基于高精度DSM的建筑物高程信息提取

王莉，马红，周智勇，柴洁

(重庆市勘测院，重庆 400020)

1 引言

随着“数字城市”、“智慧城市”的发展，三维城市模型以其丰富的空间信息、真实直观的实物表达方式，使用户能够在三维环境下对城市实体进行浏览、分析和决策。目前，三维建筑模型作为城市模型的主体内容，其高程数据来源主要包括地形图和楼层、航空摄影测量数据和竣工测量数据等。由于数据源多样化和现势性的差异以及建模方式和人工干预等因素的影响，建筑物三维模型的高程精度受到严重影响。

建筑物作为城市区域的一个重要特征，如果没有准确高程信息，它在当前的城市建设管理、数字城市建设、信息化建设、灾害应急等方面的应用都受到极大限制，尤其在城市规划领域几乎无用武之地［1，2］。为了推广三维城市模型的应用，准确获取其高程进而构建高精度的三维模型显得尤为重要。在现有平面基础地理信息数据中重新进行立体测图以获取缺失的高程信息，劳动强度大，且效率低下;通过遥感立体成像技术或多向重复航拍来获取不同拍摄角度的建筑物立体相对，利用立体像对之间的视差关系来计算建筑物高程信息，采集过程复杂，且效率低下;利用高分辨率SAR影像或机载LIDAR数据与遥感光学图像融合来提取建筑物高程信息，设备昂贵，且采集过程复杂。考虑到DSM(Digital Surface Model，即数字表面模型)具有丰富的建筑物高程信息，可以通过制作高精度DSM数据，将现有基础地理信息数据和DSM数据相结合，进而获取建筑物的精确高程信息［3］。

2 基于像素工厂的DSM制作

DSM是反映城市信息的重要数据源之一，传统基于航空摄影测量的DSM获取主要借助全数字摄影测量工作站来完成［4～6］，如VirtuoZo、Jx4、Mapmatrix等。这种自动匹配的结果与影像的质量和点数相关，在城区建筑林立密集处，DSM突变情况较多，不能准确反映建筑物表面形态。这就需要人工采集，工作量大，处理复杂，尤其是多面坡顶、塔顶等复杂建筑物的处理。

像素工厂是集自动化、集群式、分布式并行处理和远程管理于一体的高性能遥感影像数据自动化处理系统。像素工厂使用每个立体像对生产一个DSM影像数据，通过对子DSM数据进行合并和过滤处理的自动化数据处理，再对DSM进行微调和局部修正。使用像素工厂的 DSM编辑器提供的过滤器如:Interpolate DSM、DSM2DTM或Filter Elevation Image，对高程影像数据进行快捷浏览和编辑处理，如图1所示。

图1 像素工厂DSM编辑器高程影像数据的编辑处理

绘制建筑物的外圈边界过程中，建筑物内部区域受到了过滤功能的影响，如图2(a)所示;如果在过滤过程中，创建带有孔的过滤多边形，建筑物包围的内部区域将不会受到过滤功能的影响，如图2(b)所示。在处理过程中，通过异常值探测处理来消除局部高程异常值。

图2 DSM编辑器过滤高程影像处理

3 利用DSM提取建筑物高程

利用DSM数据提取建筑物高程信息，首先需要提取建筑物的有效轮廓，确定建筑物主体，然后分割DSM点云数据，获得建筑轮廓范围内的有效DSM点集，再利用有效DSM点云计算出建筑物的高程信息。提取流程如图3所示。

图3 利用DSM提取建筑物高程流程

3.1 DSM数据获取和建筑物轮廓信息提取

本文利用像素工厂DSM编辑器生成高精度DSM，分辨率为 0.4 m。考虑充分利用现有测绘成果的1∶500地形图，利用 1∶500数字线划图提取建筑物的轮廓信息，在 1∶500 DLG(数据格式为DGN)中提取建筑物矢量边界，并进行接边处理、合并处理和构面处理得到建筑物的精确轮廓信息，并将其转化为Arc-GIS Shape File格式。利用DSM数据和精确的建筑物轮廓就可以提取建筑物高程。

3.2 改进的最大似然提取建筑物高程信息

在众多基于统计模式的分类方法中，采用有着严密理论基础的最大似然法提取建筑物高程信息。最大似然法是基于Bayse判别，它要求数据符合正态分布［7，8］。而建筑物有效轮廓范围内的DSM点云数据是近似正态分布，对于这种近似正态分布的遥感数据，以往通常按照高斯正态分布来处理［9］，处理结果欠佳。为此，本为采用一种改进的最大似然方法来提取建筑物的高程信息，以提高高程信息的准确度。

4 DSM建筑物高程提取实验

4.1 建筑物轮廓精化处理

首先，为了提取精确的建筑物轮廓信息，将从地形图上得到的轮廓信息内缩4个像素，如图4所示。这样做有以下目的:①消除 1∶500地形图和DSM影像数据之间的套合误差;②减小噪声无值区的影响;③排除建筑物顶部边缘女儿墙的影响。

图4 建筑物轮廓精化处理

4.2 确定建筑物顶部类型

将精化处理后的建筑物轮廓视为有效轮廓，提取有效轮廓内的点云数据。统计分析有效点云的高程值，并根据统计结果判定建筑物顶部类型，如图5所示，如果统计类型满足图中虚线的分布情况，则判定为带电梯井的建筑物，如果统计类型满足图中实线的分布情况，则判定为普通平顶型建筑物。

图5 建筑物高程信息分布情况

4.3 提取不同顶部类型的高程

根据3.2统计的结果，分别提取不同类型的建筑物高程信息。针对带电梯井的建筑物，需要统计主体建筑的高度和电梯井的高度。通过计算的每个高程点云分布概率，设定阈值∂，提出比例小于∂的点云高程值，比例大于∂的点云高程值参与计算，通过最大似然法提取主体建筑物的高程，假定提取到的主体建筑物高程为H0。利用提取到的主体建筑物高程，设置电梯井的高度为h(本文涉及的重庆地区建筑电梯井设置为 4 m～15 m);剔除DSM中高程值小于H0的点云值，高程值大于H0的点云参与计算，利用最大似然发提取电梯井的高度，设定为Hj。通过这种改进的最大似然法提取到的H0和Hj分别为主体建筑物的高程和电梯井高程。

针对普通平顶型的建筑物，即有效点云分布满足图5中实线分布的情况，可以判定其基本符合高斯正态分布，直接采用最大似然值计算有效点云内的高程，计算结果H即为普通平顶型建筑物的高程值。

5 实验结果及分析

本文选取的实验区为重庆市江北片区和渝北部分区域区域覆盖面积 32 km2，如图6所示，建筑物总面积 7.01 km2，建筑物总个数 40 305个。实验通过像素工厂生成的区域高精度DSM(如图7所示)，分辨率为 0.4 m，影像大小为 653 M，生成耗时为 53.7 h。通过本文设计的程序提取 40 305个建筑物的高程信息耗时为 3.8 h。

精度分析通常采用更高精度的数据验证或实地验证［10］方式完成。本文采用立体模型采集方式获取的高程和RTK动态测量的高程精度验证本文提取结果。首先，随机抽取20个建筑物，采用外业RTK实测方式和内业立体模型采集检验提取精度，分析结果如表1所示。

图6 实验区域建筑物轮廓提取结果

图7 实验区域高精度DSM影像

立体模型采集高程精度分析 表1

通过表1的精度分析结果可以看出，20个样本中，立体采集模式提取的建筑物高程与RTK实测高程相差不大，最大差值为 0.55 m，中误差为 0.35 m，说明立体模型采集的高程十分准确，可以作为精度评定的依据;将DSM提取的高程与RTK实测精度进行比较，最大误差为 1.8 m，中误差为 0.57 m，证明在少量样本监测中，DSM提取的建筑物高程比较准确。

根据表1的分析结果可知，立体模型采集方式提取的高程信息十分准确，可以作为精度评定的依据。在试验区中，为了验证本文提取精度的可靠性，再随机抽取200个建筑物，通过内业立体采集模式获得200个建筑物的高程信息，将采集结果与本文计算结果进行对比分析，分析结果如表2所示。由表2的分析结果可以看出，本文通过高精度DSM提取到的建筑物高程信息最大误差为 1.99 m，中误差为 0.61 m，整体精度控制在亚米级。

RTK实测精度分析 表2

6 结论

本文阐述的方法能批量提取一定区域范围内的建筑物高程信息，对于建筑物的主体高度的整体精度达到亚米级，可以用于批量修正三维建筑模型，大大降低了人工检查模型的劳动强度，节约了三维建模的成本。如果将此方法推广应用，对城市的管理与规划、消防救灾等与建筑物高度密切相关的领域将起到很大的推动作用。

根据DSM数据的现势性，本方法可以拓展应用于不同的领域。如果DSM数据的现势性高于建筑物三维模型的源数据，可以利用本文方法检测建筑物的拆除和新建情况;如果DSM数据的现势性与建筑物三维模型的源数据相差不大，本方法可以用来检查和纠正建筑物模型的高度。本文通过充分挖掘DSM数据，将DSM数据与城市三维模型有机锲合在一起，促进了城市三维模型的建设与应用，同时也促进了智慧城市的建设。

［1］ 曹敏，史照良，沈泉飞.基于高精度DSM的建筑物三维几何模型构建［J］.测绘通报，2011，10:117～179.

［2］ 谭仁春，江文萍，杜清运.三维GIS中建筑物的若干问题探讨［J］.测绘工程，2003(1):54～61.

［3］ 穆利娜，李发红.城市DSM的获取技术与应用［J］.陕西师范大学学报，2008(6):224～227.

［4］ 冯琰，郭容寰，程远达.基于机载LIDAR技术快速建立三维城市模型研究［J］.测绘与空间地理信息，2008(4): 143～147.

［5］ 朱国敏，马照亭，孙隆祥等.城市三维地理信息系统中海量数据的数据库组织与管理［J］.测绘科学，2008(1): 142～147.

［6］ 穆超，余洁，许磊等.基于高分辨率遥感影像的DSM建筑物点的提取研究［J］.武汉大学学报，2009，4(19):115～117.

［7］ Pao La JD，Schowenger R A.A detailed comparison of back propagation neural network and maximum－likelihood classifiers for urban land use classification［J］.IEEE Trans on Geo science and Remote sensing，1995，33(4):981～996.

［8］ Solberg S，Jain A K，Taxt T.Multisource classification of remotely sensed data:Fusion of Landsat TM and SAR Images［J］.IEEE Transactions on Geo science and Remote Sensing，1994，32(4):768～777.

［9］ 吴连喜，王茂新.一种改进的最大似然法用于地物识别［J］.农业工程学报，2003，4(19):54～56.

［10］ 马红，梁建国.基于马尔可夫链模型的土地利用变化检测［J］.城市勘测，2003(4):112～115.