基于機載LiDAR 點云數據的建筑物自動提取

潘中華，金 晶，陳勝林，蘇 韜，劉 申，高能攀

（1.武漢市測繪研究院，湖北 武漢 430022）

隨著機載激光掃描測距系統的不斷完善和發展，利用激光測高掃描數據快速、經濟、準確地提取城市三維建筑物受到越來越多的重視?，F階段，利用激光掃描數據提取建筑物的方法可分為兩大類[1]：①單純以獲取的機載激光測距數據來提取建筑物，如奧地利維也納大學的Rottensteiner F[2]等直接利用LiDAR 數據生成點云來自動提取建筑物，再采用基于不均勻誤差分布函數的分層魯棒內插算法，結合DTM 和DSM 提取建筑物；②融合激光測距數據和其他相關信息的建筑物提取,如日本東京大學的TAO G[3]等融合高分辨率IKONOS 衛星影像和機載激光掃描數據進行了建筑物提取的研究。在此基礎上，本文首先直接利用LiDAR點云數據生成灰度圖像，再利用圖像處理技術進行建筑物提取，然后對灰度圖像和規則格網化的LiDAR點云數據進行匹配，最終提取出基于LiDAR點云數據的建筑物點。

1 LiDAR點云數據預處理

1.1 LiDAR點云數據的規則格網化

LiDAR系統獲取的數據具有數據量龐大、復雜、無規律離散分布等特點，為了便于DSM 內插和灰度影像的生成，以及提高后續數據處理的速度和效率，重采樣是必備過程。重采樣包括位置的重采樣和數值的重采樣，前者確定網格尺寸，后者關系到插值算法[4]。參考文獻[5]對12種插值方法（最近鄰插值、克里金插值、多項式回歸和移動均值等）進行了研究，結果表明最近鄰插值對間斷保存信息是適用的，且建筑物的原始高度可較好地保存在插值后的DSM 中[6]。本文利用最近鄰插值法對原始LiDAR 點云數據進行規則格網化，并在生成規則格網數據的同時，對每個規則格網點的平面坐標進行標記，具體標記過程為：

1）獲取點云數據最大、最小坐標： xmax、xmin、ymax、ymin。

2）將整個區域劃分為rows×columns的格網，則有：

3）第i 行第 j 列的某一點坐標值則可表示為：

式中，grid為格網大小。

至此，每個規則格網點平面坐標X、Y 便建立了與行列坐標i、j 的一一對應關系，為后續DSM灰度圖像的生成提供基礎數據。

1.2 利用規則格網數據生成DSM灰度圖像

在相對平坦的城鎮區域，建筑物目標的高程變化特征明顯有別于地面上其他目標，且灰度圖像灰度值與LiDAR數據高程值呈線性關系，因此將規則格網化的LiDAR數據按高程轉換為對應的灰度圖像，不僅能直觀表達數據的高程信息，還便于后續圖像處理技術的應用。每個LiDAR 點云數據在256 色灰度圖像對應的灰度值的計算公式[7]為：

式中， Pixelij為第i 行第 j 列LiDAR 點對應的灰度值；zi為各LiDAR點的高程；zmax、zmin分別為該區域LiDAR數據的最大、最小高程。

2 灰度圖像預處理

2.1 灰度圖像Otsu法二值化

與建筑物相比，地面點的高度較低，二者的高程差異很大，尤其是在建筑物和地面相鄰的邊界區域，表現尤為突出，通過這一特性，借助圖像處理中的二值化技術，能有效地區分灰度圖像中的地面點與非地面點。參考文獻[8]系統地討論了閾值法在圖像二值化處理中的應用，給出了較全面的綜述。本文在比較各種二值化方法適用性的基礎上，結合實驗數據，采用Otsu 法[9]對圖像進行二值化。該方法通過求取類間方差的最大值來求得最佳分割閾值，通過3 個參數進行質量控制，使得分割后圖像的目標與背景差異最大。求取最佳閾值t?的基本原理為：

最優閾值 t?通過求類間方差的最大值得到，即

2.2 二值圖像小區域面積濾除

二值圖像包括背景（地面點）和目標（非地面點）兩個部分，非地面點又包含建筑物、路燈、植被等地物。相較于其他地物，建筑物具有面域規則、連通面積大等特性，因此依據該特性，給定一個合適的面積閾值，可有效濾除非建筑物點。其主要過程為：①統計目標部分各連通區域像素個數（面積） s，并標記各聯通區域；②按照面積，對各聯通區域進行排序；③設置面積閾值m，若連通區域面積mi＜s，則剔除該區域，若連通區域面積mi>s ，則保留該區域。閾值m 根據先驗知識確定，針對不同二值圖像設置不同的值。通過該處理，二值圖像目標部分基本為建筑物區域，為建筑物邊緣提取提供了基礎數據。

2.3 二值圖像Canny方法邊緣檢測提取建筑物邊緣

通過上述兩步處理，房屋的大致范圍已經提取出來；再借助圖像處理中的邊緣檢測技術，提取建筑物輪廓。參考文獻[10]對8種邊緣檢測方法進行了綜合性分析與評價，并從算法分類、邏輯原理、性能優缺點、適用范圍、實現成本5 個方面進行了對比和總結。Canny 方法為了平衡邊緣檢測的抗噪性和定位精確性，利用非極大值抑制原理和雙閾值方法提出了Canny 算子[11]。該方法對噪聲非常敏感，定位精度高、邊緣連續、細節豐富、實現成本低。因此，本文結合實驗數據采用Canny算子提取建筑物邊緣。

3 邊緣檢測圖像標記LiDAR點云數據建筑物點

邊緣檢測圖像分割得到建筑物邊緣信息后，需要利用邊緣檢測圖像建筑物信息標記出LiDAR點云數據建筑物點。具體標記過程為：①遍歷邊緣檢測圖像所有像素值Pixel，從左到右、從上到下逐一掃描；②判斷某一點像素值Pixel(i，j)，若該點為建筑物點（像素值為白色），則標記該點像素坐標(i，j)；③由式（3）、（4）以及步驟②中檢索出的目標像素的像素坐標(i，j)，即可標記LiDAR 點云數據第i 行第 j 列建筑物點的坐標(Xi，Yj)；④重復步驟②、③，直至所有LiDAR點云數據建筑物點全部標記完畢為止。

4 算法實現與實驗數據分析

本文實驗數據來源于青島市某地區，包括原始LiDAR點云數據和對應的遙感影像。該地區面積約為1 km×1 km，地形較復雜，包括道路、樹木、路燈、植被、房屋、山坡等。通過VC++編程實現本文所述算法，圖1 為原始遙感影像；圖2 為原始LiDAR 點云的三維渲染圖；圖3為原始點云數據根據式（1）生成的分辨率為0.5 m 的DSM 灰度圖像，可以看出，不同高度的地物點呈現出不同的灰度值，房屋、樹木、路燈的灰度值明顯區別于其他高程較低的地物；圖4 為Otsu 法二值化后的圖像，經過算法處理，目標部分（白色圖像）主要包括房屋、山坡以及小面積區域的路燈、電桿、獨立樹；圖5 為消除小面積區域后的二值圖像，小面積區域的路燈、電桿、獨立樹被清除；圖6 為利用Canny 方法邊緣檢測提取的建筑物邊緣圖像，再利用該圖像標記出LiDAR點云數據的建筑物點；圖7為LiDAR點云數據提取建筑物點的三維渲染圖。

圖1 遙感影像

圖2 點云渲染圖

圖3 DSM灰度圖像

圖4 Otsu法生成的二值圖像

圖5 清除小面積區域后的二值圖像

圖6 Canny方法邊緣檢測圖像

圖7 建筑物點三維渲染圖

由點云數據生成DSM 灰度圖像的原理和圖3 可知，某點的高程值越大，其對應的灰度圖像灰度值就越高。靠近山坡邊緣的建筑物的高程與山坡邊緣相差不大，且比山坡頂部高程低，因此灰度圖像二值化處理后，高程較高的山坡會被誤識別為目標部分，如圖6右下角所示。從最終提取結果來看（圖7），整個區域靠近山坡邊緣的建筑物提取效果較差，其他區域建筑物提取效果良好。

5 結 語

本文針對機載LiDAR點云數據提取建筑物的問題，提出了一種自動提取方法，首先利用點云數據生成灰度圖像，再利用較成熟的圖像處理技術提取灰度圖像建筑物邊緣，最后將點云數據與邊緣圖像進行匹配提取點云數據的建筑物邊緣。實驗結果表明，在較平坦區域，該方法能有效提取建筑物邊緣，且提取效果良好，能為建立房屋三維模型提供可靠的基礎數據；但在地形起伏較大的山區，提取效果較差。如何提高山區地形建筑物提取的精度，有待進一步研究和分析。