引文格式： 黄明，张锦，曾波. 基于机载LiDAR数据的城市建筑物高度分级方法研究[J].测绘通报，2015(4)：82-85.DOI:10.13474/j.cnki.11-2246.2015.0117

基于机载LiDAR数据的城市建筑物高度分级方法研究

黄明1，张锦1，曾波2

(1. 太原理工大学测绘科学与技术系,山西 太原030024； 2. 山西省测绘工程院，山西 太原030024)

The Classification of Building Height in a City Based on Airborne LiDAR Data

HUANG Ming，ZHANG Jin，ZENG Bo

摘要：传统的基于不规则的三角网和形态学点云滤波处理方法提取的DEM，由于在滤波过程中没有顾及不同区域地形起伏度差异，使得滤波过程中产生大量粗差，导致DEM 与实际地形偏差太大。准确提取建筑物轮廓和高程的前提是要提取高精度的DEM，因此必须在DSM转化为DEM的过程中改进DEM提取方法。本文针对地形起伏度不大的城市区域，采取格网值替换、设置高程和面积阈值进行过滤处理的方法提取建筑物轮廓及高程值，验证表明该提取方法的精度优于传统滤波方法。

关键词：DEM;DSM;高程阈值;面积阈值

中图分类号：P237

收稿日期：2014-01-01

基金项目：国家863计划(2013AA122301)；山西省测绘地理信息科技项目(2013-K5)

作者简介：黄明(1986—)，男，硕士生，研究方向为地图制图学与地理信息工程。E-mail：843498957@qq.com

一、引言

机载LiDAR设备是一种集激光测距技术、INS技术、GPS技术为一体的新型传感器设备,它具有高效的获取三维信息的能力，与传统的摄影测量相比较，具有生产周期较短，对数字城市能够较快地进行测绘等优点[1]。建筑物的提取是LiDAR数据特征提取的一项重要研究内容，要提取建筑物，首先就应提取DEM。目前对DEM提取的方法主要有形态学滤波处理法，也就是对点云数据通过开算子处理方法将数据先腐蚀后膨胀，最后得到地面点[2]，从而生成DEM。 还有一些研究是基于不规则的三角网进行滤波[3]，也就是对原始 LiDAR 数据通过反复建立三角网模型的方式分离出地面点，再通过中值滤波去除粗差后得到DEM。但以上方法都可能会在滤波过程中产生大量粗差，造成滤波后提取的DEM不够准确，从而导致最后经过处理提取的建筑物轮廓及高程值误差太大。因此，本文针对地形起伏度不大的城市区域，采取格网值替换、设置高程和面积阈值进行过滤处理的方法提取出建筑物轮廓及高程值，使得做出的建筑物高度分级图精度有了显著的提高。

二、建筑物轮廓及高程提取方法

对于建筑物轮廓及高程的提取，针对不同的区域情况应分别分析，区域情况分为以下几种：①地形起伏度较大且存在面积较大建筑物；②地形起伏度较大且不存在面积较大建筑物；③地形起伏度较小且存在面积较大建筑物；④地形起伏度较小且不存在面积较大建筑物。对于城市区域而言，大部分都属于最后一种情况。要制作出城市区域的建筑物高度分级图，就需要提取出城市区域的建筑物栅格格网数据，通过此数据可以生产出较为直观的建筑物高度分级图。其具体实施方法就是将LiDAR点云数据首先转为栅格形式的DSM,再将DSM通过软件转化处理得到DEM,最后将DSM与DEM作差得到的规则化DSM通过高程阈值与面积阈值的过滤处理就得到了建筑物栅格格网数据。其整体实施过程如图1所示。

图1　建筑物栅格数据轮廓及高程提取方法流程

三、试验研究与分析

1. 试验区LiDAR点云数据的预处理

要提取格网形式的建筑物数据，首先就应将试验区的LiDAR点云数据转为格网形式的DSM，该数据格网单元大小与LiDAR数据的平均密度呈一定的线性关系[4]，其灰度值大小反映的就是高程值的大小[5]。

2. 格网数据DSM转化为DEM的方法

选取的试验区地势较为平坦，且试验区内所有建筑物的面积都没有超过900m2。因此，可以用ArcGIS将格网形式的DSM数据转化为格网形式的DEM数据。其具体实施方法与原理是:首先将通过点云数据处理生成的栅格格网形式的DSM数据通过焦点统计的方法将栅格格网数据的每一个高程值都分别被其本身900m2范围内的最低高程值所替代，将转化后的栅格格网数据命名为“最小值栅格”。

接着，通过计算“DSM栅格格网数据”与“最小值栅格”的差值，得到试验区“高差阈值栅格数据”。由于试验区的建筑物及树木的最低高程都有2m，因此，利用重分类的方法以2为阈值对“高差阈值栅格数据”进行二值化处理得到掩膜数据MASK(0.1)和MASK(1,0)。其中，MASK(0,1)表示大于或等于阈值2的栅格数值归为0，小于阈值2的栅格数值归为1；MASK(1,0)表示大于或等于阈值2的栅格数值归为1，小于阈值2的栅格数值归为0。对于“高差阈值栅格数据”格网值小于2的区域，在实地中就没有房屋及树木等非地面物体，因此，可以近似地认为这些区域的DSM就是DEM。而“高差阈值栅格数据”格网值大于2的区域，在实地中都存在房屋建筑及树木、电杆等非地面物体，因此，这些区域每个点的地面高程值可以近似地被其周围900m2范围内的最低高程值所替代。基于以上原理，通过栅格计算器计算就可以得到试验区的DEM数据，具体计算公式为：DEM数据= MASK(0,1)×DSM数据+MASK(1,0)×最小值栅格。

3. 规则化DSM提取建筑物的方法

(1) 高程阈值提取建筑物

将试验区的DSM数据与DEM数据相减就得到了仅剩下树木、电杆及建筑物的规则化DSM。此时，需要将建筑物与其他物体(包括树木、电杆等)进行分离提取。应用最广泛的方法就是设定高程阈值与面积阈值来进行分离提取。

对于高程及面积阈值的设定，通过调查可得知在试验区内建筑物与其他物体的差异在于，建筑物的高程都在3m以上，面积都在90m2以上。通过这样的阈值设定，提取的建筑物精度能达到一个相对合理的水平。对于高程阈值的设定提取建筑物的方法较为简单，通过属性选择，将栅格格网高程数值大于3的数据提取出来就得到了经过高程阈值处理过的规则化DSM。

(2) 面积阈值提取建筑物

要通过面积阈值提取建筑物栅格数据的轮廓,就必须保证同一个建筑物之间的格网数据之间具备连通性。所谓连通性，就是指在某个区域中栅格数值相同的点呈现相邻关系(如图2所示)，而生成的规则化DSM格网数据的高程值即使在同一个建筑物之间也不可能一样，从而不具备连通性。因此就不能直接将规则化DSM通过设定面积阈值来提取建筑物轮廓，需要将DSM格网数据转化为深度影像DSM来提取设置了面积阈值的建筑物轮廓。

图2　同为数值A的格网数据之间具有连通性

其转化原理是DSM的高程数值与深度影像DSM灰度值具有一定的线性关系，利用下式将高程数值转化为256色的深度影像[6]

(1)

式中，Pixel(i)为深度影像DSM的灰度值；z(i)为DSM格网的高程值；maxz、minz分别为DSM格网数据的最大、最小高程值。利用栅格计算器中的转换计算得到了与DSM格网大小相同的DSM深度影像(如图3所示)。该DSM深度影像中，建筑物目标的灰度值与地面的灰度值表现出了明显的差异。

图3　试验区DSM深度影像

此时，需要通过阈值分割的方法将地物区域与地面区域分离开，使得不同的地物之间能够相互独立。对于DSM深度影像的分割，阈值的选择最为关键。采用“波峰阈值选择法”来确定深度影像的分割阈值目前来说是一种比较有效的阈值选择法，其具体实施过程是：对试验区DSM深度影像进行灰度统计构成直方图，横坐标为灰度值，纵坐标为具有该灰度值的像素个数。通过对直方图波形的分析，获取两个最高波峰，然后在这两个波峰之间对纵坐标由高到低排序找到纵坐标值最小的波谷。但在该试验区的深度影像直方图中，两个波峰靠得特别近，两个波峰之间的部分在现实中均为地面部分，按照这种方法所求得的分割阈值明显不对。因此需要在这两个波峰范围外找出第3个最高的波峰，并用这个波峰来代替这两个波峰中纵坐标值较低的波峰，将选中的第3个最高波峰与纵坐标值最大的那个波峰之间再次从高到低对纵坐标大小进行排序找到纵坐标值最小的一个波谷，该波谷点的横坐标值即为最佳分割阈值。如图4所示，试验区深度影像的最佳分割阈值是57.2794。

图4　试验区深度影像直方图

经过阈值分割后的DSM深度影像，只剩下建筑物、电杆和树木的轮廓，要提取出建筑物，还需要设定面积阈值作进一步处理。由于此时处于同一建筑物的格网数据是相互连通的，因此通过区域合并的方法，就可以将处于同一建筑物的格网数据合并在一起，再通过面积阈值的过滤处理方法就将面积小于90m2的树木及电杆过滤处理掉了。通过此次面积阈值的过滤处理，得到的建筑物轮廓图如图5所示。

(3) 综合处理制作建筑物高程分级图

通过上述两步的图像处理，分别得到了经过高程阈值处理提取的规则化DSM和经过面积阈值处理提取的建筑物轮廓图。将两幅图通过相交叠置处理，就得到了结合高程和面积两种阈值同时过滤处理所提取的建筑物高程栅格格网图。依照国家规定的高程分级标准，得到试验区的建筑物高度分级图(如图6所示)。

图5　面积阈值过滤处理提取的建筑物轮廓

图6　建筑物高度分级图

对于制作出的试验区建筑物高度分级图，很多建筑物的边缘都呈曲线状，而实际的建筑物轮廓一般都呈规则的矩形或多边形，且房屋边界两轮廓边的夹角一般都是直角[7]，其主要原因就是原始点云数据的密度分布不是特别均匀。因此，需要对建筑物边界进行规则化拟合处理，从而得到更加标准的建筑物高度分级图(如图7所示)。

图7　经过规则化拟合处理的建筑物高度分级图

四、试验提取结果的评价

对于制作出的建筑物高程分级图，为了验证建筑物高程值及轮廓的准确性，需要利用激光测距仪到实地去进行量测，通过外业实地调查的结果见表1和表2。

表1　建筑物高程值调查结果表

表2　建筑物轮廓调查结果表

注：建筑物边界轮廓合格数量指高程图中建筑物轮廓与实际建筑物轮廓重合率达85%以上的建筑物数量。

从表1和表2可以看出，建筑物高程值的提取全部正确，轮廓的提取大部分较为准确，在原始点云数据密度不是特别高的情况下，该方法提取的建筑物轮廓及高程值已经达到了非常理想的效果。与传统的滤波方法制作的建筑物高度分级图相比，无论是建筑物轮廓的准确率还是建筑物高程值的正确率都要高出很多。

五、结束语

本文专门针对地形起伏度较小的城市区域，将LiDAR数据转为栅格格网数据，通过格网数值替换和阈值设定的过滤处理，提取出了建筑物栅格格网的轮廓和高程值。外业的实际调查结果不仅表明该方法在提取建筑物精度方面优于传统滤波方法，而且为LiDAR数据特征提取的研究提供了新思路。

参考文献：

[1]李英成，文沃根，王伟.快速获取地面三维数据的LIDAR技术系统[J].测绘科学, 2002, 27(4):35-38.

[2]张小红,刘经南.机载激光扫描测高数据滤波[J].测绘科学, 2004, 29(6):50-53.

[3]MAASHG,VOSSELMANG.TwoAlgorithmsforExtractingBuildingModelsfromRawLaserAltimetryData[J].ISPRSJournalofPhotonrammetry&RemoteSensing, 1999, 54(23):245-261.

[4]刘经南, 张小红, 李征航.影响机载激光扫描测高精度的系统误差分析[J].武汉大学学报：信息科学版，2002, 27(2):111-117.

[5]王东亮, 万幼川，徐景中，等.基于DEM的机载LIDAR航线设计技术研究[EB/OL].[2013-09-20].http:∥www.paper.edu.cn.

[6]张小红，刘经南，李征航.机载激光扫描测高数据滤波和分类研究[J].武汉大学学报：信息科学版, 2002, 27(S0):181-183.