基于LiDAR和航空影像的地震災害倒塌建筑物信息提取

于海洋，程 鋼，張育民，盧小平

基于LiDAR和航空影像的地震災害倒塌建筑物信息提取

于海洋，程 鋼，張育民，盧小平

(河南理工大學礦山空間信息技術國家測繪局重點實驗室，焦作 454000)

地震災害損失評估是震后展開救災工作的重要環節。快速、準確地獲取震后損毀建筑物信息能夠為災區減災、救災工作提供有效的支持。高分辨率航空遙感是災害監測的重要技術手段，但其信息自動提取的精度受到一定的限制。近年來新出現的LiDAR技術能夠提供地面目標的高程信息，可應用于復雜環境下倒塌建筑物信息的提取。研究中采用航空遙感數據和LiDAR數據，基于面向對象的圖像分析 (Object－Based Image Analysis，OBIA)與SVM技術相結合的方法對2010年1月12日海地地震中倒塌建筑物信息進行了提取，提取總體精度達到86.1%。

地震災害;倒塌建筑物;信息提取;LiDAR;面向對象的圖像分析(OBIA);SVM;航空影像

0 引言

快速準確地獲取倒塌建筑物信息能為地震災后救災工作提供支持，是地震災害損失評價的重要環節［1］。將高分辨率遙感圖像變化監測的方法用于地震災害評估的研究較多，通過地震前后遙感影像變化區域對比，能夠提取倒塌建筑物等災情信息［2，3］。有研究者將 GIS 矢量先驗知識［4］、航空或衛星立體像對提取的DEM三維信息［5］以及衛星雷達數據［6］等用于地震前后建筑物信息提取，但其提取精度受到一定的限制，并且在實際應用中通常因缺乏震前高分辨遙感數據或準確矢量先驗知識而無法對變化信息進行精確提取。

機載激光雷達技術(Light Detection And Ranging，LiDAR)作為一種新興的航空遙感技術，將GPS技術、INS技術以及激光掃描技術和計算機技術集于一體，能夠自動地獲取高精度、高密度的地球表面3D點云數據，已成為建立數字地面模型(DTM)的首選技術，并成功應用于災害監測，是當前的一個研究熱點。

本文將2010年海地地震災區的LiDAR點云數據與航空影像數據相結合，利用面向對象的圖像分析技術(Object－ Based Image Analysis，OBIA)將圖像分割為有意義的目標對象，并分析多數據空間、光譜和紋理特征，應用基于支持向量機(Support Vector Machine，SVM)的技術方法實現了地震災害倒塌建筑物信息的自動提取。

1 數據獲取與預處理

本研究使用的數據由羅徹斯特理工學院的影像科學中心(Center for Imaging Science at Rochester Institute of Technology，RIT)、Kucera International和ImageCat公司采集。數據采集由世界銀行資助，獲取了受地震影響地區的高空間分辨率航空遙感圖像和LiDAR數據，以幫助海地救災工作。研究區域覆蓋了2010年1月12日海地地震后首都太子港城市的一部分。數據獲取系統由WASP攝像系統和Kucera International激光雷達傳感器組成，獲取時間為2010年1月21日～1月27日，研究區航空影像如圖1所示。

圖1 研究區航空影像Fig.1 Aerophotograph of study area

LiDAR點云數據預處理包括［7］:①結合GPS和慣性測量系統觀測數據計算每個點云的三維坐標，所獲得數據的高程精度為11 cm，水平精度為15 cm;②檢測和清除其中的系統誤差和粗差點，對點云數據采用自適應TIN(Adaptive TIN，ATIN)方法進行濾波分類，分離地面和非地面點［8］;③基于Kriging插值方法建立數字地面模型，同時利用LiDAR第一次返回的數據建立數字表面模型(DSM);④從DSM減去DEM可得到地表物體的高度信息，該模型被稱為 nDSM(normalized Digital Surface Model)。利用nDSM提取建筑物能夠直接消除地形影響。實驗中提取的nDSM空間分辨率為1 m，提取的nDSM數據如圖2所示。

圖2 由LiDAR提取的nDSM數據暈渲圖Fig.2 Shade view of the nDSM extracted from LiDAR

對航空遙感數據使用DSM進行了正射校正，校正圖像與LiDAR數據完全配準。該航空遙感數據空間分辨率為0.3 m。

2 基于OBIA倒塌建筑物信息提取方法

2.1 圖像分割

采用Baatz等人［9］提出的通過控制異質性和尺度參數進行相鄰區域合并，進而獲取分割對象的算法進行圖像分割。異質性和尺度參數由航空彩色圖像和nDSM高程數據計算獲取。

尺度是指識別特定目標所需要的最小尺寸，與圖像的分辨率密切相關。更高的圖像分辨率需要更大尺度參數，以確定一個特定的對象。實驗中，尺度參數通過試錯的方法由經驗確定，盡量減少建筑物的聚集，并保存每個建筑物的完整性。

同質參數f的計算使用了顏色差異Δhcolor和形狀差異Δhshape兩個方面的特征。顏色是指物體的光譜響應，而形狀傳達了有關對象空間語義信息的一致性，計算公式為

式中，wcolor和wshap分別為顏色、形狀差異的權重參數，可根據實際應用進行調整。形狀特征進一步被劃分為緊致度(Cmpct)和光滑度(Smooth)兩個相互對立的特征。前者由對象的周長l與像元數量n的平方根比值來表示;后者定義為周長l與外接長方形最小可能邊長b的比值，即

2.2 分割對象目標特征提取

實驗中用于倒塌建筑物提取的分割對象特征包括航空彩色圖像的均值和nDSM的高程均值以及綠度指數和nDSM與航空影像數據提取的紋理特征。

(1)綠度指數。綠度指數主要用于識別植被覆蓋程度，其計算公式為

式中，G和R分別表示綠波段和紅波段像元值。

(2)紋理特征。在多數情況下，未倒塌建筑物圖像的紋理特征較為一致，紋理變化較小，而倒塌建筑物紋理較為雜亂，變化較大。實驗選取了對比度(Contrast)、差異性(Dissimilarity)和方差(Variance)等基于灰度共生矩陣的紋理特征，計算公式［10］為

式中，μ是均值;i，j是一定大小窗口內共生矩陣點對的灰度值;p(i，j)為圖像中某一點灰度值為i，在某一方向上與之相隔一定距離且灰度為j點出現的頻度;N為灰度共生矩陣的大小。

紋理特征由紅、綠、藍3個波段遙感圖像及nDSM數據獲取。對比度是灰度共生矩陣主對角線附近的慣性矩，度量矩陣值的分布情況和圖像空間頻率的局部變化，反映了紋理清晰度和紋理溝紋深淺，即圖像局域內最大灰度值與最小灰度值之間的幅度差。差異性參數能夠反映共生矩陣之間的差異情況，當局域內對比度較高時，差異性值亦較高。未倒塌建筑物一般具有較低的方差值，倒塌的建筑物方差值較高(圖3)。

圖3 未倒塌建筑物與倒塌建筑物紋理信息對比Fig.3 Image segment of normal building and collapsed building

2.3 支持向量機分類

近年來，許多研究表明了基于SVM遙感數據監督分類的有效性［11，12］。SVM 方法是從線性可分情況下的最優分類面(optimal hyperplane)提出的［13］。在二維線性可分情況下，如圖4所示，實心三角點和空心三角點分別表示兩類訓練樣本，P為把兩類樣本正確分開的分類線，P1、P2分別為過各類樣本中離分類線最近的點且平行于分類線的直線，P1和P2之間的距離叫作分類空隙或分類間隔(margin)。

圖4 最優分類面Fig.4 Optimal hyperplane of SVM algorithm

所謂最優分類線就是要求分類線不但能將兩類無錯誤地分開，而且使兩類的分類空隙最大。前者是保證經驗風險最小(為0)，后者則是通過使分類空隙最大(實際上就是使置信范圍最小)，從而使真實風險最小。推廣到高維空間(最優分類線就是最優分類面)，則首先通過采用非線性變換方式將輸入空間變換到一個高維空間，然后在這個新空間中求取最優線性分類面，而這種非線性變換是通過定義適當的內積函數實現的。

其最優分類函數為

SVM支持2類分類問題，對于多類問題則需采用多個2類分類來實現。

2.4 分類后處理

由于未倒塌建筑物邊緣具有較高的對比度，因此使用SVM算法提取的結果中會包含一部分細小噪聲，這些噪聲通常表現為細長的條帶狀。實驗中采用數學形態學的方法，包括開、閉運算以及面積閾值的方法，來除去提取結果中的噪聲。開、閉算法是基于膨脹、腐蝕兩種基本操作實現的。開操作能夠保留前景區域中與結構元素相似的形狀，或者能夠完全包含結構元素的區域，而去除前景區域中的其他像素;閉操作能夠保留背景區域中與結構元素相似的形狀，或者能夠完全包含結構元素的區域，而去除背景區域中的其他像素。在處理過程中，首先使用1.5個像素大小的圓形結構進行開運算，以消除建筑物邊緣條帶噪聲;然后使用一個4.5個像素大小的圓形結構進行閉運算，以填補連接區域的空洞;最后，采用面積閾值去除微小噪聲。

式中，sng［］為符號函數;ai＞0，為 Lagrange系數。由于非支持向量對應的ai均為0，因此式中的求和實際上只對支持向量進行。yi∈{+1，－1}是類別標號;b*是分類的域值;K(xi，x)為內積核函數。其中，較為常用的是以徑向基核函數作為內積函數，即

3 實驗結果

在圖像分割過程中使用了航空影像紅、綠、藍波段數據以及nDSM數據，并對所使用的數據設置了相等的權重，其他分割參數的設置見表1，具體設置方法參見2.1節。

表1 圖像分割參數Tab.1 Parameters for image segmentation

分割結果如圖5所示。

圖5 圖像分割結果Fig.5 Segmented images

SVM內積核函數采用徑向基核函數，其伽瑪值參數設置為0.125，懲罰因子為100。監督分類中采用目視解譯方法從航空影像中選取樣本。提取結果進一步采用2.4節的方法進一步處理。

倒塌建筑物的提取結果及其局部與影像圖疊加對比如圖6所示。實驗區內共提取152處倒塌建筑物(這里將連接在一起的建筑物作為一處)，面積為33 341 m2。與參考數據(目視解譯結果)對比，I類誤差(倒塌建筑物未能提取)和II類誤差(誤提取非倒塌建筑物)分別為14.5%和9.7%，總體精度為86.1%。

圖6 倒塌建筑物提取結果Fig.6 The extracted result of collapsed buildings

實驗中雖然有部分參數需要根據實際數據特點應用試錯法確定，但整個處理過程全部由計算機處理完成，獲取數據后，只要選定參數和樣本，采用較高性能計算機，實驗區全部數據處理在數分鐘內即可完成，能夠滿足救災應急需求。

4 結論

(1)應用高分辨率的LiDAR數據與航空影像數據，基于OBIA與SVM相結合的方法提取震后倒塌建筑物信息是有效的，該方法能夠快速獲取震后建筑物損毀信息，為減災救災、災害評價等提供支持。

(2)該方法應用過程中的部分參數及樣本還需要人工確定，如何對這些參數進行進一步優化，以提高信息提取過程中的自動化處理水平，還有待今后進一步研究。

［1］ 郭華東，鹿琳琳，馬建文，等.一種改進的地震災害倒塌房屋遙感信息自動識別方法［J］.科學通報，2009，54(17):2581－2585.

［2］ Kaya S，Curran P J，Llewellyn G.Post－ earthquake Building Collapse:A Comparison of Government Statistics and Estimates Derived from SPOT HRVIR Data［J］.Int J Remote Sens，2005，26(3):2731－2740.

［3］ Sakamoto M，Takasago Y，Uto K，et al.Automatic Detection of Damaged Area of Iran Earthquake by High－resolution Satellite Imagery［C］∥Proceedings of IGARSS’04.Alaska，2004:1418 －1421.

［4］ Turker M，San B T.Detection of Collapsed Buildings Caused by the 1999 Izmit，Turkey Earthquake Through Digital Analysis of Postevent Aerial Photographs［J］.Int J Remote Sens，2004，25(21):4701－4714.

［5］ Turker M，Cetinkaya B.Automatic Detection of Earthquakedamaged Buildings Using DEMs Created from Pre－ and Postearthquake Stereo Aerial Photographs［J］.Int J Remote Sens，2005，26(4):823 －832.

［6］ Gamba P，Dell’Acqua F，Trianni G.Rapid Damage Detection in the Bam Area Using Multitemporal SAR and Exploiting Ancillary Data［J］.IEEE Transactions on Geoscience ＆ Remote Sensing，2007，45(6):1582 －1589.

［7］ Alexander B，Christian H，Goepfert J，et al.Aspects of Generating Precise Digital Terrain Models in the Wadden Sea from Lidarwater Classification and Structure Line Extraction［J］.ISPRS Journal of Photogrammetry ＆ Remote Sensing，2008，63(5):510 －528.

［8］ Axelsson P.DEM Generation from Laser Scanner Data Using Adaptive TIN Models［J］.International Archives of Photogrammetry and Remote Sensing，2000，33(1):110 －117.

［9］ Baatz M，Sch?pe A.Multiresolution Segmentation—an Optimization Approach for High Quality Multi－ scale Image Segmentation［C］∥Strobl J，Blaschke T，Griesebner G.Angewandte Geographische Informations － Verarbeitung XII.Karlsruhe:Wichmann Verlag，2000:12－23.

［10］ Haralick R M，Shanmugan K，Dinstein I.Textural Features for Image Classification［J］.IEEE Transactions on Systems，Man，and Cybernetics，1973，3(6):610 －621.

［11］于海洋，甘甫平，武法東，等.VHSR圖像基于分割對象分類器性能評價［J］.國土資源遙感，2008(2):30－34.

［12］ Foody G M，Mathur A.Toward Intelligent Training of Supervised Image Classifications:Directing Training Data Acquisition for SVM Classification［J］.Remote Sensing of Environment，2004，93(1/2):107－117.

［13］ Vapnik V.The Nature of Statistical Learning Theory［M］.New York:Springer－ Verlag，1995.

The Detection of Earthquake－caused Collapsed Building Information from LiDAR Data and Aerophotograph

YU Hai－yang，CHENG Gang，ZHANG Yu－min，LU Xiao－ping
(Key Laboratory of Mine Spatial Information Technologies of SBSM，Henan Polytechnic University，Jiaozuo 454000，China)

Damage estimation caused by an earthquake is a major task in the post－ disaster mitigation process.To enhance the relief and rescue operation in the affected area，it is required to receive rapid and accurate knowledge about the conditions of damaged area.Remote sensing techniques were proved to be useful in the last decades in detecting，identifying and monitoring the impact and effect of natural disasters.Recently emerging LiDAR data provide the height of the ground objects，which can be used to extract the collapsed building in a complex urban environment.Using the aerophotographs and the normalized digital surface model(nDSM)extracted from LiDAR data，the authors developed a method based on OBIA and SVM for extracting the earthquake－caused collapsed building.The test study in Port－ au － Prince，Haiti’s capital，after January 12，2010 earthquake shows that the method can extract collapsed buildings with high accuracy of 86.1%.

Earthquake;Collapsed building;Information extraction;LiDAR;OBIA;SVM;Aerophotograph

TP 79

A

1001－070X(2011)03－0077－05

2010－12－25;

2011－01－28

國家重點基礎研究發展計劃項目(編號:2009CB226107)資助。

于海洋(1978－)，男，博士，地學信息工程專業，主要從事遙感與GIS地學應用方面的研究。

(責任編輯:刁淑娟)