留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

利用目标区域拓扑关系图提取建筑物点云

黄荣刚 杨必胜 李健平 田茂 梁新美

黄荣刚, 杨必胜, 李健平, 田茂, 梁新美. 利用目标区域拓扑关系图提取建筑物点云[J]. 武汉大学学报 ● 信息科学版, 2017, 42(4): 475-481. doi: 10.13203/j.whugis20160112
引用本文: 黄荣刚, 杨必胜, 李健平, 田茂, 梁新美. 利用目标区域拓扑关系图提取建筑物点云[J]. 武汉大学学报 ● 信息科学版, 2017, 42(4): 475-481. doi: 10.13203/j.whugis20160112
HUANG Ronggang, YANG Bisheng, LI Jianping, TIAN Mao, LIANG Xinmei. Building Points Detection from Airborne LiDAR Point Clouds Using Topological Relationship Graph Within Each Object Region[J]. Geomatics and Information Science of Wuhan University, 2017, 42(4): 475-481. doi: 10.13203/j.whugis20160112
Citation: HUANG Ronggang, YANG Bisheng, LI Jianping, TIAN Mao, LIANG Xinmei. Building Points Detection from Airborne LiDAR Point Clouds Using Topological Relationship Graph Within Each Object Region[J]. Geomatics and Information Science of Wuhan University, 2017, 42(4): 475-481. doi: 10.13203/j.whugis20160112

利用目标区域拓扑关系图提取建筑物点云

doi: 10.13203/j.whugis20160112
基金项目: 

国家科技支撑计划 No. 2014BAL05B07

国家自然科学基金 No. 41531177

海洋公益性行业科研专项经费 No. 2013418025-6

详细信息
    作者简介:

    黄荣刚,博士生,主要从事机载激光数据全波形解算以及目标精确提取。gang3217@whu.edu.cn

    通讯作者: 杨必胜,博士,教授。 E-mail:bshyang@whu.edu.cn
  • 中图分类号: P237

Building Points Detection from Airborne LiDAR Point Clouds Using Topological Relationship Graph Within Each Object Region

Funds: 

The National Key Technology Research & Development Program No. 2014BAL05B07

the National Natural Science Foundation of China No. 41531177

Public Science and Technology Research Funds Projects of Ocean No. 2013418025-6

More Information
    Author Bio:

    HUANG Ronggang,PhD candidate, specializes in objects extraction from Airborne LiDAR point clouds and full-waveform data processing. E-mail:gang3217@whu.edu.cn

    Corresponding author: YANG Bisheng, PhD, professor. E-mail:bshyang@whu.edu.cn
  • 摘要: 建筑物提取一直是机载激光点云数据处理研究的热点,其中建筑物和其他地物之间的区分是研究的核心和难点。为提高建筑物与其他地物在机载激光点云中的区分能力,提出了一种建筑物点云层次提取方法。首先,在点云滤波后,从非地面点云中提取建筑物候选区域;然后,通过形态学重建和点云平面分割方法对建筑物候选区域构建多尺度空间,并建立目标区域的拓扑关系图;最后,在拓扑关系图基础上,利用5种特征量对目标区域分类,并精确提取建筑物点云。为了测试算法的有效性和可靠性,利用国际摄影测量与遥感学会(International Society for Photogrammetry and Remote Sensing,ISPRS)提供的Vaihingen和Toronto两组测试数据集进行实验,并由ISPRS对结果进行评估,其中基于面积和目标的完整度、正确率和提取质量分别都大于87.8%、94.7%、87.3%。与其他建筑物提取方法相比,该方法在基于面积和目标的质量指标方面最为稳定。实验结果表明,在不同的城市场景下,该算法能够稳健地提取建筑物,并保持很高的正确率。
  • 图  1  建筑物提取流程图

    Figure  1.  Flowchart of Building Detection

    图  2  ISPRS测试数据集

    Figure  2.  Datasets from ISPRS

    图  3  ISPRS评估结果图

    Figure  3.  Evaluation of Building Detection by ISPRS

    图  4  图 3E、F两处横断面图

    Figure  4.  Two Cross-sections of E and F in Fig. 3

    表  1  参数设置

    Table  1.   Parameter Settings

    参数 区域1 区域2 区域3 区域4 区域5
    tN 10 10 10 10 10
    tA/m2 5 5 5 50 50
    tW/m 2 2 2 5 10
    tH/m 1.5 1.5 1.5 1.5 1.5
    tS/(°) 10 10 10 10 10
    tRA 0.5 0.5 0.5 0.5 0.5
    tRG 0.5 0.5 0.5 0.5 0.5
    tRN 0.5 0.5 0.5 0.5 0.5
    tA1 5 5 5 5 5
    下载: 导出CSV

    表  2  ISPRS定量评估结果

    Table  2.   Quantitative Evaluation Results by ISPRS

    城市 区域 基于面积指标 /% 基于目标指标/% 基于目标(> 50 m2)指标/% RMS /m
    CP CR Q CP CR Q CP CR Q
    Vaihingen 区域1 91.8 98.6 90.6 91.9 100.0 91.9 100.0 100.0 100.0 0.9
    区域2 87.3 99.0 86.5 85.7 100.0 85.7 100.0 100.0 100.0 0.7
    区域3 90.2 98.1 88.7 85.7 98.0 84.2 97.4 100.0 97.4 0.6
    均值 89.8 98.6 88.6 87.8 99.3 87.3 99.1 100.0 99.1 0.73
    Toronto 区域4 94.7 95.5 90.6 98.3 96.6 94.9 100.0 96.6 96.6 0.8
    区域5 96.9 93.7 91.0 84.2 94.1 80.0 91.4 94.1 86.5 0.7
    均值 95.8 94.7 90.8 91.3 95.4 87.5 95.7 95.4 91.6 0.75
    下载: 导出CSV

    表  3  Vaihingen数据、本文方法与其他基于激光点云方法比较

    Table  3.   Performance Comparison of Methods Solely Using ALS Points in Vaihingen Dataset

    方法 面积质量
    指标/%
    目标质量
    指标/%
    目标(>50 m2)
    质量指标/%
    RMS /m
    UMTA 81.5 79.1 99.1 0.87
    UMTP 80.3 78.1 96.0 0.97
    MON 82.8 77.7 99.1 0.93
    VSK 84.6 79.7 97.9 0.87
    WHUY1 80.8 76.5 95.4 0.83
    WHUY2 82.3 81.3 97.2 0.90
    HANC1 85.2 62.4 95.8 0.67
    HANC2 84.6 61.9 100.0 0.83
    HANC3 87.9 71.7 98.9 0.70
    MON2 80.7 81.6 99.1 0.92
    本文方法 88.6 87.3 99.1 0.73
    注:最好结果加粗显示。
    下载: 导出CSV

    表  4  Toronto数据、本文方法与其他基于激光点云方法比较

    Table  4.   Performance Comparison of Methods Solely Using ALS Points in Toronto Dataset

    方法 面积质量
    指标/%
    目标质量
    指标/%
    目标(>50 m2)
    质量指标/%
    RMS /m
    WHUY2 86.5 86.8 90.9 1.1
    MON2 88.7 76.9 90.7 1.0
    本文方法 90.8 87.5 91.6 0.8
    注:最好结果加粗显示。
    下载: 导出CSV
  • [1] Shan J, Toth C K. Topographic Laser Ranging and Scanning:Principles and Processing[M]. London:CRC Press, 2008
    [2] Rottensteiner F, Sohn G, Gerke M, et al. Results of the ISPRS Benchmark on Urban Object Detection and 3D Building Reconstruction[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 93:256-271 doi:  10.1016/j.isprsjprs.2013.10.004
    [3] 王刃,徐青,朱新慧. 用多种策略从机载LiDAR数据中提取建筑物脚点[J]. 武汉大学学报·信息科学版,2008,33(7):688-691 http://ch.whu.edu.cn/CN/abstract/abstract1650.shtml

    Wang Ren, Xu Qing, Zhu Xinhui. Picking up Footprints of Building from Airborne LiDAR Data with Multi-strategies[J]. Geomatics and Information Science of Wuhan University, 2008, 33(7):688-691 http://ch.whu.edu.cn/CN/abstract/abstract1650.shtml
    [4] Mongus D, Lukač N, Žalik B. Ground and Building Extraction from LiDAR Data Based on Differential Morphological Profiles and Locally Fitted Surfaces[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 93:145-156 doi:  10.1016/j.isprsjprs.2013.12.002
    [5] Jochem A, Höfle B, Wichmann V, et al. Area-wide Roof Plane Segmentation in Airborne LiDAR Point Clouds[J]. Computers, Environment and Urban Systems, 2012, 36(1):54-64 doi:  10.1016/j.compenvurbsys.2011.05.001
    [6] Yang B, Xu W, Dong Z.Automated Extraction of Building Outlines from Airborne Laser Scanning Point Clouds[J].IEEE Geoscience and Remote Sensing Letters, 2013, 10(6):1 399-1 403 doi:  10.1109/LGRS.2013.2258887
    [7] Awrangjeb M, Fraser C. Automatic Segmentation of Raw LiDAR Data for Extraction of Building Roofs[J]. Remote Sensing, 2014, 6(5):3 716-3 751 doi:  10.3390/rs6053716
    [8] 徐文学, 杨必胜, 董震, 等. 标记点过程用于点云建筑物提取[J]. 武汉大学学报·信息科学版, 2014, 39(5):520-525 http://ch.whu.edu.cn/CN/abstract/abstract2971.shtml

    Xu Wenxue, Yang Bisheng, Dong Zhen, et al. Building Extraction from Point Cloud Using Marked Point Process[J]. Geomatics and Information Science of Wuhan University, 2014, 39(5):520-525 http://ch.whu.edu.cn/CN/abstract/abstract2971.shtml
    [9] Niemeyer J, Rottensteiner F, Soergel U. Contextual Classification of LiDAR Data and Building Object Detection in Urban Areas[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 87:152-165 doi:  10.1016/j.isprsjprs.2013.11.001
    [10] Sohn G, Dowman I. Data Fusion of High-resolution Satellite Imagery and LiDAR Data for Automatic Building Extraction[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2007, 62:43-63 doi:  10.1016/j.isprsjprs.2007.01.001
    [11] 管海燕,邓非,张剑清,等. 面向对象的航空影像与LiDAR数据融合分类[J]. 武汉大学学报·信息科学版,2009,34(7):830-833 http://ch.whu.edu.cn/CN/abstract/abstract1288.shtml

    Guan Haiyan, Deng Fei, Zhang Jianqing, et al. Object-based Fusion and Classification of Airborne Laser Scanning Data and Aerial Images[J]. Geomatics and Information Science of Wuhan University, 2009, 34(7):830-833 http://ch.whu.edu.cn/CN/abstract/abstract1288.shtml
    [12] Qin R, Fang W. A Hierarchical Building Detection Method for very High Resolution Remotely Sensed Images Combined with DSM Using Graph Cut Optimization[J]. Photogrammetric Engineering & Remote Sensing, 2014, 80(9):873-883 https://www.researchgate.net/profile/Rongjun_Qin/publication/264718020_A_Hierarchical_Building_Detection_Method_for_Very_High_Resolution_Remotely_Sensed_Images_Combined_with_DSM_Using_Graph_Cut_Optimization/links/53ec9b1c0cf2233164945272.pdf
    [13] 吴军,刘荣,郭宁,等. SVM加权学习下的机载LiDAR数据多元分类研究[J]. 武汉大学学报·信息科学版,2013,38(1):1-6 http://www.cnki.com.cn/Article/CJFDTOTAL-WHCH201301001.htm

    Wu Jun, Liu Rong, Guo Ning, et al. Aerial LiDAR Data Classification Using Weighted Support Vector Machines[J]. Geomatics and Information Science of Wuhan University, 2013, 38(1):1-6 http://www.cnki.com.cn/Article/CJFDTOTAL-WHCH201301001.htm
    [14] Guo B, Huang X, Zhang F,et al. Classification of Airborne Laser Scanning Data Using Joint Boost[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 100:71-83 doi:  10.1016/j.isprsjprs.2014.04.015
    [15] 高广, 马洪超, 张良. 利用合成算法从LiDAR数据提取屋顶面[J]. 武汉大学学报·信息科学版,2014, 39(10):1 225-1 230 http://ch.whu.edu.cn/CN/abstract/abstract3100.shtml

    Gao Guang, Ma Hongchao, Zhang Liang. Automatic Extraction of Building Roofs from LiDAR Data Using a Hybridized Method[J]. Geomatics and Information Science of Wuhan University, 2014, 39(10):1 225-1 230 http://ch.whu.edu.cn/CN/abstract/abstract3100.shtml
    [16] Richter R, Behrens M, Döllner J. Object Class Segmentation of Massive 3D Point Clouds of Urban Areas Using Point Cloud Topology[J]. International Journal of Remote Sensing, 2013, 34(23):8 408-8 424 doi:  10.1080/01431161.2013.838710
    [17] Sánchez-Lopera J, Lerma J L. Classification of LiDAR Bare-earth Points, Buildings, Vegetation, and Small Objects Based on Region Growing and Angular Classifier[J].International Journal of Remote Sensing, 2014, 35(19):6 955-6 972 doi:  10.1080/01431161.2014.960619
    [18] Yang B, Huang R, Dong Z, et al. Two-step Adaptive Extraction Method for Ground Points and Breaklines from Lidar Point Clouds[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016, 119:373-389 doi:  10.1016/j.isprsjprs.2016.07.002
    [19] Vincent L. Morphological Grayscale Reconstruction in Image Analysis:Applications and Efficient Algorithms[J].IEEE Transactions on Image Processing, 1993, 2:176-201 doi:  10.1109/83.217222
    [20] 董震, 杨必胜. 车载激光扫描数据中多类目标的层次化提取方法[J]. 测绘学报, 2015, 44(9):980-987 http://www.cnki.com.cn/Article/CJFDTOTAL-CHXB201509007.htm

    Dong Zhen, Yang Bisheng. Hierarchical Extraction of Multiple Objects from Mobile Laser Scanning Data[J]. Acta Geodaetica et Cartographica Sinica, 2015, 44(9):980-987 http://www.cnki.com.cn/Article/CJFDTOTAL-CHXB201509007.htm
    [21] Rutzinger M, Rottensteiner F, Pfeifer N. A Comparison of Evaluation Techniques for Building Extraction from Airborne Laser Scanning[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2009, 2(1):11-20 doi:  10.1109/JSTARS.2009.2012488
  • [1] 李星华, 白学辰, 李正军, 左芝勇.  面向高分影像建筑物提取的多层次特征融合网络 . 武汉大学学报 ● 信息科学版, 2022, 47(8): 1236-1244. doi: 10.13203/j.whugis20210506
    [2] 汪文琪, 李宗春, 付永健, 何华, 熊峰.  一种多尺度自适应点云坡度滤波算法 . 武汉大学学报 ● 信息科学版, 2022, 47(3): 438-446. doi: 10.13203/j.whugis20200016
    [3] 郭晨, 许强, 董秀军, 刘小莎, 佘金星.  复杂山区地质灾害机载激光雷达识别研究 . 武汉大学学报 ● 信息科学版, 2021, 46(10): 1538-1547. doi: 10.13203/j.whugis20210121
    [4] 蔡来良, 宋德云, 胡青峰, 魏峰远, 舒前进.  自动绘制室内平面图的点云向量追踪算法 . 武汉大学学报 ● 信息科学版, 2021, 46(9): 1404-1411. doi: 10.13203/j.whugis20190258
    [5] 于安斌, 梅文胜.  一种R树与格网结合的海量地铁隧道点云管理方法 . 武汉大学学报 ● 信息科学版, 2019, 44(10): 1553-1559. doi: 10.13203/j.whugis20170419
    [6] 高贤君, 郑学冬, 沈大江, 杨元维, 张佳华.  城郊高分影像中利用阴影的建筑物自动提取 . 武汉大学学报 ● 信息科学版, 2017, 42(10): 1350-1357. doi: 10.13203/j.whugis20150766
    [7] 林祥国.  集成形态学重建和测地距离变换的DEM内插方法 . 武汉大学学报 ● 信息科学版, 2016, 41(7): 896-902. doi: 10.13203/j.whugis20140097
    [8] 杨建思.  一种利用面元拟合的地面点云数据三维R树索引方法 . 武汉大学学报 ● 信息科学版, 2013, 38(11): 1313-1316.
    [9] 马洪超, 姚春静, 邬建伟.  利用线特征进行高分辨率影像与LiDAR点云的配准 . 武汉大学学报 ● 信息科学版, 2012, 37(2): 136-140.
    [10] 王丽英, 宋伟东.  机载LiDAR点云航带平差方法研究 . 武汉大学学报 ● 信息科学版, 2012, 37(7): 814-817.
    [11] 魏征, 董震, 李清泉, 杨必胜.  车载LiDAR点云中建筑物立面位置边界的自动提取 . 武汉大学学报 ● 信息科学版, 2012, 37(11): 1311-1315.
    [12] 李小路, 徐立军, 田祥瑞, 王建军.  平台运动误差对机载LiDAR激光脚点分布的影响分析 . 武汉大学学报 ● 信息科学版, 2011, 36(11): 1270-1274.
    [13] 隋立春, 张熠斌, 张硕, 陈卫.  基于渐进三角网的机载LiDAR点云数据滤波 . 武汉大学学报 ● 信息科学版, 2011, 36(10): 1159-1163.
    [14] 余洁, 穆超, 冯延明, 窦延娟.  机载LiDAR点云数据中电力线的提取方法研究 . 武汉大学学报 ● 信息科学版, 2011, 36(11): 1275-1279.
    [15] 沈晶, 刘纪平, 林祥国.  用形态学重建方法进行机载LiDAR数据滤波 . 武汉大学学报 ● 信息科学版, 2011, 36(2): 167-170.
    [16] 王明华, 张小红, 曾涛, 成晓倩.  机载LiDAR数据滤波预处理方法研究 . 武汉大学学报 ● 信息科学版, 2010, 35(2): 224-227.
    [17] 刘亚文, 宋守东.  利用航空影像、点云数据和矢量图进行简单房屋三维重建方法研究 . 武汉大学学报 ● 信息科学版, 2009, 34(8): 894-897.
    [18] 万幼川, 徐景中, 赖旭东, 张圣望.  基于多分辨率方向预测的LIDAR点云滤波方法 . 武汉大学学报 ● 信息科学版, 2007, 32(11): 1011-1015.
    [19] 尤红建, 苏林, 李树楷.  利用机载三维成像仪的DSM数据自动提取建筑物 . 武汉大学学报 ● 信息科学版, 2002, 27(4): 408-413.
    [20] 刘少创, 林宗坚.  基于可变模板的航空影像中建筑物提取 . 武汉大学学报 ● 信息科学版, 1997, 22(1): 21-28.
  • 加载中
图(4) / 表(4)
计量
  • 文章访问数:  1391
  • HTML全文浏览量:  80
  • PDF下载量:  476
  • 被引次数: 0
出版历程
  • 收稿日期:  2016-09-12
  • 刊出日期:  2017-04-05

利用目标区域拓扑关系图提取建筑物点云

doi: 10.13203/j.whugis20160112
    基金项目:

    国家科技支撑计划 No. 2014BAL05B07

    国家自然科学基金 No. 41531177

    海洋公益性行业科研专项经费 No. 2013418025-6

    作者简介:

    黄荣刚,博士生,主要从事机载激光数据全波形解算以及目标精确提取。gang3217@whu.edu.cn

    通讯作者: 杨必胜,博士,教授。 E-mail:bshyang@whu.edu.cn
  • 中图分类号: P237

摘要: 建筑物提取一直是机载激光点云数据处理研究的热点,其中建筑物和其他地物之间的区分是研究的核心和难点。为提高建筑物与其他地物在机载激光点云中的区分能力,提出了一种建筑物点云层次提取方法。首先,在点云滤波后,从非地面点云中提取建筑物候选区域;然后,通过形态学重建和点云平面分割方法对建筑物候选区域构建多尺度空间,并建立目标区域的拓扑关系图;最后,在拓扑关系图基础上,利用5种特征量对目标区域分类,并精确提取建筑物点云。为了测试算法的有效性和可靠性,利用国际摄影测量与遥感学会(International Society for Photogrammetry and Remote Sensing,ISPRS)提供的Vaihingen和Toronto两组测试数据集进行实验,并由ISPRS对结果进行评估,其中基于面积和目标的完整度、正确率和提取质量分别都大于87.8%、94.7%、87.3%。与其他建筑物提取方法相比,该方法在基于面积和目标的质量指标方面最为稳定。实验结果表明,在不同的城市场景下,该算法能够稳健地提取建筑物,并保持很高的正确率。

English Abstract

黄荣刚, 杨必胜, 李健平, 田茂, 梁新美. 利用目标区域拓扑关系图提取建筑物点云[J]. 武汉大学学报 ● 信息科学版, 2017, 42(4): 475-481. doi: 10.13203/j.whugis20160112
引用本文: 黄荣刚, 杨必胜, 李健平, 田茂, 梁新美. 利用目标区域拓扑关系图提取建筑物点云[J]. 武汉大学学报 ● 信息科学版, 2017, 42(4): 475-481. doi: 10.13203/j.whugis20160112
HUANG Ronggang, YANG Bisheng, LI Jianping, TIAN Mao, LIANG Xinmei. Building Points Detection from Airborne LiDAR Point Clouds Using Topological Relationship Graph Within Each Object Region[J]. Geomatics and Information Science of Wuhan University, 2017, 42(4): 475-481. doi: 10.13203/j.whugis20160112
Citation: HUANG Ronggang, YANG Bisheng, LI Jianping, TIAN Mao, LIANG Xinmei. Building Points Detection from Airborne LiDAR Point Clouds Using Topological Relationship Graph Within Each Object Region[J]. Geomatics and Information Science of Wuhan University, 2017, 42(4): 475-481. doi: 10.13203/j.whugis20160112
  • 三维建筑物信息在城市规划与管理、灾害应急与评估、车辆导航等方面具有重要作用[1]。已有许多学者研究如何从激光雷达(light detection and ranging,LiDAR)点云中提取建筑物,但利用LiDAR点云实现不同场景下建筑物的稳定提取依然困难。

    根据使用数据类型,建筑物提取方法分为基于数字表面模型(digital surface model, DSM),基于激光点云以及影像辅助DSM/激光点云方法[2]。第一类方法将点云转换成DSM提取建筑物[3, 4],可以直接使用图像处理方法,但数据有损失,影响提取精度。为此,研究人员提出了直接从激光点云中提取建筑物的方法[5-9]。为了更容易地区分建筑物和植被等地物,研究人员利用影像辅助DSM/激光点云方法[10-12],但这种方法存在多源数据高精度配准困难,阴影区域NDVI(normalized difference vegetation index)计算误差大,影像透视变形误导建筑物提取等问题。

    基于激光点云提取建筑物方法主要有监督学习方法和点云分割层次提取方法。监督学习方法[9, 13, 14]选取样本训练分类器来提取建筑物,但样本选择主观性大,较为费时。点云分割层次提取方法通过区域增长等方法[15]提取平面面片,并计算面片形状、面积、回波信息等特征以提取建筑物面片[5, 7, 16, 17]。该算法将面片作为独立对象处理,而植被等地物局部区域的面片很容易与建筑物面片具有相似的几何和回波特征,进而造成错误提取。然而,从目标整体的角度出发,各类地物(如建筑物、植被等)之间的特征差异更加可靠,比如植被区域单个面片可能没有点云穿透,而植被整个目标区域点云穿透的可能性就更大,有助于提高提取精度。

    本文以目标整体作为研究对象,提出了一种基于目标区域拓扑关系图的建筑物点云层次提取方法。该方法的主要贡献包括利用形态学重建和点云平面分割方法对候选区域点云构建多尺度空间数据,生成目标区域拓扑关系图;从目标整体的角度出发,采用5种特征更加准确地刻画建筑物与植被等地物的差异。

    • 本文提出的建筑物提取方法包括点云滤波与建筑物候选区域提取,建筑物候选区域多尺度空间构建及目标区域拓扑关系图生成,建筑物点云提取等步骤,如图 1所示。在本章中,分别在§1.1~§1.3中详述。

      图  1  建筑物提取流程图

      Figure 1.  Flowchart of Building Detection

    • 本文采用文献[18]滤波方法,将地面点云和非地面点云分离,并利用地面点云生成数字高程模型(digital elevation model,DEM)。其中,非地面点云由非地面点云面片集合和部分离散点云组成。

      为了缩小建筑物的提取范围,将建筑物视为由一个或多个面片组成,对非地面点云面片进行连通性分析,得到面片簇集合S。然后计算不同面片簇的边界点到DEM的高度以及其面积和宽度,利用式(1)剔除低矮、面积小、宽度窄的面片簇(如低矮植被、车辆等),以得到建筑物候选点云(主要是建筑物、大型植被等)。为了保证建筑物信息完整,对建筑物候选点云缓冲一定距离得到建筑物候选区域。

      (1)

      式中,C为建筑物候选点云;Si为第i个非地面点云面片簇;b(Si)Si的外边界点集;FN为满足条件点云计数函数;FW、FA分别为计算面片簇的宽度和面积的函数;tH、tWtA分别为建筑物边界高度、宽度和面积阈值。

    • 基于形态学重建的多尺度空间可以对建筑物候选区域生成多层次数据。随着尺度增大,区域内几何结构复杂度逐渐降低直到变成平面,成为模拟人眼从整体到局部稳健识别地物的数据基础[19]。因此,本文采用基于形态学开、闭重建的多尺度空间,加入点云平面分割方法以防止坡面结构部分区域平面化而影响拓扑关系构建。

      假设建筑物候选区域原始点云为P,选定尺度因子序列值为s={0, 2, 4, 8, …}。其多尺度空间构建步骤如下。

      1) 初始化

      当前尺度因子s取值为0,当前处理点云P′为P

      2) 点云平面分割

      利用点云平面分割方法[20]对点云P′分割,将小于点数tN的面片剔除,并计算剩余面片的坡度。如果大于tS,则标记为坡面;否则标记为水平面。

      3) 开重建

      以当前尺度s作为窗口Bs的半径,利用式(2)对点云P′开运算,得到Po

      (2)

      式中,为膨胀符号;⊙为腐蚀符号。

      Po作为标识点云Y,P′作为模板点云X。对Y进行迭代测地膨胀,直到膨胀结果稳定为止,如式(3)、式(4)所示,得到开重建结果PR1=δX(n)(Y)

      (3)

      (4)

      式中,δ为测地膨胀符号;∧为最小上界;BI为单位窗口;n为测地膨胀迭代次数;符号°为运算符号。

      4) 闭重建

      以当前尺度s作为窗口Bs半径,利用式(5)对PR1闭运算,得到闭运算结果PC

      (5)

      PC作为标识点云Y,将PR1作为模板点云X,对Y进行迭代测地腐蚀,直到腐蚀结果稳定为止,如式(6)、式(7)所示,得到闭重建结果PR2=εX(n)(Y),作为尺度s的重构结果:

      (6)

      (7)

      式中,ε为测地腐蚀符号;∨为最大下界;n为测地腐蚀迭代次数。

      5) 尺度空间生成结束条件

      PR2进行平面测试,如果是平面,则尺度空间生成结束。如果不是平面,算法遍历所有坡面面片,判断其是否变成平面。对于没变成平面的坡面,则将坡面中点云高程恢复到开重建前高程。然后,s取下一个值,P′=PR2,并转到步骤 2)。

      在点云多尺度空间构建后,利用相邻尺度间面片的包含关系,构建不同尺度之间目标区域的拓扑关系图。其中,图的根节点代表目标区域整体,叶节点代表最小尺度下目标区域的点云面片。

    • 为了提高目标区分能力,本文从目标整体的角度,并根据各类地物随尺度变化的特点,提出5种特征量。

      特征量1 面积A指根节点面片的面积。

      特征量2  宽度W指根节点面片的宽度。

      特征量3  分割面片总面积最大变化率RA指不同尺度下所有分割面片总面积的最小和最大值之比。若为建筑物区域,该值较大;若为植被区域,该值较小。

      特征量4  地面点云所占面积比RG指根节点面片范围内,地面点云分布面积所占比例。在建筑物区域,该值接近于0,而在植被区域,激光能够穿透树冠直到地面,该值更大。

      特征量5  分割点云数量最大变化率RN指不同尺度下所有分割面片包含点云数总和的最小和最大值之比。在建筑物区域,该值比较大;在植被区域,该值比较小。

      对每个目标区域,计算以上特征量,利用式(8)剔除植被等地物目标区域,提取建筑物区域。

      (8)

      式中,R为建筑物区域;O是目标区域集合;Oi是第i个目标区域;tAtWtRAtRGtRN分别是5个特征量阈值;tAtW主要剔除小地物,其值取决于最小建筑物的宽度和面积;tRAtRGtRN主要区分建筑物区域和大型植被等地物区域。

    • 建筑物区域可能存在植被等地物,而植被等地物在最小尺度上通常被分割成小面片或者离散点云,且分布于建筑物附近。因此,首先利用面积阈值tA1提取最小尺度下的小面片以及离散点云作为待处理点云。然后,对待处理点云水平方向区域增长,生成不同的区域,并提取其外边界。最后,判断区域是否位于建筑物候选区域外边界附近。如果其位于建筑物候选区域内部,则将此区域中的面片作为建筑物屋顶部件;如果其位于建筑物候选区域外边界附近,则计算5个特征量,并利用式(8)剔除建筑物附近的植被等地物,提取建筑物点云。

    • 本文采用国际摄影测量协会(ISPRS)提供的5份测试数据进行实验,如图 2所示。前3份数据(区域1~3)来源于德国Vaihingen,建筑物主要有居民楼、形状复杂的历史建筑以及小建筑物等,并且建筑物附近有植被。后两份数据(区域4~5)来源于加拿大Toronto的商业中心区域数据,建筑物主要是高层建筑,建筑物屋顶结构复杂,且屋顶部件较多。5份数据能够很好地检测算法在区分建筑物和植被等地物的能力以及场景的适应性。

      图  2  ISPRS测试数据集

      Figure 2.  Datasets from ISPRS

      实验采用表 1中的参数值分别对5份数据进行处理,并将结果提交ISPRS评估。其中,评估指标有基于面积的指标、基于目标的指标以及建筑物边界点均方根误差等,而基于面积的指标和基于目标的指标又分别包括完整度CP、正确率CR和质量Q[21]。评估结果如图 3以及表 2所示,详细情况见http://www2.isprs.org/commissions/comm3/wg4/results.html中的WHU_YD。

      图  3  ISPRS评估结果图

      Figure 3.  Evaluation of Building Detection by ISPRS

      表 1  参数设置

      Table 1.  Parameter Settings

      参数 区域1 区域2 区域3 区域4 区域5
      tN 10 10 10 10 10
      tA/m2 5 5 5 50 50
      tW/m 2 2 2 5 10
      tH/m 1.5 1.5 1.5 1.5 1.5
      tS/(°) 10 10 10 10 10
      tRA 0.5 0.5 0.5 0.5 0.5
      tRG 0.5 0.5 0.5 0.5 0.5
      tRN 0.5 0.5 0.5 0.5 0.5
      tA1 5 5 5 5 5

      表 2  ISPRS定量评估结果

      Table 2.  Quantitative Evaluation Results by ISPRS

      城市 区域 基于面积指标 /% 基于目标指标/% 基于目标(> 50 m2)指标/% RMS /m
      CP CR Q CP CR Q CP CR Q
      Vaihingen 区域1 91.8 98.6 90.6 91.9 100.0 91.9 100.0 100.0 100.0 0.9
      区域2 87.3 99.0 86.5 85.7 100.0 85.7 100.0 100.0 100.0 0.7
      区域3 90.2 98.1 88.7 85.7 98.0 84.2 97.4 100.0 97.4 0.6
      均值 89.8 98.6 88.6 87.8 99.3 87.3 99.1 100.0 99.1 0.73
      Toronto 区域4 94.7 95.5 90.6 98.3 96.6 94.9 100.0 96.6 96.6 0.8
      区域5 96.9 93.7 91.0 84.2 94.1 80.0 91.4 94.1 86.5 0.7
      均值 95.8 94.7 90.8 91.3 95.4 87.5 95.7 95.4 91.6 0.75

      从评估结果可以发现,两组数据基于目标指标和面积指标的正确率的平均值分别是99.3%、98.6%和95.4%、94.7%,表明算法能够高质量地区分建筑物与植被等其他地物,表现为图 3中的红色区域非常少。在目标层次上,算法从5份数据中总共提取188栋建筑物,仅有5栋错提取。两组数据基于目标和面积的完整度的平均值分别是87.8%、89.8%和91.3%、95.8%,表明算法能够提取大部分建筑物区域,表现为图 3中蓝色区域很少;并且能够有效地提取建筑物的附属结构和屋顶部件,如图 4所示。算法能够剔除建筑物屋顶上的噪声以及大部分植被等地物,如图 4(b)所示。对大于50 m2的建筑物,算法结果较好,Vaihingen数据完整度和正确率平均值分别是99.1%、100.0%; Toronto数据的完整度和正确率平均值分别是95.7%和95.4%。但算法也存在一些问题。由于分割面片过于小而破碎,算法容易漏提取建筑物边缘小部件、小建筑物、数据缺失建筑物等,如图 3BCD处;算法可能将建筑物附近表面平坦的地物错误当成建筑物附属结构,如图 3A处;且有可能错误提取少量与建筑物非常相似的目标,如图 3G处。

      图  4  图 3E、F两处横断面图

      Figure 4.  Two Cross-sections of E and F in Fig. 3

      此外,将本文算法与其他参与ISPRS评估的方法对比[2],其中Vaihingen数据方面参评方法比较多,而Toronto数据方面参评方法特别少。首先,将本文方法与仅采用激光点云的方法对比,结果列于表 34。可以看出,考虑所有建筑物的情况下,对于Vaihingen和Toronto两组数据,本文算法基于面积和目标的质量指标都是最好的。在考虑大于50 m2建筑物的评估方面,对于Vaihingen数据,基于目标质量指标比HANC2低0.9%;对于Toronto数据,本文基于目标质量指标最好。在建筑物边界均方根误差方面,Vaihingen数据方面,建筑物边界均方根误差比HANC1大0.06 m;Toronto数据方面,建筑物边界均方根误差本文算法最好。进一步地,将本文算法与文献[2]以及网页(http://www2.isprs.org/commissions/comm3/wg4/results.html)中所有提取方法相比。Vaihingen数据方面,由于ISPRS提供了正射影像以及高质量的影像和点云配准结果,且建筑物相对不高,影像融合DSM的某些方法在单方面指标中的最优方法比本文方法更好,ZJU方法[2]面积质量指标达到最高89.7%,高于本文方法1.1%,但目标质量指标为74.8%,比本文方法低12.5%;LJU1方法[2]目标质量指标达到最高87.9%,比本文方法高0.6%。在Toronto数据方面,主要由于高建筑物过多等原因,参评的影像辅助DSM或激光点云方法很少且效果不佳,目标质量指标最低值达到21.0%;而本文方法仅在大于50 m2的目标质量指标上,比基于DSM的MAR2方法(92.7%)低1.1%,其他面积和目标质量指标方面都是最佳。

      表 3  Vaihingen数据、本文方法与其他基于激光点云方法比较

      Table 3.  Performance Comparison of Methods Solely Using ALS Points in Vaihingen Dataset

      方法 面积质量
      指标/%
      目标质量
      指标/%
      目标(>50 m2)
      质量指标/%
      RMS /m
      UMTA 81.5 79.1 99.1 0.87
      UMTP 80.3 78.1 96.0 0.97
      MON 82.8 77.7 99.1 0.93
      VSK 84.6 79.7 97.9 0.87
      WHUY1 80.8 76.5 95.4 0.83
      WHUY2 82.3 81.3 97.2 0.90
      HANC1 85.2 62.4 95.8 0.67
      HANC2 84.6 61.9 100.0 0.83
      HANC3 87.9 71.7 98.9 0.70
      MON2 80.7 81.6 99.1 0.92
      本文方法 88.6 87.3 99.1 0.73
      注:最好结果加粗显示。

      表 4  Toronto数据、本文方法与其他基于激光点云方法比较

      Table 4.  Performance Comparison of Methods Solely Using ALS Points in Toronto Dataset

      方法 面积质量
      指标/%
      目标质量
      指标/%
      目标(>50 m2)
      质量指标/%
      RMS /m
      WHUY2 86.5 86.8 90.9 1.1
      MON2 88.7 76.9 90.7 1.0
      本文方法 90.8 87.5 91.6 0.8
      注:最好结果加粗显示。

      由此可以证明,在不同的城市场景下,本文算法能够稳健地提取各种类型建筑物,并保持很高的正确率,同时维持较好的建筑物边界精度。

    • 本文以机载LiDAR点云为研究对象,提出了一种基于目标区域拓扑关系图的建筑物点云层次提取方法。利用ISPRS提供的Vaihingen和Toronto两种城市场景数据对算法进行测试,并与其他方法比较。结果表明,本文算法在不同的城市场景下建筑物提取最为稳定,且具有很高的正确率。但是该方法仍存在小建筑物漏提取,将建筑物附近的表面平坦地物错误当成建筑物附属结构等问题。本文下一步将重点研究如何提高小建筑物提取质量。

参考文献 (21)

目录

    /

    返回文章
    返回