李佳麗

摘? 要：本文以某一區(qū)域地理國(guó)情監(jiān)測(cè)中的植被和建筑物變化監(jiān)測(cè)為工程背景，探討了基于機(jī)載LiDAR點(diǎn)云數(shù)據(jù)的植被與建筑物提取方法，本文首先提出了整個(gè)技術(shù)流程，在此基礎(chǔ)上，利用面向?qū)ο蟮姆诸惙椒?，?duì)某一年LiDAR點(diǎn)云的高程信息和首尾兩次回波信息進(jìn)行處理，從而得到該區(qū)域植被和建筑物監(jiān)測(cè)情況，以期滿足地理國(guó)情普查及監(jiān)測(cè)信息的需要。

關(guān)鍵詞：機(jī)載LIDAR? 點(diǎn)云數(shù)據(jù)? 植被? 建筑物? 提取

中圖分類號(hào)：P237? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A? ? ? ? ? ? ? ? ? ? 文章編號(hào)：1674-098X（2020）10（a）-0138-03

Abstract： Based on the monitoring of vegetation and building changes in a region's geographical situation， this paper discusses the method of extracting vegetation and building based on airborne LiDAR point cloud data. Firstly， the paper puts forward the whole technical process. On this basis， using the object-oriented classification method， the elevation information and the first and last echo information of LiDAR point cloud in a certain year are processed in order to meet the needs of the general survey of geographical conditions and monitoring information， and the monitoring situation of vegetation and buildings in the region can be obtained.

Key Words： Airborne LiDAR; Point cloud data; Vegetation; Buildings; Extraction

近年來(lái)，高分辨率遙感影像一直是地理國(guó)情監(jiān)測(cè)的重要數(shù)據(jù)源，但由于自然環(huán)境與遙感波譜之間關(guān)系的復(fù)雜性，提取的結(jié)果往往會(huì)受到地物陰影或“同譜異物”現(xiàn)象的干擾。機(jī)載激光掃描測(cè)高技術(shù)的出現(xiàn)，為地理國(guó)情要素普查與監(jiān)測(cè)提供了新的數(shù)據(jù)源和方法，引起了測(cè)繪界的濃厚興趣。

本文以某一區(qū)域地理國(guó)情監(jiān)測(cè)中的植被和建筑物變化監(jiān)測(cè)為例，利用面向?qū)ο蟮姆诸惙椒?，?duì)某一年LiDAR點(diǎn)云的高程信息和首尾兩次回波信息進(jìn)行處理，從而得到該區(qū)域植被和建筑物監(jiān)測(cè)情況，以期滿足地理國(guó)情普查及監(jiān)測(cè)信息的需要。

1? 研究方法

本文面向?qū)ο蟮臋C(jī)載LiDAR點(diǎn)云數(shù)據(jù)處理技術(shù)處理（見圖1）。主要包括：（1）LiDAR 數(shù)據(jù)的預(yù)處理，首先通過(guò)濾波算法從末次回波點(diǎn)云中提取數(shù)字地形模型（DTM），再?gòu)氖状位夭c(diǎn)云生成的數(shù)字表面模型（DSMFR）中剔除DTM 影響，得到歸一化數(shù)字表面模型（nDSM）;將計(jì)算出的首尾兩次回波點(diǎn)云生成的數(shù)字表面模型（其中首次回波高程模型為DSMFR，末次回波高程模型DSMLR）進(jìn)行差值運(yùn)算，得到對(duì)應(yīng)激光腳點(diǎn)兩次回波獲得的高程之差（DSMFR-DSMLR）;（2）利用多尺度分割算法對(duì)nDSM 和（DSMFR-DSMLR）進(jìn)行分割。（3）在分割結(jié)果基礎(chǔ)上先利用兩次回波高程差區(qū)分出植被和非植被對(duì)象，然后在非植被對(duì)象中依據(jù)面積、高進(jìn)行房屋建筑信息的提取。

1.1 LiDAR數(shù)據(jù)的預(yù)處理

首先要對(duì)LiDAR 點(diǎn)云數(shù)據(jù)進(jìn)行濾波，此處采用不規(guī)則三角網(wǎng)迭代濾波算法從末次回波點(diǎn)云中將地面點(diǎn)提取出來(lái);然后采用最近鄰插值算法將首尾兩次回波高程數(shù)據(jù)分別內(nèi)插為數(shù)字表面模型DSMFR、DSMLR，再將濾波出的地面點(diǎn)插值為DTML R，分辨率統(tǒng)一設(shè)為2m，為了消除地形因素的影響，本文基于歸一化數(shù)字表面模型進(jìn)行處理，即將DSM與DTM進(jìn)行差值處理，生成nDSM。由于機(jī)載LiDAR系統(tǒng)所發(fā)射的不是一條激光線而是具有一定發(fā)散角的波束，波束到達(dá)地面上會(huì)形成縱橫向具有一定寬度的光斑，激光脈沖的部分光斑落到樹葉上反射回去，而剩余的光斑則穿過(guò)植被枝葉的縫隙到達(dá)較低的部位或地面上，從而產(chǎn)生兩次回波高程存在明顯差異的情況。

通常，第一個(gè)回波DSMFR包含幾乎所有功能，包括建筑物、植被、道路、橋梁、草地等。相反，最新回波DSMFR中包含的特征信息很少，尤其是缺乏有關(guān)植被的信息。因此，植被區(qū)域中的第一回波與最后一個(gè)回波之間的差異較大，而局部高程變化較小的道路或房屋屋頂?shù)葏^(qū)域的高程差異則很小或接近于0。原則上，我們可以使用兩個(gè)回波信號(hào)。高程數(shù)據(jù)可識(shí)別植被和其他特征。因此，比較由第一個(gè)和最后兩個(gè)回波高程生成的DSMFR和DSMLR數(shù)字表面模型，以生成DSMFR-DSMLR。

1.2 面向?qū)ο蠖喑叨确指钏惴?/p>

面向?qū)ο蟮臋C(jī)載LiDAR點(diǎn)云數(shù)據(jù)處理技術(shù)包括使用面向?qū)ο蟮姆治龇椒ㄒ远喑叨确指畈⑻崛☆A(yù)處理的光柵圖像（nDSM，DSMFR-DSMLR）。面向?qū)ο蟮姆治龇椒ㄊ菍D像對(duì)象作為基本的圖像分析單元，然后將對(duì)象的多空間特征值提取到圖像對(duì)象單元中進(jìn)行處理和分析，建立一個(gè)系統(tǒng)。圖像對(duì)象是指在圖像分割后生成的“同類”像素的集合，對(duì)象的屬性包括顏色、大小、形狀、結(jié)構(gòu)、紋理、陰影和空間關(guān)系。該技術(shù)最關(guān)鍵的部分是圖像分割，有許多成熟的圖像分割算法。其中，使用最廣泛的是基于邊緣的分割和基于區(qū)域的分割。面向?qū)ο蟮姆治龇椒ㄊ褂没趨^(qū)域的分割算法：多尺度分割算法。在本文中，我們選擇了一種多尺度分割算法，將插值圖像劃分為多個(gè)對(duì)象。

多個(gè)級(jí)別的細(xì)分是增強(qiáng)區(qū)域增長(zhǎng)的一種方法，這是面向?qū)ο蟮姆治黾夹g(shù)中最重要的部分。本文使用此算法對(duì)nDSM和DSMFR-DSMLR進(jìn)行分段，以獲得具有均質(zhì)區(qū)域的對(duì)象。多尺度分割算法不僅考慮了LiDAR點(diǎn)云數(shù)據(jù)插值后圖像中的亮度（海拔）信息，而且還考慮了幾何信息的特征和空間關(guān)系。首先，將插值圖像用作分割中涉及的波段，并計(jì)算該波段中亮度和幾何異質(zhì)性的積分特征值，然后根據(jù)兩個(gè)特征值所占的權(quán)重計(jì)算加權(quán)值。具有相鄰位置和相似屬性的像素或?qū)ο髮⑦B續(xù)合并，直到內(nèi)部亮度和新生成對(duì)象的幾何異質(zhì)性的組合加權(quán)值大于指定范圍內(nèi)的臨界值為止。合并過(guò)程結(jié)束后，最終形成多個(gè)圖像對(duì)象的多邊形（對(duì)象內(nèi)的異質(zhì)性最小，相鄰對(duì)象之間的異質(zhì)性最大。

1.3 建筑物提取

在完成柵格圖像的多尺度分割之后，必須對(duì)分割的多邊形對(duì)象進(jìn)行分類并提取信息。根據(jù)實(shí)驗(yàn)區(qū)域的特征和數(shù)據(jù)，用于提取建筑物的對(duì)象的屬性包括圖像灰度值（高程）、大小、形狀、空間關(guān)系。首先，設(shè)置高程差閾值以對(duì)分割的多邊形塊進(jìn)行分類，大于閾值的是植被，否則為非植被;然后根據(jù)最大區(qū)域和最大區(qū)域的面積，設(shè)置高度閾值，以根據(jù)該區(qū)域中建筑物（不包括非目標(biāo)建筑物）的高度范圍對(duì)分割的多邊形塊進(jìn)行分類在該區(qū)域中最小的房屋建筑物進(jìn)行第二次評(píng)估，過(guò)濾高度和面積與房屋建筑物一致的對(duì)象多邊形。由于本文檔中的高度計(jì)算基于nDSM而不是傳統(tǒng)的DSM值，因此可以避免地面波動(dòng)的影響。

2? 試驗(yàn)結(jié)果與分析

該試驗(yàn)選用ISPRS網(wǎng)站公開的機(jī)載LiDAR點(diǎn)云數(shù)據(jù)為例，每個(gè)激光腳點(diǎn)都包含x、y、z坐標(biāo)，點(diǎn)間距為1～1.5m。經(jīng)過(guò)濾波、最近鄰插值、歸一化以及差值后生成2m 分辨率的柵格影像nDSM、DSMFR-DSML。

在Ecognition中對(duì)nDSM、DSMFR-DSMLR執(zhí)行多尺度分割算法，分割參數(shù)設(shè)置為：分割尺度為5，波段權(quán)重為1∶1，形狀權(quán)重為0.2，緊湊度為0.5，最終分割出713個(gè)對(duì)象，如圖2（a）所示。

依據(jù)分割的結(jié)果，對(duì)植被和房屋建筑進(jìn)行提取，依據(jù)實(shí)驗(yàn)區(qū)域地物的情況，首先設(shè)置首尾兩次回波高程差閾值為0.3，高程差大于該閾值的為植被，否則為非植被;依據(jù)區(qū)域內(nèi)建筑物的高度情況，設(shè)置高度閾值范圍為8～60m，面積閾值為50～3000像素?cái)?shù)，將非植被中高度面積在該范圍內(nèi)的作為房屋建筑對(duì)象提取出來(lái)。結(jié)果如圖2（c）所示，可以看出較大部分房屋建筑信息被提取出來(lái)，低矮的植被或較高的異常點(diǎn)都被剔除出去，最后對(duì)提取的建筑物內(nèi)部的小洞進(jìn)行填充，填充依據(jù)八鄰域關(guān)系進(jìn)行增長(zhǎng)。最終結(jié)果如圖2（d）。

3? 精度評(píng)價(jià)

植被和主體建筑物信息均被提取出來(lái)，提取結(jié)果基本準(zhǔn)確，錯(cuò)分現(xiàn)象較少，完整度高，對(duì)象大小與影像中的實(shí)際地物目標(biāo)輪廓相當(dāng)，大小接近，相比較傳統(tǒng)基于像元方法提取結(jié)果中存在的“椒鹽”噪聲、多尺度分割后提取的結(jié)果更符合人類的視覺要求。但是閾值是由于人工設(shè)置，不可避免地造成了一些地物的漏提或錯(cuò)提（見表1）。從表1中可以看出，本文的建筑物和植被提取生產(chǎn)精度、用戶精度以及總體精度都可以達(dá)到80%以上。

4? 結(jié)語(yǔ)

本文采用面向?qū)ο蟮姆诸惙椒▽?duì)機(jī)載LiDAR點(diǎn)云數(shù)據(jù)進(jìn)行了目標(biāo)地物提取研究，對(duì)被研究區(qū)域植被與建筑物的分布情況進(jìn)行了監(jiān)測(cè)，探討了面向?qū)ο蟮臋C(jī)載LiDAR點(diǎn)云數(shù)據(jù)處理技術(shù)在地理國(guó)情監(jiān)測(cè)中的應(yīng)用，為今后的地理國(guó)情監(jiān)測(cè)工作累積了經(jīng)驗(yàn)。

參考文獻(xiàn)

[1] 李全榮.基于LiDAR回波強(qiáng)度數(shù)據(jù)的潮間帶植被濾波方法[J].海洋測(cè)繪，2019（7）：14-17.

[2] 郝長(zhǎng)春.無(wú)人機(jī)載激光LiDAR在植被覆蓋區(qū)大比例尺地形測(cè)繪中的應(yīng)用分析[J].安徽建筑，2019（3）：19-22.

[3] 李沛婷.荒漠植被區(qū)機(jī)載LiDAR點(diǎn)云生成DEM算法研究[D].石河子：石河子大學(xué)，2019.

[3] 郭鵬.基于機(jī)載LiDAR數(shù)據(jù)的農(nóng)田區(qū)植被高度估測(cè)研究[J].干旱區(qū)地理，2017（11）：1241-1247.

[4] 樊敬敬.基于機(jī)載LiDAR點(diǎn)云數(shù)據(jù)的城區(qū)植被與建筑物提取研究[D].徐州：中國(guó)礦業(yè)大學(xué)，2016.

[5] 劉潤(rùn)東.LiDAR-DP在廣西多植被及陡石山DEM生產(chǎn)中的應(yīng)用[J]. 地理空間信息，2018（12）：104-106.

[6] 楊亞復(fù).基于LIDAR技術(shù)的城市植被三維結(jié)構(gòu)信息提取[J].科技資訊，2016（29）：7-9.