胡澄宇，汪仁銀，張金花，趙鴻彬，陳 銳

(1.四川水利職業(yè)技術(shù)學(xué)院，四川 成都 611230;2.四川省第三測(cè)繪工程院，四川 成都 610500;3.西南交通大學(xué) 地球科學(xué)與環(huán)境工程學(xué)院，四川 成都 611756)

引用著錄：胡澄宇，汪仁銀，張金花，等.一種基于機(jī)載LiDAR點(diǎn)云的林間道路提取方法[J].測(cè)繪工程，2017，26(12)：60-63，75.

DOI:10.19349/j.cnki.issn1006-7949.2017.12.012

一種基于機(jī)載LiDAR點(diǎn)云的林間道路提取方法

胡澄宇1，汪仁銀1，張金花2，趙鴻彬3，陳 銳1

(1.四川水利職業(yè)技術(shù)學(xué)院，四川 成都 611230;2.四川省第三測(cè)繪工程院，四川 成都 610500;3.西南交通大學(xué) 地球科學(xué)與環(huán)境工程學(xué)院，四川 成都 611756)

基于林間道路的形態(tài)特征和支持向量機(jī)原理(SVM)，提出一種從機(jī)載LiDAR點(diǎn)云數(shù)據(jù)中提取林間道路的方法。首先，選取末次回波去噪、柵格化，生成數(shù)字表面模型(DSM)和強(qiáng)度信息模型(DIM)；然后，通過(guò)支持向量機(jī)對(duì)坡度信息進(jìn)行分類，得到道路潛在區(qū)域；再對(duì)道路潛在區(qū)域進(jìn)行強(qiáng)度信息的分類，得到含有少量噪聲的初始道路區(qū)域；最后，利用形態(tài)參數(shù)對(duì)初始道路區(qū)域進(jìn)行去噪、精化，得出最終道路區(qū)域。實(shí)驗(yàn)證明，該方法能較好地提取出道路區(qū)域。

機(jī)載LiDAR；林間道路；分類提取；SVM

森林道路是人類交通的重要組成部分，在人類對(duì)森林的管理中起著重要的作用，林間道路的數(shù)據(jù)采集對(duì)于車輛導(dǎo)航、火災(zāi)搶險(xiǎn)、林業(yè)研究、地籍管理、GIS數(shù)據(jù)庫(kù)更新等是必不可少的數(shù)據(jù)源。機(jī)載激光雷達(dá)(light detection and ranging，LiDAR) 能穿透部分樹木遮擋到達(dá)地面采集激光腳點(diǎn)的三維坐標(biāo)信息，且機(jī)載LiDAR能記錄激光腳點(diǎn)反射的強(qiáng)度信息。機(jī)載LiDAR提取的高精度的高程數(shù)據(jù)能夠區(qū)分不同地物，且不同屬性的地物在強(qiáng)度信息上也有著顯著的區(qū)別，因此機(jī)載LiDAR可提供高精度的數(shù)據(jù)源用于快速提取林間道路[1]。

目前利用LiDAR點(diǎn)云數(shù)據(jù)進(jìn)行提取道路的研究較為廣泛，其中主要是對(duì)城市道路的提取較為常見[2-5]。曾靜靜(2011)等人就利用LiDAR回波信息強(qiáng)度標(biāo)定的方法提取道路；龔亮(2011)等人采用了強(qiáng)度聚類對(duì)道路進(jìn)行提取，上述的道路提取方法僅利用了強(qiáng)度信息，沒(méi)有充分利用高程信息。在林間道路的研究中，White(2010)等人利用LiDAR的高程信息與GIS結(jié)合提取林間道路信息[6]；Azizi (2014)利用高程信息結(jié)合強(qiáng)度信息對(duì)森林道路進(jìn)行提取[7]，這些方法處理過(guò)程較為復(fù)雜，且在提取林間道路之前需先進(jìn)行濾波運(yùn)算，濾波參數(shù)設(shè)置的影響勢(shì)必會(huì)影響道路提取的精度[8]。本文基于前人研究的基礎(chǔ)上，采用一種機(jī)器學(xué)習(xí)方法(支持向量機(jī))直接對(duì)林間道路進(jìn)行提取，提出了一種可行的林間道路的提取方法。

1 林間道路提取方法

現(xiàn)實(shí)中的道路具有連續(xù)、平整等特征，所以針對(duì)道路提取二分類問(wèn)題及道路的強(qiáng)度屬性、平順性，本文采用了支持向量機(jī)(SVM)分別對(duì)強(qiáng)度信息與坡度信息(平順性)進(jìn)行了分類，將分類出的初始道路數(shù)據(jù)根據(jù)道路面積屬性，進(jìn)行面積約束剔除噪聲，最后得到林間道路區(qū)域。技術(shù)流程見圖1。

圖1 林間道路提取的技術(shù)流程

1.1 數(shù)據(jù)預(yù)處理

將點(diǎn)云高程數(shù)據(jù)生成直方圖，檢查是否擁有粗差，若存在粗差，選擇適當(dāng)高差閾值對(duì)粗差進(jìn)行剔除。由于點(diǎn)云數(shù)據(jù)的不規(guī)則離散性，故需要對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行柵格化處理。根據(jù)點(diǎn)云數(shù)據(jù)的范圍，設(shè)定柵格尺寸，將點(diǎn)云區(qū)域劃分成大小均勻的規(guī)則格網(wǎng)。柵格的高程值取落入柵格內(nèi)的最小高程值，取最小高程點(diǎn)的反射強(qiáng)度代表格網(wǎng)的反射強(qiáng)度值。對(duì)于無(wú)激光腳點(diǎn)落入的柵格，采用臨近填充的方法對(duì)其進(jìn)行填充。最后得到點(diǎn)云區(qū)域的數(shù)字表面模型(Digital Surface Model, DSM)以及強(qiáng)度信息模型(Digital Intensity Model, DIM)。

計(jì)算每個(gè)格網(wǎng)的坡度值[9]，

(1)

(2)

(3)

其中:zi,j+1,zi,j-1,zi+1,j,zi-1,j分別表示對(duì)應(yīng)行列號(hào)的內(nèi)柵格的高程值。c為規(guī)則柵格的大小。得到格網(wǎng)坡度值后，對(duì)其進(jìn)行形態(tài)學(xué)運(yùn)算，以消除建筑物和部分樹木坡度的影響。

1.2 基于SVM對(duì)道路信息進(jìn)行分類

根據(jù)道路提取的分類需求，將點(diǎn)云數(shù)據(jù)分類為“道路”和“非道路”兩類，且由于道路信息是混雜在點(diǎn)云數(shù)據(jù)當(dāng)中，這樣的分類問(wèn)題往往是非線性的。SVM就是在兩類之間尋求一個(gè)最優(yōu)分類面，且能在高維度空間將非線性的分類問(wèn)題轉(zhuǎn)化為線性問(wèn)題解決。因此，本文先對(duì)其坡度信息采用SVM進(jìn)行分類，再對(duì)分類出的道路潛在區(qū)域進(jìn)行強(qiáng)度信息的分類，最后得到初始道路數(shù)據(jù)。

1.3 道路的精化

初始道路數(shù)據(jù)中仍然存在少量離散噪聲，通過(guò)形態(tài)學(xué)閉運(yùn)算平滑道路邊界，填補(bǔ)道路內(nèi)部少量缺失。又由于道路具有連續(xù)性，所以道路的面積通常遠(yuǎn)大于離散噪聲的面積，本文通過(guò)設(shè)置面積閾值去除噪聲，得到最后的道路區(qū)域。

2 實(shí)驗(yàn)與結(jié)果分析

對(duì)于實(shí)驗(yàn)數(shù)據(jù)的選擇，所選實(shí)驗(yàn)區(qū)域應(yīng)位于植被茂密、地形起伏的林地地區(qū)。為了確保數(shù)據(jù)的有效性和普適性，實(shí)驗(yàn)區(qū)域不應(yīng)太小，實(shí)驗(yàn)面積應(yīng)不小于1 km2；其中應(yīng)盡量包含豐富的地物信息，如樹木、道路、裸露地面等信息。為了滿足實(shí)驗(yàn)數(shù)據(jù)的要求，本文最終采用的實(shí)驗(yàn)數(shù)據(jù)來(lái)自美國(guó)NSF(National Science Foundation)的Open Topography Facility在Andrews Experimental Forest 和 Willamette National Forest地區(qū)的兩塊大小約為1 km2機(jī)載LiDAR點(diǎn)云數(shù)據(jù)，分別為Samp1與Samp2，平均點(diǎn)云密度12.23 pt/m2，Samp1中的道路蜿蜒且有分支，Samp2中的道路較直且狹長(zhǎng)。Samp1長(zhǎng)約1.1 km，寬約1.04 km，總點(diǎn)數(shù)為13 397 007 pt；Samp2長(zhǎng)約2.58 km，寬約0.76 km，總點(diǎn)數(shù)為20 215 704 pt。

去除粗差后，將柵格大小設(shè)為1 m進(jìn)行數(shù)據(jù)的柵格化，再對(duì)空白柵格進(jìn)行臨近填充，得到DSM和DIM，如圖2所示。

根據(jù)LiDAR點(diǎn)云的正射影像圖像沿著道路均勻選取少量的道路樣本點(diǎn)，隨機(jī)選取一定量非道路樣本點(diǎn)。本文Samp1選取了122個(gè)道路點(diǎn)樣本，道路樣本點(diǎn)盡量位于道路內(nèi)部，隨機(jī)選取了4 418個(gè)非道路樣本；Samp2選取了98個(gè)道路點(diǎn)樣本，隨機(jī)選取了1 018個(gè)非道路點(diǎn)樣本。先對(duì)明顯偏大的坡度予以剔除，再使用SVM對(duì)包含道路的潛在區(qū)域進(jìn)行坡度分類，核函數(shù)選取徑向基核(RBF)，懲罰系數(shù)C選取0.1。得到剔除了大部分噪聲的道路潛在區(qū)域(見圖3)，再使用SVM對(duì)該區(qū)域進(jìn)行強(qiáng)度信息分類，核函數(shù)選取徑向基核(RBF)，懲罰系數(shù)C選取10，最后得到初始道路區(qū)域(見圖3)。通過(guò)樣本間的交叉驗(yàn)證，得到SVM分類器預(yù)測(cè)精度(見表1)。

圖2 DSM和DIM

%

由SVM分類器預(yù)測(cè)精度表(表1)可知，經(jīng)過(guò)坡度和強(qiáng)度信息的分類，道路信息能被較為完整的提取出來(lái)。通過(guò)分類后的圖像(圖3)可知，經(jīng)過(guò)兩次的分類去噪，滿足分類條件的噪聲信息也被保留了下來(lái)，但剩余的噪聲信息數(shù)量銳減，且呈離散分布的狀態(tài)。綜上所述，經(jīng)過(guò)分類之后，雖然仍存在部分離散噪聲信息，但道路信息被較為完整的保留了下來(lái)；為下一步的去噪提供了數(shù)據(jù)基礎(chǔ)，也保證了道路提取的精度。

對(duì)上述初始道路區(qū)域進(jìn)行形態(tài)學(xué)窗口為2 m的閉運(yùn)算，平滑道路邊界，填補(bǔ)道路內(nèi)部少量缺失，Samp1取面積閾值100 m2將噪聲去除，Samp2取面積閾值50 m2去除噪聲，得到的道路區(qū)域。圖4為提取的道路區(qū)域與正射影像的疊加對(duì)比。

實(shí)驗(yàn)結(jié)果證明，本文提出分類方法能比較準(zhǔn)確地提取出森林區(qū)域的道路信息，完整度較高，能與實(shí)際道路較好套合；這是因?yàn)楸疚膶?duì)道路特性的層層挖掘，并使用了效果較好機(jī)器學(xué)習(xí)理論SVM用于分類。不過(guò)本文成果中仍有少量道路中斷，這可能是由于樹木過(guò)于茂密，激光無(wú)法穿透所致，這在以后的研究中還值得去完善。

圖3 坡度分類后的潛在區(qū)域與初始道路區(qū)域

3 結(jié)束語(yǔ)

本文提出了一種利用SVM對(duì)LiDAR點(diǎn)云數(shù)據(jù)的三維信息和強(qiáng)度信息進(jìn)行道路信息分類的方法，利用少量道路與非道路樣本信息，對(duì)道路進(jìn)行提取，并利用面積閾值精化道路區(qū)域。實(shí)驗(yàn)表明，該方法能夠較為準(zhǔn)確、完整地提取出林間道路信息，具有一定的實(shí)用性。同時(shí)，該方法還存在著一些不足：該方法還不能完全自動(dòng)化，分類參數(shù)設(shè)置還需要人工選擇設(shè)置；對(duì)于該方法的實(shí)際提取精度有待進(jìn)一步研究。探尋一種高精度、自適應(yīng)的林間道路提取方法仍是未來(lái)研究的方向。

[1] 劉經(jīng)南, 張小紅. 利用激光強(qiáng)度信息分類激光掃描測(cè)高數(shù)據(jù) [J]. 武漢大學(xué)學(xué)報(bào)(信息科學(xué)版), 2005, 30(3): 189-193.

[2] 曾靜靜, 盧秀山, 王健，等. 基于LIDAR回波信息的道路提取 [J]. 測(cè)繪科學(xué), 2011, 36(2): 142-143.

[3] 陳卓, 馬洪超, 李云帆. 結(jié)合角度紋理信息和Snake方法從LiDAR點(diǎn)云數(shù)據(jù)中提取道路交叉口 [J]. 國(guó)土資源遙感, 2013, 25(4): 79-84.

[4] 田茂義, 李鵬飛,俞家勇,等.格網(wǎng)鄰域?yàn)V波在車載激光點(diǎn)云道路邊線提取中的方法研究[J].測(cè)繪與空間地理信息,2016,39(5):8-10，16.

[5] 龔亮, 張永生, 李正國(guó)，等. 基于強(qiáng)度信息聚類的機(jī)載LiDAR點(diǎn)云道路提取 [J]. 測(cè)繪通報(bào), 2011(9): 15-17.

[6] WHITE R A, DIETTERICK B C, MASTIN T, et al. Forest Roads Mapped Using LiDAR in Steep Forested Terrain [J]. Remote Sensing, 2010, 2(4): 1120-1141.

[7] AZIZI Z, NAJAFI A, SADEGHIAN S. Forest Road Detection Using LiDAR Data [J]. Journal of Forestry Research, 2014, 25(4): 975-980.

[8] PINGEL T J, CLARKE K C, MCBRIDE W A. An improved simple morphological filter for the terrain classification of airborne LIDAR data [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2013, 77:21-30.

[9] 李峰, 崔希民, 袁德寶，等. 改進(jìn)坡度的LiDAR點(diǎn)云形態(tài)學(xué)濾波算法 [J]. 大地測(cè)量與地球動(dòng)力學(xué), 2012, 32(5): 128-132.

[責(zé)任編輯：李銘娜]

ForestroadextractionbasedonairborneLiDAR

HU Chengyu1, WANG Renyin1,ZHANG Jinhua2,ZHAO Hongbin3, CHEN Rui1

(1.Sichuan Water Conservancy Vocational College, Chengdu 611230,China;2.The Third Surveying and Mapping Engineering Institute of Sichuan, Chengdu 610500,China;3.School of Geosciences and Environmental Engineering, Southwest Jiaotong University, Chengdu 611756,China)

Based on morphological features of forest road and support vector machine(SVM), this paper develops a classification method for forest road extraction from LiDAR point clouds. First, it deletes the outliers and generates the digital surface model (DSM) and digital intensity models(DIM). Next, it extracts the road with slope by support vector machine, for which a potential road area can be obtained. Then, it classifies the intensity of the potential road area by support vector machine, for which the initial road area with a few noises is generated. Finally, it smoothes the edge and controls the area size, for which the road points can be extracted. The experiment shows that the proposed algorithm can extract the road points cloud well.

airborne LiDAR; forest road; extraction; SVM

P237

A

1006-7949(2017)12-0060-04

2016-09-02

測(cè)繪地理信息公益性行業(yè)科研專項(xiàng)經(jīng)費(fèi)(201412010)；四川省安全監(jiān)管局安全生產(chǎn)科技項(xiàng)目(2016018)；四川省安全監(jiān)管局(四川煤監(jiān)局)安全生產(chǎn)科技項(xiàng)目(20150016)

胡澄宇(1992-),男,助教.