李樂林， 江萬壽， 郭程方

(1.湖南科技大學地理空間信息技術國家地方聯合工程實驗室，湘潭 411201；2.武漢大學測繪遙感信息工程國家重點實驗室，武漢 430079；3.柳州鐵道職業(yè)技術學院建筑技術學院，柳州 545007)

基于區(qū)域多次回波點密度分析的城區(qū)LiDAR建筑物提取

李樂林1， 江萬壽2， 郭程方3

(1.湖南科技大學地理空間信息技術國家地方聯合工程實驗室，湘潭 411201；2.武漢大學測繪遙感信息工程國家重點實驗室，武漢 430079；3.柳州鐵道職業(yè)技術學院建筑技術學院，柳州 545007)

以正確提取城區(qū)LiDAR點云中建筑物為目標，綜合利用不同類別目標點云的回波特征以及地形信息，提出了一種基于區(qū)域多次回波密度分析的LiDAR點云建筑物提取方法。首先,將點云構建不規(guī)則三角網(triangulated irregular network,TIN)，獲取封閉的等高線；然后，利用等高線間的拓撲關系得到等高線族區(qū)域；最后，統(tǒng)計每一區(qū)域的多次回波點云密度信息，通過建筑物和樹木區(qū)域多次回波點云在區(qū)域密度上的巨大差異來識別建筑物點云和樹木點云。研究結果表明：該方法既充分利用了建筑物表面與植被間多次回波特性的差異，又不否定建筑物邊緣同樣存在多次回波的現象；通過封閉的等高線自適應地檢測出地物目標的輪廓，彌補了傳統(tǒng)LiDAR建筑物提取方法的不足；該方法能夠較其他方法更準確地提取建筑物。

LiDAR；數學形態(tài)學；點云分類；等高線族；區(qū)域多次回波點密度

0 引言

隨著機載激光雷達(LiDAR)技術的發(fā)展，快速獲取大片區(qū)域數字表面模型(digital surface model,DSM)在技術上已經不是難題，但是如何從這些大量的離散LiDAR點云中準確獲取所需信息，如DEM提取，建筑物點云、樹木點云的分類與建模等，成為了當前研究的熱點問題。目前國內外已有大量學者在DEM提取方面做了相關研究，提出了許多效果顯著的算法，地面點和非地面點的分類精度也較高。Sithole和Vosselman[1]對這些算法做了詳盡地總結和對比。但是將非地面激光點云進一步分為建筑物和植被等的研究還不夠深入。大部分學者利用穿透植被的激光點云存在回波差異的特性來對樹木進行分類。其中單次回波多發(fā)生在地面或接近樹冠的部分；而在多次回波中,首次回波大多為接近樹冠部分的反射信號,末次回波一般是較樹冠低一些的枝葉或地面的反射信號。有的學者僅利用首次回波點云數據提取樹木區(qū)域[2]，或者僅利用末次回波點云數據過濾掉大部分樹木信息，來達到提取建筑物的目的[3]。雖然該類方法有助于提取所需的單方面信息，但是首次回波和末次回波中都會同時有建筑物和植被點云，它們沒有被正確地分類，也沒有全部得到利用；也有學者利用多次回波或首末次回波的高程差來區(qū)分建筑物點云或植被點云[4-5]，但該方法也忽略了在建筑物邊緣存在多次回波現象以及具有層次結構的建筑物邊緣點云存在很大高程差現象，結果必然導致建筑物邊緣精度的丟失和部分建筑物邊緣點云被錯誤分類為植被點云。

除了利用點云的回波特性之外，有些學者利用不同材質屬性(如建筑物和樹木)導致的不同回波信息強度來進行分類[6]，但不同的植被之間和建筑物之間，甚至不同地域的植被回波強度信息都是不一致的，并不能用一條很明顯的界線將它們有效地分割開，該方法適應性較差；也有學者利用建筑物區(qū)域和樹木區(qū)域的粗糙度[5]、區(qū)域梯度的一致性[7]、對象區(qū)域內的三角網坡度信息熵大小[8]、對象目標的幾何特征[9]以及大坡度值[10]來區(qū)分建筑物點云和植被點云，但區(qū)域的確定需要不斷地迭代增長，過程繁瑣冗余；還有學者[11]基于一些先驗知識，如本地區(qū)房屋的面積大小等，利用閉合等高線區(qū)域面積的大小來粗略提取建筑物區(qū)域，分離樹木和局部突起的地形點，但在復雜的城市環(huán)境中,樹木可能成片集中或以單株樹木出現，建筑物、植被及局部地形區(qū)域的大小同樣不存在顯著的分割點；此外，還有可能建筑物與樹木相伴，此種情況下等高線將同時包括建筑物和樹木區(qū)域，所以該類方法的適應性還有待驗證。

除了利用機載LiDAR獲取的點云數據來提取建筑物，還有部分學者通過融合LiDAR點云和影像數據來進行建筑物的提取與三維重建。有的學者利用LiDAR數據點集的邊界來定位衛(wèi)星圖像上的感興趣區(qū)域并提取關鍵提示線來實現屋頂的分割，從而得到屬于每個建筑物的屋頂點[12]；也有學者利用多源數據產生的各種信息建立分類規(guī)則并實現基于面向對象的地物分類[13]; 還有學者以提取后的建筑物機載LiDAR數據和配準后的航空影像為基礎，通過結合從LiDAR點云提取建筑物的粗糙輪廓以及從影像上提取精確的建筑物特征線來得到建筑物的外輪廓[14]。一方面，通過融合LiDAR數據和影像數據能夠提供更多的有用信息，以此來提高分類精度，但同時也增加了建筑物提取的難度，因為在這種情況下，LiDAR數據和影像需要進行精確配準才能達到精確分類的目的。

總體來講，這些已有的算法雖然能夠將大部分點云準確地歸類為地面、植被和建筑物點云等，但是均存在一定的不足，甚至對后續(xù)研究造成了一定影響。本文提出的建筑物和植被點云分離的算法中，首先基于數學形態(tài)學濾波方法將LiDAR點云分離出地面點和非地面點，然后利用等高線獲取不同目標區(qū)域的地面點云，同時利用植被區(qū)域和房屋區(qū)域多次回波點云在密度上的巨大差異來識別該建筑物點云和植被點云。該方法既承認了建筑物表面與植被間多次回波特性的差異，又不回避建筑物邊緣同樣存在的多次回波現象，是通過封閉的等高線自適應地檢測出地物目標的輪廓，因而能夠較其他方法更準確地對LiDAR點云進行分類。

1 研究方法

激光穿透性導致多次回波現象不僅發(fā)生在植被區(qū)，同樣也發(fā)生在建筑物邊緣，但地表不存在這種現象；森林和植被區(qū)域的多次回波點密度明顯高于建筑物區(qū)域。圖1為某一植被茂密的城鎮(zhèn)區(qū)域的原始點云及其多次回波點云。

圖1 原始點云(左)及其多次回波點云(右)Fig.1 Raw point clouds(left) and point clouds with multi-return(right)

從圖1(右)可以看出，植被區(qū)域有著高密度的多次回波點，建筑群僅在邊緣地區(qū)存在少量的多次回波點。關于建筑物和植被點云分離的問題可以分解為2個：①地物目標區(qū)域的正確劃分；②選擇顯著性特征，對非地面點云有效地進行分類，該最優(yōu)特征應與尺度、面積大小無關。

經過點云濾波后地面點已得到正確標記，如果能夠將地面凸出物區(qū)域正確地提取出來，再選擇與多次回波點有關的最優(yōu)特征對地面凸出物區(qū)域進行分類，則該區(qū)域建筑物與植被點云的分類將變得十分明確。本文基于區(qū)域的多次回波點云密度分析的LiDAR點云建筑物提取算法可以用圖2來描述。

圖2 LiDAR點云分類算法流程Fig.2 LiDAR point clouds classification algorithm flow

1.1 分離地面點

基于機載LiDAR點云濾波方法主要包括基于數學形態(tài)學[15]、梯度[16]、線性預測[17]、TIN的迭代濾波[18]、區(qū)域增長[19]以及聚類分析[20]的方法等。通過這些方法大多情況下都可獲得較好的地面點和非地面點的初始分類，但各自又有一些缺陷，如：

1)基于線性預測的最小二乘濾波中由于分塊大小固定，當塊的大小設置不當時，或無法完全剔除城區(qū)的房屋數據，只能削去房頂棱角，或過度地削掉地形特征，其結果取決于分塊方式的科學性和地形結果形態(tài)的適應性；在森林和城鎮(zhèn)地區(qū)，當地面點占整個數集的比例比較少時，很難得到準確的地面。

2)基于不規(guī)則三角網(triangulated irregular network,TIN)濾波方法中由于需設置多個參數(如高程差、角度及邊長等)，閾值自適應選取是一個問題，同時過濾灌叢或低矮地面物體時該算法容易過濾掉地形起伏相對劇烈的地面點，產生過濾誤差。

3)基于梯度算法中，計算相異2點間的坡度值或高差，當坡度值或高差超過設定的閾值時，就認為較高點是地物，這種理論的基礎是假設陡坡只會出現在地物數據集中，顯然該假設不太可靠。

4)基于數學形態(tài)學的濾波方法與其他算法一樣，對于陡坡等復雜地形的處理均存在問題，但該方法可以基于格網執(zhí)行，計算效率高。

本文在分離地面點過程中采用了基于數學形態(tài)學的濾波方法。數學形態(tài)學基本思想是用與原始圖像在尺寸和形狀上都有相關性的“結構元”在原始圖像中添放，探測圖像集合結構，獲得原始圖像的尺寸、形狀、連通性、凹凸型、平滑性以及方向性等信息。數學形態(tài)學“結構元”窗口分析的基本運算有腐蝕運算、膨脹運算、開運算和閉運算，在LiDAR點云的濾波分析中，地面點的提取一般采用開運算，同時達到分離非地面點的效果。

圖3為采用多級窗口的數學形態(tài)學方法濾波后對圖1(左)中的點云數據進行地面點云和非地面點云分類的結果。濾波效果較理想，樹木、植被和房屋均被正確地劃分為非地面點云。

圖3 地面點云與非地面點云分類結果Fig.3 Classification results of terrain point clouds and off-terrain point clouds

1.2 地物目標區(qū)域獲取

基于已有的研究[21-22]，將原始點云構成TIN后獲得的閉合等高線能夠很好地反映該區(qū)域的地表形態(tài)；樹木和建筑物區(qū)域先將等同于地形來對待，只有通過后續(xù)的多次回波點密度的分析才能將其正確識別出來。所有的閉合等高線通過拓撲分析將被聚類成不同的等高線族[22]，每1個族代表了不同的地物目標或同一目標的不同層次，每一族中最低高程等高線所囊括的范圍即為該地物目標的所屬區(qū)域。等高線的拓撲聚類過程主要分2步：

1)構建等高線樹。利用一個樹形結構，基于等高線在平面位置上的疊合、相離關系以及在高程方向上的上下關系可以將各閉合等高線連接成一個等高線樹。具體為每一條閉合等高線為樹中的一個節(jié)點，其父節(jié)點為下一高程面上與之在平面位置上存在嵌套或疊合關系的閉合等高線; 同理，其子節(jié)點為上一高程面的與之在平面位置上存在嵌套或疊合關系的閉合等高線。每一節(jié)點只存在唯一的父節(jié)點，但可有多個子節(jié)點。等高線樹構建可以按照由底至頂的順序構建，也可按照由頂至底的順序構建。樹根節(jié)點為一虛擬的節(jié)點，代表大地面。圖4為假想的地物目標及構建的等高線樹。

圖4 假想地物目標及其等高線樹Fig.4 Supposed objects and its corresponding contours tree

從圖4可知，對于同一棟建筑物，等高線生成過程中，設置不同的間距大小將在垂直方向上產生不同的等高線，進而導致不同間距情況下同一棟建筑物的等高線族包含不同的等高線。生成等高線族的目的主要是為了解析建筑物的層次結構，單一等高線族內等高線條數的多少在此處并無多大影響，但為了能夠將建筑物不同層次的結構正確區(qū)分開來，需要確保每一個層次結構至少有一條等高線存在，通常選取1 m作為等高線間距來生成等高線。

2)等高線樹剪枝。剪枝過程即為分族過程，剪枝結果便是各等高線族。具體步驟為從根節(jié)點開始遍歷等高線樹，每一節(jié)點及其單一子節(jié)點聚合為同一等高線族，若碰到有多個子節(jié)點則該等高線族聚合結束，從子節(jié)點開始重新聚合新的等高線族，直至遍歷完所有節(jié)點。生成的等高線族通過該族的首節(jié)點便可以找到其父節(jié)點所在族，亦即新族和父族的拓撲關系仍然保留下來。通過剪枝過程得到了不同的等高線族，同時也建立了一棵等高線族樹。圖5(左)為圖4中的等高線樹進行剪枝后得到的等高線族，不同族等高線以不同的顏色進行區(qū)分，圖5(右)為相應的等高線族樹。

圖5 等高線樹剪枝結果(左)及其相應的等高線族樹(右)Fig.5 Pruning results of the contours tree(left) and tree of contours clusters(right)

1.3 非地面點分配

區(qū)域確定后，所有的非地面點云將被分配到不同的等高線族中。以族為單位進行點云分配，遍歷等高線族樹，分割過程從等高線族樹的葉子節(jié)點開始，每一族內的點云分配具體過程為：①取每一族的最低高程等高線為該等高線族的區(qū)域邊界；②計算該等高線的外接矩形，基于該外接矩形搜索點云格網；③搜索格網內的非地面點云，按點在多邊形內的判定方法判斷點是否落入該等高線族區(qū)域內。若點在多邊形內，則將該點編號保存到等高線族的點云容器中，同時標記該點為已分配點。區(qū)域中可能存在落入2個或者更多族中的點，如果已分配并標記過的點再次落入多邊形內，該點便不再分配到其他族中。

該方法解決了點云分割過程中的區(qū)域自適應問題，分類精度更好，而且分割過程無需迭代，簡單易行。由于在等高線生成過程中，并不是所有的植被點云(如低矮的植被)都能夠生成閉合等高線，且本文已將面積小于10 m2(一般建筑物的面積≥10 m2)的閉合等高線過濾掉，所以，沒有被選入任何一等高線族的非地面點將被分類為低矮植被。

1.4 區(qū)域多次回波點密度

區(qū)域確定后，所有非地面點分割完畢，其中包括了單次回波點云以及多次回波點云。圖6是圖1數據得到的各等高線族，圖中不同的等高線族用不同的顏色進行區(qū)分。

圖6 等高線族區(qū)域Fig.6 Regions of the contour clusters

為了將植被點和建筑物點有效劃分開，選用一個顯著特征量，要求2類點云的特征值差異必須明顯。本文將區(qū)域多次回波點密度作為劃分標準，這是因為：①由于激光的穿透性，植被區(qū)域多次回波點較多且較均勻地密集分布于植被區(qū)域；②建筑物區(qū)域多次回波點稀少且只發(fā)生在建筑物邊緣，建筑物區(qū)域的多次回波點數量和植被區(qū)域的多次回波點數量不在同一個數量級上。鑒于此，綜合利用回波點數和空間體積元素，將區(qū)域多次回波點密度Dmr選作特征量，即

Dmr=Nmr/V

(1)

式中：Dmr為單位體積內多次回波點的點數，即多次回波點密度；Nmr為該區(qū)域范圍內所含的多次回波點的點數(單次回波點除外)；V為該區(qū)域的體積，可通過該區(qū)域的面積與該族等高線最小高程與最大高程之差求出。假定存在一閾值TDmr,當Dmr

只要機載LiDAR系統(tǒng)能夠記錄激光脈沖的2次及以上的多次回波數據，便可求出所選區(qū)域的Dmr,進而作為建筑物和植被點云分離的統(tǒng)計量。現有LiDAR系統(tǒng)已能夠記錄到激光脈沖的多次回波信號，如Leica ALS50-II系統(tǒng)和Optech ALTM-3100EA 系統(tǒng)都可記錄到激光脈沖的4次回波信息。由于激光在樹木和植被區(qū)域具有穿透特性，若回波記錄數越多，則植被區(qū)域所獲得的多次回波點云數量將越大，植被區(qū)域的多次回波點云密度值也將越大；建筑物只在邊緣產生少量的回波數據，因此建筑物區(qū)域的多次回波點云密度幾乎沒有變化，這將更加有利于建筑物和植被點云的分離。

當計算出某一等高線族區(qū)域的Dmr后，便可依據TDmr判定該區(qū)域為建筑物或植被。通常情況下只需一次計算便可以確定點云分類屬性，完成劃分。但在城區(qū)環(huán)境下,特別是住宅區(qū)，可以經常看到樹木和房屋相互交叉在一起，甚至覆蓋到屋頂之上，造成這2種目標點云在平面空間分離存在難度。該情況在LiDAR點云生成的等高線上的直接反映就是建筑物輪廓線將穿過樹木區(qū)域。如圖6所示的建筑物1，其所屬的藍色等高線族便將其右下角的植被區(qū)域包圍進來了，由此造成了建筑物輪廓線的不準確，但這并不影響建筑物點和植被點的分離；由于樹木本身具有輪廓自封閉性，在該黃色等高線族之上將生成一個真正屬于樹木的小的等高線族，通過該小的等高線族區(qū)域的多次回波點密度分析，仍然可以將樹木點和建筑物點正確區(qū)分開來。為此，在點云分類屬性的確定過程中，一旦某點被某一等高線族確認為植被點，那么該點的分類屬性則固定為植被屬性，此后將不再改變。

若需要進行后續(xù)的應用處理(如建筑物三維重建)，待經過區(qū)域多次回波點密度分析后，還需重新生成TIN，追蹤等高線，生成一個相對準確的邊緣。此次構建TIN過程中，只能利用地面點云和已提取出的建筑物點云，植被點云不再加入到TIN中。

2 實驗分析

為了找到將建筑物點云與植被點云進行分離的Dmr分割臨近點，本文對一組植被比較茂密的建筑物區(qū)域進行試驗。在該區(qū)域內隨機選擇25組等高線族作為樣本并對各個等高線族區(qū)域的Dmr進行統(tǒng)計分析，確定Dmr分割閾值。該實驗數據選自TerraSolid附帶的示例數據Hut2000中植被與建筑物混雜比較嚴重的區(qū)域。圖7所示為該區(qū)域內等高線族樣本的Dmr統(tǒng)計結果。

圖7 多次回波點密度統(tǒng)計Fig.7 Statistics of the regional multi-return point density

通過對圖7進行分析，選定Dmr=0.05為植被區(qū)域與建筑物區(qū)域的分割閾值。圖8(左)為選定閾值Dmr=0.05，將Dmr<0.05的等高線族區(qū)域判定為建筑物區(qū)域，將Dmr≥0.05的區(qū)域判定為植被區(qū)域后的非地面點云顯示結果。圖8(右)則為單獨提取出的建筑物點云?？梢钥闯?，選定Dmr=0.05為植被區(qū)域與建筑物區(qū)域分割閾值是合適的。

圖8 非地面點云分類顯示(左)及其單獨提取出的建筑物點云(右)Fig.8 Classification of the off-terrain point clouds(left) and extracted building point clouds(right)

由于缺少點云分類的參考數據，所以本文提出的算法無法通過官方數據得到驗證，無法從定量分析的角度對本算法進行質量評價，但可以根據激光掃描飛行時獲取的相應航片(圖9)進行目視判斷。

圖9 測試區(qū)航空影像Fig.9 Aerial photo of the test region

從目視解譯結果來看，本文提出的基于區(qū)域回波密度分析的點云分類算法分類結果較好，僅有一處低矮的附屬物因緊鄰高大樹木而被誤分為植被點云；植被茂密區(qū)域的建筑物點云和植被點云都被有效地分離開來，為下一步建筑物的重建和植被參數的估計提供了很好的分類結果。此外，本文對其他小類別點云沒有再次進行細分，如圖9中的小汽車點云在圖8中被歸類為低矮植被，但汽車類點云在城區(qū)環(huán)境中應是比較常見的類別，更精細的點云分類將是下一步的研究方向，同時本文提出的方法也有待于更多復雜地區(qū)的數據進行檢驗。

3 結論

1)在形態(tài)學濾波算法基礎上，從原始LiDAR點云數據中分離出地面點云和非地面點云；同時加入基于區(qū)域多次回波密度分析的點云分類思想，通過等高線分族方法自適應地獲取不同地物目標的點云區(qū)域，統(tǒng)計該區(qū)域內的多次回波點密度，根據建筑物和植被在該特征上的顯著性差異，選擇了恰當的分割閾值將植被點云和建筑物點云從非地面點云中正確分類出來。

2)通過分析試驗數據結果，表明該算法能很好地將LiDAR點云正確地劃分為地面點云、植被點云和建筑物點云。

3)該分類方法中沒有考慮其他特殊的分類，如電力線和汽車等。為此，還需要在此基礎上做進一步研究。同時，國際組織ISPRS僅提供了LiDAR點云濾波的標準測試數據與參考數據，本算法無法通過官方數據得到驗證，同時國際上以及國內科研機構在LiDAR點云分類方面也缺少相關的行業(yè)標準，無法給出定量的評價結果。

[1] Sithole G,Vosselman G.Experimental comparison of filter algorithms for bare-Earth extraction from airborne laser scanning point clouds[J].ISPRS Journal of Photogrammetry and Remote Sensing,2004,59(1/2):85-101.

[2] 張齊勇,岑敏儀,周國清,等.城區(qū)LiDAR點云數據的樹木提取[J].測繪學報,2009,38(4):330-335. Zhang Q Y,Cen M Y,Zhou G Q,et al.Extracting trees from LiDAR data in urban region[J].Acta Geodaetica et Cartographica Sinica,2009,38(4):330-335.

[3] 許曉東,張小紅,程世來.航空LiDAR的多次回波探測方法及其在濾波中的應用[J].武漢大學學報:信息科學版,2007,32(9):778-781. Xu X D,Zhang X H,Cheng S L.Detection of multiple echoes and its application in filtering of airborne LiDAR[J].Geomatics and Information Science of Wuhan University,2007,32(9):778-781.

[4] 張小紅.利用機載LiDAR雙次回波高程之差分類激光腳點[J].測繪科學,2006,31(4):48-50. Zhang X H.Airborne LiDAR points cloud classification based on difference of twice return pulse heights[J].Science of Surveying and Mapping,2006,31(4):48-50.

[5] 馬東洋,尚大帥,保永強.一種基于高程差粗糙度的建筑物激光腳點提取方法[J].測繪科學技術學報,2013,30(2):158-161. Ma D Y,Shang D S,Bao Y Q.A building extraction method based on roughness of height difference for airborne LiDAR point cloud data[J].Journal of Geomatics Science and Technology,2013,30(2):158-161.

[6] Zhang Z X,Zhang Y J,Zhang J G,et al.Photogrammetric modeling of linear features with generalized point photogrammetry[J].Photogrammetric Engineering and Remote Sensing,2008,74(9):1119-1127.

[7] Yang Y,Lin Y.Object-based level set model for building detection in urban area[C]//2009 Urban Remote Sensing Joint Event.Shanghai,China:IEEE,2009.

[8] 徐宏根,王建超,鄭雄偉,等.面向對象的植被與建筑物重疊區(qū)域的點云分類方法[J].國土資源遙感,2012,24(2):23-27.doi:10.6046/gtzyyg.2012.02.05. Xu H G,Wang J C,Zheng X W,et al.Object-based point clouds classification of the vegetation and building overlapped area[J].Remote Sensing for Land and Resources,2012,24(2):23-27.doi:10.6046/gtzyyg.2012.02.05.

[9] 徐文學,楊必勝,魏征,等.多標記點過程的LiDAR點云數據建筑物和樹冠提取[J].測繪學報,2013,42(1):51-58. Xu W X,Yang B S,Wei Z,et al.Building and tree crown extraction from LiDAR point cloud data based on multi-marked point process[J].Acta Geodaetica et Cartographica Sinica,2013,42(1):51-58.

[10]李峰,崔希民,袁德寶,等.利用機載LiDAR點云提取復雜城市建筑物面域[J].國土資源遙感,2013,25(3):85-89.doi:10.6046/gtzyyg.2013.03.15. Li F,Cui X M,Yuan D B,et al.Extraction of the building region from airborne LiDAR point clouds under complex urban conditions[J].Remote Sensing for Land and Resources,2013,25(3):85-89.doi:10.6046/gtzyyg.2013.03.15.

[11]任自珍,岑敏儀,張同剛,等.基于等高線的表面估計濾波方法[J].遙感學報,2009,13(1):91-96. Ren Z Z,Cen M Y,Zhang T G,et al.Filtering method of LiDAR data based on contours[J].Journal of Remote Sensing,2009,13(1):91-96.

[12]余燁,劉曉平,Buckles B P.基于數據融合的居民區(qū)建筑物重建方法研究[J].電子學報,2014,42(2):250-256. Yu Y,Liu X P,Buckles B P.Residential building reconstruction based on data fusion[J].Acta Electronica Sinica,2014,42(2):250-256.

[13]謝瑞,程效軍,管海燕.機載激光掃描與航空影像的融合分類與精度分析[J].同濟大學學報:自然科學版,2013,41(4):607-613. Xie R,Cheng X J,Guan H Y.Classification and accuracy analysis of LiDAR and aerial images[J].Journal of Tongji University:Natural Science,2013,41(4):607-613.

[14]李云帆,龔威平,林俞先,等.LiDAR點云與影像相結合的建筑物輪廓信息提取[J].國土資源遙感,2014,26(2):54-59.doi:10.6046/gtzyyg.2014.02.10. Li Y F,Gong W P,Lin Y X,et al.The extraction of building boundaries based on LiDAR point cloud data and imageries[J].Remote Sensing for Land and Resources,2014,26(2):54-59.doi:10.6046/gtzyyg.2014.02.10.

[15]Zhang K Q,Chen S C,Whitman D,et al.A progressive morphological filter for removing nonground measurements from airborne LiDAR data[J].IEEE Transactions on Geoscience and Remote Sensing,2003,41(4):872-882.

[16]李勇,吳華意.基于形態(tài)學梯度的機載激光掃描數據濾波方法[J].遙感學報,2008,12(4):633-639. Li Y,Wu H Y.Filtering airborne LiDAR data based on morphological gradient[J].Journal of Remote Sensing,2008,12(4):633-639.

[17]Pfeifer N,Stadler P,Briese C.Derivation of digital terrain models in the SCOP++environment[C]//OEEPE Workshop on Airborne Laserscanning and Interferometric SAR for Detailed Digital Terrain Models.Stockholm,2001.

[18]Axelsson P.Processing of laser scanner data algorithms and applications[J].ISPRS Journal of Photogrammetry and Remote Sensing,1999,54(2/3):138-147.

[19]Shao Y C,Chen L C.Automated searching of ground points from airborne LiDAR data using a climbing and sliding method[J].Photogrammetric Engineering and Remote Sensing,2008,74(5):625-635.

[20]Chehata N,David N,Bretar F.LiDAR data classification using hierarchical K-Means clustering[J].The International Archives of the Photogrammetry,Remote Sensing and Spatial Information Sciences,2008,37(Part B3b):325-330.

[21]Zhang J,Li L L,Lu Q P,et al.Contour clustering analysis for building reconstruction from LiDAR data[J].The International Archives of the Photogrammetry,Remote Sensing and Spatial Information Sciences,2008,37(Part B3b):355-360.

[22]Li L L,Zhang J,Jiang W S.Automatic complex building reconstruction from LiDAR based on hierarchical structure analysis[C]//MIPPR 2009:Pattern Recognition and Computer Vision,74961J.Yichang,China:SPIE,2009.

(責任編輯：邢宇)

Classification of LiDAR point clouds in urban areas based on the analysis of regional multi-return density

LI Lelin1,JIANG Wanshou2,GUO Chengfang3

(1.National-LocalJointEngineeringLaboratoryofGeo-SpatialInformationTechnology,HunanUniversityofScienceandTechnology,Xiangtan411201,China; 2.StateKeyLaboratoryofInformationEngineeringinSurveying,MappingandRemoteSensing,WuhanUniversity,Wuhan430079,China; 3.ArchitecturalInstituteofTechnology,LiuzhouRailwayVocationalTechnicalCollege,Liuzhou545007,China)

A new strategy for the classification of raw LiDAR points in urban areas,which is based on the comprehensive utilization of echo features of different object types and terrain information,is proposed in this paper according to a regional multi-return density analysis. The main procedure of the classification of the off-terrain points begins with the construction of Triangulated Irregular Network (TIN),and then the region of each object is captured by the contours clustering based on the topological relations of various contours traced from the TIN. Finally,the type of the object is recognized by the statistical analysis of the regional multi-return density through the significant difference between the building region and the vegetation region. This method not only makes good use of the difference in echo features between different objects such as buildings and trees but also confirms the existence of the multi-returns on the edges of the building. At the same time,the adaptive region determination of the objects is accomplished following the contours clustering. So the proposed method can dramatically increase the classification accuracy and overcome the weakness of the traditional methods,thus being more useful to the study and application of such aspects as building reconstruction and parameters estimation of the trees. Experiments prove that the new algorithm can get an effective classification.

LiDAR; mathematical morphology; point clouds classification；contour clusters；regional multi-return points density

2013-12-25；

2014-06-23

湖南省教育廳項目“復雜環(huán)境下基于機載LiDAR點云的建筑物檢測方法研究”(編號：13C325)和國家自然科學青年基金項目“山地城市環(huán)境下等高線輔助的機載LiDAR點云復雜建筑物三維模型重建方法研究”(編號：41401497)共同資助。

10.6046/gtzyyg.2015.02.05

李樂林，江萬壽，郭程方.基于區(qū)域多次回波點密度分析的城區(qū)LiDAR建筑物提取[J].國土資源遙感，2015，27(2)：29-35.(Li L L,Jiang W S,Guo C F.Classification of LiDAR point clouds in urban areas based on the analysis of regional multi-return density[J].Remote Sensing for Land and Resources,2015,27(2)：29-35.)

TP 181; TP 79

A

1001-070X(2015)02-0029-07

李樂林(1981-)，男，博士，講師，主要從事機載LiDAR數據處理及高分辨率遙感影像處理方面的研究。Email: lilelindr@126.com。