李 珵，卢小平，李向阳

(1.河南理工大学矿山空间信息技术国家测绘地理信息局重点实验室，河南焦作454003;2.河南省基础地理信息中心，河南郑州450003)

一、引 言

机载LiDAR可以快速获取地面物体的高精度三维点云数据，据此建立的高分辨率DEM和DSM可用于复杂环境中地物要素信息的提取。然而，现有的建筑物提取方法多是将点云数据滤波分类为地面点、建筑物和其他地物，然后与基于影像的建筑物进行检测比较。由于点云数据受水平位置精度限制，使用单一的LiDAR数据源难以获取准确、翔实的建筑物边缘信息，因此要提取建筑物的规则轮廓，在一定程度上取决于LiDAR数据的几何分辨率。

本文综合利用LiDAR点云数据与GeoEye高空间分辨率遥感影像，研究基于图像分割的面向对象分类方法，建立了一种矿区建筑物协同提取算法模型，即利用不同分割算法对nDSM数据进行分割，建立目标对象;通过设定地物高度阈值与亮度阈值确定建筑物区域，去除阴影信息;利用建筑物光谱特征的相似性在较高坡度值的区域精确提取建筑物的轮廓;基于绿度指数去除植被信息;对于植被与建筑物混叠区域，根据其与建筑物之间的空间关系进行优化，可确保建筑物轮廓的完整性;最后利用开、闭形态学算子和面积阈值，实现了虚警目标的去除和目标边界的平滑。

二、面向对象的建筑物轮廓提取

1.影像分割

影像分割是面向对象信息提取的关键，其目的是使地物目标的异质性最大。选择不同尺度对图像进行分割，可大大减少分类时需要处理的数据单元数，并提高分类速度。针对多数建筑物所具有的形状特征，本文采用四叉树图像分割算法将对象分割为矩形目标。

空间四叉树算法是将含有整个场景的空间按x、y方向分割成4个子方块网格，组织成一棵四叉树。若某一子方块网格中所含目标特征的一致性大于设定的阈值，则对该子方块网格作进一步剖分。如此递归，直到四叉树的每一叶子节点子方块所含目标特征的一致性均小于阈值为止。建立四叉树结构，能够使每个分割目标具有符合尺度参数定义的一致性阈值的最大可能尺寸。

本文使用均值和方差作为同质性标准。子分割对象的像元均值可表示为

式中，n2为四叉树分割对象的像元数量;f(i，j)为像元(i，j) 值。方差定义为

四叉树算法是从图像像素开始向上来实现四叉树构造，具体步骤为：

1)构建一个四叉树，存储每个结点的4个子节点的均值和方差;

2)搜索，从根结点找到均值和方差都在要求范围内的最高的子结点;

3)通过邻域搜索合并均值和方差在阈值范围之内的相邻节点。

nDSM图像具有较好的可分离背景，适合于四叉树分割。建筑物分割后内部可形成较大的方形目标，边缘得到较小的分割目标(如图1所示)，适用于后续的阈值提取和建筑物轮廓的精确提取。

图1 原始nDSM数据与基于四叉树分割结果对比

2.建筑物提取

(1)基于高度阈值与阴影信息的初步提取方法

利用nDSM高度阈值提取建筑物候选分割对象，高度阈值通常设置为较小的值，以确保建筑物的完整性，如农村住宅一般较矮，可将高度阈值设定为1 m。通常情况下，与建筑物相邻的阴影难以区分，但可根据阴影亮度值很低、建筑物房顶的亮度值较高这一特点进行区分。因此，可利用航空影像的R、G、B波段计算亮度指数(Brightness)，用以消除建筑物候选对象中的阴影，并将亮度指数的阴影亮度特征阈值设置为小于70。亮度指数的计算式为

(2)建筑物陡坡边缘地物的重分类

利用GeoEye高空间分辨率遥感影像丰富的光谱信息，将建筑物边缘坡度较大区域中与房顶光谱一致的对象分类到建筑物中，可提高建筑物边缘的提取精度。如果已知高度H沿x和y方向的偏导数，坡度指数可按下式计算

坡度指数阈值的取值区间可通过试错法，并综合坡度图像和坡度直方图进行选取，坡度阈值的变化区间为［40°，90°］。由于不同房屋屋顶的光谱特征不同，因此需要对各个波段的光谱相似性进行分析。本文设定距离阈值为20像素，亮度差异阈值为30。

(3)基于绿度指数的植被信息去除

对于初步提取结果中存在的植被信息，利用航空影像R波段和G波段计算的绿度指数进行去除。绿度指数阈值设定为0.36，计算公式如下

(4)数学形态学处理方法

提取结果中存在的各种噪声会导致目标虚警、不完整等，可通过数学形态学和提取目标连通区域的形状特征进一步处理，从而取得更为完善的结果。

①腐蚀与膨胀

腐蚀与膨胀是数学形态学两种最基本的运算，其他形态学算法大多是以这两种原始运算为基础的。设A与B是Z中的集合，A被B膨胀定义为

式中，B叫做膨胀的结构元素。A被B腐蚀可定义为

从膨胀与腐蚀的算式可以看出，膨胀使图像目标面积扩大，而腐蚀使图像面积缩小。一般在提取的地物目标区域中，受各种干扰因素的影响，其边缘不能完整获取。在下面开、闭运算的基础上可适当进行膨胀运算，从而获取较完整的目标信息。

②开操作与闭操作

开操作与闭操作是重要的形态学运算方法。使用结构元素B对集合A进行开操作即对A先腐蚀，然后用B对结果进行膨胀。使用结构元素B对集合A进行闭操作，即用B对A先膨胀，然后用B对结果进行腐蚀。

开操作使对象的轮廓变得光滑，可断开狭窄的间断并消除细小的突出物;闭操作同样可使轮廓线更为光滑，但与开操作相反的是，它可以消除狭窄的间断及消除小的空洞，填补轮廓线中的断裂。在道路区域处理过程中，首先采用小对称结构元素进行开操作，去除与道路非连通的小区域;然后在此基础上采用大结构元素进行闭操作，消除断裂，平滑边缘。

③区域填充

对于分类提取算法提取的目标区域中存在的图斑漏洞等噪声，可利用形态学区域填充方法进行处理。该算法以集合的膨胀、求补和交集为基础，若A表示一个包含子集的集合，则子集元素均为区域的八连通边界点。从边界内p点开始，用1填充整个区域，将所有非边界(背景)点标记为0。区域填充的计算模型如下

式中，X0表示P点;B为对称结构元素;Ac表示A。如Xk=Xk-1，则算法在迭代第k次后结束。Xk和A的并集包含被填充的集合和边界。

在提取建筑物过程中，首先采用填充操作填补建筑对象中小于一定阈值的内孔;然后通过闭操作(先使用膨胀算子，后使用腐蚀算子)对粗糙的边界进行平滑，并去除建筑物边缘处的小缺口。本文采用的结构元素是5×5的矩形，通过形态学操作消除虚假对象并平滑目标边界后，获得了一组可靠、完整的建筑物对象，实现了对每个对象边界的检测和追踪。

三、试验结果与分析

1.试验区概况

本文以河南省鹤壁矿区内的农村住宅作为试验研究区，以ALS60机载LiDAR和GeoEye遥感影像为数据源。GeoEye遥感影像(如图2所示)和提取的nDSM(如图3所示)空间分辨率分别为0.4 m和0.5 m。GeoEye影像使用DSM进行正射校正，并使校正后的图像与机载LiDAR点云数据完全配准。

图2 试验区GeoEye影像

图3 LiDAR提取的nDSM数据

2.试验结果与分析

采用面向对象的分类方法对农村居民建筑物进行提取(约为0.56 km2)，处理步骤包括四叉树图像分割、基于高度阈值的建筑物初步提取、建筑物陡坡边缘地物重分类、基于绿度指数的植被信息去除和数学形态学处理。四叉树分割利用nDSM数据进行分割，高差平均值设置为1 m。图4为局部提取的处理过程，其中，图4(b)为分割结果，图4(c)为基于nDSM阈值初步提取结果，图4(d)为最终结果(能够较准确地提取出建筑物边缘)。图5为试验区建筑物轮廓提取结果。

图4 试验区建筑物局部提取处理过程

图5 试验区建筑物轮廓提取结果

试验共提取了234处居民建筑物(连结在一起的建筑物作为一处)，总面积为191 539 m2，并通过人工解译方法对参考数据进行了精度评价。其中，Ⅰ类误差(建筑物被错分为其他地物)、Ⅱ类误差(其他地物被错分为建筑物)分别为4.09%和3.25%，总体精度达到了95.94%。

四、结束语

本文以激光点云和GeoEye遥感影像为数据源，引入主被动遥感协同处理方法，构建了基于面向对象的地物要素提取算法模型，实现了居民地要素的自动提取。试验结果表明，农村居民建筑物要素整体提取的准确度超过90%。

［1］BRZANK A，HEIPKE C，GOEPFERT J，et al.Aspects of Generating Precise Digital Terrain Models in the Wadden Sea from Lidar-water Classification and Structure Line Extraction［J］.Journal of Photogrammetry and Remote Sensing，2008，63(5)：510-528.

［2］VOSSELMAN G.Slope Based Filtering of Laser Altimetry Data［J］.International Archives of Photogrammetry and Remote Sensing，2000，33(B4)：958-964.

［3］WHITMAN D，ZHANG K，LEATHERMAN S P，et al.Airborne Laser Topographic Mapping：Application to Hurricane Storm Surge Hazards［J］.Earth Sciences in the Cities：A Reader，2003：363-376.

［4］CRESSIE N.The Origins of Kriging［J］.Mathematical Geology，1990，22(3)：239-252.

［5］孙家抦.遥感原理与应用［M］.2版.武汉：武汉大学出版社，2009：218-224.

［6］卢小平.电磁波信号在对流层中路径弯曲改正的级数展开式［J］.测绘学报，2008，37(2)：142-146.

［7］ZHANGKeqi，WHITMAN D.Comparison of Three Algorithms for Filtering Airborne LiDAR Data［J］.Photogrammetric Engineering ＆ Remote Sensing，2005，71(3)：313-324.

［8］PILESJÖ P，PERSSON A，HARRIE L.Digital Elevation Data for Estimation of Potential Wetness in Ridged Fields-Comparison of Two Different Methods［J］.Agricultural Water Management，2006，79(3)：225-247.

［9］卢小平，王双亭.遥感原理与方法［M］.北京：测绘出版社，2012.