機載LIDAR是最近30年才發展起來的一種高新技術,機載激光雷達技術是激光測距技術、計算機技術、高精度動態載體姿態測量技術(INS)和高精度動態GPS差分定位技術迅速發展的集中體現。激光測距技術在傳統的常規測量中就扮演著非常重要的角色,從最初的有反射棱鏡的測距儀系統發展到如今無合作目標的激光測距系統;GPS定位技術的出現徹底解決了海陸空的定位問題:INS和GPS的集成為確定高動態載體的姿態成為可能。以上幾種技術的成熟運用及相關技術的發展為整個系統的集成奠定了技術基礎,機載激光雷達實際上已經代表了對地觀測領域一個新的發展方向。整個系統比較復雜,就數據獲取的方式來講更像大地測量系統(通過測邊、測角進行點的定位),就數據后處理的方式來講卻更像攝影測量系統,包括地物的提取,建筑物三維重建等。

　　機載激光雷達目前主要用于快速獲取大面積三維地形數據,快速生成DEM等數字產品,特別是用于測繪森林覆蓋區域和山區的真實地形圖;將機載激光雷達技術作為一種新的技術手段應用于快速生成城市地區的數字地面模型(DTM),進行地物自動提取,由數字地面模型(DTM)生成數字高程模型(DEM),并進一步建立三維城市模型,是當前在該領域的一個研究熱點。

　　1、融合LIDAR和遙感影像進行分類方法的提出

　　目前人們研究出了一系列激光雷達數據的分類算法。比如,(1)僅僅用LIDAR數據單獨進行城市表面地物的提取,例如將LIDAR點云數據生成DSM,借助統計直方圖分析可確定閾值的大小,再利用面積、高程、梯度閾值來進行建筑物提取;利用激光脈沖兩次回波的高差變化,將首次回波獲得的高程減去尾次回波所獲得的高程,在空曠地帶和房屋等表面規則的地物,兩者的高程差幾乎為零,而在植被覆蓋區,特別是樹林地帶,高程差不為零,利用這一特性,可將植被和非植被點區分開來。(2)結合LIDAR數據和等高線、電子地圖等數據源進行地物提取。例如Palme將GIS數據和LIDAR點云數據結合在一起,以GIS數據為基礎對LIDAR點云數據進行分析和歸類,進而提取出三維建筑物。它首先將GIS數據和LIDAR點云數據生成的DSM進行重合,然后在GIS數據中標出建筑物的位置,在DSM中對應的找到其中的建筑物,最終獲得完整的三維建筑物模型。但對于一些不適合人工作業的地區,數據不易獲得,因此該方法也存在一定的局限性。(3)融合激光回波信號強度和激光腳點高程進行分類。機載LIDAR系統不僅能提供數據點的高程信息,而且越來越多的系統可以提供激光回波信號的強度信息。激光脈沖打到相同的物質表面時,其回波信號的強度較為接近,每種物質對激光信號的反射特性是不一樣的,當樹和房屋靠近時,用常規的基于高程變化的數據很難將兩者分開,而利用強度信息可以將它們分開。首先對不同介質激光回波信號強度進行標定,可以先利用內插后的高程數據圖像識別出房屋和樹等;然后利用激光回波信號的強度數據形成的圖像識別出道路和草地等。

　　近年來,隨著遙感技術的發展,QuickBird、IKONOS、SPOT5等高分辨率遙感影像的出現大大提高了遙感技術應用的發展。高空間、高光譜分辨率的提高帶來了單位空間內像元數量的增加,提供了更為豐富的地物信息。同時,高分辨率的航空影像記錄了連續波譜信息,包含了空間結構、地物邊界、色彩屬性等判讀地物的重要信息。現在,有的數字航攝儀地面采樣率可達到厘米級,能夠分辨地物微小差別。激光雷達數據雖然對描述地物三維空間結構的優勢明顯,但其每平方米幾個點的激光點密度以及分米級的光斑分辨率(光斑直徑)對于精確描述地物邊界還存在誤差。尤其是不規則房屋邊緣存在高度相似植被的情況下,容易造成錯分和誤判,需要借助正射影像進行輔助判讀。此外,快速建立建筑物三維模型時房屋邊界探測也需要航空影像數據加以判讀。實驗表明,如果不融合其他數據源(如影像數據、多光譜數據等),而單獨利用LIDAR數據進行地物的分類和識別等自動化、智能化的處理具有很大的難度。基于這一現狀,我們試圖將LIDAR與遙感影像加以融合,綜合利用LIDAR數據的位置、高程信息以及遙感影像的光譜、紋理信息,對地物加以分類研究。在進行數據融合之前,需要對兩種數據進行預處理。

　　2、數據預處理

　　LIDAR點云數據表示的是離散三維空間信息,沒有規律性,這種數據形式對數據處理和表達帶來困難,更不利于三維信息的提取。因此,需要對這些原始數據進行一些預處理,轉換為容易表達和處理的數據組織形式。合適的數據組織形式,能為數據的處理和表達帶來很大的便利,否則不僅會損失部分信息,可能為信息提取帶來某種更大的困難。

　　2.1LIDAR點云數據的表達形式

　　原始的LIDAR點云數據就是若干個地面或者地物點的精確三維坐標信息。對原始LIDAR點云數據選擇一種合適的表達方式,對數據管理和處理尤為重要,常用的數據表達方式有規則格網、不規則三角網、分塊曲面法等多種方法其中,分塊曲面法近似數學函數,每塊用一種數學函數來表示和描述,這種方法并不利于計算機自動分析和處理。TIN能較好地顧及地貌特征點、線,表示復雜地形表面,缺點是數據量較大,數據結構較復雜,使用與管理也較復雜;不僅要存儲每個點的高程,還要存儲其平面坐標、節點連接的拓撲關系,三角形及鄰接三角形等關系。規則格網表示法通常又有三種形式,正方形、長方形和等邊三角。一般來說,規則格網數據便于進行聚類聚合、多層面復合疊置分析、窗口分析及追蹤分析等幾種基本的分析,這些優點對于點云數據處理提供了很大的便利。而且后面LIDAR點云數據要和影像數據進行匹配,而數字影像的象素分布可以看作是正方形排列,為了使得兩者統一,方便處理,LIDAR數據和影像數據的分布采用統一的形式來表達,用矩形規則格網形式來表達LIDAR點云數據是最合適的也是最方便的。在將LIDAR點云數據進行規則格網化的過程中,必須要選擇一種適合LIDAR點云數據的內插方法和間距。

　　2.2LIDAR點云數據的內插方法

　　內插即在一個由x、y坐標平面構成的二維空間中,由已知若干離散點Pi的高程,估算待內插點的高程值。由于采樣的數據點呈離散分布形式,或是數據點雖按格網排列,但格網的密度不能滿足使用的要求,這就需要以數據點為基礎進行插值運算。常用的數據內插方法有反距離加權插值法(IDW)、自然鄰近點插值法(NaN)、Kriging插值法、樣條插值法、非線性插值法、線性插值法等等。

　　2.3遙感(gan)影像預(yu)處理

　　遙(yao)感影像(xiang)預處(chu)理,包(bao)括消除幾何(he)(he)畸變(bian)以(yi)及各種噪(zao)聲(sheng)的影響,以(yi)提高配準的精度。對航空影像(xiang),選擇地面控制點進行(xing)幾何(he)(he)糾正。

　　3、遙感影像配準

　　由于機載LIDAR和對應的(de)(de)(de)的(de)(de)(de)遙感影(ying)像(xiang)沒(mei)有共用(yong)一(yi)套光(guang)學(xue)系(xi)統,兩(liang)者(zhe)沒(mei)有統一(yi)的(de)(de)(de)坐標系(xi)統,所以在進行(xing)數據融(rong)合之前,首先(xian)要對兩(liang)者(zhe)進行(xing)精確的(de)(de)(de)匹配,獲(huo)得地(di)學(xue)編碼影(ying)像(xiang)。

　　我們對坐標變換采用控制點位法,采用WGS84坐標系(UTM投影),通過測定多組遙感圖像上特殊地物的坐標點以及與這些坐標點相對應的DSM圖像上的點的坐標,然后將測得的控制點坐標代入坐標系轉換多項式方程,求出各項系數,確定坐標系轉換方程。由確定的多項式轉換方程,以待定的DSM圖像上點的坐標為自變量,按逐個點位坐標輸入方程,求出相應的坐標,然后按一定的內插方法插值求算出最適宜DSM上點的影像像素值存入DSM上。如此,最終完成整幅圖像的配準校正工作。

　　在尋找控制點時,為了提高配準校正精度,一般應選取DSM和影像上皆清晰的道路,河流的交匯點,拐彎點,同時使采集的控制點均勻分布于整個DSM圖像上。實際上,由于判讀控制點坐標時難免有誤差,為了避免少數對應點的誤差而影響方程的求值精度,通常采用多選控制點對,再進行方程的多次擬合分析,排除多次擬合效果差的控制點,留有效果好的控制點。

　　4、影像跟DSM的融合

　　數(shu)(shu)據(ju)融合(he)最早被應(ying)用于軍事領(ling)域(yu)。是一(yi)個對多(duo)遙感器的(de)圖像(xiang)數(shu)(shu)據(ju)和其他信(xin)息(xi)的(de)處(chu)理過程。著重于把那些在空間或(huo)時間上冗余或(huo)互補的(de)多(duo)源數(shu)(shu)據(ju),按(an)照一(yi)定(ding)的(de)法則進行運算處(chu)理,獲(huo)得比任何單(dan)一(yi)數(shu)(shu)據(ju)更精(jing)確更豐富的(de)信(xin)息(xi)。

　　圖像融合可在三個不同的層次上進行:一是像元(pixel)、二是特征(feature)、三是決策(decision)層。融合的水平依次從低到高。基于不同的融合層次,采用的融合方法也不相同,如像元級的代數法、IHS變換法、小波變換法、主成分變換法,特征級的聚類分析法、加權平均法,決策級的神經網絡法等。

　　4.1HIS融合方法

　　我們使用的(de)基于像(xiang)元(yuan)的(de)圖像(xiang)融合方法,采用HIS彩(cai)(cai)色(se)(se)(se)(se)技(ji)術變(bian)換(huan)方法,通(tong)常用彩(cai)(cai)色(se)(se)(se)(se)顯示器所顯示的(de)彩(cai)(cai)色(se)(se)(se)(se)是由RGB信(xin)號(hao)的(de)亮度(du)值所確定的(de)。但因RGB彩(cai)(cai)色(se)(se)(se)(se)坐(zuo)標系(xi)統(tong)中R、G、B呈非(fei)線性關系(xi).使調(diao)(diao)整(zheng)色(se)(se)(se)(se)調(diao)(diao)的(de)定量(liang)操作較(jiao)為(wei)困(kun)難。而HIS彩(cai)(cai)色(se)(se)(se)(se)坐(zuo)標系(xi)統(tong)對顏色(se)(se)(se)(se)屬性易于識別和(he)量(liang)化,色(se)(se)(se)(se)彩(cai)(cai)的(de)調(diao)(diao)整(zheng)(數學(xue)變(bian)換(huan))方便、靈活,因而往往進行(xing)RGB系(xi)統(tong)――HIS系(xi)統(tong)的(de)彩(cai)(cai)色(se)(se)(se)(se)空(kong)間變(bian)換(huan)。所謂(wei)HIS彩(cai)(cai)色(se)(se)(se)(se)變(bian)換(huan)是指將標準RGB圖像(xiang)有效地分離為(wei)代表空(kong)間信(xin)息的(de)明度(du)(I)和(he)代表波譜信(xin)息的(de)色(se)(se)(se)(se)度(du)(H)、飽和(he)度(du)(S)。

　　4.2融合效果評價

　　融合(he)圖像對于(yu)后續的(de)信息(xi)提(ti)取(qu)和(he)改(gai)善分類精度都(dou)是(shi)至關(guan)重(zhong)要的(de),經融合(he)后的(de)影(ying)像紋(wen)理特征增強,細節更(geng)加突(tu)出。用最佳指數因子(optimumindexfactor,簡稱OIF)來求算信息(xi)量的(de)大(da)小。

　　在(zai)數(shu)據統計(ji)分析(xi)的基礎上,選擇標準差大(da)(da)、相(xiang)關(guan)(guan)性小(xiao)(xiao)的數(shu)據。因(yin)為(wei)標準差越大(da)(da),所(suo)包含的信息(xi)量越大(da)(da),而波段間的相(xiang)關(guan)(guan)系數(shu)越小(xiao)(xiao),表明圖像信息(xi)的冗余度(du)越小(xiao)(xiao)。因(yin)此Fion越大(da)(da),則該組合波段的信息(xi)量越大(da)(da)。

猜你喜歡：

基于機載激(ji)光(guang)LIDAR的工程測(ce)量(liang)技術實(shi)例探討(tao)

ADS系列數字航攝儀分析及其在航空攝影測量中的應用

版權聲明：文(wen)章來源(yuan)于網絡，登載此文(wen)出于傳遞更多信息之目(mu)的(de)(de)，版權歸原(yuan)作(zuo)者(zhe)及刊載媒(mei)體(ti)所有(you)，如(ru)本文(wen)中圖片或文(wen)字侵犯您的(de)(de)權益，請聯系我們。