机载激光雷达数据处理方法-

机载激光雷达遥感原理与数据处理机载激光点云数据的应用处理本讲内容三维离散点的拟合方法LiDAR数据的建筑物分割

LiDAR数据的建筑物建模LiDAR数据的城市变化检测

LiDAR数据的地物类别提取回顾与补充激光测距原理回顾与补充机载激光雷达的组成回顾与补充多回波数据依据实际地形可以判断回波波形数据的低谷为池塘反射的波形数据，而反射强度较高的地方为屋顶水泥面。从波形图可以看出低谷位于60ns处，高峰位于190ns将其代入公式（1）可计算该脚印中地物最大高差值，其计算结果如下：理论计算结果与实际量测结果相比其绝对误差为：三维离散点的拟合三维离散点的拟合三维离散点的拟合三维离散点的拟合三维离散点的拟合离散点拟合二维直线离散点拟合二维直线离散点拟合二维直线离散点拟合二维直线离散点拟合二维直线离散点拟合二维直线离散点拟合二维直线离散点拟合二维直线离散点拟合二维直线算例离散点拟合二维直线编程离散点拟合二维直线编程离散点拟合二维直线编程简单直线拟合完成离散点最小二乘拟合的问题简单有效的粗差剔除方法建筑物处理及应用建筑物提取三维城市模型数字城市智慧城市?!基于LiDAR点云进行建筑物提取及模型重建的基本策略就是逐步剔除非建筑物点，获取建筑物点，进行模型重建。传统的影像处理方式主要是半自动或全自动的摄影测量方法费时费力的影像匹配技术依赖地物反射光谱信号LiDAR技术主动工作方式，受天气影响小快速获取目标高精度的三维点云建筑物的提取方法基于影像的建筑物提取利用单幅影像阴影分析的方法通过边缘检测获取建筑物边界的方法利用立体像对进行人工判读（模拟及解析的测量成图方式）提取的方法利用数字摄影测量的方式进行半自动或全自动的建筑物提取方法

从影像中识别和提取建筑物大致包括以下五个方面的内容：（1）建筑物的定位和检测（BuildingDetection）从图像中将建筑物与其它地物类别分离，并确定其位置（2）建筑物的表征和描述（BuildingRepresentationandDescription）采用某种表示方法表述检测出的建筑物，常用的方法包括几何形状模型、高程模型等。（3）建筑物识别（BuildingIdentification）根据检测的结果和建筑物模型进行比较，精确识别建筑物的形状和类型。（4）建筑物的三维重构（Building3-DReconstruction）

从图像中获取建筑物三维空间信息，恢复和构造出建筑物在真实场景中的模型。（5）建筑物变化检测（BuildingChange-Detection）

根据同一地区不同时相的图像检测建筑物变化情况，包括建筑物的改建、扩建、毁坏等等。与传统基于航空影像的建筑物提取方法相比，激光扫描数据具有其独特的特点：建筑物的信息不同现代城市建筑的屋顶在光学图像中屋顶通常是纹理贫乏区域，难以准确匹配，即使能够匹配，其精度也较低；LiDAR则可以直接得到较为密集的屋顶离散点数据。容易通过高程将建筑物与同材质的地面区分影像信息具有丰富的语义信息，可以判定建筑物的存在、结构和性质。

提取策略不同

摄影测量方法难以形成建筑物模型:利用航空像对获取建筑物的方法通过线特征得到模型，可以看作是自下而上的处理流程利用LiDAR的建筑物模型生成是建筑物拟合:通过整体的建筑物数据逐步细化每一个屋顶模型，可以看作是自上而下的方法。主要误差源不同普通的光学影像中建筑物的特征容易受到各种光照情况的干扰，如：阴影、屋顶的涂料颜色等LiDAR数据是高程数据，不受光谱信息的干扰，精度较高，特征比较稳定，其主要问题在于边缘处可能没有信息（激光脚点），造成建筑物边缘的提取误差处理方法不同基于影像的建筑物提取和建模方法，经过几十年的发展，已经比较成熟，有较为固定的流程和算法

基于LiDAR数据的建筑物提取和建模方法还在不断的摸索中，还没有很成熟的流程和方法建筑物检测（分割）建筑物模型生成（建模）基于LiDAR数据的建筑物提取由激光扫描数据建立房屋模型,首先必须将非房屋点与房屋点分离出来,提取房屋点（分割）。

——从非地面点数据中确定建筑物激光脚点数据，并确定各建筑物激光脚点所属的建筑物，即建立多对一的映射关系（多个激光点对应于一个建筑物）。有以下几种分割方法：建筑物检测（分割）利用二维GIS信息，即利用已有的图形数据，辅助建筑物的提取；但需要注意实际的屋顶面常常比图形数据所显示的面积要大。在数据密度足够大，地面起伏不大的情况下，可采取局部极值检测方法，并以极值点为中心进行局部直方图分析，得到合理的阈值，实现房屋点的提取和房屋边界的检测。采取滤波方法来辅助建筑物的提取。滤波是为了滤除非地面点，可用于房屋点的提取。利用LiDAR回波强度数据，作为分析房屋的辅助数据。如对于近红外激光，植被的反射率很高，可以用来区分房屋和植被，但这种反射率数据质量一般较差。传统图像处理的方法。直接把LiDAR数据作为数字图像，利用传统的遥感图像建筑物分割的方法进行处理。

融合多种数据源，现有的LiDAR系统在飞行时会同时载有多光谱和高光谱扫描仪，其影像数据将大大有助于房屋的提取。人工智能的方法。模糊集、神经网络、决策树、向量机等。建筑物模型生成的任务是提取矢量化的建筑物模型。建筑物模型生成的主要任务屋顶面的提取：

屋顶面是建筑物模型提取的一个重要部分，几乎所有的建筑物模型生成的研究都集中于屋顶模型的生成。建筑物模型生成（建模）基于LiDAR数据的建筑物提取方法：基于点云不变矩的方法基于三角网的方法自适应迭代的DSM影像分割方法其他方法基于特征线的方法、Hough变换以及其扩展变换、模型驱动的方法、三角网内插的方法……基于点云不变矩的方法对于连续函数，矩的定义：

激光扫描数据是离散型数据，分割之后，按分割的子集分别计算其各阶矩，并以高程值作为加权值，则矩的定义：其中，Hp为某点p的高程

不变矩:是由各点坐标重心化之后，相应于各子集重心的矩。平移不变矩:

比例不变矩:子集重心:旋转不变矩由房屋主轴角度（即房屋走向角度）变换得到

山字形屋顶的模型参量长度宽度高度房屋主方向屋顶类型屋顶面坡度各参数由一阶矩和二阶矩计算得到由于激光扫描数据的分布是不规则的，子集的矩均由子集的点确定，所以定义矩mij为房屋的参量均由mij与m00的比值，即归一化矩进行计算得到。房屋坐标重心由m10/m00和m01/m00确定，然后计算各点重心化后的坐标，以便进行参量估计。假定房屋形状为矩形(设长为Lx、宽为Ly)：

其中屋顶类型的确定：以各点高度作为加权值，令

式中旋转不变距均以高度加权进行计算若rq=1，则屋顶为平面若rq>1，则屋顶面与房屋主轴平行若rq<1，则屋顶面与房屋主轴垂直

房屋高度H和平均高度Havg平均高度为

在进行主轴变换之后，房屋高度表达为局部坐标系坐标的函数：

代入（4－3－11）式，得到房屋顶面坡度为

顶面坡度由

通常利用不变矩计算具有平面或人字形屋顶的房屋的参数。其他屋顶类型需要计算更高阶数的矩来确定。除此之外，更高阶的矩可以检测屋顶的不对称性(如图具有天窗的屋顶）。不对称屋顶的矩的分析过程：首先利用矩确定标准的人字形屋顶类型；然后根据实际点云与标准模型之间的差异，将其他点（烟囱、天窗、天线等）分割出来，进一步利用不变矩来分析。对于地面形状非矩形的房屋，不推荐采用高阶不变矩分析的方法来确定其模型。基于三角网的方法

计算出所有小平面的上述三个参量，形成一个三维参量聚类空间，参量相同的小平面在同一屋顶面内。确定屋顶平面：基于LiDAR点云构建的三角网中，有着许许多多的小平面，对每一小三角平面都可以根据三个顶点的坐标，计算出两个坡度参量Sx、Sy和一个距离参量d，因为每一平面可由下式描述：

提取边界线：将各个屋顶面参量求解出来之后，就可以提取边界线和屋脊线（平面相交的方法）。如果有多条脊线，则最长的代表房屋的方向。边界线提取和优化的条件：边缘线与代表房屋方向的屋脊线平行或垂直；主方向的边缘点应当是高程等值点。对分割后数据集中处于边缘上的点进行分析，（1）从其中任意一点出发，找到相邻点之后即初步估计出连线的方向，计算出连线的直线方程，（2）按该直线方向与房屋走向的关系进行调整，后续点根据它与该直线的距离是否超过某一阈值，决定它是否为该直线方向的边缘点，当超过阈值就是另一条边缘直线的开始点。对于初步的搜索结果通过最小二乘拟合进一步优化，使所有边缘点到边缘线的距离平方和最小；拟合结果并非边缘线的真正位置，因为边缘线应当将所有边缘点都围在所形成的多边形内，要尽可能使边缘点处于边界内。可以利用墙面点信息，对边缘线位置作一点调整，墙面点信息是被分割的屋顶点集以外的点，有助于屋顶边缘线的确定，也有助于计算墙面高度。(a)屋顶所有点形成的三角网(b)边缘搜索结果

(c)拟合结果

最后得到的边缘线

LiDAR数据灰度化结果包含51座房屋激光扫描装置的采样频率为8KHz每秒钟可扫描40行，每行200个点扫描角度为60

最大扫描带宽为200m扫描密度为每平方米5个点涉及的数据处理方法有：高度直方图分析、形态滤波等方法、房屋最低高度阈值、最小屋顶面积分割等

采用不变矩分析方法得到的结果自适应迭代的DSM影像分割方法处理流程：影像分割边缘提取边缘规格化处理高度填充基于高程的变化检测宫鹏曾使用数字摄影测量工作站和加利福尼亚州丘陵区及佛罗里达州滩涂区的多时相航空摄影立体像对，构建数字表面模型，用以测量河沟侵蚀、河道窄化和深切以及海岸带滩涂地带盐沙地的移动，精度达到1m以内[宫鹏，2000]。这种方法的自动化程度很低，主要是人工对于正射影像和数字高程模型产品的研究和比较。

基于LiDAR数据的城市变化检测时相1立体像对时相2立体像对变化区域AOI刘直芳

[2002]时相1DSM时相2DSM进一步分析人工建筑物的变化时相1

DEM时相2

DEM变化区域AOI漏检率<10%人工比较、判断时相1立体像对时相2立体像对分类分类FranckJung

[2004]虚检率<5%城市空间信息数据库的更新是一个关键问题。传统方法采用航摄像片，根据人工判读的结果，将数据库更新，非常费时、费力、费财，不能进行自动检测。城市空间信息数据库光学特征DSM对于城市地区，房屋密度比较大，影像匹配常常失败。基于LiDAR数据的变化检测LiDAR获取的DSM数据，是可以直接使用高程信息，不需要通过立体匹配等方法来获取，具有精度高，密度大，速度快等优点，成为进行城市变化检测的重要技术。2004年，TuongThuyVu等人使用LiDAR数据对东京市中心的Roppongi地区进行了建筑物的变化检测。1999年数据

2004年数据

处理步骤配准相减统计剔差根据直方图区分建筑物

新建建筑物和拆除建筑物

作为一种空间信息源，LiDAR数据中还可以提取很多地物信息，针对不同的用户可以提供不同的专题信息。总的来讲，基本原理还是依据高差来进行判断的，只是针对不同的目标

基于LiDAR数据的地物类别提取不同地物目标在依据遥感数据中的特性的不同，采取合适的判别方法（函数），将其划分为不同的类别，制作成专题图，供用户使用。LiDAR分类难点局外点的影响高的局外点低的局外点低的局外点导致侵蚀LiDAR分类难点对象的复杂性非常大

及非常小

的对象

天井

阶梯状的

低矮平台

LiDAR分类难点对象的复杂性与植被混合建筑物

复杂结构

的对象

多层建筑物

LiDAR分类难点对象对象对象地面地面地面对象的复杂性LiDAR分类难点附着对象数据分布不均匀的影响LiDAR分类规则局外对象明显高于或低于周围的环境裸露地面基于连续、光滑的裸露地面定义的假设在水平邻域内，裸露地面点的高度限定在一定的范围内裸露地面点的梯度、曲率限定在一定的范围内裸露地面在局部和全局上都是相对平坦的基于分段连续、光滑的裸露地面定义的假设裸露地面点及其k近邻所表达的局部曲面片是相对平坦的LiDAR分类规则植被表面粗糙多重回波间存在高度差植被回波很多，在同一平面位置（X，Y）处由多重回波得到几个高度值首次回波尾次回波中间回波地面LiDAR分类规则建筑物垂直突出于裸露地面之上占据一片连续的区域