王莉，馬紅，周智勇，柴潔

(重慶市勘測(cè)院，重慶 400020)

1 引言

隨著“數(shù)字城市”、“智慧城市”的發(fā)展，三維城市模型以其豐富的空間信息、真實(shí)直觀的實(shí)物表達(dá)方式，使用戶(hù)能夠在三維環(huán)境下對(duì)城市實(shí)體進(jìn)行瀏覽、分析和決策。目前，三維建筑模型作為城市模型的主體內(nèi)容，其高程數(shù)據(jù)來(lái)源主要包括地形圖和樓層、航空攝影測(cè)量數(shù)據(jù)和竣工測(cè)量數(shù)據(jù)等。由于數(shù)據(jù)源多樣化和現(xiàn)勢(shì)性的差異以及建模方式和人工干預(yù)等因素的影響，建筑物三維模型的高程精度受到嚴(yán)重影響。

建筑物作為城市區(qū)域的一個(gè)重要特征，如果沒(méi)有準(zhǔn)確高程信息，它在當(dāng)前的城市建設(shè)管理、數(shù)字城市建設(shè)、信息化建設(shè)、災(zāi)害應(yīng)急等方面的應(yīng)用都受到極大限制，尤其在城市規(guī)劃領(lǐng)域幾乎無(wú)用武之地［1，2］。為了推廣三維城市模型的應(yīng)用，準(zhǔn)確獲取其高程進(jìn)而構(gòu)建高精度的三維模型顯得尤為重要。在現(xiàn)有平面基礎(chǔ)地理信息數(shù)據(jù)中重新進(jìn)行立體測(cè)圖以獲取缺失的高程信息，勞動(dòng)強(qiáng)度大，且效率低下;通過(guò)遙感立體成像技術(shù)或多向重復(fù)航拍來(lái)獲取不同拍攝角度的建筑物立體相對(duì)，利用立體像對(duì)之間的視差關(guān)系來(lái)計(jì)算建筑物高程信息，采集過(guò)程復(fù)雜，且效率低下;利用高分辨率SAR影像或機(jī)載LIDAR數(shù)據(jù)與遙感光學(xué)圖像融合來(lái)提取建筑物高程信息，設(shè)備昂貴，且采集過(guò)程復(fù)雜。考慮到DSM(Digital Surface Model，即數(shù)字表面模型)具有豐富的建筑物高程信息，可以通過(guò)制作高精度DSM數(shù)據(jù)，將現(xiàn)有基礎(chǔ)地理信息數(shù)據(jù)和DSM數(shù)據(jù)相結(jié)合，進(jìn)而獲取建筑物的精確高程信息［3］。

2 基于像素工廠的DSM制作

DSM是反映城市信息的重要數(shù)據(jù)源之一，傳統(tǒng)基于航空攝影測(cè)量的DSM獲取主要借助全數(shù)字?jǐn)z影測(cè)量工作站來(lái)完成［4～6］，如VirtuoZo、Jx4、Mapmatrix等。這種自動(dòng)匹配的結(jié)果與影像的質(zhì)量和點(diǎn)數(shù)相關(guān)，在城區(qū)建筑林立密集處，DSM突變情況較多，不能準(zhǔn)確反映建筑物表面形態(tài)。這就需要人工采集，工作量大，處理復(fù)雜，尤其是多面坡頂、塔頂?shù)葟?fù)雜建筑物的處理。

像素工廠是集自動(dòng)化、集群式、分布式并行處理和遠(yuǎn)程管理于一體的高性能遙感影像數(shù)據(jù)自動(dòng)化處理系統(tǒng)。像素工廠使用每個(gè)立體像對(duì)生產(chǎn)一個(gè)DSM影像數(shù)據(jù)，通過(guò)對(duì)子DSM數(shù)據(jù)進(jìn)行合并和過(guò)濾處理的自動(dòng)化數(shù)據(jù)處理，再對(duì)DSM進(jìn)行微調(diào)和局部修正。使用像素工廠的 DSM編輯器提供的過(guò)濾器如:Interpolate DSM、DSM2DTM或Filter Elevation Image，對(duì)高程影像數(shù)據(jù)進(jìn)行快捷瀏覽和編輯處理，如圖1所示。

圖1 像素工廠DSM編輯器高程影像數(shù)據(jù)的編輯處理

繪制建筑物的外圈邊界過(guò)程中，建筑物內(nèi)部區(qū)域受到了過(guò)濾功能的影響，如圖2(a)所示;如果在過(guò)濾過(guò)程中，創(chuàng)建帶有孔的過(guò)濾多邊形，建筑物包圍的內(nèi)部區(qū)域?qū)⒉粫?huì)受到過(guò)濾功能的影響，如圖2(b)所示。在處理過(guò)程中，通過(guò)異常值探測(cè)處理來(lái)消除局部高程異常值。

圖2 DSM編輯器過(guò)濾高程影像處理

3 利用DSM提取建筑物高程

利用DSM數(shù)據(jù)提取建筑物高程信息，首先需要提取建筑物的有效輪廓，確定建筑物主體，然后分割DSM點(diǎn)云數(shù)據(jù)，獲得建筑輪廓范圍內(nèi)的有效DSM點(diǎn)集，再利用有效DSM點(diǎn)云計(jì)算出建筑物的高程信息。提取流程如圖3所示。

圖3 利用DSM提取建筑物高程流程

3.1 DSM數(shù)據(jù)獲取和建筑物輪廓信息提取

本文利用像素工廠DSM編輯器生成高精度DSM，分辨率為 0.4 m?？紤]充分利用現(xiàn)有測(cè)繪成果的1∶500地形圖，利用 1∶500數(shù)字線劃圖提取建筑物的輪廓信息，在 1∶500 DLG(數(shù)據(jù)格式為DGN)中提取建筑物矢量邊界，并進(jìn)行接邊處理、合并處理和構(gòu)面處理得到建筑物的精確輪廓信息，并將其轉(zhuǎn)化為Arc-GIS Shape File格式。利用DSM數(shù)據(jù)和精確的建筑物輪廓就可以提取建筑物高程。

3.2 改進(jìn)的最大似然提取建筑物高程信息

在眾多基于統(tǒng)計(jì)模式的分類(lèi)方法中，采用有著嚴(yán)密理論基礎(chǔ)的最大似然法提取建筑物高程信息。最大似然法是基于Bayse判別，它要求數(shù)據(jù)符合正態(tài)分布［7，8］。而建筑物有效輪廓范圍內(nèi)的DSM點(diǎn)云數(shù)據(jù)是近似正態(tài)分布，對(duì)于這種近似正態(tài)分布的遙感數(shù)據(jù)，以往通常按照高斯正態(tài)分布來(lái)處理［9］，處理結(jié)果欠佳。為此，本為采用一種改進(jìn)的最大似然方法來(lái)提取建筑物的高程信息，以提高高程信息的準(zhǔn)確度。

4 DSM建筑物高程提取實(shí)驗(yàn)

4.1 建筑物輪廓精化處理

首先，為了提取精確的建筑物輪廓信息，將從地形圖上得到的輪廓信息內(nèi)縮4個(gè)像素，如圖4所示。這樣做有以下目的:①消除 1∶500地形圖和DSM影像數(shù)據(jù)之間的套合誤差;②減小噪聲無(wú)值區(qū)的影響;③排除建筑物頂部邊緣女兒墻的影響。

圖4 建筑物輪廓精化處理

4.2 確定建筑物頂部類(lèi)型

將精化處理后的建筑物輪廓視為有效輪廓，提取有效輪廓內(nèi)的點(diǎn)云數(shù)據(jù)。統(tǒng)計(jì)分析有效點(diǎn)云的高程值，并根據(jù)統(tǒng)計(jì)結(jié)果判定建筑物頂部類(lèi)型，如圖5所示，如果統(tǒng)計(jì)類(lèi)型滿足圖中虛線的分布情況，則判定為帶電梯井的建筑物，如果統(tǒng)計(jì)類(lèi)型滿足圖中實(shí)線的分布情況，則判定為普通平頂型建筑物。

圖5 建筑物高程信息分布情況

4.3 提取不同頂部類(lèi)型的高程

根據(jù)3.2統(tǒng)計(jì)的結(jié)果，分別提取不同類(lèi)型的建筑物高程信息。針對(duì)帶電梯井的建筑物，需要統(tǒng)計(jì)主體建筑的高度和電梯井的高度。通過(guò)計(jì)算的每個(gè)高程點(diǎn)云分布概率，設(shè)定閾值?，提出比例小于?的點(diǎn)云高程值，比例大于?的點(diǎn)云高程值參與計(jì)算，通過(guò)最大似然法提取主體建筑物的高程，假定提取到的主體建筑物高程為H0。利用提取到的主體建筑物高程，設(shè)置電梯井的高度為h(本文涉及的重慶地區(qū)建筑電梯井設(shè)置為 4 m～15 m);剔除DSM中高程值小于H0的點(diǎn)云值，高程值大于H0的點(diǎn)云參與計(jì)算，利用最大似然發(fā)提取電梯井的高度，設(shè)定為Hj。通過(guò)這種改進(jìn)的最大似然法提取到的H0和Hj分別為主體建筑物的高程和電梯井高程。

針對(duì)普通平頂型的建筑物，即有效點(diǎn)云分布滿足圖5中實(shí)線分布的情況，可以判定其基本符合高斯正態(tài)分布，直接采用最大似然值計(jì)算有效點(diǎn)云內(nèi)的高程，計(jì)算結(jié)果H即為普通平頂型建筑物的高程值。

5 實(shí)驗(yàn)結(jié)果及分析

本文選取的實(shí)驗(yàn)區(qū)為重慶市江北片區(qū)和渝北部分區(qū)域區(qū)域覆蓋面積 32 km2，如圖6所示，建筑物總面積 7.01 km2，建筑物總個(gè)數(shù) 40 305個(gè)。實(shí)驗(yàn)通過(guò)像素工廠生成的區(qū)域高精度DSM(如圖7所示)，分辨率為 0.4 m，影像大小為 653 M，生成耗時(shí)為 53.7 h。通過(guò)本文設(shè)計(jì)的程序提取 40 305個(gè)建筑物的高程信息耗時(shí)為 3.8 h。

精度分析通常采用更高精度的數(shù)據(jù)驗(yàn)證或?qū)嵉仳?yàn)證［10］方式完成。本文采用立體模型采集方式獲取的高程和RTK動(dòng)態(tài)測(cè)量的高程精度驗(yàn)證本文提取結(jié)果。首先，隨機(jī)抽取20個(gè)建筑物，采用外業(yè)RTK實(shí)測(cè)方式和內(nèi)業(yè)立體模型采集檢驗(yàn)提取精度，分析結(jié)果如表1所示。

圖6 實(shí)驗(yàn)區(qū)域建筑物輪廓提取結(jié)果

圖7 實(shí)驗(yàn)區(qū)域高精度DSM影像

立體模型采集高程精度分析 表1

通過(guò)表1的精度分析結(jié)果可以看出，20個(gè)樣本中，立體采集模式提取的建筑物高程與RTK實(shí)測(cè)高程相差不大，最大差值為 0.55 m，中誤差為 0.35 m，說(shuō)明立體模型采集的高程十分準(zhǔn)確，可以作為精度評(píng)定的依據(jù);將DSM提取的高程與RTK實(shí)測(cè)精度進(jìn)行比較，最大誤差為 1.8 m，中誤差為 0.57 m，證明在少量樣本監(jiān)測(cè)中，DSM提取的建筑物高程比較準(zhǔn)確。

根據(jù)表1的分析結(jié)果可知，立體模型采集方式提取的高程信息十分準(zhǔn)確，可以作為精度評(píng)定的依據(jù)。在試驗(yàn)區(qū)中，為了驗(yàn)證本文提取精度的可靠性，再隨機(jī)抽取200個(gè)建筑物，通過(guò)內(nèi)業(yè)立體采集模式獲得200個(gè)建筑物的高程信息，將采集結(jié)果與本文計(jì)算結(jié)果進(jìn)行對(duì)比分析，分析結(jié)果如表2所示。由表2的分析結(jié)果可以看出，本文通過(guò)高精度DSM提取到的建筑物高程信息最大誤差為 1.99 m，中誤差為 0.61 m，整體精度控制在亞米級(jí)。

RTK實(shí)測(cè)精度分析 表2

6 結(jié)論

本文闡述的方法能批量提取一定區(qū)域范圍內(nèi)的建筑物高程信息，對(duì)于建筑物的主體高度的整體精度達(dá)到亞米級(jí)，可以用于批量修正三維建筑模型，大大降低了人工檢查模型的勞動(dòng)強(qiáng)度，節(jié)約了三維建模的成本。如果將此方法推廣應(yīng)用，對(duì)城市的管理與規(guī)劃、消防救災(zāi)等與建筑物高度密切相關(guān)的領(lǐng)域?qū)⑵鸬胶艽蟮耐苿?dòng)作用。

根據(jù)DSM數(shù)據(jù)的現(xiàn)勢(shì)性，本方法可以拓展應(yīng)用于不同的領(lǐng)域。如果DSM數(shù)據(jù)的現(xiàn)勢(shì)性高于建筑物三維模型的源數(shù)據(jù)，可以利用本文方法檢測(cè)建筑物的拆除和新建情況;如果DSM數(shù)據(jù)的現(xiàn)勢(shì)性與建筑物三維模型的源數(shù)據(jù)相差不大，本方法可以用來(lái)檢查和糾正建筑物模型的高度。本文通過(guò)充分挖掘DSM數(shù)據(jù)，將DSM數(shù)據(jù)與城市三維模型有機(jī)鍥合在一起，促進(jìn)了城市三維模型的建設(shè)與應(yīng)用，同時(shí)也促進(jìn)了智慧城市的建設(shè)。

［1］ 曹敏，史照良，沈泉飛.基于高精度DSM的建筑物三維幾何模型構(gòu)建［J］.測(cè)繪通報(bào)，2011，10:117～179.

［2］ 譚仁春，江文萍，杜清運(yùn).三維GIS中建筑物的若干問(wèn)題探討［J］.測(cè)繪工程，2003(1):54～61.

［3］ 穆利娜，李發(fā)紅.城市DSM的獲取技術(shù)與應(yīng)用［J］.陜西師范大學(xué)學(xué)報(bào)，2008(6):224～227.

［4］ 馮琰，郭容寰，程遠(yuǎn)達(dá).基于機(jī)載LIDAR技術(shù)快速建立三維城市模型研究［J］.測(cè)繪與空間地理信息，2008(4): 143～147.

［5］ 朱國(guó)敏，馬照亭，孫隆祥等.城市三維地理信息系統(tǒng)中海量數(shù)據(jù)的數(shù)據(jù)庫(kù)組織與管理［J］.測(cè)繪科學(xué)，2008(1): 142～147.

［6］ 穆超，余潔，許磊等.基于高分辨率遙感影像的DSM建筑物點(diǎn)的提取研究［J］.武漢大學(xué)學(xué)報(bào)，2009，4(19):115～117.

［7］ Pao La JD，Schowenger R A.A detailed comparison of back propagation neural network and maximum－likelihood classifiers for urban land use classification［J］.IEEE Trans on Geo science and Remote sensing，1995，33(4):981～996.

［8］ Solberg S，Jain A K，Taxt T.Multisource classification of remotely sensed data:Fusion of Landsat TM and SAR Images［J］.IEEE Transactions on Geo science and Remote Sensing，1994，32(4):768～777.

［9］ 吳連喜，王茂新.一種改進(jìn)的最大似然法用于地物識(shí)別［J］.農(nóng)業(yè)工程學(xué)報(bào)，2003，4(19):54～56.

［10］ 馬紅，梁建國(guó).基于馬爾可夫鏈模型的土地利用變化檢測(cè)［J］.城市勘測(cè)，2003(4):112～115.