基于高精度DSM的建筑物高程信息提取

王莉，馬紅，周智勇，柴潔

(重慶市勘測院，重慶 400020)

1 引言

隨著“數字城市”、“智慧城市”的發展，三維城市模型以其豐富的空間信息、真實直觀的實物表達方式，使用戶能夠在三維環境下對城市實體進行瀏覽、分析和決策。目前，三維建筑模型作為城市模型的主體內容，其高程數據來源主要包括地形圖和樓層、航空攝影測量數據和竣工測量數據等。由于數據源多樣化和現勢性的差異以及建模方式和人工干預等因素的影響，建筑物三維模型的高程精度受到嚴重影響。

建筑物作為城市區域的一個重要特征，如果沒有準確高程信息，它在當前的城市建設管理、數字城市建設、信息化建設、災害應急等方面的應用都受到極大限制，尤其在城市規劃領域幾乎無用武之地［1，2］。為了推廣三維城市模型的應用，準確獲取其高程進而構建高精度的三維模型顯得尤為重要。在現有平面基礎地理信息數據中重新進行立體測圖以獲取缺失的高程信息，勞動強度大，且效率低下;通過遙感立體成像技術或多向重復航拍來獲取不同拍攝角度的建筑物立體相對，利用立體像對之間的視差關系來計算建筑物高程信息，采集過程復雜，且效率低下;利用高分辨率SAR影像或機載LIDAR數據與遙感光學圖像融合來提取建筑物高程信息，設備昂貴，且采集過程復雜。考慮到DSM(Digital Surface Model，即數字表面模型)具有豐富的建筑物高程信息，可以通過制作高精度DSM數據，將現有基礎地理信息數據和DSM數據相結合，進而獲取建筑物的精確高程信息［3］。

2 基于像素工廠的DSM制作

DSM是反映城市信息的重要數據源之一，傳統基于航空攝影測量的DSM獲取主要借助全數字攝影測量工作站來完成［4～6］，如VirtuoZo、Jx4、Mapmatrix等。這種自動匹配的結果與影像的質量和點數相關，在城區建筑林立密集處，DSM突變情況較多，不能準確反映建筑物表面形態。這就需要人工采集，工作量大，處理復雜，尤其是多面坡頂、塔頂等復雜建筑物的處理。

像素工廠是集自動化、集群式、分布式并行處理和遠程管理于一體的高性能遙感影像數據自動化處理系統。像素工廠使用每個立體像對生產一個DSM影像數據，通過對子DSM數據進行合并和過濾處理的自動化數據處理，再對DSM進行微調和局部修正。使用像素工廠的 DSM編輯器提供的過濾器如:Interpolate DSM、DSM2DTM或Filter Elevation Image，對高程影像數據進行快捷瀏覽和編輯處理，如圖1所示。

圖1 像素工廠DSM編輯器高程影像數據的編輯處理

繪制建筑物的外圈邊界過程中，建筑物內部區域受到了過濾功能的影響，如圖2(a)所示;如果在過濾過程中，創建帶有孔的過濾多邊形，建筑物包圍的內部區域將不會受到過濾功能的影響，如圖2(b)所示。在處理過程中，通過異常值探測處理來消除局部高程異常值。

圖2 DSM編輯器過濾高程影像處理

3 利用DSM提取建筑物高程

利用DSM數據提取建筑物高程信息，首先需要提取建筑物的有效輪廓，確定建筑物主體，然后分割DSM點云數據，獲得建筑輪廓范圍內的有效DSM點集，再利用有效DSM點云計算出建筑物的高程信息。提取流程如圖3所示。

圖3 利用DSM提取建筑物高程流程

3.1 DSM數據獲取和建筑物輪廓信息提取

本文利用像素工廠DSM編輯器生成高精度DSM，分辨率為 0.4 m。考慮充分利用現有測繪成果的1∶500地形圖，利用 1∶500數字線劃圖提取建筑物的輪廓信息，在 1∶500 DLG(數據格式為DGN)中提取建筑物矢量邊界，并進行接邊處理、合并處理和構面處理得到建筑物的精確輪廓信息，并將其轉化為Arc-GIS Shape File格式。利用DSM數據和精確的建筑物輪廓就可以提取建筑物高程。

3.2 改進的最大似然提取建筑物高程信息

在眾多基于統計模式的分類方法中，采用有著嚴密理論基礎的最大似然法提取建筑物高程信息。最大似然法是基于Bayse判別，它要求數據符合正態分布［7，8］。而建筑物有效輪廓范圍內的DSM點云數據是近似正態分布，對于這種近似正態分布的遙感數據，以往通常按照高斯正態分布來處理［9］，處理結果欠佳。為此，本為采用一種改進的最大似然方法來提取建筑物的高程信息，以提高高程信息的準確度。

4 DSM建筑物高程提取實驗

4.1 建筑物輪廓精化處理

首先，為了提取精確的建筑物輪廓信息，將從地形圖上得到的輪廓信息內縮4個像素，如圖4所示。這樣做有以下目的:①消除 1∶500地形圖和DSM影像數據之間的套合誤差;②減小噪聲無值區的影響;③排除建筑物頂部邊緣女兒墻的影響。

圖4 建筑物輪廓精化處理

4.2 確定建筑物頂部類型

將精化處理后的建筑物輪廓視為有效輪廓，提取有效輪廓內的點云數據。統計分析有效點云的高程值，并根據統計結果判定建筑物頂部類型，如圖5所示，如果統計類型滿足圖中虛線的分布情況，則判定為帶電梯井的建筑物，如果統計類型滿足圖中實線的分布情況，則判定為普通平頂型建筑物。

圖5 建筑物高程信息分布情況

4.3 提取不同頂部類型的高程

根據3.2統計的結果，分別提取不同類型的建筑物高程信息。針對帶電梯井的建筑物，需要統計主體建筑的高度和電梯井的高度。通過計算的每個高程點云分布概率，設定閾值?，提出比例小于?的點云高程值，比例大于?的點云高程值參與計算，通過最大似然法提取主體建筑物的高程，假定提取到的主體建筑物高程為H0。利用提取到的主體建筑物高程，設置電梯井的高度為h(本文涉及的重慶地區建筑電梯井設置為 4 m～15 m);剔除DSM中高程值小于H0的點云值，高程值大于H0的點云參與計算，利用最大似然發提取電梯井的高度，設定為Hj。通過這種改進的最大似然法提取到的H0和Hj分別為主體建筑物的高程和電梯井高程。

針對普通平頂型的建筑物，即有效點云分布滿足圖5中實線分布的情況，可以判定其基本符合高斯正態分布，直接采用最大似然值計算有效點云內的高程，計算結果H即為普通平頂型建筑物的高程值。

5 實驗結果及分析

本文選取的實驗區為重慶市江北片區和渝北部分區域區域覆蓋面積 32 km2，如圖6所示，建筑物總面積 7.01 km2，建筑物總個數 40 305個。實驗通過像素工廠生成的區域高精度DSM(如圖7所示)，分辨率為 0.4 m，影像大小為 653 M，生成耗時為 53.7 h。通過本文設計的程序提取 40 305個建筑物的高程信息耗時為 3.8 h。

精度分析通常采用更高精度的數據驗證或實地驗證［10］方式完成。本文采用立體模型采集方式獲取的高程和RTK動態測量的高程精度驗證本文提取結果。首先，隨機抽取20個建筑物，采用外業RTK實測方式和內業立體模型采集檢驗提取精度，分析結果如表1所示。

圖6 實驗區域建筑物輪廓提取結果

圖7 實驗區域高精度DSM影像

立體模型采集高程精度分析 表1

通過表1的精度分析結果可以看出，20個樣本中，立體采集模式提取的建筑物高程與RTK實測高程相差不大，最大差值為 0.55 m，中誤差為 0.35 m，說明立體模型采集的高程十分準確，可以作為精度評定的依據;將DSM提取的高程與RTK實測精度進行比較，最大誤差為 1.8 m，中誤差為 0.57 m，證明在少量樣本監測中，DSM提取的建筑物高程比較準確。

根據表1的分析結果可知，立體模型采集方式提取的高程信息十分準確，可以作為精度評定的依據。在試驗區中，為了驗證本文提取精度的可靠性，再隨機抽取200個建筑物，通過內業立體采集模式獲得200個建筑物的高程信息，將采集結果與本文計算結果進行對比分析，分析結果如表2所示。由表2的分析結果可以看出，本文通過高精度DSM提取到的建筑物高程信息最大誤差為 1.99 m，中誤差為 0.61 m，整體精度控制在亞米級。

RTK實測精度分析 表2

6 結論

本文闡述的方法能批量提取一定區域范圍內的建筑物高程信息，對于建筑物的主體高度的整體精度達到亞米級，可以用于批量修正三維建筑模型，大大降低了人工檢查模型的勞動強度，節約了三維建模的成本。如果將此方法推廣應用，對城市的管理與規劃、消防救災等與建筑物高度密切相關的領域將起到很大的推動作用。

根據DSM數據的現勢性，本方法可以拓展應用于不同的領域。如果DSM數據的現勢性高于建筑物三維模型的源數據，可以利用本文方法檢測建筑物的拆除和新建情況;如果DSM數據的現勢性與建筑物三維模型的源數據相差不大，本方法可以用來檢查和糾正建筑物模型的高度。本文通過充分挖掘DSM數據，將DSM數據與城市三維模型有機鍥合在一起，促進了城市三維模型的建設與應用，同時也促進了智慧城市的建設。

［1］ 曹敏，史照良，沈泉飛.基于高精度DSM的建筑物三維幾何模型構建［J］.測繪通報，2011，10:117～179.

［2］ 譚仁春，江文萍，杜清運.三維GIS中建筑物的若干問題探討［J］.測繪工程，2003(1):54～61.

［3］ 穆利娜，李發紅.城市DSM的獲取技術與應用［J］.陜西師范大學學報，2008(6):224～227.

［4］ 馮琰，郭容寰，程遠達.基于機載LIDAR技術快速建立三維城市模型研究［J］.測繪與空間地理信息，2008(4): 143～147.

［5］ 朱國敏，馬照亭，孫隆祥等.城市三維地理信息系統中海量數據的數據庫組織與管理［J］.測繪科學，2008(1): 142～147.

［6］ 穆超，余潔，許磊等.基于高分辨率遙感影像的DSM建筑物點的提取研究［J］.武漢大學學報，2009，4(19):115～117.

［7］ Pao La JD，Schowenger R A.A detailed comparison of back propagation neural network and maximum－likelihood classifiers for urban land use classification［J］.IEEE Trans on Geo science and Remote sensing，1995，33(4):981～996.

［8］ Solberg S，Jain A K，Taxt T.Multisource classification of remotely sensed data:Fusion of Landsat TM and SAR Images［J］.IEEE Transactions on Geo science and Remote Sensing，1994，32(4):768～777.

［9］ 吳連喜，王茂新.一種改進的最大似然法用于地物識別［J］.農業工程學報，2003，4(19):54～56.

［10］ 馬紅，梁建國.基于馬爾可夫鏈模型的土地利用變化檢測［J］.城市勘測，2003(4):112～115.