基于机载点云数据的智能化成图方法研究

近年来，机载LiDAR技术得到了蓬勃发展，在硬件系统设计方面技术已较成熟，三维空间位置测量精度已达到相当高的水平。基于机载LiDAR的数据应用较多，在大量高精度信息数据获取的同时如何高效地完成数据处理并有效转化为工程应用成果成为目前重点研究问题。

大比例尺地形图是各类工程应用中最重要的参考依据，其生产效率和精度直接制约了后续工作的进程和质量。相比于传统的立体测图方式，基于点云数据生产地形图具有高程精度高、自动化程度高等优势。目前，在基于点云数据的地形图生产过程中已可实现高程点和等高线的自动生成，而建筑物边界等地物信息还需人工绘制。因此，如何基于点云数据实现建筑物的自动提取，进一步提升点云数据制图的自动化程度，提高生产效率，缩短生产周期，具有重要的现实意义[1]。

鉴于此，本文提出了一种基于机载点云数据的半自动化成图方法，其中，等高线、高程点和建筑物边界线能通过算法自动提取。由于等高线和高程点的提取可通过现有软件完成，本文对建筑物边界线的提取成图开展了深入研究，提出了一套完整的技术方案，并通过实验证明了其有效性。

1 点云制图流程

采用机载点云数据生产地形图的主要流程如图1所示，包括数据采集、数据预处理和点云制图3个部分。其中，数据采集和数据预处理的方法已较成熟，而点云制图主要仍在Terrasoild软件下完成，该软件能实现等高线的自动提取，但对于建筑物等地物还需通过人工采集完成[2-4]。

本文算法的核心问题就是实现机载点云数据生产地形图过程中建筑物边界的自动提取。通过软件提取等高线、高程点和本文方法提取建筑物边界后，再对照正射影像补充其他地形要素即可完成整个地形图的制作过程。

图1 机载点云生产地形图流程图

2 建筑物边界提取

本文以Leica ALS60机载扫描系统获取的点云数据为实验数据，从建筑物的有效提取率和边界提取的绝对精度两个方面来验证整体提取精度。

蔬菜是人类生活重要的副食品，由于蔬菜种类繁多，种子形状差异大，国内外农业机械学专家针对蔬菜播种的特点，提出了多种排种器原理和播种形式。播种机的核心部件是排种器，但种箱也是必不可少的，现有的蔬菜穴盘排种器按工作原理来分主要是机械式、气力式和磁力式。气力式排种器跟其他排种器相比具有不伤种子、对种子外形尺寸要求不严、整机通用性好等优点，比较适宜蔬菜播种。而种箱作为播种机上的部件，对于实现吸种具有十分重要的意义，可以保证精密播种机的单粒率、尽量减少重播率和漏种率。

2.1 建筑物点云提取

2.1.3 点云分类

2.1.1 地面点滤除

由于LiDAR系统获取的点云数据中不仅包含来自裸露地面的信息，还包含来自建筑物、树木、桥等非地面对象表面的信息。地面点云主要用于生成等高线和高程点，该过程已能实现自动化；当存在大量地面点云时，无法对其他地物点云进行有效处理，因此，在提取建筑物点云之前，需将地面点云滤除。地面点云滤除结果见图2[5-6]。

陈老师于文革后期入学，物质生活和精神生活双重严重匮乏，不仅学校提供的学习环境艰苦，就连老师的授课内容都和文化教育无关，而相对多的是政治活动。

图2 点云数据地面点滤除结果

竹子及其衍生产业促进了当地的经济发展和环境保护，让农村居民在原住地即可获得收入，而无需外出务工，因此有助于留住农村人口，增强他们的民族特性。然而，国际上由于缺乏竹产品和房屋建筑的国际标准，以及不准确的贸易数据和国家间不完善的知识与技术分享机制，限制了竹子在全球发挥良好的社会效益。正如Gunter Pauli教授[13]所说：“科学已经存在。我们不需要说服人们相信竹子，相反，我们必须启发他们。竹子是一种鼓舞人心的产品”。在通过重新造林恢复生态系统的同时，竹子可以在减轻贫困方面发挥重要作用。

1）边界点提取，采用Alpha Shape算法。其算法思想为：假设有1个点云数据集S，且外部有1个半径为α的圆沿S滚动，当α足够大时，这个圆将在点云的外围滚动；而当α较小时，该圆将落到点云内部。根据这一准则，将LiDAR点云数据中每两个点和给定半径α确定一个圆，当圆中没有其他点时，该点即为边界点。

图3 非地面点云数据分割结果

建筑物点云提取主要包括地面点云滤除、点云分割和点云分类3个步骤。

3）边界拟合。经过边界点提取和简化后，提取出的建筑物边界已接近于真实建筑物的形状，但由于激光扫描获取的点云数据并不完整，导致提取的建筑物边界精度不够理想，还需对边界进行精化处理，以提高建筑物边界的提取精度。采用RANSAC方法对每条建筑物边界上的点云进行直线拟合，得到最精确的边界。通过边界线求交可获取精确的建筑物角点。建筑物边界的提取结果如图5所示。

图4 点云分类结果

2.2 建筑物边界自动提取

在完成建筑物点云提取并单体化后，即可自动提取每块建筑物点云的边界。边界提取主要包括边界点提取、边界点简化、边界拟合3个步骤。

对点云数据进行分割的目的即化繁为简，根据其几何或纹理特征将复杂的扫描场景点云分割成独立的地物点云集合，再通过分析独立地物集合的特征进行后续分类和识别操作，可大大简化点云数据处理的复杂度。目前，散乱点云数据的分割方法主要包括区域增长法、基于特征图像的方法和空间特征聚类法。滤除地面点云后，本文使用空间特征聚类法对非地面点云进行空间聚类分割处理，将离散点分割为独立的地物点集合，分割结果如图3所示，不同的颜色代表不同的地物点集合。

2）边界点简化。建筑物边界点云包含整个建筑物边界的离散点，而在地形图生成的过程中只需要建筑物边界的角点，因此需对提取的建筑物边界点进行简化，以满足地形图生产的需求。由于建筑物角点的夹角一般为90°，依此可对建筑物边界点进行判断，筛选建筑物角点。

经过分割的点云数据可再进行点云的分类，将独立的地物点集合赋予类别属性，对于制图应用来说，兴趣对象类别包括建筑物、植被和桥梁等。首先采集兴趣地物的样本，并确定分类特征和分类模型再进行训练。本文采用的分类特征主要包括高度、长宽比、面积、粗糙度、法向量、曲率等几何特征，使用的分类模型是随机森林，分类结果如图4所示，绿色点云为植被，红色点云为建筑物。

2.1.2 点云分割

图5 建筑物边界提取结果

3 实验分析

建筑物边界的提取是机载点云生产地形图过程中的重要步骤之一，在提取建筑物边界前，需将建筑物点云提取出来，再使用建筑物边界线提取算法即可自动提取建筑物边界。

有效提取率即所有提取正确的建筑物与整个范围内建筑物总数之比。整个范围内建筑物数量需结合正射影像统计获取。据统计，测区范围内共有建筑物356 栋，自动提取获得325栋，有效提取率为91.2%。由于ALS60设备点云较稀，部分面积较小的建筑物没有被正确提取，对于没有被提取的建筑物还需结合正射影像人工判别。

除了对建筑物的有效提取率进行检查之外，本文还对边界提取的绝对精度进行了检查论证。通过外业采集房顶角点的方式对建筑物边界提取的绝对精度进行检查。部分建筑物边界提取结果和控制点位置如图6所示。本文共采集50个建筑物角点进行精度检查，统计求得平面中误差为0.65 m。建筑物边界的提取平面精度主要受点云数据质量的影响，点云越密集，绝对精度越高，则提取的边界精度越高，整个提取过程中高程精度未损失。

图6 部分建筑物提取结果及控制点

完成精度验证后，利用本文所设计的智能化成图流程对实验测区进行了1∶2 000地形图制图，制图成果如图7所示。测区面积为3 km2，若采用传统立体测图方式需2工天完成，而采用本文作业流程只需0.5工天，生产效率提升了3倍，且地形图成果拥有更高的高程精度。

图7 智能化成图案例

4 结 语

根据机载点云数据的特点，本文提出了一种基于机载点云数据的智能化成图作业模式，可通过自动提取等高线、高程点、建筑物等地形要素，大大减少地形图制作的内业工作量。本文对整个作业流程中的建筑物边界提取方法开展了深入研究，提供了点云滤波、点云分割、点云分类、建筑物提取、边界线提取等步骤的技术方案；并利用项目数据进行了实验分析，结果表明该方法具备较高的提取有效率和精度。在后续研究中，可进一步开展对其他地物的智能化提取和成图方法研究，以提高基于点云数据生产地形图的精度和效率。

该实验结果证实了已被污染的水质对水蚤心脏确实产生一定的影响。教学即将结束之时，教师可以进一步引导学生思考：在泛滥使用杀虫剂或者洗涤剂的当今社会，水质或者环境的改变对自然界其他的生物带来了怎样的不幸呢，长期使用残留洗涤剂的水果蔬菜对人类的身体健康是否有隐患呢……这些开放性问题可鼓励学生积极搜索课外资料对社会热点问题关注并讨论，从而在提高科学素养的同时进一步提高人文素养。

B层：背诵mini-talks;教材P185 6、7；校园网资源库Learning situation 3 Applying for a job中role-play的对话任务。

一连几天，表姐都是这样，身体裹得严严实实，等着李石磨先睡下。表姐也知道老这样不是长法，第六天晚上，她硬下心肠，先在屋里脱光衣服，洗干净自己，上床，做好一切准备。等到李石磨摸上来，表姐又情不自禁地抖起来。李石磨忍住，没再乱摸。他压抑着自己，紧紧地抱着表姐，语无伦次地表白起来。知道不，我老早就喜欢你了。你可能忘了，夏天割麦，你面前少的那几茬就是我偷偷帮你割的。你一个半大妮子，刚下学，看你累得直不起腰，我就替你难受。你傻，还大声嚷嚷，说咋割着割着就少了几茬？都知道我在你旁边，你一嚷整个杨湾还不都知道了？我只有嘿嘿地傻笑。那时候，我不敢想能跟你过成一家人，你有文化……

参考文献

[1] 黄克城,宋时文,阎凤霞.机载LiDAR技术在地形图测绘中的应用[J].地理空间信息,2016,14(4):99-101

[2] 冯梅,钟斌.基于LiDAR点云自动生成等高线的方法研究[J].测绘与空间地理信息,2012(6):87-90

[3] 张小红,刘经南.机载激光扫描测高数据滤波[J].测绘科学,2004,29(6):50-53

[4] 陈弘奕,胡晓斌.海量点云数据等高线生成算法研究[J].测绘通报,2013(10):83-86

[5] Axelsson P.DEM Generation from Laser Scanner Data Using Adaptive TIN Models[J]．International Archives of Photogrammetry and Remote Sensing,2000,33(B4/1):111-118

[6] Vosselman G. Slope Based Filtering of Laser Altimetry Data[J].International Archives of Photogrammetry and Remote Sensing,2000(33):935-942

[7] 赵小阳,孙颖.基于LiDAR点云的建筑物边界提取及规则化[J].地理空间信息,2016,14(7):88-90