何曼蕓，程英蕾，邱浪波，趙中陽

空軍工程大學(xué)信息與導(dǎo)航學(xué)院，陜西 西安 710077

何曼蕓，程英蕾，邱浪波,等.一種改進頂帽變換與LBP高程紋理的城區(qū)建筑物提取算法[J].測繪學(xué)報，2017,46(9)：1116-1122.

10.11947/j.AGCS.2017.20170158.

HE Manyun,CHENG Yinglei,QIU Langbo,et al.An Algorithm of Building Extraction in Urban Area Based on Improved Top-hat Transformations and LBP Elevation Texture[J]. Acta Geodaetica et Cartographica Sinica,2017,46(9):1116-1122. DOI:10.11947/j.AGCS.2017.20170158.

一種改進頂帽變換與LBP高程紋理的城區(qū)建筑物提取算法

何曼蕓，程英蕾，邱浪波，趙中陽

空軍工程大學(xué)信息與導(dǎo)航學(xué)院，陜西 西安 710077

利用LiDAR數(shù)據(jù)的建筑物提取存在植被點與建筑物點難以區(qū)分的問題，利用航空影像進行城區(qū)建筑物提取則無法有效剔除陰影區(qū)域植被。本文融合LiDAR和航空影像兩種數(shù)據(jù)源，提出了改進頂帽變換及局部二進制模式(LBP)高程紋理分析的建筑物提取算法。首先將LiDAR數(shù)據(jù)進行規(guī)則格網(wǎng)化，通過改進頂帽變換提取地面數(shù)據(jù)點，然后根據(jù)航空影像計算歸一化差值植被指數(shù)(NDVI)值進行植被粗提取，計算LBP高程紋理，精細區(qū)分植被點與建筑物點，最后利用形態(tài)學(xué)操作填充建筑物孔洞，以檢測出的建筑物點為種子點進行區(qū)域生長，得到完整的建筑物點集合。試驗基于ISPRS提供的Vaihingen數(shù)據(jù)集中復(fù)雜多植被城區(qū)場景，試驗結(jié)果表明，本文算法能夠有效區(qū)分植被與建筑物，實現(xiàn)建筑物準確提取。

LiDAR；數(shù)字航空影像；LBP；形態(tài)學(xué)；建筑物提取

近年來，基于機載傳感器數(shù)據(jù)的城區(qū)目標(biāo)自動檢測已經(jīng)成為研究的熱點，機載LiDAR(light detection and ranging)系統(tǒng)不易受天氣、時段的影響，在地形測繪、環(huán)境監(jiān)測及武器精確制導(dǎo)的軍民事領(lǐng)域均得到了廣泛的應(yīng)用。建筑物是城市區(qū)域的重要目標(biāo)，近幾年，基于LiDAR系統(tǒng)的建筑物自動檢測更是研究的重點。

LiDAR點云數(shù)據(jù)含有豐富的高程信息，通過高程信息即可有效地區(qū)別地物點與地面點。但是LiDAR點云數(shù)據(jù)具有以下3個特點：一是離散性、不均勻性使得點云數(shù)據(jù)的鄰域點查找困難，目標(biāo)提取處理速度慢，常用規(guī)則格網(wǎng)[1-2]，三角網(wǎng)[3-4]，K-D樹[5]等數(shù)據(jù)結(jié)構(gòu)構(gòu)建點云數(shù)據(jù)的鄰接關(guān)系，如文獻[6]使用原始LiDAR點云數(shù)據(jù)建立Deluanay三角網(wǎng)，結(jié)合區(qū)域生長算法進行建筑物提?。欢窃谀繕?biāo)邊緣處信息空缺、邊界不明顯，文獻[7]通過Hough變換規(guī)則化LiDAR數(shù)據(jù)建筑物邊界，實現(xiàn)規(guī)則的建筑物提?。蝗侨狈δ繕?biāo)的顏色紋理信息，僅用高程信息難以對目標(biāo)物點進行精確有效地區(qū)分，例如常使用目標(biāo)物面積大小來區(qū)分建筑物與植物等其他目標(biāo)物，但面積閾值的設(shè)定需要依賴先驗知識，且不能剔除與建筑物緊挨的植被點，易造成錯檢，文獻[7]和文獻[8]分別提出基于規(guī)則點云數(shù)據(jù)的建筑物提取方法，定義了不同的植被點剔除準則，實現(xiàn)了建筑物的精確提取，但是分類準則中包含的多個閾值，需要通過目視判讀確定。光學(xué)航空影像具有目標(biāo)明確的形狀、色彩、光譜等信息，但在建筑物提取中，建筑物與地面的色彩，甚至紋理較為相近，僅從光學(xué)影像中難以區(qū)分城區(qū)建筑物與地面區(qū)域，未充分利用建筑物的高程信息和幾何信息[9]，而且光學(xué)影像數(shù)據(jù)易受光照、遮擋等外界環(huán)境因素的影響，因此，融合光學(xué)航空影像與LiDAR點云數(shù)據(jù)的目標(biāo)提取與分類能夠?qū)崿F(xiàn)兩類數(shù)據(jù)的優(yōu)勢互補，成為研究的熱點與趨勢。

融合航空影像與機載LiDAR點云數(shù)據(jù)進行建筑物提取主要有兩類方法，一類根據(jù)點云及光譜特征制定建筑物判定規(guī)則，如文獻[10]融合航空影像和LiDAR點云實現(xiàn)建筑物點云的精確分類以及建筑輪廓邊的提取，分類正確率高；文獻[11]利用機載LiDAR數(shù)據(jù)和高分辨率圖像提取復(fù)雜城區(qū)建筑物，特別針對區(qū)域內(nèi)陰影處植被與冷色屋頂，有效地減少了由陰影和不同屋頂特征所造成的錯誤識別，顯著提高了建筑物提取精度。但是該類方法中判定規(guī)則需要設(shè)定多個分類閾值，算法自動化程度較低。另一類方法對兩種數(shù)據(jù)分別提取相關(guān)特征，采用機器學(xué)習(xí)方法訓(xùn)練分類器，再進行分類，如文獻[12]構(gòu)建了17個特征構(gòu)成的點云擴展特征向量，采用支持向量機模型對LiDAR點云進行樹木識別，文獻[13]則利用隨機森林[14]提出了一種自適應(yīng)特征選擇方法，取得了較高的精度，但缺點是需要大量訓(xùn)練樣本及較長的訓(xùn)練時間。

本文融合光學(xué)航空影像與LiDAR點云數(shù)據(jù)，充分利用兩者優(yōu)勢，提出改進頂帽變換及LBP高程紋理分析的建筑物提取算法，減少分類提取過程中的閾值設(shè)定，自適應(yīng)能力較強，實現(xiàn)建筑物的快速精確提取。

1 算法原理

本文采用規(guī)則格網(wǎng)的數(shù)據(jù)結(jié)構(gòu)對LiDAR點云數(shù)據(jù)進行組織，得到LiDAR數(shù)據(jù)的距離圖像，提出改進的頂帽變換進行地物點提取，利用光學(xué)航空影像歸一化差值植被指數(shù)(normalized difference vegetation index,NDVI)[5]提取植被區(qū)域，提出LBP高程紋理分析的建筑物提取算法，并結(jié)合形態(tài)學(xué)操作與基于NDVI指數(shù)的區(qū)域生長算法，實現(xiàn)建筑物的精確提取。具體算法流程如圖1所示。

圖1 建筑物提取算法流程Fig.1 Workflow of building extraction algorithm

1.1 地物提取

本文采用規(guī)則格網(wǎng)索引來有效的組織LiDAR點云數(shù)據(jù)。規(guī)則格網(wǎng)根據(jù)點云數(shù)據(jù)在水平X，豎直Y方向上的最大值和最小值確定格網(wǎng)的位置，設(shè)置網(wǎng)格的大小，通過式(1)，得到點云數(shù)據(jù)與格網(wǎng)的對應(yīng)關(guān)系

(1)

式中，Grow、Gcol為規(guī)則格網(wǎng)的總行、列數(shù)；xmax、xmin為區(qū)域內(nèi)點云橫坐標(biāo)的最大值與最小值；ymax、ymin為區(qū)域內(nèi)點云縱坐標(biāo)的最大值與最小值；i、j為其中一點p的行、列數(shù)；點p的橫縱坐標(biāo)為(xp,yp)；Δx、Δy為格網(wǎng)的大小，可根據(jù)精度需求與LiDAR點云的平均點密度來確定，本文設(shè)定規(guī)則網(wǎng)格的網(wǎng)格大小為1×1 m，將LiDAR點云數(shù)據(jù)轉(zhuǎn)化為格網(wǎng)矩陣，每個格網(wǎng)存儲內(nèi)插得到的高程值。采用最鄰近插值[15]算法，減緩了由插值操作導(dǎo)致數(shù)據(jù)準確度下降的程度，最大限度保留了突起物在邊緣處高程的突變特性。規(guī)則格網(wǎng)是將LiDAR數(shù)據(jù)處理轉(zhuǎn)化為圖像處理的重要橋梁，打破了LiDAR數(shù)據(jù)的離散性，使得對LiDAR數(shù)據(jù)點鄰域點的查找變得快速便捷，可以運用成熟的數(shù)字圖像處理方法實現(xiàn)更加有效的目標(biāo)提取與分類。

在具有起伏地形的場景內(nèi)，通過設(shè)定一個高程閾值不能有效區(qū)分LiDAR數(shù)據(jù)地面點與非地面點。本文采用形態(tài)學(xué)濾波[15-16]中多尺度濾波[15]的思想，提出改進的頂帽變換地物點提取方法。頂帽變換[17](top-hat transformations)是形態(tài)學(xué)的重要應(yīng)用之一，在圖像處理中解決圖像的非均勻光照問題，將頂帽變換應(yīng)用到LiDAR數(shù)據(jù)處理濾波與目標(biāo)提取中，LiDAR數(shù)據(jù)點的高程即對應(yīng)圖像的灰度，起伏的地形即為高程不均勻的背景，因此能夠解決地形起伏區(qū)域目標(biāo)提取問題。頂帽變換定義為高程H與高程H的開運算之差，公式表示為

J=H-(H°s)

(2)

式中，s為開運算的結(jié)構(gòu)元素，結(jié)構(gòu)元素的結(jié)構(gòu)選取常用的圓形結(jié)構(gòu)，結(jié)構(gòu)元素的尺寸過小無法將面積較大的建筑物提取，結(jié)構(gòu)元素過大則無法有效區(qū)分地面與地物點。本文通過統(tǒng)計不同結(jié)構(gòu)元素大小頂帽變換的結(jié)果，確定地面點與地物點的分類閾值。具體步驟如下：

(2) 進行N=maxSize-minSize+1次頂帽變換；

(3) 統(tǒng)計每個LiDAR點云數(shù)據(jù)在N次頂帽變換中被標(biāo)記為地物點的次數(shù)；

(5) 計算標(biāo)記為i次地物點的點的頻率pi=qi/pointnum，pointnum為LiDAR點云數(shù)據(jù)的總個數(shù)；

該算法可以降低在頂帽變換中對于高程閾值和結(jié)構(gòu)元素大小的依賴，提升了算法的自適應(yīng)性。

1.2 植被提取

歸一化差值植被指數(shù)(NDVI)是遙感影像中常用的植被區(qū)域分析指標(biāo)，其原理是植被生物物理機理：太陽光譜在紅波段(Red,R)(0.69 nm)被植被葉綠素強烈吸收，在近紅外(infrared,IR)處太陽光譜被葉細胞結(jié)構(gòu)強烈反射[5]，其計算如式(3)所示

(3)

式中，NDVI的數(shù)值在[-1,1]之間[18]；植被區(qū)域IR分量數(shù)值大于R分量數(shù)值，其NDVI值大于0；建筑物及地面區(qū)域IR分量數(shù)值小于R分量數(shù)值，NDVI值小于0。設(shè)定判定植被的NDVI閾值為0，能夠有效區(qū)分植被與非植被區(qū)域。但是NDVI值容易受到植冠背景的影響[5]，當(dāng)植物處在陰影區(qū)域時，如圖3(b)中高大的建筑物陰影遮住了部分植被，利用其NDVI值無法進行有效提取，造成分類錯誤。而且隨著建筑物形式的不斷豐富及屋頂綠化的推廣，藍綠色的建筑物屋頂也不再少見，其NDVI值與植被極為相似，僅使用NDVI值對植被與建筑物進行區(qū)分，會導(dǎo)致錯分。因此針對陰影區(qū)域的植被以及藍綠色屋頂建筑物需要進行進一步分析與分類。

1.3 LBP高程紋理

LiDAR數(shù)據(jù)地物點最大的特征是在局部具有高程變化形成高程起伏，這些高程變化可以理解為高程紋理。高程紋理可定性、定量地定義為局部區(qū)域的高程變化以及由此產(chǎn)生的對比度、均勻性等物理特性[5]，一般有高程差、地形坡度、高程變化、高程差粗糙度[19]等。

建筑物點與植被點的區(qū)別在于其與周圍鄰近點高程的變化規(guī)律不同。植物的樹冠結(jié)構(gòu)稀疏，反射激光點的位置、強度及次數(shù)難以確定，得到的LiDAR數(shù)據(jù)點與鄰域點之間高程變化劇烈，可視作高程紋理較“粗糙”；建筑物鄰域點之間高程變化較規(guī)則，比如平頂建筑物L(fēng)iDAR點云數(shù)據(jù)的高程在理論上是相同的，即使由于探測時環(huán)境及設(shè)備造成的誤差，屋頂LiDAR點云數(shù)據(jù)高程值在一小范圍內(nèi)波動，斜坡屋頂LiDAR點云數(shù)據(jù)高程變化率相近，構(gòu)成傾斜平面，這些情況均可視作高程紋理較“光滑”?；谶@一原理，文獻[17]在進行城區(qū)LiDAR點云數(shù)據(jù)的樹木提取時，采用了梯度分割方法，通過試驗確定梯度閾值，實現(xiàn)樹木與建筑物的區(qū)分。

局部二進制模式(local binary patterns,LBP)[12]通過逐行掃描圖像，對圖像的每一個像素點進行操作，以該點的灰度值作為判斷閾值，對該點的3×3的8鄰域進行二值化，按照規(guī)則將二值化結(jié)果形成一個8位的二進制數(shù)，再將二進制數(shù)轉(zhuǎn)化為十進制數(shù)(0～255)，獲得該點的LBP值。對于數(shù)字圖像來說，LBP值包含圖像局部的亮度結(jié)構(gòu)，是用來描述圖像紋理的有效方法。將LBP應(yīng)用到LiDAR數(shù)據(jù)處理中，對圖像灰度值的處理轉(zhuǎn)化為對LiDAR點云數(shù)據(jù)高程的處理，是對局部高程變化的很好描述。LBP高程紋理分析具體步驟是：

(1) 設(shè)中心點為m，中心點8鄰域內(nèi)某一待判斷點為n，hm為中心點高程，hn為待判斷點高程；

(2) 對中心點m的3×3的8鄰域內(nèi)點的高程逐一進行判斷，待判斷點高程與中心點高程差值在閾值Th范圍內(nèi)，即標(biāo)記為1，否則標(biāo)記為0，如式(4)所示

(4)

(4) 將8位二進制碼L轉(zhuǎn)換為十進制數(shù)，成為中心點的最終LBP值，如公式(5)所示

(5)

在建筑物點處，8鄰域點與中心點間的高程差值均小于閾值，被標(biāo)記為1，其LBP值較大，而在建筑物邊緣點或者植被點處，8鄰域點與中心點間的高程差值僅有部分小于閾值，導(dǎo)致此時LBP值較小。為保證將植被點完全地剔除，特別是利用NDVI值檢測不到的陰影區(qū)植被點，將8鄰域內(nèi)全部被標(biāo)記為1的點判定為建筑物點，此時LBP值為255，即LBP高程紋理值等于255的點為建筑物點，LBP高程紋理值小于255的點為非建筑物點。由于建筑物邊緣點與其鄰域存在較大高程差值，此時會被檢測為非建筑物點，后期會對提取出的建筑物點進行區(qū)域生長操作，進一步提取建筑物邊緣點。本文提出的LBP高程紋理建筑物提取方法從理論上分析得到分類規(guī)則，無需反復(fù)試驗確定分類閾值。

1.4 建筑物精提取

建筑物精確提取包括兩個方面，一是藍綠色屋頂建筑物提取，二是建筑物屋頂孔洞與邊緣點提取。

2 試驗仿真

本文試驗是基于MATLAB2014a平臺，采用ISPRS提供的德國Vaihingen城市測試數(shù)據(jù)集中的area1、area2和area3區(qū)域，文獻[21]提供了該數(shù)據(jù)集的相關(guān)說明。area1區(qū)域是城市中心區(qū)域，包含許多屋頂結(jié)構(gòu)復(fù)雜的建筑物以及植被，area2是高程較大的民用建筑物區(qū)域，建筑物周圍有許多植被，area3是居民建筑區(qū)域，包含許多離散的小型建筑物。3個場景包含豐富的地理環(huán)境、城區(qū)環(huán)境及建筑物類型，能夠充分地驗證本文算法。Vaihingen數(shù)據(jù)集中提供的area1、area2和area3區(qū)域數(shù)字航空影像為彩色紅外圖像，如圖2所示，其光譜組成為IR-R-G，可直接用來計算圖像的NDVI值，其對應(yīng)的LiDAR點云數(shù)據(jù)平均點距為4 points/m2。

圖2 Vaihingen試驗區(qū)3個場景彩色紅外圖像Fig.2 The pan-sharpened color infrared images of three test sites in Vaihingen

3個場景LiDAR點云數(shù)據(jù)通過規(guī)則格網(wǎng)化得到數(shù)字高程模型，與光學(xué)航空影像數(shù)據(jù)配準融合，進行建筑物提取實驗。以area2區(qū)域的試驗為例，對LiDAR點云數(shù)據(jù)進行規(guī)則格網(wǎng)化，并根據(jù)高程對點進行著色，結(jié)果如圖3(a)所示，規(guī)則格網(wǎng)化的插值操作對建筑物邊緣的高程變化影響不大，能夠保留邊緣點的突變特性；計算彩色紅外圖像的NDVI值，區(qū)分植被與非植被區(qū)域，結(jié)果如圖3(b)所示，植被區(qū)域在圖中表現(xiàn)為灰度較亮的區(qū)域，其余地面及建筑物為黑色；對規(guī)則格網(wǎng)化的LiDAR數(shù)據(jù)進行改進的頂帽變換，結(jié)果如圖3(c)，圖中黑色背景部分為起伏的地形，被完全去除，僅剩區(qū)域內(nèi)的建筑物、植被等目標(biāo)物；在提取出目標(biāo)物的基礎(chǔ)上，運用LBP高程紋理分析，對目標(biāo)物進行進一步提取與分類，得到去除陰影區(qū)植被的不完整建筑物點，如圖3(e)所示；最后進行形態(tài)學(xué)填充孔洞以及區(qū)域生長算法，提取完整的建筑物，結(jié)果如圖3(f)所示。

3 試驗結(jié)果分析

試驗結(jié)果定量分析采用文獻[22]提出的評價指標(biāo)，非建筑物點檢測為建筑物點定義為一類誤差，即誤檢率，對應(yīng)算法提取的正確率(Correctness)，建筑物點檢測為非建筑物點定義為二類誤差，即漏檢率，對應(yīng)算法提取的完整率(Completeness)，文獻[23]中定義了提取算法的提取質(zhì)量(Quality)的計算方法，如式(6)所示

(6)

圖3 area2區(qū)域建筑物提取結(jié)果Fig.3 The extraction results of area2

對area1、area2和area3場景的建筑物提取結(jié)果分別進行目標(biāo)級與像素級的準確度分析，其準確度計算結(jié)果見表1；與Grigillo[7]，Awrangjeb[8]和Niemeyer[23]的建筑物提取結(jié)果進行像素級比較，見表2，本文算法的提取質(zhì)量有一定提升，3個區(qū)域像素級平均提取質(zhì)量為90.07%，與ISPRS公布的融合LiDAR數(shù)據(jù)與光學(xué)影像方法的提取結(jié)果[24]中像素級最好提取質(zhì)量89.7%相比，提升了0.37%。

表1 算法提取準確度分析

表2建筑物提取質(zhì)量對比

Tab.2Thecomparisonofextractionqualitiesindifferentpapers(%)

建筑物提取結(jié)果如圖4所示，圖中紅色的點為漏檢的點，藍色的點為錯檢的點。由試驗結(jié)果可以看出，本文算法有效區(qū)分了緊挨建筑物的植被點，如圖4(a)右上所示；成功剔除了受陰影影響的植被點，得到邊界明顯的建筑物點，如圖4(b)右上和右中所示；通過規(guī)則格網(wǎng)化處理，在原始LiDAR數(shù)據(jù)稀疏的建筑物屋頂處也取得了較好的結(jié)果，如圖4(c)右上所示。但是過于低矮建筑物(圖4(b)右下、圖4(c)右中)、面積較小且存在高程差的連續(xù)屋頂(如圖4(a)右中)以及小平臺式屋頂(圖4(a)右下、圖4(c)右下)處仍出現(xiàn)了漏檢現(xiàn)象。原因是建筑物面積過小，在LBP高程紋理分析時均被檢為邊緣點，或者因高程較低在地物點與地面點分類時產(chǎn)生了錯分類。本文結(jié)果與Grigillo、Awrangjeb和Niemeyer文中的提取結(jié)果相比，具有更小的漏檢率。

圖4 不同區(qū)域建筑物提取結(jié)果Fig.4 The extraction results in different areas

4 結(jié) 論

本文算法通過對點云規(guī)則格網(wǎng)化處理，充分利用航空影像的多光譜信息以及LiDAR點云數(shù)據(jù)的高程信息，提出改進的頂帽變換與LBP高程紋理分析建筑物提取方法，充分考慮了LiDAR數(shù)據(jù)點的與其鄰域點高程的關(guān)聯(lián)性。通過與文獻[24]中融合LiDAR數(shù)據(jù)與光學(xué)影像建筑物提取方法對比分析，本文算法實現(xiàn)了復(fù)雜城區(qū)場景建筑物的有效提取。減少了分類規(guī)則中閾值設(shè)定的數(shù)量，提升了建筑物的提取精度與自適應(yīng)性，具有一定的普適性。但是此算法在建筑物邊界以及特異型建筑物處，仍存在少量錯檢和漏檢現(xiàn)象，下一步可考慮結(jié)合建筑物規(guī)則邊界[25]特征以及特征自適應(yīng)選擇進行研究解決。

[1] HOVAD J，KOMARKOVA J，SEDLAK P.Slope Based Grid Creation Using Interpolation of LiDAR Data Sets[C]∥Proceedings of the 8th International Joint Conference on Software Technologies.Reykjavík，Iceland: SCITE，2013：227-232.

[2] 屈亞運，程英蕾，邱浪波.改進的八鄰域搜索提取建筑物立體特征方法[J].空軍工程大學(xué)學(xué)報(自然科學(xué)版)，2015，16(4)：66-69.

QU Yayun，CHENG Yinglei，QIU Langbo.An Improved Method of Extracting 3D Features of Buildings Based on Eight Neighborhood Search Method[J].Journal of Air Force engineering University (Natural Science Edition)，2015，16(4)：66-69.

[3] 龐世燕，劉亞文，左志奇，等.結(jié)合區(qū)域增長法和TIN邊緣分割的建筑物立面幾何特征提取[J].武漢大學(xué)學(xué)報(信息科學(xué)版)，2015，40(1)：102-106.

PANG Shiyan，LIU Yawen，ZOU Zhiqi，et al.Combination of Region Growing and TIN Edge Segmentation for Extraction of Geometric Features on Building Facades[J].Geomatics and Information Science of Wuhan University，2015，40(1)：102-106.

[4] 吳軍，李偉，彭智勇，等.融合形態(tài)學(xué)灰度重建與三角網(wǎng)分層加密的LiDAR點云濾波[J].武漢大學(xué)學(xué)報(信息科學(xué)版)，2014，39(11)：1298-1303.

WU Jun，LI Wei，PENG Zhiyong，et al.Integrating Morphological Grayscale Reconstruction and TIN Models for High-Quality Filtering of Airborne LiDAR Points[J].Geomatics and Information Science of Wuhan University，2014，39(11)：1298-1303.

[5] 管海燕.LiDAR與影像結(jié)合的地物分類及房屋重建研究[D].武漢：武漢大學(xué)，2009.

GUAN Haiyan.Research on Objects Classification and Simple Buildings Reconstruction Based on Digital Images and LiDAR[D].Wuhan：Wuhan University，2009.

[6] 何曼蕓，程英蕾，聶玉澤，等.綜合不規(guī)則三角網(wǎng)和區(qū)域生長的建筑物提取方法[J].空軍工程大學(xué)學(xué)報(自然科學(xué)版)，2017，18(3)：54-59.

HE Manyun，CHENG Yinglei，NIE Yuze，et al.A Building Extraction Method on Comprehensive Delaunay TIN Models and Region Growing[J].Journal of Air Force engineering University (Natural Science Edition)，2017，18(3)：54-59.

[7] GRIGILLO D，KANJIR U.Urban Object Extraction from Digital Surface Model and Digital Aerial Images[C]∥ISPRS Annals of the Photogrammetry，Remote Sensing and Spatial Information Sciences.Melbourne，Australia：ISPRS，2012(I-3)：215-220.

[8] AWRANGJEB M，F(xiàn)RASER C S.Rule-based Segmentation of LIDAR Point Cloud for Automatic Extraction of Building Roof Planes[C]∥ISPRS Annals of the Photogrammetry，Remote Sensing and Spatial Information Sciences.Antalya，Turkey：ISPRS，2013(II-3/W3)：1-6.

[9] 鞏翼龍，閆利.結(jié)合機載LiDAR數(shù)據(jù)與航空可見光影像多層次規(guī)則分類建筑物變化檢測[J].光譜學(xué)與光譜分析，2015，35(5)：1325-1330.

GONG Yilong，YAN Li.Building Change Detection Based on Multi-level Rules Classification with Airborne LiDAR Data and Aerial Images[J].Spectroscopy and Spectral Analysis，2015，35(5)：1325-1330.

[10] 程效軍，程小龍，胡敏捷，等.融合航空影像和LiDAR點云的建筑物探測及輪廓提取[J].中國激光，2016，43(5)：514002.

CHENG Xiaojun，CHENG Xiaolong，HU Minjie，et al.Buildings Detection and Contour Extraction by the Fusion of Aerial Images and LiDAR Point Cloud[J].Chinese Journal of Lasers，2016，43(5)：514002.

[11] 王雪，李培軍，姜莎莎，等.利用機載LiDAR數(shù)據(jù)和高分辨率圖像提取復(fù)雜城區(qū)建筑物[J].國土資源遙感，2016，28(2)：106-111.

WANG Xue，LI Peijun，JIANG Shasha，et al.Building Extraction Using Airborne LiDAR Data and Very High Resolution Imagery over a Complex Urban Area[J].Remote Sensing for Land & Resources，2016，28(2)：106-111.

[12] 李海亭，王厚之，李艷紅，等.支持向量機的車載雷達點云目標(biāo)識別[J].測繪科學(xué)，2016，41(5)：45-49.

LI Haiting，WANG Houzhi，LI Yanhong，et al.Object Recognition for Vehicle-borne LiDAR Point Clouds Based on SVM[J].Science of Surveying and Mapping，2016，41(5)：45-49.

[13] 張愛武，肖濤，段乙好.一種機載LiDAR點云分類的自適應(yīng)特征選擇方法[J].激光與光電子學(xué)進展，2016，53(8)：267-277.

ZHANG Aiwu，XIAO Tao，DUAN Yihao.A Method of Adaptive Feature Selection for Airborne LiDAR Point Cloud Classification[J].Laser & Optoelectronics Progress，2016，53(8)：267-277.

[14] BREIMAN L.Random Forests[J].Machine Learning，2001，45(1)：5-32.

[15] 黃先鋒，李卉，王瀟，等.機載LiDAR數(shù)據(jù)濾波方法評述[J].測繪學(xué)報，2009，38(5)：466-469.DOI：10.3321/j.issn:1001-1595.2009.05.014.

HUANG Xianfeng，LI Hui，WANG Xiao，et al.Filter Algorithms of Airborne LiDAR Data：Review and Prospects[J].Acta Geodaetica et Cartographica Sinica，2009，38(5)：466-469.DOI：10.3321/j.issn:1001-1595.2009.05.014.

[16] 隋立春，張熠斌，柳艷，等.基于改進的數(shù)學(xué)形態(tài)學(xué)算法的LiDAR點云數(shù)據(jù)濾波[J].測繪學(xué)報，2010，39(4)：390-396.

SUI Lichun，ZHANG Yibin，LIU Yan，et al.Filtering of Airborne LiDAR Point Cloud Data Based on the Adaptive Mathematical Morphology[J].Acta Geodaetica et Cartographica Sinica，2010，39(4)：390-396.

[17] GONZALEZ R C，WOODS R E.Digital Image Processing[M].3rd ed.Beijing：Publishing House of Electronics Industry，2010.

[18] LIN Y，LIN C，TSAI M D，et al.Object-based Analysis of LIDAR Geometric Features for Vegetation Detection in Shaded Areas[C]∥The International Archives of the Photogrammetry，Remote Sensing and Spatial Information Sciences.Prague，Czech Republic：ISPRS，2016(XLI-B1)：43-46.

[19] 馬東洋，尚大帥，保永強.一種基于高程差粗糙度的建筑物激光腳點提取方法[J].測繪科學(xué)技術(shù)學(xué)報，2013，30(2)：158-161.

MA Dongyang，SHANG Dashuai，BAO Yongqiang.A Building Extraction Method Based on Roughness of Height Difference for Airborne LIDAR Point Cloud Data[J].Journal of Geomatics Science and Technology，2013，30(2)：158-161.

[20] 張齊勇，岑敏儀，周國清，等.城區(qū)LiDAR點云數(shù)據(jù)的樹木提取[J].測繪學(xué)報，2009，38(4)：330-335.DOI：10.3321/j.issn:1001-1595.2009.04.008.

ZHANG Qiyong，CEN Minyi，ZHOU Guoqing，et al.Extracting Trees from LiDAR Data in Urban Region[J].Acta Geodaetica et Cartographica Sinica，2009，38(4)：330-335.DOI：10.3321/j.issn:1001-1595.2009.04.008.

[21] ROTTENSTEINER F，SOHN G，GERKE M，et al.ISPRS Test Project on Urban Classification，3D Building Reconstruction and Semantic Labeling[EB/OL].(2013-12-12)[2017-5-15].http:∥www2.isprs.org/commissions/comm3/wg4/tests.html.

[22] SITHOLE G，VOSSELMAN G.ISPRS Test on Extracting DEMs from Point Clouds：A Comparison of Existing Automatic Filters[R].Delft：ISPRS，2003.

[23] NIEMEYER J，ROTTENSTEINER F，SOERGEL U.Conditional Random Fields for LIDAR Point Cloud Classification in Complex Urban Areas[C]∥ISPRS Annals of the Photogrammetry，Remote Sensing and Spatial Information Sciences.Melbourne，Australia：ISPRS，2012(I-3)：263-268.

[24] ROTTENSTEINER F，SOHN G，GERKE M，et al.Results of the ISPRS Benchmark on Urban Object Detection and 3D Building Reconstruction[J].ISPRS Journal of Photogrammetry and Remote Sensing，2014(93)：256-271.

[25] ZHAO Zongze，DUAN Yansong，ZHANG Yongjun，et al.Extracting Buildings from and Regularizing Boundaries in Airborne Lidar Data Using Connected Operators[J].International Journal of Remote Sensing，2016，37(4)：889-912.

An Algorithm of Building Extraction in Urban Area Based on Improved Top-hat Transformations and LBP Elevation Texture

HE Manyun,CHENG Yinglei,QIU Langbo,ZHAO Zhongyang

Information and Navigation College，Air Force Engineering University，Xi’an 710077，China

Classification of building and vegetation is difficult solely by LiDAR data and vegetation in shadows can’t be eliminated only by aerial images. The improved top-hat transformations and local binary patterns (LBP) elevation texture analysis for building extraction are proposed based on the fusion of aerial images and LiDAR data. Firstly, LiDAR data is reorganized into grid cell, the algorithm removes ground points through top-hat transform. Then, the vegetation points are extracted by normalized difference vegetation index (NDVI). Thirdly, according to the elevation information of LiDAR points, LBP elevation texture is calculated and achieving precise elimination of vegetation in shadows or surrounding to the buildings. At last, morphological operations are used to fill the holes of building roofs, and region growing for complete building edges. The simulation is based on the complex urban area in Vaihingen benchmark provided by ISPRS, the results show that the algorithm affording higher classification accuracy.

LiDAR；digital aerial images；LBP；morphology；building extraction

The National Natural Science Foundation of Shaanxi Province of China (No. 2015JM6346)

HE Manyun(1993—),female，postgraduate，majors in LiDAR data processing.

CHENG Yinglei

P237

A

1001-1595(2017)09-1116-07

陜西省自然科學(xué)基金(2015JM6346)

(責(zé)任編輯：張艷玲)

2017-04-06

修回日期： 2017-07-06

何曼蕓(1993—)，女，碩士生，研究方向為機載LiDAR點云數(shù)據(jù)處理。

E-mail： 18515373732@163.com

程英蕾

E-mail： ylcheng718@163.com