汪岩松，刘 平，许邦鑫

(安徽省电力设计院，安徽 合肥 230601)

目前，我国正在进行大规模的电网建设。电网建设是国民经济建设的基础，是基础设施建设的重要组成部分，是提高人民生活水平的必要条件。电网建设不可避免地涉及房屋拆迁的问题，这是一个关系到方方面面利益的敏感问题。与房屋拆迁量相关的测量工作，贯穿了电网建设的整个流程：初步设计和可研阶段，房屋拆迁量是评价各方案优劣的一项重要经济指标；施工图阶段，需要精确测量房屋拆迁面积，以进行理赔。

近年来，为适应电网建设新的需求，更好的为电网建设服务，电力勘测设计部门逐步引进了一些新的技术手段，机载激光雷达测量技术便是其中较为先进的技术手段之一。通过获取目标的三维点云数据，机载激光雷达测量可以提供高精度的数字高程模型(Digital Elevation Mode，DEM)、数字地表模型(Digital Surface Model，DSM)，如果飞行同时搭载有航测相机，则还能提供高分辨率的数字正射影像(Digital Orthophoto Map，DOM)。目前，机载激光雷达测量技术在电力勘测设计中主要用于优化选线，应用面相对比较狭窄，没有充分发挥LIDAR数据的优势。

2009年，安徽省电力设计院在220kV铜贵——永丰变输电线路勘测设计中应用了机载激光雷达测量技术，在该工程中，我院对LIDAR数据的特点进行了较为深入的分析，并结合传统航空影像，对LIDAR数据用于输电线路工程房屋拆迁量统计的可行性进行了探讨。

目前输电线路工程房屋拆迁量统计主要有两种方式：①直接去现场进行测量，得到房屋各角点的坐标，并调查房屋的层数。这种方式得到的统计数字最准确，但由于工作量特别大，执行力度一般不强，由此得到的数字存在一定程度的误差，但一般能满足工程需要。②在航空影像上通过目视判读的方法对房屋进行数字化，然后计算各房屋的面积，但房屋层数仍然需要去现场调查。这种方式一定程度上减少了外业工作量，但并没有完全避免。量测精度主要与影像的分辨率有关，较工测方式会有所下降，但也能满足设计需要。

本文结合LIDAR数据的特点，针对初步设计和可研阶段的房屋拆迁量统计提出了一种新的方法，方法的基本思路是：首先，通过融合LIDAR数据和航空影像对房屋进行计算机自动提取；然后，通过DSM和DEM估算房屋层数。实践证明，这种方法在保证满足工程需要的前提下，大大减少了工作量，缩短了工程周期。

1 融合LIDAR数据和航空影像自动提取房屋

由LIDAR数据的特点可知，LIDAR数据虽然可以提供高精度的三维空间分布信息，但难以确定物体的边缘；与之相反，高分辨率的航空影像可以较准确的确定物体的边缘，但缺乏高精度的三维空间分布信息。所以，LIDAR数据和航空影像的优点是互补的，融合LIDAR数据和航空影像就可以整合它们的优势，从而提高房屋提取的成功率和自动化水平。

融合LIDAR数据和航空影像进行房屋自动提取的主要流程如下：

(1)融合前的预处理工作，包括格网DEM、DSM的生成，以及DEM/DSM与航空影像的配准。

(2)利用基于区域生长的图像分割方法对DSM/DEM和航空影像进行图像分割。

(3)利用基于知识机理的分类方法对分割结果进行分类，最终得到房屋专题图。

整个流程见图1。

图1 基于LIDAR数据和航空影像的房屋自动提取流程

1.1 预处理

在获取LIDAR点云数据后，需要对LIDAR点云数据进行滤波，以分离地面点和非地面点。滤波的方法有多种，本研究采用Vosselman于2000年提出的基于坡度变化的滤波算法。该算法的基本思想是：邻近两个激光脚点高程差异很大时，由于地形急剧变化产生的可能性很小，更为可能的是其中一点属于地物点。也就是说，相邻两点的高差值超过给定阈值时，两点间距离越小，高程值大的激光脚点属于地面点的可能性越小。造成相邻两点间高程变化明显的原因可能是两激光脚点分别位于地形表面和植被，或地形表面和其他地物，或是树的不同部位，或陡坎的不同部位。该方法是通过比较两点间的高差值的大小来判断是否接收所选择的点，两点间的高差的阈值定义为两点间距离的函数，即所谓的滤波核函数，通常该函数是非递减函数。

在点云滤波后，就可以利用地面点生成格网DEM。本研究采用的方法是：先将地面点构造成狄洛特三角网，再从该狄洛特三角网中内插出格网DEM。格网DSM的生成方法类似，所不同的是它是基于所有点的。为便于同航空影像融合，格网DEM和DSM的格网尺寸大小应于航空影像的分辨率一致。

通常，如果LIDAR数据和航空影像由同一套激光雷达测量系统同时获取，那么DEM、DSM和航空影像不再需要配准；如果LIDAR数据和航空影像是分别获取的，则需要一定的控制点来对它们进行配准。

1.2 基于区域生长的图像分割方法

在进行分类前，需要利用图像分割技术将图像划分为若干个有意义的区域。图像分割的方法有多种，与其他方法相比，基于区域生长的图像分割方法速度快，抗差能力强。该方法的基本思路是：先在每个要分割的区域中找一个种子像素作为生长的起点，然后将种子像素邻域内与种子像素有相似性的像素合并到种子像素集合。如此往复，直到再没有像素可以被合并，一个区域就形成了。

区域生长的基本原则是被选为种子的区域必须与它的邻居区域有很高的相似性，一个区域与它的邻居区域有很高的相似度，说明该区域更能代表我们所期望分割结果的区域属性。本研究为每个区域定义一个相似度函数，以用来衡量一个区域与它的邻居区域的相似性程度。一个区域的相似度函数值必须大于一个阈值，该区域才能生长下去。由于RGB色彩空间的三个分量高度相关，所以不适合进行图像分割，而HIS彩色空间以人眼的视觉特征为基础，利用色调(Hue)、饱和度(Saturation)和强度(Lightness)三个属性来表示颜色，更符合人眼描述和解释颜色的方式，更少受光照条件的影响。所以，本研究在构建相似度函数前，对图像作了一个RGB色彩空间到HIS色彩空间的转换。

本研究将一个区域Ri的邻域集合定义为：其中j=1,…,K，i和j是邻接区域。

一个区域与它邻居区域的相似度函数定义为：

w1和w2是预先定义好的系数，由于色调分量比饱和度分量包含更多的颜色信息，所以w1应远大于w2，本研究根据经验，w1取值0.8，w2取值0.2。

为了实现对相似度阈值的自动选取，本研究采用基于遗传算法的自动阈值选取方法，该方法参考最大类间方差法，采用遗传算法求最优解，使类间方差最大，加快了阈值获取速度。

1.3 基于知识机理的分类方法

基于知识机理的分类方法是一种人工智能分类方法，它运用知识以及输入的数据来确定解决问题的最佳途径，而不是采用预先定义的方法。基于知识机理的分类方法也是一种面向对象的分类方法，在本研究中，其分类所面向的对象是图像分割后得到的房屋碎片，所用的知识包括高程、光谱、纹理以及形状等房屋区别于其他地物的多个特征。

(1)高程。用DSM减去DEM，就可以得到一个规则化的DSM(nDSM)，nDSM存储的信息实际上是地物的对地高度。使用一定的高度阈值，就可以从nDSM中分离出房屋以及和房屋处于同一高度范围的地物(主要是植被)。

(2)光谱。光谱信息来源于航空影像，包括R、G、B三个波段的信息，使用该信息近似计算植被指数(Normalized Vegetaion Index，NDVI)，可以用来区分植被和非植被。

(3)纹理。纹理信息也来源于航空影像，可以通过影像的灰度协相关矩阵(Grey Level Cooccureence Matrix，GLCM)来进行纹理分析。纹理分析的作用是用于区分光谱特征相似的房屋和植被，所以其实际上是对光谱分析的一个补充。

(4)形状。形状包括面积、长宽比等参数，其中面积可用于滤除尺寸较小而不可能是房屋的物体，而长度比可用于滤除十分细长而不可能是房屋的物体。

2 基于DSM和DEM估计房屋层数

在得到房屋的专题图后，房屋的水平投影面积容易计算出来，但要估算总的房屋建筑面积，还需要知道房屋的层数。用DSM减去DEM可以大致估计房屋各处的对地高度，如果能确定房屋某一个或几个角点的对地高度，那么就可以确定房屋的有效高度，再除以楼层高度就可以估算出房屋的层数。某一地区房屋的楼层高度一般来说是比较统一的，带来的误差不会太大。因此，上述思路的关键点在于能不能准确的确定房屋角点的对地高度。然而，DSM/DEM来源于原始LIDAR点云数据，当然也就存在物体边缘定位不准的问题，所以由它们算出的房屋各个角点的高度是不准确的。实际上，从DSM中可以看出，房屋呈现出的是一种凸包形，没有明显的边缘。

鉴于上述原因，本文提出了如下一种思路来估算房屋的层数：首先，利用DSM计算房屋中心区域的坡度，利用DSM和DEM计算房屋中心区域的平均对地高度和最低对地高度，其中房屋中心区域的尺寸采用一个经验值，以保证中心区域偏离房屋边缘一定的距离。然后根据坡度值的大小判断房屋是平顶房还是尖顶房，如果是平顶房，则以平均对地高度作为房屋的有效高度；反之，如果是尖顶房，则以最低对地高度作为房屋的有效高度。最后，将房屋的有效高度除以楼层高度得到房屋层数，进而计算出房屋的拆迁面积。

经过实践证明，上述方法完全可以满足初步设计和可研阶段对房屋拆迁量计算的精度要求。

3 实验与结果

3.1 实验数据

安徽省电力设计院于2009年对220kV铜贵——永丰变输电线路可研路径进行了机载激光雷达测量，本实验的LIDAR数据和航空影像来源于此。其中LIDAR数据由Leica ALS50获取，影像由Leica RCD100获取。整个实验数据的相关参数见表1。

表1 实验数据

在房屋自动提取过程中，LIDAR数据格网化为DSM和DEM的格网大小为0.5m，其中DSM见图1(a)，DEM见图1(b)。使用DSM对航空影像进行正射纠正，正射纠正后的航空影像见图2。

图1 DSM和DEM

图2 正射纠正后的航空影像

3.2 融合LIDAR数据和航空影像进行房屋自动提取的实验

图3是对航空影像进行分割后的效果图，图4是利用LIDAR数据和航空影像融合数据进行房屋自动提取的最终结果。

图3 航空影像分割后效果图

图4 最终结果

对于房屋的提取来说，有两类概率是我们比较关心的，一类是将房屋目标判别为房屋的概率，一类是将非房屋目标错分为房屋的概率。一个较好的房屋提取方法应保证较高的第一类概率和较低的第二类概率。

为了检查上述概率，本实验使用已有对应区域的数字线划图与最终提取结果进行比较，比较结果见表2。

表2 房屋提取成功率

从表中可以看出，本文的房屋提取方法能保证较好的成功率。

3.3 本研究的房屋拆迁量计算方法与工测数据比较结果

本实验选取220kV铜贵——永丰变输电线路走廊覆盖的多个居民区作为样本，用本文的方法计算房屋拆迁量，与工测数据进行比较，比较结果见表3。

表3 统计结果检查(部分)

从表中可以看出，由房屋水平投影面积计算产生误差一般在10m2以内，而几个较大的面积误差都是由于层数计算误差导致的，整个房屋拆迁量的误差水平约为8%。

4 总结

房屋拆迁量统计是电网建设中不可避免的问题，本研究提出了一种在初步设计和可研阶段基于LIDAR数据和航空影像的输电线路工程房屋拆迁量统计方法，主要有如下两个方面的成果：

(1)融合LIDAR数据和航空影像对房屋进行自动提取。这一过程主要有两个步骤：其一，利用基于区域增长的图像分割方法对DSM/DEM和航空影像进行图像分割；其二，综合考虑高程、光谱、纹理、几何等特征，利用基于知识机理的分类方法对每一组碎片进行分类，生成房屋专题图。

(2)基于DSM和DEM估算房屋层数。该方法的思路是：首先，利用DSM计算房屋中心区域的坡度，然后根据坡度值的大小判断房屋是平顶房还是尖顶房，如果是平顶房，则以该房屋中心区域的平均对地高度作为房屋的有效高度；反之，如果是尖顶房，则以该房屋中心区域最低对地高度作为房屋的有效高度。最后，根据有效高度估算房屋层数。

本文提出的方法既具备一定的新颖性，又有很强实用性：一方面，与工测相比，本文提出的方法可以大大减少甚至避免外业工作，从而节省劳动成本，缩短工程周期，节约勘测、设计成本；另一方面，在涉及到房屋拆迁量指标时，使用本文提出的方法，可以筛选出更经济的线路路径优化方案。

[1]沈雨，李益进，秦志涯等，测绘数据在拆迁统计中的应用[J].城市勘测，2007，(6).

[2]阳锋，徐祖舰等，三维激光雷达技术在输电线路运行与维护的应用[J].南方电网技术，2009，3(2).

[3]杨晓冬，三维激光雷达技术在输电线路优化设计中的应用[J].遥感信息，2007，(2).

[4]关丽，程承旗，刘湘南.高分辨率遥感影像城市房屋信息自动提取模型与实验研究[J].地理与地理信息科学，2007，23(5).

[5]陈功，程正逢，石克勤等.激光雷达在电力线路工程勘测设计中的应用[J].电力勘测设计，2006，(5).

[6]徐祖舰，阳锋，黄勇等.三维激光雷达技术在电力行业中的应用[J].广东输电与变电技术，2008，(6).

[7]张煜，窦延娟，张晓东等.机载激光雷达数据采集及数据处理[J].长江科学院院报，2010，(1).