基于機載LiDAR點云數(shù)據(jù)的植被分類研究

李佳麗

摘? 要：本文以某一區(qū)域地理國情監(jiān)測中的植被和建筑物變化監(jiān)測為工程背景，探討了基于機載LiDAR點云數(shù)據(jù)的植被與建筑物提取方法，本文首先提出了整個技術(shù)流程，在此基礎上，利用面向?qū)ο蟮姆诸惙椒?，對某一年LiDAR點云的高程信息和首尾兩次回波信息進行處理，從而得到該區(qū)域植被和建筑物監(jiān)測情況，以期滿足地理國情普查及監(jiān)測信息的需要。

關鍵詞：機載LIDAR? 點云數(shù)據(jù)? 植被? 建筑物? 提取

中圖分類號：P237? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標識碼：A? ? ? ? ? ? ? ? ? ? 文章編號：1674-098X（2020）10（a）-0138-03

Abstract： Based on the monitoring of vegetation and building changes in a region's geographical situation， this paper discusses the method of extracting vegetation and building based on airborne LiDAR point cloud data. Firstly， the paper puts forward the whole technical process. On this basis， using the object-oriented classification method， the elevation information and the first and last echo information of LiDAR point cloud in a certain year are processed in order to meet the needs of the general survey of geographical conditions and monitoring information， and the monitoring situation of vegetation and buildings in the region can be obtained.

Key Words： Airborne LiDAR; Point cloud data; Vegetation; Buildings; Extraction

近年來，高分辨率遙感影像一直是地理國情監(jiān)測的重要數(shù)據(jù)源，但由于自然環(huán)境與遙感波譜之間關系的復雜性，提取的結(jié)果往往會受到地物陰影或“同譜異物”現(xiàn)象的干擾。機載激光掃描測高技術(shù)的出現(xiàn)，為地理國情要素普查與監(jiān)測提供了新的數(shù)據(jù)源和方法，引起了測繪界的濃厚興趣。

本文以某一區(qū)域地理國情監(jiān)測中的植被和建筑物變化監(jiān)測為例，利用面向?qū)ο蟮姆诸惙椒?，對某一年LiDAR點云的高程信息和首尾兩次回波信息進行處理，從而得到該區(qū)域植被和建筑物監(jiān)測情況，以期滿足地理國情普查及監(jiān)測信息的需要。

1? 研究方法

本文面向?qū)ο蟮臋C載LiDAR點云數(shù)據(jù)處理技術(shù)處理（見圖1）。主要包括：（1）LiDAR 數(shù)據(jù)的預處理，首先通過濾波算法從末次回波點云中提取數(shù)字地形模型（DTM），再從首次回波點云生成的數(shù)字表面模型（DSMFR）中剔除DTM 影響，得到歸一化數(shù)字表面模型（nDSM）;將計算出的首尾兩次回波點云生成的數(shù)字表面模型（其中首次回波高程模型為DSMFR，末次回波高程模型DSMLR）進行差值運算，得到對應激光腳點兩次回波獲得的高程之差（DSMFR-DSMLR）;（2）利用多尺度分割算法對nDSM 和（DSMFR-DSMLR）進行分割。（3）在分割結(jié)果基礎上先利用兩次回波高程差區(qū)分出植被和非植被對象，然后在非植被對象中依據(jù)面積、高進行房屋建筑信息的提取。

1.1 LiDAR數(shù)據(jù)的預處理

首先要對LiDAR 點云數(shù)據(jù)進行濾波，此處采用不規(guī)則三角網(wǎng)迭代濾波算法從末次回波點云中將地面點提取出來;然后采用最近鄰插值算法將首尾兩次回波高程數(shù)據(jù)分別內(nèi)插為數(shù)字表面模型DSMFR、DSMLR，再將濾波出的地面點插值為DTML R，分辨率統(tǒng)一設為2m，為了消除地形因素的影響，本文基于歸一化數(shù)字表面模型進行處理，即將DSM與DTM進行差值處理，生成nDSM。由于機載LiDAR系統(tǒng)所發(fā)射的不是一條激光線而是具有一定發(fā)散角的波束，波束到達地面上會形成縱橫向具有一定寬度的光斑，激光脈沖的部分光斑落到樹葉上反射回去，而剩余的光斑則穿過植被枝葉的縫隙到達較低的部位或地面上，從而產(chǎn)生兩次回波高程存在明顯差異的情況。

通常，第一個回波DSMFR包含幾乎所有功能，包括建筑物、植被、道路、橋梁、草地等。相反，最新回波DSMFR中包含的特征信息很少，尤其是缺乏有關植被的信息。因此，植被區(qū)域中的第一回波與最后一個回波之間的差異較大，而局部高程變化較小的道路或房屋屋頂?shù)葏^(qū)域的高程差異則很小或接近于0。原則上，我們可以使用兩個回波信號。高程數(shù)據(jù)可識別植被和其他特征。因此，比較由第一個和最后兩個回波高程生成的DSMFR和DSMLR數(shù)字表面模型，以生成DSMFR-DSMLR。

1.2 面向?qū)ο蠖喑叨确指钏惴?/p>

面向?qū)ο蟮臋C載LiDAR點云數(shù)據(jù)處理技術(shù)包括使用面向?qū)ο蟮姆治龇椒ㄒ远喑叨确指畈⑻崛☆A處理的光柵圖像（nDSM，DSMFR-DSMLR）。面向?qū)ο蟮姆治龇椒ㄊ菍D像對象作為基本的圖像分析單元，然后將對象的多空間特征值提取到圖像對象單元中進行處理和分析，建立一個系統(tǒng)。圖像對象是指在圖像分割后生成的“同類”像素的集合，對象的屬性包括顏色、大小、形狀、結(jié)構(gòu)、紋理、陰影和空間關系。該技術(shù)最關鍵的部分是圖像分割，有許多成熟的圖像分割算法。其中，使用最廣泛的是基于邊緣的分割和基于區(qū)域的分割。面向?qū)ο蟮姆治龇椒ㄊ褂没趨^(qū)域的分割算法：多尺度分割算法。在本文中，我們選擇了一種多尺度分割算法，將插值圖像劃分為多個對象。

多個級別的細分是增強區(qū)域增長的一種方法，這是面向?qū)ο蟮姆治黾夹g(shù)中最重要的部分。本文使用此算法對nDSM和DSMFR-DSMLR進行分段，以獲得具有均質(zhì)區(qū)域的對象。多尺度分割算法不僅考慮了LiDAR點云數(shù)據(jù)插值后圖像中的亮度（海拔）信息，而且還考慮了幾何信息的特征和空間關系。首先，將插值圖像用作分割中涉及的波段，并計算該波段中亮度和幾何異質(zhì)性的積分特征值，然后根據(jù)兩個特征值所占的權(quán)重計算加權(quán)值。具有相鄰位置和相似屬性的像素或?qū)ο髮⑦B續(xù)合并，直到內(nèi)部亮度和新生成對象的幾何異質(zhì)性的組合加權(quán)值大于指定范圍內(nèi)的臨界值為止。合并過程結(jié)束后，最終形成多個圖像對象的多邊形（對象內(nèi)的異質(zhì)性最小，相鄰對象之間的異質(zhì)性最大。

1.3 建筑物提取

在完成柵格圖像的多尺度分割之后，必須對分割的多邊形對象進行分類并提取信息。根據(jù)實驗區(qū)域的特征和數(shù)據(jù)，用于提取建筑物的對象的屬性包括圖像灰度值（高程）、大小、形狀、空間關系。首先，設置高程差閾值以對分割的多邊形塊進行分類，大于閾值的是植被，否則為非植被;然后根據(jù)最大區(qū)域和最大區(qū)域的面積，設置高度閾值，以根據(jù)該區(qū)域中建筑物（不包括非目標建筑物）的高度范圍對分割的多邊形塊進行分類在該區(qū)域中最小的房屋建筑物進行第二次評估，過濾高度和面積與房屋建筑物一致的對象多邊形。由于本文檔中的高度計算基于nDSM而不是傳統(tǒng)的DSM值，因此可以避免地面波動的影響。

2? 試驗結(jié)果與分析

該試驗選用ISPRS網(wǎng)站公開的機載LiDAR點云數(shù)據(jù)為例，每個激光腳點都包含x、y、z坐標，點間距為1～1.5m。經(jīng)過濾波、最近鄰插值、歸一化以及差值后生成2m 分辨率的柵格影像nDSM、DSMFR-DSML。

在Ecognition中對nDSM、DSMFR-DSMLR執(zhí)行多尺度分割算法，分割參數(shù)設置為：分割尺度為5，波段權(quán)重為1∶1，形狀權(quán)重為0.2，緊湊度為0.5，最終分割出713個對象，如圖2（a）所示。

依據(jù)分割的結(jié)果，對植被和房屋建筑進行提取，依據(jù)實驗區(qū)域地物的情況，首先設置首尾兩次回波高程差閾值為0.3，高程差大于該閾值的為植被，否則為非植被;依據(jù)區(qū)域內(nèi)建筑物的高度情況，設置高度閾值范圍為8～60m，面積閾值為50～3000像素數(shù)，將非植被中高度面積在該范圍內(nèi)的作為房屋建筑對象提取出來。結(jié)果如圖2（c）所示，可以看出較大部分房屋建筑信息被提取出來，低矮的植被或較高的異常點都被剔除出去，最后對提取的建筑物內(nèi)部的小洞進行填充，填充依據(jù)八鄰域關系進行增長。最終結(jié)果如圖2（d）。

3? 精度評價

植被和主體建筑物信息均被提取出來，提取結(jié)果基本準確，錯分現(xiàn)象較少，完整度高，對象大小與影像中的實際地物目標輪廓相當，大小接近，相比較傳統(tǒng)基于像元方法提取結(jié)果中存在的“椒鹽”噪聲、多尺度分割后提取的結(jié)果更符合人類的視覺要求。但是閾值是由于人工設置，不可避免地造成了一些地物的漏提或錯提（見表1）。從表1中可以看出，本文的建筑物和植被提取生產(chǎn)精度、用戶精度以及總體精度都可以達到80%以上。

4? 結(jié)語

本文采用面向?qū)ο蟮姆诸惙椒▽C載LiDAR點云數(shù)據(jù)進行了目標地物提取研究，對被研究區(qū)域植被與建筑物的分布情況進行了監(jiān)測，探討了面向?qū)ο蟮臋C載LiDAR點云數(shù)據(jù)處理技術(shù)在地理國情監(jiān)測中的應用，為今后的地理國情監(jiān)測工作累積了經(jīng)驗。

參考文獻

[1] 李全榮.基于LiDAR回波強度數(shù)據(jù)的潮間帶植被濾波方法[J].海洋測繪，2019（7）：14-17.

[2] 郝長春.無人機載激光LiDAR在植被覆蓋區(qū)大比例尺地形測繪中的應用分析[J].安徽建筑，2019（3）：19-22.

[3] 李沛婷.荒漠植被區(qū)機載LiDAR點云生成DEM算法研究[D].石河子：石河子大學，2019.

[3] 郭鵬.基于機載LiDAR數(shù)據(jù)的農(nóng)田區(qū)植被高度估測研究[J].干旱區(qū)地理，2017（11）：1241-1247.

[4] 樊敬敬.基于機載LiDAR點云數(shù)據(jù)的城區(qū)植被與建筑物提取研究[D].徐州：中國礦業(yè)大學，2016.

[5] 劉潤東.LiDAR-DP在廣西多植被及陡石山DEM生產(chǎn)中的應用[J]. 地理空間信息，2018（12）：104-106.

[6] 楊亞復.基于LIDAR技術(shù)的城市植被三維結(jié)構(gòu)信息提取[J].科技資訊，2016（29）：7-9.