CN114283213A - 联合LiDAR点云与光学图像的房屋自适应矢量化方法 - Google Patents
联合LiDAR点云与光学图像的房屋自适应矢量化方法 Download PDFInfo
- Publication number
- CN114283213A CN114283213A CN202111593403.8A CN202111593403A CN114283213A CN 114283213 A CN114283213 A CN 114283213A CN 202111593403 A CN202111593403 A CN 202111593403A CN 114283213 A CN114283213 A CN 114283213A
- Authority
- CN
- China
- Prior art keywords
- house
- identification
- elevation
- point cloud
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
本申请联合LiDAR点云与光学图像实现房屋自动识别矢量化,将点云数据的高度光学图像nDSM与高度光学图像的边缘轮廓信息作为输入波段参加光学图像的多尺度高程协同分割;提出一种基于地物梯度、高程空间关系的植物与房屋的分拣优化方法,对于房屋的边缘信息识别结果,提出一种角点识别驱动的房屋轮廓精细矢量化方法;本申请能有效识别出四棱锥形的房屋和四合院类型的房屋,对屋顶表面存在小型附属物的房屋也有很强的适应能力,对于人字形、工字形或多种类型的房屋组成的房屋集群能正确识别,基于高程、回波、光谱和梯度等多特征进行多层次优势互补的房屋识别,取得了优质的识别和房屋自适应矢量化效果。
Description
技术领域
本申请涉及一种光学图像的房屋自适应矢量化方法,特别涉及一种联合LiDAR点云与光学图像的房屋自适应矢量化方法,属于遥感房屋矢量化技术领域。
背景技术
城市中房屋是最主要的地理元素,基于遥感技术的房屋提取可用于城市空间的规划管理,传统遥感技术主要是对房屋的屋顶面片进行分布分析。随着智慧城市建设的大浪潮来临,联合多源数据和多尺度多维空间的房屋提取与建模具有重要运用。智慧城市建设中,城市管理规划的实时化、智能化、高效率都需要高精度的房屋模型,主要的呈现形式是可量测的实景3D房屋模型。如今房屋3D建模技术主要集中于基于倾斜摄影的立体测图3D建模,但无法将地物单元实体化处理。基于LiDAR点云与倾斜摄影的3D建模,能够对建筑实体进行精细化建模而且能够进行空间的模型量测,对于城市规划的空间感知更加清晰。房屋在城市空间中具有明确的形状、空间位置特征,基于遥感图像光谱特征的特征提取对于房屋的自动化提取具有可行性但也存在着诸多困难。因此,作为城市地物环境中更新最为频繁的地理数据,基于高分辨率遥感图像的房屋识别和提取的自动化具有巨大的运用前景。
伴随遥感数据传感器的技术发展,遥感数据源的多样性和精度分辨率都有了相当大的提高。区域级的遥感图像解译识别基于中低分辨率的遥感图像便可解决,但城市空间地物的提取解析则需要高分辨率的遥感图像提供地物细节。在高分遥感图像中,地物的细节特征和纹理属性更加清晰明显,另外,高分辨率的特性增加了地物形状、邻接地物的关联关系等空间信息,增加了地物识别的特征空间,基于高分遥感图像的房屋提取面临诸多挑战。同谱异物和同物异谱的光谱信息混淆问题,地物类型和纹理细节过于复杂丰富,会使单独利用高分遥感图像进行房屋提取存在漏检与错分现象,并且自动化程度不高。
机载激光雷达LiDAR是基于主动式的遥感测量技术,主要的数据产品是离散的3D激光点云,每一个离散点包含了3D坐标值(x,y,z)、激光脚点的反射强度值和激光回波信息。LiDAR点云数据能够直接获取地物点的地理参照坐标和高精度的3D空间位置。另外,点云数据的获取方式较灵活,作为辅助性遥感数据源能够进一步提高地物分类的精度。房屋在激光点云数据集中的表现形式较为规则,而且点云数据的空间性使得房屋与周边地物的可辨别程度更强,因此在房屋的提取中存在优势,但仍然存在一系列的不足,并不能从本质上来提升城市地区各类房屋提取的精度,主要原因包括:一是由于点云数据传感器技术的限制,使得机载激光雷达扫描的点云平面分辨率普遍较低,即使在点云中取得了完美的提取精度仍然没有太大的实际意义,点云数据相比于遥感图像的最严重缺陷,便是不包括丰富的光谱与语义信息;二是房屋的材质、结构和形状的愈发复杂,使得单独利用机载LiDAR点云数据进行房屋的识别效果不佳且效率不高,其中包含大量的人工编辑与结果错分;三是LiDAR点云数据包括激光信号的强度信息,强度信号能够对不同的地物材质进行反应作为地物识别的特征之一。但传感器获取的地物强度反射信号误差较大而且无法真实反映地物的类别信息,所以LiDAR点云数据基于强度信息等某些特征信息的地物分类无法取得应有效果反而加入了诸多干扰因素。
基于中低分辨率的遥感图像受限于分辨率无法进行房屋的地物提取,随着高分光学图像的发展和更丰富的地物细节信息,也出现了阴影遮挡、光谱混淆、地物过于复杂等新的房屋提取难题。基于高分遥感图像和航摄图像进行建成区房屋的提取包含两种思路:第一种是自下而上的特征组合思路,主要从遥感数据源的底层特征入手,基于多特征的提取进行房屋识别;第二种是自上而下的先验模型思路,主要是基于目标模型特征抽象出相关特征模型,对光学图像中的房屋目标基于模型的抽象识别。
现有技术基于遥感数据层面的房屋识别主要是基于遥感图像的光谱特征,从房屋表现在遥感图像上的形状、纹理、语义等特征信息进行房屋的区别提取,另外,在各种遥感辅助数据源的参与下,对特征空间进行补充一定程度上也能够增加房屋识别的精度。
现有技术基于光学图像的光谱信息和Hough直线段识别的方法将房屋的轮廓大致获取,然而基于几何边界的方法没有利用纹理特征、单体房屋之间的空间关系特征等,以此类方法为主导的房屋提取多存在错误识别和漏检的情况,简单的几何形态来拟合房屋的屋顶面状区域对建筑群缺乏应用的可伸展性。其它光学图像分割的房屋识别方法对于初始分割质量要求很高,而且在复杂的地物环境中房屋植物与阴影的相互遮挡问题难以很好的处理。
基于模型驱动的房屋识别方法依据多数据源多空间时间维度的高分辨率遥感数据,从数学建模房屋目标的特征模型和先验专家知识来进行城市房屋目标的提取,现有技术基于模型使得初始阶段无需考虑房屋形状故而房屋提取结果的轮廓呈不规则形状,还需进行规则化处理,难以模拟到地物之间的空间语义关系,因此识别结果存在相当的粗差。现有技术基于形状规则的房屋知识模型进行房屋的识别提取,但在复杂建成区的鲁棒性不强,在复杂建成区具有较低的适应性。
单独使用LiDAR数据源进行房屋提取中,相关滤波难以确定,因此不具备通用性,而且没有植物的光谱信息因此错分现象较多,基于坡度特征进行房屋的滤波识别但效果不佳,由于点云数据源的分辨率局限性和植物与房屋高程上的易混使得房屋提取的精度不高。
综合来看,基于遥感图像或者联合辅助信息的房屋识别提取取得了一些成绩,但仍然存在很多技术难点和提取瓶颈,这其中包含算法层面的问题也包含遥感数据源的处理问题,主要体现在:
第一,基于高分光学图像的建成区房屋识别不可避免的会遇到阴影遮挡问题,而且随着城市房屋形状、高度复杂度增加会更加严重,房屋与植物的阴影区域内,地物的光谱信息会发生畸变,如果现有技术不加考虑会出现漏检和错检现象,比如现有技术房屋屋顶的归一化植物指数值与阴影遮盖下的植物值近似从而造成错分,因为阴影下的植物反映在光学图像传感器中的光谱值计算出来的植物指数值较低,因此复杂建成区单独使用高分光学图像与植物指数区分阴影区的植物与房屋精度不高,最终导致房屋识别的准确率较低;
第二,高分光学图像的地物分类提取中,现有技术在缺乏DSM高度信息的情况下,房屋屋顶与道路因为建造材料的相似性,会表现光谱特征的相似性从而造成错分;另外,建成区房屋屋顶的颜色也会影响到光谱信息的分类准确度,尤其近些年来,建筑工艺和审美需求的提高,蓝色、绿色或含有植物草坪种植的冷色型屋顶很多,这会使得植物指数监测混淆严重,房屋识别的漏检率增加,造成房屋识别精度很低,房屋自适应矢量化失去了实际运用价值;
第三,单独利用高分遥感图像进行房屋提取存在漏检与错分现象,并且自动化程度不高;而LiDAR点云数据由于点云数据传感器技术的限制,使得机载激光雷达扫描的点云平面分辨率普遍较低,不包括丰富的光谱与语义信息,即使在点云中取得了完美的提取精度仍然没有太大的实际意义;单独利用机载LiDAR点云数据进行房屋的识别效果不佳且效率不高,其中包含大量的人工编辑与结果错分;LiDAR传感器获取的地物强度反射信号误差较大且无法真实反映地物的类别信息,LiDAR点云数据基于强度信息等某些特征信息的地物分类无法取得应有效果反而加入了诸多干扰因素,并不能从本质上来提升城市地区各类房屋提取的精度;
第四,光学图像数据源和图像分割算法的流程步骤没有经过科学论证,现有技术图像分割和识别的参数设置随意性大,参数误差会影响到房屋提取的质量;现有技术房屋提取的轮廓不够精细,存在边缘信息丢失或突出,特征约束不强,使得提取结果存在错检和漏检现象,可用性和可靠性都比较差,无法推广至房屋矢量化等很多重要领域,同时,现有技术仅仅利用了LiDAR点云数据的高程特征,未引入其它特征来进行多特征的房屋识别,应用受到极大受限,准确度差导致在实际运用中几乎没有实用价值。
发明内容
本申请针对高分遥感图像进行房屋识别中的光谱混淆现象,引入机载LiDAR点云的高程信息进行优化,在光学图像的先分割再分类流程中,高程特征作为波段之一参与分割分类,增加相同光谱特征情况下不同地物在垂直空间中的差异性,能够进行地物的提取与分类;高分辨率光学遥感图像数据与机载LiDAR数据具有很强的相互辅助特性,基于多源数据联合和地物目标识别的前沿技术,本申请综合利用两种数据源的优势数据信息能够精确、高效的得到建成区的房屋轮廓信息分布,对城市空间管理、土地类型分布解析和自然灾害评估等很多城市规划应用具有非常重要的意义,同时对于遥感图像解译具有重要的工程应用价值。
为实现以上技术效果,本申请所采用的技术方案如下:
联合LiDAR点云与光学图像的房屋自适应矢量化方法,联合高分辨率遥感图像与机载LiDAR点云数据多特征空间提取建成区房屋,并进行结果的自适应抽稀矢量化;
(一)核心方法:联合LiDAR点云与光学图像的房屋自动识别矢量化,包括:一是联合LiDAR点云数据的图像多尺度高程协同分割,二是基于梯度空间解析的房屋与植物优化分拣,三是房屋识别及轮廓精细矢量化;
基于遥感图像的多尺度高程协同分割,将点云数据的高度光学图像nDSM与高度光学图像的边缘轮廓信息作为输入波段参加光学图像的多尺度高程协同分割,分割质量提高以为进一步分类做准备;基于点云高度图像进行房屋轮廓识别过程中,提出一种基于地物梯度、高程空间关系的植物与房屋的分拣优化方法,包括基于梯度空间特征的植物识别滤除和房屋边缘恢复;对于房屋的边缘信息识别结果,提出一种角点识别驱动的房屋轮廓精细矢量化方法,主要包括:角点识别驱动的房屋轮廓初阶优化和循环递归压缩的房屋轮廓精细矢量化;
(二)流程步骤:建成区房屋自动识别与自适应矢量化步骤,包括:
步骤一:LiDAR数据的预处理和特征识别;
步骤二:高分遥感图像的特征解析与设置;
步骤三:多源数据联合的多尺度高程协同分割;
步骤四:面向对象的房屋初识别;
步骤五:遥感图像的阴影识别;
步骤六:房屋的精细识别;
步骤七:房屋轮廓抽稀矢量化;
基于联合LiDAR点云与光学图像的房屋自动识别矢量化方法,按照先分割再分类识别的多层次识别流程,提取轮廓精细化处理的房屋二维屋顶面片,实现房屋自适应矢量化,对形态各异的建成区房屋和阴影遮挡具有良好适应性。
联合LiDAR点云与光学图像的房屋自适应矢量化方法,进一步的,联合点云nDSM与边缘的图像多尺度高程协同分割:初始LiDAR点云是在3D空间中的离散数据点,点位信息包括3D坐标(x,y,z)、激光脚点回波信息、脚点反射强度信息,将获取的LiDAR点云高程信息作为协同特征参与分割,获取地物的绝对高度信息模型nDSM,获取点云的绝对高度光学图像作为一个输入波段进行多尺度地物分割;在光学图像分割分类中,通过设置高程临界值来进行不相干地物的过滤;
采用边缘识别获取高程图像nDSM中房屋植物等主要地物的轮廓信息,后续分割中,将地物轮廓信息作为输入波段参与分割,在多尺度高程协同分割中参照地物轮廓信息进行分割提高分割准确度。
联合LiDAR点云与光学图像的房屋自适应矢量化方法,进一步的,基于梯度空间特征的植物识别滤除:
不同地物对象间高程值的变化梯度作为相近高度地物间相互区分的指标,对高程变化率在地物边缘地带或地物粗糙度不一的表面区域更明显,梯度表示空间曲面的倾斜和粗糙度,以3D曲面的二阶导数进行梯度模拟,计算式为:
相对平滑的房屋表面、地表或其它地物,局部的高程突变不够突出即梯度空间特征不大,在梯度图像中显示出暗色调,而在植物凹凸不平的表面上,不仅边缘区域的高程突变大,而且在区域内部也存在不同方向的高程突变,梯度值大,在梯度图像中显示为高亮;
获取梯度空间特征结果后,房屋与植物区域在梯度空间特征上具有一定差异,通过设置梯度临界值获取植物区域与其它区域的二值图像,滤除低梯度区域之后将高梯度区域设置为白色255,低梯度区域为黑色0,在视觉上便于观察结果,最后输出结果时进行取反操作。
联合LiDAR点云与光学图像的房屋自适应矢量化方法,进一步的,房屋边缘恢复:在激光信号首次回波信号中主要包括房屋、植物和其它一些相对完整的地物表面信息,房屋边缘和植物区域都包含梯度值较大区域,而在末次回波中则主要是房屋、地面点或其它相对低矮植物信息,梯度值较大区域主要在房屋边界处,对末次回波图像进行梯度计算,得到房屋边界区域,同时包含的其它地物主要是一些低矮植物,通过设置高程临界值进行过滤,获取缺失的房屋边缘;
基于LiDAR点云nDSM光学图像获取房屋的面片区域后,初阶完整获取房屋的轮廓信息,基于先验知识在房屋区域做一个1倍点距的方形缓冲区,基于梯度空间特征的植物滤除会包含一部分植物信息残余,另外在房屋边缘恢复中也会带入少量植物信息,在面向对象的图像房屋提取结果中,基于图像光谱特征的房屋识别中植物识别效果优质但房屋的边缘信息有阴影遮挡缺失问题,因此点云数据与光学图像房屋的初阶提取结果有较好的互补性。
联合LiDAR点云与光学图像的房屋自适应矢量化方法,进一步的,角点识别驱动的房屋轮廓初阶优化:利用像素点的曲率和梯度变化,寻找曲率变化的极值点作为候选角点,进行焦点识别,具有优质的效果和稳定性,主要包括:
第一步:计算像素点的相关矩阵N,存储方向梯度数值;
J(x,y)为灰度像素,k(x,y)为划动窗口,Jx,Jy为图像在x,y方向的上的导数;
第二步:计算像素点的角点应答函数值T:
T=(DE-SA)2w(D+E)2 式6
w为经验常数;
第三步:在应答函数中寻找极值点,并且与给定临界值相比较并设置为角点。
联合LiDAR点云与光学图像的房屋自适应矢量化方法,进一步的,循环递归压缩的房屋轮廓精细矢量化:角点识别的角点集基于最小二乘匹配的欧氏距离首尾相连成闭合多边形,简化数据量又保存了房屋的轮廓信息,循环递归将整个曲线二分段处理,循环递归压缩的房屋轮廓精细矢量化包括:
第1步:找到线状要素的特征点,即角点识别的角点与局部曲线起、终点Q1Q2的连线具有最大矢量半径的点Q,如果半径大于给定的临界值Qmax则保留,反之则去除;
第2步:寻找到一个新的特征点Q将局部曲线进行二分段,对每一个分段进行第1步的计算;
第3步:迭代循环计算,直至不再出现新的特征点Q,最后得到一系列的特征点与局部曲线的起点与终点,首尾直线相连便得到抽稀矢量化的线状要素。
联合LiDAR点云与光学图像的房屋自适应矢量化方法,进一步的,步骤一,LiDAR数据的预处理和特征识别:首先是点云滤波处理,利用地形起伏的高程突变,将非地面点滤除生成地表数字高程模型DEM,采用渐进三角网加密法滤波点云数据并进行基于图像高分辨率采样,为生成绝对高程特征nDSM提供较高精度,上采样后将点云二维图像与航空图像基于共线方程前方交会法进行外方位元素的平差解算,将高度图像与航空图像数据配准;
(1)高程特征识别:初始机载LiDAR点云数据包含地物空间解析的高程特征,获取地面点高程模型之后,基于数据集中的根据末次回波插值得到的DSM光学图像获取地物点的绝对高程模型nDSM,计算机为:
nDSM(x,y)=DSM(x,y)-DTM(x,y) 式7
(2)梯度空间特征识别:在植物凹凸不平的表面或房屋边缘地带,不仅边缘区域的高程突变大,而且在区域内部也存在不同方向的高程突变,梯度空间值较大,依据梯度幅值求解算法得到梯度光学图像,植物区域出现高亮。
联合LiDAR点云与光学图像的房屋自适应矢量化方法,进一步的,步骤二,高分遥感图像的特征解析与设置:高分辨率遥感图像彩红外图像含有三个波段,近红外波段NIR、红波段R和绿波段G,彩红外图像中植物信息表现为红色,植物归一化指数的定义如下:
其中ENIR为近红外波段,ER为红外波段;
步骤三,多源数据联合的多尺度高程协同分割:采用集成LiDAR点云数据高程信息、形状信息和高遥感图像多源信息源进行地物多尺度高程协同分割,联合多源数据源的信息优势提高房屋识别的精度;
在引入LiDAR点云高程信息后,针对阴影对植物和房屋的遮挡及不同高度地物的光谱混淆问题,加大高程信息的权重,设置为5;房屋的准确分割居于首要地位,将分割参数的形状因子设置为0.5,使得拥有规则几何信息的房屋获取更好的分割效果;
步骤四,面向对象的房屋初识别:通过设置高程临界值对低矮地物进行掩膜处理以减少房屋识别的复杂性,设置高程临界值的取值范围H=[1.5,1.7]米,将高程值大于[1.5,1.7]米的地物定义为房屋初选区;
经过设置高程临界值的掩膜处理后,部分植物、地面和地面上的汽车等低矮基础设施被过滤掉,此时主体地物类型主要包括房屋、植物和阴影,获取植物归一化指数Rn并设置临界值Rn临界值=0.208,对于掩膜区域之外区域按照如下规则进行房屋的初阶识别:
Rn≥Rn临界值,识别为植物 式9
Rn<Rn临界值,识别为房屋 式10
基于如上规则获取房屋的初阶识别,房屋的初阶识别结果中,包含了植物与阴影。
联合LiDAR点云与光学图像的房屋自适应矢量化方法,进一步的,步骤四,房屋的精细识别:采用LiDAR点云数据所生成的高度图像nDSM进一步精确房屋的识别结果,LiDAR激光信号具有穿透性,在遥感图像上表现出的阴影遮挡现象在点云回波信息中不受影响;
机载LiDAR点云虽然能够识别房屋的轮廓信息,其房屋轮廓作为房屋精细识别的参照约束框架,基于激光信号的穿透性解决遮挡问题,首先将深度光学图像nDSM的房屋轮廓识别出来,对nDSM单波段图像做房屋面片优化分拣;
(1)设置高程临界值将低矮地物归零滤除,本申请设置临界值H=1.7m,高程滤波去除低矮地物的干扰;
(2)高程滤波之后,光学图像的主体地物类型包括植物与房屋,因此采用本申请提出的基于梯度空间解析的房屋与植物优化分拣进行房屋轮廓的识别,获取梯度光学图像之后设置梯度临界值,过滤掉植物信息即房屋面片识别并将末次回波房屋边缘补充到梯度光学图像中,最后进行一个临界值200的面积滤波;
根据LiDAR点云nDSM图像获取房屋的轮廓后,基本完整获取房屋的轮廓信息,点云数据与图像房屋的初阶识别结果有较好的互补性,与房屋光学图像获取的初阶识别结果做叠置解析,将两个结果进行求交处理即可联合数据优势,滤除杂乱的错分地物;
将两种识别结果基于MATLAB平台做连通域的叠置解析处理,光学图像中规则的房屋边缘信息和优质的植物识别信息与点云数据中对于房屋或植物的阴影遮挡抑制相互补充,获取优质的识别结果,最后进行给定临界值的面积滤波和形态学开运算,将结果中的图斑地物和房屋中间的空洞去除。
联合LiDAR点云与光学图像的房屋自适应矢量化方法,进一步的,步骤七,房屋轮廓抽稀矢量化:基于叠置解析获取的房屋屋顶面片识别结果中,植物阴影或房屋阴影对于房屋的遮挡得到一定程度的修正,且将两个识别结果优势互补,依据角点识别驱动的房屋轮廓精细矢量化方法进行识别结果的轮廓精细矢量化处理;
角点识别驱动的房屋轮廓初阶优化,保持房屋的轮廓而且减少数据量,提高后续抽稀处理的效率;
角点识别的角点集首尾相连成闭合多边形,简化数据量又保存房屋的轮廓信息,循环递归压缩的房屋轮廓精细矢量化将整个曲线二分段处理,数据量较大容易产生层次太深栈溢出的问题,角点识别的结果控制数据量,提高递归效率。
与现有技术相比,本申请的创新点和优势在于:
第一,本申请基于高分遥感图像进行房屋识别中的光谱混淆现象,引入机载LiDAR点云的高程信息进行优化,在光学图像的先分割再分类流程中,高程特征作为波段之一参与分割分类,增加相同光谱特征情况下不同地物在垂直空间中的差异性,能够进行地物的提取与分类;高分辨率光学遥感图像数据与机载LiDAR数据具有很强的相互辅助特性,基于多源数据联合和地物目标识别的前沿技术,本申请综合利用两种数据源的优势数据信息能够精确、高效的得到建成区的房屋轮廓信息分布,对城市空间管理、土地类型分布解析和自然灾害评估等很多城市规划应用具有非常重要的意义,同时对于遥感图像解译具有重要的工程应用价值;
第二,基于高分光学图像的建成区房屋识别必然会遇到阴影遮挡问题,而且随着城市房屋形状、高度的复杂度增加会更加严重,房屋与植物的阴影区域内,地物的光谱信息会发生畸变,本申请集中解决现有技术出现的漏检和错检现象,提高房屋识别的准确率;基于LiDAR点云平面分辨率普遍较低,不包括丰富的光谱与语义信息,即使在点云中取得了完美的提取精度仍然没有太大的实际意义,联合LiDAR点云与光学图像进行房屋的识别效果和效率大幅提高,基于阴影区域的考虑与复杂建成区房屋的光谱混淆现象等问题,优化图像分割算法、引入LiDAR点云数据的多特征和轮廓的抽稀矢量化处理进行房屋识别,提高建成区房屋屋顶面片提取的质量,从本质上来提升城市地区各类房屋提取的精度;
第三,由于高分遥感图像地物细节丰富,但容易出现同谱异物的光谱混淆现象,且存在高大地物的阴影问题,单独使用遥感图像进行房屋的识别面临巨大困难,且随着城市规模扩大和环境复杂化,房屋的识别准确率亟需提高;而机载LiDAR数据包含地物的3D高程信息,在垂直空间对高分遥感图像中不易区分的同谱异物和阴影遮挡地物能有效区分,因此本申请联合高分辨率遥感图像与机载LiDAR点云数据多特征空间提取建成区房屋,并进行结果的自适应抽稀矢量化,考虑了复杂城市环境中的多类地物细节和光谱混淆,基于高程、回波、光谱和梯度等多特征进行多层次优势互补的房屋识别,得到更快速的识别和矢量化,灵敏度、可靠性高且实用性强,实验结果与理论方法相符,取得了优质的识别和房屋自适应矢量化效果;
第四,本申请核心方法是联合LiDAR点云与光学图像的房屋自动识别矢量化,将点云数据的高度光学图像nDSM与高度光学图像的边缘轮廓信息作为输入波段参加光学图像的多尺度高程协同分割,分割质量提高以为进一步分类做准备;提出一种基于地物梯度、高程空间关系的植物与房屋的分拣优化方法,对于房屋的边缘信息识别结果,提出一种角点识别驱动的房屋轮廓精细矢量化方法;本申请能有效识别出四棱锥形的房屋和四合院类型的房屋,对屋顶表面存在小型附属物的房屋也有很强的适应能力,对于人字形、工字形或多种类型的房屋组成的房屋集群能正确识别,按照先分割再分类识别的多层次识别流程,提取轮廓精细化处理的房屋二维屋顶面片,实现房屋自适应矢量化,对形态各异的建成区房屋和阴影遮挡具有良好的适应性。
附图说明
图1是LiDAR点云数据与高分光学图像联合自动识别房屋的方法流程图。
图2是点云绝对高度图像作为输入波段进行多尺度地物分割样图。
图3是联合点云nDSM与边缘的图像多尺度高程协同分割样图。
图4是单一高分辨率遥感图像多尺度分割的效果图。
图5是LiDAR数据协同高分辨率遥感图像多尺度分割效果图。
图6是单一高分辨率遥感图像植物与阴影分割的效果图。
图7是LiDAR数据协同高分辨率遥感图像植物与阴影分割效果图。
图8是基于梯度空间特征的植物识别结果示意图。
图9是房屋边缘梯度空间检测恢复过程示意图。
图10是依据梯度空间幅值求解算法识别得到梯度光学图像。
图11是多源数据联合的多尺度高程协同分割参数设置示意图。
图12是多源数据联合的多尺度高程协同分割的效果示意图。
图13是面向对象的房屋初识别的效果示意图。
图14植物信息残余且包含房屋屋顶附属物造成空洞现象示意图。
图15是房屋区域抽稀矢量化效果示意图。
图16是房屋自适应矢量化结果叠加评价图。
具体实施方法
下面结合附图,对本申请提供的联合LiDAR点云与光学图像的房屋自适应矢量化方法的技术方案进行进一步的描述,使本领域的技术人员能够更好的理解本申请并能予以实施。
房屋是最典型的城市地物,在遥感数据的解译过程中,对建筑物和房屋的识别占有重要地位。在城市规划管理、人口密度普查和城市应急安全建设等问题中,基于遥感图像的大范围房屋识别和房屋变化检测扮演着重要角色。在复杂的城市环境中,高分遥感图像地物细节丰富,但因此容易出现同谱异物的光谱混淆现象,房屋与其它地物的光谱信息或其它地物之间光谱信息有着难以规律化的相似性,且存在高大地物的阴影问题,且随着城市规模扩大和环境复杂化,房屋的识别准确率亟需提高,单独使用高分光学图像的房屋识别面临诸多挑战。机载LiDAR数据包含地物的3D高程信息,在垂直空间对高分遥感图像中不易区分的同谱异物和阴影遮挡地物能有效区分。因此本申请联合高分辨率遥感图像与机载LiDAR点云数据多特征空间提取建成区房屋,并进行结果的自适应抽稀矢量化;
(1)核心方法:联合LiDAR点云与光学图像的房屋自动识别矢量化,包括:一是联合LiDAR点云数据的图像多尺度高程协同分割,二是基于梯度空间解析的房屋与植物优化分拣,三是房屋识别及轮廓精细矢量化;
基于遥感图像的多尺度高程协同分割,将点云数据的高度光学图像nDSM与高度光学图像的边缘轮廓信息作为输入波段参加光学图像的多尺度高程协同分割,分割质量提高以为进一步分类做准备;基于点云高度图像进行房屋轮廓识别过程中,提出一种基于地物梯度、高程空间关系的植物与房屋的分拣优化方法,包括基于梯度空间特征的植物识别滤除和房屋边缘恢复;对于房屋的边缘信息识别结果,提出一种角点识别驱动的房屋轮廓精细矢量化方法,主要包括:角点识别驱动的房屋轮廓初阶优化和循环递归压缩的房屋轮廓精细矢量化;
(2)流程步骤:建成区房屋自动识别与自适应矢量化步骤,包括:
步骤一:LiDAR数据的预处理和特征识别;
步骤二:高分遥感图像的特征解析与设置;
步骤三:多源数据联合的多尺度高程协同分割;
步骤四:面向对象的房屋初识别;
步骤五:遥感图像的阴影识别;
步骤六:房屋的精细识别;
步骤七:房屋轮廓抽稀矢量化;
基于联合LiDAR点云与光学图像的房屋自动识别矢量化方法,按照先分割再分类识别的多层次识别流程,提取轮廓精细化处理的房屋二维屋顶面片,实现房屋自适应矢量化,对形态各异的建成区房屋和阴影遮挡具有良好的适应性。
一、联合LiDAR点云与光学图像的房屋自动识别矢量化
基于LiDAR点云数据与高分辨率光学图像联合自动识别房屋的方法流程如图1所示。
(一)联合LiDAR点云数据的图像多尺度高程协同分割
高分辨率遥感图像具有丰富的语义信息,但对于复杂城市环境表现出来的特征差异辨识度不够;LiDAR点云数据含有地物高程信息,并维持房屋的规则几何形状信息,对过滤减少地物的复杂程度,提供辅助的分割数据源具备参照价值。本申请采用融合LiDAR点云高程信息、形状信息和高分辨率遥感图像多源信息源进行地物多尺度高程协同分割,联合多源数据源的信息优势提高房屋提取精度。
1.联合点云nDSM与边缘的图像多尺度高程协同分割
初始LiDAR点云是在3D空间中的离散数据点,点位信息包括3D坐标(x,y,z)、激光脚点回波信息、脚点反射强度信息,传统二维光学图像中包含的光谱纹理特征可有效识别各类地物,但在上下空间中的地物分布未考虑。不同的城市地物在垂直空间的分布也有规律可循,因此点云数据中所携带的高程信息可抑制地物过于复杂,而且对高分遥感图像中存在的同物异谱、同谱异物现象,有分拣优化作用。
将获取的LiDAR点云高程信息作为协同特征参与分割,获取地物的绝对高度信息模型nDSM,获取点云的绝对高度光学图像作为一个输入波段进行多尺度地物分割。样图如图2。
如图2所示,nDSM图像表示地物的绝对高度信息,且已经不再包含地面点信息,其像素的灰白程度与像素点对应的地物点高程成正比,亮度值越高的点其高度越高,房屋的普遍高度相差不多,因此在光学图像分割分类中,通过设置高程临界值来进行不相干地物的过滤,如汽车、低矮基础设施等。另外,过滤处理后高程图像中主要地物类型包括房屋和植物,且房屋轮廓清晰可见,通过边缘识别获取边缘信息。
采用边缘识别获取高程图像nDSM中房屋植物等主要地物的轮廓信息,后续分割中,将地物轮廓信息作为输入波段参与分割,在多尺度高程协同分割中参照地物轮廓信息进行分割从而提高分割准确度。边缘效果如图3所示。
2.联合LiDAR点云数据的图像多尺度高程协同分割效果
高分辨率遥感图像多尺度高程协同分割属二维层面的光学图像解析,在复杂地物环境下会不可避免地出现同谱异物现象。联合LiDAR点云数据的3D高程信息后,在面对同谱异物现象时,在垂直空间寻找高程特征差异性,解决同谱异物的错误分割现象。
图4和图5分别表示在相同分割尺度下,LiDAR数据是否参与高分辨率遥感图像分割时的效果图,集中展示了同物异谱现象和引入多特征对分割结果的改善。在图4中,LiDAR数据不参与仅使用单一的高分辨率遥感图像分割,由于路面和道路具有相似光谱和纹理特征,因此在多尺度高程协同分割时很容易按照异质最小化原则划分为同一种对象出现误分割现象,即同谱异物现象。在后续房屋对象提取中,因为分割对象不准确导致样本对象特征不明确,从而导致房屋提取精度下降;在图5中,将获取的LiDAR点云数据的高度图像nDSM和边缘识别算法得到的房屋与植物的轮廓特征图像作为输入特征波段参与多尺度高程协同分割,因为房屋与道路在高程特征上的差异和边缘识别得到的轮廓信息的约束,使得两类对象被成功分割开来。
同理如图6和图7所示,在相同分割尺度下对植物与阴影的分割时,引入LiDAR点云高程信息能够有效分割两类地物。
光学图像分割尺度决定分割对象的破碎程度,因而对分割好坏及后续分类产生决定性影响,设置相同的分割参数(形状因子,光谱因子),对同一幅图像做有无LiDAR点云高度图像参与和采用不同的分割尺度下所得到的分割对象数目,结果如图7所示:
相同的分割尺度下,引入LiDAR点云的高程特征之后,得到的对象数目大幅减少,在一幅遥感图像中,对象数目的破碎程度不仅关乎分割准确度也关系处理的复杂性,对后续分类也会有相关影响。高度图像nDSM和轮廓图像作为输入波段参与分割时,使得在相同高程面的对象异质性减少同质性增加,在不同高程面的异质性增加,因而使得分割对象更加完整。另外,房屋与植物的轮廓图像参与分割,能够让分割线路沿地物轮廓进行,促进破碎对象的合并减少分割对象的数目,减轻地物解析的复杂性。
(二)基于梯度空间解析的房屋与植物优化分拣
房屋提取识别过程中,单独基于光学图像的房屋识别主要包括面向对象的多层次识别和基于机器学习的分类识别;机器学习的房屋识别容易出现椒盐现象,出现分类噪点;面向对象的房屋识别受阴影和复杂地物影响,房屋识别轮廓效果缺失或突出,轮廓信息准确度低。LiDAR点云提供屋顶面片完整的房屋轮廓,对房屋的最终提取提供错分地物的叠置解析滤除。光学图像房屋识别中基于阴影或复杂地物的影响,联合点云的房屋轮廓能够得到补充优化。获取点云的绝对高度光学图像nDSM之后,地物类型主要包括房屋、植物和其它低矮地物。因此,基于LiDAR点云数据的房屋轮廓提取,主要问题就是房屋与植物的分拣,在进行植物与房屋的分拣优化中,本申请基于高程图像中房屋区域与点云区域的高程变化率,进行植被的探测和滤除。
1.基于梯度空间特征的植物识别滤除
3D激光点云区域的高度图像是由不同地物高程值组合的灰度矩阵,绝对高度值对垂直空间地物分类补充特征,但对几乎相同高度的地物难以有效区分,因此不同地物对象间高程值的变化梯度作为相近高度地物间相互区分的指标,对高程变化率在地物边缘地带或地物粗糙度不一的表面区域更明显,梯度表示空间曲面的倾斜和粗糙度,以3D曲面的二阶导数进行梯度模拟,计算式为:
相对平滑的房屋表面、地表或其它地物,局部的高程突变不够突出即梯度空间特征不大,在梯度图像中显示出暗色调,而在植物凹凸不平的表面上,不仅边缘区域的高程突变大,而且在区域内部也存在不同方向的高程突变,梯度值大,在梯度图像中显示为高亮,如图8所示。
获取梯度空间特征结果后,房屋与植物区域在梯度空间特征上具有一定差异,通过设置梯度临界值获取植物区域与其它区域的二值图像,滤除低梯度区域之后将高梯度区域设置为白色255,低梯度区域为黑色0,在视觉上便于观察结果,最后输出结果时进行取反操作。
2.房屋边缘恢复
基于梯度空间特征的植物信息滤除过程中会造成房屋边缘的缺失从而造成信息丢失,因此房屋的边缘信息须得到恢复。在激光信号首次回波信号中主要包括房屋、植物和其它一些相对完整的地物表面信息,房屋边缘和植物区域都包含梯度值较大区域,而在末次回波中则主要是房屋、地面点或其它相对低矮植物信息,梯度值较大区域主要在房屋边界处。因此,对末次回波图像进行梯度计算,得到房屋边界区域,同时包含的其它地物主要是一些低矮植物,通过设置高程临界值进行过滤,获取缺失的房屋边缘,如图9所示。
基于LiDAR点云nDSM光学图像获取房屋的面片区域后,初阶完整获取房屋的轮廓信息,由于必须考虑点云数据平面分辨率的缺陷,因此基于先验知识在房屋区域做一个1倍点距的方形缓冲区,但因为在植物区域内部的局部范围内会出现植物的范围平面,这部分区域出现梯度值较小的情况,基于梯度空间特征的植物滤除会包含一部分植物信息残余,另外在房屋边缘恢复中也会带入少量植物信息,在面向对象的图像房屋提取结果中,基于图像光谱特征的房屋识别中植物识别效果优质但房屋的边缘信息有阴影遮挡缺失问题,因此点云数据与光学图像房屋的初阶提取结果有较好的互补性。
(三)房屋识别及轮廓精细矢量化
LiDAR点云数据具有丰富的高程信息,能够保留房屋轮廓信息,在房屋自动识别中具有明显优势。本申请提出一种角点识别驱动的房屋轮廓精细矢量化方法,主要分为两个部分:角点识别驱动的房屋轮廓初阶优化和循环递归压缩的房屋轮廓精细矢量化。
1.角点识别驱动的房屋轮廓初阶优化
房屋识别的结果图像边缘呈锯齿状,在进行GIS矢量图入库时无法符合相关成图标准,因此要进行轮廓的精细矢量化。角点是曲线上曲率极值点,显示曲线的轮廓信息与关键点信息。角点识别对于多边形边缘的抽稀矢量化具有很强作用,识别出的角点近似代表多边形的轮廓,能有效减少数据量,大幅提高后续精细矢量化处理效率和效果。
本申请利用像素点的曲率和梯度变化,寻找曲率变化的极值点作为候选角点,进行焦点识别,具有优质的效果和稳定性,主要包括:
第一步:计算像素点的相关矩阵N,存储方向梯度数值;
J(x,y)为灰度像素,k(x,y)为划动窗口,Jx,Jy为图像在x,y方向的上的导数;
第二步:计算像素点的角点应答函数值T:
T=(DE-SA)2w(D+E)2 式6
w为经验常数;
第三步:在应答函数中寻找极值点,并且与给定临界值相比较并设置为角点。
2.循环递归压缩的房屋轮廓精细矢量化
角点识别的角点集基于最小二乘匹配的欧氏距离首尾相连成闭合多边形,简化了数据量又保存了房屋的轮廓信息,循环递归将整个曲线二分段处理,数据量大时容易产生层次太深栈溢出问题。因此,角点识别的结果有效控制了数据量,提高了递归效率。
循环递归压缩的房屋轮廓精细矢量化包括:
第1步:找到线状要素的特征点,即角点识别的角点与局部曲线起、终点Q1Q2的连线具有最大矢量半径的点Q,如果半径大于给定的临界值Qmax则保留,反之则去除;
第2步:寻找到一个新的特征点Q将局部曲线进行二分段,对每一个分段进行第1步的计算;
第3步:迭代循环计算,直至不再出现新的特征点Q,最后得到一系列的特征点与局部曲线的起点与终点,首尾直线相连便得到抽稀矢量化的线状要素。
二、建成区房屋自动识别与自适应矢量化步骤
(一)LiDAR数据的预处理和特征识别
第一步是点云滤波处理,利用地形起伏的高程突变,将非地面点滤除生成地表数字高程模型DEM,采用渐进三角网加密法滤波点云数据并进行基于图像高分辨率采样,为生成绝对高程特征nDSM提供较高精度,上采样后将点云二维图像与航空图像基于共线方程前方交会法进行外方位元素的平差解算,将高度图像与航空图像数据配准。
(1)高程特征识别
初始机载LiDAR点云数据包含地物空间解析的高程特征,获取地面点高程模型之后,基于数据集中的根据末次回波插值得到的DSM光学图像获取地物点的绝对高程模型nDSM,计算机为:
nDSM(x,y)=DSM(x,y)-DTM(x,y) 式7
DTM(x,y)为数字地面模型,DSM(x,y)为数字地表模型。
(2)梯度空间特征识别
基于Rn植物指数可滤除部分植物信息,但在复杂的城市地物环境中,相当部分的植物与房屋存在遮挡,甚至在阴影的区域中存在植物光谱信息的混淆。在遮挡或阴影区域内的植物信息仅通过Rn植物指数很难全部将植物滤除。
在植物凹凸不平的表面或房屋边缘地带,不仅边缘区域的高程突变大,而且在区域内部也存在不同方向的高程突变,梯度空间值较大,依据梯度幅值求解算法得到梯度光学图像如图10,可以看出植物区域明显出现高亮。
(二)高分遥感图像的特征解析与设置
高分辨率遥感图像彩红外图像含有三个波段,近红外波段NIR、红波段R和绿波段G,彩红外图像中植物信息表现为红色,植物归一化指数的定义如下:
其中ENIR为近红外波段,ER为红外波段;
(三)多源数据联合的多尺度高程协同分割
采用集成LiDAR点云数据高程信息、形状信息和高遥感图像多源信息源进行地物多尺度高程协同分割,联合多源数据源的信息优势提高房屋识别的精度。分割因子参数如图11,多尺度高程协同分割的效果如图12所示。
在引入LiDAR点云高程信息后,针对阴影对植物和房屋的遮挡及不同高度地物的光谱混淆问题,加大高程信息的权重,设置为5;房屋的准确分割居于首要地位,将分割参数的形状因子设置为0.5,使得拥有规则几何信息的房屋获取更好的分割效果。
(四)面向对象的房屋初识别
通过设置高程临界值对低矮地物进行掩膜处理以减少房屋识别的复杂性,设置高程临界值的取值范围H=[1.5,1.7]米,将高程值大于[1.5,1.7]米的地物定义为房屋初选区。
经过设置高程临界值的掩膜处理后,部分植物、地面和地面上的汽车等低矮基础设施被过滤掉,此时主体地物类型主要包括房屋、植物和阴影,获取植物归一化指数Rn并设置临界值Rn临界值=0.208,对于掩膜区域之外区域按照如下规则进行房屋的初阶识别:
Rn≥Rn临界值,识别为植物 式9
Rn<Rn临界值,识别为房屋 式10
基于如上规则获取房屋的初阶识别,结果如图13所示:
房屋的初阶识别结果中,包含了植物与阴影。直接利用高程临界值与植物指数Rn临界值进行房屋识别还存在两个问题:一是阴影区的树木Rn指数较低,与房屋的植物指数Rn计算值接近,因此存在阴影区的树木被错分为房屋;二是一些细碎的地物设施因高程与房屋接近且Rn值与植物相区分,因此被识别为房屋。
(五)遥感图像的阴影识别
在房屋的初阶识别结果中,由于阴影区域的存在使得阴影区域内的树木植物指数偏低被错分为房屋,且植物阴影会对房屋产生遮挡,房屋屋顶的附属物阴影也会对房屋产生遮挡现象。本申请通过亮度直方图临界值分割法进行阴影区域的识别,通过阴影区域亮度值普遍较低的特征进行阴影区域分割,不再考虑在房屋初阶识别中滤除地面点等低矮地物,其中也包括低高程的阴影区域。
(六)房屋的精细识别
房屋的阴影识别结果表明,阴影会对房屋产生遮挡现象而且房屋附属物的阴影也会使房屋识别出现断裂现象。因此采用LiDAR点云数据所生成的高度图像nDSM进一步精确房屋的识别结果,LiDAR激光信号具有穿透性,在遥感图像上表现出的阴影遮挡现象在点云回波信息中不受影响。
机载LiDAR点云虽然能够识别房屋的轮廓信息,但受限于激光雷达传感器的水平分辨率有限,即使识别结果完全正确依然无法保证房屋识别的质量与精度,但其房屋轮廓能够作为房屋精细识别的参照约束框架,基于激光信号的穿透性解决遮挡问题,首先将深度光学图像nDSM的房屋轮廓识别出来,对nDSM单波段图像做房屋面片优化分拣。
(1)设置高程临界值将低矮地物归零滤除,本申请设置临界值H=1.7m,高程滤波去除低矮地物的干扰;
(2)高程滤波之后,光学图像的主体地物类型包括植物与房屋,因此采用本申请提出的基于梯度空间解析的房屋与植物优化分拣进行房屋轮廓的识别,获取梯度光学图像之后设置梯度临界值,过滤掉植物信息即房屋面片识别并将末次回波房屋边缘补充到梯度光学图像中。最后进行一个临界值200的面积滤波。
根据LiDAR点云nDSM图像获取房屋的轮廓后,基本完整获取房屋的轮廓信息,但在植物区域内部的局部范围内会出现植物的范围平面,这部分区域会出现梯度值较小的情况,在基于梯度空间特征的植物滤除中,包含一部分的植物信息残余且包含房屋屋顶附属物造成空洞现象,如图14。基于图像光谱特征的房屋识别中植物识别效果优质但房屋的边缘信息有遮挡缺失现象,因此点云数据与图像房屋的初阶识别结果有较好的互补性,与房屋光学图像获取的初阶识别结果做叠置解析,将两个结果进行求交处理即可联合数据优势,滤除杂乱的错分地物。
将两种识别结果基于MATLAB平台做连通域的叠置解析处理,光学图像中规则的房屋边缘信息和优质的植物识别信息与点云数据中对于房屋或植物的阴影遮挡抑制相互补充,获取优质的识别结果,最后进行给定临界值的面积滤波和形态学开运算,将结果中的图斑地物和房屋中间的空洞去除。
(七)房屋轮廓抽稀矢量化
基于叠置解析获取的房屋屋顶面片识别结果中,植物阴影或房屋阴影对于房屋的遮挡得到一定程度的修正,且将两个识别结果优势互补。但由于栅格数据的像素特性和分辨率问题依然部分存在边缘不够细化的问题。房屋识别的结果图像为栅格数据且边缘呈锯齿状,在进行GIS矢量图入库时不符合相关成图标准,因此进行轮廓的精细矢量化。依据本申请提出的角点识别驱动的房屋轮廓精细矢量化方法进行识别结果的轮廓精细矢量化处理。
角点识别驱动的房屋轮廓初阶优化,保持房屋的轮廓而且减少数据量,大幅提高了后续抽稀处理的效率。
角点识别的角点集首尾相连成闭合多边形,简化数据量又保存了房屋的轮廓信息,循环递归压缩的房屋轮廓精细矢量化将整个曲线二分段处理,数据量较大的情况下容易产生层次太深栈溢出的问题。因此,角点识别的结果有效控制了数据量,提高了递归效率。房屋区域抽稀矢量化结果如图15。
三、定量评价与实验对比
(一)识别结果叠置解析
本申请设置了地势地貌和房屋形状分布等状态不一的三块研究区域,分别具有对应的真值参照区域,对应房屋区域的矢量化叠加解析能够很好地利用上述评价指标进行精度的评定。将房屋识别的栅格化结果进行矢量面片处理为.shp格式,同时将真值图像中的房屋部分单独真值化并做矢量化处理。在ArcGIS中将结果图像与真值图像做叠加显示,并设置对比度较为强烈的色差以便解析,将两种颜色设置60%的透明度以便来突出识别区域与真值区域的对比情况或直接求出两张矢量图的相交区域,错检与漏检区域便可标示出来。
本申请设置了最新的四类识别方法分享结果作为参照对比。包括2021来自Ⅲ/4工作组的两组测试结果,基于面向对象的图像联合LiDAR点云数据的随机森林分类方法,简称方法WCX1与UDE2;来自2020年Mortid基于点云数据图像处理的识别结果,方法简称HUI3;来自2018年Niem基于SVM的光学图像房屋识别结果,方法简称GDFD4。识别结果的对比中可以看出,本申请方法在各个指标的平均表现中优于其它方法,正确率最高达到98.69%,完整率最高达到6.47%,区域A的识别质量高达2.69%。综合来看,本申请方法能够在保持高正确率的情况下保持房屋识别结果的完整率,主要得益于数据源的相互补充和后处理算法使得房屋信息的恢复,高质量实现了光学图像的房屋自适应矢量化。
(二)结果分析
如图16将房屋识别结果矢量图层套和在初始光学图像上和与真值房屋区域的矢量叠加效果图。从多个试验区域的识别结果来看,本申请方法能够有效地识别多种形状、纹理和高度相异类型的房屋,完整率、准确度方面均保持很好的鲁棒性。从图16的(a)(c)中可以看出对于周围茂密植物围绕和房屋表面存在其它房屋、植物或自身屋顶阴影遮挡的房屋也有较强的识别能力;从识别结果图16的(c)中可以看出:本申请方法能有效识别出四棱锥形的房屋和四合院类型的房屋,对屋顶表面存在小型附属物的房屋也有很强的适应能力;从图16的(b)中可以看出对于人字形、工字形或多种类型的房屋组成的房屋集群能正确识别。本申请算法考虑了复杂城市环境中的多类地物细节和光谱混淆,基于高程、回波、光谱和梯度等多特征进行多层次的房屋识别,实验结果与理论方法相符,取得了优质的识别和房屋自适应矢量化效果。
Claims (10)
1.联合LiDAR点云与光学图像的房屋自适应矢量化方法,其特征在于,联合高分辨率遥感图像与机载LiDAR点云数据多特征空间提取建成区房屋,并进行结果的自适应抽稀矢量化;
(一)核心方法:联合LiDAR点云与光学图像的房屋自动识别矢量化,包括:一是联合LiDAR点云数据的图像多尺度高程协同分割,二是基于梯度空间解析的房屋与植物优化分拣,三是房屋识别及轮廓精细矢量化;
基于遥感图像的多尺度高程协同分割,将点云数据的高度光学图像nDSM与高度光学图像的边缘轮廓信息作为输入波段参加光学图像的多尺度高程协同分割,分割质量提高以为进一步分类做准备;基于点云高度图像进行房屋轮廓识别过程中,提出一种基于地物梯度、高程空间关系的植物与房屋的分拣优化方法,包括基于梯度空间特征的植物识别滤除和房屋边缘恢复;对于房屋的边缘信息识别结果,提出一种角点识别驱动的房屋轮廓精细矢量化方法,主要包括:角点识别驱动的房屋轮廓初阶优化和循环递归压缩的房屋轮廓精细矢量化;
(二)流程步骤:建成区房屋自动识别与自适应矢量化步骤,包括:
步骤一:LiDAR数据的预处理和特征识别;
步骤二:高分遥感图像的特征解析与设置;
步骤三:多源数据联合的多尺度高程协同分割;
步骤四:面向对象的房屋初识别;
步骤五:遥感图像的阴影识别;
步骤六:房屋的精细识别;
步骤七:房屋轮廓抽稀矢量化;
基于联合LiDAR点云与光学图像的房屋自动识别矢量化方法,按照先分割再分类识别的多层次识别流程,提取轮廓精细化处理的房屋二维屋顶面片,实现房屋自适应矢量化,对形态各异的建成区房屋和阴影遮挡具有良好适应性。
2.根据权利要求1所述联合LiDAR点云与光学图像的房屋自适应矢量化方法,其特征在于,联合点云nDSM与边缘的图像多尺度高程协同分割:初始LiDAR点云是在3D空间中的离散数据点,点位信息包括3D坐标(x,y,z)、激光脚点回波信息、脚点反射强度信息,将获取的LiDAR点云高程信息作为协同特征参与分割,获取地物的绝对高度信息模型nDSM,获取点云的绝对高度光学图像作为一个输入波段进行多尺度地物分割;在光学图像分割分类中,通过设置高程临界值来进行不相干地物的过滤;
采用边缘识别获取高程图像nDSM中房屋植物等主要地物的轮廓信息,后续分割中,将地物轮廓信息作为输入波段参与分割,在多尺度高程协同分割中参照地物轮廓信息进行分割提高分割准确度。
3.根据权利要求1所述联合LiDAR点云与光学图像的房屋自适应矢量化方法,其特征在于,基于梯度空间特征的植物识别滤除:
不同地物对象间高程值的变化梯度作为相近高度地物间相互区分的指标,对高程变化率在地物边缘地带或地物粗糙度不一的表面区域更明显,梯度表示空间曲面的倾斜和粗糙度,以3D曲面的二阶导数进行梯度模拟,计算式为:
相对平滑的房屋表面、地表或其它地物,局部的高程突变不够突出即梯度空间特征不大,在梯度图像中显示出暗色调,而在植物凹凸不平的表面上,不仅边缘区域的高程突变大,而且在区域内部也存在不同方向的高程突变,梯度值大,在梯度图像中显示为高亮;
获取梯度空间特征结果后,房屋与植物区域在梯度空间特征上具有一定差异,通过设置梯度临界值获取植物区域与其它区域的二值图像,滤除低梯度区域之后将高梯度区域设置为白色255,低梯度区域为黑色0,在视觉上便于观察结果,最后输出结果时进行取反操作。
4.根据权利要求1所述联合LiDAR点云与光学图像的房屋自适应矢量化方法,其特征在于,房屋边缘恢复:在激光信号首次回波信号中主要包括房屋、植物和其它一些相对完整的地物表面信息,房屋边缘和植物区域都包含梯度值较大区域,而在末次回波中则主要是房屋、地面点或其它相对低矮植物信息,梯度值较大区域主要在房屋边界处,对末次回波图像进行梯度计算,得到房屋边界区域,同时包含的其它地物主要是一些低矮植物,通过设置高程临界值进行过滤,获取缺失的房屋边缘;
基于LiDAR点云nDSM光学图像获取房屋的面片区域后,初阶完整获取房屋的轮廓信息,基于先验知识在房屋区域做一个1倍点距的方形缓冲区,基于梯度空间特征的植物滤除会包含一部分植物信息残余,另外在房屋边缘恢复中也会带入少量植物信息,在面向对象的图像房屋提取结果中,基于图像光谱特征的房屋识别中植物识别效果优质但房屋的边缘信息有阴影遮挡缺失问题,因此点云数据与光学图像房屋的初阶提取结果有较好的互补性。
6.根据权利要求1所述联合LiDAR点云与光学图像的房屋自适应矢量化方法,其特征在于,循环递归压缩的房屋轮廓精细矢量化:角点识别的角点集基于最小二乘匹配的欧氏距离首尾相连成闭合多边形,简化数据量又保存了房屋的轮廓信息,循环递归将整个曲线二分段处理,循环递归压缩的房屋轮廓精细矢量化包括:
第1步:找到线状要素的特征点,即角点识别的角点与局部曲线起、终点Q1Q2的连线具有最大矢量半径的点Q,如果半径大于给定的临界值Qmax则保留,反之则去除;
第2步:寻找到一个新的特征点Q将局部曲线进行二分段,对每一个分段进行第1步的计算;
第3步:迭代循环计算,直至不再出现新的特征点Q,最后得到一系列的特征点与局部曲线的起点与终点,首尾直线相连便得到抽稀矢量化的线状要素。
7.根据权利要求1所述联合LiDAR点云与光学图像的房屋自适应矢量化方法,其特征在于,步骤一,LiDAR数据的预处理和特征识别:首先是点云滤波处理,利用地形起伏的高程突变,将非地面点滤除生成地表数字高程模型DEM,采用渐进三角网加密法滤波点云数据并进行基于图像高分辨率采样,为生成绝对高程特征nDSM提供较高精度,上采样后将点云二维图像与航空图像基于共线方程前方交会法进行外方位元素的平差解算,将高度图像与航空图像数据配准;
(1)高程特征识别:初始机载LiDAR点云数据包含地物空间解析的高程特征,获取地面点高程模型之后,基于数据集中的根据末次回波插值得到的DSM光学图像获取地物点的绝对高程模型nDSM,计算机为:
nDSM(x,y)=DSM(x,y)-DTM(x,y) 式7
(2)梯度空间特征识别:在植物凹凸不平的表面或房屋边缘地带,不仅边缘区域的高程突变大,而且在区域内部也存在不同方向的高程突变,梯度空间值较大,依据梯度幅值求解算法得到梯度光学图像,植物区域出现高亮。
8.根据权利要求1所述联合LiDAR点云与光学图像的房屋自适应矢量化方法,其特征在于,步骤二,高分遥感图像的特征解析与设置:高分辨率遥感图像彩红外图像含有三个波段,近红外波段NIR、红波段R和绿波段G,彩红外图像中植物信息表现为红色,植物归一化指数的定义如下:
其中ENIR为近红外波段,ER为红外波段;
步骤三,多源数据联合的多尺度高程协同分割:采用集成LiDAR点云数据高程信息、形状信息和高遥感图像多源信息源进行地物多尺度高程协同分割,联合多源数据源的信息优势提高房屋识别的精度;
在引入LiDAR点云高程信息后,针对阴影对植物和房屋的遮挡及不同高度地物的光谱混淆问题,加大高程信息的权重,设置为5;房屋的准确分割居于首要地位,将分割参数的形状因子设置为0.5,使得拥有规则几何信息的房屋获取更好的分割效果;
步骤四,面向对象的房屋初识别:通过设置高程临界值对低矮地物进行掩膜处理以减少房屋识别的复杂性,设置高程临界值的取值范围H=[1.5,1.7]米,将高程值大于[1.5,1.7]米的地物定义为房屋初选区;
经过设置高程临界值的掩膜处理后,部分植物、地面和地面上的汽车等低矮基础设施被过滤掉,此时主体地物类型主要包括房屋、植物和阴影,获取植物归一化指数Rn并设置临界值Rn临界值=0.208,对于掩膜区域之外区域按照如下规则进行房屋的初阶识别:
Rn≥Rn临界值,识别为植物 式9
Rn<Rn临界值,识别为房屋 式10
基于如上规则获取房屋的初阶识别,房屋的初阶识别结果中,包含了植物与阴影。
9.根据权利要求1所述联合LiDAR点云与光学图像的房屋自适应矢量化方法,其特征在于,步骤四,房屋的精细识别:采用LiDAR点云数据所生成的高度图像nDSM进一步精确房屋的识别结果,LiDAR激光信号具有穿透性,在遥感图像上表现出的阴影遮挡现象在点云回波信息中不受影响;
机载LiDAR点云虽然能够识别房屋的轮廓信息,其房屋轮廓作为房屋精细识别的参照约束框架,基于激光信号的穿透性解决遮挡问题,首先将深度光学图像nDSM的房屋轮廓识别出来,对nDSM单波段图像做房屋面片优化分拣;
(1)设置高程临界值将低矮地物归零滤除,本申请设置临界值H=1.7m,高程滤波去除低矮地物的干扰;
(2)高程滤波之后,光学图像的主体地物类型包括植物与房屋,因此采用本申请提出的基于梯度空间解析的房屋与植物优化分拣进行房屋轮廓的识别,获取梯度光学图像之后设置梯度临界值,过滤掉植物信息即房屋面片识别并将末次回波房屋边缘补充到梯度光学图像中,最后进行一个临界值200的面积滤波;
根据LiDAR点云nDSM图像获取房屋的轮廓后,基本完整获取房屋的轮廓信息,点云数据与图像房屋的初阶识别结果有较好的互补性,与房屋光学图像获取的初阶识别结果做叠置解析,将两个结果进行求交处理即可联合数据优势,滤除杂乱的错分地物;
将两种识别结果基于MATLAB平台做连通域的叠置解析处理,光学图像中规则的房屋边缘信息和优质的植物识别信息与点云数据中对于房屋或植物的阴影遮挡抑制相互补充,获取优质的识别结果,最后进行给定临界值的面积滤波和形态学开运算,将结果中的图斑地物和房屋中间的空洞去除。
10.根据权利要求1所述联合LiDAR点云与光学图像的房屋自适应矢量化方法,其特征在于,步骤七,房屋轮廓抽稀矢量化:基于叠置解析获取的房屋屋顶面片识别结果中,植物阴影或房屋阴影对于房屋的遮挡得到一定程度的修正,且将两个识别结果优势互补,依据角点识别驱动的房屋轮廓精细矢量化方法进行识别结果的轮廓精细矢量化处理;
角点识别驱动的房屋轮廓初阶优化,保持房屋的轮廓而且减少数据量,提高后续抽稀处理的效率;
角点识别的角点集首尾相连成闭合多边形,简化数据量又保存房屋的轮廓信息,循环递归压缩的房屋轮廓精细矢量化将整个曲线二分段处理,数据量较大容易产生层次太深栈溢出的问题,角点识别的结果控制数据量,提高递归效率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111593403.8A CN114283213A (zh) | 2021-12-23 | 2021-12-23 | 联合LiDAR点云与光学图像的房屋自适应矢量化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111593403.8A CN114283213A (zh) | 2021-12-23 | 2021-12-23 | 联合LiDAR点云与光学图像的房屋自适应矢量化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114283213A true CN114283213A (zh) | 2022-04-05 |
Family
ID=80874992
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111593403.8A Pending CN114283213A (zh) | 2021-12-23 | 2021-12-23 | 联合LiDAR点云与光学图像的房屋自适应矢量化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114283213A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115035326A (zh) * | 2022-06-09 | 2022-09-09 | 电子科技大学 | 一种雷达图像与光学图像精确匹配方法 |
CN116051777A (zh) * | 2023-04-03 | 2023-05-02 | 深圳市城市公共安全技术研究院有限公司 | 超高层建筑提取方法、设备和可读存储介质 |
-
2021
- 2021-12-23 CN CN202111593403.8A patent/CN114283213A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115035326A (zh) * | 2022-06-09 | 2022-09-09 | 电子科技大学 | 一种雷达图像与光学图像精确匹配方法 |
CN115035326B (zh) * | 2022-06-09 | 2024-04-12 | 电子科技大学 | 一种雷达图像与光学图像精确匹配方法 |
CN116051777A (zh) * | 2023-04-03 | 2023-05-02 | 深圳市城市公共安全技术研究院有限公司 | 超高层建筑提取方法、设备和可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113034689B (zh) | 基于激光点云的地形三维模型及地形图构建方法和系统、存储介质 | |
Wu et al. | Individual tree crown delineation using localized contour tree method and airborne LiDAR data in coniferous forests | |
CN106199557B (zh) | 一种机载激光雷达数据植被提取方法 | |
Xu et al. | Multiple-entity based classification of airborne laser scanning data in urban areas | |
US8494211B2 (en) | House change judgment method and house change judgment program | |
CN107451982A (zh) | 一种基于无人机影像的高郁闭度林分树冠面积获取方法 | |
Jarząbek-Rychard et al. | 3D building reconstruction from ALS data using unambiguous decomposition into elementary structures | |
CN114283213A (zh) | 联合LiDAR点云与光学图像的房屋自适应矢量化方法 | |
CN112099046B (zh) | 基于多值体素模型的机载lidar三维平面检测方法 | |
Cai et al. | Study on shadow detection method on high resolution remote sensing image based on HIS space transformation and NDVI index | |
Mostafa et al. | Shadow identification in high resolution satellite images in the presence of water regions | |
CN114764871B (zh) | 一种基于机载激光点云的城市建筑物属性提取方法 | |
CN105809194A (zh) | 一种sar影像翻译为光学影像的方法 | |
US11804025B2 (en) | Methods and systems for identifying topographic features | |
Dechesne et al. | Forest stand segmentation using airborne lidar data and very high resolution multispectral imagery | |
CN107992856A (zh) | 城市场景下的高分遥感建筑物阴影检测方法 | |
CN112241661A (zh) | 一种结合机载LiDAR点云数据和航空影像的城市地物精细化分类方法 | |
Ferraz et al. | 3D segmentation of forest structure using a mean-shift based algorithm | |
CN110889840A (zh) | 面向地物目标的高分6号遥感卫星数据的有效性检测方法 | |
Oka et al. | Vectorization of contour lines from scanned topographic maps | |
CN114842262A (zh) | 融合线路通道正射影像的激光点云地物自动识别方法 | |
Kim et al. | Tree and building detection in dense urban environments using automated processing of IKONOS image and LiDAR data | |
CN113989685A (zh) | 基于超级体元的机载多光谱LiDAR数据土地覆盖分类的方法 | |
Tian | 3D change detection from high and very high resolution satellite stereo imagery | |
Li et al. | Measuring detailed urban vegetation with multisource high-resolution remote sensing imagery for environmental design and planning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |