实景三维具有直观性、真实性和可量测的优点，是目前测绘地理信息支撑新型智慧城市建设、新型基础设施建设的重要手段。其中，利用倾斜摄影方式进行mesh模型生产是一个主要的技术方法，在实景三维建设中承担了主力军的角色。但mesh模型是非结构化数据，仅仅是“一张皮”，不容易被计算机识别、理解和分析，例如难以进行自动化地物分类、信息提取等，这在很大程度上影响了对实景三维成果的深度利用和价值挖掘。为了充分发挥实景三维成果的价值，实验室针对倾斜影像密集匹配点云的自动分类进行了研究，希望为实景三维成果的深度应用提供一种思路。
点云是现实世界三维数字化的一种表达方式，主要包括激光扫描点云和影像密集匹配点云两类。其中，激光扫描点云可以通过机载、地面、车载、手持等方式获取，它们均具备回波强度、回波次数等信息，可以方便地对建筑物、植被、地面等进行准确分类。而倾斜影像密集匹配点云是基于影像空间相对关系形成的具有空间准确位置的同名点点云，被广泛地应用于DSM、DEM和DOM的生产，但是密集匹配出的点云不具备激光扫描那样的强度信息和回波信息，因此自动分类难度较大，是目前学术界研究的一个热点，同时也没有成熟的商业软件可以实现。
实验室与来自中国测绘科学研究院的研究团队联合开展了倾斜影像密集匹配点云自动识别的技术试验。试验范围在青岛市主城区，面积为0.8平方公里，区域内包含高层建筑、多层建筑、道路、林地、草地、行树等各种自然和人工地物。
本试验利用的原始数据为基于3cm分辨率倾斜影像生成的密集匹配点云数据，点密度为50点/平方米，数据格式为las格式。
（1）点云合并
试验数据是以块形式存储的，每个块的大小是100米*100米。首先对点云数据进行了合并处理；如果工程数据较大，为保证运算效率，则需要进行分割。
（2）平面生长分割
根据三维坐标、回波强度、波形、纹理和形状等特征把点云划分成若干互不重叠的区域，并使这些特征在同一区域内呈现出相似性，而在不同区域间呈现差异性。由于密集匹配点云缺少回波强度、波形等信息，需要对las文件列表中的点云文件，逐文件的进行基于表面生长的点云分割，分割结果保存在原las文件中。
（3）基于对象的点云滤波
采用基于对象的不规则三角网渐进加密滤波方式，对已经经过平面生长分割的点云文件，对每个点进行地面点和非地面点的识别。由于参数设置、影像匹配错误、场景本身的复杂度和“切块”时重叠区域大小的设置并非理想等因素的影响，每块点云数据的滤波结果可能包含少量错误，需要人工干预、编辑修改错误。
（4）植被识别
完成点云滤波后，对非地面点，按照点到地面点的高度，将其划分为“低矮植被、中等高度植被、高植被”，此处高度阈值分别设置为0.1-1米，1-3米，大于3米。
（5）建筑物识别
对识别为“高植被”的点，根据点云的形态分布及密度特征，从“高植被”中进一步提取“建筑物”类别。由于密集匹配点云相比于激光点云，由于匹配精度原因，导致点云精度不高、平面表达效果不好，建筑物识别会存在一定偏差，存在少量建筑物点被误判为高植被。
至此，整个实验区的点云均进行了语义标注，分为了地面点、低矮植被、中等高度植被、高植被和建筑物。成果如下图所示：
植被识别效果如下图所示：
地面点识别效果如下图所示：
建筑识别效果如下图所示：
从结果来看，比较好地实现了地面、植被和建筑物的点云分类，各类地物的平面位置边界清晰准确，但是在高度方向上存在部分建筑物点云错分为植被的情况存在。
密集匹配点云无强度及回波信息，且精度分布不均匀，自动分类难度较大。本次实验初步实现了倾斜影像密集点云的自动识别分类，为实景三维的应用提供了一种解决思路。
实验室下一步将继续推进该方面的研究探索，主要方向如下：
（1）提高自动识别的精度及分类精细度，保证分类标准的一致性；
（2）基于分类后的点云数据，进行建筑物矢量块的自动化提取；
（3）对粘连不大的独立树、行树等，进行单木分割、树高测算、植被体量计算等工作。
文章转载自微信公众号青岛市海陆地理信息重点实验室
本文仅限行业学习交流之用，版权、著作权归原载平台及作者所有。我们尊重作者的成果，如涉嫌侵权，请联系我们及时删除。
- END -
