基于LiDAR和航空影像的地震灾害倒塌建筑物信息提取

于海洋，程 钢，张育民，卢小平

基于LiDAR和航空影像的地震灾害倒塌建筑物信息提取

于海洋，程 钢，张育民，卢小平

(河南理工大学矿山空间信息技术国家测绘局重点实验室，焦作 454000)

地震灾害损失评估是震后展开救灾工作的重要环节。快速、准确地获取震后损毁建筑物信息能够为灾区减灾、救灾工作提供有效的支持。高分辨率航空遥感是灾害监测的重要技术手段，但其信息自动提取的精度受到一定的限制。近年来新出现的LiDAR技术能够提供地面目标的高程信息，可应用于复杂环境下倒塌建筑物信息的提取。研究中采用航空遥感数据和LiDAR数据，基于面向对象的图像分析 (Object－Based Image Analysis，OBIA)与SVM技术相结合的方法对2010年1月12日海地地震中倒塌建筑物信息进行了提取，提取总体精度达到86.1%。

地震灾害;倒塌建筑物;信息提取;LiDAR;面向对象的图像分析(OBIA);SVM;航空影像

0 引言

快速准确地获取倒塌建筑物信息能为地震灾后救灾工作提供支持，是地震灾害损失评价的重要环节［1］。将高分辨率遥感图像变化监测的方法用于地震灾害评估的研究较多，通过地震前后遥感影像变化区域对比，能够提取倒塌建筑物等灾情信息［2，3］。有研究者将 GIS 矢量先验知识［4］、航空或卫星立体像对提取的DEM三维信息［5］以及卫星雷达数据［6］等用于地震前后建筑物信息提取，但其提取精度受到一定的限制，并且在实际应用中通常因缺乏震前高分辨遥感数据或准确矢量先验知识而无法对变化信息进行精确提取。

机载激光雷达技术(Light Detection And Ranging，LiDAR)作为一种新兴的航空遥感技术，将GPS技术、INS技术以及激光扫描技术和计算机技术集于一体，能够自动地获取高精度、高密度的地球表面3D点云数据，已成为建立数字地面模型(DTM)的首选技术，并成功应用于灾害监测，是当前的一个研究热点。

本文将2010年海地地震灾区的LiDAR点云数据与航空影像数据相结合，利用面向对象的图像分析技术(Object－ Based Image Analysis，OBIA)将图像分割为有意义的目标对象，并分析多数据空间、光谱和纹理特征，应用基于支持向量机(Support Vector Machine，SVM)的技术方法实现了地震灾害倒塌建筑物信息的自动提取。

1 数据获取与预处理

本研究使用的数据由罗彻斯特理工学院的影像科学中心(Center for Imaging Science at Rochester Institute of Technology，RIT)、Kucera International和ImageCat公司采集。数据采集由世界银行资助，获取了受地震影响地区的高空间分辨率航空遥感图像和LiDAR数据，以帮助海地救灾工作。研究区域覆盖了2010年1月12日海地地震后首都太子港城市的一部分。数据获取系统由WASP摄像系统和Kucera International激光雷达传感器组成，获取时间为2010年1月21日～1月27日，研究区航空影像如图1所示。

图1 研究区航空影像Fig.1 Aerophotograph of study area

LiDAR点云数据预处理包括［7］:①结合GPS和惯性测量系统观测数据计算每个点云的三维坐标，所获得数据的高程精度为11 cm，水平精度为15 cm;②检测和清除其中的系统误差和粗差点，对点云数据采用自适应TIN(Adaptive TIN，ATIN)方法进行滤波分类，分离地面和非地面点［8］;③基于Kriging插值方法建立数字地面模型，同时利用LiDAR第一次返回的数据建立数字表面模型(DSM);④从DSM减去DEM可得到地表物体的高度信息，该模型被称为 nDSM(normalized Digital Surface Model)。利用nDSM提取建筑物能够直接消除地形影响。实验中提取的nDSM空间分辨率为1 m，提取的nDSM数据如图2所示。

图2 由LiDAR提取的nDSM数据晕渲图Fig.2 Shade view of the nDSM extracted from LiDAR

对航空遥感数据使用DSM进行了正射校正，校正图像与LiDAR数据完全配准。该航空遥感数据空间分辨率为0.3 m。

2 基于OBIA倒塌建筑物信息提取方法

2.1 图像分割

采用Baatz等人［9］提出的通过控制异质性和尺度参数进行相邻区域合并，进而获取分割对象的算法进行图像分割。异质性和尺度参数由航空彩色图像和nDSM高程数据计算获取。

尺度是指识别特定目标所需要的最小尺寸，与图像的分辨率密切相关。更高的图像分辨率需要更大尺度参数，以确定一个特定的对象。实验中，尺度参数通过试错的方法由经验确定，尽量减少建筑物的聚集，并保存每个建筑物的完整性。

同质参数f的计算使用了颜色差异Δhcolor和形状差异Δhshape两个方面的特征。颜色是指物体的光谱响应，而形状传达了有关对象空间语义信息的一致性，计算公式为

式中，wcolor和wshap分别为颜色、形状差异的权重参数，可根据实际应用进行调整。形状特征进一步被划分为紧致度(Cmpct)和光滑度(Smooth)两个相互对立的特征。前者由对象的周长l与像元数量n的平方根比值来表示;后者定义为周长l与外接长方形最小可能边长b的比值，即

2.2 分割对象目标特征提取

实验中用于倒塌建筑物提取的分割对象特征包括航空彩色图像的均值和nDSM的高程均值以及绿度指数和nDSM与航空影像数据提取的纹理特征。

(1)绿度指数。绿度指数主要用于识别植被覆盖程度，其计算公式为

式中，G和R分别表示绿波段和红波段像元值。

(2)纹理特征。在多数情况下，未倒塌建筑物图像的纹理特征较为一致，纹理变化较小，而倒塌建筑物纹理较为杂乱，变化较大。实验选取了对比度(Contrast)、差异性(Dissimilarity)和方差(Variance)等基于灰度共生矩阵的纹理特征，计算公式［10］为

式中，μ是均值;i，j是一定大小窗口内共生矩阵点对的灰度值;p(i，j)为图像中某一点灰度值为i，在某一方向上与之相隔一定距离且灰度为j点出现的频度;N为灰度共生矩阵的大小。

纹理特征由红、绿、蓝3个波段遥感图像及nDSM数据获取。对比度是灰度共生矩阵主对角线附近的惯性矩，度量矩阵值的分布情况和图像空间频率的局部变化，反映了纹理清晰度和纹理沟纹深浅，即图像局域内最大灰度值与最小灰度值之间的幅度差。差异性参数能够反映共生矩阵之间的差异情况，当局域内对比度较高时，差异性值亦较高。未倒塌建筑物一般具有较低的方差值，倒塌的建筑物方差值较高(图3)。

图3 未倒塌建筑物与倒塌建筑物纹理信息对比Fig.3 Image segment of normal building and collapsed building

2.3 支持向量机分类

近年来，许多研究表明了基于SVM遥感数据监督分类的有效性［11，12］。SVM 方法是从线性可分情况下的最优分类面(optimal hyperplane)提出的［13］。在二维线性可分情况下，如图4所示，实心三角点和空心三角点分别表示两类训练样本，P为把两类样本正确分开的分类线，P1、P2分别为过各类样本中离分类线最近的点且平行于分类线的直线，P1和P2之间的距离叫作分类空隙或分类间隔(margin)。

图4 最优分类面Fig.4 Optimal hyperplane of SVM algorithm

所谓最优分类线就是要求分类线不但能将两类无错误地分开，而且使两类的分类空隙最大。前者是保证经验风险最小(为0)，后者则是通过使分类空隙最大(实际上就是使置信范围最小)，从而使真实风险最小。推广到高维空间(最优分类线就是最优分类面)，则首先通过采用非线性变换方式将输入空间变换到一个高维空间，然后在这个新空间中求取最优线性分类面，而这种非线性变换是通过定义适当的内积函数实现的。

其最优分类函数为

SVM支持2类分类问题，对于多类问题则需采用多个2类分类来实现。

2.4 分类后处理

由于未倒塌建筑物边缘具有较高的对比度，因此使用SVM算法提取的结果中会包含一部分细小噪声，这些噪声通常表现为细长的条带状。实验中采用数学形态学的方法，包括开、闭运算以及面积阈值的方法，来除去提取结果中的噪声。开、闭算法是基于膨胀、腐蚀两种基本操作实现的。开操作能够保留前景区域中与结构元素相似的形状，或者能够完全包含结构元素的区域，而去除前景区域中的其他像素;闭操作能够保留背景区域中与结构元素相似的形状，或者能够完全包含结构元素的区域，而去除背景区域中的其他像素。在处理过程中，首先使用1.5个像素大小的圆形结构进行开运算，以消除建筑物边缘条带噪声;然后使用一个4.5个像素大小的圆形结构进行闭运算，以填补连接区域的空洞;最后，采用面积阈值去除微小噪声。

式中，sng［］为符号函数;ai＞0，为 Lagrange系数。由于非支持向量对应的ai均为0，因此式中的求和实际上只对支持向量进行。yi∈{+1，－1}是类别标号;b*是分类的域值;K(xi，x)为内积核函数。其中，较为常用的是以径向基核函数作为内积函数，即

3 实验结果

在图像分割过程中使用了航空影像红、绿、蓝波段数据以及nDSM数据，并对所使用的数据设置了相等的权重，其他分割参数的设置见表1，具体设置方法参见2.1节。

表1 图像分割参数Tab.1 Parameters for image segmentation

分割结果如图5所示。

图5 图像分割结果Fig.5 Segmented images

SVM内积核函数采用径向基核函数，其伽玛值参数设置为0.125，惩罚因子为100。监督分类中采用目视解译方法从航空影像中选取样本。提取结果进一步采用2.4节的方法进一步处理。

倒塌建筑物的提取结果及其局部与影像图叠加对比如图6所示。实验区内共提取152处倒塌建筑物(这里将连接在一起的建筑物作为一处)，面积为33 341 m2。与参考数据(目视解译结果)对比，I类误差(倒塌建筑物未能提取)和II类误差(误提取非倒塌建筑物)分别为14.5%和9.7%，总体精度为86.1%。

图6 倒塌建筑物提取结果Fig.6 The extracted result of collapsed buildings

实验中虽然有部分参数需要根据实际数据特点应用试错法确定，但整个处理过程全部由计算机处理完成，获取数据后，只要选定参数和样本，采用较高性能计算机，实验区全部数据处理在数分钟内即可完成，能够满足救灾应急需求。

4 结论

(1)应用高分辨率的LiDAR数据与航空影像数据，基于OBIA与SVM相结合的方法提取震后倒塌建筑物信息是有效的，该方法能够快速获取震后建筑物损毁信息，为减灾救灾、灾害评价等提供支持。

(2)该方法应用过程中的部分参数及样本还需要人工确定，如何对这些参数进行进一步优化，以提高信息提取过程中的自动化处理水平，还有待今后进一步研究。

［1］ 郭华东，鹿琳琳，马建文，等.一种改进的地震灾害倒塌房屋遥感信息自动识别方法［J］.科学通报，2009，54(17):2581－2585.

［2］ Kaya S，Curran P J，Llewellyn G.Post－ earthquake Building Collapse:A Comparison of Government Statistics and Estimates Derived from SPOT HRVIR Data［J］.Int J Remote Sens，2005，26(3):2731－2740.

［3］ Sakamoto M，Takasago Y，Uto K，et al.Automatic Detection of Damaged Area of Iran Earthquake by High－resolution Satellite Imagery［C］∥Proceedings of IGARSS’04.Alaska，2004:1418 －1421.

［4］ Turker M，San B T.Detection of Collapsed Buildings Caused by the 1999 Izmit，Turkey Earthquake Through Digital Analysis of Postevent Aerial Photographs［J］.Int J Remote Sens，2004，25(21):4701－4714.

［5］ Turker M，Cetinkaya B.Automatic Detection of Earthquakedamaged Buildings Using DEMs Created from Pre－ and Postearthquake Stereo Aerial Photographs［J］.Int J Remote Sens，2005，26(4):823 －832.

［6］ Gamba P，Dell’Acqua F，Trianni G.Rapid Damage Detection in the Bam Area Using Multitemporal SAR and Exploiting Ancillary Data［J］.IEEE Transactions on Geoscience ＆ Remote Sensing，2007，45(6):1582 －1589.

［7］ Alexander B，Christian H，Goepfert J，et al.Aspects of Generating Precise Digital Terrain Models in the Wadden Sea from Lidarwater Classification and Structure Line Extraction［J］.ISPRS Journal of Photogrammetry ＆ Remote Sensing，2008，63(5):510 －528.

［8］ Axelsson P.DEM Generation from Laser Scanner Data Using Adaptive TIN Models［J］.International Archives of Photogrammetry and Remote Sensing，2000，33(1):110 －117.

［9］ Baatz M，Schäpe A.Multiresolution Segmentation—an Optimization Approach for High Quality Multi－ scale Image Segmentation［C］∥Strobl J，Blaschke T，Griesebner G.Angewandte Geographische Informations － Verarbeitung XII.Karlsruhe:Wichmann Verlag，2000:12－23.

［10］ Haralick R M，Shanmugan K，Dinstein I.Textural Features for Image Classification［J］.IEEE Transactions on Systems，Man，and Cybernetics，1973，3(6):610 －621.

［11］于海洋，甘甫平，武法东，等.VHSR图像基于分割对象分类器性能评价［J］.国土资源遥感，2008(2):30－34.

［12］ Foody G M，Mathur A.Toward Intelligent Training of Supervised Image Classifications:Directing Training Data Acquisition for SVM Classification［J］.Remote Sensing of Environment，2004，93(1/2):107－117.

［13］ Vapnik V.The Nature of Statistical Learning Theory［M］.New York:Springer－ Verlag，1995.

The Detection of Earthquake－caused Collapsed Building Information from LiDAR Data and Aerophotograph

YU Hai－yang，CHENG Gang，ZHANG Yu－min，LU Xiao－ping
(Key Laboratory of Mine Spatial Information Technologies of SBSM，Henan Polytechnic University，Jiaozuo 454000，China)

Damage estimation caused by an earthquake is a major task in the post－ disaster mitigation process.To enhance the relief and rescue operation in the affected area，it is required to receive rapid and accurate knowledge about the conditions of damaged area.Remote sensing techniques were proved to be useful in the last decades in detecting，identifying and monitoring the impact and effect of natural disasters.Recently emerging LiDAR data provide the height of the ground objects，which can be used to extract the collapsed building in a complex urban environment.Using the aerophotographs and the normalized digital surface model(nDSM)extracted from LiDAR data，the authors developed a method based on OBIA and SVM for extracting the earthquake－caused collapsed building.The test study in Port－ au － Prince，Haiti’s capital，after January 12，2010 earthquake shows that the method can extract collapsed buildings with high accuracy of 86.1%.

Earthquake;Collapsed building;Information extraction;LiDAR;OBIA;SVM;Aerophotograph

TP 79

A

1001－070X(2011)03－0077－05

2010－12－25;

2011－01－28

国家重点基础研究发展计划项目(编号:2009CB226107)资助。

于海洋(1978－)，男，博士，地学信息工程专业，主要从事遥感与GIS地学应用方面的研究。

(责任编辑:刁淑娟)