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

摘要

本发明公开了一种结合机载激光雷达(Light Detection And Ranging，LiDAR)点云数据和高清航空影像的城市地物精细化分类方法，针对不同地物采用有效的分类特征，阶梯式地实现了城市复杂地物的三维精细化提取。其包括以下步骤：首先进行点云空洞追踪实现了水体的提取，并采用改进的渐进加密三角网的点云滤波方法实现地面点的提取。然后利用高分辨率航空影像计算得到的植被指数图像实现了植被的提取，将该提取结果投影到点云上可得到植被点云，在此基础上采用自上而下的分割策略依次实现了树木、灌木及草地点云的分类。最后，采用三维标记连接体的聚类方法对剩余的未分类点云实现点云分割，并提出针对分割块的识别规则，实现了建筑物、桥梁及灯柱点的单体化提取。

说明书

技术领域

本发明涉及结合机载LiDAR点云数据和航空影像，实现城市地物的精细化提取，尤其涉及一种三维的面向对象的地物分类方法。

背景技术

城市土地利用分类是很多城市研究工作及城市管理与规划的前提，利用遥感数据实现土地利用类型信息的提取也一直是遥感技术最重要的应用之一。近些年来随着遥感技术的发展，越来越多的数据采集平台(卫星，机载、近地面)和传感器(主动、被动)为人们提供了多时相、多种分辨率的空间数据，用于城市地物的精细提取和分类。其中，高分辨率遥感影像可提供亚米级的高清观测资料，为精细化制图提供了有力的数据支持，在城市分类中应用广泛。然而，由于受到光照、阴影的干扰，并且由于高分辨率影像上类内光谱差异加剧，类间光谱差异减少，导致单独依靠高分辨率影像，想要实现精细分类并不容易。

激光雷达(Light Detection And Ranging，简称LiDAR)作为一种新兴的三维遥感观测技术，可提供反映地物三维结构信息的点云数据，且不受光照阴影的影响，在地物识别方面很有优势。通过将激光雷达设备搭载在飞机上进行航空扫描作业，可获得覆盖大范围地区的机载LiDAR点云数据。根据其提供的高度、回波等信息，人们提出了很多适用于三维点云数据的分割分类算法。然而，由于LiDAR数据的数据量很大，计算较为复杂，并且复杂地区如城市区域，地物的几何属性也较为多变，导致仅仅依赖LiDAR数据也很难实现地物的精细提取。

考虑到高分辨率影像可提供丰富的光谱信息，LiDAR数据可提供几何信息，都是地物识别很有用的指导信息，近年来有较多研究考虑将两种数据结合起来支持地物分类。一个最常用的思路就是把LiDAR数据转换为二维影像，与影像数据叠加为多波段图像参与分类。该方法虽然可以显著提高分类精度，但分类结果仍然是二维的，并且将三维的LiDAR点云插值得到二维图像的过程中不可避免会有信息损失，插值的过程也可能会给分类带来误差。也有研究尝试将影像的光谱及纹理信息映射到点云上来支持融合分类，但这种特征级的融合需要两个数据的精确配准，这很难实现，这使得三维层次的融合分类很难实现。

因此，现有的结合影像及点云的地物分类技术有待于更进一步的改进和发展。

发明内容

鉴于上述现有技术的不足，本发明提供一种结合机载LiDAR数据和高分辨率航空影像的城市地物分类方法，针对不同地物采用显著的分类特征，阶梯式的实现城市地物的三维精细化提取，可在减少计算量、保证提取精度的同时，实现树木、建筑物等的单体化完整识别。

本发明方案包括：

A、采用凹包法自动追踪LiDAR点云数据的空洞区域，实现水体的提取；

B、采用改进的渐进加密三角网的点云滤波方法，实现地面点的提取；

C、利用航空影像的RGB三个波段影像，计算得到植被指数图像，并通过改进该指数，实现植被区域较为完整的提取；

D、将该植被提取结果投影到非地面点数据上，可得到初始的植被点云数据，通过分类后处理的操作，纠正投影过程中可能导致的点云错分；

E、针对植被点云，采用自上而下的单木分割方法，首先实现所有单棵树木点云的提取，对剩余的低矮植被点云按照归一化高度值区分为灌木和草地点；

F、移除上述识别地物后，剩余的点云为人造物点。针对这些呈簇状分布的人造物点，本发明提出基于点云的面向对象分类方法。不从单点的邻域几何特征出发，而把分割后的一簇点作为识别对象，从整体上实现房屋、桥梁、灯柱等很难完整提取的地物的识别。

所述的地物分类方法，其中，所述步骤A具体的包括：采用二维alpha shape的凹包算法自动化追踪机载激光雷达点云中空洞区域的边界，得到水体的矢量提取结果。

所述的地物分类方法，其中，所述步骤B具体的包括：通过形态学方法生成大量地面种子点来构建初始三角网，并通过遍历所有未分类点，计算点到所落入三角形的垂直距离及夹角，与设置的角度及高差阈值相比较，不断迭代增加地面点，最终实现地面点与非地面点的分离。

所述的地物分类方法，其中，所述步骤C具体的包括：高分辨率航空影像有RGB三个波段，利用植被指数VI＝2G’-R’-B’，其中，G'＝g/(r+g+b)，R'＝r/(r+g+b)，B'＝b/(r+g+b)，r、g、b分别对应影像中RGB三个波段的像素灰度值。计算得到植被指数图像，实现强化植被区域的效果。

所述的地物分类方法，其中，所述步骤C具体的还包括植被指数的改进：①针对植被指数图像，采用局部自适应的阈值确定方法，尽可能多地提取绿色植被区域；②对于植被提取结果中遗漏的非绿色植被区域，通过空洞填充算法予以补充；③生成蓝色掩膜，即设置绿色光谱值大于蓝色光谱值这一过滤条件，剔除混杂在植被提取结果中的蓝色地物；

所述的地物分类方法，其中，所述步骤D具体的包括：将点云数据按照航空影像的空间分辨率进行格网化管理，将影像上提取的植被像元对应的点云标记为植被，即投影获得初始植被点云。针对二维到三维投影过程中可能出现的边缘错分问题，采用三维主要分析的方法进行植被点的类别纠正。

所述的地物分类方法，其中，所述步骤E具体的包括：通过对步骤D获得的植被点进行高程归一化处理，即每个点减去最近的地面点的高程，并采用自上而下的单木分割方法，可实现单棵树木点云由高到低的依次提取。剩余的低矮植被点按照归一化高度值高于0.5m的标识为灌木点，其余低于0.5m的为草地点。

所述的地物分类方法，其中，所述步骤F具体的包括：利用八叉树结构管理剩余的未分类点云，采用三维标记连接体分割的方法实现点云的优化分割，使得分割得到的点云簇基本对应各个地物对象。

所述的遥感识别方法，其中，所述步骤F具体的还包括：针对分割得到的点云簇，提出根据分割整体的大小尺寸、形状及内部点高度分布的特性，实现建筑物、桥梁、灯柱的单体化提取。

本发明提供的一种结合机载LiDAR点云数据和航空影像的城市地物精细提取方法，针对不同地物选用有效的分类特征，阶梯式的实现了水体、地面、树木、灌木、草地、建筑物、、灯柱的识别提取。其中，在植被的提取方面，提出了改进的植被指数方法，依赖于高清的彩色影像即可实现植被的精细提取。对投影得到的植被点，采用自上而下的单木分割方法，可依次实现单棵树木点云及灌木、草地点云的识别。最后，剩余的未分类点在优化分割的基础上，采用基于分割块整体的识别策略，实现了整栋建筑物、桥梁、灯柱的单体化识别。该方法综合利用了激光雷达及高分辨率影像的识别特征，阶梯式的实现了城市地物的三维精细化提取，适用于复杂城市地区的地物分类，计算量小，识别精度高，且实现了单棵树木及单栋房屋的提取，为城市规划及管理提供了三维数据。

附图说明

图1是本发明中城市地物分类方法的流程示意图。

图2是基于点云的水体提取(红色点代表被检测的水体边界点，绿色圈圈内为无效的数据空洞)

图3是基于彩色影像的植被指数法改进示例：(a)(b)和(c)分别代表了三方面的改进，即局部自适应阈值确定，空洞填充，蓝色地物掩膜。i,ii,iii和iv分别为最初的机载影像的一个样本区、植被指数图、植被提取二值结果(植被区为白色，背景为黑色)、优化改进后的植被提取而致结果(植被区为白色，背景为黑色)

图4是基于三维标记连接体的点云分割：(a)竖直方向也遍历的房屋分割效果；(b)本发明提出的分割方法的分割效果俯视图；(c)分割得到各地物对象的效果示意

具体实施方式

为使本发明的目的、技术方案及效果更加清楚、明确，下面将结合本发明实施例，对技术方案进行详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例中，如图1所示，提供了一种结合机载LiDAR和高清影像的城市地物精细化提取方法，针对不同地物选用显著的分类特征，阶梯式的实现了水体、地面、树木、灌木、草地、建筑物、桥梁、灯柱的识别提取。具体实施步骤为：

1、数据预处理：

本实施例中涉及的基础数据包括机载激光雷达数据及航空彩色影像数据，这两类数据可由搭载了激光雷达扫描仪及高清相机的飞机平台同步获得。并且得益与同一套定位及姿态系统，获得的点云数据与照片坐标系统一致，可实现基本的粗匹配。

(1)机载激光雷达数据的预处理

机载激光雷达数据的预处理主要包括多条航线数据的拼接、去重叠及去噪。

①多条航线上点云数据的拼接可通过直接打开所有航线数据实现；

②航线去重叠采用人工走拼接线的方式实现，通过手动沿着相邻航带重叠部分的中心处走拼接线，可尽量保留各航带中间的数据，不使用航线边缘数据，使得点云数据密度均匀且质量较好；

③点云去噪采用基于统计学的方法，通过计算每个点到其邻域点的距离分布，平均距离在标准范围之外，即识别为离群点，从点云数据中移除。

(2)航空彩色影像数据的预处理

通过将高清相机获得的原始相片数据输入Pix4D航拍图像处理软件，可自动进行数据的拼接、空中三角形的构建及区域网平差，获得高清的正射影像。

2、水体的提取

城市中的水体主要以河流、内陆湖、水塘等形式存在，在机载LiDAR点云数据中显示为无回波信号的数据空洞区域。不同于以往将点云数据转换为图像的提取方法，本发明提出直接基于点云数据，通过凹包法追踪点云空洞的方法来定位水体(见图2)。需要说明两点：

(1)凹包法的具体实施是通过二维alpha shape方法，自动化地追踪获取三维点云数据中空洞区域的二维边界；

(2)由于机载激光雷达的不均匀扫描，点云中会有数据缺失导致的小空洞，并非水体区域。可通过观察设置合适的面积阈值，避免无效空洞对水体提取的影响。

3、地面点的提取

采用改进的渐进加密三角网的点云滤波方法，通过形态学方法生成大量地面种子点来构

建初始三角网，并通过设置角度及高差阈值，不断迭代增加地面点，最终实现地面点与非地面点的分离，具体包括：

(1)对点云数据进行格网划分，选择各个格网内的最低点作为种子点构建初始三角网；

(2)遍历所有待分类点，计算各点到所落入的三角形的垂直距离及最大夹角，这里的最大夹角指的是该点与三角形三个顶点的连线到三角形所在平面所成角度的最大值。如该距离及角度小于设定的迭代距离和角度，则该点也被判定为地面点并加入三角网的构建中；

(3)不断迭代此过程，直至提取得到所有地面点。

对提取得到的地面点采用克里金插值方法，可得到该区域的数字高程模型(digital elevation model，简称DEM)。

4、植被点的提取

利用高清航空影像上夏季植被多呈现绿色的光谱特点，提出改进的植被指数的方法实现基于RGB彩色影像的植被提取。通过将该提取结果投影到点云数据上，可得到植被点。具体步骤：

(1)利用RGB三个波段图像，计算植被指数图像，植被指数公式为：

VI＝2*G'-R'-B' (1)

式中，G'＝g/(r+g+b)，R'＝r/(r+g+b)，B'＝b/(r+g+b)，r、g、b分别对应影像中RGB三个波段的像素灰度值。

(2)改进植被指数，实现完整准确的植被提取；

①采用自适应的阈值确定方法，而不是更常用的OTSU全局阈值方法，尽可能多的提取到植被区域(图3(a)(iv))；

②采用空洞填充算法，对植被提取结果中可能遗漏的非绿色植被区域，如绿树中的红花，予以提取(图3(b)(iv))；

③生成排除蓝色地物的掩膜，剔除提取结果中混有的蓝色地物(图3(c)(iv))。

5、植被点的再分类

通过采用自上而下的分割策略，首先实现单棵树木点的依次识别，再实现灌木及草地点的标识，具体步骤为：

(1)点云高程归一化；

将非地面点的点云高度值减去对应格网的DEM值，可对非地面点进行高程归一化处理，移除地形起伏对点云高度的影响。

(2)自上而下的单木分割；

选择最高点作为最高的那棵树的树顶点，参照树冠半径设定树间距阈值，向下生长出属于该棵树的所有点云，移除该棵树的点云后，选定剩余点中最高的点为第二高树的树顶点，逐次实现所有单棵树木点云的标记。

(3)灌木及草地点的识别；

剩余的低矮植被点按照归一化高度值高于0.5m的标识为灌木点，其余低于0.5m的识别为草地点。

6、人造物点的再分类

提取完植被后的非地面点基本为人造物点，针对这些呈一簇簇分布的人造物点，本发明提出基于点云的面向对象分类方法。不从单点的邻域几何特征出发，而把分割后的一簇点作为识别对象，从整体上实现房屋、桥梁、灯柱的识别。具体包括两步：

(1)点云数据的分割；

①采用八叉树结构来组织点云，将每一个细分单元视为三维体素格；

②遍历所有体素格，将连接的体素格标记为同一个分割块；

这里体素的大小对分割结果影响很大，其设置应该满足小于地物内点间距，大于不同地物间距。考虑到地物间距大于1m，目前常用的点云数据都可以保证每平方米一个点，即点间距小于1m，将体素大小设置为1左右，可保证地物间的优化分割。

③考虑到目前的机载激光雷达点云可能有不连续的立面点云，直接按②中的连接性分割可能会将一个地物多度分割(图4(a)所示)，因此通过控制垂直方面上不遍历不分割，来保证分割得到的单个地物的完整性。

(2)基于分割体的整体识别；

本发明提出基于分割块的三个整体特征：

①大小尺寸。将包围这簇点云分割块的轴对称包围盒的长(L)、宽(W)、高(H)作为该分割块的大小尺寸。考虑到机载数据在地物下端可能会有缺失，导致包围盒的高度H会低估对象的实际高度，采用该分割块中最高点的绝对高程作为分割块的高度，可以避免数据缺失对分割块高度的错估；

②形状。本发明提出了针对分割块整体的形状判别规则，来定义该分割块是立方体状(S

S

S

S

③分割块内的高度分布。利用了点云的高度频率分布图，以频率图中是否具在一个高度值的高峰来表征相应的分割块是否具有一个点云分布较多的平面层，以该高度峰值的频率来区分房屋与桥梁类。将该分割块内点云高度10等分，统计落在每个高度层内的点云频率，用高度出现的最高频率来区分地物。经观察，最高的两个频率之和与单一的最高频率相比，能更稳定地区分不同地物，因此我们用前两个频率之和作为高度分布的判断标准。

依据以上三个特征，本发明定义的地物识别的伪代码如下：

If S_cube→1 and H<10,then C∈tree；

If S_cube→1,H>10 and F>0.5,then C∈building；

If S_planar→1 and F>0.8,then C∈planar artificial object；

If S_columnar→1,(W+L)/2<4 and H>6,then C∈lamppost；

Else if(W+L)/2>10,then segment∈building.

在判别过程中，形状判别是第一位的。如果一个地物的形状被判别为立方体，它将会通过尺寸或高度分布判断，是树木还是建筑物；如果一个分割块的形状是平面或柱状的，将继续判断是否是平面型的人造物或路灯。考虑到有些房屋可能呈现平面状或柱状，在一开始的立方体判别中并不能识别出来，我们通过在剩余的分割块中进行尺寸大小的判断，将较大的分割块也标记为房屋。