利用高精度DSM數(shù)據(jù)提取建筑物輪廓算法研究

引文格式： 馬紅. 利用高精度DSM數(shù)據(jù)提取建筑物輪廓算法研究[J].測(cè)繪通報(bào)，2015(4)：111-113.DOI:10.13474/j.cnki.11-2246.2015.0124

利用高精度DSM數(shù)據(jù)提取建筑物輪廓算法研究

馬紅

(重慶市勘測(cè)院，重慶 400020)

ResearchonAlgorithmforBuildingOutlineExtractionBasedon

High-precisionDSMData

MAHong

摘要：基于DSM數(shù)據(jù)提取建筑物輪廓信息是快速自動(dòng)構(gòu)建建筑物三維模型的基礎(chǔ)和前提。本文將隨機(jī)抽樣一致性算法RANSAC引入到DSM點(diǎn)云分割中，提出了一種基于隨機(jī)抽樣一致性算法模型的建筑物面片識(shí)別和輪廓提取算法，實(shí)現(xiàn)了高精度DSM數(shù)據(jù)的建筑物輪廓信息提取，試驗(yàn)驗(yàn)證了本文方法的精度和可靠性。

關(guān)鍵詞：DSM；建筑物輪廓；RANSAC；特征提取

中圖分類號(hào)：P208

收稿日期：2014-03-28

基金項(xiàng)目：“十二五”國(guó)家科技支撐計(jì)劃(2011BAH12B07-03)

作者簡(jiǎn)介：馬紅(1987—)，女，碩士，工程師，主要從事遙感影像處理和應(yīng)用研究以及空間數(shù)據(jù)挖掘工作。E-mail：690573582@qq.com

一、引言

隨著車(chē)載導(dǎo)航系統(tǒng)、位置服務(wù)需求的不斷增長(zhǎng)和數(shù)字城市、智慧城市的快速發(fā)展，快速高效的建筑物三維模型重建技術(shù)已逐漸成為當(dāng)前研究熱點(diǎn)[1]。三維建筑模型作為三維城市模型的主體內(nèi)容，其目前的生產(chǎn)方式主要是利用建模軟件(如3DMax等)手工建模，工作強(qiáng)度大、生產(chǎn)成本高；其高程數(shù)據(jù)來(lái)源主要包括地形圖和樓層、航空攝影測(cè)量數(shù)據(jù)以及竣工測(cè)量數(shù)據(jù)等[2]。由于數(shù)據(jù)源多樣化和現(xiàn)勢(shì)性差異的影響，建筑物三維模型的高程精度并不準(zhǔn)確，導(dǎo)致其應(yīng)用受到限制，尤其在城市規(guī)劃領(lǐng)域幾乎無(wú)用武之地。

考慮到高精度的DSM包含了建筑物的平面輪廓范圍和高程信息，因此可以利用高精度的DSM數(shù)據(jù)提取建筑物的輪廓和高程[3-4]。對(duì)DSM數(shù)據(jù)采用一定的準(zhǔn)則進(jìn)行處理，就可以將建筑物和其他非建筑物分離。幾年來(lái)，國(guó)內(nèi)外很多學(xué)者對(duì)建筑物三維重建方法進(jìn)行了大量的研究，如Vosselman等利用Hough變換處理LiDAR點(diǎn)云數(shù)據(jù)并結(jié)合地平面信息來(lái)提取建筑物[5]；Miche等采用區(qū)域增長(zhǎng)方法處理LiDAR點(diǎn)云數(shù)據(jù)提取建筑物[5]；GuoTao等利用LiDAR數(shù)據(jù)提取DEM，再利用DEM和LiDAR數(shù)據(jù)得到正則化的DSM，最后通過(guò)分割DSM提取建筑物[6]；穆超等利用高分辨率遙感影像和DSM數(shù)據(jù)組合分類提取建筑物輪廓[7]。為了充分利用現(xiàn)有影像處理系統(tǒng)的強(qiáng)大并行計(jì)算能力，本文采用像素工廠DSM編輯器自動(dòng)生成高精度的DSM數(shù)據(jù)，并引入計(jì)算機(jī)視覺(jué)中具有強(qiáng)魯棒性消除錯(cuò)誤點(diǎn)的RANSAC模型來(lái)提取建筑物輪廓信息[8]。

二、基于RANSAC模型的建筑物高程信息提取

隨機(jī)抽樣一致性算法(randomsampleconsensus，RANSAC)是由Fishier和Bolles提出[9]，它是一種從數(shù)據(jù)集合中迭代估計(jì)模型參數(shù)(模型擬合)的方法，通過(guò)隨機(jī)取樣剔除局外點(diǎn)的影響，構(gòu)建一個(gè)僅由局內(nèi)點(diǎn)數(shù)據(jù)組成的基本子集。在進(jìn)行參數(shù)估計(jì)時(shí)，并不是不加區(qū)分地對(duì)待所有的輸入數(shù)據(jù)，而是首先設(shè)計(jì)一個(gè)判斷準(zhǔn)則，利用此準(zhǔn)則迭代剔除那些與所估計(jì)的參數(shù)不一致的輸入數(shù)據(jù)(即局外點(diǎn))，然后通過(guò)正確的輸入數(shù)據(jù)來(lái)估計(jì)參數(shù)[10-11]。它要求保證在一定的置信概率下，基本子集最小抽樣數(shù)N與一個(gè)良性抽樣子集的概率P(P>ε)滿足如下關(guān)系

P=1-(1-1×(1-ε)d)N

(1)

式中，ε為數(shù)據(jù)錯(cuò)誤率；d為計(jì)算模型參數(shù)需要的最小數(shù)據(jù)量。

作為一種穩(wěn)健的估計(jì)算法，RANSAC在模型選擇、影像匹配等領(lǐng)域內(nèi)應(yīng)用較為廣泛[10]。Bauer等在利用立體像對(duì)進(jìn)行城市建筑物三維重建時(shí)，結(jié)合RANSAC方法對(duì)建筑物進(jìn)行立面提取，極大地提高了三維重建的效率[12]。本文將RANSAC模型引入到DSM點(diǎn)云數(shù)據(jù)中提取建筑物輪廓信息，實(shí)現(xiàn)步驟如圖1所示。

圖1　基于RANSAC模型的建筑物高程信息提取流程

具體步驟如下：

1) 隨機(jī)選擇原始輸入數(shù)據(jù)中的一個(gè)子集，并認(rèn)為該子集是一個(gè)只包含局內(nèi)點(diǎn)的集合，通過(guò)該子集數(shù)據(jù)解算模型參數(shù)。

2) 測(cè)試完整數(shù)據(jù)集中剩余點(diǎn)是否符合此參數(shù)模型，如果符合，則這些點(diǎn)是局內(nèi)點(diǎn)；否則為局外點(diǎn)。

3)如果符合該模型的局內(nèi)點(diǎn)數(shù)達(dá)到所設(shè)定的閾值，即認(rèn)為該模型估計(jì)正確，根據(jù)所有局內(nèi)點(diǎn)來(lái)精確計(jì)算模型參數(shù)。

4) 如果符合該模型的局內(nèi)點(diǎn)數(shù)沒(méi)有達(dá)到所設(shè)定的閾值，那么可能存在一個(gè)包含更多局內(nèi)點(diǎn)和更高精度的模型，因此重復(fù)執(zhí)行上述步驟，直到最終確定最優(yōu)的模型參數(shù)。

5) 根據(jù)最優(yōu)的模型參數(shù)，提取建筑物屋頂輪廓，輸出提取結(jié)果。

在處理過(guò)程中，N表示構(gòu)建模型所需要的最小數(shù)據(jù)，k用以判斷輸入點(diǎn)坐標(biāo)是否符合模型的閾值參數(shù)，M用以判定模型是否為更有效的最小樣本數(shù)，t表示RANSAC模型迭代的次數(shù)。在計(jì)算過(guò)程中，將建筑物屋頂視為平面，只需要3個(gè)點(diǎn)即可以確定其參數(shù)，故N=3。假定所選取的點(diǎn)都是局內(nèi)點(diǎn)的概率為P0，若都是局內(nèi)點(diǎn)的模型可能為最優(yōu)模型；再假定每次選取到局內(nèi)點(diǎn)的概率為P，則可以得到如下關(guān)系

(2)

式中，M1為輸入數(shù)據(jù)中的局內(nèi)點(diǎn)個(gè)數(shù)；M為輸入點(diǎn)云數(shù)據(jù)的總個(gè)數(shù)。

分析輸入數(shù)據(jù)和試驗(yàn)區(qū)的特性，可以給P賦一個(gè)近似值。設(shè)PN為每次選擇都選中局內(nèi)點(diǎn)的概率，則至少有一次選中局外點(diǎn)的概率為1-PN，因此在t次迭代計(jì)算過(guò)程中出現(xiàn)錯(cuò)誤的概率Pt滿足如下公式

Pt=(1-PN)t

(3)

由于Pt等于1-P0，故對(duì)式(3)兩邊求取對(duì)數(shù)，有下式成立

(4)

根據(jù)式(4)，如果選定某點(diǎn)后，該點(diǎn)在后續(xù)的選取過(guò)程中有可能會(huì)被重復(fù)選中，如此推導(dǎo)出的t值是選取不重復(fù)點(diǎn)的上限。故使用其標(biāo)準(zhǔn)偏差進(jìn)行估計(jì)比簡(jiǎn)單的t值更可信，則t的標(biāo)準(zhǔn)偏差

(5)

三、試驗(yàn)與分析

1. 試驗(yàn)及結(jié)果

本文利用像素工廠DSM編輯器生成高精度DSM數(shù)據(jù)，空間分辨率為0.4m。選取的試驗(yàn)數(shù)據(jù)覆蓋面積約1km2。本研究在像素工廠中完成了DSM點(diǎn)云數(shù)據(jù)的生成，并利用雙線性內(nèi)插方法對(duì)DSM數(shù)據(jù)作了內(nèi)插處理，消除了零值區(qū)域?qū)μ崛〗Y(jié)果的影響。利用IDL語(yǔ)言完成了本文算法的程序開(kāi)發(fā)，基于ENVI5.0平臺(tái)實(shí)現(xiàn)了本文方法試驗(yàn)。

首先載入試驗(yàn)數(shù)據(jù)，如圖2所示。其中，圖2(a)為試驗(yàn)區(qū)域的DOM影像，圖2(b)為試驗(yàn)區(qū)域的DSM點(diǎn)云數(shù)據(jù)。

由DOM影像可以看出，試驗(yàn)區(qū)域內(nèi)建筑物林立密集且面積較大，因此，對(duì)應(yīng)圖1提取流程中的參數(shù)k、M，取值k=0.8，M=60。采用本文方法遍歷處理后，識(shí)別出的建筑物輪廓如圖3所示。

圖2　某地區(qū)試驗(yàn)數(shù)據(jù)

圖3　RANSAC模型提取后的建筑物輪廓信息

2. 精度分析

精度分析通常采用更高精度的數(shù)據(jù)驗(yàn)證或?qū)嵉販y(cè)量方式完成。本文從試驗(yàn)區(qū)域1∶500數(shù)字地形圖上提取建筑物信息進(jìn)行精度驗(yàn)證。利用1∶500的數(shù)字線劃圖(2006—2009年生產(chǎn)，數(shù)據(jù)格式為MicroStationV8DGN)進(jìn)行建筑物矢量提取，通過(guò)接邊、合并、構(gòu)面等處理，可以得到較為精確的建筑物輪廓。再將該輪廓數(shù)據(jù)進(jìn)行坐標(biāo)轉(zhuǎn)換處理，使其與DSM提取的建筑輪廓信息在同一坐標(biāo)系下，并將本文提取的輪廓與1∶500數(shù)字地形圖中提取的建筑物輪廓進(jìn)行疊加套合，套合結(jié)果如圖4所示。

圖4　1∶500數(shù)字線劃圖中建筑物輪廓與本文方法提取輪廓套合

通過(guò)圖4的套合結(jié)果可以看出，本文方法提取的建筑物輪廓信息基本能夠與1∶500地形圖上提取的建筑物輪廓套合，排除坐標(biāo)轉(zhuǎn)換存在的誤差和DSM生成誤差(即前期空三加密誤差)的影響，利用本文方法提取的建筑物輪廓整體精度能夠滿足后期使用的要求。

四、結(jié)束語(yǔ)

本文主要針對(duì)高精度DSM點(diǎn)云數(shù)據(jù)處理過(guò)程中建筑物輪廓信息提取進(jìn)行了研究，提出了一種基于RANSAC模型的建筑物輪廓特征提取方法，且通過(guò)試驗(yàn)證明了本文方法可以從高精度DSM點(diǎn)云數(shù)據(jù)中準(zhǔn)確提取建筑物輪廓信息，并將1∶500數(shù)字線劃圖中提取建筑物輪廓信息與本文方法提取結(jié)果進(jìn)行了疊加比對(duì)。比對(duì)結(jié)果證明本文方法提取的建筑物輪廓信息比較準(zhǔn)確，能夠滿足后期三維城市仿真建模和城市用地信息變化檢測(cè)等方面的工作需要。

本文算法在處理DSM點(diǎn)云數(shù)據(jù)時(shí)，僅對(duì)DSM數(shù)據(jù)作了內(nèi)插處理，消除了無(wú)值區(qū)對(duì)結(jié)果的影響，在下一步的研究中將結(jié)合測(cè)區(qū)的機(jī)載LiDAR數(shù)據(jù)、高分辨率光學(xué)衛(wèi)星影像和高分辨率SAR影像等進(jìn)行多源數(shù)據(jù)融合處理，實(shí)現(xiàn)建筑物輪廓的精確提取和快速建模，以提高實(shí)際建模的生產(chǎn)效率、降低生產(chǎn)成本。

參考文獻(xiàn)：

[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(gòu)建[J].測(cè)繪通報(bào),2011(10):20-22.

[2]穆利娜，李發(fā)紅.城市DSM的獲取技術(shù)與應(yīng)用[J].陜西師范大學(xué)學(xué)報(bào),2008(6):224-227.

[3]汪燕琴，李光耀，衛(wèi)靖杰，等.基于數(shù)字高程模型的建筑物自動(dòng)提取算法研究[J].計(jì)算機(jī)工程與應(yīng)用,2008,30(44):243-245.

[4]周曉明.基于像素工廠產(chǎn)品提取建筑物矢量輪廓方法的研究與實(shí)踐[D].鄭州:信息工程大學(xué),2008.

[5]VOSSELMANG,DJIMKANS. 3DBuildingModelReconstructionfromPointCloudsandGroundPlans[J].InternationalArchivesofPhotogrammetryandRemoteSensing,2001, 34(3/VV4): 37-44.

[6]GUOT,YASUOKAY.CombiningHighResolutionSatelliteImageryandAirborneLaserScanningDataforGeneratingBareLandandDEMinUrbanAreas[D].Kunming:[s.n.],2002.

[7]穆超，余潔，許磊，等. 基于高分辨率遙感影像的DSM建筑物點(diǎn)的提取研究[J]. 武漢大學(xué)學(xué)報(bào):信息科學(xué)版,2009,34(4): 414-417.

[8]姚達(dá)，周軍，薛質(zhì). 計(jì)算機(jī)視覺(jué)中強(qiáng)魯棒性的遺傳一致性估計(jì)[J].計(jì)算機(jī)工程,2011,37(20): 183-185.

[9]FISCHLER M A, BOLLES B C. Random Sample Consensus: A Paradigm for Model Fitting with Applications to Image Analysis and Automated Cartography[J]. Communications of the ACM, 1981, 24(6): 381-395.

[10]LEE J S, GRUNES M R, SCHULER D L, et al. Scattering-model—based Speckle Filtering of Polarimetric SAR Data[J]. Transactions on Geoscience and Remote Sensing, 2006, 44(1): 176-187.

[11]王植，李清泉. 一種基于機(jī)載LiDAR 和離散曲率的建筑物三維重建方法[J].地理與地理信息科學(xué),2009,25(1): 44-48.

[12]YAMAGUCHI Y, MORIYAMA T, YAMADA H. Four-Component Scattering Model for Polarimetric SAR Image Decomposition[J]. IEEE Transactions on Geoscience and Remote Sensing, 2005, 43(8): 1699-1706.