淦立琴

（1.廣州市城市規(guī)劃勘測(cè)設(shè)計(jì)研究院，廣州 510060；2.廣州市資源規(guī)劃和海洋科技協(xié)同創(chuàng)新中心，廣州 510060；3.廣東省城市感知與監(jiān)測(cè)預(yù)警企業(yè)重點(diǎn)實(shí)驗(yàn)室，廣州 510060）

激光雷達(dá)（Light Detection And Ranging，LiDAR）是一種可以安裝在不同遙感平臺(tái)上的激光探測(cè)、測(cè)距和定位系統(tǒng)。其集激光測(cè)距、慣性測(cè)量、高精度定位等技術(shù)于一體，通過(guò)記錄單個(gè)激光信號(hào)從發(fā)射到接收被地物反射的能量所歷經(jīng)的時(shí)間，并根據(jù)信號(hào)發(fā)出瞬間由定位定姿系統(tǒng)（Position and Orientation System，POS）測(cè)定激光掃描系統(tǒng)的位置和姿態(tài)，計(jì)算出地物目標(biāo)的三維坐標(biāo)，并繪制地形圖[1]。與常規(guī)攝影測(cè)量、傳統(tǒng)的激光測(cè)距技術(shù)和遙感技術(shù)相比，LiDAR 技術(shù)是一種新的獲取高分辨率三維地球空間信息的手段，其優(yōu)點(diǎn)是受天氣影響小、抗干擾性強(qiáng)、采集速度快和幾何精度高[2]。

近年來(lái)，LiDAR 技術(shù)在生物量估計(jì)[3]、水下地形探測(cè)[4]和建筑三維建模[5]等方面具有廣泛的應(yīng)用。尤其在建筑物提取和三維建模方面，LiDAR 相較于傳統(tǒng)技術(shù)，有著巨大的優(yōu)勢(shì)。在對(duì)建筑物提取的算法中，最主要的問(wèn)題為激光點(diǎn)云分類問(wèn)題，王刃等[6]利用點(diǎn)云的相鄰點(diǎn)關(guān)系和點(diǎn)密度估計(jì)，從點(diǎn)云數(shù)據(jù)生成的數(shù)字地表模型（Digital Surface Model，DSM）中，直接分類出建筑表面點(diǎn)云; 李亮等[7]利用點(diǎn)云構(gòu)成的法向量特征和連通成分分析方法區(qū)分墻面點(diǎn)和建筑點(diǎn)，并結(jié)合數(shù)字高程模型（Digital Elevation Model，DEM）獲取建筑屋頂點(diǎn)云。本文提出一種簡(jiǎn)單高效的方法，利用CSF 點(diǎn)云濾波方法進(jìn)行地面和地上點(diǎn)云分離，采用HDBSCAN 聚類算法對(duì)地上點(diǎn)云進(jìn)行密度聚類分割，最后設(shè)定高程閾值提取建筑物點(diǎn)云。

1 數(shù)據(jù)及預(yù)處理

本文選用的點(diǎn)云數(shù)據(jù)來(lái)自https://portal.opentopography.org/datasets。該網(wǎng)站提供免費(fèi)高質(zhì)量的機(jī)載點(diǎn)云數(shù)據(jù)集。所選的點(diǎn)云數(shù)據(jù)來(lái)自于數(shù)據(jù)集Oregon Department of Geology and Mineral Industries Lidar Program Data。該數(shù)據(jù)為機(jī)載激光雷達(dá)數(shù)據(jù)，點(diǎn)云密度為10.30 pts/m2，點(diǎn)云數(shù)量共計(jì)約390 000。場(chǎng)景中包括街道、灌木、樹(shù)木和房屋（圖1）。

圖1 原始點(diǎn)云數(shù)據(jù)圖

由于受測(cè)量設(shè)備、天氣等其他因素影響，點(diǎn)云數(shù)據(jù)在測(cè)量獲取過(guò)程中會(huì)產(chǎn)生很多噪聲。噪聲會(huì)對(duì)實(shí)體形狀的提取產(chǎn)生干擾，構(gòu)造出來(lái)的實(shí)體形狀與原實(shí)體會(huì)存在一定差距。因此，為降低噪聲對(duì)結(jié)果的影響，有必要進(jìn)行噪聲點(diǎn)云去除的預(yù)處理工作。使用CloudCompare 軟件的統(tǒng)計(jì)濾波器（Statistical Outlier Removal Filter，SOR filter）工具對(duì)原始點(diǎn)云數(shù)據(jù)進(jìn)行去噪處理，去除明顯離群點(diǎn)。

2 研究方法

2.1 CSF 濾波

點(diǎn)云濾波是LiDAR 點(diǎn)云應(yīng)用中基礎(chǔ)和關(guān)鍵的一步，指的是將地面點(diǎn)云與地上點(diǎn)云分離，這一步驟將直接影響后續(xù)各種地物分割、分類和建模的精確度。現(xiàn)有研究已經(jīng)開(kāi)發(fā)了許多濾波算法，不過(guò)大部分算法都需要設(shè)置一些復(fù)雜的參數(shù)才能達(dá)到較好的效果，尤其是對(duì)于不同的場(chǎng)景如城區(qū)和山區(qū)，參數(shù)設(shè)定差異較大。復(fù)雜多變的調(diào)參過(guò)程提高了用戶使用的門(mén)檻。布料濾波[8]（Cloth Simulation Filtering，CSF）的設(shè)計(jì)思路則非常巧妙，促進(jìn)了點(diǎn)云地面濾波算法易用性、通用性的提升。CSF 濾波算法假設(shè)有一塊虛擬的布料因重力作用落在地形表面上，假設(shè)布料足夠柔軟，能緊密貼附在地形上，隨地形起伏，此時(shí)布料的形狀即為DSM。當(dāng)將地形翻轉(zhuǎn)，落于表面的布料形狀即為DEM。CSF 濾波具體實(shí)現(xiàn)包括：首先對(duì)LiDAR 點(diǎn)云進(jìn)行翻轉(zhuǎn)；再用剛性布料覆蓋翻轉(zhuǎn)后的表面，分析布料的各個(gè)節(jié)點(diǎn)與對(duì)應(yīng)點(diǎn)云之間的相互作用，確定節(jié)點(diǎn)的位置，從而產(chǎn)生布料曲面近似表示地表形狀；最后，比較原始點(diǎn)云和布料曲面之間的距離，實(shí)現(xiàn)從點(diǎn)云中過(guò)濾地面點(diǎn)的作用。

2.2 基于HDBSCAN 的建筑點(diǎn)云提取

2.2.1 HDBSCAN 算法

HDBSCAN （Hierarchical Density-Based Spatial Clustering of Applications with Noise） 是由Campello等[9]提出的一種基于密度的空間數(shù)據(jù)聚類方法，是常用聚類方法DBSCAN 和層次聚類的一個(gè)結(jié)合，其基本原理是通過(guò)計(jì)算相鄰點(diǎn)與核心點(diǎn)的可達(dá)距離，構(gòu)建互達(dá)圖，最后引入層次聚類和聚類樹(shù)壓縮，獲得最終聚類簇。HDBSCAN 不需要用戶預(yù)先確定簇的數(shù)量或簇內(nèi)點(diǎn)周圍的距離閾值，并且可達(dá)距離的設(shè)計(jì)能有效應(yīng)對(duì)不同密度距離簇，生成基于密度聚類的層次結(jié)構(gòu)，從而更有效地提取不連續(xù)性。兩點(diǎn)之間的互可達(dá)距離如式（1）。本文使用Python 的hdbscan 第三方庫(kù)進(jìn)行點(diǎn)云數(shù)據(jù)聚類編程。

式中：d（p，q）表示p、q 兩點(diǎn)之間的距離，核心距離ck（p）=d（p，Nk（p））值表示核心點(diǎn)p 和第k 個(gè)鄰近點(diǎn)之間的距離。

2.2.2 基于HDBSCAN 的點(diǎn)云聚類

HDBSCAN 聚類方法將所有的點(diǎn)云分為163 個(gè)簇，即將其分割成為163 個(gè)單一分離對(duì)象。為了進(jìn)一步辨別各聚類簇的具體類型，將所有的簇按照高程的大小重新排列（圖2）。因?yàn)榧す饫走_(dá)具有較強(qiáng)穿透性，所以用每一簇高程的最大值作為其標(biāo)簽來(lái)反映地物的類型。

圖2 HDBSCAN 聚類簇內(nèi)高程最大值和方差

從圖2 可以直觀看出，所有簇中，高程最高為480m，最低接近200 m。不同聚類分割的對(duì)象在高程上存在顯著差異，且方差和最大值的整體趨勢(shì)與拐點(diǎn)保持基于一致，表現(xiàn)為在高程最大值地區(qū)，其高程的方差隨之增大，這與實(shí)際情況中樹(shù)木高程高于房屋但其離散程度高相符，說(shuō)明在聚類的過(guò)程中基本將同屬性的地物聚為一簇。

2.2.3 基于高程閾值的建筑分類

為了進(jìn)一步分割開(kāi)喬木、房屋與灌木，通過(guò)簇的高程經(jīng)驗(yàn)閾值對(duì)其進(jìn)行分類。由于不同地區(qū)基礎(chǔ)海拔不同，所以難以通過(guò)通用閾值選定。在實(shí)際觀察數(shù)據(jù)后選擇具體的經(jīng)驗(yàn)閾值對(duì)其進(jìn)行分割（表1）。其中低矮灌木的方差在0~1 m2之間，其海拔的最大值為340~350 m；房屋的高度方差在1~350 m2，其海拔的最大值為351~389 m；喬木的高度方差大于350 m2，其海拔總體高于390 m。建筑和喬木最終提取結(jié)果分別如圖3 和圖4 所示，可以看出通過(guò)本方法較好地提取了房屋建筑形狀。

表1 高程經(jīng)驗(yàn)閾值

圖3 房屋建筑分類結(jié)果

圖4 喬木分類結(jié)果

3 結(jié)束語(yǔ)

本文基于高精度的激光雷達(dá)點(diǎn)云數(shù)據(jù)，設(shè)計(jì)了一種簡(jiǎn)單易執(zhí)行的建筑分類方法，利用HDBSCAN 算法進(jìn)行聚類分割，再通過(guò)高程的經(jīng)驗(yàn)閾值進(jìn)行分類，無(wú)須先驗(yàn)樣本信息，即可達(dá)到快速正確提取建筑點(diǎn)云的目的。后續(xù)研究可考慮將HDBSCAN 二維聚類算法提升至三維，結(jié)合面法向量多維信息，進(jìn)一步提高地物分割和分類的精度和效率。