联合无人机影像生成DSM和DOM的多层次建筑物变化检测

改革开放以来,我国城镇化水平不断提高,截至2020年,全国城镇化率达63.89%,城镇常住人口达9.02亿。在高速城镇化的同时,《2022年新型城镇化和城乡融合发展重点任务》中指出要“深入推进以人为本的新型城镇化策略、提高新型城镇化质量”。《自然资源部信息化建设总体方案》提出要“全面增强自然资源三维动态监测与态势感知能力”,这对城镇化的科学性、规范性以及城镇的自然资源监测能力提出了更高的要求。建筑物作为城镇主要的组成部分,对其进行高时效、高精度的变化检测,不仅有利于辅助城镇规划管理,而且在违章建筑查处、灾害评估方面有重要意义。

根据变化检测所用数据的不同,建筑物的变化检测方法主要可以分为二维变化检测和三维变化检测2大类。二维变化检测方法通常以航天、航空影像为数据源,虽然经过了多年的发展,但受制于影像的透视变换、混合像元、植被季节性变化及阴影等多方面数据源的问题,二维变化检测方法存在一定的局限性。随着近年来传感器技术和密集匹配技术的快速发展,激光点云、影像密集匹配点云的几何精度有了显著的提高。与二维影像数据相比,三维点云及其衍生数据产品包含高程数据,具有良好的几何性质。同时,建筑物的变化往往伴随着高程变化,使得三维数据能够较好地反映建筑物的变化情况,基于三维数据的建筑物变化检测方法也因此引起了广泛关注。

建筑物的三维变化检测方法可分为基于单一几何信息的建筑三维变化检测和结合几何与光谱信息的建筑物三维变化检测2大类[10]。基于单一几何信息的建筑物三维变化检测方法通常以2个时相数据的高程差或欧式距离作为变化测度,然后使用阈值分割提取变化区域,在此基础上使用形态学处理和聚类对变化区域进精细化处理。Murakami等利用不同时相的激光点云生成数字表面模型(digital surface model,DSM),然后通过对DSM的简单几何比较初步提取变化区域,最后通过形态学处理滤除伪变化区域。Tian等[12]利用提出的鲁棒方法计算高差,并利用阈值初步提取变化建筑物,最后利用矩形度剔除误检测。Chaabouni-chouayakh等通过2个时相的数字高程模型(digital elevation model,DEM)做差提取变化区域,然后利用形态学开闭处理优化检测区域。Sasagawa等首先利用DSM差分提取变化区域,然后生成变化区域的多边形。虽然基于单一几何信息的变化检测方法实现起来较简单,但这类方法易受三维数据的质量、配准精度的影响。

几何信息和光谱信息结合使用的方法主要有后精化、直接特征融合及分类后处理3种。后精化方法通常利用几何信息比较初步提取候选变化区域,然后利用光谱信息对候选变化区域进行精化; 直接特征融合方法通常将2个时相三维数据的高差或欧氏距离作为一种特征,然后融合几何、光谱2类差分特征进行变化区域提取; 分类后处理方法将DSM作为光谱数据的补充波段以提高分类精度,然后对分类结果标签进行对比从而提取变化区域。Pang等利用2个时相的DSM做差提取候选变化区域,然后通过候选变化对象的平整度和高度提取变化建筑物。彭代锋等对激光点云进行内插进而生成DSM,然后对DSM做差并使用固定阈值提取变化区域,在此基础上将变化区域投影到影像从而剔除伪变化区域。杨钰琪等基于区域生长对点云进行分割,并结合差分DSM(differential DSM,dDSM)判断分割对象是否发生变化。Tian等利用Dempster-Shafer融合理论将全色影像的KL(kullback-leiber)散度特征和DSM的高差特征结合提取候选变化区域,并利用多光谱影像剔除候选变化区域中的植被和阴影。Pang等将归一化DSM(normalized DSM,nDSM)和dDSM作为特征,利用图割算法提取候选变化区域,然后使用航空影像提取变化的建筑物。Wang等[20]将差分nDSM(differential nDSM,dnDSM)和形态学建筑物指数作为特征,利用图割算法提取变化建筑物。结合几何与光谱信息的建筑物三维变化检测方法在大多数情况下能够取得不错的变化检测效果,但容易受几何对比结果、融合参数和分类结果等多种因素的影响。

针对以上问题,本文提出一种联合无人机影像生成DSM和正射影像(digital orthophoto map,DOM)的多层次建筑物变化检测方法。利用多层高差阈值提取候选变化区域,并基于可见光植被指数剔除植被及面积较小区域; 对最低层变化检测结果进行连通域分析,对每个连通对象使用较高层的变化检测结果剔除最低层中的误检测; 统计每个变化对象的正、负高差值数量关系,确定变化类型。

本文的方法流程如图1所示。

在城镇场景的三维重建中,无人机通常搭载多个高分辨率倾斜相机在近似的航高上,按照设定的航线从不同角度获取地物影像,从而生成高分辨率DOM和精细的三维数据。虽然基于无人机影像生成的三维数据非常精细,但这也使得地面的细节被凸显出来,变化区域中的建筑物提取变得困难,因而在多数情况下需要剔除地面区域。本文使用布料模拟滤波算法对影像密集点云进行地面点和非地面点分割。

城镇区域中的非地面区域中除建筑物之外,还包括植被、车辆、路灯等其他干扰因素。相较于建筑物,车辆、路灯等其他地物通常高度较低、面积较小,因此通过高差阈值或面积阈值可以将其较好的去除。植被区域具有一定的高度,而且在公园、花圃等特定的区域,植被的占地面积也大,容易干扰建筑物的变化检测,因此需要在非地面区域中剔除植被区域。

利用较低的高差阈值提取dnDSM中的变化区域时(图2中对应的红色虚线),能够较为完整地检测出变化建筑物,但存在2种主要的误检测: ①由于建筑物存在被植被遮挡的情况,或建筑物之间存在遮挡,使得部分建筑物底部重建变形从而引起误检测(如图2蓝色建筑物底部所示); ②部分建筑物与具有一定高度的植被粘连,而这部分植被处于阴影之中,通过可见光植被指数难以剔除这部分区域从而引起误检测(如图2左侧绿色植被所示)。在高差阈值较大的时候(图2中对应的红色虚线),低矮的变化建筑物会被漏检,而高大的变化建筑物排除了建筑物低处建模较差、建筑物边缘与植被粘连的影响,从而能取得更高的检测精度。

此外,通过单一面积阈值进行小块目标剔除时,面积阈值过小易导致部分具有一定高度的植被难以被剔除,而面积阈值过大易导致低矮变化建筑物被误剔除。

综上,使用单一固定阈值进行变化检测时会引起误检或漏检,而采用多层次阈值能够有效解决此问题。本文通过较低的高差阈值保留低矮变化建筑物,利用较大的高差阈值优化高大建筑物的变化检测精度,并通过递增的面积阈值剔除具有一定高度的植被,保留低矮建筑物。

通过1.2.1的多层次变化区域提取,可以确定哪些建筑物发生了变化,但无法明确变化类型。本文的高差特征是利用新时相的nDSM减去旧时相的nDSM计算得到,在理想情况下,如果连通对象的高差特征值都是正值,则认为是发生了增高(新建)变化,反之则认为是发生了降低(拆除)变化,但由于存在噪声点干扰,同一个连通对象可能同时存在增高、降低2种变化。为此,针对每一个变化对象,本文通过比较对象内所有点的2种变化占比,选择占比较大者为其变化状态。

为验证本文提出方法的有效性,使用某地2019年4月和2022年9月2个时相的无人机影像数据进行实验。影像具体信息如表1所示。

表1   实验数据采集信息

为分析本文方法过程,选择了一些典型且存在显著差异的中间结果进行展示。

图4(a)是第1层的初始变化检测结果,可以看到其中有很多植被区域,这些植被区域有的相对孤立,也有一些与建筑物粘连; 图4(b)是第1层去除植被后的变化检测结果,无论是孤立的植被,还是与建筑物粘连的植被,大部分都已被剔除,但仍然存在很多椒盐噪声、破碎的小区域; 图4(c)是第1层去除小块的变化检测结果,大量的椒盐噪声、破碎区域都被剔除。从图4(c)中可以看到,经过植被剔除、去小块后的第1层变化检测结果中,低矮变化建筑物大部分被保留了下来,但一些植被引起的误检测也依旧存在。图4(d)是第22层经过植被剔除、去小块后的变化检测结果,与第1层最终结果相比,孤立植被、与建筑物粘连植被引起的误检测都被完整地剔除,但小型建筑物也随之被剔除。因此融合多层次的变化结果可以较好地平衡精度和准确率。

3种方法的精度如表3所示。T-dnDSM方法精确度最高,达到了95.37%,而DSM-GC方法精确度最低,仅为90.41%; 本文方法召回率最高,为93.57%,精确度较高的T-dnDSM召回率却最低,仅为78.35%; 本文方法的综合精度最高,为94.40%,而T-dnDSM最低,仅为86.03%。

表3   建筑物变化检测精度

与基线方法相比,本文方法在保证提取低矮变化建筑物的同时,能够优化提取到的高大变化建筑物,达到较高的变化检测精度。

图6(a)是人工标注的建筑物变化类型,图6(b)是利用本文方法计算得到的建筑物变化类型。可以看到,除开漏检、误检的建筑物之外,其他的建筑物变化类型都与人工标注数据一致,也反映了本文所述建筑物变化类型确定方法的有效性。

本文提出了一种联合无人机影像生成DSM和DOM的多层次建筑物变化检测方法,该方法充分利用了多层高差阈值提取到的变化检测结果,在保留低矮变化建筑物的同时,能够提高高大建筑物的检测精度,克服了单一高差阈值提取变化建筑物时的不足。实验结果表明本文方法均达到90%以上,验证了本文方法的有效性。但本文方法也存在一些不足,例如植被提取方法比较简单。后续将探索基于深度学习的建筑物提取、对象分割方法,从而进一步提高建筑物变化检测方法的精度和鲁棒性。

- END -