔;然后通過(guò)閉操作(先使用膨脹算子，后使用腐蝕算子)對(duì)粗糙的邊界進(jìn)行平滑，并去除建筑物邊緣處的小缺口。本文采用的結(jié)構(gòu)元素是5×5的矩形，通過(guò)形態(tài)學(xué)操作消除虛假對(duì)象并平滑目標(biāo)邊界后，獲得了一組可靠、完整的建筑物對(duì)象，實(shí)現(xiàn)了對(duì)每個(gè)對(duì)象邊界的檢測(cè)和追蹤。

三、試驗(yàn)結(jié)果與分析

1.試驗(yàn)區(qū)概況

本文以河南省鶴壁礦區(qū)內(nèi)的農(nóng)村住宅作為試驗(yàn)研究區(qū)，以ALS60機(jī)載LiDAR和GeoEye遙感影像為數(shù)據(jù)源。GeoEye遙感影像(如圖2所示)和提取的nDSM(如圖3所示)空間分辨率分別為0.4 m和0.5 m。GeoEye影像使用DSM進(jìn)行正射校正，并使校正后的圖像與機(jī)載LiDAR點(diǎn)云數(shù)據(jù)完全配準(zhǔn)。

圖2 試驗(yàn)區(qū)GeoEye影像

圖3 LiDAR提取的nDSM數(shù)據(jù)

2.試驗(yàn)結(jié)果與分析

采用面向?qū)ο蟮姆诸惙椒▽?duì)農(nóng)村居民建筑物進(jìn)行提取(約為0.56 km2)，處理步驟包括四叉樹(shù)圖像分割、基于高度閾值的建筑物初步提取、建筑物陡坡邊緣地物重分類、基于綠度指數(shù)的植被信息去除和數(shù)學(xué)形態(tài)學(xué)處理。四叉樹(shù)分割利用nDSM數(shù)據(jù)進(jìn)行分割，高差平均值設(shè)置為1 m。圖4為局部提取的處理過(guò)程，其中，圖4(b)為分割結(jié)果，圖4(c)為基于nDSM閾值初步提取結(jié)果，圖4(d)為最終結(jié)果(能夠較準(zhǔn)確地提取出建筑物邊緣)。圖5為試驗(yàn)區(qū)建筑物輪廓提取結(jié)果。

圖4 試驗(yàn)區(qū)建筑物局部提取處理過(guò)程

圖5 試驗(yàn)區(qū)建筑物輪廓提取結(jié)果

試驗(yàn)共提取了234處居民建筑物(連結(jié)在一起的建筑物作為一處)，總面積為191 539 m2，并通過(guò)人工解譯方法對(duì)參考數(shù)據(jù)進(jìn)行了精度評(píng)價(jià)。其中，Ⅰ類誤差(建筑物被錯(cuò)分為其他地物)、Ⅱ類誤差(其他地物被錯(cuò)分為建筑物)分別為4.09%和3.25%，總體精度達(dá)到了95.94%。

四、結(jié)束語(yǔ)

本文以激光點(diǎn)云和GeoEye遙感影像為數(shù)據(jù)源，引入主被動(dòng)遙感協(xié)同處理方法，構(gòu)建了基于面向?qū)ο蟮牡匚镆靥崛∷惴Ｐ停瑢?shí)現(xiàn)了居民地要素的自動(dòng)提取。試驗(yàn)結(jié)果表明，農(nóng)村居民建筑物要素整體提取的準(zhǔn)確度超過(guò)90%。

［1］BRZANK A，HEIPKE C，GOEPFERT J，et al.Aspects of Generating Precise Digital Terrain Models in the Wadden Sea from Lidar-water Classification and Structure Line Extraction［J］.Journal of Photogrammetry and Remote Sensing，2008，63(5)：510-528.

［2］VOSSELMAN G.Slope Based Filtering of Laser Altimetry Data［J］.International Archives of Photogrammetry and Remote Sensing，2000，33(B4)：958-964.

［3］WHITMAN D，ZHANG K，LEATHERMAN S P，et al.Airborne Laser Topographic Mapping：Application to Hurricane Storm Surge Hazards［J］.Earth Sciences in the Cities：A Reader，2003：363-376.

［4］CRESSIE N.The Origins of Kriging［J］.Mathematical Geology，1990，22(3)：239-252.

［5］孫家抦.遙感原理與應(yīng)用［M］.2版.武漢：武漢大學(xué)出版社，2009：218-224.

［6］盧小平.電磁波信號(hào)在對(duì)流層中路徑彎曲改正的級(jí)數(shù)展開(kāi)式［J］.測(cè)繪學(xué)報(bào)，2008，37(2)：142-146.

［7］ZHANGKeqi，WHITMAN D.Comparison of Three Algorithms for Filtering Airborne LiDAR Data［J］.Photogrammetric Engineering ＆ Remote Sensing，2005，71(3)：313-324.

［8］PILESJ? P，PERSSON A，HARRIE L.Digital Elevation Data for Estimation of Potential Wetness in Ridged Fields-Comparison of Two Different Methods［J］.Agricultural Water Management，2006，79(3)：225-247.

［9］盧小平，王雙亭.遙感原理與方法［M］.北京：測(cè)繪出版社，2012.