基于图割算法的摄影测量点云面向对象分类方法

航空倾斜摄影系统为城市生产三维模型提供了新的数据源[1-2]。但现有软件以生成三维连续三角表面模型为主，缺乏语义信息。因此为了获得具有语义信息的三维模型以及便于后续建筑物单体化工作，点云分类成为关键[3]。本文结合倾斜摄影测量的特点，面向建筑物三维重建的目的，将摄影测量点云分为建筑物屋顶面、立面、植被、地面4类。

相对于Lidar点云，针对摄影测量点云的分类方法较少。其中，RAU J Y等提出一种基于规则的层次语义面向对象点云分类方法[4]，但方法需要较多的阈值以保证分类效果。GERKE M等利用监督分类和非监督分类两种方法进行倾斜摄影测量点云分类[5]，但实验涉及的场景比较简单。

超体素是将点云进行过分割处理后得到的感知上相似的点群，已经广泛用于生成海量点云数据处理的对象。PAPON J 等考虑点云的空间几何信息，基于超像素方法SLIC( Simple linear iterative cluster)[6]，提出VCCS(Voxel cloud connectivity segmentation-supervoxels) 超体素生成方法[7]，这种方法较为高效且对于比较密的点云有较好的效果，然而，在处理稀疏点云时效果欠佳。针对有序Lidar点云的结构，SONG S 等提出BESS(Boundary-enhanced supervoxel segmentation)LiDAR点云体素化方法[8]，该方法适用于稀疏点云，但仅限于有序的LiDAR点云。图割方法是一种非常流行实用的能量优化算法，其通过能量函数最小化获得分割结果的全局最优，并使得领域内平滑一致[9]。其在计算机视觉等领域[10-12]已经被广泛的应用，但节点数目过多时，效率较低。

综上所述，本文提出一种基于图割算法的摄影测量点云面向对象分类方法。首先基于区域增长方法，提出一种新的点云体素生成算法，将摄影测量点云聚为不同的对象；然后引入图割算法优化分类获取邻域内平滑一致的点云分类结果。

《伍子胥变文》的叙事以顺序为主，根据伍子胥逃亡、复仇先后顺序来安排情节，叙事所交代的情节衔接严密、清楚、完整。从开篇交代伍子胥逃亡缘由，中间以逃亡、复仇、报恩为线索，交代整个叙事过程中所遇的人物和事件，结尾以伍子胥死和吴国被灭为结局，浓厚的悲剧意味让人震撼和思考。除顺序，变文里还采用散韵交错穿插的叙事艺术，或用散文叙述情节，或用韵文来歌唱；或在散文叙述后，用韵文重复叙述，或在韵文中插入情节，用诗化的语言来抒情，如此使变文在叙事过程中富于变化，且呈现出叙事艺术形式多样。如：

1 点云的体素化

为了生成边界保持好的点云对象，本文提出一种新的超体素生成方法，流程如图1所示，主要包括三个步骤：①将点云三维空间分成若干均匀的子空间；②在每个子空间内分别进行几何信息和颜色信息双重约束的区域增长；③对于区域增长后产生的碎片簇进行再聚类。

图1 点云体素化流程

1.1 特征和子空间的生成

本文点云对象生成时使用的特征定义如式(1)所示，包括点的空间坐标x,y,z，LAB空间的颜色信息l,a,b以及点的法向量特征nx,ny,nz。

fi=(xi,yi,zi,nxi,nyi,nzi,li,ai,bi).

(1)

为了生成子空间，根据点云数据坐标的范围以及给定空间格网数量K，将整个点云数据空间划分为子空间，然后将每个点根据其坐标分配到对应的子空间中。

1.2 子空间初步聚类

在各子空间内分别进行区域增长聚类。为了避免欠分割，严格限制增长条件。

1) 随机选择一个未归簇的点放入点集Pt_seeds。

本文引入图割算法来考虑邻域关系以保证邻域内的一致性。图割算法基本思想是构建一个权重图，每一条边的权表示相应的能量值，然后利用最大流/最小割算法寻找图的最小割[9]。图割算法是通过最小化的能量函数为每一个结点赋予一个标记lp。

4.规范服务行为，运行机制到位。乡镇行政服务中心实行“一门受理、窗口办理、限时办结、统一收费、全程代理”的运行机制。同时应建立公开办事制、岗位责任制、首问责任制、AB岗工作制、一审一核制、服务承诺制、限时办结制、一次性告知制、无偿代理制、投诉举报制、责任追究制等规章制度。乡镇行政服务中心办事窗口办理行政审批服务事项时实行“五制”运作模式，即“简单事项直接办理制、复杂事项承诺办理制、联办事项牵头办理制、代办事项全程代理制、退办事项书面答复制”。

4) 计算P0和Px之间的法向量差异difn和颜色差异difl，如果P0和Px在同一个子空间内，并且difn和difl分别小于阈值Tn(本文取0.1)和Tl(本文取60)，则将Px放入集合Pt_seeds。

该大学负责新生录取的安·罗何巴克振振有词地解释说：“没错，我们的主校园没有收她，她还可以试试申请分校啊，寄给她分校资料并没有不对啊！”

李胤[11]等对不同季节工况下的空气源热泵热水机组进行了一系列实验，获得了空气源热泵热水机组的运行特性，并建立了系统能效比EER、能耗W与季节工况参数的关系式，为空气源热泵热水机组的经济性评估等提供了依据。

6) 重复上述步骤直到所有的点都被归簇。

反腐立法需要协调好全国人大统一立法和地方相对分权的关系。地方反腐立法应该一开始就在全国人大统一协调之下，制定符合各地与中央利益一致的地方性法规，将全国人大立法作为地方立法的前提和基本依据，避免发生不必要的中央和地方、地方与地方或部门与部门之间、地方与部门利益冲突的发生。

1.3 再聚类

为了避免欠分割的发生，使用了多重限制的区域增长，但是同时严格的增长限制会不可避免地产生许多的过小簇。在这一步骤中，这些小簇会被根据周围簇的特征相似程度重新聚类，最终得到边界表现良好，整体大小均匀的超体素。具体步骤如下：

1) 建立初始簇的邻域关系。

2) 设置体素包含点数的最小值(本文取20)，将包含点数小于该值的簇记为小簇，选择一个未被重新归簇的小簇，记为c0，其8邻域记为cj(j=1,2,…,8)。

3) 采用式(2)计算c0与邻域在特征空间上的距离。

d(c0,cj)=

(2)

其中:d(ni,nj)为法向量的夹角，为法向量差异所占的权重，簇的特征取其中点特征的平均值。

计算单点的nEGI，fe,fv特征后，体素的特征由体素内部的单点平均值计算所得。

糖尿病是临床上常见的慢性多发疾病，病患主要表现为高血糖，临床症状为多食，多饮多尿等。发病原因主要为患者胰岛素分泌出现缺陷，威胁患者的生命安全。目前临床上对于糖尿病的诊断方法较多，多数采取常规尿液检查，但因此检测方法准确率不高，因此被临床诊断逐渐淘汰，该文以该院2017年6月—2018年6月间来该院治疗的90例糖尿病患者为研究对象，对生化检验方法在临床的应用效果进行探析，现报道如下。

3) 垂直度fv：点的法向量记为np，fv为np和(0，0，1)的夹角归一化到[0,1]的范围内的值。

3)搜索P0的4邻域点，记为Px(x=1,2,3,4)。

6) 将所有簇的状态重置为未重归簇，直到小簇的数量不再变化。

2 基于图割的点云分类

本文将摄影测量点云分为建筑物屋顶、建筑物立面、植被与地面4类，因此首先需要计算能够区分这四类地物的特征。

5) 在Pt_seeds中删除P0，接着重复2), 3), 4)步骤直到Pt_seeds为空。

2.1 特征计算

本文分类用到的特征如下：

1) 归一化超绿指数nEGI(Normalized Excessive Green Index)[11]：点的nEGI由式(3)计算。

nEGI=(2G-R-B)/(2G+R+B).

(3)

其中，R，G，B分别为点在RGB颜色空间内的r, g, b值。

2) 离地距离fe：首先基于一种改进的线性预测的滤波策略分离出地面点[13]，将地面点内插生成DEM，然后计算每个点到DEM的距离。

5) 重复上述步骤直到所有小簇都被标记为已重归簇。

4) 平整度fl：首先如式(4)进行协方差分析，其中Np表示同一超体素内的点表示Np中所有点的重心，即表示所有点的数量。协方差分析得到的特征值按升序排列为λ0≤λ1≤λ2，平整度由式(5)计算可得[10]

(4)

(5)

4) 将c0和与c0特征空间距离最小的簇合并，并将两者均标为已重归簇。

2.2 基于图割的点云分类

2) 将Pt_seeds中第一个点标记为P0已归簇。

1385 Application of SF-36 scale in health-related quality of life assessment of naval service personnel

H2O2可作氧化剂,但受热易分解;当H2O2遇到较强的氧化剂(如酸性KMnO4溶液)时,H2O2也可作还原剂。NH3·H2O不稳定,受热易分解。NH3易液化,液氨常用作制冷剂,这在2017年高考全国Ⅰ卷第12题考查了。HF可刻蚀玻璃,这在2018年高考全国Ⅰ卷第12题考查了。复习H2O2、NH3·H2O、液氨、HF、ClO2、SO2 等典型无机物的性质时,注意跟其用途对应起来,在分析和解答问题时就不会有阻碍。

(6)

其中:为数据项，为平滑项，β为平滑项系数。Dp(lp)为标记lp符合结点p的程度，Vp,q(lp,lq)为结点p和q的相似程度。

本文将点云分成四类，分别为屋顶，立面，植被以及地面，因此，lp∈{roof,facade,vegetation,ground}数据项由式(7)构建。

(7)

平滑项由LAB颜色空间的色差构建，如式(8)所示。

(8)

能量函数构建后，采用最大流/最小割算法[9]进行求解，得到每一个超体素的分类结果。

3 实验与分析

本文实验数据采用SWDC-5 系统摄取的贵阳金阳地区的航空倾斜影像，其影像地面分辨率0.1 m。航高在600～1 000 m之间，航带间间距为500 m， 航带内间距150 m。选取自动空三以后的的15张影像使用软件SURE[14]生成密集点云，然后截取两块不同区域的点云进行实验。图2为实验采用的两组数据，点云数量分别为2 793 724和997 400。

图2 实验数据

3.1 分类结果

图3为本文方法的分类结果，其中蓝色为屋顶，红色为建筑物立面，绿色为植被，黑色为地面。

图3 分类结果

3.2 结果分析

如图3所示，本文方法对两组数据都得到了较好的分类结果。为了对结果进一步评价，以手工标记的分类信息作为点云的真实分类属性进行定量分析。此外，为了进行方法对比，本文还实现了基于单点的图割分类方法以及基于VCCS体素的图割分类方法。在特征权重等参数相同情况下，对不同分类方法在Kappa系数、正确率、耗时方面进行了比较，结果如表1和表2所示。由表1和表2可得，与基于单点的图割分类方法相比，基于VCCS体素的图割分类算法在效率上有很大优势，但由于其在摄影测量点云上的不适应，丢失了过多的信息，导致最后分类精度降低。而本文方法在时间消耗上比基于VCCS体素方法略高，但是丢失信息较少，相较于基于单点的分类方法，不仅效率较高，且分类精度也有一定的提高。

表1 数据一不同分类方法结果比较

基于点方法基于VCCS体素方法本文方法Kappa系数0.7950.7660.825正确率/%85.383.687.3分类时间/s1667574体素化时间/s-4261总时间/s166117135

表2 数据二不同分类方法结果比较

基于点方法基于VCCS体素方法本文方法Kappa系数0.8040.7840.846正确率/%86.184.988.7分类时间/s2511593597体素化时间/s-398548总时间/s25119911145

4 结束语

本文基于区域增长分割思想，针对质量相对较差的摄影测量点云提出一种新的点云超体素生成方法。然后引入图割算法，将不同的超体素作为图割算法中的结点，通过能量函数最小化得到点云的分类结果。使用两组摄影测量点云数据进行实验，正确率分别为87.3%和88.7%，比基于单点的分类方法分别提高2%和2.6%，而且实验结果证明：本文方法在效率上比基于单点的分类方法要高，相比于常用的VCCS体素生成算法，本文提出的超体素生成方法虽然在效率上稍微低一些，但从分类精度角度上更适合摄影测量点云的分类。后续工作将进一步使用分类得到点云进行建筑物以及植被的三维重建，以形成具有语义信息的三维实景模型。

3.坚持“尊重融合”文化理念，推动利益相关者共同参与共同获益。尊重东道国法律和习俗，履行社会承诺，改善当地民生设施，为当地经济和社会发展提供持续动力。

乔十二郎道：“这会儿才知道痛。一开始是麻，随后是烫，眼下才开始痛。不用担心，痛得不厉害。”见秦铁崖过来，不等他发问，向他笑道：“没事，我看了一下，大拇指、食指都还在，能吃饭，能干活。”

参考文献：

[1] 周晓敏,孟晓林,张雪萍,等.倾斜摄影测量的城市真三维模型构建方法[J].测绘科学,2016,41(9):159-163.

[2] 王卿,郭增长,李豪,等.多角度倾斜摄影系统三维量测方法研究[J].测绘工程,2014,23(3):10-14.

[3] 周行行,邹峥嵘,张云生,等.顾及几何及颜色信息的倾斜影像立面点云提取[J].国土资源遥感,2016,28(4):43-48.

[4] RAU J Y,JHAN J P,HSU Y C.Analysis of Oblique Aerial Images for Land Cover and Point Cloud Classification in an Urban Environment[J].IEEE Transactions on Geoscience & Remote Sensing,2015,53(3):1304-1319.

[5] GERKE M,XIAO J.Supervised and Unsupervised MRF Based 3D Scene Classification in Multiple View Airborne Oblique Images[C]// Isprs Conference; Cmrt13 - City Models,Roads and Traffic.2013:25-30.

[6] ACHANTA R,SHAJI A,SMITH K,et al.SLIC Superpixels Compared to State-of-the-art Superpixel Methods.[J].IEEE Transactions on Pattern Analysis & Machine Intelligence,2012,34(11):2274-2282.

[7] PAPON J,ABRAMOV A,SCHOELER M,et al.Voxel Cloud Connectivity Segmentation - Supervoxels for Point Clouds[C]// IEEE Conference on Computer Vision and Pattern Recognition.IEEE Computer Society,2013:2027-2034.

[8] SONG S,LEE H,JO S.Boundary-enhanced Supervoxel Segmentation for Sparse Outdoor LiDAR Data[J].Electronics Letters,2014,50(25):1917-1919.

[9] BOYKOV Y,VEKSLER O,ZABIH R.Fast Approximate Energy Minimization via Graph Cuts[J].IEEE Transactions on Pattern Analysis & Machine Intelligence,2001,23(11):1222-1239.

[10] GOLOVINSKIY A,FUNKHOUSER T.Min-cut Based Segmentation of Point Clouds[C]// IEEE,International Conference on Computer Vision Workshops.2009:39-46.

[11] QIN R.An Object-Based Hierarchical Method for Change Detection Using Unmanned Aerial Vehicle Images[J].Remote Sensing,2014,6(9):7911-7932.

[12] 袁红星,吴少群,朱仁祥,等.多尺度图割曲面重建算法[J].计算机应用研究,2013,30(6):1871-1873.

[13] 张靖,张晓君.江万寿,等.一种改进的线性预测滤波算法[J].国土资源遥感,2011,23(1):52-56.

[14] ROTHERMEL M,WENZEL K,FRITSCH D,et al.SURE:Photogrammetric Surface Reconstruction from Imagery[C]//Proceedings LC3D Workshop,Berlin.2012,8.