CN110414379A - 结合高程图Gabor纹理特征和LiDAR点云特征的建筑物提取算法 - Google Patents

Abstract

本发明涉及一种结合高程图Gabor纹理特征和LiDAR点云特征的建筑物提取算法。首先通过将点云转变为高程图的方式获取点云数据对应的影像信息；然后采用了Gabor变换提取高程图的纹理特征捕获不同空间频率(尺度)和方向对应的特征，获取的图像特征具有判别性且维数较高，可为建筑物提取提供更多的可靠信息；将点云特征与高程图纹理特征进行融合，从更多不同角度为建筑物的提取提供信息数据；采用BPSO算法对高维特征进行特征选择，以获得最优化的特征组合，在提高建筑物提取效率的同时，也提高建筑物提取结果的精度。此外，BPSO算法也可对用于提取建筑物的SVM分类算法中的核函数参数进行优化，以进一步提高建筑物提取的效率和精度。

Description

结合高程图Gabor纹理特征和LiDAR点云特征的建筑物提取 算法

技术领域

本发明属于LiDAR数据处理与应用领域，尤其针对利用LiDAR点云进行建筑物提取的算法研究。

背景技术

近年来，遥感影像在环境监测、军事侦察、精细农业等领域的应用日益重要。除了色彩和灰度信息外，影像数据还可以为相关研究提供纹理信息。常用的纹理提取方法有灰度共生矩阵(GLCM)，局部二值模式(local binary patterns，LBP)和方向梯度直方图。LiDAR是一种通过脉冲激光照射目标并用传感器测量反射脉冲来测量目标距离的测量方法，可应用于大地测量学、地统计学、考古学、地理学以及自动驾驶汽车的控制和导航等领域。相比于影像只能提供二维空间信息，LiDAR技术具有可便捷地获取地物三维信息的优势，因此许多研究将LiDAR数据应用于建筑物提取。对于LiDAR点云数据，可将点云特征与高程图纹理特征结合，多角度反映地物特性，从而获得更好的地物提取效果。但这也会使获得的特征维数较多，不仅会增加计算量，还可能由于存在部分不利于分类的特征导致分类精度的降低，因此可对获取的特征进行特征选择。近年来，人工智能的发展使一系列智能算法得到广泛应用并由于其本质为组合优化问题，因此可用于特征选择中并取得了良好的效果。特征的选取在建筑物提取的过程中起着至关重要的作用，是高维数据属性量化的常用方法，可降低分类中的计算成本。获取了建筑物的众多特征信息后，如何挑选最优特征进行地物分类和建筑物提取成为研究的重点。

发明内容

本发明要解决的技术问题是，从点云获取二维影像，并结合点云和影像各自的优势，通过特征提取实现点云的建筑物提取。

为了解决上述技术问题，本发明采用如下的技术方案：

本发明首先对点云数据进行去噪处理，滤除高程异常点；之后，计算点云自身的特征。与特征向量不同，特征值具有良好的旋转不变特性，因此采用基于点云特征值的多维特征进行建筑物提取，包括基于特征值的特征、基于密度的特征和基于高程的特征；本发明通过将点云转变为高程图，并采用二维Gabor变换提取纹理特征，通过改变方向和频率的参数取值来获取不同方向、不同尺度的高程图纹理特征；由于本发明将点云特征和高程图纹理图特征结合用于分类，所得的特征维数较大，因此采用智能算法进行优化选择，本发明采用BPSO方法进行特征选择和SVM的参数优化。具体包括如下步骤：

步骤1，对点云数据进行去噪处理，滤除高程异常点；

步骤2，计算点云自身的特征，包括基于特征值的特征、基于密度的特征和基于高程的特征；

步骤3，将点云转换为高程图；

步骤4，采用纹理提取算法得到高程图的纹理特征；

步骤5，采用离散粒子群优化算法(Binary Particle Swarm Optimization，BPSO)进行特征选择，以选取最优化的特征组合，包括云自身的特征和纹理特征；

步骤6，对SVM分类器中的参数进行优化，通过调节惩罚参数c和核函数参数g，选取分类误差最小时的调节参数为最合适的参数；

步骤7，采用SVM分类器中最合适的参数，基于选取的最优化特征组合数据，将点云数据分为建筑物和非建筑物，从而实现建筑物的提取。

进一步的，步骤2中点云自身的特征中各特征的具体含义和计算公式如下表：

基于特征值的特征中，通过计算各点邻域内的所有点高程的协方差矩阵，根据邻域内的点，计算出中心点的协方差矩阵，三维坐标的协方差矩阵计算如下，

其中，C表示协方差矩阵，cov()表示两个向量的协方差，x，y，z分别表示邻域中所有点的X，Y，Z坐标组成的向量，从而求得协方差矩阵的特征值λ₁,λ₂,λ₃，其中λ₁＞λ₂＞λ₃。

步骤3的具体实现方式如下，

首先将设定格网大小，将点云数据按其(x,y)坐标存储到格网中；然后设定相应的高差阈值，计算像素对应区域内的所有点高程的方差，当方差小于阈值时，像素对应区域内点云的高程较为相近，则选取其高程平均值作为像素的灰度参考值；若当前区域的方差大于阈值，则统计区域中所有点的高程分布，进行基于三角剖分的自然邻域三维插值，取拟合曲线峰值的二分之一为当前像素值；对于点数小于n个或无点的像素区域，采用K近邻内插的方法计算得到区域高程值，作为灰度参考值；计算获得所有像素的灰度参考值后，将其归一化到[0,255]，即得到点云数据对应的高程灰度图。

进一步的，步骤4中采用二维Gabor变换提取纹理特征，通过改变方向和频率的参数取值来获取不同方向、不同尺度的高程图纹理特征，其中，方向和频率的取值方法如下：

其中，O(i)表示方向参数，A为设定的方向参数的个数，F(i)为频率变量，B为频率变量个数。

进一步的，步骤5的具体实现方式如下，

特征选择的过程中，每个特征分为“被选中”和“未被选中”两种状态，每个粒子代表一维特征，通过随机生成粒子的初始位置，并利用位置和粒子速度的关系对速度进行初始化，之后进行BPSO搜索所有特征的最佳组合。粒子的速度采用以下公式进行更新：

V_id＝ωV_id+C₁random(0,1)(P_id-X_id)+C₂random(0,1)(P_gd-X_id) (4)

其中，C₁和C₂为学习因子，也称加速常数(acceleration constant)；ω为惯性因子；random(0,1)为[0,1]范围内的均匀随机数；V_id是粒子的速度，V_id∈[-V_max,V_max]，且V_max是由用户设定的常数，用来限制粒子的速度；X_id表示粒子的位置；

粒子的位置通过当前速度值转化为[0,1]之间的一个概率值进行更新，取值为“0”或者“1”，每个粒子的位置采用公式(5)进行更新：

其中，是sigmoid限制性转变，用于标准化，random()∈[0,1]表示在0和1之间均匀分布的随机数，X_id＝0表示未选中，X_id＝1表示选中。

与现有技术相比，本发明具有以下特点：

1.通过将点云转变为高程图的方式获取点云数据对应的影像信息，可以弥补点云特征的不足，同时也减少了由于点云与影像数据的配准等操作产生的误差；

2.采用了Gabor变换提取高程图的纹理特征捕获不同空间频率(尺度)和方向对应的特征，获取的图像特征具有判别性且维数较高，可为建筑物提取提供更多的可靠信息。

3.将点云特征与高程图纹理特征进行融合，从更多不同角度为建筑物的提取提供信息数据。

4.采用BPSO算法对高维特征进行特征选择，以获得最优化的特征组合，在提高建筑提取效率的同时，也提高建筑物提取结果的精度。此外，BPSO算法也可对用于提取建筑物的SVM分类算法中的核函数参数进行优化，以进一步提高建筑物提取的效率和精度。

附图说明

图1是本发明实施例的技术流程图；

图2是本发明实施例的点云高程彩色渲染点云高程图，其中(a)点云高程彩色渲染图，(b)点云高程灰度图；

图3是本发明实施例的数据高程渲染图和人工分类结果图，(a)-(e)分别为实验数据1-5的高程渲染和人工分类结果；

图4是本发明实施例的Gabor变换卷积核函数图；

图5是本发明实施例的高程图提取纹理的示例图，(a)-(f)分别为不同方向上提取的纹理特征图；

图6是本发明实施例的数据1实验结果对比图；

图7是本发明实施例的数据2实验结果对比图；

图8是本发明实施例的数据3实验结果对比图；

图9是本发明实施例的数据4实验结果对比图；

图10是本发明实施例的数据5实验结果对比图。

图6-图10中(a)-(h)分别为：GLCM方法建筑物提取结果、HOG方法建筑物提取结果、LBP方法提取结果、ENVI_LiDAR建筑物提取结果、仅基于点云特征(OPCF)的建筑物提取结果、未进行特征选择(NFS)的建筑物选择结果以及本发明方法具体实施的建筑物提取结果。

具体实施方式

下面结合附图和具体实施例对本实施例做进一步说明。

如图1所示，本实施例通过计算点云的特征值、高程和密度等特征，并将点云转变为高程图，采用Gabor变换提取高程图纹理特征，并将特征赋给点云，再采用BPSO算法进行特征选择和SVM分类参数优化，从而实现建筑物的提取。利用Gabor变换得到LiDAR高程图的纹理特征，再结合点云自身特征进行点云分类和建筑物提取。由于计算所得特征值较多，因此采用BPSO算法对参与分类的特征和SVM方法的参数进行同步优化，从而实现LiDAR点云的建筑物提取。具体实现过程如下：

步骤1，利用软件对对点云数据进行去噪处理，滤除高程异常点；

步骤2，计算点云自身的特征，包括基于特征值的特征、基于密度的特征和基于高程的特征，其中，基于特征值的点云特征中，根据邻域内的点，计算出中心点的协方差矩阵。三维坐标的协方差矩阵计算如下

其中，C表示协方差矩阵，cov()表示两个向量的协方差，x，y，z分别表示邻域中所有点的X，Y，Z坐标组成的向量(即x是邻域中所有点的X坐标组成的向量，y是邻域中所有点的Y坐标组成的向量，z是邻域中所有点的Z坐标组成的向量)，从而求得协方差矩阵的特征值λ₁,λ₂,λ₃(其中λ₁＞λ₂＞λ₃)。

各点云特征的具体含义和计算公式如下表：

表1点云特征表

见图5，本实例不同方位参数取值的高程纹理图较为相似，但细节上略有差异。纹理分布的方向随不同的方向参数而变化，边角的描述也不同。例如，边和角的位置不一样，而且角的形状和圆滑度也不同，因为有些角更圆滑，而另一些角区域则有棱角。除此之外，相同区域的像素值也不同。这些边缘和角的微小差异将帮助我们获得建筑物的多维信息，从而更好地提取建筑物。

步骤3，将点云转变为高程图。高程图的生成过程，是根据点云高程分布实现的。首先将设定格网大小，将点云数据按其(x,y)坐标存储到格网中。之后，根据各试验区域的不同设定相应的高差阈值(范围为10-30)，计算像素对应区域内的所有点高程的方差。当方差小于阈值时，像素对应区域内点云的高程较为相近，则选取其高程平均值作为像素的灰度参考值；若当前区域的方差大于阈值，则统计区域中所有点的高程分布，进行基于三角剖分的自然邻域三维插值[1]，取拟合曲线峰值的二分之一为当前像素值。对于点数少于4个或无点的像素区域，可采用K近邻内插的方法计算得到区域高程值，作为灰度参考值。计算获得所有像素的灰度参考值后，将其归一化到[0,255]，即可得到点云数据对应的高程灰度图。

[1]刘家胜,邹道文,周源华,等.基于Delaunay三角剖分和高斯小波函数插值的三维表面重建算法[J].计算机工程与应用,2003,39(23):76-78.

见图2，本实施例通过将点云转变为高程图，并提取其纹理，来获取纹理特征。高程图的生成过程，是根据点云高程分布实现的。通过设定格网大小，将点云数据存储到格网中。设定高差阈值，计算像素对应区域内的高程方差，根据其与阈值的关系，采用不同的计算方法根据高程获得相应像素的灰度参考值。计算获得所有像素的灰度参考值后，将其归一化到[0,255]，即可得到点云数据对应的高程灰度图。

步骤4，采用纹理提取算法得到高程图的纹理特征，以便进一步进行建筑物的提取。采用二维Gabor变换提取纹理特征，通过改变方向和频率参数的取值来获取不同方向、不同尺度的高程图纹理特征。其中，方向和频率的取值方法如下：

其中，O(i)表示方向参数，A为设定的方向参数的个数，F(i)为频率变量，B为频率变量个数。

见图4，本实施例采用公式(2)和(3)，频率分别取值0.2，1.414，0.1和0.0707，方向分别取值0，π/6，π/3，π/2，2π/3和5π/6，通过两种参数的不同取值组合从而得到共24维高程图纹理特征。

步骤5，用离散粒子群优化算法(Binary Particle Swarm Optimization，BPSO)进行特征选择，以选取最优化的特征组合，实现建筑物提取。特征选择的过程中，每个特征分为“被选中”和“未被选中”两种状态。每个粒子代表一维特征，通过随机生成粒子的初始位置，并利用位置和粒子速度的关系对速度进行初始化，之后进行BPSO搜索所有特征的最佳组合。粒子的速度采用以下公式进行更新：

V_id＝ωV_id+C₁random(0,1)(P_id-X_id)+C₂random(0,1)(P_gd-X_id) (4)

其中，C₁和C₂为学习因子，也称加速常数(acceleration constant)；ω为惯性因子；random(0,1)为[0,1]范围内的均匀随机数；V_id是粒子的速度，V_id∈[-V_max,V_max]，且V_max是由用户设定的常数，用来限制粒子的速度。X_id表示粒子的位置。粒子的位置通过当前速度值转化为[0,1]之间的一个概率值进行更新，取值为“0”或者“1”。一般情况下，使用sigmoid函数将粒子的速度值转换为概率值，依据概率值大小判定当前粒子的位置值。此时，每个粒子的位置采用公式(5)进行更新：

其中，是sigmoid限制性转变，用于标准化，random()∈[0,1]表示在0和1之间均匀分布的随机数，X_id＝0表示未选中，X_id＝1表示选中。

步骤6，采用BPSO方法，在进行特征选择的同时，对SVM的参数进行优化。优化的过程是根据测试数据的分类正确率来衡量性能，比较多次分类的结果，获得局部最优和全局最优值，并根据公式(4)更新粒子的位置和速度并不断迭代。SVM分类核函数参数中，惩罚因子c和核函数参数g两个参数对分类精度起到了决定性的作用。核函数参数g决定了训练样本的本质属性；惩罚因子c的作用是使最小误差和最小经验风险间尽可能达到平衡，模型的泛化能力不断趋近于最优状态。根据BPSO中粒子的位置计算调节核函数参数g和惩罚参数c，代入SVM分类器中进行点云的分类并不断迭代，选取分类误差最小时的调节参数作为最佳参数组合。

见图3，本实施例将LiDAR_Suite软件进行人工分类的结果作为真值进行建筑物提取的精度评定。这一过程通过有相关工作经验的研究人员结合软件操作和目视解译完成。

步骤7，采用SVM分类器基于特征数据进行分类(分为建筑物和非建筑物)，从而实现建筑物的提取。

见图6，对于实验数据1，由于建筑物间距较近且其周围存在较多与建筑物高程相近的植被，因此采用HOG算法提取纹理后所得的建筑物提取结果较差，而其他方法，尤其是仅基于点云特征的方法在建筑物的间隔区域产生大量错分现象，相比之下，本实施例产生的错分较少。

见图7，对于实验数据2，与实验数据4相似，由于建筑物较多且分布较为密集，建筑物之间存在大量较高的植被，因此其他纹理提取方法所得的结果均较差，而本实施例算法所得结果产生的错分较少。相比于仅基于点云特征和软件提取结果，本实施例算法在左上角区域和右上角空洞区域产生错分现象较少(如图中圆圈区域所示)。

见图8，对于实验数据3，相比采用其他三种纹理特征提取方法所得结果、基于点云特征的提取结果，本实施例算法所得结果中将其他地物错分为建筑物的现象大大减少，且相比软件的建筑物提取结果，本实施例所得结果可在图中圆圈标注区域提取完整的建筑物，相比于仅基于点云特征的提取结果，本实施例算法在对右下角复杂建筑进行提取时在其周边区域产生的误差较少。

见图9，对于实验数据4本实施例算法所得的建筑物提取结果产生错分的现象明显少于其他方法。相比采用GLCM、HOG、LBP算法获取纹理特征得到的建筑物提取结果，本实施例算法提取的建筑物区域内部点产生的错分很少，从而很好地保留了建筑物的完整性。相比于软件提取结果在右上角区域将较多非建筑物点识别为建筑物，本实施例所得结果在右上角区域产生的错误较少。由3D显示图可得，右上角区的错误提取区域是由一个高程较高的独立地物导致。与仅基于点云特征的方法相比，本实施例算法在非建筑物区域产生的错分较少，避免了其他地物点对建筑物提取的影响。

见图10，对于实验数据5，相比其他方法得到的结果，本实施例算法所得结果中将其他地物错分为建筑物的现象较少，且与软件的建筑物提取结果相比，本实施例算法对图中圆圈标注区域较为复杂的建筑物的提取结果更为完整。相比于仅基于点云特征的提取结果，本实施例算法所得结果中建筑物的完整性更好，在建筑物内部产生的错误分类较少。

除上述实施例外，本发明还可以有其他的实施方式。凡采用等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围。

Claims (5)

1.结合高程图Gabor纹理特征和LiDAR点云特征的建筑物提取算法，其特征在于，包括如下步骤：

步骤1，对点云数据进行去噪处理，滤除高程异常点；

步骤2，计算点云自身的特征，包括基于特征值的特征、基于密度的特征和基于高程的特征；

步骤3，将点云转换为高程图；

步骤4，采用纹理提取算法得到高程图的纹理特征；

步骤5，采用离散粒子群优化算法(Binary Particle Swarm Optimization，BPSO)进行特征选择，以选取最优化的特征组合，包括点云自身的特征和纹理特征；

步骤6，对SVM分类器中的参数进行优化，通过调节惩罚参数c和核函数参数g，选取分类误差最小时的调节参数为最合适的参数；

步骤7，采用SVM分类器中最合适的参数，基于选取的最优化特征组合数据，将点云数据分为建筑物和非建筑物，从而实现建筑物的提取。

2.如权利要求1所述的结合高程图Gabor纹理特征和LiDAR点云特征的建筑物提取算法，其特征在于：步骤2中点云自身的特征中各特征的具体含义和计算公式如下表：

基于特征值的特征中，通过计算各点邻域内的所有点高程的协方差矩阵，根据邻域内点的坐标，计算出中心点的协方差矩阵，三维坐标的协方差矩阵计算如下，

其中，C表示协方差矩阵，cov()表示两个向量的协方差，x，y，z分别表示邻域中所有点的X，Y，Z坐标组成的向量，从而求得协方差矩阵的特征值λ₁,λ₂,λ₃，其中λ₁＞λ₂＞λ₃。

3.如权利要求1所述的结合高程图Gabor纹理特征和LiDAR点云特征的建筑物提取算法，其特征在于：步骤3的具体实现方式如下，

首先将设定格网大小，将点云数据按其(x,y)坐标存储到格网中；然后设定相应的高差阈值，计算像素对应区域内的所有点高程的方差，当方差小于阈值时时，像素对应区域内点云的高程较为相近，则选取其高程平均值作为像素的灰度参考值；若当前区域的方差大于阈值，则统计区域中所有点的高程分布，进行基于三角剖分的自然邻域三维插值，取拟合曲线峰值的二分之一为当前像素值；对于点数小于n个或无点的像素区域，采用K近邻内插的方法计算得到区域高程值，作为灰度参考值；计算获得所有像素的灰度参考值后，将其归一化到[0,255]，即得到点云数据对应的高程灰度图。

4.如权利要求1所述的结合高程图Gabor纹理特征和LiDAR点云特征的建筑物提取算法，其特征在于：步骤4中采用二维Gabor变换提取纹理特征，通过改变方向和频率的参数取值来获取不同方向、不同尺度的高程图纹理特征，其中，方向和频率的取值方法如下：

其中，O(i)表示方向参数，A为设定的方向参数的个数，F(i)为频率变量，B为频率变量个数。

5.如权利要求1所述的结合高程图Gabor纹理特征和LiDAR点云特征的建筑物提取算法，其特征在于：步骤5的具体实现方式如下，

特征选择的过程中，每个特征分为“被选中”和“未被选中”两种状态，每个粒子代表一维特征，通过随机生成粒子的初始位置，并利用位置和粒子速度的关系对速度进行初始化，之后进行BPSO搜索所有特征的最佳组合，粒子的速度采用以下公式进行更新：

V_id＝ωV_id+C₁random(0,1)(P_id-X_id)+C₂random(0,1)(P_gd-X_id) (4)

其中，C₁和C₂为学习因子，也称加速常数(acceleration constant)；ω为惯性因子；random(0,1)为[0,1]范围内的均匀随机数；V_id是粒子的速度，V_id∈[-V_max,V_max]，且V_max是由用户设定的常数，用来限制粒子的速度；X_id表示粒子的位置；

粒子的位置通过当前速度值转化为[0,1]之间的一个概率值进行更新，取值为“0”或者“1”，每个粒子的位置采用公式(5)进行更新：

其中，是sigmoid限制性转变，用于标准化，random()∈[0,1]表示在0和1之间均匀分布的随机数，X_id＝0表示未选中，X_id＝1表示选中。