機(jī)載激光雷達(dá)（LIDAR）和遙感影像的融合方法

發(fā)布日期：2018-05-31 00:00 瀏覽量：14749

　　機(jī)載LIDAR是最近30年才發(fā)展起來的一種高新技術(shù),機(jī)載激光雷達(dá)技術(shù)是激光測距技術(shù)、計算機(jī)技術(shù)、高精度動態(tài)載體姿態(tài)測量技術(shù)(INS)和高精度動態(tài)GPS差分定位技術(shù)迅速發(fā)展的集中體現(xiàn)。激光測距技術(shù)在傳統(tǒng)的常規(guī)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(tǒng)發(fā)展到如今無合作目標(biāo)的激光測距系統(tǒng);GPS定位技術(shù)的出現(xiàn)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(tài)載體的姿態(tài)成為可能。以上幾種技術(shù)的成熟運(yùn)用及相關(guān)技術(shù)的發(fā)展為整個系統(tǒng)的集成奠定了技術(shù)基礎(chǔ),機(jī)載激光雷達(dá)實(shí)際上已經(jīng)代表了對地觀測領(lǐng)域一個新的發(fā)展方向。整個系統(tǒng)比較復(fù)雜,就數(shù)據(jù)獲取的方式來講更像大地測量系統(tǒng)(通過測邊、測角進(jìn)行點(diǎn)的定位),就數(shù)據(jù)后處理的方式來講卻更像攝影測量系統(tǒng),包括地物的提取,建筑物三維重建等。

　　機(jī)載激光雷達(dá)目前主要用于快速獲取大面積三維地形數(shù)據(jù),快速生成DEM等數(shù)字產(chǎn)品,特別是用于測繪森林覆蓋區(qū)域和山區(qū)的真實(shí)地形圖;將機(jī)載激光雷達(dá)技術(shù)作為一種新的技術(shù)手段應(yīng)用于快速生成城市地區(qū)的數(shù)字地面模型(DTM),進(jìn)行地物自動提取,由數(shù)字地面模型(DTM)生成數(shù)字高程模型(DEM),并進(jìn)一步建立三維城市模型,是當(dāng)前在該領(lǐng)域的一個研究熱點(diǎn)。

　　1、融合LIDAR和遙感影像進(jìn)行分類方法的提出

　　目前人們研究出了一系列激光雷達(dá)數(shù)據(jù)的分類算法。比如,(1)僅僅用LIDAR數(shù)據(jù)單獨(dú)進(jìn)行城市表面地物的提取,例如將LIDAR點(diǎn)云數(shù)據(jù)生成DSM,借助統(tǒng)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(jìn)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(guī)則的地物,兩者的高程差幾乎為零,而在植被覆蓋區(qū),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(diǎn)區(qū)分開來。(2)結(jié)合LIDAR數(shù)據(jù)和等高線、電子地圖等數(shù)據(jù)源進(jìn)行地物提取。例如Palme將GIS數(shù)據(jù)和LIDAR點(diǎn)云數(shù)據(jù)結(jié)合在一起,以GIS數(shù)據(jù)為基礎(chǔ)對LIDAR點(diǎn)云數(shù)據(jù)進(jìn)行分析和歸類,進(jìn)而提取出三維建筑物。它首先將GIS數(shù)據(jù)和LIDAR點(diǎn)云數(shù)據(jù)生成的DSM進(jìn)行重合,然后在GIS數(shù)據(jù)中標(biāo)出建筑物的位置,在DSM中對應(yīng)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(yè)的地區(qū),數(shù)據(jù)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(qiáng)度和激光腳點(diǎn)高程進(jìn)行分類。機(jī)載LIDAR系統(tǒng)不僅能提供數(shù)據(jù)點(diǎn)的高程信息,而且越來越多的系統(tǒng)可以提供激光回波信號的強(qiáng)度信息。激光脈沖打到相同的物質(zhì)表面時,其回波信號的強(qiáng)度較為接近,每種物質(zhì)對激光信號的反射特性是不一樣的,當(dāng)樹和房屋靠近時,用常規(guī)的基于高程變化的數(shù)據(jù)很難將兩者分開,而利用強(qiáng)度信息可以將它們分開。首先對不同介質(zhì)激光回波信號強(qiáng)度進(jìn)行標(biāo)定,可以先利用內(nèi)插后的高程數(shù)據(jù)圖像識別出房屋和樹等;然后利用激光回波信號的強(qiáng)度數(shù)據(jù)形成的圖像識別出道路和草地等。

　　近年來,隨著遙感技術(shù)的發(fā)展,QuickBird、IKONOS、SPOT5等高分辨率遙感影像的出現(xiàn)大大提高了遙感技術(shù)應(yīng)用的發(fā)展。高空間、高光譜分辨率的提高帶來了單位空間內(nèi)像元數(shù)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(xù)波譜信息,包含了空間結(jié)構(gòu)、地物邊界、色彩屬性等判讀地物的重要信息?，F(xiàn)在,有的數(shù)字航攝儀地面采樣率可達(dá)到厘米級,能夠分辨地物微小差別。激光雷達(dá)數(shù)據(jù)雖然對描述地物三維空間結(jié)構(gòu)的優(yōu)勢明顯,但其每平方米幾個點(diǎn)的激光點(diǎn)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(guī)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(jìn)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(shù)據(jù)加以判讀。實(shí)驗(yàn)表明,如果不融合其他數(shù)據(jù)源(如影像數(shù)據(jù)、多光譜數(shù)據(jù)等),而單獨(dú)利用LIDAR數(shù)據(jù)進(jìn)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(xiàn)狀,我們試圖將LIDAR與遙感影像加以融合,綜合利用LIDAR數(shù)據(jù)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(jìn)行數(shù)據(jù)融合之前,需要對兩種數(shù)據(jù)進(jìn)行預(yù)處理。

　　2、數(shù)據(jù)預(yù)處理

　　LIDAR點(diǎn)云數(shù)據(jù)表示的是離散三維空間信息,沒有規(guī)律性,這種數(shù)據(jù)形式對數(shù)據(jù)處理和表達(dá)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(shù)據(jù)進(jìn)行一些預(yù)處理,轉(zhuǎn)換為容易表達(dá)和處理的數(shù)據(jù)組織形式。合適的數(shù)據(jù)組織形式,能為數(shù)據(jù)的處理和表達(dá)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(diǎn)云數(shù)據(jù)的表達(dá)形式

　　原始的LIDAR點(diǎn)云數(shù)據(jù)就是若干個地面或者地物點(diǎn)的精確三維坐標(biāo)信息。對原始LIDAR點(diǎn)云數(shù)據(jù)選擇一種合適的表達(dá)方式,對數(shù)據(jù)管理和處理尤為重要,常用的數(shù)據(jù)表達(dá)方式有規(guī)則格網(wǎng)、不規(guī)則三角網(wǎng)、分塊曲面法等多種方法其中,分塊曲面法近似數(shù)學(xué)函數(shù),每塊用一種數(shù)學(xué)函數(shù)來表示和描述,這種方法并不利于計算機(jī)自動分析和處理。TIN能較好地顧及地貌特征點(diǎn)、線,表示復(fù)雜地形表面,缺點(diǎn)是數(shù)據(jù)量較大,數(shù)據(jù)結(jié)構(gòu)較復(fù)雜,使用與管理也較復(fù)雜;不僅要存儲每個點(diǎn)的高程,還要存儲其平面坐標(biāo)、節(jié)點(diǎn)連接的拓?fù)潢P(guān)系,三角形及鄰接三角形等關(guān)系。規(guī)則格網(wǎng)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(guī)則格網(wǎng)數(shù)據(jù)便于進(jìn)行聚類聚合、多層面復(fù)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(yōu)點(diǎn)對于點(diǎn)云數(shù)據(jù)處理提供了很大的便利。而且后面LIDAR點(diǎn)云數(shù)據(jù)要和影像數(shù)據(jù)進(jìn)行匹配,而數(shù)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(tǒng)一,方便處理,LIDAR數(shù)據(jù)和影像數(shù)據(jù)的分布采用統(tǒng)一的形式來表達(dá),用矩形規(guī)則格網(wǎng)形式來表達(dá)LIDAR點(diǎn)云數(shù)據(jù)是最合適的也是最方便的。在將LIDAR點(diǎn)云數(shù)據(jù)進(jìn)行規(guī)則格網(wǎng)化的過程中,必須要選擇一種適合LIDAR點(diǎn)云數(shù)據(jù)的內(nèi)插方法和間距。

　　2.2LIDAR點(diǎn)云數(shù)據(jù)的內(nèi)插方法

　　內(nèi)插即在一個由x、y坐標(biāo)平面構(gòu)成的二維空間中,由已知若干離散點(diǎn)Pi的高程,估算待內(nèi)插點(diǎn)的高程值。由于采樣的數(shù)據(jù)點(diǎn)呈離散分布形式,或是數(shù)據(jù)點(diǎn)雖按格網(wǎng)排列,但格網(wǎng)的密度不能滿足使用的要求,這就需要以數(shù)據(jù)點(diǎn)為基礎(chǔ)進(jìn)行插值運(yùn)算。常用的數(shù)據(jù)內(nèi)插方法有反距離加權(quán)插值法(IDW)、自然鄰近點(diǎn)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遙感影像預(yù)處理

　　遙感影像預(yù)處理,包括消除幾何畸變以及各種噪聲的影響,以提高配準(zhǔn)的精度。對航空影像,選擇地面控制點(diǎn)進(jìn)行幾何糾正。

　　3、遙感影像配準(zhǔn)

　　由于機(jī)載LIDAR和對應(yīng)的的遙感影像沒有共用一套光學(xué)系統(tǒng),兩者沒有統(tǒng)一的坐標(biāo)系統(tǒng),所以在進(jìn)行數(shù)據(jù)融合之前,首先要對兩者進(jìn)行精確的匹配,獲得地學(xué)編碼影像。

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

　　在尋找控制點(diǎn)時,為了提高配準(zhǔn)校正精度,一般應(yīng)選取DSM和影像上皆清晰的道路,河流的交匯點(diǎn),拐彎點(diǎn),同時使采集的控制點(diǎn)均勻分布于整個DSM圖像上。實(shí)際上,由于判讀控制點(diǎn)坐標(biāo)時難免有誤差,為了避免少數(shù)對應(yīng)點(diǎn)的誤差而影響方程的求值精度,通常采用多選控制點(diǎn)對,再進(jìn)行方程的多次擬合分析,排除多次擬合效果差的控制點(diǎn),留有效果好的控制點(diǎn)。

　　4、影像跟DSM的融合

　　數(shù)據(jù)融合最早被應(yīng)用于軍事領(lǐng)域。是一個對多遙感器的圖像數(shù)據(jù)和其他信息的處理過程。著重于把那些在空間或時間上冗余或互補(bǔ)的多源數(shù)據(jù),按照一定的法則進(jìn)行運(yùn)算處理,獲得比任何單一數(shù)據(jù)更精確更豐富的信息。

　　圖像融合可在三個不同的層次上進(jìn)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(shù)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(quán)平均法,決策級的神經(jīng)網(wǎng)絡(luò)法等。

　　4.1HIS融合方法

　　我們使用的基于像元的圖像融合方法,采用HIS彩色技術(shù)變換方法,通常用彩色顯示器所顯示的彩色是由RGB信號的亮度值所確定的。但因RGB彩色坐標(biāo)系統(tǒng)中R、G、B呈非線性關(guān)系.使調(diào)整色調(diào)的定量操作較為困難。而HIS彩色坐標(biāo)系統(tǒng)對顏色屬性易于識別和量化,色彩的調(diào)整(數(shù)學(xué)變換)方便、靈活,因而往往進(jìn)行RGB系統(tǒng)――HIS系統(tǒng)的彩色空間變換。所謂HIS彩色變換是指將標(biāo)準(zhǔn)RGB圖像有效地分離為代表空間信息的明度(I)和代表波譜信息的色度(H)、飽和度(S)。

　　4.2融合效果評價

　　融合圖像對于后續(xù)的信息提取和改善分類精度都是至關(guān)重要的,經(jīng)融合后的影像紋理特征增強(qiáng),細(xì)節(jié)更加突出。用最佳指數(shù)因子(optimumindexfactor,簡稱OIF)來求算信息量的大小。

　　在數(shù)據(jù)統(tǒng)計分析的基礎(chǔ)上,選擇標(biāo)準(zhǔn)差大、相關(guān)性小的數(shù)據(jù)。因?yàn)闃?biāo)準(zhǔn)差越大,所包含的信息量越大,而波段間的相關(guān)系數(shù)越小,表明圖像信息的冗余度越小。因此Fion越大,則該組合波段的信息量越大。

猜你喜歡：