基于Google Earth的高层建筑快速高度估计与三维可视化——以武汉市为例

张祚,李泳佳,胡学敏,陈昆仑,王振伟,金贵

(1. 湖北大学商学院 湖北 武汉 430062； 2. 湖北大学计算机与信息工程学院 湖北 武汉 430062；3. 湖北大学资源与环境学院 湖北 武汉 430062)

基于Google Earth的高层建筑快速高度估计与三维可视化
——以武汉市为例

张祚1,李泳佳1,胡学敏2,陈昆仑3,王振伟1,金贵3

(1. 湖北大学商学院 湖北 武汉 430062； 2. 湖北大学计算机与信息工程学院 湖北 武汉 430062；
3. 湖北大学资源与环境学院 湖北 武汉 430062)

基于Google Earth影像数据，综合利用边缘密度和HSV颜色模型，快速识别高层建筑阴影并对高层建筑的高度进行估计.利用获得的估计结果，通过KDE快速实现高层建筑在GIS环境中的三维可视化.选取武汉市中心城区为研究区域，实证分析发现：该方法能有效识别标记高层建筑阴影，并快速估算高度；快速三维可视化能反映高层建筑的全局空间分布特征.

阴影识别；高度估计；三维可视化；Google Earth

0 引言

作为城市空间体系中的重要组成部分，高层建筑一方面在快速城市化的过程中对城市用地矛盾特别是中心城区的用地矛盾起到了一定缓解作用，另一方面，高层建筑也改变着城市的空间和交通格局[1-2].此外，建筑的高度和体量决定了对于城市环境的影响程度，高层建筑对城市光线、日照、阴影、噪声、空气流动等都有较大影响[3].特别是高层建筑投下的阴影极大地改变该区域的环境质量，影响小气候以及遮断视景.对室内温湿度产生负面影响[4].因此，如何在较便利的条件下快速掌握城市高层建筑的阴影投射范围和建筑高度，对于城市规划、管理和环境控制有着重要意义.

随着高分辨率民用卫星逐渐商业化运行，实时、高精度、可靠的遥感数据越来越受到大家的广泛认可与重视.基于卫星图像上建筑物阴影与实际几何高度关系[5]，利用高分辨率卫星图片估算城市建筑物高度的相关研究逐渐增多.其中所用到基本卫星图像包括：IKONOS卫星图像[6]、SPOT卫星图像[7-8]、ALOS卫星图像[9]、QuickBird卫星影像[10].然而，Google Earth作为一个基于互联网显示地球表面卫星图像的数据应用平台，虽然分辨率通常只能达到15 m[11]，但由于其面向公众且易于使用，不但在全球范围为获取卫星图像提供了便利，也有助于激发空间思维、开发关键技术[12].有研究已开始关注如何利用免费的Google Earth快速获取某一建筑物高度数据的方法.例如：安洁玉等基于Google Earth二维影像集合SketchUp软件的基本建模和光照模拟，快速估计建筑阴影和高度[13].但是，利用来源于Google Earth的卫星图像，如何在分辨率并不高的情况下能较准确地识别建筑阴影，并能通过便捷的计算快速估算建筑的实际阴影和高度的方法仍需进一步改进.

对于城市高层建筑的三维可视化，传统的基于AutoCAD[14]、Sketchup[15]，3DMAX[16]平台的建模能较好地表达建筑形态、材质和细节，但对数据信息需求量较大、建模周期也较长.三维激光扫描所采集的点云数据，可以实现建筑的快速三维建模[17]，但数据采集工作量大、成本高.本文中尝试在对高层建筑形态和细节不作严格要求的前提下，基于KDE(Kernel density estimation)模型，仅依靠高层建筑高度数据和位置信息，快速实现对于研究区域高层建筑空间分布的三维可视化.

本文中基于建筑阴影形成的原理，提出综合利用边缘密度和HSV(hue-saturation-value)颜色模型识别Google Earth二维影像中的高层建筑阴影，利用在线计算太阳高度角的工具，快速完成建筑高度和阴影长度的估算，并选择武汉市较典型的高层建筑进行估算，且对结果进行检验.此外，在检验结果可接受的基础上，本文中进一步对所选研究区域内的其他高层建筑的高度进行估计，并基于KDE计算结果在ArcScene环境中快速实现高层建筑的三维可视化.

1 方法与原理

1.1 建筑阴影的快速识别 针对Google Earth影像分辨率相对不高、高楼阴影与其他地物和自然要素较难区别等问题.本文中综合利用基于Canny算子边缘密度和HSV颜色模型对二维图像高楼阴影进行检测.其中：Canny算子自1986年被提出后[18]，已成为众多边缘检测方法中的标准[19]；HSV是一种基于人眼视觉感知特征的颜色模型，主要通过色度(hue)、饱和度(saturation)和亮度(value)三要素对颜色进行表达[20].本文中采用的方法主要基于如下两条技术路线，主要流程图如图1所示.

图1 高楼阴影识别与检测流程

第一条技术路线：首先，对原始图像进行灰度化，并采用Canny算子对灰度化后的图像进行边缘提取，得到边缘图像.由于高楼阴影部分的细节较少，其边缘密度较低，因此本文中采用滑动窗口对边缘图像计算局部的边缘密度，然后利用通过经验得到的阈值对边缘密度图像进行二值化，提取边缘密度较低的图像区域.

第二条技术路线：将原始Google Earth影像从RGB颜色模型转换到HSV颜色模型.由于阴影区域的饱和度和亮度比其他区域低，因此本文中针对HSV模型的S通道和V通道，设置一个联合阈值，对图像进行二值化处理.若图像中像素点的S和V通道的值均低于既定阈值，则此像素点标记为候选阴影点，否则为背景像素点，得到图像的二值分割结果.

基于边缘密度和HSV模型分别得到各自的候选阴影区域后，采用数学形态学的方法对二值图像进行后处理，去除在二值化过程中产生的噪点，并采用二值图像逻辑运算的方法，将两副二值图像进行融合.最后，由于同一时刻的阴影的方向具有一致性，因此本文中对候选阴影区域进行形状和方向分析，去除伪阴影区域，标记阴影区域.

图2 高层建筑阴影呈现原理

1.2 建筑高度快速估计原理 高分辨率影像图中，阴影表现为低亮度值，其分布范围反映地物成像时遮光情况的二维信息，可以通过阴影长度与建筑物高度的几何关系来确定地表建筑物的高度数据.在不考虑太阳方位角对建筑物阴影影响的情况下，太阳高度角、卫星高度角与建筑物高度、阴影的关系如图2所示.图中：设建筑物的高度为H，建筑物阴影的总长度为S，α是卫星高度角，β是太阳高度角.在二维图像中的阴影成像的部分为L2，建筑物的阴影实际长度为S，则：

L2=S-L1=H/tanβ-H/tanα

(1)

H=L2·tanα·tanβ/(tanβ-tanα)

(2)

如果卫星传感器扫描方向与太阳照射方向相反，即太阳方位角和卫星方位角差值≥180°,即可看到影子的全部，这时L1=0，L2=S，则：

H=S·tanβ

(3)

(4)

δ=tanα·tanβ/(tanβ-tanα)

(5)

1.3 高层建筑快速三维可视化 Kernel密度估计(KDE) 也称作Parzen窗式法(Parzen Window Method)是一种非参数估计方法，主要用于对随机变量密度函数进行估计[21].KDE在空间分析中是一种有效地对于“冷点”和“热点”进行识别和分析的信息探索工具[22].核心方法是假设x1，x2，……，xn是函数f的随机变量且密度函数f(x)未知，则在点x的密度由下式估计：

(6)

式中，N是观测值的个数；h称为带宽(bandwith)，为平滑参数(smooth parameter)；K(·)是均值为0、方差为1的标准高斯核函数.由此可知，函数方差由参数h间接控制.本文中采用高层建筑的估计高度作为KDE的带宽，完成对于高层建筑高度的密度估计，并基于估计值快速实现高层建筑的三维可视化.

2 实证分析结果

2.1 研究区域与研究对象 武汉市作为国家区域中心城之一，在快速城市化进程中，一方面城市空间不断向外扩张[23]；另一方面城市空间随着高层建筑的大量涌现，也不断向垂直方向发展[24].本文中以武汉市三环线以内的中心城区作为研究区域.由于高层建筑物阴影随其地理位置和拍摄时刻太阳高度角的不同而变化，基于Google Earth历史图像功能，以光线充足、阴影可见性强、遮挡物尽量较少为原则，选择2012年12月30日研究区域的历史卫星图像作为二维图像数据源.同时，选取武汉市中心城区4栋有代表性的高层建筑作为研究对象.其中：建筑A(见图3a1)用来计算卫星高度角并确定建筑物的高度与建筑物阴影长度关系的系数，建筑B(见图3b1)、建筑C(见图3c1)与建筑D(见图3d1)则用来对快速估算结果进行检验.

获取4栋高层建筑的Google Earth二维卫星图像后，进一步利用C++编程语言实现综合采用Canny算子边缘密度和HSV颜色模型对二维图像高楼阴影进行检测.图3中的a1、b1、c1、d1分别是建筑A、B、C、D的原始二维卫星图像；a2、b2、c2、d2则分别是建筑A、B、C、D的经过阴影识别检测后的结果.

图3 Google Earth中的武汉市典型高层建筑及阴影识别

为了验证本文中所用方法计算结果的正确性与可信性，分别利用典型高层B、C、D进行高度估算实验和结果检测.首先，分别在经过阴影识别检测的图像上获取各建筑阴影在二维图像上的成像部分L2，并通过公式(4)分别得到各建筑的估计高度(表1).经过计算得到三幢建筑的估计值，并与资料数据中建筑的实际高度对比，误差均在3 m之内(表1).由此可见，本次计算所应用的方法对于高层建筑的高度的快速获取，特别是对于精度不做严格要求的估计值有较理想的可行性.此外，基于太阳高度角β，在快速获得高层建筑高度估计值的基础上可进一步根据公式(3)得到高层建筑实际阴影的长度.

表1 估计高度与实际高度对比与误差 m

2.3 快速三维可视化 基于所选典型高层建筑估计高度计算结果与实际高度结果误差在可接受范围内的验证.本文中继续采用前文所述方法，首先对武汉市中心城区Google Earth卫星图像中135栋高层建筑的阴影进行识别和高度估计.表2显示了这135栋高层建筑估计高度及根据公式(3)计算得到高层

表2 高层建筑估计高度与阴影长度基本统计信息 m

图4 武汉市中心城区高层建筑快速三维可视化场景

建筑相应实际阴影的长度的基本统计信息.其次，逐一记录每栋建筑的地理位置数据.此外，基于谷歌在线地图(Google Map)，利用ArcGIS创建包括：环线、道路、水体、绿地等主要地理要素在内的GIS空间分析环境(图4a)，并将武汉市中心城区135栋高层建筑的位置信息导入，以点数据的形式存储相应的高度数据.最后，以估计高度作为关键参数，在ArcGIS中完成对所需高层建筑高度的密度估计的计算，并以高层建筑高度估算结果作为拉伸参数，实现快速的三维可视化(图4).

为了更好地观察高层建筑三维可视化后的空间分布特征，在高层建筑快速三维可视化场景中除了俯视图(图4a)，还选择了东-西向侧视图(图4b)和南-北向侧视图(图4c)进行表达.图4为快速地在较大尺度观察和分析城市高层建筑的空间分布形态和特征提供了基础.从图4a中可见，武汉市主要高层建筑主要集中在二环线以内；从图4b中可见，武汉市主要高层建筑在东-西向呈现“西高东低”趋势；从图4c中可见，武汉市主要高层建筑沿中心线分别向南、北向递降.

3 小结

本文中以广泛应用的免费软件Google Earth作为二维卫星影像的数据源，尝试对图像中的高层建筑阴影进行快速识别，并基于高层建筑阴影和卫星影像中成像关系对高层建筑的高度进行估计，进而尝试利用高层建筑的位置信息和估计高度快速实现在三维场景中对于城市高层建筑的可视化.本文中选取武汉市中心城区作为研究区域，通过实证分析，结果发现：

1) Google Earth提供的城市卫星影像，虽然分辨率有限，但是数据可获得性强.通过历史图像功能，选择质量较好的图像数据源.通过对所选的武汉市中心城区高层建筑综合利用边缘密度和HSV颜色模型对二维影像中的高层建筑阴影进行检测和识别的前后图像对比发现，该方法虽然在区分重叠阴影和水体方面有待改进，但是为获取高层建筑阴影的基本标记及高层建筑阴影二维影像中的长度数据，并对高层建筑高度进行估计提供了重要基础.

2) 基于建筑阴影形成的原理，通过对Google Earth影像中高层建筑阴影的识别与测量，依据高层建筑阴影在二维影像中的长度、实际阴影长度、卫星高度角、太阳高度角和建筑高度之间的关系，结合在线太阳高度角计算工具，快速完成对于研究区所选典型高层建筑高度的估算.估算结果与实际高度值的对比发现，误差在可以接受的范围内.

3) 通过对所选研究区域内的其他高层建筑的高度进行快速估算，进一步在GIS环境中利用KDE方法在ArcScene环境中快速实现武汉市中心城区高层建筑的三维可视化.可视化结果能有效反映高层建筑的空间格局与变化趋势，并从不同视角反映研究区高层建筑的空间分布形态和特征.如：武汉市主要高层建筑主要集中二环线以内；在东-西向呈现“西高东低”趋势；沿中心线分别向南、北向递降等.

4) 本文中设计的“建筑阴影的快速识别——城市高层建筑高度的估算——三维可视化”技术路线实现方法快速、简便，数据来源及计算工具都尽量利用在线资源，能有效节省成本.因此，该技术路线不但为实际规划、管理和工程应用提供可选快速应用方案，同时技术路线中的城市高层建筑高度的估算与三维可视化方法对于大专院校相关专业的教学实验课程也有一定参考价值.

[1] 王述琦. 城市空间体系中的高层建筑[J].天津建设科技,2002(3):26-28.

[2] 陶亮,朱喜钢. 高层建筑景观空间分布特征研究——以南京市为例[J].现代城市研究,2005(07):40-45.

[3] 李洪刚. 高层建筑与城市环境[J].安徽建筑,2003(01):23-26.

[4] 润敏,于长海,王波. 高层建筑及其城市生态环境研究[J].工业建筑,2002(3):16-18+13.

[5] White D,Kimerling A J,Overton W S. Cartographicandgeometric components of a global sampling design for environmental monitoring[J].Cartography and Geographic Information Systems,1992,19(1):5-22.

[6] 谢军飞,李延明. 利用IKONOS卫星图像阴影提取城市建筑物高度信息[J].国土资源遥感,2004(4):4-6.

[7] Cheng F, Thiel K H. Delimiting the building heights in a city from the shadow in a panchromatic SPOT-image—part 1:test of forty-two buildings[J].Remote Sensing, 1995, 16(3): 409-415.

[8] 何国金,陈刚,何晓云,等.利用SPOT图像阴影提取城市建筑物高度及其分布信息[J].中国图象图形学报,2001,6(5):426-428.

[9] 张晓美,何国金,王威,等. 基于ALOS卫星图像阴影的天津市建筑物高度及分布信息提取[J].光谱学与光谱分析,2011(07):2003-2006.

[10] 黄蓉,李丹,乔相飞.基于QuickBird卫星影像阴影的青岛市建筑物高度提取[J].测绘通报,2012(S1):281-283,316.

[11] Clarke P, Ailshire J, Melendez R, et al. Using Google Earth to conduct a neighborhood audit: reliability of a virtual audit instrument[J].Health & Place, 2010, 16(6): 1224-1229.

[12] Patterson T C. Google Earth as a (not just) geography education tool[J].Journal of Geography, 2007, 106(4): 145-152.

[13] 安洁玉,程朋根,丁斌芬. 基于Google Earth二维影像获取建筑物高度的方法[J].地理与地理信息科学,2010(6):31-33,37.

[14] 王延亮,宋铁钧,王丹睿. 城市建筑三维建模算法研究[J].测绘工程,2004(4):16-18.

[15] 李想,李海亭,刘扬,等. 基于Sketchup利用大比例尺地形图制作城市三维建筑模型的方法[J].城市勘测,2013(2):58-61.

[16] 梁明,孙毅中,胡最. 基于图形识别的建筑模型三维重建[J].测绘科学,2014(1):125-128.

[17] 沈蔚,王林,王崇倡,等. 基于LIDAR数据的建筑三维重建[J].辽宁工程技术大学学报(自然科学版),2011(3):373-377.

[18] Canny J. A computational approach to edge detection[J].IEEE Transactions on Pattern Analysis and Machine Intelligence, 1986 (6): 679-698.

[19] 王植, 贺赛先. 一种基于Canny理论的自适应边缘检测方法[J].中国图象图形学报, 2004, 9(8):957-962.

[20] Holten D, Wijk J V, Martens J B. A perceptually based spectral model for isotropic textures[J].Acm Transactions on Applied Perception, 2006, 3(4):376-398.

[21] Kemp K K. Encyclopedia of geographic information science[M].London: Sage Publications, Inc, 2008:247 -248.

[22] De Smith M J, Goodchild M F, Longley P. Geospatial analysis: a comprehensive guide to principles, techniques and software tools[M].London: Troubador Publishing Ltd, 2007.

[23] Du N R, Ottens H, Sliuzas R. Spatial impact of urban expansion on surface water bodies—a case study of Wuhan, China[J].Landscape and Urban Planning. 2010, 94(3): 175-185.

[24] 于卓,相斌,吴志华. 基于GIS的武汉市垂直空间增长影响因素分析[C].武汉：2010国际计算机科学技术与应用论坛论文集,2010.

(责任编辑 郭定和)

A fastmethod of height estimation and three-dimensional visualization of high-rise buildings based on Google Earth: case study of Wuhan

ZHANG Zuo1,LI Yongjia1, HU Xuemin2, CHEN Kunlun3, WANG Zhenwei1, JIN Gui3

(1. School of Business，Huhei University，Wuhan 430062，China;
2. School of Computer Science and Information Engineering, Huhei University，Wuhan 430062，China;
3.School of Resources and Environmental Science，Huhei University，Wuhan 430062，China)

High-rise buildings are important parts of urban space system and urban environment, and how to acquire the shadow zone and the height of high-rise buildings by a fast way is significant for urban planning and urban management.We synthesize edge density and Hue-Saturation-Value (HSV) color spaceto detect the shadow of high-rise buildings and fast estimate their heights based on Google Earth image; further implements Kernel density estimation (KDE) and the results of height estimation to realize the fast three-dimensional (3D)visualization of high-rise buildings. We selects core areas of Wuhan City for empirical analysis and find that: this method is able to effectively detect and mark the shadow zone of high-rise buildings in Google Earth image and quickly acquires the height of these buildings; fast 3D visualization provided a basis for understand the global spatial features of high-rise buildings.

shadow detection; height estimation; 3D visualization; Google Earth

2016-03-21

国家自然科学基金(41201164、41641007、41401181、41501593)，武汉市科技局软科学研究项目(2016040306010206)，湖北省高等学校省级教学研究项目(2015219)和湖北大学教学研究项目(201516) 资助

张祚(1982-)，男，副教授，E-mail:zhangzuocug@163.com

1000-2375(2017)02-0188-07

K909;F292

A

10.3969/j.issn.1000-2375.2017.02.016