CN101604450A

CN101604450A - 集成影像与LiDAR数据提取建筑物轮廓的方法

Info

Publication number: CN101604450A
Application number: CNA2009100633018A
Authority: CN
Inventors: 龚健雅; 程亮; 眭海刚; 孙开敏
Original assignee: Wuhan University WHU
Current assignee: Wuhan University WHU
Priority date: 2009-07-24
Filing date: 2009-07-24
Publication date: 2009-12-16

Abstract

本发明公开了一种集成影像与LiDAR数据提取建筑物轮廓的方法，该方法包括：(1)LiDAR点云数据预处理；(2)建立轮廓提取区；(3)建筑物线段提取；(4)建筑物轮廓筛选。本发明可以有效提取结构复杂的建筑物轮廓，定位精度与LiDAR的方案相当，而且正确率与完整率高、鲁棒性好。

Description

集成影像与LiDAR数据提取建筑物轮廓的方法

技术领域

本发明涉及一种集成影像与LiDAR数据提取建筑物轮廓的方法，属于卫星遥感影像与LiDAR数据处理技术领域。

背景技术

建筑物模型重建一直是测绘、遥感领域研究的热点。现阶段，数字摄影测量技术与机载激光雷达技术(LiDAR)是三维建筑物模型获取的两种最常用手段。然而，“对于各式各样的建筑物，没有一项建模技术可以同时满足自动化、高精度、灵活高效、价格低廉等要求”，融合多源数据，发挥各自优势并相互补充，是建筑物模型重建的必然趋势。因此急需同时满足高度自动化、更精确、更细致，且价格低廉、灵活高效地重建建筑物模型的方法。

轮廓提取是建筑物提取与建模的重要基础工作。建筑物形状各异，但绝大多数的轮廓特征线为直线，建筑物直线轮廓提取的研究具有重要意义。从高分辨率影像中自动提取建筑物的研究已经开展多年，(张祖勋等，2001)提出了一种几何约束与影像分割结合的半自动房屋提取方法；(Huertas等，1988)通过提取矩形的角点来提取建筑物轮廓；(Lin等，1994)提出了采用感知编组和阴影信息相结合的建筑物提取方案；(Kim等，1999)通过计算各直线相互关系的代价函数，以代价函数最小的准则提取建筑物矩形轮廓；(陶文兵等，2003)引入知识定义了几种近似的矩形结构，提出了一套直线后处理的方法。这些方法的共同特点是或者基于几何约束、或者基于某种规则、或者基于知识等等来优化轮廓获取工作，然而高分辨率影像上有着大量复杂信息，仅仅基于影像难以自动分离建筑物区域与非建筑物区域，道路边线、建筑物阴影、桥梁、停车场等类似目标往往会对建筑物轮廓提取工作形成干扰，轮廓误检与漏检的情况不可避免大量存在，单纯基于影像自动、准确获取边缘轮廓的技术难度很大且效率不高。

从影像中提取出的轮廓几何精度高、细节丰富，但处理的自动化程度不高，从LiDAR数据中提取的轮廓往往定位精度不高、且建筑细微结构易被忽略，但LiDAR点直接提供了三维坐标，有利于提高处理的自动化程度。显然，两类数据存在着很强的互补性，集成两类数据进行建筑物轮廓提取具有研究价值。

利用DSM或者LiDAR点云提取建筑物轮廓的研究也有许多。(Weiss等，1995；Brunn等，1997)利用DSM与DEM之间的差异提取建筑物轮廓；(Vosselman等，2001)利用规划数据辅助LiDAR进行建筑物重建；(Sohn等，2003)将IKONOS影像与LiDAR数据结合检测建筑物；(黄先锋2006；Sampath等，2007)使用规则化的方法提取建筑物轮廓；综述性的文章可以参见(Brenner 2005)。一般而言，以现有技术水平，空载LiDAR数据的点间距约为米级，相对于可以达到厘米级分辨率的航空高分辨率影像而言，LiDAR数据空间分辨率较低，直接基于LiDAR数据获取的建筑物轮廓线往往不够精细且精度不高。利用规则化技术可以提高轮廓线的精度，但规则化方法也受制于LiDAR点的空间分辨率与滤波、分类等处理的精度，存在不确定性且容易导致轮廓线产生整体偏移。

发明内容

为了克服上述现有技术的不足，本发明提供一种集成影像与LiDAR数据提取建筑物轮廓的方法。

实现本发明目的采用的技术方案是：集成影像与LiDAR数据提取建筑物轮廓的方法，包括以下步骤：

(1)预处理。将LiDAR点云中的建筑物点分离出来，并分割这些点形成每栋建筑物的点集；

(2)建立轮廓提取区。针对每栋建筑物，内插其点集成面域做缓冲区，套合影像与缓冲区并利用缓冲区过滤无关区域形成建筑物专题影像，再拟合点集的外接矩形切割专题影像，建立每栋建筑物的轮廓提取区；

(3)线段提取。针对绝大多数建筑物存在主方向的特点，根据LiDAR点集估算出建筑物的概略主方向，基于概略主方向的约束在轮廓提取区自动、鲁棒的检测出精确主方向，线段提取在精确的主方向上进行；

(4)轮廓筛选。针对超高分辨率影像线段提取的特点，在LiDAR数据的辅助下，利用Kmeans聚类算法动态筛选出精确轮廓

本发明的特点是：

(1)可以有效提取结构复杂的建筑物轮廓，提取出的轮廓应具有较高的定位精度。

(2)建筑物轮廓完整、细微结构如较短的边、细小的转角等都能准确提取。

附图说明

附图为本发明方法的流程图。

具体实施方式

下面结合附图和实施例对本发明作进一步的说明。

实施例

集成影像与LiDAR数据提取建筑物轮廓的方法的流程图如附图所示，包括以下步骤

(1)预处理

将LiDAR点云中建筑物点与非建筑物点分离，分割建筑物点形成每栋建筑物的点集。其中点云的分离，首先根据两次反射数据消除绝大部分的树丛；再通过线形预测的方法检测地形获取DEM，删除地面点后得到带有噪声的建筑物点；最后通过面积控制消除碎片得到建筑物点。建筑物点的分割可采用(Sampath andShan 2007)中介绍的区域生长的方法。预处理环节的全自动化尚有技术难度，一般策略是在自动处理结果的基础上进行了一定的人工编辑。预处理部分所使用方法的技术细节，可参见所引参考文献。

(2)预处理的过程分割出每栋建筑物的点集，利用这些点集在影像上建立轮廓提取感兴趣区域，使得轮廓提取专注于目标区域，大大减少了无关信息的干扰，在影像上建立轮廓提取感兴趣区域的具体方法分为三步：

(a)套合LiDAR数据与影像。本发明方法不依赖于具体影像类型，故套合的具体方法因影像情况的不同而不同。如果是正射影像，两者直接套合即可；如果是航片，则可根据外方位元素，通过下式共线方程将LiDAR点反算到影像上，进行套合；如果是方位未知的影像，则采用人工配准的方法将影像与LiDAR数据套合。

x - x_{0} = - f \frac{a_{1} (X - X_{s}) + b_{1} (Y - Y_{s}) + c_{1} (Z - Z_{s})}{a_{3} (X - X_{s}) + b_{3} (Y - Y_{s}) + c_{3} (Z - Z_{s})}

y - y_{0} = - f \frac{a_{2} (X - X_{s}) + b_{2} (Y - Y_{s}) + c_{2} (Z - Z_{s})}{a_{3} (X - X_{s}) + b_{3} (Y - Y_{s}) + c_{3} (Z - Z_{s})}

其中x，y为像点的像平面坐标，x₀，y₀，f为影像的内方位元素，X_s，Y_s，Z_s为摄站点的物方空间坐标；X，Y，Z为物方点的物方空间坐标，a₁，b₁，c₁为影像外方位角元素组成的方向余玹。

(b)缓冲区过滤。LiDAR数据与影像的套合会受一系列误差的影响而导致位置偏差，将建筑物点集内插成面域后向外做缓冲区(buffer)，以确保影像上建筑物落在缓冲区内，再通过缓冲区过滤无关区域只剩下建筑物区域影像，形成所谓的建筑物专题影像。

外接矩形切割。针对每个建筑物，根据其点集拟合外接矩形，以缓冲区阈值为阈值进行外扩，切割建筑物专题影像，形成每个建筑物的轮廓提取感兴趣区域，简称轮廓提取区。

(3)建筑物精确主方向检测算法

(3-1)主方向检测只在单个建筑物中进行，所有建筑物逐个处理，由于一个建筑物只存在一个主方向，解决了建筑物排列无序的问题。沿着建筑物主方向存在大量的平行轮廓直线，影像空间这些平行线对应着Hough空间的同一个θ，根据阈值过滤积累矩阵可以建立角度累加值的直方图，直方图上主方向的位置会出现峰值，因为阈值变成问题的关键。本实施例利用LiDAR数据预先获取概略主方向区间，在概略主方向的约束下，以自适应的方式自动获取阈值。同时，因为有了概略主方向的约束，直方图的峰值检测工作由0-180度区间的多峰值检测变为已知区间内的单峰值检测，精确主方向的获取变得鲁棒、高效。

(3-2)概略主方向的拟合，绝大多数的建筑物几何形状规则，针对每个建筑物，根据其建筑物点集拟合旋转的最小外接矩形(MBR)，以最小外接矩形两个边的方向为建筑物的概略主方向。

(3-3)精确主方向检测

在概略主方向的约束下，精确主方向检测算法的步骤如下：

(a)对轮廓提取区影像做Hough变换，找出积累空间中的最大值；

(b)设定阈值为积累空间最大值乘以系数t，t初始取值为0.9。将积累空间每个单元的值与此阈值进行比较，大于阈值的保留，小于阈值的单元值设为0；

(c)在概略主方向区间内，对于每个θ累加积累空间的列。如果累加值都为零，那么减小系数t(减小幅度为0.1)，跳转到(b)；如果积累值有不为零的，那么对这些积累值做单峰值检测，此峰值就是精确主方向；

判断概略主方向区间是否都处理完毕，如果是，则程序终止，如果没有，则跳转到(c)，完成概略主方向的处理。

(4)线段提取

线段提取需要在边缘影像上进行，本实施例首先采用Edison算子对轮廓提取区进行边缘检测。在主方向的指导下，线段提取工作由Hough变换的二维积累空间的峰值检测变为两个主方向指导下的一维峰值检测。因而，线段提取工作变得准确、鲁棒且高效。考虑到影像成像过程中各种因素的干扰，影像上平行线之间也会有些微小的偏差角度，实际实验中，精确主方向也被给予一定的阈值形成精确主方向区间。本实施例以迭代的方法提取线段，算法步骤为：

(4-1)在轮廓提取区做Hough变换，建立积累空间；

(4-2)任选一个精确主方向，在该方向上搜索最大值，得到该方向的峰值P(ρ，θ)；

(4-3)以线段最小距离阈值、最短线段长度阈值为约束，获取峰值P对应的符合要求的线段，以及线段的端点；

(4-4)转换这些线段上的点到Hough空间，消除这些点对积累矩阵的贡献；

(4-5)设置该峰值及其相邻单元积累矩阵值为0；

(4-6)选择新的主方向，跳转至第(2)步。依此，循环所有主方向，重复(2)-(5)，完成线段提取。

(5)利用Kmeans聚类算法动态筛选轮廓

在完成线段提取工作后，还需要进行轮廓的筛选工作，因为所提取的线段还包括大量的屋顶的结构线、以及一些干扰线段。下面通过一种基于Kmeans聚类的动态筛选精确轮廓的策略，具体实现如下：

(5-1)过滤。在获取精确轮廓前，需要先将明显无关的线段过滤掉，过滤分为两步：(I)利用拟合的建筑物最小外接矩形(MBR)，切割轮廓提取区中的所有线段，排除MBR外的线段；(II)针对剩余线段，依每条线段垂直方向做外扩形成线段的左右矩形。如果左右矩形内均没有LiDAR点，则说明此线段为建筑物区域外的线段，过滤之。如果左右矩形内LiDAR点密度相当，则说明此线段为屋顶结构线，过滤之。

(5-2)分组和聚类。过滤后所剩线段均为疑似的建筑物轮廓线，将角度偏差很小的线段视为平行线段，根据平行线段间的水平距离和垂直距离对线段分组。对于一组中的每条候选轮廓线，按照上述方法外扩形成左右矩形，计算每条线段左右矩形的LiDAR点密度差。用下式定义一组线段的密度差

L＝{|d_k||k＝0，...，m}

式中d_k表示第k条候选轮廓线的密度差，用Kmeans聚类算法，根据|d_k|将所有密度差聚集成两类，一类密度差大，另一类密度差小。密度差小的被排除，保留密度差大的，密度差大的线段为该组中的精确轮廓线。

Claims

1.一种集成影像与LiDAR数据提取建筑物轮廓的方法，其特征在于包括以下步骤：

(1)预处理：将LiDAR点云中的建筑物点分离出来，并分割这些点形成每栋建筑物的点集；

(2)建立轮廓提取区：针对每栋建筑物，内插其点集成面域做缓冲区，套合影像与缓冲区并利用缓冲区过滤无关区域形成建筑物专题影像，再拟合点集的外接矩形切割专题影像，建立每栋建筑物的轮廓提取区；

(3)线段提取：针对绝大多数建筑物存在主方向的特点，根据LiDAR点集估算出建筑物的概略主方向，基于概略主方向的约束在轮廓提取区自动、鲁棒的检测出精确主方向，线段提取在精确的主方向上进行；

(4)轮廓筛选，针对超高分辨率影像线段提取的特点，在LiDAR数据的辅助下，利用Kmeans聚类算法动态筛选出精确轮廓。

2.根据权利要求1所述集成影像与LiDAR数据提取建筑物轮廓的方法，其特征在于：集成LiDAR数据利用高分辨率航空影像提取建筑物轮廓。