基于LiDAR数据的面向对象高分辨率影像建筑物提取研究

李 慧 贾亚红

内蒙古自治区测绘院

基于LiDAR数据的面向对象高分辨率影像建筑物提取研究

李 慧 贾亚红

内蒙古自治区测绘院

本文基于面向对象的思想，通过点云数据生成数字表面模型(DSM)，在此基础上对影像分割成若干同质区域，通过充分挖掘遥感影像丰富的光谱、形状、空间语义关系以及LiDAR的高度特征，构建建筑物对象的特征知识库，使得识别结果更为精确。实验表明，基于LiDAR数据辅助的建筑物提取方法与只利用高分辨率影像特征分类对比表明，使用LiDAR数据辅助影像分类能够较大的提高精度。

LiDAR；面向对象；分类

0 引言

近年来机载激光扫描LiDAR得到了迅速的发展，作为一种快速获取三维的空间信息的方式，其在数字城市、城市规划、交通运输、和预防地震洪涝灾害等领域中起到至关重要的作用。与LiDAR数据相比，航空遥感影像提供了大量丰富的光谱和空间纹理等信息。每种数据源都有其自身的优势和局限性，而单纯利用一种数据源对地物进行分类与提取在精度上都会有所限制。

由于激光点云和航空影像数据之间可以弥补彼此的不足，许多学者对其进行了研究，钟良[1]提出了LiDAR数据和同机获取的航空影像融合的地物分类算法。他利用激光点云和航空影像两类传感器数据采用基于半监督多层次多特征的融合分类方法。尤红建等[2]通过影像分割将遥感信息和高程信息结合起来进行建筑物轮廓提取；谢瑞[3]等提出将机载激光扫描LiDAR数据与航空影像融合进行地物分类的思想，实现基于面向对象和单像元的复杂城区多级地物分类，实践证明数据融合是一种有效可行的地物分类方法[4]。根据航空影像与LiDAR各自的特点，本文基于面向对象的方法，充分挖掘通过充分挖掘遥感影像丰富的光谱、形状、空间语义关系以及点云的高度特征，通过构建建筑物对象的特征知识库，使得识别结果更为精确。

1 研究方法

1.1 分割方法

面向对象技术分析的基本单元是影像对象，是一种新的分类方法。对象生成是使用一种分割技术生成不同特征值的影像对象的过程，分割后的对象包含丰富的语义信息用来满足图像分类的要求，影像分割结果的好坏直接影响后续遥感影像分析与理解。

图像有多种不同的分割方法，而不同分割方法又有着不同的特点。这些分割方法分别是：棋盘分割、四叉树分割、多尺度分割、光谱差异分割。

多尺度分割算法是一种常用的算法，这种算法是自上而下的算法，在算法主要是合并周围相邻的像素或是一些比较小的像素，在保证对象之间差异性最小、内部性质最大化相同的程度下，在区域分割的基础上实现了目标的分割。多尺度分割方法相对来说没有那么复杂，并且分割效果可以达到较好的水平。多尺度分割算法合并周围相邻的像素或是一些比较小的像素，保证对象之间差异性小，内部性质最大化相同的程度，在区域分割的基础上实现了目标的分割。在本文中，使用这种多尺度分割方法对影像进行分割。

1.2 特征选择

遥感影像被分割为图形对象后，从理论上讲存在三类特征[5]。一是内在特征，主要包括对象的色彩、纹理和形状；二是拓扑特征，该特征用来描述对象间或一幅图像内部几何关系，主要包括左右关系、距离、包含等；三是上下文特征，描述对象间语义关系的特征。除此之外还包括LiDAR数据产生的高度特征，用于辅助影像分类。通过构建特征知识库，使每个对象和其他地物对象很好的区分开来，从而实现各种地物的分类。

1.3 分类方法

高分辨率遥感影像中同一地物类别内部丰富的细节信息得到表征，空间信息更加丰富，同时可以更好地反映地物的尺寸、形状及相邻地物的关系。分辨率的提高影响光谱特征的稳定性，具体表现为类内方差变大，增加了同类之间的光谱异质性，类间方差减小，减少了异类之间的光谱同质性，使得传统的光谱分类方法对高分辨率影像分类也不能得到满意的结果[6]，由于高分辨率影像上地物的结构特征成为分类的主要依据，因此，基于对象的图像分析在研究中得到重视[7]。

模糊理论是近年来发展的一种新的理论，模糊数学分类方法就是以模糊理论为基础，是一种针对不确定性事物的分析方法，在分类过程中使用某种函数把影像对象的特征值通过计算转换为模糊值，用来表示属于某一类的隶属度。基于模糊逻辑分类主要包括两种不同类型的分类器：最近邻法和成员函数(也称模糊规则法。模糊规则方法使用隶属度函数模拟对象特征与类别间的隐含关系，隶属度函数模拟真实系统的知识越好，分类的最终结果就越好。另一种方法是通过训练样本来评估出对象特征之间的关系，然后基于样本自动生成多维隶属函数，这种方法就是面向对象的最邻近分类法。

2 实验与结果分析

本文使用LiDAR数据和高分辨率影像相结合来进行建筑物的提取。使用数据包括高分辨率航摄影像和对应的LiDAR数据，一方面航空影像具有较高的分辨率，能提供较多的细节特征，使得在较小的空间尺度上就可以观察地表细节的变化，另一方面LiDAR提供高度信息，如图1所示：

多尺度影像分割将大量的像素合并到一个影像对象中，会有一定的信息损失，但如果影像对象以一种合理的方式生成，即采用合适的分割尺度，就会有大量的除了光谱值的新特征可以用来描述影像对象，如形状、纹理或者上下文。分割后影像的质量与分割尺度、波段权重与两个分割属性因子：色彩与形状(光滑度、紧密度)有关[8]，根据影像的光谱和几何特征，将影像划分为不同的对象。

本文使用多尺度分割方法进行分割，分割使用的图层包括红色、绿色、蓝色和DSM四个图层，对应的权重为1：1：1：1，得到的分割效果如图2所示，明显可以看出将房屋分割对象具有较高的同质性，能够很好地将房屋与其他地物区别开来。

建筑物用地是由建筑物及少量道路、空地及绿地等组成的混和体，影像混合像元较多，存在同物异谱和异物同谱的现象。从影像中可以看出建筑物的特点如下：1.建筑物与周围背景高差较大。2.建筑物的灰度值分布均匀但是不同灰度的建筑物在形状纹理有很大差异。3.由于建筑物的高低起伏和受光照影响，造成建筑物之间有大量阴影的存在，部分建筑物由于树木或者树木阴影的遮挡，分割后形状不完整，很难采用单独统一的几何特征描述形状[9]。

在分割得到的对象层的基础上针对地物不同特点使用均值、拓扑关系及对象间语义关系等特征。算法选定后，定义特征空间，形成知识库结构，根据隶属度函数构建分类方法。

首先使用Mean DSM特征将阈值调整在765-814.45可以将建筑物的轮廓大致提取出来，通过建立规则，建立分类体系可以初步将建筑物提取出来，这样提取出来的建筑物里还有一部分树在里面。

建筑物与树木通过LiDAR高度特征可以看出，树木的分割对象中较高的高度和较低的高度往往距离较近，树木的异质性明显要远远高于建筑物，使用标准差即Stddev.Of DSM特征建立模糊规则重新分类将误分类进来的树在类提取出去，以达到提取建筑物的目的。

最后一些建筑物的分类不是很明显，有的地方略有残缺，是因为提取精度不高，所以分类提取不全面，接下来使用绿色波段光谱信息、面积、建筑物周边关系等特征使用模糊分类方法，将建筑物完整的进行提取与优化，优化结果如图3所示。

为对比分析，本实验针对航空影像不使用LiDAR数据进行分类，分类提取最终效果如图4。

为了定量评价算法性能，本文采用误分率和漏分率作为评价指标，将建筑物的提取结果和人工提取参考结果进行基于像素的比较。分别统计提取面积M1与实际参考面积M2。设正确分类面积为T，错分面积为F，漏分面积为L，面积按像素数计算，则：正确率=T/M1，错分率=F/M1，漏分率=L/M2。通过对这些错分、漏分像元数目的统计计算，就可以采用像素数量误差作为定量评价指标，对提取结果进行精评价，统计正确提取的百分率、错误提取的百分率以及漏提取的百分率，见表1。

与未使用LiDAR数据的影像建筑物分类提取相比较，使用LiDAR数据影像分类提取建筑物能够很好地将建筑物与其他地物区别开来，可以达到预期的效果，省事、方便，而且分类精度比没有LiDAR数据影像分类精度要高。

3 结论

本文通过面向对象的方法利用LiDAR数据分割航空彩色影像，把分割后的同质区域作为待分类对象，建立起包括高度、光谱、形状、纹理等构建建筑物对象的多源特征知识库，使用模糊分类方法进行分类。从最后的实验结果来看，基于LiDAR和高分辨率遥感影像分类提取建筑物达到了良好的效果，能够很好地将建筑物从其它地物中提取出来，通过与未使用LiDAR的影像来对建筑物分类提取结果对比可以看出，使用LiDAR的影像在建筑物提取分类提取效果更好，而且提取精度相对来说也很高。

[1] 钟良. LiDAR同机影像辅助点云分类相关技术研究[D].武汉大学,2011.

图1 航摄影像和LiDAR数据

图3 基于LiDAR数据的建筑物提取结果

图2 多尺度分割结果

图4 未使用LiDAR数据的建筑物提取结果

[2] 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[J]. 武汉大学学报(信息科学版),2002,(04):408-413.

[3] 谢瑞,程效军,管海燕. 机载激光扫描与航空影像的融合分类与精度分析[J]. 同济大学学报(自然科学版),2013,(04):607-613.

[4] Puttonen E,Suomalainen J,Hakala T,et al.Tree species classif i cation from fused active hyperspectral reflectance and LIDAR measurements[J].Forest Ecology and Management,2010,260:1843.

[5] Def i niens Image GmbH，ecognition User Guide. German,1999,11：54-56

[6] 黄昕,张良培,李平湘. 融合形状和光谱的高空间分辨率遥感影像分类[J].遥感学报,2007,(2).

[7] BLASCHKE T,HAY G.Object-oriented image analysis and scale-space:Theory and methods for modeling and evaluating multi-scale landscape structure[J].International Archives of Photogrammetry and Remote Sensing,2001,34(4):22-29.

[8] Benz U C, Peter H, Gregor W, et al. Multi-resolution, Object-oriented Fuzzy Analysis of Remote Sensing Data for GIS-ready Information [J].ISPRS Journal of Photogrammetry amp; Remote Sensing,2004 (58):239-258

[9]周军其,李志娟.空间关系辅助的面向对象建筑物提取[J].应用科学学报,2012,(05):511-516.

表1 建筑物提取精度评价结果