CN103017739A - 基于激光雷达点云与航空影像的真正射影像的制作方法 - Google Patents

Abstract

本发明提出了一种基于激光雷达点云与航空影像的真正射影像的制作方法，包括步骤：对机载LiDAR点云依次进行预处理、组织和滤波后进行特征提取；对原始航空影像立体像对进行匹配获取立体航空影像，并提取立体航空影像的特征，所提取的立体航空影像的特征与机载LiDAR点云的特征为同类特征；基于所提取的特征对立体航空影像的密集点云和滤波后的机载LiDAR点云进行配准，获得DSM；根据DSM进行真正射影像制作。和现有技术相比，本发明可快速的生成高质量的真正射影像。

Description

基于激光雷达点云与航空影像的真正射影像的制作方法

技术领域

本发明属于摄影测量应用领域，特别是基于激光雷达点云与航空影像的真正射影像的制作方法。

背景技术

随着计算机技术和通信技术的迅速发展，数字化的地理信息已成为城市乃至整个国家在各个领域宏观决策和规划管理中必不可少的支撑条件，因此对基础地理信息数据的精度及现实性都提出了相当高的要求。同时由于地理信息系统的发展，对基础地理信息数据的形式提出了更多的要求，不仅需要矢量数据、栅格数据，还需要形象直观的图像数据。摄影测量直接获取的地面数码影像往往由于传感器姿态或者地形起伏等原因，存在地物位置偏差及地物变形的问题。经过正射纠正，可以有效剔除由于传感器和相机旋转、地形起伏以及在图像获取和处理过程中产生的位置误差，最终生成无变形、同时具有地图几何精度和影像特征的图像，即数字正射影像（Digital Ortho-photo Map，DOM）。因此，数字正射影像以其信息量丰富、直观、应用广泛等特点在城市规划、土地资源利用和调查以及基础地理信息系统中发挥着越来越大的作用。

传统的数字正射影像是采用数字地面模型（Digital Terrain Model，DTM）进行正射纠正。然而，随着影像获取手段的不断发展和各部门需求的不断进步，传统概念上的数字正射影像已不能满足应用需求了。其地形地貌虽然经过了正射纠正，但是人工建筑等地形上存在着投影差。在人类活动频繁、建筑物密集的城市区域，高大建筑物对地表信息造成了遮挡，而且影像拼接和接边区域地物过渡实现起来十分困难，严重影响了应用效果。因此，专家提出了真正射影像（True Digital Ortho Map,TDOM）的概念，通过高精度的数字表面模型（DigitalSurface Model,DSM），采用数字微分纠正，改正原始影像的几何变形，建立垂直视角的地表景观^[1]，避免城市区域高大建筑物对其他地表信息的遮挡，解决大比例尺城区正射影像拼接困难以及拼接后影像接边区域不自然等弊端。传统正射影像和真正射影像的对比图参见图1~2，从图1~2可以看出，传统正射影像是倾斜视角，高大建筑物的投影遮挡了地面信息，地物信息不够准确；而真正射影像消除了这些影响，对后续利用真正射影像进行地物分析和量测提供了良好的数据源。因此，真正射影像的相关研究具有很强的现实意义。

在真正射影像的制作技术上，国内外学者均进行了一定探讨和研究。如利用微软公司的UltraCaml相机获取的航空影像进行密集匹配生成数字表面模型（Digital Surface Model，DSM），进而获得真正射影像^[2]；为了研究复杂的文物表面，使用激光扫描数据和覆盖文物所有表面的数码照片生成真正射影像^[3]；将航空影像与建筑物、道路和地形模型结合生成真正射影像^[4]。国内的学者也进行了相关研究工作，潘慧波等^[5]介绍了结合激光雷达和同步采集的数码影像生成真正射影像的可行性方法。目前，在国内，真正射影像的生产主要采用的是法国的INFOTERRA公司开发的“像素工厂”（Pixel Factory）系统和德国的Inpho数字摄影测量系统^[6]。

正射纠正是生成正射影像的关键步骤。正射纠正通常采用共线方程法，利用共线条件方程，结合影像和数字高程模型（Digital Elevation Model，DEM）进行正射纠正。传统的正射纠正无法检测建筑物对其他地物存在的遮挡，从而影响生成的正射影像质量，因此遮蔽检测成为生成真正射影像的重要步骤，也成为国内外研究的热点。遮蔽检测方法有基于矢量建筑物模型的Z-buffer方法^[7]、基于栅格DSM模型的Z-buffer方法^[8]、基于角度的检测方法和基于角度和高程信息的射线追踪法^[9]等。国内的王潇、江万寿等^[10]提出了一种基于高程面投影的迭代检测算法。

激光雷达(Light Detection and Ranging，简称LiDAR)作为一种新型的对地观测技术，用于直接快速地获取地球表面的三维空间信息，具有速度快、精度高、信息量大等优点，为数据应用提供了更加丰富的信息，备受应用者和研究者的广泛关注。目前LiDAR技术广泛应用于地面景观形体量测、古建筑与古文物保护、复杂工业设备的量测与建模、城市三维可视化模型的建立、森林和农业资源调查、变形监测等领域，显示出巨大的应用前景。毋庸置疑，LiDAR技术的出现会推动遥感数据应用领域的进一步发展。

由前述真正射影像的研究现状可知，将多种数据源结合生成真正射影像是真正射影像生成领域的一个重要研究方向。真正射影像的质量主要取决于DSM的质量，而利用LiDAR技术能更快速的生成DSM并提高DSM的质量，而DSM的质量直接影响生成的真正射影像的质量。因此，可以将LiDAR技术用于生产真正射影像，用来提高真正射影像的质量。

然而，采用LiDAR技术虽然能够直接获取地物目标的空间几何三维信息，但其工作模式是靠回波接受主动工作模式来获取地表高程信息，因此利用LiDAR所获取的数据本身存在缺陷：①由于遮挡、物体特性（如水面）等因素，会出现一些区域回波信息被吸收而没有数据的情况；②当激光束遇到地物边缘部分回波会发生折射，导致地物边缘部分数据不完整；③数据采样时按时间间隔或空间间隔来进行，数据是离散的点集，点集之外一些重要信息被丢失。因此，一方面采用LiDAR技术难以直接获得物体表面的语义信息(例如纹理和结构等)，另一方面它所获得的空间三维点云数据具有不连续性、不规则性以及数据密度不均匀等特性，直接利用LiDAR点云数据实现地物三维信息精确提取还很困难^[11]。从目前很多研究来看，单独利用LiDAR点云数据进行地物的分类和识别等自动智能化的处理具有很大难度。

文中涉及的参考文献如下：

[1]史照良，沈泉飞，曹敏.像素工厂中真正射影像的生产及其精度分析[J].测绘科学技术学报.2007(5):332-335.

[2]Alexander Wiechert M.DSM and Ortho Generation with the Ultracam-L--A Case Study[Z].San Diego,California:2010.

[3]Alshawabkeh Y.A NEW TRUE ORTHO-PHOTO METHODOLOGY FOR COMPLEXARCHAEOLOGICAL APPLICATION[J].Archaeometry.2010,52(3):517-530.

[4]Shin-Hui Li L C.True Ortho-rectification for Aerial Photos by the Integration of Building,Road,and Terrain Models[J].Journal of Photogrammetry and Remote Sensing.2008,13(2):116-125.

[5]潘慧波，胡友健，王大莹.从LiDAR数据中获取DSM生成真正射影像[J].测绘工程.2009(3):47-50.

[6]万从容，郭容寰，杨常红.数字真正射影像的研制[J].上海地质.2009(4):33-36.2009(4):33-36.

[7]Amhar F.The Generation of True Orthophotos Using a 3D Builing Model in Conjunctionwith a Conventional DTM[J].International Archives of Photogrammet ry and Remote Sensing,1998,32(Part4):16222

[8]Rau J,Chen N,Chen L.True Orthophoto Generation of Built-up Areas Using MultiviewImages[J].Photogrammet ric Engineering & Remote Sensing,2002,68(6).

[9]Wai Yeung Yan,Ahmed Shaker,Ayman Habib,Ana Paula Kerstingb.Improvingclassification accuracy of airborne LiDAR intensity data by geometric calibration and radiometriccorrection[J].ISPRS Journal ofPhotogrammetry and Remote Sensing,2012(67):35–44

[10]王潇，江万寿，谢俊峰.一种新的真正射影像生成算法[J].武汉大学学报(信息科学版).2009(10):1250-1254.

[11]程亮.集成影像与LiDAR数据重建三维建筑物模型研究[D].武汉：武汉大学，2008.

发明内容

针对现有技术中存在的问题，本发明将机载LiDAR点云和航空影像结合,并基于此提出了一种真正射影像的制作方法,该方法能提高真正射影像的生成速度和生成质量。

本发明方法的基本思路是：数据获取方式决定了机载LiDAR点云数据中屋顶点等面状特征明显，利于区域特征提取，而航空影像数据中房屋等边缘轮廓异常清晰，便于边缘特征的准确提取；机载LiDAR点云数据的平面精度和高程精度相关，且机载LiDAR系统误差源较多，误差传播模型较为复杂，而摄影测量数据平面精度和高程精度相互独立，平面精度高于高程精度，二者具有较强的互补性。因此，可以将机载LiDAR点云数据和航空影像数据进行融合，利用匹配技术获得的立体航空影像的密集点云与机载LiDAR点云进行配准和融合，生成高质量的DSM，进而采用DSM对已经解算方位元素的多视角航空影像对进行正射纠正，辅以后续处理，包括遮挡区域的检测和纹理补偿复原等，从而实现快速生成高质量的真正射影像。

为了解决上述技术问题，本发明采用如下的技术方案：

一种基于激光雷达点云与航空影像的真正射影像的制作方法，包括步骤：

对机载LiDAR点云依次进行预处理、组织和滤波后进行特征提取；

对原始航空影像立体像对进行匹配获取立体航空影像，并提取立体航空影像的特征，所提取的立体航空影像的特征与机载LiDAR点云的特征为同类特征；

基于所提取的特征对立体航空影像的密集点云和滤波后的机载LiDAR点云进行配准，获得DSM；

根据DSM进行真正射影像制作。

上述对预处理后的机载LiDAR点云进行组织具体为：

对预处理后的机载LiDAR点云进行表达，并对经表达后的机载LiDAR点云进行重采样。

所述的对预处理后的机载LiDAR点云进行表达的优选方案为：

采用规则格网对预处理后的机载LiDAR点云中的低密度点云区域进行表达，采用不规则三角网对预处理后的机载LiDAR点云中的高密度点云区域进行表达。

上述对机载LiDAR点云进行特征提取具体为：

获取滤波后的机载LiDAR点云的深度图像，并基于深度图像对机载LiDAR点云进行特征提取。基于深度图像对机载LiDAR点云进行特征提取的优选方案为基于深度图像对机载LiDAR点云进行线特征提取。

所述的基于深度图像对机载LiDAR点云进行线特征提取具体为：

基于深度图像提取机载LiDAR点云的二维直线特征：首先在深度图像上进行边缘检测，并提取深度图像中的边缘点序列；然后，根据边缘点序列将边缘点连接成各小直线；最后，对各小直线段进行拟合得到二维直线特征；

并对提取的二维直线特征建立左右两个缓冲区，比较两个缓冲区内点云的高差以确定建筑物的内、外侧，取位于建筑物内侧的缓冲区内的点在竖直方向上对二维直线特征进行拟合，获得包括道路和桥梁信息的线特征。

上述立体航空影像的密集点云采用如下方法获得：

提取立体航空影像对应的原始航空影像立体像对的稀疏点特征，根据所提取的稀疏点特征进行立体匹配获得稀疏点对应的稠密同名点，即为立体航空影像的密集点云。

上述获得DSM的步骤进一步包括对航空影像的密集点云和滤波后的机载LiDAR点云进行粗配准和精配准两个子步骤，其中：

所述的对航空影像的密集点云和机载LiDAR点云进行粗配准具体为：

根据采集航空影像和机载LiDAR点云时飞机的位置与姿态获取匹配初始位置；通过人工给定的对应点确定航空影像和机载LiDAR点云的位置关系，从而得到一个初始空间三维相似变换T；通过点云数据和航空影像中对应特征的匹配过程，计算同名特征，并代入到仿射变换的转换模型中，优化初始空间三维相似变换T的仿射变换参数，获取配准参数；

所述的对航空影像的密集点云和机载LiDAR点云进行精配准具体为：

根据粗配准获取的配准参数进一步确定航空影像区域和方向；获取两种点云数据中三维表面点集之间的最优匹配的几何变换，从而获得DSM。

上述根据DSM进行真正射影像制作进一步包括以下子步骤：基于DSM对立体航空影像和滤波后的机载LiDAR点云进行正射纠正得到正射影像；

对正射影像上建筑物遮挡区域进行自动检测、侯选补偿影像可见性分析、最佳补偿影像自动确定、遮挡区域纹理补偿策略、补偿影像匀光匀色、绝对遮挡区域计算和真实纹理复原，生产真正射影像。

与现有技术相比，本发明具有以下优点和有益效果：

1）采用本发明方法可以生成高质量DSM，从而可得到高质量的真正射影像。

直接使用LiDAR点云数据生成城市区域的DSM，对城市区域的复杂性特别是各种人工建筑物考虑不足，也未考虑LiDAR点云数据传感器本身的特点，无法生成高质量的DSM。但本发明分别提取航空影像立体像对匹配后生成的密集点云融合LiDAR点云数据获得高质量的DSM。

2）基于高质量的DSM，使用遮挡区域快速检测、最佳补偿影像定位、纹理补偿与模拟复原等技术制作真正射影像产品，改变传统正射影像使用数字高程模型DEM进行纠正，克服无法对投影差和地物进行纠正的缺点，能更加真实准确地表达地形地貌，参见图3，采用本发明方法得到的真正射影像去除了投影差，能更真实的反映地形地貌。

3）本发明的优选方案是基于线特征对机载LiDAR点云以及航空影像进行高精度匹配。

机载LiDAR点云与光学影像的配准必须从配准基元、相似性测度以及配准策略方面进行特殊考虑。遥感数据的配准基元通常分为点特征、线特征和面特征。点特征的配准方法主要采用灰度区域方法进行处理，很难在LiDAR数据和光学影像中找到同名点；基于线特征的配准方法主要利用地物边缘特性的相似性进行，但LiDAR数据与影像数据的差异，同名特征线的匹配是需要突破的难点；面特征方法通常是利用面特征相似性测度方程完成配准。本发明首先利用航空影像生成密集点云，提取其中的道路以及桥梁信息等从而与LiDAR点云数据的线状特征进行匹配，解算出方位参数。

附图说明

图1为传统正射影像和真正射影像中建筑物倾斜与遮蔽效果的对比图，其中，图（a）为传统正射影像中建筑物的倾斜与遮蔽效果，图（b）为真正射影像中建筑物的倾斜与遮蔽效果；

图2为传统正射影像和真正射影像视角的对比图，其中，图（a）为传统正射影像视角图，图（b）为真正射影像视角图；

图3为采用传统正射纠正生成的正射影像和真正射影像的对比，其中，图（a）为次啊月传统正射纠正生成的正射影像，图（b）为真正射影像；

图4为滤波处理前后的机载LiDAR点云数据的对比，其中，图（a）为未进行滤波处理的机载载LiDAR点云，图（b）为经滤波处理后的机载载LiDAR点云；

图5为分割后的机载LiDAR建筑物点云区域；

图6为本发明具体实施所获取的DSM；

图7为本发明具体实施所生成的真正射影像；

图8为本发明具体实施的流程图。

具体实施方式

下面将结合附图和具体实施对本发明做进一步说明。

本发明的基于激光雷达点云与航空影像的真正射影像的制作方法，包括以下步骤：

步骤一，对机载LiDAR点云进行预处理；

机载LiDAR系统在采集数据时，由于其内部误差和物体表面镜面反射等原因，会产生一些噪声点，严重干扰后续操作。为了剔除系统误差和噪声，准确利用机载LiDAR点云进行后续处理，必须对机载LiDAR点云进行预处理以去除粗差点，包括去除重复点、高程异常点、孤立点、空中的点等，例如由于激光打在通往地下室台阶上产生的高程明显低的点，属于高程异常点；激光打到水面上的垃圾、漂浮物等形成了相应的数据点属于孤立点；激光打在空气中由于浮尘或者鸟类等产生的数据点属于空中的点。

步骤二，对预处理后的机载LiDAR点云进行组织；

由于机载LiDAR点云数据繁杂庞大，所以必须设计高效、方便和精确的数据组织方式以提高后续步骤的速度。

该步骤进一步以下子步骤：

2-1对机载LiDAR点云进行表达；

机载LiDAR点云的常用表达方式主要有规则格网、不规则格网、剖面和体元等。本发明的优选方案是采用规则格网和不规则三角网结合的方式来有效表达点云数据的连续表面。规则格网应用于机载LiDAR点云中的低密度点云区域，将机载LiDAR点云中高度或反射值等数据内插为规则格网点，低密度点云区域是指未经预处理的原始机载LiDAR点云中信息较少的区域，如大片建筑、植被等。在低密度点云区域应用规则格网能有效简化机载LiDAR点云的组织方式，从而可提高对机载LiDAR点云数据的访问和查询效率。在机载LiDAR点云中的高密度点云区域采用构建不规则三角网的方式的组织和处理数据，可很大程度保留和表现原始机载LiDAR点云的形态，这里的高密度点云区域是指未经预处理的原始机载LiDAR点云中细节信息较丰富的区域。

2-2对经表达后的机载LiDAR点云进行重采样；

由于机载LiDAR点云数据分布不均匀，不能保证每个格网都有相对应的激光点或者每个激光点都能用于格网的表达，因此必须对机载LiDAR点云进行重采样，本具体实施方式中采用最邻近插值法对机载LiDAR点云进行重采样。

步骤三，对机载LiDAR点云进行滤波以过滤掉非地形表面点；

采集机载LiDAR点云数据时，不可避免地会采集到位于非地形表面上的点，如建筑物表面以及植被表面等。为进行后续处理，非地形表面点需要被过滤掉，仅保留位于地形表面上的点。

常用的滤波方法有：基于数学形态学的滤波方法、基于分层稳健估计的滤波方法、基于多分辨率多尺度分析的滤波方法等，本发明可以采用上述滤波方法中的任一种对机载LiDAR点云进行滤波。

下面将以基于多分辨率多尺度分析的滤波方法为例来说明机载LiDAR点云的滤波过程：

基于多分辨率多尺度分析的滤波方法的实质是获取多尺度多分辨率的数据描述，并建立数据金字塔。这个滤波过程类似于低通滤波器的滤波过程。地形表面点通常表现为高程较低的点，而经变换后的点云数据的高频成分是对应于比周边点明显高出的点，将此高频成分过滤掉后，即可获得地形表面点。具体步骤如下：

通过多次试验选择若干合适的分辨率尺度，并根据各分辨率尺度分别建立对应的子空间，将经预处理后的机载LiDAR点云在各子空间做投影变换，从而获得与各子空间相对应的不同尺度和不同分辨率下的新点云数据描述。在新点云数据中建立参考面，通过对比当前空间中每个点与参考面的相对位置关系判断地形表面点数据，最终达到滤波区分地形表面点和非地形表面点的目的。参加图4，图4显示了滤波处理前后的机载LiDAR点云数据对比。

步骤四，对滤波后的机载LiDAR点云进行特征；

该步骤进一步包括以下子步骤：

4-1获取滤波后的机载LiDAR点云的深度图像，深度图像是由机载LiDAR点云的灰度属性来生成和表示；

根据强度数据和颜色信息对经滤波处理后的机载LiDAR点云进行分割得到对应的深度图像，具体为；根据边缘区域的强度和回波特征信息，对诸如人工建筑物、桥梁、电力线、电力塔以及道路等人工对象和诸如树木、草地、灌木以及农田等自然对象进行数据分割，分割后得到的建筑物的深度图像可参见图5。

4-2基于深度图像提取机载LiDAR点云的特征；

点云数据特征包括点特征、线特征以及面特征，本发明的优选方案是基于机载LiDAR点云的深度图像提取机载LiDAR点云的线特征，以在后续步骤中与航空影像进行线特征匹配。

下面将以提取线特征为例对本步骤进行详细说明：

（a）在机载LiDAR点云的深度图像上提取二维直线特征。

首先在深度图像上进行边缘检测，可采用拉普拉斯(Laplacian)算法、LoG拉普拉斯-高斯(Laplacian-Gauss)算法、坎尼(Canny)算法等进行边缘检测，本发明优选的边缘检测方法是基于Canny算法的边缘检测方法。Canny算子是应用变分原理推导出一种高斯模板导数逼近的最优算子。采用Canny算子提取深度图像中的边缘点序列，然后对边缘点连接而成的各小直线段进行拟合得到二维直线特征。

下面将以坎尼(Canny)算法为例来详细说明深度图像中的边缘点序列的提取过程：

采用2×2邻域一阶偏导的有限差分计算平滑后的机载LiDAR点云数据阵列I(x,y)的梯度，I(x,y)为步骤二所得的机载LiDAR点云数据的描述，x、y分别为像素点的横、纵坐标。根据I(x,y)寻找梯度幅值和幅值方向。

定义点云数据阵列的水平方向为x轴方向，点云数据阵列的垂直方向为y轴方向。基于x、y轴方向计算I(x,y)偏导数的分别获取各像素点（i，j）对应的2个阵列P_x[i,j]和P_y[i,j]：

P_x[i,j]＝(I[i,j+1]-I[i,j]+I[i+1,j+1]-I[i+1,j])/2

P_y[i,j]＝(I[i,j]-I[i+1,j]+I[i,j+1]-I[i+1,j+1])/2

其中，i、j表示该像素的横、纵坐标。

像素的梯度幅值和梯度方向用直角坐标到极坐标的坐标转化公式来计算，用二阶范数来计算像素（i，j）的梯度幅值M[i,j]为：

$M[i,j]=\sqrt{P_x{[i,j]}^2+P_y{[i,j]}^2}$

像素（i，j）的梯度方向为θ[i,j]为：

θ[i,j]＝arctan(P_x[i,j]/P_y[i,j])

根据所获取的梯度幅值和梯度方向确定边缘点，组成边缘点序列即轮廓线。

对获取的轮廓线点集采用Douglas-Peucker（道格拉斯-普克）法获得轮廓线的关键点，进而获得规则的二维直线特征。Douglas-Peucker（道格拉斯-普克）算法作为一种代表性的矢量线要素化简算法，在地理信息处理中发挥着重要作用。根据关键点将轮廓线拆分成多条子轮廓线，然后利用最小二乘法对每一条子轮廓线进行直线段拟合，最后经过正交化获得规则正交的二维直线特征线。

（b）对提取的二维直线特征建立左右两个缓冲区，比较两个缓冲区内点云的高差以确定建筑物的内、外侧，取位于建筑物内侧的缓冲区内的点在Z方向，即竖直方向上对该二维直线特征进行拟合获得机载LiDAR点云的三维直线特征，即机载LiDAR点云的线特征，所获得的线特征包括道路以及桥梁信息等。

步骤五，对获取的原始航空影像立体像对进行匹配获得立体航空影像，并提取立体航空影像的特征，所提取的立体航空影像的特征与机载LiDAR点云的特征为同类特征；

原始航空影像立体像对的匹配进一步包括以下子步骤：

5-1提取原始航空影像立体像对的稀疏点特征。

采用灰度值邻域的变化，计算航空影像立体像对的点的曲率和梯度检测角点特征。

5-2相对定向解算航空影像立体像对中左右两幅影像的相对位置，并进行航空影像立体像对匹配。

步骤六，根据立体匹配后的立体航空影像获得航空影像的密集点云。

通过步骤五提取的稀疏点特征进行立体匹配获得稠密的同名点作为立体航空影像的密集点云。

步骤七，基于线特征对航空影像的密集点云和滤波后的机载LiDAR点云进行匹配，该步骤进一步包括对航空影像的密集点云和机载LiDAR点云进行粗配准和精配准两个子步骤。

基于线特征对航空影像的密集点云和机载LiDAR点云进行粗匹配进一步包括以下步骤：

7-1a，根据采集航空影像和机载LiDAR点云时飞机的位置与姿态获取匹配初始位置；

7-2a，通过人工给定的对应点确定航空影像和机载LiDAR点云的位置关系，从而得到一个初始空间三维相似变换T。

粗匹配完成后，再基于粗配准获得的参数对航空影像的密集点云和机载LiDAR点云进行精匹配，该步骤进一步包括以下步骤：

7-1b根据粗匹配参数确定航空影像区域和方向；

7-2b获取两种点云数据中三维表面点集之间的最优匹配的几何变换，从而获得高质量的DSM，本具体实施中所获得的DSM参见图6。获取DSM的优选方案为：采用迭代最邻近点配准算法(Iterative Closest Point Algorithm,ICP)来获取三维表面点集之间的最优匹配的几何变换的迭代优化

下面将以迭代最邻近点配准算法为例来详细说明DSM的获取过程：

对航空影像的密集点云和机载LiDAR点云中的同一目标分别提取模型轮廓点，获得两组点集：Y={y_i,i＝0,1,2,..,n)和X={x_i,i=1,2,…,m}，用P和Q分别代表X与Y中参与迭代计算的点集。

1）设k为迭代次数，初始化k=0，预先设定初始变换T₀，P₀=T₀(X)，P₀为X经初始变换T₀后的点云；

2）寻找P_k中每个点在Y中的最近点组成点集Q_k，k为迭代次数，其初始值为0；

3）寻找互换最邻近点集P_εk和Q_εk，P_εk和Q_εk中的互换最临近点之间同时互为最近点且距离小于预设值ε。

4）获取P_εk和Q_εk间的均方距离d_k。

5）获取P_εk和Q_εk间最小二乘意义下的三维相似变换T。

6）对P₀执行变换T获得P_k+1：P_k+1=T（P₀）。

7）获取互换最邻近点集P_εk+1和Q_εk间的均方距离d_k’。

8）若d_k-d_k’小于预先设定的阈值或超过预先设定的最大迭代次数，则停止，三维相似变换T则为最优匹配的几何变换；否则，令k=k+1后转至执行步骤2）。

本发明首先利用航空影像生成密集点云，提取其中的道路以及桥梁信息等，即线特征，从而与LiDAR点云数据的线特征进行匹配，解算出方位参数。

步骤八，根据DSM进行真正射影像制作。

该步骤进一步包括以下子步骤：

8-1基于数字表面模型DSM对航空影像和机载LiDAR点云进行正射纠正得到正射影像。

8-2对正射影像上建筑物遮挡区域进行自动检测、侯选补偿影像可见性分析、最佳补偿影像自动确定、遮挡区域纹理补偿策略、补偿影像匀光匀色、绝对遮挡区域计算和真实纹理复原，生产真正射影像，所生成的真正射影像见图7。

Claims (10)

1.一种基于激光雷达点云与航空影像的真正射影像的制作方法，其特征在于，包括步骤：

对机载LiDAR点云依次进行预处理、组织和滤波后进行特征提取；

对原始航空影像立体像对进行匹配获取立体航空影像，并提取立体航空影像的特征，所提取的立体航空影像的特征与机载LiDAR点云的特征为同类特征；

基于所提取的特征对立体航空影像的密集点云和滤波后的机载LiDAR点云进行配准，获得DSM；

根据DSM进行真正射影像制作。

2.如权利要求1所述的基于激光雷达点云与航空影像的真正射影像的制作方法，其特征在于：

所述的对预处理后的机载LiDAR点云进行组织具体为：

对预处理后的机载LiDAR点云进行表达，并对经表达后的机载LiDAR点云进行重采样。

3.如权利要求2所述的基于激光雷达点云与航空影像的真正射影像的制作方法，其特征在于：

所述的对预处理后的机载LiDAR点云进行表达具体为：

采用规则格网对预处理后的机载LiDAR点云中的低密度点云区域进行表达，采用不规则三角网对预处理后的机载LiDAR点云中的高密度点云区域进行表达。

4.如权利要求1所述的基于激光雷达点云与航空影像的真正射影像的制作方法，其特征在于：

所述的对机载LiDAR点云进行特征提取具体为：

获取滤波后的机载LiDAR点云的深度图像，并基于深度图像对机载LiDAR点云进行特征提取。

5.如权利要求4所述的基于激光雷达点云与航空影像的真正射影像的制作方法，其特征在于：

所述的基于深度图像对机载LiDAR点云所提取的特征为线特征。

6.如权利要求5所述的基于激光雷达点云与航空影像的真正射影像的制作方法，其特征在于：

所述的基于深度图像对机载LiDAR点云进行线特征提取具体为：

基于深度图像提取机载LiDAR点云的二维直线特征，并对提取的二维直线特征建立左右两个缓冲区，比较两个缓冲区内点云的高差以确定建筑物的内、外侧，取位于建筑物内侧的缓冲区内的点在竖直方向上对二维直线特征进行拟合，获得包括道路和桥梁信息的线特征。

7.如权利要求6所述的基于激光雷达点云与航空影像的真正射影像的制作方法，其特征在于：

所述的基于深度图像提取机载LiDAR点云的二维直线特征具体为：

在深度图像上进行边缘检测，并提取深度图像中的边缘点序列；根据边缘点序列将边缘点连接成各小直线；对各小直线段进行拟合得到二维直线特征。

8.如权利要求1所述的基于激光雷达点云与航空影像的真正射影像的制作方法，其特征在于：

所述的立体航空影像的密集点云采用如下方法获得：

提取立体航空影像对应的原始航空影像立体像对的稀疏点特征，根据所提取的稀疏点特征进行立体匹配获得稀疏点对应的稠密同名点，即为立体航空影像的密集点云。

9.如权利要求1所述的基于激光雷达点云与航空影像的真正射影像的制作方法，其特征在于：

所述的获得DSM的步骤进一步包括对航空影像的密集点云和滤波后的机载LiDAR点云进行粗配准和精配准两个子步骤，其中：

所述的对航空影像的密集点云和机载LiDAR点云进行粗配准是基于所提取的特征进行，具体为：

根据采集航空影像和机载LiDAR点云时飞机的位置与姿态获取匹配初始位置；通过人工给定的对应点确定航空影像和机载LiDAR点云的位置关系，从而得到一个初始空间三维相似变换T；通过点云数据和航空影像中对应特征的匹配过程，计算同名特征，并代入到仿射变换的转换模型中，优化初始空间三维相似变换T的仿射变换参数，获取配准参数；

所述的对航空影像的密集点云和机载LiDAR点云进行精配准具体为：

根据粗配准获取的配准参数进一步确定航空影像区域和方向；获取两种点云数据中三维表面点集之间的最优匹配的几何变换，从而获得DSM。

10.如权利要求1所述的基于激光雷达点云与航空影像的真正射影像的制作方法，其特征在于：

所述的根据DSM进行真正射影像制作进一步包括以下子步骤：

基于DSM对立体航空影像和滤波后的机载LiDAR点云进行正射纠正得到正射影像；

对正射影像上建筑物遮挡区域进行自动检测、侯选补偿影像可见性分析、最佳补偿影像自动确定、遮挡区域纹理补偿策略、补偿影像匀光匀色、绝对遮挡区域计算和真实纹理复原，生产真正射影像。

Images