殷嘉媛,袁 楓
(宿遷學(xué)院,江蘇 宿遷 223800)
建筑物是人們?yōu)榱藵M足社會(huì)生活需要,利用所掌握的物質(zhì)技術(shù)手段,并運(yùn)用一定的科學(xué)規(guī)律、風(fēng)水理念和美學(xué)法則創(chuàng)造的人工環(huán)境。建筑物三維模型是攝影測(cè)量、計(jì)算機(jī)視覺、計(jì)算機(jī)圖形學(xué)等領(lǐng)域的重點(diǎn)研究問(wèn)題,受到廣泛關(guān)注[1]。隨著數(shù)字城市、智慧城市的快速發(fā)展,建筑物三維模型在城市規(guī)劃、應(yīng)急救援、減災(zāi)、決策輔助及無(wú)人駕駛等領(lǐng)域有著越來(lái)越多的應(yīng)用需求[2-3]。機(jī)載激光雷達(dá)、傾斜攝影測(cè)量等新型測(cè)繪技術(shù)使得建筑物的三維重建相比傳統(tǒng)航測(cè)方法在自動(dòng)化程度、精度、信息豐富程度等方面有了較大的進(jìn)步[2-4]。
由于激光雷達(dá)(LiDAR)點(diǎn)云成本遠(yuǎn)高于高分辨率航空或衛(wèi)星影像,所以,利用高分影像提取建筑物仍是建筑物提取的重要手段;同時(shí)傾斜航空影像具有建筑物立面可見、遮擋少的特點(diǎn),是建筑物提取的優(yōu)質(zhì)數(shù)據(jù)源[5-7]。另一方面,傾斜攝影測(cè)量技術(shù)得到的場(chǎng)景模型是一個(gè)整體,能良好地滿足視覺上的觀感,但不能實(shí)現(xiàn)計(jì)算機(jī)對(duì)目標(biāo)對(duì)象的識(shí)別、屬性的賦予且不利于后期的GIS 應(yīng)用。因此,還需要實(shí)現(xiàn)目標(biāo)的語(yǔ)義分割,尤其是建筑物的單體化建模。目前建筑物單體化建模大多是采用在整體模型上交互描繪、編輯的方法,顯然其工作量大、效率低,難以滿足大規(guī)模城市快速、高效建模的需求。
建筑物屋頂主要是由單個(gè)或多個(gè)平面組成,其輪廓大多為直角類型,據(jù)此本文提出了一種基于傾斜影像密集匹配點(diǎn)云數(shù)據(jù)的建筑物提取方法。首先采用布料模擬點(diǎn)云濾波(Cloth Simulation Filter,CSF)算法對(duì)原始點(diǎn)云進(jìn)行濾波[8],去除地面點(diǎn),并根據(jù)顏色信息濾除植被點(diǎn);然后對(duì)剩余的點(diǎn)進(jìn)行平面分割,獲取各個(gè)平面片的面積、寬度等幾何屬性及其拓?fù)潢P(guān)系,并根據(jù)相關(guān)特征對(duì)平面片點(diǎn)云進(jìn)行優(yōu)化,得到建筑物單體點(diǎn)云;最后采用Alpha Shape 算法獲取單個(gè)建筑點(diǎn)云的輪廓點(diǎn)[9],并利用遞歸最小外接矩形(Recursive Minimum Bounding Rectangle,RMBR)算法對(duì)建筑輪廓進(jìn)行規(guī)則化[10],得到規(guī)則化后的建筑物輪廓。
傾斜影像密集匹配點(diǎn)云主要包括地面點(diǎn)、植被點(diǎn)、建筑物點(diǎn)等,通過(guò)預(yù)處理濾除地面點(diǎn)、植被點(diǎn)能有效提高后續(xù)建筑物提取的精度。
1.1.1 傾斜影像密集匹配點(diǎn)云濾波
點(diǎn)云濾波主要用于分離地面點(diǎn)和非地面點(diǎn),是建筑物提取的關(guān)鍵步驟之一。與大多數(shù)為達(dá)到較高的精度需設(shè)定復(fù)雜參數(shù)閾值的濾波的算法不同,CSF 濾波算法需要設(shè)置的參數(shù)較少,并且濾波效果較好[8],因此本文采用CSF 濾波方法對(duì)傾斜影像密集匹配點(diǎn)云進(jìn)行濾波。CSF 濾波方法近似于一個(gè)單一的物理模擬過(guò)程,首先將原始點(diǎn)云倒置,然后將一塊布平鋪于倒置的表面,由于重力自然下垂,布料足夠柔軟并粘貼在地形上,確定布的形狀,即描述地面點(diǎn)。傾斜影像密集匹配點(diǎn)云如圖1 所示,濾波后的地物點(diǎn)云如圖2 所示。
圖1 傾斜影像密集匹配點(diǎn)云
圖2 濾波后地物點(diǎn)云
1.1.2 植被點(diǎn)云剔除
由于高大植被與建筑物存在高度相似、空間相鄰等關(guān)系,從而影響建筑物點(diǎn)精確提取的效果,因此需要從非地面點(diǎn)云中檢測(cè)并剔除植被點(diǎn)。通常,傾斜攝影測(cè)量系統(tǒng)搭載普通可見光相機(jī),無(wú)法得到廣泛應(yīng)用的基于紅-近紅外的植被指數(shù),因此本文采用綠葉指數(shù)(Green Leaf Index,GLI)檢測(cè)植被點(diǎn)。綠葉指數(shù)表達(dá)式如式(1)所示
式中:R、G、B分別代表點(diǎn)的R、G、B 通道的值。
植被點(diǎn)云剔除的具體過(guò)程為:①按照式(1)計(jì)算非地面點(diǎn)云中各點(diǎn)的GLI值;②根據(jù)各點(diǎn)的綠葉指數(shù),由最大類間方差(OSTU)方法計(jì)算閾值TGLI;③將GLI值大于TGLI的點(diǎn)認(rèn)為是植被點(diǎn)并剔除。
建筑物屋頂主要是由單個(gè)或多個(gè)平面組成,因此平面特征是建筑物的主要特征之一。從傾斜影像密集匹配點(diǎn)云中快速、準(zhǔn)確地提取出平面,并根據(jù)平面幾何特征等對(duì)平面進(jìn)行篩選、組合等處理,可以得到建筑物屋頂面,進(jìn)而準(zhǔn)確地提取出建筑物。
1.2.1 基于RANSAC 算法的點(diǎn)云快速平面分割
RANSAC 算法作為模型擬合方法的一種,自提出以來(lái),在計(jì)算機(jī)視覺、攝影測(cè)量等領(lǐng)域得到了廣泛的研究與應(yīng)用?;赗ANSAC 算法對(duì)三維點(diǎn)云進(jìn)行平面分割的步驟如下。
1)計(jì)算最小抽樣數(shù)M。
2)從點(diǎn)云數(shù)據(jù)集中隨機(jī)選擇m(m=3)個(gè)點(diǎn)并計(jì)算平面模型的參數(shù)。
3)對(duì)數(shù)據(jù)集中的所有點(diǎn),計(jì)算各點(diǎn)到該平面的距離,若在閾值范圍內(nèi),則將該點(diǎn)歸為內(nèi)點(diǎn),否則歸為外點(diǎn)。
4)重復(fù)步驟2)、3)M次,統(tǒng)計(jì)每次分類后的內(nèi)點(diǎn)數(shù)量,選擇內(nèi)點(diǎn)數(shù)量最大時(shí)對(duì)應(yīng)的平面參數(shù)為最優(yōu)模型參數(shù)。
5)統(tǒng)計(jì)最優(yōu)模型參數(shù)對(duì)應(yīng)的局內(nèi)點(diǎn)點(diǎn)數(shù),當(dāng)大于閾值Snum時(shí),對(duì)所有局內(nèi)點(diǎn)進(jìn)行最小二乘擬合,得到最終的平面模型參數(shù);否則跳出循環(huán)將數(shù)據(jù)點(diǎn)集上的點(diǎn)歸為離散點(diǎn)。
6)從點(diǎn)集中剔除內(nèi)點(diǎn),剩下的點(diǎn)作為下一步處理的點(diǎn)集,重復(fù)步驟2)—6),直到所有的平面都被提取出。
由于點(diǎn)云數(shù)據(jù)量龐大,直接使用隨機(jī)采樣一致性算法進(jìn)行平面分割效率不佳。Schnabel 采用八叉樹數(shù)據(jù)結(jié)構(gòu),并結(jié)合局部采樣等策略對(duì)RANSAC 算法進(jìn)行改進(jìn),顯著提高了點(diǎn)云平面分割的效率[11]。本文采用該方法進(jìn)行點(diǎn)云平面分割,平面分割結(jié)果如圖3 所示。
圖3 點(diǎn)云平面分割結(jié)果
1.2.2 基于多特征組合的建筑物點(diǎn)云精確提取
地物點(diǎn)云平面分割后得到的平面片包括建筑屋頂面片、建筑立面面片、其他面片等,因此需要將建筑側(cè)墻面片和其他面片剔除。此外,對(duì)于人字型建筑,還需要將相鄰建筑平面片合并,得到完整的單個(gè)建筑點(diǎn)云。系統(tǒng)采用多種特征組合的方法實(shí)現(xiàn)建筑點(diǎn)云的精確提取,采用的特征主要包括以下幾點(diǎn)。
1)平面法矢量:對(duì)于建筑屋頂平面矢量,包括人字型屋頂平面法矢量與豎直方向夾角通常不超過(guò)40°,而建筑立面面片的法矢量與豎直方向的夾角通常接近于90°,因此,該特征可有效區(qū)分建筑立面面片。
2)面片寬度:該特征為面片點(diǎn)在地面投影的外接矩形的寬度,用于識(shí)別窄狀的非建筑面片。
3)面片投影面積:該特征為面片在地面投影所占的面積,用于識(shí)別面積較小的非建筑面片。
4)面片高度:該特征由建筑面片中點(diǎn)的高程和濾波后地面點(diǎn)內(nèi)插高程計(jì)算得到,包括面片中點(diǎn)的平均高度、最高高度、最低高度,用于識(shí)別高度較低的非建筑面片。
5)面片拓?fù)潢P(guān)系:利用Alpha Shape 算法提取每個(gè)分割平面片的邊界,根據(jù)邊界間的距離構(gòu)建面片之間的拓?fù)潢P(guān)系。對(duì)于建筑屋頂面片而言,通常有相鄰的建筑屋頂平面和建筑立面,該特征可有效去除孤立的非建筑面片。此外,計(jì)算相鄰面片之間的距離,當(dāng)距離小于閾值時(shí),認(rèn)為該相鄰面片為相同建筑物面片進(jìn)行合并,得到單一建筑的點(diǎn)云。
根據(jù)以上平面片特征和拓?fù)潢P(guān)系,對(duì)平面片進(jìn)行組合、篩選,可精確提取建筑物點(diǎn)云。
從建筑物點(diǎn)云中提取建筑物外輪廓,并進(jìn)行簡(jiǎn)化和規(guī)則化,得到規(guī)則化的建筑物外輪廓,可以為建筑物單體化建模等應(yīng)用提供基礎(chǔ)數(shù)據(jù)。
1.3.1 建筑物輪廓提取
在精確提取出建筑物點(diǎn)云后,本文采用二維Alpha Shape 算法提取建筑物的輪廓點(diǎn)。該方法將建筑物點(diǎn)云投影到水平面上,并采用一個(gè)半徑為α 的圓環(huán)進(jìn)行滾動(dòng),從而得到建筑物的邊界離散線段,將首尾相接的線段連接成封閉的多邊形[9],如圖4 所示。其中,半徑α控制了提取輪廓的精細(xì)程度。當(dāng)α→∞時(shí),只能得到部分外輪廓點(diǎn);而當(dāng)α→0 時(shí),點(diǎn)集中每個(gè)點(diǎn)將都是輪廓點(diǎn)。一般情況下,參數(shù)α 設(shè)置為平均點(diǎn)間距的2~3倍。
1.3.2 建筑物輪廓規(guī)則化
RMBR 算法是通過(guò)一系列最小外接矩形的組合來(lái)獲取建筑物輪廓規(guī)則化的算法,適用于直角類型的建筑物的輪廓規(guī)則化[10]??紤]到大多建筑物的輪廓是直角類型,本文在Alpha Shape 提取的輪廓點(diǎn)的基礎(chǔ)上,采用RMBR 算法對(duì)建筑物輪廓進(jìn)行規(guī)則化?;赗MBR 算法對(duì)建筑物輪廓規(guī)則化的具體步驟如下(如圖5 所示,其中實(shí)線邊框?yàn)榻ㄖ锍跏驾喞鸵淮渭?xì)化后的輪廓,虛線邊框?yàn)榈诙?jí)最小外接矩形)。
圖5 RMBR 算法原理示意圖
1)確定建筑物的第一層最小外接矩形MBR1。①以輪廓點(diǎn)中任一點(diǎn)為原點(diǎn),將該點(diǎn)及與其相鄰的輪廓點(diǎn)的連線方向?yàn)槌跏挤较?,并設(shè)為x軸方向,建立右手坐標(biāo)系,統(tǒng)計(jì)各輪廓點(diǎn)在該局部坐標(biāo)系中x方向和y方向上的最大小值,進(jìn)而構(gòu)建4 個(gè)角點(diǎn)分別為(xmin,ymin)、(xmax,ymin)、(xmax,ymax)和(xmin,ymax)的外接矩形;②計(jì)算各輪廓點(diǎn)到該矩形4 邊的最近距離,若距離小于閾值(如點(diǎn)云平均間距),認(rèn)為該點(diǎn)與該外接矩形一致,統(tǒng)計(jì)輪廓點(diǎn)中與該外接矩形一致的點(diǎn)數(shù);③以初始方向起始方向,以一定的角度間隔(如10°)為新的x軸方向,構(gòu)建一系列局部坐標(biāo)系,在各個(gè)坐標(biāo)系中按照同樣的方法,構(gòu)建外接矩形,并統(tǒng)計(jì)與對(duì)應(yīng)外接矩形一致的輪廓點(diǎn)點(diǎn)數(shù);④將統(tǒng)計(jì)的外接矩形輪廓點(diǎn)點(diǎn)數(shù)最多的外接矩形作為該建筑物的第一層最小外接矩形。
2)確定建筑物的第二層最小外接矩形MBR2。追蹤與上一層最小外接矩形不一致的邊界連線段,若連線段的長(zhǎng)度超過(guò)閾值,計(jì)算各個(gè)連線段的最小外接矩形。需要注意的是,除第一層最小外接矩形外,其他層的最小外接矩形可能會(huì)有多個(gè)。
3)重復(fù)步驟2),得到其他各層的最小外接矩形MBRi,直至滿足精度要求(i≤5)。
4)由遞歸得到的多層最小外接矩形,按照式(2)計(jì)算得到規(guī)則化后的建筑物輪廓outline。
為了驗(yàn)證本文從傾斜影像密集匹配點(diǎn)云中提取建筑物方法的可行性,選取某測(cè)區(qū)的傾斜影像密集匹配點(diǎn)云數(shù)據(jù)進(jìn)行試驗(yàn)。測(cè)區(qū)面積約40 000 m2,地形略有起伏,其主要地物是建筑物和植被,其中建筑物大多為人字形屋頂建筑,植被數(shù)量較多且部分與建筑物相鄰接。采用六旋翼無(wú)人機(jī)搭載索尼5100 相機(jī)獲取測(cè)區(qū)的傾斜攝影測(cè)量影像,通過(guò)Context Capture 軟件進(jìn)行空三、密集匹配等處理,其中密集匹配間隔為0.1 m,得到密集匹配點(diǎn)云共5 128 794 點(diǎn)(如圖1 所示)。
對(duì)密集匹配點(diǎn)云進(jìn)行CSF 濾波和植被點(diǎn)剔除等預(yù)處理后的結(jié)果如圖6 所示,地面點(diǎn)和大部分植被點(diǎn)已被有效濾除,降低了點(diǎn)云分割等后續(xù)處理的數(shù)據(jù)量,并能提高建筑物提取的效果。
圖6 去除植被后地物點(diǎn)云
對(duì)預(yù)處理后的點(diǎn)云數(shù)據(jù)進(jìn)行快速平面分割,并對(duì)分割結(jié)果進(jìn)行優(yōu)化,得到精確的建筑物點(diǎn)云提取結(jié)果如圖7 所示,可以看出,絕大部分建筑均被有效地識(shí)別。
圖7 點(diǎn)云分割優(yōu)化結(jié)果
對(duì)優(yōu)化后的建筑物點(diǎn)云數(shù)據(jù),采用Alpha Shape算法提取建筑輪廓點(diǎn)的結(jié)果如圖8 所示,輪廓點(diǎn)規(guī)則化處理結(jié)果如圖9 所示??梢钥闯觯撘?guī)則化方法可以有效地表示直角類型的建筑物。
圖8 優(yōu)化后建筑物輪廓點(diǎn)
圖9 規(guī)則化后的建筑物輪廓
為了對(duì)建筑物提取結(jié)果進(jìn)行定量評(píng)價(jià),參考圖像分類精度評(píng)估方法,采用建筑物提取結(jié)果的對(duì)象級(jí)精度進(jìn)行評(píng)價(jià),包含正確率和查全率2 個(gè)指標(biāo),正確率為正確提取的建筑物單體數(shù)與提取的建筑單體數(shù)的比值,查全率為正確提取的建筑物單體數(shù)與實(shí)際建筑物單體數(shù)的比值。其中實(shí)際建筑物單體由人工采集,當(dāng)提取的建筑物單體與實(shí)際建筑單體相互重疊均超過(guò)給定閾值(如70%),認(rèn)為該建筑物單體提取正確。
本文試驗(yàn)結(jié)果精度評(píng)價(jià)結(jié)果見表1,其中人工采集建筑物單體41 個(gè),自動(dòng)提取建筑物單體38 個(gè),正確率為92.1%,查全率為87.8%,整體精度較好,表明本文方法適用于基于傾斜影像密集匹配點(diǎn)云的建筑物提取。
表1 建筑物提取精度
本文提出了一種基于傾斜影像密集匹配點(diǎn)云數(shù)據(jù)的建筑物提取方法,該方法基于大多建筑物的屋頂面由平面組成、建筑物外輪廓多為直角類型等特征出發(fā),包含濾波、平面分割、建筑輪廓與規(guī)則化等一系列環(huán)節(jié)。實(shí)驗(yàn)結(jié)果表明,該方法提取的建筑物輪廓能夠有效描述傾斜影像密集匹配點(diǎn)云中的建筑物。隨著建筑物設(shè)計(jì)概念的多元化,建筑物屋頂面和輪廓形狀復(fù)雜多樣,后續(xù)將進(jìn)一步研究適用于復(fù)雜建筑物的輪廓提取方法。