潘中華，金 晶，陳勝林，蘇 韜，劉 申，高能攀

（1.武漢市測(cè)繪研究院，湖北 武漢 430022）

隨著機(jī)載激光掃描測(cè)距系統(tǒng)的不斷完善和發(fā)展，利用激光測(cè)高掃描數(shù)據(jù)快速、經(jīng)濟(jì)、準(zhǔn)確地提取城市三維建筑物受到越來(lái)越多的重視。現(xiàn)階段，利用激光掃描數(shù)據(jù)提取建筑物的方法可分為兩大類[1]：①單純以獲取的機(jī)載激光測(cè)距數(shù)據(jù)來(lái)提取建筑物，如奧地利維也納大學(xué)的Rottensteiner F[2]等直接利用LiDAR 數(shù)據(jù)生成點(diǎn)云來(lái)自動(dòng)提取建筑物，再采用基于不均勻誤差分布函數(shù)的分層魯棒內(nèi)插算法，結(jié)合DTM 和DSM 提取建筑物；②融合激光測(cè)距數(shù)據(jù)和其他相關(guān)信息的建筑物提取,如日本東京大學(xué)的TAO G[3]等融合高分辨率IKONOS 衛(wèi)星影像和機(jī)載激光掃描數(shù)據(jù)進(jìn)行了建筑物提取的研究。在此基礎(chǔ)上，本文首先直接利用LiDAR點(diǎn)云數(shù)據(jù)生成灰度圖像，再利用圖像處理技術(shù)進(jìn)行建筑物提取，然后對(duì)灰度圖像和規(guī)則格網(wǎng)化的LiDAR點(diǎn)云數(shù)據(jù)進(jìn)行匹配，最終提取出基于LiDAR點(diǎn)云數(shù)據(jù)的建筑物點(diǎn)。

1 LiDAR點(diǎn)云數(shù)據(jù)預(yù)處理

1.1 LiDAR點(diǎn)云數(shù)據(jù)的規(guī)則格網(wǎng)化

LiDAR系統(tǒng)獲取的數(shù)據(jù)具有數(shù)據(jù)量龐大、復(fù)雜、無(wú)規(guī)律離散分布等特點(diǎn)，為了便于DSM 內(nèi)插和灰度影像的生成，以及提高后續(xù)數(shù)據(jù)處理的速度和效率，重采樣是必備過程。重采樣包括位置的重采樣和數(shù)值的重采樣，前者確定網(wǎng)格尺寸，后者關(guān)系到插值算法[4]。參考文獻(xiàn)[5]對(duì)12種插值方法（最近鄰插值、克里金插值、多項(xiàng)式回歸和移動(dòng)均值等）進(jìn)行了研究，結(jié)果表明最近鄰插值對(duì)間斷保存信息是適用的，且建筑物的原始高度可較好地保存在插值后的DSM 中[6]。本文利用最近鄰插值法對(duì)原始LiDAR 點(diǎn)云數(shù)據(jù)進(jìn)行規(guī)則格網(wǎng)化，并在生成規(guī)則格網(wǎng)數(shù)據(jù)的同時(shí)，對(duì)每個(gè)規(guī)則格網(wǎng)點(diǎn)的平面坐標(biāo)進(jìn)行標(biāo)記，具體標(biāo)記過程為：

1）獲取點(diǎn)云數(shù)據(jù)最大、最小坐標(biāo)： xmax、xmin、ymax、ymin。

2）將整個(gè)區(qū)域劃分為rows×columns的格網(wǎng)，則有：

3）第i 行第 j 列的某一點(diǎn)坐標(biāo)值則可表示為：

式中，grid為格網(wǎng)大小。

至此，每個(gè)規(guī)則格網(wǎng)點(diǎn)平面坐標(biāo)X、Y 便建立了與行列坐標(biāo)i、j 的一一對(duì)應(yīng)關(guān)系，為后續(xù)DSM灰度圖像的生成提供基礎(chǔ)數(shù)據(jù)。

1.2 利用規(guī)則格網(wǎng)數(shù)據(jù)生成DSM灰度圖像

在相對(duì)平坦的城鎮(zhèn)區(qū)域，建筑物目標(biāo)的高程變化特征明顯有別于地面上其他目標(biāo)，且灰度圖像灰度值與LiDAR數(shù)據(jù)高程值呈線性關(guān)系，因此將規(guī)則格網(wǎng)化的LiDAR數(shù)據(jù)按高程轉(zhuǎn)換為對(duì)應(yīng)的灰度圖像，不僅能直觀表達(dá)數(shù)據(jù)的高程信息，還便于后續(xù)圖像處理技術(shù)的應(yīng)用。每個(gè)LiDAR 點(diǎn)云數(shù)據(jù)在256 色灰度圖像對(duì)應(yīng)的灰度值的計(jì)算公式[7]為：

式中， Pixelij為第i 行第 j 列LiDAR 點(diǎn)對(duì)應(yīng)的灰度值；zi為各LiDAR點(diǎn)的高程；zmax、zmin分別為該區(qū)域LiDAR數(shù)據(jù)的最大、最小高程。

2 灰度圖像預(yù)處理

2.1 灰度圖像Otsu法二值化

與建筑物相比，地面點(diǎn)的高度較低，二者的高程差異很大，尤其是在建筑物和地面相鄰的邊界區(qū)域，表現(xiàn)尤為突出，通過這一特性，借助圖像處理中的二值化技術(shù)，能有效地區(qū)分灰度圖像中的地面點(diǎn)與非地面點(diǎn)。參考文獻(xiàn)[8]系統(tǒng)地討論了閾值法在圖像二值化處理中的應(yīng)用，給出了較全面的綜述。本文在比較各種二值化方法適用性的基礎(chǔ)上，結(jié)合實(shí)驗(yàn)數(shù)據(jù)，采用Otsu 法[9]對(duì)圖像進(jìn)行二值化。該方法通過求取類間方差的最大值來(lái)求得最佳分割閾值，通過3 個(gè)參數(shù)進(jìn)行質(zhì)量控制，使得分割后圖像的目標(biāo)與背景差異最大。求取最佳閾值t?的基本原理為：

最優(yōu)閾值 t?通過求類間方差的最大值得到，即

2.2 二值圖像小區(qū)域面積濾除

二值圖像包括背景（地面點(diǎn)）和目標(biāo)（非地面點(diǎn)）兩個(gè)部分，非地面點(diǎn)又包含建筑物、路燈、植被等地物。相較于其他地物，建筑物具有面域規(guī)則、連通面積大等特性，因此依據(jù)該特性，給定一個(gè)合適的面積閾值，可有效濾除非建筑物點(diǎn)。其主要過程為：①統(tǒng)計(jì)目標(biāo)部分各連通區(qū)域像素個(gè)數(shù)（面積） s，并標(biāo)記各聯(lián)通區(qū)域；②按照面積，對(duì)各聯(lián)通區(qū)域進(jìn)行排序；③設(shè)置面積閾值m，若連通區(qū)域面積mi＜s，則剔除該區(qū)域，若連通區(qū)域面積mi>s ，則保留該區(qū)域。閾值m 根據(jù)先驗(yàn)知識(shí)確定，針對(duì)不同二值圖像設(shè)置不同的值。通過該處理，二值圖像目標(biāo)部分基本為建筑物區(qū)域，為建筑物邊緣提取提供了基礎(chǔ)數(shù)據(jù)。

2.3 二值圖像Canny方法邊緣檢測(cè)提取建筑物邊緣

通過上述兩步處理，房屋的大致范圍已經(jīng)提取出來(lái)；再借助圖像處理中的邊緣檢測(cè)技術(shù)，提取建筑物輪廓。參考文獻(xiàn)[10]對(duì)8種邊緣檢測(cè)方法進(jìn)行了綜合性分析與評(píng)價(jià)，并從算法分類、邏輯原理、性能優(yōu)缺點(diǎn)、適用范圍、實(shí)現(xiàn)成本5 個(gè)方面進(jìn)行了對(duì)比和總結(jié)。Canny 方法為了平衡邊緣檢測(cè)的抗噪性和定位精確性，利用非極大值抑制原理和雙閾值方法提出了Canny 算子[11]。該方法對(duì)噪聲非常敏感，定位精度高、邊緣連續(xù)、細(xì)節(jié)豐富、實(shí)現(xiàn)成本低。因此，本文結(jié)合實(shí)驗(yàn)數(shù)據(jù)采用Canny算子提取建筑物邊緣。

3 邊緣檢測(cè)圖像標(biāo)記LiDAR點(diǎn)云數(shù)據(jù)建筑物點(diǎn)

邊緣檢測(cè)圖像分割得到建筑物邊緣信息后，需要利用邊緣檢測(cè)圖像建筑物信息標(biāo)記出LiDAR點(diǎn)云數(shù)據(jù)建筑物點(diǎn)。具體標(biāo)記過程為：①遍歷邊緣檢測(cè)圖像所有像素值Pixel，從左到右、從上到下逐一掃描；②判斷某一點(diǎn)像素值Pixel(i，j)，若該點(diǎn)為建筑物點(diǎn)（像素值為白色），則標(biāo)記該點(diǎn)像素坐標(biāo)(i，j)；③由式（3）、（4）以及步驟②中檢索出的目標(biāo)像素的像素坐標(biāo)(i，j)，即可標(biāo)記LiDAR 點(diǎn)云數(shù)據(jù)第i 行第 j 列建筑物點(diǎn)的坐標(biāo)(Xi，Yj)；④重復(fù)步驟②、③，直至所有LiDAR點(diǎn)云數(shù)據(jù)建筑物點(diǎn)全部標(biāo)記完畢為止。

4 算法實(shí)現(xiàn)與實(shí)驗(yàn)數(shù)據(jù)分析

本文實(shí)驗(yàn)數(shù)據(jù)來(lái)源于青島市某地區(qū)，包括原始LiDAR點(diǎn)云數(shù)據(jù)和對(duì)應(yīng)的遙感影像。該地區(qū)面積約為1 km×1 km，地形較復(fù)雜，包括道路、樹木、路燈、植被、房屋、山坡等。通過VC++編程實(shí)現(xiàn)本文所述算法，圖1 為原始遙感影像；圖2 為原始LiDAR 點(diǎn)云的三維渲染圖；圖3為原始點(diǎn)云數(shù)據(jù)根據(jù)式（1）生成的分辨率為0.5 m 的DSM 灰度圖像，可以看出，不同高度的地物點(diǎn)呈現(xiàn)出不同的灰度值，房屋、樹木、路燈的灰度值明顯區(qū)別于其他高程較低的地物；圖4 為Otsu 法二值化后的圖像，經(jīng)過算法處理，目標(biāo)部分（白色圖像）主要包括房屋、山坡以及小面積區(qū)域的路燈、電桿、獨(dú)立樹；圖5 為消除小面積區(qū)域后的二值圖像，小面積區(qū)域的路燈、電桿、獨(dú)立樹被清除；圖6 為利用Canny 方法邊緣檢測(cè)提取的建筑物邊緣圖像，再利用該圖像標(biāo)記出LiDAR點(diǎn)云數(shù)據(jù)的建筑物點(diǎn)；圖7為L(zhǎng)iDAR點(diǎn)云數(shù)據(jù)提取建筑物點(diǎn)的三維渲染圖。

圖1 遙感影像

圖2 點(diǎn)云渲染圖

圖3 DSM灰度圖像

圖4 Otsu法生成的二值圖像

圖5 清除小面積區(qū)域后的二值圖像

圖6 Canny方法邊緣檢測(cè)圖像

圖7 建筑物點(diǎn)三維渲染圖

由點(diǎn)云數(shù)據(jù)生成DSM 灰度圖像的原理和圖3 可知，某點(diǎn)的高程值越大，其對(duì)應(yīng)的灰度圖像灰度值就越高?？拷狡逻吘壍慕ㄖ锏母叱膛c山坡邊緣相差不大，且比山坡頂部高程低，因此灰度圖像二值化處理后，高程較高的山坡會(huì)被誤識(shí)別為目標(biāo)部分，如圖6右下角所示。從最終提取結(jié)果來(lái)看（圖7），整個(gè)區(qū)域靠近山坡邊緣的建筑物提取效果較差，其他區(qū)域建筑物提取效果良好。

5 結(jié) 語(yǔ)

本文針對(duì)機(jī)載LiDAR點(diǎn)云數(shù)據(jù)提取建筑物的問題，提出了一種自動(dòng)提取方法，首先利用點(diǎn)云數(shù)據(jù)生成灰度圖像，再利用較成熟的圖像處理技術(shù)提取灰度圖像建筑物邊緣，最后將點(diǎn)云數(shù)據(jù)與邊緣圖像進(jìn)行匹配提取點(diǎn)云數(shù)據(jù)的建筑物邊緣。實(shí)驗(yàn)結(jié)果表明，在較平坦區(qū)域，該方法能有效提取建筑物邊緣，且提取效果良好，能為建立房屋三維模型提供可靠的基礎(chǔ)數(shù)據(jù)；但在地形起伏較大的山區(qū)，提取效果較差。如何提高山區(qū)地形建筑物提取的精度，有待進(jìn)一步研究和分析。