曹志民,谷延鋒,吳 云
(1.東北石油大學(xué) 電子科學(xué)學(xué)院,黑龍江 大慶163318;2.哈爾濱工業(yè)大學(xué) 電子與信息工程學(xué)院,黑龍江 哈爾濱 150001)
機載LiDAR點云定量化局部結(jié)構(gòu)信息分析
曹志民1,2,谷延鋒2,吳 云1
(1.東北石油大學(xué) 電子科學(xué)學(xué)院,黑龍江 大慶163318;2.哈爾濱工業(yè)大學(xué) 電子與信息工程學(xué)院,黑龍江 哈爾濱 150001)
提出一種基于特征值的機載LiDAR數(shù)據(jù)定量化局部信息量分析方法。通過引入多項策略改進(jìn)了傳統(tǒng)主成分分析(PCA)點云局部結(jié)構(gòu)分析對噪聲敏感的缺點,利用這種魯棒性很強的PCA局部結(jié)構(gòu)分析結(jié)果,從信息論的角度給出了一種點云局部結(jié)構(gòu)定量化分析的新方法。實驗結(jié)果表明,該方法能夠有效實現(xiàn)對機載LiDAR點云數(shù)據(jù)結(jié)構(gòu)信息量的有效分析。
主成分分析;機載LiDAR;局部結(jié)構(gòu)分析
由于機載激光雷達(dá)LiDAR具有主動獲取目標(biāo)大量具有精確三維空間坐標(biāo)點云數(shù)據(jù)的能力,已經(jīng)在攝影測量及遙感、電力系統(tǒng)、石油勘探等多個研究領(lǐng)域得到廣泛應(yīng)用[1-5]。通過提取機載LiDAR點云數(shù)據(jù)的局部結(jié)構(gòu)信息,可以實現(xiàn)特定目標(biāo)的三維結(jié)構(gòu)重建。其中,基于特征值的方法是進(jìn)行目標(biāo)結(jié)構(gòu)特征分析的一種典型方法[6-9]。然而,傳統(tǒng)的基于PCA的局部結(jié)構(gòu)特征值分析方法對點云數(shù)據(jù)中存在的噪聲及干擾非常敏感。為了解決傳統(tǒng)PCA方法的噪聲敏感性,已經(jīng)有很多學(xué)者提出了相應(yīng)的改進(jìn)方法。這些改進(jìn)方法主要可以分為2種類型:①改進(jìn)局部鄰域的選擇方法; ②改進(jìn)局部協(xié)方差矩陣的構(gòu)造方法。本文從局部鄰域選擇及局部協(xié)方差矩陣計算的可靠性出發(fā),實現(xiàn)了一種對噪聲具有較強魯棒性的PCA局部結(jié)構(gòu)分析方法。利用該方法得到的分析結(jié)果,從信息論出發(fā),實現(xiàn)了LiDAR點云數(shù)據(jù)局部結(jié)構(gòu)信息量的定量化計算。
1.1 基于PCA的局部結(jié)構(gòu)分析
對于給定點云數(shù)據(jù)P∈RN×3,令Pi∈R1×3(1≤i≤N)為點云數(shù)據(jù)中一個給定的點,局部結(jié)構(gòu)分析的目的是判斷該點屬于點、線、面或體狀結(jié)構(gòu),如圖1所示。首先定義一個關(guān)于該點的鄰域NBi={pj|dist(pj,pi)<T},即在距離測度dist(·)下,到點pi的距離小于閾值T的所有點的集合。在得到鄰域Nbi后,即可通過計算鄰域協(xié)方差矩陣Qi∈R3×3,利用PCA技術(shù)分析其局部結(jié)構(gòu):
式中,pNBi為鄰域中所有點的均值。
圖1 3D形狀分析示意圖
利用PCA技術(shù)對式(1)得到的協(xié)方差矩陣進(jìn)行特征值分析,可以得到3個特征值λ1、λ2、λ3(λ1≥λ2≥λ3)。根據(jù)特征值間的相對大小關(guān)系,即可實現(xiàn)對點云局部結(jié)構(gòu)的分析。當(dāng)最大特征值λ1很小時,局部結(jié)構(gòu)為點狀;當(dāng)最大特征值λ1不是很小,而λ2和λ3都很小時,局部結(jié)構(gòu)為線狀;當(dāng)只有λ3很小時,局部結(jié)構(gòu)為面狀;當(dāng)所有3個特征值都不是很小時,局部結(jié)構(gòu)為體狀。另外,除了直接利用3個特征值的大小外,還可以通過3者的組合構(gòu)造多種典型特征值,
1.2 局部結(jié)構(gòu)信息定量化分析
理論上,§1.1所述基于PCA技術(shù)的特征值局部結(jié)構(gòu)分析能夠很好地實現(xiàn)點云局部結(jié)構(gòu)的判斷。而實際應(yīng)用中,由于數(shù)據(jù)采集設(shè)施中不可避免的隨機誤差及數(shù)據(jù)采集過程中外界環(huán)境等因素的影響,原始點云數(shù)據(jù)會存在各種隨機噪聲干擾,而§1.1所述的經(jīng)典PCA法對噪聲是非常敏感的。為此,本文通過如下4個措施來增強基于特征值的局部結(jié)構(gòu)分析方法的魯棒性:①原始數(shù)據(jù)進(jìn)行歸一化處理,增強計算的魯棒性;②利用近似最近鄰ANN技術(shù),利用黎曼圖結(jié)構(gòu)構(gòu)造局部鄰域;③利用L1Median算法獲取的幾何中值代替協(xié)方差計算中的均值;④選取對噪聲具有強魯棒性的特征值Cλ作為局部結(jié)構(gòu)分析的依據(jù)。
至此,即可利用上述魯棒特征值分析的結(jié)果從信息論的角度出發(fā)進(jìn)行定量化局部結(jié)構(gòu)信息的計算,該定量化局部結(jié)構(gòu)信息也可以看作是一種結(jié)構(gòu)顯著性特征。本文中,局部點結(jié)構(gòu)往往是一些野值點造成的,而野值點可以通過簡單的預(yù)處理得到篩除。為此,典型局部結(jié)構(gòu)以線、面、體結(jié)構(gòu)為主。若令原始點云中任一點pi為線、面、體結(jié)構(gòu)的概率分別為pl、pp和pc,那么定義該點的局部結(jié)構(gòu)信息量為:
式中,wpl、wpp和wpc分別為原始點云中線、面及體結(jié)構(gòu)的總體概率。
本文提出的基于特征值的局部結(jié)構(gòu)信息量定量化分析方法具體步驟如下:
步驟 1:利用ANN算法得到原始點云P∈RN×3中每個點的局部鄰域點標(biāo)號集Ids∈Rk×N(k為ANN鄰域點個數(shù))及鄰域點到對應(yīng)中心點的距離矩陣Ds∈Rk×N。
步驟 2:初始化結(jié)構(gòu)計數(shù)矩陣SCl, SCp,SCc∈RN×1為0N×1,不同結(jié)構(gòu)的結(jié)構(gòu)概率矩陣Pr∈RN×3為0N×1。
步驟 3:利用本文提出的魯棒性PCA局部結(jié)構(gòu)分析方法及步驟1得到的局部鄰域知識進(jìn)行局部結(jié)構(gòu)投票:對于任一點pi及其鄰域NBi中的鄰域點,利用局部幾何中值構(gòu)造協(xié)方差矩陣進(jìn)行PCA分解,得到對應(yīng)的特征值,并計算點pi所在鄰域的局部曲率變化。如果<0.05,則:
步驟 4:計算定量化局部結(jié)構(gòu)信息量矩陣QI∈RN×1。為了得到QI, 首先需要得到不同結(jié)構(gòu)在原始點云數(shù)據(jù)中的總體概率:
其中符號·/表示元素對元素的點除運算。最終,有:
式中,Wnumsymb表示Prsymb中概率值大于0的個數(shù)。
為了驗證本文所提方法的有效性,以結(jié)構(gòu)信息豐富的建筑物屋頂點云為例,分別利用仿真數(shù)據(jù)和實際數(shù)據(jù)進(jìn)行驗證。
本文所采用的仿真數(shù)據(jù)包括2個典型的具有豐富點線結(jié)構(gòu)的建筑物屋頂模型,都是由100 701個點構(gòu)成,點間距為0.01 m,如圖2a所示。除了仿真數(shù)據(jù)外,還選取3個具有不同結(jié)構(gòu)細(xì)節(jié)的真實機載LiDAR點云數(shù)據(jù),如圖2b~2d所示。其中第一個真實數(shù)據(jù)采樣密度約為2點/平面,共2 621點,第2和第3個真實數(shù)據(jù)采樣密度均為6.7點/km,分別有18 516點和19 845點。
圖2 實驗數(shù)據(jù)示意圖
利用所提定量化局部結(jié)構(gòu)信息分析方法,對圖2所示4組數(shù)據(jù)的實驗結(jié)果如圖3所示(第一列為原始數(shù)據(jù)的正視圖;第二列為曲率變化特征;第三列為定量化信息量) 。
圖3 定量化結(jié)構(gòu)信息分析結(jié)果
通過增強基于傳統(tǒng)PCA技術(shù)的點云數(shù)據(jù)局部結(jié)構(gòu)信息分析方法對噪聲的魯棒性,增強了這種典型的基于特征值點云數(shù)據(jù)局部結(jié)構(gòu)分析的有效性和實用性。另外,從信息論的角度更深層次地挖掘點云數(shù)據(jù)局部結(jié)構(gòu)信息,能夠以一種定量化形式輸出,得到局部結(jié)構(gòu)顯著性分析結(jié)果,為后續(xù)結(jié)構(gòu)信息的充分利用提供了有效支持。
[1] Lemmens M. Airborne LiDAR Sensors [J]. GIM International, 2007, 21(2): 24-27
[2] Yan J, Shan J, Jiang W. A Global Optimization Approach to Roof Segmentation from Airborne LiDAR Point Clouds[J].ISPRS Journal of Photogrammetry and Remote Sensing, 2014(94): 183-193
[3] 李峰, 吳燕雄,衛(wèi)愛霞,等. 機載激光雷達(dá)3維建筑物模型重建的研究進(jìn)展[J].激光技術(shù),2015,39(1):23-27
[4] 高敏,韓聰. 基于機載激光雷達(dá)技術(shù)的城市三維數(shù)據(jù)建設(shè)[J].測繪與空間地理信息,2014,37(11):134-135
[5] Zhang W, Wang H. 3D Building Roof Modeling by Optimizing Primitive's Parameters Using Constraints from LiDAR Data and Aerial Imagery[J].Remote Sensing, 2014(6):8 107-8 132
[6] Sampath A, Shan J. Segmentation and Reconstruction of Polyhedral Building Roofs from Aerial LiDAR Point Clouds[J]. IEEE Trans on Geoscience and Remote Sensing, 2010, 48(3):1 554-1 567
[7] Gross H, Thoennessen U. Extraction of Lines from Laser Point Clouds[J]. International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, 2006(36):86-91
[8] Fransens J, Reeth F. Hierarchical PCA Decomposition of Point Clouds[C]. 3DPVT'06, Chapel Hill, NC, 2006
[9] Lin C H, Chen Y Y, Su P L. Eigen-feature Analysis of Weighted Covariance Matrices for LiDAR Point Cloud Classification[J].ISPRS Journa of Photogrammetry and Remote Sensing, 2014(94):70-79
P237.3
B
1672-4623(2016)02-0010-03
10.3969/j.issn.1672-4623.2016.02.003
曹志民,博士,講師,主要研究方向為遙感多源數(shù)據(jù)融合與處理。
2015-03-18。
項目來源:國家自然科學(xué)基金資助項目(61371180);東北石油大學(xué)培育基金資助項目(基于信息化稀疏表示的三維建筑物L(fēng)iDAR數(shù)據(jù)復(fù)原)。