輸電線路工程房屋拆遷量統計方法

汪巖松，許邦鑫，劉 平

(安徽省電力設計院，安徽 合肥 230601)

1 概述

目前，我國正在進行大規模的電網建設。電網建設是國民經濟建設的基礎，是基礎設施建設的重要組成部分，是提高人民生活水平的必要條件。電網建設不可避免地涉及房屋拆遷的問題，這是一個關系到方方面面利益的敏感問題。與房屋拆遷量相關的測量工作，貫穿了電網建設的整個流程：初步設計和可研階段，房屋拆遷量是評價各方案優劣的一項重要經濟指標；施工圖階段，需要精確測量房屋拆遷面積，以進行理賠。

近年來，為適應電網建設新的需求，更好的為電網建設服務，電力勘測設計部門逐步引進了一些新的技術手段，機載激光雷達測量技術便是其中較為先進的技術手段之一。通過獲取目標的三維點云數據，機載激光雷達測量可以提供高精度的數字高程模型(Digital Elevation Mode, DEM)、數字地表模型(Digital Surface Model, DSM)，如果飛行同時搭載有航測相機，則還能提供高分辨率的數字正射影像(Digital Orthophoto Map, DOM)。目前，機載激光雷達測量技術在電力勘測設計中主要用于優化選線，應用面相對比較狹窄，沒有充分發揮LIDAR數據的優勢。

2009年,安徽省電力設計院在220kV銅貴——永豐變輸電線路勘測設計中應用了機載激光雷達測量技術，在該工程中，我院對LIDAR數據的特點進行了較為深入的分析，并結合傳統航空影像，對LIDAR數據用于輸電線路工程房屋拆遷量統計的可行性進行了探討。

目前輸電線路工程房屋拆遷量統計主要有兩種方式：

(1)直接去現場進行測量，得到房屋各角點的坐標，并調查房屋的層數。這種方式得到的統計數字最準確，但由于工作量特別大，執行力度一般不強，由此得到的數字存在一定程度的誤差，但一般能滿足工程需要。

(2)在航空影像上通過目視判讀的方法對房屋進行數字化，然后計算各房屋的面積，但房屋層數仍然需要去現場調查。這種方式一定程度上減少了外業工作量，但并沒有完全避免。量測精度主要與影像的分辨率有關，較工測方式會有所下降，但也能滿足設計需要。

本文結合LIDAR數據的特點，針對初步設計和可研階段的房屋拆遷量統計提出了一種新的方法，方法的基本思路是：首先，通過融合LIDAR數據和航空影像對房屋進行計算機自動提取；然后，通過DSM和DEM估算房屋層數。實踐證明，這種方法在保證滿足工程需要的前提下，大大減少了工作量，縮短了工程周期。

2 融合LIDAR數據和航空影像自動提取房屋

由LIDAR數據的特點可知， LIDAR數據雖然可以提供高精度的三維空間分布信息，但難以確定物體的邊緣；與之相反，高分辨率的航空影像可以較準確的確定物體的邊緣，但缺乏高精度的三維空間分布信息。所以，LIDAR數據和航空影像的優點是互補的，融合LIDAR數據和航空影像就可以整合它們的優勢，從而提高房屋提取的成功率和自動化水平。

融合LIDAR數據和航空影像進行房屋自動提取的主要流程如下：

(1)融合前的預處理工作，包括格網DEM、DSM的生成，以及DEM/DSM與航空影像的配準。

(2)利用基于區域生長的圖像分割方法對DSM/DEM和航空影像進行圖像分割。

(3)利用基于知識機理的分類方法對分割結果進行分類，最終得到房屋專題圖。

整個流程如圖1所示。

圖1 基于LIDAR數據和航空影像的房屋自動提取流程

2.1 預處理

在獲取LIDAR點云數據后，需要對LIDAR點云數據進行濾波，以分離地面點和非地面點。濾波的方法有多種，本研究采用Vosselman于2000年提出的基于坡度變化的濾波算法。該算法的基本思想是：鄰近兩個激光腳點高程差異很大時，由于地形急劇變化產生的可能性很小，更為可能的是其中一點屬于地物點。也就是說，相鄰兩點的高差值超過給定閾值時，兩點間距離越小，高程值大的激光腳點屬于地面點的可能性越小。造成相鄰兩點間高程變化明顯的原因可能是兩激光腳點分別位于地形表面和植被，或地形表面和其他地物，或是樹的不同部位，或陡坎的不同部位。該方法是通過比較兩點間的高差值的大小來判斷是否接收所選擇的點，兩點間的高差的閾值定義為兩點間距離的函數，即所謂的濾波核函數，通常該函數是非遞減函數。

在點云濾波后，就可以利用地面點生成格網DEM。本研究采用的方法是：先將地面點構造成狄洛特三角網，再從該狄洛特三角網中內插出格網DEM。格網DSM的生成方法類似，所不同的是它是基于所有點的。為便于同航空影像融合，格網DEM和DSM的格網尺寸大小應于航空影像的分辨率一致。

通常，如果LIDAR數據和航空影像由同一套激光雷達測量系統同時獲取，那么DEM、DSM和航空影像不再需要配準；如果LIDAR數據和航空影像是分別獲取的，則需要一定的控制點來對它們進行配準。

2.2 基于區域生長的圖像分割方法

在進行分類前，需要利用圖像分割技術將圖像劃分為若干個有意義的區域。圖像分割的方法有多種，與其他方法相比，基于區域生長的圖像分割方法速度快，抗差能力強。該方法的基本思路是：先在每個要分割的區域中找一個種子像素作為生長的起點，然后將種子像素鄰域內與種子像素有相似性的像素合并到種子像素集合。如此往復，直到再沒有像素可以被合并，一個區域就形成了。

區域生長的基本原則是被選為種子的區域必須與它的鄰居區域有很高的相似性，一個區域與它的鄰居區域有很高的相似度，說明該區域更能代表我們所期望分割結果的區域屬性。本研究為每個區域定義一個相似度函數，以用來衡量一個區域與它的鄰居區域的相似性程度。一個區域的相似度函數值必須大于一個閾值，該區域才能生長下去。由于RGB色彩空間的三個分量高度相關，所以不適合進行圖像分割，而HIS彩色空間以人眼的視覺特征為基礎，利用色調(Hue)、飽和度(Saturation)和強度(Lightness)三個屬性來表示顏色，更符合人眼描述和解釋顏色的方式，更少受光照條件的影響。所以，本研究在構建相似度函數前，對圖像作了一個RGB色彩空間到HIS色彩空間的轉換。

為了實現對相似度閾值的自動選取，本研究采用基于遺傳算法的自動閾值選取方法，該方法參考最大類間方差法，采用遺傳算法求最優解，使類間方差最大，加快了閾值獲取速度。

2.3 基于知識機理的分類方法

基于知識機理的分類方法是一種人工智能分類方法，它運用知識以及輸入的數據來確定解決問題的最佳途徑，而不是采用預先定義的方法。基于知識機理的分類方法也是一種面向對象的分類方法，在本研究中，其分類所面向的對象是圖像分割后得到的房屋碎片，所用的知識包括高程、光譜、紋理以及形狀等房屋區別于其他地物的多個特征。

(1)高程。用DSM減去DEM，就可以得到一個規則化的DSM(nDSM),nDSM存儲的信息實際上是地物的對地高度。使用一定的高度閾值，就可以從nDSM中分離出房屋以及和房屋處于同一高度范圍的地物(主要是植被)。

(2)光譜。光譜信息來源于航空影像，包括R、G、B三個波段的信息，使用該信息近似計算植被指數(Normalized Vegetaion Index,NDVI)，可以用來區分植被和非植被。

(3)紋理。紋理信息也來源于航空影像，可以通過影像的灰度協相關矩陣(Grey Level Co-occureence Matrix, GLCM)來進行紋理分析。紋理分析的作用是用于區分光譜特征相似的房屋和植被，所以其實際上是對光譜分析的一個補充。

(4)形狀。形狀包括面積、長寬比等參數，其中面積可用于濾除尺寸較小而不可能是房屋的物體，而長度比可用于濾除十分細長而不可能是房屋的物體。

3 基于DSM和DEM估計房屋層數

在得到房屋的專題圖后，房屋的水平投影面積容易計算出來，但要估算總的房屋建筑面積，還需要知道房屋的層數。用DSM減去DEM可以大致估計房屋各處的對地高度，如果能確定房屋某一個或幾個角點的對地高度，那么就可以確定房屋的有效高度，再除以樓層高度就可以估算出房屋的層數。某一地區房屋的樓層高度一般來說是比較統一的，帶來的誤差不會太大。因此，上述思路的關鍵點在于能不能準確的確定房屋角點的對地高度。然而，DSM/DEM來源于原始LIDAR點云數據，當然也就存在物體邊緣定位不準的問題，所以由它們算出的房屋各個角點的高度是不準確的。實際上，從DSM中可以看出，房屋呈現出的是一種凸包形，沒有明顯的邊緣。

鑒于上述原因，本文提出了如下一種思路來估算房屋的層數：首先，利用DSM計算房屋中心區域的坡度，利用DSM和DEM計算房屋中心區域的平均對地高度和最低對地高度，其中房屋中心區域的尺寸采用一個經驗值，以保證中心區域偏離房屋邊緣一定的距離。然后根據坡度值的大小判斷房屋是平頂房還是尖頂房，如果是平頂房，則以平均對地高度作為房屋的有效高度；反之，如果是尖頂房，則以最低對地高度作為房屋的有效高度。最后，將房屋的有效高度除以樓層高度得到房屋層數，進而計算出房屋的拆遷面積。

經過實踐證明，上述方法完全可以滿足初步設計和可研階段對房屋拆遷量計算的精度要求。

4 實驗與結果

4.1 實驗數據

安徽省電力設計院于2009年對220kV銅貴——永豐變輸電線路可研路徑進行了機載激光雷達測量，本實驗的LIDAR數據和航空影像來源于此。其中LIDAR數據由Leica ALS50獲取，影像由Leica RCD100獲取。整個實驗數據的相關參數如表1所示：

表1 實驗數據

在房屋自動提取過程中，LIDAR數據格網化為DSM和DEM的格網大小為0.5m，其中DSM如圖2(a)所示，DEM如圖2(b)所示。使用DSM對航空影像進行正射糾正，正射糾正后的航空影像如圖3所示。

圖2 DSM和DEM

圖3 正射糾正后的航空影像

4.2 融合LIDAR數據和航空影像進行房屋自動提取的實驗

圖4是對航空影像進行分割后的效果圖，圖5是利用LIDAR數據和航空影像融合數據進行房屋自動提取的最終結果。

圖4 航空影像分割后效果圖

圖5 最終結果

對于房屋的提取來說，有兩類概率是我們比較關心的，一類是將房屋目標判別為房屋的概率，一類是將非房屋目標錯分為房屋的概率。一個較好的房屋提取方法應保證較高的第一類概率和較低的第二類概率。

為檢查上述概率，本實驗使用已有對應區域的數字線劃圖與最終提取結果進行比較，比較結果見表2。

表2 房屋提取成功率

從表2中可以看出，本文的房屋提取方法能保證較好的成功率。

4.3 本研究的房屋拆遷量計算方法與工測數據比較結果

本實驗選取220kV銅貴——永豐變輸電線路走廊覆蓋的多個居民區作為樣本，用本文的方法計算房屋拆遷量，與工測數據進行比較，結果表明由房屋水平投影面積計算產生誤差一般在10(m2)以內，而幾個較大的面積誤差都是由于層數計算誤差導致的，整個房屋拆遷量的誤差水平約為8%。

5 總結

房屋拆遷量統計是電網建設中不可避免的問題，本研究提出了一種在初步設計和可研階段基于LIDAR數據和航空影像的輸電線路工程房屋拆遷量統計方法，主要有如下兩個方面的成果：

(1)融合LIDAR數據和航空影像對房屋進行自動提取。這一過程主要有兩個步驟：其一，利用基于區域增長的圖像分割方法對DSM/DEM和航空影像進行圖像分割；其二，綜合考慮高程、光譜、紋理、幾何等特征，利用基于知識機理的分類方法對每一組碎片進行分類，生成房屋專題圖。

(2)基于DSM和DEM估算房屋層數。該方法的思路是：首先，利用DSM計算房屋中心區域的坡度，然后根據坡度值的大小判斷房屋是平頂房還是尖頂房，如果是平頂房，則以該房屋中心區域的平均對地高度作為房屋的有效高度；反之，如果是尖頂房，則以該房屋中心區域最低對地高度作為房屋的有效高度。最后，根據有效高度估算房屋層數。

本文提出的方法既具備一定的新穎性，又有很強實用性：一方面，與工測相比，本文提出的方法可以大大減少甚至避免外業工作，從而節省勞動成本，縮短工程周期，節約勘測、設計成本；另一方面，在涉及到房屋拆遷量指標時，使用本文提出的方法，可以篩選出更經濟的線路路徑優化方案。

[1]沈雨，等.測繪數據在拆遷統計中的應用[J].城市勘測， 2007，(06).

[2]陽鋒，徐祖艦.三維激光雷達技術在輸電線路運行與維護的應用[J].南方電網技術，2009，(02).

[3]楊曉冬，三維激光雷達技術在輸電線路優化設計中的應用[J].遙感信息， 2007， (2).

[4]關麗，等.高分辨率遙感影像城市房屋信息自動提取模型與實驗研究[J].地理與地理信息科學，2007， (05).

[5]陳功，程正逢，石克勤，等.激光雷達在電力線路工程勘測設計中的應用[J].電力勘測設計，2006， (05).

[6]徐祖艦，等.三維激光雷達技術在電力行業中的應用[J].廣東輸電與變電技術， 2008， (06).

[7]張煜，竇延娟，張曉東.機載激光雷達數據采集及數據處理[J].長江科學院院報， 2010， (01).