一种机载激光雷达数据植被提取方法与流程

本发明提出一种机载激光雷达数据植被提取方法，属于遥感科学技术领域。

背景技术：

目前城市3D模型在城市景观、旅游、房地产等行业发挥越来越重要的应用，组成城市景观的主要地物为建筑和植被，在城市三维真实感要求不是太高的情况下，城区建模的主要内容就是对城区建筑物的建模，而精准的植被提取可以为主流的植被提取算法：基于数据驱动模型的建筑面片提取算法RANSAC和模糊聚类算法创造条件，以减少不规则的植被点云分布对建筑屋顶面片提取的干扰，随着环境问题日益突出，城市及其森林植被参数（单株树高、树干高度、树冠面积、胸径、断面积、生物量和叶面积指数）的反演成为很多学者研究的一个重点，而生物指标参数提取与反演的前提条件是精准的植被分类，因此，植被提取的精准度也直接决定了后期生物指标参数的反演精度，对山区植被的提取，主要是进行植被与地面点的分离，以植被为主导的地物点的滤波直接决定了DEM提取的精确度。

目前，随着激光雷达技术的发展，激光雷达系统已由单回波到多回波、全波形再到目前的量子LiDAR系统，这为城区和山区目标的提取提供了空前的机遇，针对不同的地形和环境，LiDAR点云植被提取与处理的对象也不尽相同，利用LiDAR进行城区植被的提取最重要的目标就是要区分植被点云与建筑和地面点云，能否准确区分密度较大的植被群与建筑点云，特别是与建筑靠近或重叠的植被群与建筑点云，以及植被与建筑屋顶上不规则物体及建筑立体墙面上的点云是目前城区植被提取领域亟待解决的关键问题，而在郊区和山区，由于人造建筑对地物的影响较少，植被的提取基本上退化为了滤波算法，即区分地面点和非植被点，在植被密集区域，能够准确地将透过密集植被打到地面的点云与植被点云分离是植被提取算法的难点所在。

城区植被提取主要是将植被与建筑等其他地物与地面点分离，Rottensteiner和Briese通过DSM（Digital Surface Model,数字表面模型）及影像的一、二阶导数来间接评价地形表面的粗糙度，并根据粗糙度将纹理特征分为均质、线性、点状三种类别，该方法对于孤立的植被区域非常有效，而对于与建筑毗邻区域则需要结合数学形态学算子以达到区分植被和建筑的目的，Haala和Brenner融合CIR（Color InfraRed,彩红外）影像及其激光雷达DSM数据，根据特征空间最小距离准则，采用非监督分类-ISODAT算法（Iterative Self-Organizing Data Analysis Technique，迭代自组织分析算法）对每个像元进行分割，将城区分为阴影区域、植被、建筑和街道四部分，该算法通过迭代可以找到最佳的分割类别数目，但是分割结果依赖于输入数据的质量；Chen和Zakhor先对机载激光雷达数据进行两次预分割，然后采用随机森林分类器进行分类；Secord和Zakhor融合多光谱影像和机载激光雷达数据，利用基于权重特征区域增长预分割算法对数据进行预分割，然后对分割的结果利用LIBSVM软件进行分类，最后利用ROC曲线验证了算法的有效性，该方法基于地物点进行植被的提取，同时采用人工分类将地物与地面点分离以验证算法的有效性；刘峰等利用基于径向基函数的SVM方法实现城区植被点云数据的分类和识别；李杰等基于数学形态学原理的LiDAR点云数据分类，提取植被信息，Salah和Trinder等融合多光谱影像和机载激光雷达数据，从融合后的数据中提炼出25个不相关的特征，然后采用SVM分类器将机载激光雷达数据分为建筑、植被、道路、草地四类，并将道路和草地两类合并为地面点，采用低通滤波对地面点进行平滑，从而弥补由建筑和植被周围点云引入的误差，最终将机载激光雷达数据分为建筑、植被、地面点三类，Zhou和Neumann通过选取相应的特征，利用第三方库SVM Light实现了机载激光雷达数据植被点云和非植被点云的分离，最后通过后处理投票算法优化了分类的结果；Zhang 等利用机载激光雷达数据，在建筑探测过程中通过基于平面拟合的区域增长方法来区分地物点中的植被点和建筑点，该方法解决了传统区域增长方法中种子点选择问题，后处理算法考虑到分割单元的面积、拓扑关系、连通性等，最终将植被点分离，在没有其他数据源的辅助下，仅利用高密度、多回波/全波形分析等机载激光雷达数据也可以在植被、建筑等分类与提取领域取得较好的效果。

尽管诸多学者对城区植被提取进行了大量研究，但仍然存在问题，例如：利用LiDAR数据与多光谱或高光谱等其他数据协同辅助植被提取与分类，虽然可以在某种程度上提高分类的精度，但融合的数据源越多，相应的算法越复杂，不能区分小范围内或较低矮的植被；海量激光点云数据的构网效率低，点云数据的分类慢，分类精度不高；窗口大小的选择困难,分类结果过分依赖输入数据的质量，在此背景下发明一种基于多回波的单一LiDAR数据源植被的分类与提取方法，不仅可以实现植被点的提取，也可为植被信息参数提取、树冠建模和树种分类作技术准备。

技术实现要素：

本发明提出的是一种机载激光雷达数据植被提取方法， 其目的旨在利用机载激光雷达单一数据源实现城区植被的提取，将建筑物、地面点与植被分离。

本发明的技术解决方案：一种机载激光雷达数据植被提取方法，该方法包括以下步骤：

（一）机载激光雷达点云的预处理；

（二）机载激光雷达点云的预分割；

（三）分割单元特征选取；

（四）基于核函数的软间隔SVM分类；

（五）基于先验知识的数据植被粗分类结果的优化。

本发明的优点：

1）本发明利用机载激光雷达单一数据源能够精确提取城区和山区植被，该方法不需要融合多光谱影像、高光谱影像等其他数据源，具有很强的普适性。

2）本发明基于概率密度分析提出了区域增长预分割方法，该方法保证了激光雷达点云空间自相关性，有效防止分类算法破坏这种空间属性，使基于核函数的软间隔SVM分类算法可以基于较大分割单元进行分类，从而保证植被和非植被点的可分性，基于空间几何分析和语义分析后处理来优化最终植被提取结果，提高了植被的探测率。

3）该算法可以有效地将建筑周边及立体墙面点、建筑屋顶不规则物体点和植被密集区域的地面点与植被分离，达到精确提取城区中植被的目的。

附图说明

附图1是机载激光雷达数据植被提取方法总体技术流程图。

附图2（a）和（b）分别为两个测区点云高程直方图统计结果。

附图3（a）是山区点云预分割的结果；（b）是提取到的植被点云；（c）是原始的DSM晕渲图；（d）是提取植被后剩余的地面点生成的DEM模型。

附图4（a）城区点云预分割的结果；（b）提取到的植被点云；（c）基于分割单元的SVM分类后得到的植被点；（d）基于几何和语义优化后的植被结果。

具体实施方式

对照附图，一种机载激光雷达数据植被提取方法，该方法包括以下步骤：

（一）机载激光雷达点云的预处理；

（二）机载激光雷达点云的预分割；

（三）分割单元特征选取；

（四）基于核函数的软间隔SVM分类；

（五）基于先验知识的数据植被粗分类结果的优化。

所述的机载激光雷达点云的预处理，其具体方法为：采用直方图统计分析法确定点云的分布规律，通过给定粗差点占有的比率阈值T ，将较高粗差点和较低粗差点滤除。

所述的机载激光雷达点云的预分割，其具体方法为：

通过高斯分布模型和进行概率密度分析，实现区域增长，实时调整高斯模型参数将最大化 问题转化为将满足一定概率密度点云聚类问题，从而实现点云预分割，基于四维向量高斯模型定义如下：

（1）

若每个点由向量表示，则维数，其中分别为点云的法向量在空间坐标三个方向的分量，为点云的反射强度信息，即激光雷达振幅反射强度依赖于物体表面的特性，激光扫描器的波长和入射角，表示向量集合的均值，代表四维向量组成的协方差矩阵；

同理，若仅表示点云高程，则当维数，此高斯分布模型退化为：

（2）

为点云平均高程，代表点云高程的方差；

当前点对应的概率密度函数和表示在处单位宽度内的概率，概率密度函数表示在处单位宽度内的概率，只有概率密度落到高斯分布概率密度函数灰色区域的点与当前分割单元有很强的空间自相关性，此点将被分割单元所接纳, 即同时满足条件和进行区域增长聚类； 利用分割单元内全部点实时更新变量、、，此过程迭代进行，直到没有均质点加入，然后聚类下一个分割单元，其中为协方差矩阵的对角元素组成的向量，其中控制空间自相关的紧密程度， k₁ 设置相对较大值（本发明设定为1.2），防止产生过多的分割单元，k₂ 设置较小值（本发明设定为0.5），防止不同高程的分割单元聚集到一起，这样可以保持一个较为合理的分割单元尺寸。

分割单元初始聚类时，单个点计算出来的，为零，为解决此问题，在聚类开始设置一个较小的阈值V ，若最初聚类单元计算的，小于该阈值，则令，为该阈值，随着均质聚类单元尺寸的增大，分割单元表现出越来越强的自适应调整能力，V 的设置参考激光雷达数据集的精度，设置为高程精度的2倍，本发明提出的预分割方法属于监督分类的变种，样本由区域增长的点云充当，在分割过程中需要实时调整模型的参数，该方法简单、高效且易于实施。

所述的分割单元特征选取，其选取以下六个特征：

① 归一化数字表面模型（Normalized Digital Surface Model, NDSM）：

利用测区数据表面模型DSM减去数字高程模型（DEM）的值即为归一化后的数字表面模型（NDSM），每点的归一化后的NDSM值作为该点的一个特征；

② 局部区域的平整性：

根据当前点及其Voronoi邻居点，定义如下协方差矩阵：，其中为当前点的Voronoi邻居点集合，为集合的均值，根据协方差矩阵求解该矩阵的特征值，并将其按照升序排列依次为：、、，若只有一个特征值为零，则集合所组成的点云分布在同一个平面上，即集合中的点组成以当前点为中心的微小局部区域比较平整；若三个特征值均不为零，集合位于同一个平面的概率较小，该点位于植被和建筑物屋顶边缘及建筑面片的交汇处的概率较大；

③ 点与拟合面的高程差：

当前点与其对应的Voronoi邻居点所拟合的局部微小平面方程为:，该方程参数通过最小二乘拟合求解，此时该特征描述为：，其中为所拟合平面在点高程值，为点观测高程值，为当前点及其对应的Voronoi邻居点集合；

④ 高差变化：

衡量局部微小区域高差变化的参数指标有：当前点与其对应的Voronoi邻居点组成集合的高程标准差，当前点与平均高程之间的绝对偏差及当前点局部区域范围内高程的最大和最小值之差；

⑤ 曲率分布的一致性：

植被区域在当前点组成的局部微小区所拟合的曲面具有较大的主曲率，而在建筑顶部或建筑外边缘最小曲率都比较小，利用最小曲率，可以有效区分建筑边缘点云和植被点云，用当前点法向量构建协方差矩阵：，其中 为的Voronoi邻域点法向量集合；为平均法向量，若分别为的特征值，表示对应的特征向量经高斯映射后在高斯球上的最小变化幅度；表示对应的特征向量经高斯映射后在高斯球上的最大变化幅度；为法向量在平均法向量方向的最大变化；

⑥ 多次回波

同一束激光返回的回波可以表述为方程，其中为次回波对应的高程，次回波具有相同的时间戳，则当前该点的多次回波特征可表述如下：

其中为点云的回波次数，为次回波中第次回波，为点高程值。上式可以看出植被点云，的值往往都比较大。

所述的基于核函数的软间隔SVM分类，其具体方法如下：

对于每个分割单元，选择步骤（三）中选取六个特征构建该分割单元的向量，每个特征的值即为该分割单元内所有点对应特征的均值；然后将训练样本分割单元和测试数据分割单元的特征向量统一缩放到较小范围内（0-1），并将同一特征属性转化到相同的尺度，降低模型创建计算的复杂度，最终将整理后的分割单元特征向量输入SVM分类器，SVM分类器其核心优化方程如式（3）所示：

（3）

其中，表明离群样本点到所属分割单元分割平面的距离，只有离群点对应的才大于零，其他情况均为零，为惩罚因子，值越大；表示目标函数的损失也越大，暗指不愿意放弃离群点。

所述的基于先验知识的数据植被粗分类结果的优化，具体如下：

1）基于几何分析：位于建筑边缘和散布在立体墙面上的噪声点投影到二维平面中呈现出线性分布；位于建筑屋顶不规则物体上的点云，在空间垂直分布上与植被有明显不同，植被点云空间变化平滑，分布类似高斯分布，而建筑屋顶不规则物体则不具备此特征；

2）基于语义分析：屋顶上的附属物比较琐碎，形状复杂，不能与植被完全分离，根据先验知识，城区植被与建筑顶部附属物有一定的空间距离，属于同类的点往往聚集在一定的物体空间中，结合预处理阶段提取到的植被点的分布，就能获取整体植被的分布状况。

实施例结果：

附图2（a）和（b）分别为两个测区点云高程直方图统计结果，横轴代表测区中点云的高程分布，纵轴代表相应高程区间内点云的数目，通过对测区点云直方图分析，说明本专利提出的方法可以有设置制粗差点占有的比率阈值T 。

附图3（a）山区点云预分割的结果；（b）提取到的植被点云；（c）原始的DSM晕渲图；（d）提取植被后剩余的地面点生成的DEM模型。通过结果可以发现，本发明很好地在山区提取了植被，保存了地形的细节。

附图4（a）城区点云预分割的结果；（b）提取到的植被点云；（c）基于分割单元的SVM分类后得到的植被点；（d）基于几何和语义优化后的植被结果。该结果说明本发明可以很好地提取城区植被。