LiDAR點云紋理特征提取方法*

周 唯，彭認燦，董 箭

(1. 中國人民解放軍91550部隊， 遼寧 大連 116023； 2. 海軍大連艦艇學院 軍事海洋測繪系， 遼寧 大連 116018； 3. 海軍大連艦艇學院 海洋測繪工程軍隊重點實驗室， 遼寧 大連 116018)

機載LiDAR系統采集的點云數據中除了包含高精度的三維坐標信息外，還包括回波強度、回波次數、掃描角度、掃描方向和全球定位系統時間等多種屬性信息(為表述方便，后文將“機載LiDAR”簡稱為“LiDAR”)。此外，還可以根據LiDAR數據中包含的基礎屬性信息推導出坡度、坡向、點密度和強度密度[1-4]等多種衍生屬性，這些屬性可以為地物分類、特征提取和表面分析等工作提供重要數據支撐。

近年來，紋理特征作為高程信息或強度信息的一種衍生屬性，被大量應用于LiDAR數據的地物分類過程中，用以提高整體分類精度。如：喬紀綱等將經過粗分割后的LiDAR點云內插成高度圖像和強度圖像，從而求取灰度共生矩陣(Gray-Level Co-occurrence Matrix, GLCM)高度紋理圖像，再將包括GLCM高度圖像紋理在內的7種紋理作為識別地面覆蓋物的特征，結合后向傳播神經網絡方法對LiDAR數據進行地物識別[5]；Zhou等首先利用邊界提取和簡單線性迭代聚類(Simple Linear Iterative Clustering, SLIC)算法將預處理后的LiDAR點云分割成圖像區塊和超像素，再分別計算每個區塊和超像素的高程圖像紋理特征和強度圖像紋理特征，最后結合強度統計和支持向量機算法將LiDAR數據分為6種地物類[6]。這些算法都將LiDAR數據的高程或強度信息內插成柵格格式的DSM圖像或強度圖像，并將生成的圖像視為一個波段的“光譜圖像”，再利用統計或變換的方法提取圖像的紋理屬性，從而在圖像紋理特征的約束下，結合一些比較成熟的圖像處理方法進行地物分類[5-8]。這種分類方法雖然充分利用了柵格圖像數據結構簡單和易于實現算法的優點，但生成圖像紋理特征的過程中，需要對點云進行內插處理，這必然會損失激光腳點的高程精度和原始結構。此外，紋理特征圖像的分辨率不可能無限小，一般為點云的平均點間距，因此在利用圖像紋理特征約束進行點云分類時(如圖1所示)，會出現多個距離較近點被分配到同一個像素中的“多義性”問題(如圖1中a、b點所示)。圖1中中心像素的像素值是通過a、b點的屬性值內插得到的，雖然通過對圖像紋理特征的分析可以將該像素與其周圍像素分為同類或異類，但并不能通過該像素的圖像紋理特征屬性推斷出a、b兩點之間的類別關系。

圖1 點云與柵格圖像疊加顯示圖Fig.1 Point cloud overlaid on raster image

針對上述問題，本文利用K維(K-Dimension, KD)樹構建點云離散點之間的拓撲關系，結合圖像處理中的GLCM算法，提出基于LiDAR原始離散點提取點云紋理特征的方法。

1 理論及方法

1.1 圖像處理領域中基于GLCM的紋理特征

紋理特征原本是遙感和攝影測量領域中的概念，其反映影像灰度空間中變化和重復出現的局部模式及其排列規則[9]。但由于其形式上的廣泛性和多樣性，到目前為止還沒有統一的定義。圖像紋理特征可按提取方法分類為：統計方法、幾何方法、結構方法、模型方法和信號處理方法[10]。其中，GLCM是目前應用最廣泛的一種從統計學角度出發分析圖像紋理特征的方法，它描述了圖像灰度空間中像素對之間的相關性和空間結構特性，被證實可有效改善圖像分類結果[11-13]。GLCM最早由Haralick等于1973年提出[9]，用以描述在θ方向上，相隔d距離的一對像素分別具有灰度值i和j的出現概率。GLCM是d和θ的函數，并且是對稱矩陣，其階數由圖像的灰度等級K決定，由GLCM能推導出14種圖像紋理特征。

1.2 基于LiDAR原始離散點的GLCM點云紋理特征提取

圖像紋理特征可在柵格圖像的處理和分析過程中得到很好應用，但應用于LiDAR點云中會出現前文所述的“多義性”問題。此外，點云與圖像之間的相互轉換過程，不僅會造成高程精度損失，而且會增加運算時間。因此，有必要直接從原始離散點云出發，提取反映離散點之間相關性和結構特征的點云紋理特征。

圖像紋理特征反映的是像素與其周圍空間鄰域像素的灰度分布情況，點云紋理特征反映的是點與其鄰域點的屬性值分布情況。但點云中的原始離散點之間并不存在拓撲信息，欲直接從原始點云中提取點云紋理特征，需要構建離散點之間的拓撲關系，以滿足點云中點鄰域查詢的需求。而KD樹在鄰域查詢方面具有較好的性能，常用于單個激光點云數據在相鄰區域的索引，因此選用KD樹對LiDAR點云數據進行索引。進而借鑒圖像紋理特征的提取方法，提出點云紋理特征提取算法。

1.2.1 生成偏移點云，構建最近點對集合

對于柵格圖像而言，GLCM是方向參數θ和尺度參數d的函數，欲統計某像素與其周圍空間鄰域像素的灰度分布情況，僅需將圖像中的每個像素和沿θ方向距該像素d距離的像素構成像素對，并統計像素對灰度值出現的頻數。但對于呈無規則分布的離散點云數據，若點云中某點坐標為(x,y)，沿θ方向距該點為d的位置，即(x+dcosθ,y+dsinθ)坐標處，并不一定有與其相對應的點存在。此外，檢索圖像中的某個像素平移后的對應位置，僅需定位平移后的位置在整個圖像矩陣中的行列號。但欲記錄點云中每一點平移后的位置，就需記錄平移后位置的x、y坐標，而每個點的坐標又是無規律分布的，不利于存儲和檢索。因此利用構建的平移點云存儲每個平移后的點，進而通過檢索原始點云和平移點云中點源ID的方式來提高計算效率。

1.2.2 構建GLCM

(1)

1.2.3 計算點云紋理特征值

利用GLCM可以計算出14種圖像紋理特征[9]，但顧及算法的整體運算量，僅效仿如下3種比較常見的圖像紋理特征，計算出對應的點云紋理特征值。

1)同質度(homogeneity)。

(2)

2)不相似性(dissimilarity)。

(3)

3)角二階矩(angular second moment)。

(4)

2 試驗與討論

2.1 試驗數據

選用NOAA提供的兩個數據進行實驗，數據采自美國海岸帶地區。兩個點云數據覆蓋范圍相同，僅采集時間和采集設備不同，各數據具體參數見表1。由于數據2北岸的平靜水面上基本沒有激光反射點，因此僅采用點云的有效覆蓋區域計算數據2的平均點間距。兩個點云數據內插得到的數字高程模型(Digital Elevation Model, DEM)和強度圖像如圖2所示。

表1 LiDAR數據參數列表

(a) 數據1的DSM(a) DSM of data 1 (b) 數據1的強度圖像(b) Intensity image of data 1

(c) 數據2的DSM(c) DSM of data 2 (d) 數據2的強度圖像(d) Intensity image of data 2圖2 DSM和強度圖像Fig.2 DSM and intensity image

2.2 整體視覺判讀

提出的點云紋理特征屬性可以通過LiDAR的高程或強度信息計算得到，但考慮到文章篇幅和算法效率，在此僅分析由LiDAR強度信息推導得到的點云紋理特征。以數據1為例進行整體視覺判讀分析，圖3為提取的Hom點云紋理特征局部三維效果圖，圖中每個點的灰度對應著該點的Hom點云紋理特征值。由圖中可看出，提取的點云紋理特征不僅可以有效地分辨樹木、房屋(如圖3(a)所示)和海浪(如圖3(b)所示)等大型地物，還可以分辨道路標志、電線和柵欄(如圖3(a)所示)等尺度較小的地物。

(a) 樹木、房屋、道路標志和柵欄的點云紋理特征 (a) Texture feature of point cloud of trees, houses, road signs, power lines and fences

(b) 海浪的點云紋理特征 (b) Texture feature of point cloud ocean waves圖3 點云紋理特征的三維效果圖Fig.3 3D rendering of the texture feature of point cloud

計算出的點云紋理屬性與點云中各點的高程和強度等信息類似，是點云中點的一組特征值。為便于視覺判讀，還將利用點云中各點的點云紋理特征屬性，通過內插的方式轉化成柵格圖像(如圖4所示)，并與利用文獻[10]中所用方法獲得的圖像紋理特征(如圖5所示)進行對比。

(a) Hom

(b) Dis (c) ASM圖4 由點云紋理特征導出的灰度圖Fig.4 Gray images derived from the texture feature of point cloud

(a) HoM

(b) Dis (c)ASM圖5 由LiDAR強度圖像求取的圖像紋理特征Fig.5 Texture measurements of LiDAR intensity image

Hom反映了目標點屬性值(高程或強度等)與其鄰域點屬性值連續變化的強度和振幅，圖4中灰度值越高的區域說明其地物同質性越好。而在不同類地物的交界處和同質性較差的地物(如樹木和建筑)灰度值較低。Dis反映的是相鄰點之間平均灰度值的差異程度，其值越低說明物體表面越粗糙(如海浪、樹木)，其值越高說明物體表面紋理越細致(如建筑)。

通過對比圖4和圖5可發現，點云紋理內插后生成的圖像與直接利用圖像處理方法獲得的圖像紋理，在灰度值整體分布上基本一致。但從圖4(a)和圖5(a)中的停車位標志、道路信號標志和海浪邊緣等細節可看出，點云紋理生成的圖像能更清晰地反映不同地物之間的區別，說明本文方法提取的點云紋理可以細致到點，而不是一個像素的區域。

2.3 參數分析及優化

本節參照文獻[11]，通過分析Hom的變異系數cv對影響點云紋理特征的三個參數r、d、K進行優化。

1)r與cv之間的關系如圖6所示。由圖6(a)可以看出，對于數據1，在d和K固定的條件下，當r在圖中虛線范圍內變化時，各類地物的cv達到最高(除樹木外，由于樹木點的強度值分布范圍較廣，且樹木點較為分散，相互之間距離較遠)，說明此時各類地物之間的可分性最好。由于數據2的強度范圍為0～255，其強度的可分性較數據1差，且數據2的點密度比數據1小，因此數據2中cv與r之間的變化規律并不明顯。但由圖6(b)可以看出，r在虛線范圍內變化時，cv趨于平穩。兩個數據的平均點間距均在圖中虛線范圍內，為避免數據的特例性，選擇點云的平均點間距作為r的最優取值。

(a) 數據1 (a) Data 1

(b) 數據2 (b) Data 2圖6 r與cv之間的關系Fig.6 Relationship between r and cv

2)d與cv之間的關系如圖7所示。由圖7可以看出，對于數據1和數據2，在r和K固定的條件下，當d在圖中虛線范圍內變化時，cv達到最低值(樹木和數據2中的水除外，數據2中水體的噪聲點較多)，并相對穩定，而該范圍恰恰在平均點間距附近。這可解釋為，當某點平移的距離為平均點間距時，一般會遇到自身的鄰接點。若該點平移的距離d稍大或稍小于平均點間距時，與該點平移后的位置最近的鄰接點應保持不變，從而不會影響點云紋理特征的計算結果。因此d的最優值同樣可以選取為平均點間距。

(a) 數據1 (a) Data 1

(b) 數據2 (b) Data 2圖8 K與cv之間的關系Fig.8 Relationship between K and cv

3)k與cv之間的關系如圖8所示。由圖8可以看出，在d和r固定的條件下，cv隨著K的增加而線性增大。這是由于K越高，同一地物的點云紋理特征值取值的波動范圍越大。cv越大，則不同地物之間的可分性也越強。但K值越大，計算量也越大。因此兼顧計算效率和點云紋理特征的可分性，選擇壓縮后的灰度等級K為64。

2.4 分類結果及評價

在圖像處理領域，圖像紋理可有效地應用于圖像分類之中。而本文提出的點云紋理屬性，同樣可作為點云中點的特征值，輔助點云的高程和強度信息，應用于點云分類工作中。為驗證點云紋理特征對地物分類的貢獻，以數據1為例，利用經典的支持向量機(Support Vector Machine, SVM)[14]分類算法，并結合點云的高程、強度和點云紋理特征對點云進行分類，具體采用以下四種分類方案：①單純利用高程信息；②單純利用強度信息；③聯合利用高程和強度信息；④聯合利用高程、強度和點云紋理特征。

本文的SVM算法基于C++平臺和LibSVM庫[15]編程實現，SVM分類器的核函數選用線性核。由于該分類方法僅用于測試點云紋理特征約束點云分類的性能，算法中的懲罰系數C和參數γ均取較寬泛的值，C=1000，γ=0.000 1。將地物整體上分為：陸地、海水、房屋和除房屋外的地物(包括樹木、電線和汽車等不規則地物)。選取的訓練樣本和驗證樣本的點數分別為23 964和74 383，且樣本的選擇兼顧了典型性和隨機性。

單純利用高程或強度屬性進行地物分類的精度很低，分別為75.5%和61.9%，聯合高程和強度信息可以將地物分類精度提高至89.4%，而增加了點云紋理信息后，分類精度可以進一步提高至95.0%，這說明在地物分類過程中，LiDAR點云的高程和強度信息都是不可或缺的，而點云紋理特征可以為地物分類起到重要的輔助作用，提高整體的地物分類精度。

進一步結合如圖9所示的分類效果圖進行分析，由圖9(a)～(d)分別可以看出，單純利用高程信息無法很好地將灌木、電線、汽車和柵欄等低矮地物與陸地區分，而且在海陸交接處對水陸的區分也存在偏差。單純利用強度信息進行地物分類會使強度值相近的不同地物被錯分為同一類，各類地物之間存在普遍的錯分現象。聯合高程和強度信息雖然能夠較好地區分各類地物，但在海陸交界處對水陸的區分仍然存在偏差。而將點云紋理輔助高程和強度信息進行地物分類的效果最好，分類結果基本符合地物實際分布情況，尤其是對海浪和沙灘的區分更加準確。這也證明了將點云紋理特征輔助高程和強度信息進行地物分類，能有效改善分類效果。

(a) 方案1 (b) 方案2 (c) 方案3 (a) Scenario 1 (b) Scenario 2 (c) Scenario 3

(d) 方案4 (d) Scenario 4圖9 各方案的地物分類結果Fig.9 Results obtained by using different classification scenarios

圖10 聯合利用DSM圖像、強度圖像和圖像紋理特征的地物分類結果Fig.10 Results of land cover classification combined use DSM image, intensity image and image texture features

為證明基于離散點提取的點云紋理特征比基于柵格格式的圖像紋理特征具有更好的區分地物的能力，還以SVM為基礎算法，采用DSM圖像+強度圖像+圖像紋理的特征屬性組合方案進行了對比實驗。該方法的訓練樣本和驗證樣本的分布與圖9(d)分類方法中選取的樣本分布一致，且SVM分類器中的參數也與之前的設置保持一致。圖10為利用圖像紋理特征約束的地物分類效果圖，對比圖9 (d)可以看出，兩種方法的地物分類整體效果基本一致，這是因為兩種方法采用了相同的參數設置和訓練樣本分布。但采用DSM圖像+強度圖像+圖像紋理分類方案的分類精度為94.4%，稍低于利用點云紋理特征約束的地物分類精度，對比圖9(d)和圖10中區域Ⅰ～Ⅳ的細節圖也可以看出，利用圖像紋理約束進行地物分類時，一些小型地物(如圖10中區域Ⅰ的柵欄、圖10中區域Ⅱ的道路標志)和建筑物(圖10中區域Ⅲ和Ⅳ)存在明顯的錯分現象，這就是由前文所述的“多義性”問題造成的。上述分析證明了點云紋理特征比圖像紋理特征具有更好的區分地物的能力，可以有效避免像素與點之間的“多義性”問題。

3 結論

本文從圖像處理領域的圖像紋理特征計算方法出發，提出反映LiDAR數據中點與周圍點屬性分布情況的點云紋理特征屬性。通過數據分析對點云紋理特征的三個參數進行優化，并利用SVM分類算法對點云紋理特征的地物分類能力進行驗證。實驗結果表明：利用點云紋理特征約束進行地物分類可以有效改善地物分類結果，其分類精度可以達到95.0%，尤其在水陸區分方面表現出優秀的性能。此外，相比于圖像紋理特征約束下的地物分類方法，利用點云紋理特征進行約束的分類方法能有效避免像素與點之間的“多義性”問題，提高小型地物提取的準確性。點云紋理特征在小型地物的甄別和水陸的區分等方面所體現的優質特性，可以充分地應用到海岸帶機載LiDAR數據的精細化分類、海岸帶高精度DEM構建和海岸線提取等工作中。

但需要指出的是，所選取的LiDAR數據的地物類別和地形分布都較為簡單，而且未對地物類別進行精細劃分，因此即使使用較為經典的分類算法也可獲得較高的分類精度。在下一步工作中將選取更為復雜的地形數據驗證點云紋理特征的性能。此外，本文算法的運算效率尚需進一步提高，下一步工作還將嘗試融入并行算法，以縮短整體運算時間。