陳 宇，徐 青，姚富山，施群山，呂 亮，盧萬杰

(信息工程大學(xué)，河南 鄭州 450001)

影像密集匹配點云的單體化提取

陳 宇，徐 青，姚富山，施群山，呂 亮，盧萬杰

(信息工程大學(xué)，河南 鄭州 450001)

以傾斜影像密集匹配點云數(shù)據(jù)為研究對象，提出了一種快速提取建筑物單體點云模型的方法。首先通過過濾地面點云數(shù)據(jù)以實現(xiàn)地物分離，采用高程頻率直方圖確定植被點云的高程區(qū)間并予以剔除。然后采用基于密度的聚類分析算法對剩余建筑物頂部點云進(jìn)行了聚類。最后根據(jù)每棟獨立建筑物屋頂點云的坐標(biāo)范圍，從原始點云數(shù)據(jù)中提取了每棟獨立建筑物的完整點云，實現(xiàn)了對于傾斜影像密集匹配點云的單體化提取。

傾斜影像；密集匹配點云；聚類分析；高程頻率直方圖；單體化

傾斜攝影技術(shù)通過在同一飛行平臺上搭載多臺傳感器，同時從一個垂直、4個傾斜等多個不同的角度采集影像，獲取包括建筑物多面高分辨率影像在內(nèi)的更加全面的地物信息[1]，是國際測繪領(lǐng)域近年來發(fā)展起來的一項高新技術(shù)，在智慧城市三維地理空間建模中發(fā)揮了重大作用。而在傾斜攝影的高效和降低生產(chǎn)成本的優(yōu)越性之外，行業(yè)用戶對傾斜攝影的性能要求不斷提高，更加期望后續(xù)單體化、屬性掛接、數(shù)據(jù)修改、傾斜三維模型網(wǎng)絡(luò)發(fā)布、移動端等高級功能，其中單體化功能作為建筑物屬性編輯的基礎(chǔ)功能，在構(gòu)建三維地理信息模型時有著不可或缺的重要性。

目前主流的單體化方法主要是對傾斜影像DSM模型進(jìn)行切割或疊加矢量底面。泰瑞與Skyline公司的軟件CityBulider實現(xiàn)了對傾斜模型的切割[2]；超圖公司則實現(xiàn)了疊加矢量面，在渲染層面實現(xiàn)了單體化[3]。

相對于傳統(tǒng)的垂直航空影像，傾斜影像存在著地物分辨率變化大、旋轉(zhuǎn)、幾何變形大、地物遮擋等特點[4]，經(jīng)過傾斜影像密集匹配所得到的點云保存了影像中實體的立面信息，相比較于激光雷達(dá)點云來說具有密度大、信息量豐富、自帶顏色等優(yōu)勢，從點云入手進(jìn)行單體化提取，為傾斜影像建模單體化與信息重建提供了新的思路與方向。

一、建筑物點云的單體化提取方法

從點云數(shù)據(jù)入手進(jìn)行建筑物單體化提取，在一定程度上避免了DSM模型分割時可能會有的建筑物邊緣鋸齒化問題，不需要疊加配套的矢量面，在數(shù)據(jù)處理時可操作空間相對寬松，同時在三維重建的過程中也易于移動和修改。

經(jīng)由傾斜影像密集匹配所生產(chǎn)出的點云數(shù)據(jù)高程信息準(zhǔn)確，并且存在空間分布形態(tài)離散化、紋理信息豐富化、點云位置不均化等特點。對此本文在文獻(xiàn)[5]提出的點云分割方法的基礎(chǔ)上提出了一種基于密集匹配點云的建筑物單體化提取方法，通過設(shè)定高程閾值過濾植被、地面及道路點云，對剩余點云進(jìn)行基于密度的聚類分析。通過提取出的模型頂部點云估算模型在XOY平面的范圍，反向提取濾掉的點云，從而完成建筑物點云模型的單體提取。該方法具體步驟如圖1所示。

圖1 建筑物點云單體提取步驟

1. 基于高程統(tǒng)計方法的點云數(shù)據(jù)過濾

在實際的地形中，建筑物等地物和地表面之間最顯著的區(qū)別在于高程差異。在地勢較為平坦的區(qū)域，尤其是城市區(qū)域，規(guī)則的地表面點云將建筑物等地物連成一體。因此，可以根據(jù)點云高程分布形態(tài)的變化通過迭代的方法將地表濾除[6]以達(dá)到地物分離的效果。

本文借鑒LiDAR點云濾波的方法，采用第三勢差的描述方式，對地面點云數(shù)據(jù)進(jìn)行過濾處理，其表達(dá)式為

(1)式中，k為第三勢差；N為點云的總數(shù)；hi為第i點的高程；i∈{1,2,…，N};σ為樣本標(biāo)準(zhǔn)差；μa為樣本均值。

對于突出地物較多的點云數(shù)據(jù)，k值大于0；對于地面凹陷較多的點云數(shù)據(jù)，k值小于0；而由地面點組成的點云數(shù)據(jù)，高程分布均勻，k值等于0。因此，通過不斷迭代濾除高程最低點，直到k符合要求(大于0)，就可以將地面點清除。

對于平坦地區(qū)(如城市地區(qū))而言，裸露地面點的高程很接近，而地物點通常高矮不一。植被點由于高程較為統(tǒng)一，在高程頻率直方圖上表現(xiàn)為一個較明顯的波峰，且因植被高度與建筑物高度的差異性，該波峰較容易辨識，凡在此高程區(qū)間內(nèi)的點云數(shù)據(jù)即可被暫時當(dāng)作植被點，予以剔除。

2. 獨立建筑物頂部點云提取

通過對地面點和植被點的剔除，剩余點云屬于已經(jīng)相互分離的建筑物頂部模型。本文通過對剩余點云進(jìn)行基于密度的聚類分割，可以對每塊建筑物頂部模型進(jìn)行獨立提取。

(1) DBSCAN聚類分析算法

聚類分析是一種無監(jiān)督學(xué)習(xí)方法，目的是捕獲數(shù)據(jù)的自然結(jié)構(gòu)，從而將數(shù)據(jù)劃分為有意義的組?；诿芏鹊木垲愃惴梢詮浹a(bǔ)層次聚類算法和劃分式聚類算法只能發(fā)現(xiàn)凸形聚類簇的不足，即可發(fā)現(xiàn)各種任意形狀的聚類簇。其核心思想是用一個點鄰域內(nèi)的鄰居點數(shù)衡量該點所在空間的密度?；诿芏鹊木垲惙治龃硭惴ㄓ校篋BSCAN[7]、OPTICS[8]、DENCLUE[9]等算法。

DBSCAN是一種典型的基于密度聚類的方法[9]，十分適合密集匹配點云數(shù)據(jù)密度差異較小的特點，不需要事先指定簇的數(shù)目，可以發(fā)現(xiàn)任意形狀的簇，能夠找出數(shù)據(jù)中的噪音，并且其聚類結(jié)果幾乎不依賴于節(jié)點的遍歷順序。該算法中只有兩個重要參數(shù)：Eps和MinPts，前者為定義密度時的領(lǐng)域半徑，后者為定義核心點時的閾值。為方便起見，本文將Eps和MinPts分別簡記為ε和M。

(2) DBSCAN算法描述

DBSCAN算法的核心思想可描述為：從某個選定的核心點出發(fā)，不斷向密度可達(dá)的區(qū)域擴(kuò)張，從而得到一個包含核心點和邊界點的最大化區(qū)域，區(qū)域中任意兩點密度相連。其中核心點、邊界點與噪音點的關(guān)系描述如圖2所示。

圖2 核心點、邊界點、噪音點的關(guān)系

考慮數(shù)據(jù)集合X={x(1),x(2),…,x(N)}。DBSCAN算法的目標(biāo)是將數(shù)據(jù)集合X分成K個簇及噪音點集合，為此，引入簇標(biāo)記數(shù)組

(2)

由此，DBSCAN算法的目標(biāo)就是生成標(biāo)記數(shù)組mi，i=1,2,…,N，而K即為(mi)(i=1,2，…,N)中互異的非負(fù)數(shù)的個數(shù)。其算法描述如下：

步驟1 初始化

1) 給定參數(shù)ε和M；

2) 生成以ε為半徑的i的鄰域N∈(i),i=1,2,…,N；

3) 令k=1；mi=0,i=1,2,…,N；

4) 令I(lǐng)={1，2，…，N}。

步驟2 生成簇標(biāo)記數(shù)組

WHILE(I≠φ)

{

從Ι中任取一個元素i，并令I(lǐng)≡I/{i}。

IF(mi=0)∥即i號節(jié)點還沒有被處理過

{

1) 初始化T≡N∈(i)

2) 若|T|

①令mi=k。(將i號節(jié)點歸屬于第k個聚類)

② WHILE(T≠φ)

{

(a) 從T中任取元素J，并令T≡T/{j}。

(b) 若mj=0或-1，則令mj=k。

}

③ 令k=k+1(第k個聚類已經(jīng)完成，開始下一個聚類)。

}

}

3. 獨立建筑物模型的范圍與完整點云提取

利用過濾點云數(shù)據(jù)與密度聚類分析提取的獨立建筑物點云，由于高度直方圖的原因過濾掉了模型中部與底部的點云，需通過建筑物頂部點云確定建筑物范圍，再從清除掉地面點的點云數(shù)據(jù)中提取建筑物全部點云。具體步驟如下：

1) 對提取出的獨立點云進(jìn)行統(tǒng)計，確定每個點云簇的X和Y的最大最小值。

2) 根據(jù)確定的范圍，在無地面點的點云數(shù)據(jù)中提取范圍內(nèi)點云。

3) 判斷提取出的點云模型的最低點高程，有些建筑底部樓層面積會遠(yuǎn)大于頂部，需要根據(jù)情況擴(kuò)大提取范圍。

二、試驗結(jié)果

試驗影像采用中航四維公司的運(yùn)五飛機(jī)搭載微軟公司UCOP傾斜相機(jī)進(jìn)行采集，采用UCO相機(jī)平臺，10個鏡頭(包括2個全色鏡頭、1個RGB彩色鏡頭、1個近紅外鏡頭和6個傾斜鏡頭)，中心區(qū)域航向重疊為80%，旁向重疊為80%。對于傾斜影像的空三處理與密集匹配采用smart3Dcapture軟件，最后獲得20像素分辨率的小范圍區(qū)域las點云文件，如圖3所示。

圖3 點云文件

1. 地面點去除結(jié)果

本文對圖3中的點云數(shù)據(jù)進(jìn)行地面點的去除，進(jìn)行迭代過濾之后得到建筑物區(qū)域及植被區(qū)域的分離點云，如圖4所示，其中規(guī)則圖形為建筑物，其余為植被與噪聲。

圖4 建筑物區(qū)域與植被區(qū)域的分離點云

2. 高程頻率直方圖

試驗結(jié)果中地面點的高程頻率直方圖如圖5所示。

圖5 高程頻率直方圖

由圖5可見，低高程點云(包含大部分植被)基本分布在3～10 m區(qū)間范圍內(nèi)。對于地物復(fù)雜、地勢平緩的區(qū)域，該高程區(qū)間符合實際情況。以此直方圖為依據(jù)設(shè)定閾值為10 m，可以獲取剔除結(jié)果如圖6所示。

圖6 剔除結(jié)果

該地區(qū)正射影像如圖7所示。

圖7 正射影像

3. 基于密度的聚類分析

根據(jù)植被剔除結(jié)果，通過對試驗區(qū)域大小、點云建筑物間位置關(guān)系與密集匹配點云選點精度進(jìn)行判定，本文選定ε為5，M為14，所得聚類結(jié)果如圖8所示。

圖8 聚類分析結(jié)果

4. 獨立模型范圍提取

對聚類后的每一個簇進(jìn)行范圍分析，提取點云簇坐標(biāo)中的X和Y的最大最小值，能夠確定每棟建筑物的實際位置。所得結(jié)果在WGS-84坐標(biāo)下的位置見表1。

表1 各點云簇范圍 m

5. 完整建筑物點云提取

通過已經(jīng)得到的每棟建筑物的位置，如圖9所示，可以從過濾掉地面的原始點云中提取每棟建筑物的完整點云。

6. 試驗總結(jié)

本次試驗所用數(shù)據(jù)來自于大同市城區(qū)某小區(qū)的傾斜影像，該小區(qū)地表面較為平坦，建筑物類型較為豐富，植被高度較為齊全。經(jīng)過去除地面點、按高度設(shè)定閾值分割點云、基于密度進(jìn)行聚類分析、獨立范圍模型提取與建筑物完整點云提取等步驟，所得試驗結(jié)果即為單體化提取后建筑物點云模型。通過試驗結(jié)果圖9與圖7試驗區(qū)域正射影像的對比可以看出，經(jīng)本試驗提取的建筑物位置和范圍與實際建筑物位置和范圍基本吻合，而與圖3原始點云的對比可以看出，在對試驗區(qū)域的原始密集匹配點云進(jìn)行處理之后，該區(qū)域內(nèi)的建筑物點云相互獨立，確實達(dá)到了建筑物點云單體化提取的效果。

圖9 完整建筑物點云提取

三、結(jié)束語

本文以傾斜影像密集匹配點云數(shù)據(jù)為研究對象，提出了一種快速提取建筑物單體點云模型的方法。

該方法從點云數(shù)據(jù)出發(fā)，避免了以DSM模型為基礎(chǔ)進(jìn)行單體化提取時存在的邊緣鋸齒化、紋理不可裁、矢量面疊加過程繁瑣等問題，并且充分借鑒了激光雷達(dá)點云數(shù)據(jù)處理的一些方法，在一定程度上提高了數(shù)據(jù)處理的效率，從而實現(xiàn)了建筑物單體點云的范圍確定與提取。對大同市某小區(qū)的傾斜影像數(shù)據(jù)進(jìn)行試驗的結(jié)果表明，提取的建筑物點云很好地符合了建筑物正射影像的位置輪廓，為后期的建筑物構(gòu)建TIN模型與紋理映射提供了很好的數(shù)據(jù)。本文提出的建筑物點云單體提取方法對居民區(qū)比較實用，對于植被資源較為豐富或建筑物上下形狀較為復(fù)雜的區(qū)域可能還有一些局限，在試驗結(jié)果中，右下角的建筑物由于同其周圍植被存在相互貼緊、高度一致的問題，從而導(dǎo)致其形狀與點云范圍很難分辨，而建筑物周圍也存在一些噪聲點無法消除，這也是本文需要進(jìn)一步改進(jìn)的地方。

[1] 張春森，張衛(wèi)龍，郭丙軒，等．傾斜影像的三維紋理快速重建[J]．測繪學(xué)報，2015，44(7)：782-790．

[2] 超圖軟件.傾斜攝影自動化建模成果的數(shù)據(jù)組織和單體化[EB/OL].(2015-04-23).http:∥news.3snews.net/2015/0423/38204.html.

[3] 泰瑞數(shù)創(chuàng).傾斜攝影三維實景應(yīng)用技術(shù)核心揭秘——單體化中的分離技術(shù)[EB/OL].(2015-04-15).http:∥www.terra-it.cn/ndetail.aspx?NewsID=163.

[4] 閆利，葉志云．幾何約束條件下的SIFT傾斜影像匹配[J]．測繪通報，2016(1):37-40．

[5] 清華大學(xué).一種點云分割方法及裝置:中國,CN201410410469.2[P].2014-11-12.

[6] 龔亮,張永生,施群山.基于高程統(tǒng)計方法的機(jī)載LiDAR點云數(shù)據(jù)濾波[J].測繪與空間地理信息,2000，35(2)：42-45.

[7] ESTERM M，KRIEGEL H P，SANDER J，et al． A Density-based Algorithm for Discovering Clusters in Large Spatial Databases with Noise[C]∥Proceedings of the 1996 2nd International Conference on Knowledge Discovery and Data Mining． Portland: AAAI Press，1996: 226-231．

[8] ANKERST M,BREUNIG M,KRIEG EL H-P,et al.OPTICS:Ordering Points to Identify the Clustering Structure[C]∥Proc 1999 ACM-SIGMOD Int. Conf.on Management of Data. Philadelphia：[s.n.]，1999.

[9] HINNEBURG A,KEIM D A.A General Approach to Clustering in Large Databases with Noise [J].Knowledge and Information Systems,2003(5):387-415.

[10] 姚君蘭,王紅,胡斌斌.基于矢量數(shù)據(jù)的城市建成區(qū)范圍提取方法[J].測繪通報,2016(5):84-87.

[11] 朱磊，王健，許開輝,等.采用聚類分析的車載點云地物分類[J].測繪科學(xué)，2016,41(4):78-82.

[12] 雷敏，仲思東，屠禮芬.一種三維點云聚類算法的研究[J].科學(xué)技術(shù)與工程，2014,14(29)：50-53.

[13] 王偉，黃雯雯，鎮(zhèn)姣.Pictometry傾斜攝影技術(shù)及其在三維城市建模中的應(yīng)用[J].測繪與空間地理信息，2011,34(3)：181-183.

[14] 李鎮(zhèn)洲，張學(xué)之.基于傾斜攝影測量技術(shù)快速建立城市3維模型研究[J].測繪與空間地理信息,2012,35(4):117-119.

[15] 桂德竹.基于組合寬角相機(jī)低空影像的城市建筑物三維模型構(gòu)建研究[D].北京：中國礦業(yè)大學(xué)(北京)，2010.

Single Target Extraction of Dense Matching Point Cloud

CHEN Yu，XU Qing，YAO Fushan，SHI Qunshan，Lü Liang，LU Wanjie

2016-07-21；

陳 宇(1990—)，男，碩士生，研究方向為攝影測量與遙感。E-mail：arbiterchen@163.com

陳宇，徐青，姚富山，等.影像密集匹配點云的單體化提取[J].測繪通報，2016(12)：51-55.

10.13474/j.cnki.11-2246.2016.0400.

P237

B

0494-0911(2016)12-0051-05

修回日期：2016-11-02