專利名稱：集成影像與LiDAR數(shù)據(jù)提取建筑物輪廓的方法
技術領域：
本發(fā)明涉及一種集成影像與LiDAR數(shù)據(jù)提取建筑物輪廓的方法，屬于衛(wèi)星遙 感影像與LiDAR數(shù)據(jù)處理技術領域。
背景技術：
建筑物模型重建一直是測繪、遙感領域研究的熱點?，F(xiàn)階段，數(shù)字攝影測量 技術與機載激光雷達技術(LiDAR)是三維建筑物模型獲取的兩種最常用手段。 然而，"對于各式各樣的建筑物，沒有一項建模技術可以同時滿足自動化、高精 度、靈活高效、價格低廉等要求"，融合多源數(shù)據(jù)，發(fā)揮各自優(yōu)勢并相互補充， 是建筑物模型重建的必然趨勢。因此急需同時滿足高度自動化、更精確、更細致， 且價格低廉、靈活高效地重建建筑物模型的方法。
輪廓提取是建筑物提取與建模的重要基礎工作。建筑物形狀各異，但絕大多 數(shù)的輪廓特征線為直線，建筑物直線輪廓提取的研究具有重要意義。從高分辨率 影像中自動提取建筑物的研究已經(jīng)開展多年，(張祖勛等，2001)提出了一種幾何 約束與影像分割結合的半自動房屋提取方法；(Huertas等，1988)通過提取矩形 的角點來提取建筑物輪廓；(Lin等，1994)提出了采用感知編組和陰影信息相結 合的建筑物提取方案；(Kim等，1999)通過計算各直線相互關系的代價函數(shù)，以 代價函數(shù)最小的準則提取建筑物矩形輪廓；(陶文兵等，2003)引入知識定義了幾 種近似的矩形結構，提出了一套直線后處理的方法。這些方法的共同特點是或者 基于幾何約束、或者基于某種規(guī)則、或者基于知識等等來優(yōu)化輪廓獲取工作，然 而高分辨率影像上有著大量復雜信息，僅僅基于影像難以自動分離建筑物區(qū)域與 非建筑物區(qū)域，道路邊線、建筑物陰影、橋梁、停車場等類似目標往往會對建筑 物輪廓提取工作形成干擾，輪廓誤檢與漏檢的情況不可避免大量存在，單純基于 影像自動、準確獲取邊緣輪廓的技術難度很大且效率不高。
從影像中提取出的輪廓幾何精度高、細節(jié)豐富，但處理的自動化程度不高， 從LiDAR數(shù)據(jù)中提取的輪廓往往定位精度不高、且建筑細微結構易被忽略，但 LiDAR點直接提供了三維坐標，有利于提高處理的自動化程度。顯然，兩類數(shù)據(jù) 存在著很強的互補性，集成兩類數(shù)據(jù)進行建筑物輪廓提取具有研究價值。
3利用DSM或者LiDAR點云提取建筑物輪廓的研究也有許多。(Weiss等，1995; Brunn等，1997)利用DSM與DEM之間的差異提取建筑物輪廓；(Vosselman等， 2001)利用規(guī)劃數(shù)據(jù)輔助LiDAR進行建筑物重建；(Sohn等，2003)將IKONOS影 像與LiDAR數(shù)據(jù)結合檢測建筑物；(黃先鋒2006; Sampath等，2007)使用規(guī)則 化的方法提取建筑物輪廓；綜述性的文章可以參見(Brenner 2005)。 一般而言， 以現(xiàn)有技術水平，空載LiDAR數(shù)據(jù)的點間距約為米級，相對于可以達到厘米級分 辨率的航空高分辨率影像而言，LiDAR數(shù)據(jù)空間分辨率較低，直接基于LiDAR數(shù) 據(jù)獲取的建筑物輪廓線往往不夠精細且精度不高。利用規(guī)則化技術可以提高輪廓 線的精度，但規(guī)則化方法也受制于LiDAR點的空間分辨率與濾波、分類等處理的 精度，存在不確定性且容易導致輪廓線產(chǎn)生整體偏移。

發(fā)明內(nèi)容
為了克服上述現(xiàn)有技術的不足，本發(fā)明提供一種集成影像與LiDAR數(shù)據(jù)提取 建筑物輪廓的方法。
實現(xiàn)本發(fā)明目的采用的技術方案是集成影像與LiDAR數(shù)據(jù)提取建筑物輪廓 的方法，包括以下步驟
(1) 預處理。將LiDAR點云中的建筑物點分離出來，并分割這些點形成每棟 建筑物的點集；
(2) 建立輪廓提取區(qū)。針對每棟建筑物，內(nèi)插其點集成面域做緩沖區(qū)，套合 影像與緩沖區(qū)并利用緩沖區(qū)過濾無關區(qū)域形成建筑物專題影像，再擬合點集的外 接矩形切割專題影像，建立每棟建筑物的輪廓提取區(qū)；
(3) 線段提取。針對絕大多數(shù)建筑物存在主方向的特點，根據(jù)LiDAR點集估 算出建筑物的概略主方向，基于概略主方向的約束在輪廓提取區(qū)自動、魯棒的檢 測出精確主方向，線段提取在精確的主方向上進行；
(4) 輪廓篩選。針對超高分辨率影像線段提取的特點，在LiDAR數(shù)據(jù)的輔助 下，利用Kmeans聚類算法動態(tài)篩選出精確輪廓
本發(fā)明的特點是-
(1) 可以有效提取結構復雜的建筑物輪廓，提取出的輪廓應具有較高的定位 精度。
(2) 建筑物輪廓完整、細微結構如較短的邊、細小的轉(zhuǎn)角等都能準確提取。


附圖為本發(fā)明方法的流程圖。
具體實施例方式
下面結合附圖和實施例對本發(fā)明作進一步的說明。 實施例
集成影像與LiDAR數(shù)據(jù)提取建筑物輪廓的方法的流程圖如附圖所示，包括以 下步驟
(l)預處理
將LiDAR點云中建筑物點與非建筑物點分離，分割建筑物點形成每棟建筑物 的點集。其中點云的分離，首先根據(jù)兩次反射數(shù)據(jù)消除絕大部分的樹叢；再通過 線形預測的方法檢測地形獲取DEM，刪除地面點后得到帶有噪聲的建筑物點；最 后通過面積控制消除碎片得到建筑物點。建筑物點的分割可采用(Sampath and Shan 2007)中介紹的區(qū)域生長的方法。預處理環(huán)節(jié)的全自動化尚有技術難度，一 般策略是在自動處理結果的基礎上進行了一定的人工編輯。預處理部分所使用方 法的技術細節(jié)，可參見所引參考文獻。
(2)預處理的過程分割出每棟建筑物的點集，利用這些點集在影像上建立輪 廓提取感興趣區(qū)域，使得輪廓提取專注于目標區(qū)域，大大減少了無關信息的干擾， 在影像上建立輪廓提取感興趣區(qū)域的具體方法分為三步
(a)套合LiDAR數(shù)據(jù)與影像。本發(fā)明方法不依賴于具體影像類型，故套合的 具體方法因影像情況的不同而不同。如果是正射影像，兩者直接套合即可；如果 是航片，則可根據(jù)外方位元素，通過下式共線方程將LiDAR點反算到影像上，進 行套合；如果是方位未知的影像，則采用人工配準的方法將影像與LiDAR數(shù)據(jù)套合。
<formula>formula see original document page 5</formula>
其中;c,y為像點的像平面坐標，x。,少。,/為影像的內(nèi)方位元素，^，i;，2^為攝 站點的物方空間坐標；義，y,Z為物方點的物方空間坐標，fl,，6,，c,為影像外方位角元素組成的方向余琺。
(b)緩沖區(qū)過濾。LiDAR數(shù)據(jù)與影像的套合會受一系列誤差的影響而導致位 置偏差，將建筑物點集內(nèi)插成面域后向外做緩沖區(qū)(buffer),以確保影像上建筑 物落在緩沖區(qū)內(nèi)，再通過緩沖區(qū)過濾無關區(qū)域只剩下建筑物區(qū)域影像，形成所謂 的建筑物專題影像。
外接矩形切割。針對每個建筑物，根據(jù)其點集擬合外接矩形，以緩沖區(qū)閾值 為閾值進行外擴，切割建筑物專題影像，形成每個建筑物的輪廓提取感興趣區(qū)域， 簡稱輪廓提取區(qū)。
(3)建筑物精確主方向檢測算法
(3-1)主方向檢測只在單個建筑物中進行，所有建筑物逐個處理，由于一個 建筑物只存在一個主方向，解決了建筑物排列無序的問題。沿著建筑物主方向存 在大量的平行輪廓直線，影像空間這些平行線對應著Hough空間的同一個e，根 據(jù)閾值過濾積累矩陣可以建立角度累加值的直方圖，直方圖上主方向的位置會出 現(xiàn)峰值，因為閾值變成問題的關鍵。本實施例利用LiDAR數(shù)據(jù)預先獲取概略主方 向區(qū)間，在概略主方向的約束下，以自適應的方式自動獲取閾值。同時，因為有 了概略主方向的約束，直方圖的峰值檢測工作由0-180度區(qū)間的多峰值檢測變?yōu)?已知區(qū)間內(nèi)的單峰值檢測，精確主方向的獲取變得魯棒、高效。
(3-2)概略主方向的擬合，絕大多數(shù)的建筑物幾何形狀規(guī)則，針對每個建筑 物，根據(jù)其建筑物點集擬合旋轉(zhuǎn)的最小外接矩形(MBR)，以最小外接矩形兩個邊 的方向為建筑物的概略主方向。
(3-3)精確主方向檢測 在概略主方向的約束下，精確主方向檢測算法的步驟如下
(a) 對輪廓提取區(qū)影像做Hough變換，找出積累空間中的最大值；
(b) 設定閾值為積累空間最大值乘以系數(shù)t， t初始取值為0.9。將積累空 間每個單元的值與此閾值進行比較，大于閾值的保留，小于閾值的單元值設為0;
(c) 在概略主方向區(qū)間內(nèi)，對于每個0累加積累空間的列。如果累加值都為
零，那么減小系數(shù)t (減小幅度為O.l)，跳轉(zhuǎn)到(b);如果積累值有不為零的，
那么對這些積累值做單峰值檢測，此峰值就是精確主方向；
判斷概略主方向區(qū)間是否都處理完畢，如果是，則程序終止，如果沒有，則跳轉(zhuǎn)到(C)，完成概略主方向的處理。
(4) 線段提取
線段提取需要在邊緣影像上進行，本實施例首先采用Edison算子對輪廓提取 區(qū)進行邊緣檢測。在主方向的指導下，線段提取工作由Hough變換的二維積累空 間的峰值檢測變?yōu)閮蓚€主方向指導下的一維峰值檢測。因而，線段提取工作變得 準確、魯棒且高效?？紤]到影像成像過程中各種因素的干擾，影像上平行線之間 也會有些微小的偏差角度，實際實驗中，精確主方向也被給予一定的閾值形成精 確主方向區(qū)間。本實施例以迭代的方法提取線段，算法步驟為 (4-1)在輪廓提取區(qū)做Hough變換，建立積累空間；
(4-2)任選一個精確主方向，在該方向上搜索最大值，得到該方向的峰值
(4-3)以線段最小距離閾值、最短線段長度闞值為約束，獲取峰值P對應的 符合要求的線段，以及線段的端點；
(4-4)轉(zhuǎn)換這些線段上的點到Hough空間，消除這些點對積累矩陣的貢獻； (4-5)設置該峰值及其相鄰單元積累矩陣值為0;
(4-6)選擇新的主方向，跳轉(zhuǎn)至第(2)步。依此，循環(huán)所有主方向，重復 (2)-(5)，完成線段提取。
(5) 利用Kraeans聚類算法動態(tài)篩選輪廓 在完成線段提取工作后，還需要進行輪廓的篩選工作，因為所提取的線段還
包括大量的屋頂?shù)慕Y構線、以及一些干擾線段。下面通過一種基于Kmeans聚類 的動態(tài)篩選精確輪廓的策略，具體實現(xiàn)如下
(5-1)過濾。在獲取精確輪廓前，需要先將明顯無關的線段過濾掉，過濾分 為兩步(I )利用擬合的建筑物最小外接矩形(MBR)，切割輪廓提取區(qū)中的所有 線段，排除MBR外的線段；(n)針對剩余線段，依每條線段垂直方向做外擴形 成線段的左右矩形。如果左右矩形內(nèi)均沒有LiDAR點，則說明此線段為建筑物區(qū) 域外的線段，過濾之。如果左右矩形內(nèi)LiDAR點密度相當，則說明此線段為屋頂 結構線，過濾之。
(5-2)分組和聚類。過濾后所剩線段均為疑似的建筑物輪廓線，將角度偏差 很小的線段視為平行線段，根據(jù)平行線段間的水平距離和垂直距離對線段分組。對于一組中的每條候選輪廓線，按照上述方法外擴形成左右矩形，計算每條線段 左右矩形的LiDAR點密度差。用下式定義一組線段的密度差
<formula>formula see original document page 8</formula>
式中《表示第k條候選輪廓線的密度差，用Kmeans聚類算法，根據(jù)|《|將所有
密度差聚集成兩類， 一類密度差大，另一類密度差小。密度差小的被排除，保留 密度差大的，密度差大的線段為該組中的精確輪廓線。
權利要求
1.一種集成影像與LiDAR數(shù)據(jù)提取建筑物輪廓的方法，其特征在于包括以下步驟(1)預處理將LiDAR點云中的建筑物點分離出來，并分割這些點形成每棟建筑物的點集；(2)建立輪廓提取區(qū)針對每棟建筑物，內(nèi)插其點集成面域做緩沖區(qū)，套合影像與緩沖區(qū)并利用緩沖區(qū)過濾無關區(qū)域形成建筑物專題影像，再擬合點集的外接矩形切割專題影像，建立每棟建筑物的輪廓提取區(qū)；(3)線段提取針對絕大多數(shù)建筑物存在主方向的特點，根據(jù)LiDAR點集估算出建筑物的概略主方向，基于概略主方向的約束在輪廓提取區(qū)自動、魯棒的檢測出精確主方向，線段提取在精確的主方向上進行；(4)輪廓篩選，針對超高分辨率影像線段提取的特點，在LiDAR數(shù)據(jù)的輔助下，利用Kmeans聚類算法動態(tài)篩選出精確輪廓。
2. 根據(jù)權利要求1所述集成影像與LiDAR數(shù)據(jù)提取建筑物輪廓的方法，其特征在 于集成LiDAR數(shù)據(jù)利用高分辨率航空影像提取建筑物輪廓。
全文摘要
本發(fā)明公開了一種集成影像與LiDAR數(shù)據(jù)提取建筑物輪廓的方法，該方法包括(1)LiDAR點云數(shù)據(jù)預處理；(2)建立輪廓提取區(qū)；(3)建筑物線段提取；(4)建筑物輪廓篩選。本發(fā)明可以有效提取結構復雜的建筑物輪廓，定位精度與LiDAR的方案相當，而且正確率與完整率高、魯棒性好。
文檔編號G01C11/04GK101604450SQ20091006330
公開日2009年12月16日 申請日期2009年7月24日 優(yōu)先權日2009年7月24日
發(fā)明者孫開敏, 眭海剛, 亮 程, 龔健雅 申請人:武漢大學