王金霞 竇愛霞 王曉青 黃樹松 張雪華

?

地震后機(jī)載LiDAR點(diǎn)云的地物區(qū)分方法研究1

王金霞 竇愛霞 王曉青 黃樹松 張雪華

（中國地震局地震預(yù)測研究所，北京 100036）

利用機(jī)載激光雷達(dá)掃描（Light Detection and Ranging，LiDAR）技術(shù)所得點(diǎn)云進(jìn)行震后倒塌建筑物提取時(shí)，樹木與倒塌建筑物的點(diǎn)云特征十分相似，較難區(qū)分。為了快速準(zhǔn)確獲取震后房屋建筑物的受損情況，本文提出使用回波次數(shù)比特征指標(biāo)，結(jié)合前人所提出的點(diǎn)云回波強(qiáng)度、歸一化強(qiáng)度、最鄰近點(diǎn)高差、法向量夾角、向坡角和向坡角等特征的均值和標(biāo)準(zhǔn)差，利用-最近鄰分類法實(shí)現(xiàn)單體地物區(qū)分的方法。對2010年海地7.0地震震后機(jī)載LiDAR數(shù)據(jù)進(jìn)行了地面點(diǎn)去除，分別選取了未倒塌建筑物、倒塌建筑物和樹木各50個(gè)訓(xùn)練樣本和各20個(gè)測試樣本，計(jì)算了各因子的分布及其均值和標(biāo)準(zhǔn)差，在分析的基礎(chǔ)上最終選取了可分性較強(qiáng)的8個(gè)分類特征，利用-最近鄰分類法對測試樣本進(jìn)行了分類，結(jié)果顯示分類正確率可達(dá)85%以上。研究表明選取多個(gè)有效的LiDAR點(diǎn)云分類特征可以較好地區(qū)分震后未倒塌建筑物、倒塌建筑物和樹木，提高震后建筑物震害程度判定的準(zhǔn)確性，為應(yīng)急救援及時(shí)提供較為準(zhǔn)確的災(zāi)情信息支持。

機(jī)載LiDAR點(diǎn)云-最近鄰分類法 倒塌建筑物 地震應(yīng)急 分類

引言

我國是世界上地震活動強(qiáng)烈和地震災(zāi)害嚴(yán)重的國家之一，地震帶來的人員傷亡、經(jīng)濟(jì)損失巨大，災(zāi)害發(fā)生后的應(yīng)急救援工作十分重要。目前，受災(zāi)區(qū)范圍大、破壞嚴(yán)重、地形復(fù)雜、天氣惡劣等條件的限制，傳統(tǒng)地面現(xiàn)場調(diào)研方法不能滿足震后應(yīng)急需求，因此各種遙感影像廣泛應(yīng)用于震后救援與應(yīng)急中（宿淵源等，2012；楊樂等，2012），使遙感技術(shù)成為震害提取和損失評估的重要手段（陳鑫連，1995；王曉青等，2008；姜立新等，2012）。大部分光學(xué)影像不能提供高程信息，個(gè)別可提供高程信息，但精度不高，制約了對震害信息的提取，而機(jī)載激光雷達(dá)技術(shù)則可以彌補(bǔ)此不足。機(jī)載激光雷達(dá)掃描（Light Detection and Ranging，下文簡稱LiDAR）技術(shù)能夠提供高精度的三維空間信息，能增強(qiáng)對受損建筑物的識別。同時(shí)，與光學(xué)遙感測量相比，機(jī)載激光雷達(dá)測量受日照和云霧天氣條件的影響較小，基本可實(shí)現(xiàn)全天候觀測。在2008年汶川8.0級地震（馬洪超等，2008）、2010年海地7.0級地震（Margesson等，2010）、2011年3月11日日本地震海嘯（Fritz等，2011）等地震的應(yīng)急響應(yīng)階段，應(yīng)急人員均利用LiDAR技術(shù)快速獲取了災(zāi)區(qū)的高精度空間數(shù)據(jù)。特大地震災(zāi)害應(yīng)急響應(yīng)實(shí)踐證實(shí)，機(jī)載LiDAR技術(shù)在震后交通不暢、地形復(fù)雜、氣象條件差的地區(qū)，具備災(zāi)情數(shù)據(jù)獲取能力。因此，基于震后機(jī)載激光雷達(dá)點(diǎn)云進(jìn)行地物識別，尤其是對受損房屋建筑進(jìn)行提取具有重要意義。

目前，機(jī)載LiDAR技術(shù)在地震應(yīng)急領(lǐng)域的應(yīng)用日益廣泛，主要研究方法可分為基于不同時(shí)相的激光雷達(dá)點(diǎn)云信息提取、LiDAR點(diǎn)云與其他遙感影像相結(jié)合的信息處理和單時(shí)相LiDAR點(diǎn)云信息提取。當(dāng)前大部分地區(qū)的震前LiDAR數(shù)據(jù)匱乏，基于不同時(shí)相的點(diǎn)云信息提取在地震應(yīng)急過程中較難實(shí)現(xiàn)。而LiDAR點(diǎn)云與高分辨率衛(wèi)星影像相結(jié)合（程亮等，2008；竇愛霞等，2013），或者與航空影像相結(jié)合（張志友，2008；鄧非等，2010；Trinder等，2012），綜合運(yùn)用遙感影像的光譜信息和LiDAR數(shù)據(jù)的三維信息，精確提取地物目標(biāo)的方法已被廣泛應(yīng)用，但存在不同數(shù)據(jù)融合和匹配困難、易引入分辨率差異等缺點(diǎn)。利用震后單時(shí)相機(jī)載LiDAR數(shù)據(jù)則可避免多時(shí)相LiDAR數(shù)據(jù)的數(shù)據(jù)源匱乏、多源數(shù)據(jù)的匹配融合等問題，較適合應(yīng)用于地震應(yīng)急救援。Dorninger等（2008）提出了基于機(jī)載LiDAR點(diǎn)云，通過建筑物輪廓、面片的提取實(shí)現(xiàn)城市建筑物三維自動建模的方法；Labiak等（2011）利用移動窗口的方法對點(diǎn)云多個(gè)特征因子進(jìn)行統(tǒng)計(jì)，得到柵格影像，以盡可能識別出樹木，但僅用坡度特征因子對受損建筑物進(jìn)行提取和定量化，忽視了其他特征對受損建筑物的識別能力。目前，基于震后單時(shí)相機(jī)載LiDAR數(shù)據(jù)對建筑物震害識別開展的研究較少，且研究方法多面向單個(gè)點(diǎn)的特征。針對單個(gè)點(diǎn)特征的研究可以避免點(diǎn)云劃分，即同一地物對象點(diǎn)云聚合，但沒有考慮地物對象整體點(diǎn)云的特征關(guān)系。

本文在前人研究的基礎(chǔ)上，提出反映地物對象點(diǎn)云整體特征的回波次數(shù)特征指標(biāo)，并結(jié)合回波強(qiáng)度、法向量、坡角及高差等已有的機(jī)載LiDAR點(diǎn)云特征，以海地地震部分災(zāi)區(qū)為研究區(qū)，分析倒塌、未倒塌建筑物以及樹木等的LiDAR點(diǎn)云的各特征均值和標(biāo)準(zhǔn)差分布情況，挑選有效的分類敏感特征，再利用-最近鄰分類方法對測試樣本進(jìn)行建筑物震害程度的分類提取與驗(yàn)證，以探討利用LiDAR數(shù)據(jù)對未倒塌建筑物、倒塌建筑物和樹木進(jìn)行識別的效果。

1 方法

1.1 分類特征

通常機(jī)載LiDAR點(diǎn)云信息除點(diǎn)的三維坐標(biāo)信息外，還包括點(diǎn)的回波強(qiáng)度、回波次數(shù)信息。同時(shí)，同一地物對象包含一系列的點(diǎn)云，其中某一點(diǎn)鄰域內(nèi)的點(diǎn)集，將從空間形態(tài)、回波強(qiáng)度和回波次數(shù)的統(tǒng)計(jì)分布上反映所在地物對象的特征。因此，本文提出了回波次數(shù)比（）點(diǎn)云特征量，同時(shí)，引入回波強(qiáng)度（）、歸一化強(qiáng)度（I）、最鄰近點(diǎn)高差（）、法向量與天頂方向夾角（）和向坡角（S）、方向坡角（S）等，作為建筑物震害LiDAR點(diǎn)云分類特征的參數(shù)。

（1）回波次數(shù)比（）

設(shè)研究區(qū)域點(diǎn)云所在的投影坐標(biāo)系為-，則LiDAR點(diǎn)云中某一點(diǎn)的R為點(diǎn)在水平投影面-上，個(gè)最近鄰的投影點(diǎn)（如圖1）中，回波次數(shù)大于1的點(diǎn)所占的比例：

式中，m為回波次數(shù)大于1的投影點(diǎn)的數(shù)量。

（2）回波強(qiáng)度（）與歸一化回波強(qiáng)度（I）

點(diǎn)云回波強(qiáng)度（）取決于介質(zhì)表面的反射系數(shù)，而激光的波長、介質(zhì)材料及介質(zhì)表面的明暗黑白程度等都是影響反射系數(shù)的因素。反射介質(zhì)表面越亮，反射率越高（張小紅，2007）。理論上未倒塌建筑物的屋頂表面多平滑，粗糙度小，相對于倒塌建筑物和樹木的離散組成結(jié)構(gòu)和粗糙表面而言，同等激光波長下其反射系數(shù)更大，回波強(qiáng)度更大。

圖1 平面距離最近點(diǎn)搜索示意圖

為表征不同地物回波強(qiáng)度的分布特征，本文對回波強(qiáng)度采用歸一化處理（Labiak等，2011），即某地物對象的點(diǎn)云集合中，某一點(diǎn)的歸一化強(qiáng)度（I）等于該點(diǎn)的回波強(qiáng)度（I）與該地物的最小強(qiáng)度值之差與地物的回波最大、最小強(qiáng)度值之差的比值：

（3）最鄰近點(diǎn)高差（）

最鄰近點(diǎn)高差（）指目標(biāo)點(diǎn)高程與其水平投影面上距離其最近的點(diǎn)的高程差值。顯然未倒塌建筑物單體點(diǎn)云高差變化極小，理想狀態(tài)下結(jié)構(gòu)簡單的平面屋頂或人字形屋頂?shù)狞c(diǎn)云高差為定值，對于屋頂結(jié)構(gòu)復(fù)雜的未倒塌建筑物，其高差會有所變化，但仍呈現(xiàn)較強(qiáng)的規(guī)律性；而倒塌建筑物單體高差則出現(xiàn)多值性，規(guī)律性也較差。因此，高差對地物的識別有一定作用。

（4）法向量夾角（）

法向量夾角（）是指法向量與天頂方向的夾角（黃樹松等，2016），其范圍是［0°，180°］，其中法向量通過Hoppe等（1992）提出的基于局部表面擬合的方法來確定。本文通過搜索三維空間中距目標(biāo)點(diǎn)最近的20個(gè)點(diǎn)構(gòu)成最小二乘平面，再求取該平面在目標(biāo)點(diǎn)處的法向量，從而得到法向量與天頂方向的夾角。法向量夾角對建筑物的倒塌部分十分敏感（Dou等，2016）。

（5）方向坡角（S）與方向坡角（S）

在機(jī)載LiDAR三維點(diǎn)云所在的地理坐標(biāo)系統(tǒng)（-）中將點(diǎn)云投影在-平面上，求取方向上與目標(biāo)投影點(diǎn)最鄰近的投影點(diǎn)，目標(biāo)點(diǎn)與該投影點(diǎn)對應(yīng)的LiDAR點(diǎn)所構(gòu)成的向量與-平面的夾角稱為目標(biāo)點(diǎn)的方向坡角（S）。同理可以確定方向坡角（S），如圖2。為便于統(tǒng)計(jì)，本文規(guī)定坡角范圍是［－90°，90°］。通常，未倒塌建筑物單體點(diǎn)云的方向坡角和方向坡角的大小均一，分布規(guī)律；倒塌建筑物單體坡角值則大小起伏，倒塌與未倒塌部分交界處有明顯變化，一般倒塌建筑物的坡角比未倒塌建筑物的坡角大，呈現(xiàn)局部規(guī)則分布；而樹木坡角值則大小不一，分布無規(guī)律（黃樹松等，2016）。

1.2 K-最近鄰分類法

-最近鄰分類法是惰性學(xué)習(xí)法，基于類比學(xué)習(xí)，其基本原理是將測試元組與已知類別的測試元組進(jìn)行比較學(xué)習(xí)。如圖3所示（以二維特征為例），對具有兩個(gè)特征的數(shù)據(jù)組利用-最近鄰分類時(shí)，我們計(jì)算待分類點(diǎn)X距離個(gè)鄰近點(diǎn)的距離，則距離最小的點(diǎn)所屬的類別即為該待分類點(diǎn)的類別（1、2或3）。-最近鄰分類法最大的特點(diǎn)是不需要使用訓(xùn)練樣本設(shè)計(jì)分類器，可直接用訓(xùn)練樣本對測試樣本進(jìn)行分類，原理簡單，便于實(shí)現(xiàn)，應(yīng)用廣泛（滕敏等，2015）。目前，對于分類速度的改進(jìn)主要有濃縮訓(xùn)練樣本集算法和未知樣本預(yù)分類算法，其基本思想是結(jié)合聚類算法或其他分類器，先對原始樣本進(jìn)行預(yù)分類，選擇預(yù)分類后的代表子集參與-最近鄰分類，實(shí)現(xiàn)樣本壓縮，提高分類速度；對于分類準(zhǔn)確度的改進(jìn)主要通過選用合適的距離機(jī)制等方法實(shí)現(xiàn)（王娜等，2009）。

圖2 i點(diǎn)的X向坡角、Y向坡角示意圖

Xu為測試樣本，ω1、ω2、ω3為目標(biāo)類別

該分類算法的數(shù)據(jù)類型可以是數(shù)值型和分類型，數(shù)值型可以用于計(jì)算距離，但分類型則不適合，因此針對分類型數(shù)據(jù)，通常對其進(jìn)行數(shù)字化再比較兩個(gè)樣本中對應(yīng)屬性值的差值。在本研究中，所有樣本的屬性值均為數(shù)值型，可直接進(jìn)行距離計(jì)算，對輸出類別進(jìn)行數(shù)字化。

-最近鄰分類法中度量距離的選擇也很重要，最常用的是歐幾里得距離，不同情況下也可選用Manhattan距離或其他距離度量（Han等，2007）。本研究使用歐幾里得距離，假設(shè)某測試驗(yàn)本為（1，2，…，y），訓(xùn)練樣本為（1，2，…，x），計(jì)算方法如下：

其中，為兩樣本之間的歐幾里得距離。

如此計(jì)算該測試樣本距離鄰近個(gè)訓(xùn)練樣本的距離，找到其中距離的最小值及其對應(yīng)的訓(xùn)練樣本，則測試樣本與該訓(xùn)練樣本類別相同。依此對所有測試樣本進(jìn)行類別判斷，完成分類。

2 研究數(shù)據(jù)及其預(yù)處理

2.1 研究數(shù)據(jù)

2010年1月12日海地首府太子港附近發(fā)生7.0級地震，震源深度約10km，后發(fā)生多次余震，余震最大達(dá)6.3級，造成包括海地總統(tǒng)府、國會大廈在內(nèi)的大多數(shù)建筑物損毀和幾十萬人員傷亡。世界銀行全球減災(zāi)和災(zāi)后恢復(fù)機(jī)構(gòu)（Globe Facility for Disaster Deduction and Recovery，簡稱GFDDR）于震后獲取了災(zāi)區(qū)機(jī)載LiDAR點(diǎn)云，數(shù)據(jù)獲取時(shí)間為2010年1月21日，點(diǎn)云密度為2—5點(diǎn)/m2。本文選取位于海地首都太子港城區(qū)中約0.8km2的區(qū)域作為研究區(qū)。輔助使用的光學(xué)遙感影像是同機(jī)相機(jī)獲取的光學(xué)航空影像。該區(qū)域房屋建筑類型多樣，有大型多層建筑區(qū)，如公寓、賓館、教堂等，建筑面積較大，分布較稀疏，其間夾雜少量樹木或小范圍的樹林；亦有低矮簡易房屋，建筑物單體面積較小，分布較密集，在衛(wèi)星影像上成片分布，樹木較少，無植被密集區(qū)。該研究區(qū)域基本涵蓋了城區(qū)所有房屋的建筑類型，具有代表性。利用光學(xué)影像在研究區(qū)選取了210個(gè)典型樣本，作為本文特征選擇、分類及驗(yàn)證的樣本。研究中隨機(jī)選取了未倒塌建筑物、倒塌建筑物和樹木各50個(gè)樣本作為訓(xùn)練樣本，分布如圖4（a）和4（b）；各20個(gè)樣本作為測試樣本，分布如圖4（c）所示。

圖4 研究區(qū)域位置和樣本分布

2.2 數(shù)據(jù)預(yù)處理

獲取點(diǎn)云數(shù)據(jù)的過程中，由于掃描儀本身的缺陷、環(huán)境干擾（如空中飛鳥）等因素，點(diǎn)云中常包含少量噪聲點(diǎn)，剔除這些噪聲點(diǎn)的過程稱為點(diǎn)云去噪。本文基于點(diǎn)云魔方軟件，采用基于點(diǎn)云局部空間分布統(tǒng)計(jì)的去噪算法，將局部點(diǎn)密度與整體點(diǎn)密度相差較大的點(diǎn)標(biāo)記為噪聲點(diǎn)并去除。為獲得非地面點(diǎn)，本文采用CSF（Cloth Simulation Filter）濾波方法（Zhang等，2016），對去噪后的點(diǎn)云進(jìn)行濾波，以便從激光腳點(diǎn)數(shù)據(jù)點(diǎn)云中提取數(shù)字地面模型（DTM）和數(shù)字高程模型（DEM）（張小紅，2007），即提取地面點(diǎn)。CSF采用布料模擬原理，將原始點(diǎn)云倒置，再將具有一定硬度的布料覆蓋其上，得到近似的地形估計(jì)，最后依據(jù)估計(jì)的地形，分離地面點(diǎn)與非地面點(diǎn)。以圖5（a）研究區(qū)1的點(diǎn)云為例進(jìn)行實(shí)驗(yàn)分析，濾波所得結(jié)果如圖5（b）所示，可見該方法基本分離了地面點(diǎn)與非地面點(diǎn)，以CSF濾波法后所得的非地面點(diǎn)作為后續(xù)研究的基礎(chǔ)。

圖5 CSF濾波法從研究區(qū)1的原始點(diǎn)云（a）中分離的地面點(diǎn)（b）結(jié)果圖

3 基于機(jī)載LiDAR點(diǎn)云參數(shù)的震害分類特征分析

3.1 震害點(diǎn)云參數(shù)特征分析

本文選取了回波次數(shù)比（）、回波強(qiáng)度（）、歸一化回波強(qiáng)度（I）、最鄰近點(diǎn)高差（）、法向量夾角（）、方向坡角（S）和方向坡角（S）等7個(gè)因子，對未倒塌建筑物、倒塌建筑物和樹木的訓(xùn)練樣本的點(diǎn)云數(shù)據(jù)進(jìn)行了統(tǒng)計(jì)分析，結(jié)果如圖6所示?？梢姡煌愋偷牡匚?，其各因子的分布有明顯差異。其中未倒塌建筑物的回波次數(shù)比的值基本為0；倒塌建筑物多大于0，部分點(diǎn)的值在0.1—0.2范圍內(nèi)；樹木值多大于0.1，最高可達(dá)0.6。關(guān)于回波強(qiáng)度，未倒塌建筑物屋頂表面多平滑，粗糙度小，相對于倒塌建筑物和樹木的離散組成結(jié)構(gòu)和粗糙表面而言，同等激光波長下其反射系數(shù)更大，回波強(qiáng)度更大。從圖6中可見，未倒塌建筑物的最鄰近點(diǎn)高差值基本小于0.1m；倒塌建筑物的倒塌部分高差發(fā)生明顯變化，值可達(dá)5m；而樹木的值為0—16m，變化無規(guī)則。3類地物的法向量夾角（）和、方向坡角變化也比較明顯，未倒塌建筑物角度呈現(xiàn)規(guī)則變化，倒塌建筑物的角度分布范圍較大，但有明顯的變化邊界，樹木則大小不一，分布無規(guī)律。

3.2 震害點(diǎn)云特征選擇

為實(shí)現(xiàn)不同建筑物震害的識別，對選取的150個(gè)訓(xùn)練樣本和60個(gè)測試樣本分別計(jì)算了各樣本點(diǎn)云的上述7個(gè)特征因子值及其均值和標(biāo)準(zhǔn)差，以進(jìn)一步從統(tǒng)計(jì)上研究不同類型地物上述各特征因子的分布情況，選擇適宜的分類特征。未倒塌建筑物、倒塌建筑物和樹木樣本的各個(gè)因子均值和標(biāo)準(zhǔn)差的概率密度曲線分布如圖7所示，其中各地物類別的回波強(qiáng)度、歸一化回波強(qiáng)度的均值和標(biāo)準(zhǔn)差、方向和方向坡角均值的曲線交叉嚴(yán)重，重疊部分占比較大，說明這些特征值對地物的可分性較差，各類別其他8個(gè)特征值的曲線交叉部分相對較少，即有較強(qiáng)的可分性。因此，本文選取回波次數(shù)比均值和標(biāo)準(zhǔn)差、最鄰近點(diǎn)高差均值和標(biāo)準(zhǔn)差、法向量夾角均值和標(biāo)準(zhǔn)差、方向和方向坡角標(biāo)準(zhǔn)差作為分類特征。

圖6 不同地物各特征因子分布

圖7 各類別樣本均值和標(biāo)準(zhǔn)差分布（一）

圖7 各類別樣本均值和標(biāo)準(zhǔn)差分布（二）

4 分類結(jié)果與討論

基于上節(jié)選取的回波次數(shù)比均值、標(biāo)準(zhǔn)差等8個(gè)分類特征，利用150個(gè)訓(xùn)練樣本，60個(gè)測試樣本（其中未倒塌建筑物、倒塌建筑物、樹木的訓(xùn)練樣本各50個(gè)，測試樣本各20個(gè)，類別編碼依次為1、2、3），通過-最近鄰分類法進(jìn)行地物自動分類。-最近鄰分類算法基于Matlab平臺實(shí)現(xiàn)，流程如圖8所示。

圖8 K-最近鄰分類算法流程圖

為了確定最優(yōu)的值，分別測試了為1—100的分類正確率，分布如圖9所示，當(dāng)＝3時(shí)，分類準(zhǔn)確率為98.3%，達(dá)到最高。所有分類準(zhǔn)確率均在85%以上，這表明回波次數(shù)比均值和標(biāo)準(zhǔn)差、最鄰近點(diǎn)高差均值和標(biāo)準(zhǔn)差、法向量夾角均值和標(biāo)準(zhǔn)差、方向和方向坡角標(biāo)準(zhǔn)差這8個(gè)特征是區(qū)分未倒塌建筑物、倒塌建筑物和樹木的有效分類特征。

圖9 分類正確率變化曲線圖

統(tǒng)計(jì)取1—100的分類結(jié)果，發(fā)現(xiàn)錯(cuò)誤最多的為未倒塌建筑物和倒塌建筑物的分類，如圖10中黃色圈內(nèi)所示，有2個(gè)未倒塌樣本錯(cuò)分為倒塌樣本，一個(gè)倒塌建筑物錯(cuò)分為樹木，2個(gè)倒塌建筑物錯(cuò)分為未倒塌建筑物。樹木樣本在每次分類中全部分類正確，這主要是由樣本選取精度及樣本本身質(zhì)量造成的。

本文中未倒塌建筑物、倒塌建筑物和樹木樣本全部為手動選取，因此分類方法的自動性有待探究，如何實(shí)現(xiàn)濾波后非地面點(diǎn)云的自動分割是未來研究的重要內(nèi)容。本文中對建筑物僅劃分了未倒塌建筑和倒塌建筑物，若能對倒塌建筑物進(jìn)行更細(xì)致的分類，將進(jìn)一步提高震害分類精度，為災(zāi)后應(yīng)急救援工作提供幫助。此外，各類地物的測試樣本數(shù)量有限，因此該分類方法的普適性仍有待提高。研究中所使用的-最近鄰分類法方法在分類過程中，最鄰近樣本數(shù)的選取直接影響分類效果，因此對不同的值進(jìn)行試驗(yàn)也是研究的重要工作。

5 結(jié)論

本文分析了未倒塌建筑物、倒塌建筑物和樹木3類地物的機(jī)載LiDAR點(diǎn)云特征，選取了回波強(qiáng)度、回波次數(shù)比、最鄰近點(diǎn)高差、法向量夾角及坡角特征，計(jì)算其均值和標(biāo)準(zhǔn)差并統(tǒng)計(jì)各樣本特征值分布，選擇其中分割效果最好的8個(gè)分類特征，在此基礎(chǔ)上利用-最近鄰分類法進(jìn)行分類試驗(yàn)。結(jié)果表明，基于回波次數(shù)比均值和標(biāo)準(zhǔn)差、最鄰近點(diǎn)高差均值和標(biāo)準(zhǔn)差、法向量夾角均值和標(biāo)準(zhǔn)差、方向和方向坡角標(biāo)準(zhǔn)差這幾種分類特征，利用-最近鄰分類法所得結(jié)果與真實(shí)分類具有非常高的一致性，證明了本研究中所選分類特征的有效性，同時(shí)利用該方法可以有效實(shí)現(xiàn)地物點(diǎn)云分類，能夠?yàn)檎鸷髴?yīng)急救援工作提供有效指導(dǎo)，為災(zāi)后經(jīng)濟(jì)損失評估提供依據(jù)。

圖10 分類結(jié)果圖

陳鑫連，1995．地震災(zāi)害的航空遙感信息快速評估與救災(zāi)決策．北京：科學(xué)出版社．

程亮，龔健雅，2008．LiDAR輔助下利用超高分辨率影像提取建筑物輪廓方法．測繪學(xué)報(bào)，37（3）：391—393，399．

鄧非，徐國杰，馮晨等，2010．LiDAR數(shù)據(jù)與航空影像結(jié)合的建筑物重建．測繪信息與工程，35（1）：35—37．

竇愛霞，馬宗晉，黃文麗等，2013．基于機(jī)載LiDAR和多光譜圖像的建筑物震害自動識別方法．遙感信息，28（4）：103—109．

黃樹松，竇愛霞，王曉青等，2016．基于震后機(jī)載激光雷達(dá)點(diǎn)云的建筑物破壞特征分析．地震學(xué)報(bào)，38（3）：467—476．

姜立新，帥向華，聶高眾等，2012．地震應(yīng)急指揮協(xié)同技術(shù)平臺設(shè)計(jì)研究．震災(zāi)防御技術(shù)，7（3）：294—302．

馬洪超，姚春靜，張生德，2008．機(jī)載激光雷達(dá)在汶川地震應(yīng)急響應(yīng)中的若干關(guān)鍵問題探討．遙感學(xué)報(bào)，12（6）：925—932．

宿淵源，張景發(fā)，2012．三維激光掃描技術(shù)在震后地面三維重建中的應(yīng)用．地殼構(gòu)造與地殼應(yīng)力文集，0（0）：30—37．

滕敏，衛(wèi)文學(xué)，滕寧，2015．-最近鄰分類算法應(yīng)用研究．軟件導(dǎo)刊，14（3）：44—46．

王娜，侯爽，2009．-最近鄰分類技術(shù)的新發(fā)展與技術(shù)改進(jìn)．河北省科學(xué)院學(xué)報(bào)，26（4）：11—13．

王曉青，王龍，王巖等，2008．汶川8.0級大地震應(yīng)急遙感震害評估研究．震災(zāi)防御技術(shù)，3（3）：251—258．

楊樂，曾薇，譚穎，2012．地震應(yīng)急衛(wèi)星通信系統(tǒng)的設(shè)計(jì)與應(yīng)用．震災(zāi)防御技術(shù)，7（1）：100—109．

張小紅，2007．機(jī)載激光雷達(dá)測量技術(shù)理論與方法．武漢：武漢大學(xué)出版社．

張志友，2008．基于LiDAR數(shù)據(jù)和航空影像的地形與建筑物提取及三維可視化．北京：北京交通大學(xué)．

Dorninger P., Pfeifer N., 2008. A comprehensive automated 3D approach for building extraction, reconstruction, and regularization from airborne laser scanning point clouds. Sensors, 8(11): 7323—7343.

Dou A. X., Ma Z. J., Huang S. S., et al., 2016. Building damage extraction from Post-earthquake airborne LiDAR data. Acta Geologica Sinica, 90(4): 1481—1489.

Fritz H. M., Phillips D. A., Okayasu A., et al., 2012. The 2011 Japan tsunami current velocity measurements from survivor videos at Kesennuma Bay using LiDAR. Geophysical Research Letters, 39(7): L00G23.

Hoppe H., DeRose T., Duchamp T., et al., 1992. Surface reconstruction from unorganized points. In: Proceedings of the 19th Annual Conference on Computer Graphics and Interactive Techniques. New York, NY , USA: ACM, 71—78.

Han J. W.，Kamber M.，2007．?dāng)?shù)據(jù)挖掘：概念與技術(shù)．范明，孟小峰，譯．北京：機(jī)械工業(yè)出版社．

Labiak R. C., van Aardt J. A. N., Bespalov D., et al., 2011. Automated method for detection and quantification of building damage and debris using post-disaster lidar data. In: Proceedings of SPIE 8037, Laser Radar Technology and Applications XVI. Orlando, Florida, United States: SPIE, 80370F.

Margesson R., Taft-Morales M., 2010. Haiti earthquake: crisis and response. In: DTIC Document. Congressional Research Service.

Trinder J. C., Salah M., 2012. Aerial images and LIDAR data fusion for disaster change detection. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume 1-4, 2012 ⅩⅫ ISPRS Congress,25 August-01 September 2012, Melboume, Australia: 227—232.

Zhang W. M., Qi J. B., Wan P., et al., 2016. An easy-to-use airborne LiDAR data filtering method based on cloth simulation. Remote Sensing, 8(6): 501.

王金霞，竇愛霞，王曉青，黃樹松，張雪華，2017．地震后機(jī)載LiDAR點(diǎn)云的地物區(qū)分方法研究．震災(zāi)防御技術(shù)，12（3）：677—689．

The Ground-objects Classification Based on Post-earthquake Airborne LiDAR Data

Wang Jinxia, Dou Aixia, Wang Xiaoqing, Huang Shusong and Zhang Xuehua

(Institute of Earthquake Science, China Earthquake Administration, Beijing 100036, China)

It is difficult to distinguish the characteristics of the point cloud from the collapsed buildings, since the characteristics of the cloud and the collapsed building are similar. In this paper, we present the ratio of echo ratio and combined with the previous point cloud echo intensity, normalization intensity, altitude difference of the nearest neighbor, normal vector,-slope and-slope of points, and compute the mean and standard deviation of every feature to obtain damage buildings after the earthquake. To discriminate single object, we use the classification algorithm based on-Nearest Neighbor. We select 150 point clouds samples of 50 typical undamaged building, 50 collapsed building and 50 tree as samples from airborne LiDAR point cloud data which got after the 2010 Haiti earthquake withW7.0 by the way of human-computer interaction and compute the mean and standard deviation of every feature. We apply-Nearest Neighbor to classify test samples by 8 optimal factors chosen from means and standard deviations. The classification accuracy is 85%, which indicates that the optimal factors are effective and the proposed method in this study is capable of distinguishing between building (undamaged and damaged building) points and tree points, which can extract damaged buildings and support for emergency rescue after earthquake.

Light Detection and Ranging (LiDAR);-Nearest Neighbor algorithm; Damaged buildings; Earthquake emergency; Classification

10.11899/zzfy20170323

國家自然科學(xué)基金（41404046）資助

2016-12-23

王金霞，女，生于1990年。在讀研究生。主要研究領(lǐng)域：遙感與GIS應(yīng)用。E-mail：wangjxwake@163.com