CN111340136B - 机载激光雷达点云中建筑物点分类扩张方法和系统 - Google Patents

Abstract

本发明公开了一种机载激光雷达点云中建筑物点分类扩张方法及系统，其中建筑物点分类扩张方法包括：1、获取对测区机载激光雷达点云初步分类的结果；2、采用三维欧几里得聚类对建筑物类点云数据C₁进行聚类；3、设置建筑物点扩张候选点集；对建筑物点扩张候选点集构建索引；4、对每个建筑物点聚类分别计算在XY平面上的边界和空间包容盒；5、依次对N₁个建筑物点聚类

做第一类分类扩张；6、依次对N₁个建筑物点聚类

做第二类分类扩张。该方法针对现有技术中对机载LiDAR点云中的建筑物点自动分类的分类不完全问题，对未成功分类的点重新分类。

Description

机载激光雷达点云中建筑物点分类扩张方法和系统

技术领域

本发明属于机载激光雷达点云数据处理领域，尤其涉及一种从机载激光雷达点云中对分类不完全的建筑物点进行分类扩张，使得建筑物点提取更完全的方法。

背景技术

机载LiDAR(Light Detection And Ranging，激光雷达)是当前测绘领域效率最高、发展最快的大面积测绘手段之一。通过使用激光器发射和接收高能激光脉冲来测距，GNSS(Global Navigation Satellite System，全球导航卫星系统)接收机给出激光器实时位置，INS(Inertial Navigation System，惯性导航系统)给出激光器实时三维姿态，可利用向量公式和坐标转换计算出散射面的三维坐标。借助机械扫描装置，机载LiDAR可以实现大面积面状测量。目前，机载LiDAR的发射频率普遍高达数百KHZ以上乃至2000KHZ。这意味着，在不考虑多回波和无回波的情况下，一秒钟激光雷达可采集数十万乃至数百万点。因此，机载LiDAR可以在短时间内获得海量的点，称为点云。

经过初步处理的机载LiDAR点云中，除点坐标外，还提供的点属性包括回波强度、第几次回波、数据采集时间等。但是，缺乏语义信息，不能给出激光脉冲打到的散射面的物理性质，不知道测量是地面、建筑物还是植被、鸟等。而在构建DEM(Digital ElevationModel，数字高程模型)时必须采用位于地面上的点，在构建三维建筑物模型时必须采用位于建筑物上的点，在进行森林制图时必须采用位于树木上的点。所以，对点云进行分类，确定点位于哪种基本地物类型上，是机载LiDAR数据处理中最重要的基础工作之一。

针对不同类型的地物，研究人员提出了不同的自动分类方法，很多可以取得良好的提取率。但是，所有的分类方法都不是完美的，一般存在一些错分和漏分的情况，只是比例有高有低。造成这些问题的原因多种多样。一个常见的原因是算法依赖于参数或阈值，参数或阈值取得不好会造成分类结果不理想。另外一个重要原因是数据不符合算法的假设。一个明显的例子是建筑物屋顶提取，在大部分建筑物点提取算法中，经常假设屋顶由平面构成，通过提取离地够高的平面点云作为屋顶点。但是，这种假设并不总是可靠的。屋顶的形状多种多样，并不一定能用平面近似拟合；屋顶上的一些附属结构，如花盆、热水器、晾衣架、女儿墙等在点云中并不明显地落在屋顶平面上，体现为平面的外点或噪声点等。目前常用的算法往往会造成屋顶非平面部分未被提取，以及屋顶上的部分点，包括位于屋顶内部的点(如落在热水器、晾衣架、花盆等上的点)和屋顶边缘的点(如女儿墙上的点)，未被成功分为屋顶点。这些问题在本申请中被统称为点云分类不完全问题。在主流的机载LiDAR处理软件，如Terrasolid、LiDAR-DP的处理结果中，这些问题表现的很明显。如果后续采用人工进行分类会造成很大的工作量。在现有的文献中，对分类不完全问题还没有解决方案。

发明内容

发明目的：针对现有技术中对机载LiDAR点云中的建筑物点自动分类的分类不完全问题，本发明提供了一种机载激光雷达点云中建筑物点分类扩张方法，对未成功分类的点重新分类。

技术方案：本发明一方面公开了一种机载激光雷达点云中建筑物点分类扩张方法，包括：

(1)获取对测区机载激光雷达点云初步分类的结果，所述结果包括：建筑物类点云数据C₁，其他类点云数据C₀；

(2)采用三维欧几里得聚类对建筑物类点云数据C₁进行聚类，得到N₁个建筑物点聚类

非建筑物聚类点集P₁；i＝1,2,…,N₁；

(3)设置建筑物点扩张候选点集S，所述建筑物点扩张候选点集S包括：其他类点云数据C₀和非建筑物聚类点集P₁；

对建筑物点扩张候选点集S构建点云索引；

(4)对N₁个建筑物点聚类

分别计算其在XY平面投影的二维边界和三维空间包容盒；所述二维边界为首尾相连的闭合环；

(5)依次对N₁个建筑物点聚类

做分类扩张，所述分类扩张的方式包括两类：

(5.1)第一类分类扩张：遍历点集S中的点，如果

边界上存在与S中的点p_s之间的距离和高差满足第一距离高差约束的点，则将点p_s分为建筑物点，p_s∈S；

(5.2)第二类分类扩张：遍历点集S中的点，将点集S中同时满足如下二个条件的点p_s分为建筑物点：

条件一：

中存在与点p_s之间满足第二距离高差约束的点；

条件二：点p_s在XY平面的二维坐标位于

在XY平面的二维边界内部；

(6)多次执行步骤(5)中所述的两类分类扩张中的一种或两种，直至满足分类要求。

所述步骤(2)中对建筑物类点云数据C₁进行三维欧几里得聚类的参数为：

搜索半径R_b的范围为(R_{min_b},R_{max_b})，其中

D是激光脉冲脚点的密度，R_{max_b}为相邻建筑物之间的最小距离；

聚类最小点数阈值N_{min_b}＝A_{min_b}D-Q

聚类最大点数阈值N_{max_b}＝A_{max_b}D+Q

其中Q为误差调节常数，A_{min_b}为建筑物屋顶最小面积，A_{max_b}为建筑物屋顶最大面积。

所述步骤(5)中第一距离高差约束为：如果点集S中的点p_s与

边界上一点p_b之间同时满足两点间距离小于等于第一边界点距离阈值R_en，高程差小于等于第一高差约束阈值ΔZ_T1，则点集S中的点p_s满足第一距离高差约束。

作为优选，所述步骤(1)中获取的测区机载激光雷达点云初步分类的结果中还包括树木类点云数据C₂；

所述步骤(2)中还包括：

(2.1)采用三维欧几里得聚类对树木类点云数据C₂进行聚类，得到N₂个树木点聚类

非树木聚类点集P₂；j＝1,2,…,N₂；

(2.2)对N₂个树木点聚类

依次进行判断，将不符合树木标准的树木点聚类设置为非树木点；

所述步骤(3)中的建筑物点扩张候选点集S还包括：非树木聚类点集P₂和步骤(2.2)中判断为非树木点的数据集。S不包括符合树木标准的树木点。

所述步骤(2.1)中对树木类点云数据C₂进行三维欧几里得聚类的参数为：

搜索半径R_t的范围为

聚类最小点数阈值N_{min_t}＝kπR²D；

聚类最大点数阈值N_{max_t}＝kA_{max_t}D；

其中R_b为对建筑物类点云数据C₁进行三维欧几里得聚类的搜索半径，k为树木上点数与激光脉冲的数目比；R为单棵树的树冠在水平面上的投影的最小半径；A_{max_t}为点云中森林的最大面积。

步骤(2.2)中判断聚类

是否满足树木标准的步骤为：

(2.2.1)计算聚类

内的点最大高程Z_maxj与最小高程Z_minj的差：△Z_j＝Z_maxj-Z_minj；

如果△Z_j小于树木高差阈值△Z_th，则聚类

中的点均为非树木点，判断下一个聚类；否则进入步骤(2.2.2)；

(2.2.2)计算聚类

的唯一回波占比:p_only＝N_only/N_t；

其中N_only为聚类

中是唯一回波的点的数目，N_t为聚类

中的总点数；

如果p_only小于唯一回波占比阈值下限p_{only_low}，则聚类

中的点均为树木点，判断下一个聚类；如果p_only大于唯一回波占比阈值上限p_{only_high}，则聚类

中的点均为非树木点，判断下一个聚类；否则进入步骤(2.2.3)；

(2.2..3)将聚类

的高程范围[Z_minj,Z_maxj]均分为U份，统计每一份中落入的点数I_n，n＝0,1,…,U-1；聚类

的高程分布熵为：

对E_z进行标准化：

如果E_{z_N}小于高程分布熵阈值E_{Z_N_T}，则聚类

中的点均为非树木点，否则聚类

中的点均为树木点；判断下一个聚类。

另一方面，本发明还公开了一种机载激光雷达点云中建筑物点分类扩张系统，包括：

初分类点云数据获取模块，用于获取已经初步分类的测区机载激光雷达点云结果，所述结果包括：建筑物类点云数据C₁，其他类点云数据C₀；

三维欧几里得聚类模块，用于对建筑物类点云数据C₁进行三维欧几里得聚类，得到N₁个建筑物点聚类

非建筑物聚类点集P₁、i＝1,2,…,N₁；

建筑物点扩张候选点集设置模块，用于设置建筑物点扩张候选点集S，所述建筑物点扩张候选点集S包括：其他类点云数据C₀和非建筑物聚类点集P₁；该模块支持自定义候选点集；对建筑物点扩张候选点集构建点云索引；

二维边界和空间包容盒计算模块，用于对N₁个建筑物点聚类

分别计算在XY平面投影的二维边界和三维空间包容盒；所述二维边界为首尾相连的闭合环；

第一类分类扩张模块，用于依次对N₁个建筑物点聚类

做第一类分类扩张：将点集S中与

边界上的点满足第一距离高差约束的点分为建筑物点；

第二类分类扩张模块，用于依次对N₁个建筑物点聚类

做第二类分类扩张：

将点集S中满足如下二个条件的点分为建筑物点：

条件一：与

中的点满足第二距离高差约束；

条件二：二维坐标位于

二维边界内部。

所述三维欧几里得聚类模块对建筑物类点云数据C₁进行三维欧几里得聚类的参数为：

搜索半径R_b的范围为(R_{min_b},R_{max_b})，其中

D是激光脉冲脚点的密度，R_{max_b}为相邻建筑物之间的最小距离；

聚类最小点数阈值N_{min_b}＝A_{min_b}D-Q

聚类最大点数阈值N_{max_b}＝A_{max_b}D+Q

其中Q为误差调节常数，A_{min_b}为建筑物屋顶最小面积，A_{max_b}为建筑物屋顶最大面积。

所述第一类分类扩张模块中第一距离高差约束为：若点集S中的点p_s与

边界上一点p_b之间的距离小于第一边界点距离阈值R_en，且高程差小于等于第一高差约束阈值ΔZ_T1，则p_s满足第一距离高差约束；

所述初分类点云数据获取模块获取的测区机载激光雷达点云初步分类的结果中还包括树木类点云数据C₂；

所述三维欧几里得聚类模块还用于：(2.1)采用三维欧几里得聚类对树木类点云数据C₂进行聚类，得到N₂个树木点聚类

非树木聚类点集P₂；j＝1,2,…,N₂；(2.2)对N₂个树木点聚类

依次进行判断，将不符合树木标准的树木点聚类设置为非树木点；

所述建筑物点扩张候选点集设置模块设置的建筑物点扩张候选点集S中还包括：非树木聚类点集P₂和(2.2)中判断为非树木点的数据集，不包括(2.2)中判断为树木点的点集。该模块支持自定义候选点集。

有益效果：本发明公开的机载激光雷达点云中建筑物点分类扩张方法和系统适合于在机载LiDAR点云中存在建筑物，但是建筑物点提取不完全，需要较完整地提取建筑物点的情况。其中建筑物点分类扩张方法可以快速有效地从机载LiDAR点云中提取分类不完全的建筑物点，包括位于女儿墙、热水器、花盆、避雷针、阁楼等上的点以及非平面屋顶上的点。

本发明具有以下优点：1、采用的树木点聚类和筛选策略可以避免在扩张时将建筑物附近和屋顶上的树木点分为建筑物点；2、适用性强，不仅适用于平面屋顶，也适用于非平面屋顶；适用于树木遮挡下的屋顶的提取；3、计算流程灵活，可以选择执行或不执行树木点聚类和筛选，第一类分类扩张和第二类分类扩张的执行顺序没有严格要求，可以交换执行顺序，整个流程可以多次执行，以更完全地提取建筑物点；4、理论简单易行，计算效率高；5、通过对参数进行简单修改，方法可以推广到其它任何类的点的提取中，如树木点、道路点、地面点等。

附图说明

图1为本发明公开的机载激光雷达点云中建筑物点分类扩张方法流程图；

图2为欧几里得聚类的示意图；

图3为判断某树木点聚类是否为有效的树木点聚类的流程图；

图4为树木和建筑物点云图；

图5是按回波次数显示的点云图；

图6为实施例中统计高程范围划分示意图；

图7为聚类二维边界示意图；

图8为第一类分类扩张示意图；

图9为第二类分类扩张示意图；

图10为判断点在二维边界内的流程图；

图11为采用本发明公开的方法对建筑物的进行分类扩张的一个实例效果图；

图12为采用本发明公开的方法对建筑物的进行分类扩张的又一实例效果图；

图13为本发明公开的机载激光雷达点云中建筑物点分类扩张系统组成图。

具体实施方式

下面结合附图和具体实施方式，进一步阐明本发明。

如图1所示，本发明公开一种机载激光雷达点云中建筑物点分类扩张方法，包括：

步骤1、获取对测区机载激光雷达点云初步分类的结果，所述结果包括：建筑物类点云数据C₁，树木类点云数据C₂，其他类点云数据C₀；

步骤2、采用三维欧几里得聚类分别对建筑物类点云数据C₁和树木类点云数据C₂进行聚类，得到N₁个建筑物点聚类

非建筑物聚类点集P₁、N₂个树木点聚类

非树木聚类点集P₂；i＝1,2,…,N₁，j＝1,2,…,N₂；

如图2所示，欧几里得聚类的结果是使不同聚类之间的最小距离d大于搜索半径。对建筑物类点云数据进行聚类的目的是尽量将属于同一片屋顶的点划归同一个聚类，而不掺杂其它地物。在本发明中，对建筑物类点云数据C₁进行三维欧几里得聚类的参数为：

搜索半径R_b可取的最小值R_{min_b}与激光脉冲脚点密度负相关，其计算式为：

其中D是激光脉冲脚点的密度，单位是m^-2，可以由航飞设计方案获得。如果R_b小于R_min，可能会导致聚出的类点数过小，一个屋顶被分为多个聚类等。

R_b可取的最大值R_{max_b}可以取不同建筑物相邻屋顶之间的最小距离，如1.5m，2.0m等。本实施例中设置为1.5m。如果R_b超过R_{max_b}，可能会将多个屋顶、屋顶与树木等划入同一个聚类，不能实现准确分割。

聚类最小点数阈值N_{min_b}、聚类最大点数阈值N_{max_b}与建筑物屋顶的最小、最大面积正相关。设建筑物屋顶最小面积为A_{min_b}，最大面积为A_{max_b}，则N_{min_b}、N_{max_b}的计算如下式：

聚类最小点数阈值N_{min_b}＝A_{min_b}D-Q

聚类最大点数阈值N_{max_b}＝A_{max_b}D+Q

其中Q为误差调节常数，A_{min_b}为建筑物屋顶最小面积，A_{max_b}为建筑物屋顶最大面积。使用Q是为了容纳A_{min_b}D、A_{max_b}D和屋顶真实的最小、最大点数之间的误差。

由于聚类参数的限制，并非所有C₁内的点均可分入某一聚类。这些不能被聚类的点划入非建筑物聚类点集合P₁中。

对树木类点云数据C₂进行三维欧几里得聚类的参数为：

搜索半径R_t的取值需要大于R_b，因为激光脉冲对树冠有穿透性，导致空间上相邻脉冲产生的点的Z坐标可能差异比较大，导致距离比位于屋顶等不可穿透且局部平整的地物要大。本发明中R_t的取值范围为

聚类最小点数阈值N_{min_t}与单棵树的最小平面面积和多回波的比例正相关，聚类最大点数阈值N_{max_t}与点云中森林的最大平面面积和多回波的比例正相关，其计算如下式：

聚类最小点数阈值N_{min_t}＝kπR²D；

聚类最大点数阈值N_{max_t}＝kA_{max_t}D；

其中R_b为对建筑物类点云数据C₁进行三维欧几里得聚类的搜索半径，k为树木上点数与激光脉冲的数目比，表达了多次回波发生的频率；鉴于树木上经常发生多次回波，k可以取1.2、1.3等值，本实施例中k取值为1.2；R为单棵树的树冠在水平面上的投影的最小半径，可以取1.5m、2.0m等；A_{max_t}为点云中森林的最大面积，可以根据对测区的了解进行设置，也可以设置一个较大的值，确保大面积的森林可以纳入聚类。

由于聚类参数的限制，并非所有C₂内的点均可分入某一聚类。这些不能被聚类的点划入非树木聚类点集合P₂中。

对N₂个树木点聚类

依次进行判断，将不符合树木标准的树木点聚类设置为非树木点，加入集合P₂，如图3所示，具体步骤为：

(2.2.1)计算聚类

内的点最大高程Z_maxj与最小高程Z_minj的差：△Z_j＝Z_maxj-Z_minj；

考虑到激光脉冲对树冠有一定穿透能力，且树冠都有一定高度，如图4(a)，所以，如果△Z_j小于树木高差阈值△Z_th，则认为该树木点聚类

不是有效的树木点聚类，将整个聚类

的点分为非树木点，处理下一个树木点聚类；否则进入步骤(2.2.2)。本实施例中，树木高差阈值△Z_th取值为2.5m；

(2.2.2)计算聚类

中为唯一回波的点的占比:p_only＝N_only/N_t；

其中N_only为聚类

中为唯一回波的点的数目，N_t为聚类

中的总点数；

对于不能穿透的地物，如图5中的地面和建筑物屋顶，p_only一般大于某个较大的阈值p_{only_high}，如0.9。在屋顶边缘发生的多次回波可能导致p_only达不到1。而如果p_only小于某阈值p_{only_low}，如0.8之类的，则有极大的可能是树木点。如果激光脉冲在到达树冠时能量强，则p_only可能更小，比如小于0.5。由此，本发明中根据唯一回波占比的判断为：如果p_only小于唯一回波占比阈值下限p_{only_low}，则聚类

中的点均为树木点，判断下一个聚类；如果p_only大于唯一回波占比阈值上限p_{only_high}，则聚类

中的点均为非树木点，判断下一个聚类；如果p_only在[p_{only_low},p_{only_high}]内则根据(2.2.3)进行判断。总的回波次数和第几次回波的信息在点云数据的LAS文件中有记载。

(2.2.3)将聚类

的高程范围[Z_minj,Z_maxj]均分为U份，统计每一份中落入的点数I_n，如图6所示，n＝0,1,…,U-1；

设聚类

中某点的高程为Z，则计算其落在哪一个区间I的方法为：

其中int为取整函数。为了避免数值计算误差，可以将Z_maxj调大一点，比如增加0.01m。

聚类

的高程分布熵为：

为了排除U的大小对E_Z的影响，对E_Z进行标准化：

落在树冠上的点，相对而言，在高程方向上分布比较均匀，高程范围大，如图4(a)的树；而其它不可穿透的地物，在面积较小的情况下，在高程方向上分布一般较为集中，如图4(b)的建筑物屋顶。由此，判断方法为：如果E_{z_N}小于高程分布熵阈值E_{Z_N_T}，则聚类

中的点均为非树木点，否则为树木点；判断下一个聚类。本发明中，高程分布熵阈值E_{Z_N_T}的取值范围为：[0.70,0.75]。

本实施例中，对机载激光雷达点云初步分类结果中的树木类点云数据进行进一步聚类及判断，是为了避免后续建筑物分类扩张时错误地扩张到树木上，还可以减少建筑物点扩张中候选点集的规模，从而加快分类扩张的速度。

步骤3、设置建筑物点扩张候选点集S，所述建筑物点扩张候选点集S包括：其他类点云数据C₀、非建筑物聚类点集P₁、非树木聚类点集P₂和步骤2中判断为非树木点的数据集；

对建筑物点扩张候选点集S构建点云索引；点云索引可以是KD树索引或八叉树索引。

步骤4、对N₁个建筑物点聚类

分别计算其在XY平面投影的二维边界和三维空间包容盒；

如图7所示，二维边界由位于边界上的点(填充黑点)构成。计算边界的方法既可以基于二维不规则三角网进行边界追踪，也可以基于栅格进行栅格到矢量的转换，还可以使用Alpha shape算法计算边界点。需要注意的是，有的屋顶内部可能有空洞，如四合院，在对应的建筑物聚类中会存在明显的空洞。还有的屋顶中间存在高程更高的屋顶，在聚类后会得到多个建筑物聚类。所以，该二维边界不仅包括点云外边界，还包括内边界，可能是二维带洞多边形。此处，内外边界都必须是闭合环，首点和尾点重叠。

对每个建筑物点聚类，计算其三维空间包容盒，即最小和最大的X、Y、Z坐标，以辅助后续判断点是否在边界内。

步骤5、依次对N₁个建筑物点聚类

做分类扩张，分类扩张的方式有两类：

(5.1)第一类分类扩张：

第一类分类扩张是聚类边界边缘扩张，如图8所示。对建筑物点扩张候选点集S中的每个点p_s，p_s∈S，利用点云索引搜索在聚类

边界上，是否存在与p_s之间的距离小于给定的第一边界点距离阈值R_en且高程差(取绝对值)小于等于第一高差约束阈值ΔZ_T1的边界点，如果存在，则点p_s分为建筑物点。R_en可以根据女儿墙、护栏等距离屋顶边缘的距离等经验性地设置，取1.5m、2.0m甚至更大的值。ΔZ_T1可以根据女儿墙、护栏等距离屋顶的高度经验性地设置，取1.2m、1.5m、2.0m等值，但不要超过R_en。

即：遍历点集S中的点，如果

边界上存在与S中的点p_s之间的距离和高差满足第一距离高差约束的点，则将点p_s分为建筑物点，p_s∈S；

第一距离高差约束为：如果点集S中的点p_s与

边界上一点p_b之间同时满足两点间距离小于第一边界点距离阈值R_en，高程差小于等于第一高差约束阈值ΔZ_T1，则点集S中的点p_s满足第一距离高差约束。

(5.2)第二类分类扩张：

第二类分类扩张是聚类边界内部扩张，如图9所示。对建筑物点扩张候选点集S中的每个点p_s，p_s∈S，利用点云索引搜索建筑物点聚类

中是否存在与p_s之间距离小于等于第二搜索半径R_ei、高差(取绝对值)小于等于第二高差约束阈值ΔZ_T2的点；如果存在，则判断点p_s在XY平面的二维坐标是否位于当前建筑物点聚类

的二维边界内部，如果是，则将该候选点p_s分为建筑物点。

第二搜索半径R_ei可以取一个较大的值，尽可能全面地搜索可能落在

二维边界内部的S中的点，例如烟囱、阁楼上的点。此处，取R_ei＝3.2m。第二高差约束阈值ΔZ_T2可以根据晾衣架、热水器等的一般高度进行设置，也可以设置一个较大的值，把阁楼等形状特殊、自动分类法不好提取的点分类为建筑物点。判断某候选点P的二维坐标是否在二维边界内的算法可见图10(b)。鉴于二维边界可能同时具备内外边界，而内外边界均为闭合环，所以判断P是否在二维边界内的基础是判断P是否在某个闭合环B内，其算法可见图10(a)。

综上，第二分类扩张是将点集S中同时满足如下二个条件的点p_s分为建筑物点：

条件一：

中存在与点p_s之间满足第二距离高差约束的点；

上述第二距离高差约束为：如果点集S中的点p_s与

中的点p_b之间同时满足两点间距离小于等于第二搜索半径R_ei，高程差小于等于第二高差约束阈值ΔZ_T2，则点集S中的点p_s满足第二距离高差约束。

条件二：点p_s在XY平面的二维坐标位于

在XY平面的二维边界内部；

步骤6、多次执行步骤5中所述的两类分类扩张中的一种或两种，直至满足分类要求。

上述步骤1-6对初步分类中没有被分为建筑物的点进行了重新分类。经过上述步骤后，仍有些未被重新分类的点，则这些点仍保留其在初步分类中的类别。

图11和图12是本发明效果图。图11(a)和图12(a)为输入的经过初步建筑物点和树木点提取的点云；图11(b)和图12(b)为本发明最终的分类结果。

在处理中，采用的参数如下：D大约为2m^-2；建筑物点为类6，R_b＝1.0m，N_{min_b}＝36，N_{max_b}＝200000；在树木点聚类时，选择类5的点进行聚类，R_t＝1.5m，N_{min_t}＝20，N_{max_5}＝3000000，ΔZ_T＝2.5，p_{only_high}＝0.9，p_{only_low}＝0.8，U＝6，E_{Z_N_T}＝0.70，不满足树木点聚类条件的点被分为类1；建筑物点分类扩张的候选点集来自类1；计算建筑物点聚类边界采用的是栅格到矢量转换算法；在边界边缘扩张中，R_en＝1.5m，ΔZ_T1＝1.0m；在边界内部扩张中R_ei＝3.2m，ΔZ_T2＝3.2m。

可以看到，无论对于大建筑物还是小建筑物，无论是平顶还是非平顶，无论是否有树木遮挡，最终均可以以极高的准确度提取到建筑物点，且提取非常完全。

本实施例中还公开了实现上述机载激光雷达点云中建筑物点分类扩张方法的系统，其组成如图13所示，包括：

初分类点云数据获取模块，用于获取对测区机载激光雷达点云进行初步分类的结果，所述结果包括：建筑物类点云数据C₁，树木类点云数据C₂，其他类点云数据C₀；

三维欧几里得聚类模块，用于分别对建筑物类点云数据C₁和树木类点云数据C₂进行三维欧几里得聚类，得到N₁个建筑物点聚类

非建筑物聚类点集P₁、i＝1,2,…,N₁；对N₂个树木点聚类

依次进行判断，将不符合树木标准的树木点聚类设置为非树木点；

建筑物点扩张候选点集设置模块，用于设置建筑物点扩张候选点集S，所述建筑物点扩张候选点集S包括：其他类点云数据C₀、非建筑物聚类点集P₁、非树木聚类点集P₂和三维欧几里得聚类模块中判断为非树木点的数据集，该模块支持自定义候选点集，即可以自定义一些点集加入S中；对建筑物点扩张候选点集构建点云索引；

二维边界和空间包容盒计算模块，用于对N₁个建筑物点聚类

分别计算在XY平面投影的二维边界和三维空间包容盒；所述二维边界为首尾相连的闭合环；

第一类分类扩张模块，用于依次对N₁个建筑物点聚类

做第一类分类扩张：将点集S中与

边界上的点满足第一距离高差约束的点分为建筑物点；

第二类分类扩张模块，用于依次对N₁个建筑物点聚类

做第二类分类扩张：

将点集S中满足如下二个条件的点分为建筑物点：

条件一：与

中的至少一点满足第二距离高差约束；

条件二：二维坐标位于

在XY平面的二维边界内部。

本发明提供了一种适用于机载LiDAR点云的对建筑物点进行分类扩张的方法和系统，其中基于建筑物点聚类二维边界进行边缘处扩张和内部扩张可以使得建筑物点的提取更完全。具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰。这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims (10)

1.机载激光雷达点云中建筑物点分类扩张方法，其特征在于，包括：

(1)获取对测区机载激光雷达点云初步分类的结果，所述结果包括：建筑物类点云数据C₁，其他类点云数据C₀；

(2)采用三维欧几里得聚类对建筑物类点云数据C₁进行聚类，得到N₁个建筑物点聚类

非建筑物聚类点集P₁，i＝1,2,…,N₁；

(3)设置建筑物点扩张候选点集S，所述建筑物点扩张候选点集S包括：其他类点云数据C₀和非建筑物聚类点集P₁；

对建筑物点扩张候选点集构建点云索引；

(4)对N₁个建筑物点聚类

分别计算其在XY平面投影的二维边界和三维空间包容盒；所述二维边界为首尾相连的闭合环；

(5)依次对N₁个建筑物点聚类

做分类扩张，所述分类扩张的方式包括两类：

(5.1)第一类分类扩张：遍历点集S中的点，如果

边界上存在与S中的点p_s之间的距离和高差满足第一距离高差约束的点，则将点p_s分为建筑物点，p_s∈S；

(5.2)第二类分类扩张：遍历点集S中的点，将点集S中同时满足如下二个条件的点p_s分为建筑物点：

条件一：

中存在与点p_s之间满足第二距离高差约束的点；

条件二：点p_s在XY平面的二维坐标位于

在XY平面的二维边界内部；

(6)多次执行步骤(5)中所述的两类分类扩张中的一种或两种，直至满足分类要求。

2.根据权利要求1所述的机载激光雷达点云中建筑物点分类扩张方法，其特征在于，所述步骤(2)中对建筑物类点云数据C₁进行三维欧几里得聚类的参数为：

搜索半径R_b的范围为(R_{min_b},R_{max_b})，其中

D是激光脉冲脚点的密度，R_{max_b}为相邻建筑物之间的最小距离；

聚类最小点数阈值N_{min_b}＝A_{min_b}D-Q

聚类最大点数阈值N_{max_b}＝A_{max_b}D+Q

其中Q为误差调节常数，A_{min_b}为建筑物屋顶最小面积，A_{max_b}为建筑物屋顶最大面积。

3.根据权利要求1所述的机载激光雷达点云中建筑物点分类扩张方法，其特征在于，所述步骤(5)中第一距离高差约束为：如果点集S中的点p_s与

边界上一点p_b之间同时满足两点间距离小于第一边界点距离阈值R_en，高程差小于等于第一高差约束阈值ΔZ_T1，则点集S中的点p_s满足第一距离高差约束。

4.根据权利要求1所述的机载激光雷达点云中建筑物点分类扩张方法，其特征在于，所述步骤(1)中获取的测区机载激光雷达点云初步分类的结果中还包括树木类点云数据C₂；

所述步骤(2)中还包括：

(2.1)采用三维欧几里得聚类对树木类点云数据C₂进行聚类，得到N₂个树木点聚类

非树木聚类点集P₂，j＝1,2,…,N₂；

(2.2)对N₂个树木点聚类

依次进行判断，将不符合树木标准的树木点聚类设置为非树木点；

所述步骤(3)中的建筑物点扩张候选点集S还包括：非树木聚类点集P₂和步骤(2.2)中判断为非树木点的数据集，不包括满足树木标准的树木点集。

5.根据权利要求4所述的机载激光雷达点云中建筑物点分类扩张方法，其特征在于，所述步骤(2.1)中对树木类点云数据C₂进行三维欧几里得聚类的参数为：

搜索半径R_t的范围为

聚类最小点数阈值N_{min_t}＝kπR²D；

聚类最大点数阈值N_{max_t}＝kA_{max_t}D；

其中R_b为对建筑物类点云数据C₁进行三维欧几里得聚类的搜索半径，k为树木上点数与激光脉冲的数目比；R为单棵树的树冠在XY平面上的投影的最小半径；A_{max_t}为点云中森林的最大面积；D是激光脉冲脚点的密度。

6.根据权利要求4所述的机载激光雷达点云中建筑物点分类扩张方法，其特征在于，步骤(2.2)中判断聚类

是否满足树木标准的步骤为：

(2.2.1)计算聚类

内的点最大高程Z_maxj与最小高程Z_minj的差：△Z_j＝Z_maxj-Z_minj；

如果△Z_j小于树木高差阈值△Z_th，则聚类

中的点均为非树木点；判断下一个聚类；

(2.2.2)计算聚类

的唯一回波占比：p_only＝N_only/N_t；

其中N_only为聚类

中是唯一回波的点的数目，N_t为聚类

中的总点数；

如果p_only小于唯一回波占比阈值下限p_{only_low}，则聚类

中的点均为树木点；如果p_only大于唯一回波占比阈值上限p_{only_high}，则聚类

中的点均为非树木点；判断下一个聚类；

(2.2.3)将聚类

的高程范围[Z_minj,Z_maxj]均分为U份，统计每一份中落入的点数I_n，n＝0,1,…,U-1；聚类

的高程分布熵为：

对E_z进行标准化：

如果E_{z_N}小于高程分布熵阈值E_{Z_N_T}，则聚类

中的点均为非树木点，否则聚类

中的点均为树木点；判断下一个聚类。

7.机载激光雷达点云中建筑物点分类扩张系统，其特征在于，包括：

初分类点云数据获取模块，用于获取已经初步分类的测区机载激光雷达点云结果，所述结果包括：建筑物类点云数据C₁，其他类点云数据C₀；

三维欧几里得聚类模块，用于对建筑物类点云数据C₁进行三维欧几里得聚类，得到N₁个建筑物点聚类

非建筑物聚类点集P₁、i＝1,2,…,N₁；

建筑物点扩张候选点集设置模块，用于设置建筑物点扩张候选点集S，所述建筑物点扩张候选点集S包括：其他类点云数据C₀、非建筑物聚类点集P₁和用户自定义的候选点集；对建筑物点扩张候选点集S构建点云索引；

二维边界和空间包容盒计算模块，用于对N₁个建筑物点聚类

分别计算在XY平面上投影的二维边界和空间包容盒；所述二维边界为首尾相连的闭合环；

第一类分类扩张模块，用于依次对N₁个建筑物点聚类

做第一类分类扩张：将点集S中与

边界上的点满足第一距离高差约束的点分为建筑物点；

第二类分类扩张模块，用于依次对N₁个建筑物点聚类

做第二类分类扩张：

将点集S中满足如下二个条件的点分为建筑物点：

条件一：与

中的至少一点满足第二距离高差约束；

条件二：二维坐标位于

在XY平面的二维边界内部。

8.根据权利要求7所述的机载激光雷达点云中建筑物点分类扩张系统，其特征在于，所述三维欧几里得聚类模块对建筑物类点云数据C₁进行三维欧几里得聚类的参数为：

搜索半径R_b的范围为(R_{min_b},R_{max_b})，其中

D是激光脉冲脚点的密度，R_{max_b}为相邻建筑物之间的最小距离；

聚类最小点数阈值N_{min_b}＝A_{min_b}D-Q

聚类最大点数阈值N_{max_b}＝A_{max_b}D+Q

其中Q为误差调节常数，A_{min_b}为建筑物屋顶最小面积，A_{max_b}为建筑物屋顶最大面积。

9.根据权利要求7所述的机载激光雷达点云中建筑物点分类扩张系统，其特征在于，所述第一类分类扩张模块中第一距离高差约束为：若点集S中的点p_s与

边界上一点p_b之间的距离小于等于第一边界点距离阈值R_en，且高程差小于等于第一高差约束阈值ΔZ_T1，则p_s满足第一距离高差约束。

10.根据权利要求7所述的机载激光雷达点云中建筑物点分类扩张系统，其特征在于，所述初分类点云数据获取模块获取的测区机载激光雷达点云初步分类的结果中还包括树木类点云数据C₂；

所述三维欧几里得聚类模块还用于：(2.1)采用三维欧几里得聚类对树木类点云数据C₂进行聚类，得到N₂个树木点聚类

非树木聚类点集P₂；j＝1,2,…,N₂；(2.2)对N₂个树木点聚类

依次进行判断，将不符合树木标准的树木点聚类设置为非树木点；

所述建筑物点扩张候选点集设置模块设置的建筑物点扩张候选点集S中还包括：非树木聚类点集P₂和(2.2)中判断为非树木点的数据集，不包括(2.2)中判断为树木点的点集。

Images