本文關(guān)鍵詞：影像與LiDAR數(shù)據(jù)信息融合復(fù)雜場(chǎng)景下的道路自動(dòng)提取，由筆耕文化傳播整理發(fā)布。

第６期李怡靜，等：影像與犔犐犇犃犚數(shù)據(jù)信息融合復(fù)雜場(chǎng)景下的道路自動(dòng)提�。福罚�

其應(yīng)用在近幾年發(fā)展迅猛，這使得ＬｉＤＡＲ點(diǎn)云的處理和分類研究受到了廣泛關(guān)注。目前，已有不少學(xué)者提出基于ＬｉＤＡＲ數(shù)據(jù)的道路提取策

略。如文獻(xiàn)［１２］提出基于特征約束的道路激光點(diǎn)提取方法，以高程、強(qiáng)度約束道路點(diǎn)云、點(diǎn)密度和區(qū)域面積優(yōu)化結(jié)果。文獻(xiàn)［１３］針對(duì)道路路面掃描點(diǎn)特征，結(jié)合點(diǎn)云法向量分布特點(diǎn)，提出一種基于法向量模糊聚類的道路點(diǎn)云數(shù)據(jù)濾波算法。ＬｉＤＡＲ技術(shù)可以避免陰影和部分遮擋對(duì)道路提

取的影響，

但大量不規(guī)則不連續(xù)點(diǎn)云卻缺乏影像的光譜和語(yǔ)義信息。文獻(xiàn)［１４］結(jié)合ＬｉＤＡＲ和高分辨率遙感影像利用ｈｏｕｇｈ變換檢測(cè)帶狀道路基元，對(duì)城區(qū)道路中線進(jìn)行提取，但該方法受限于格網(wǎng)分布的道路；文獻(xiàn)［１５］在動(dòng)態(tài)規(guī)劃代價(jià)函數(shù)中引入ＬｉＤＡＲ數(shù)據(jù)的高程信息，并結(jié)合影像提取道路中線，

但該方法需人工輸入控制點(diǎn)。相對(duì)于地物稀少且道路特征明顯的鄉(xiāng)村地區(qū)，

復(fù)雜場(chǎng)景多指城市區(qū)域，道路周圍地物種類、形狀繁多，高樓、樹木對(duì)路面產(chǎn)生遮擋和大面積陰影，這些因素嚴(yán)重影響了提取工作，且高分辨率影像中的城市道路含有豐富的細(xì)節(jié)信息，如汽車、分道線等，加大了道路建模的難度。越來(lái)越多的道路提取方法在向多信息、多策略相結(jié)合的方向發(fā)展，但對(duì)于高分辨率影像中的復(fù)雜場(chǎng)景，目前少有有效的方法提取道路線。

信息融合是指為完成決策和估計(jì)任務(wù)而利用計(jì)算機(jī)技術(shù)對(duì)按時(shí)序獲得的若干傳感器的觀測(cè)信息在一定準(zhǔn)則下加以自動(dòng)分析、綜合的信息處理過(guò)程。基于該思想，本文將ＬｉＤＡＲ數(shù)據(jù)和遙感影像信息融合，自動(dòng)提取高分辨率影像中復(fù)雜場(chǎng)景的道路。具體流程見圖１

。

圖１　結(jié)合兩種數(shù)據(jù)的道路提取流程Ｆｉｇ

．１�。疲欤铮鳎悖瑁幔颍簦铮妫颍铮幔洌澹簦颍幔悖簦椋铮睿病〗Y(jié)合犔犻犇犃犚和影像的道路模型

道路作為城市中不可缺少的人工地物有其自身特點(diǎn)，主要表現(xiàn)在：道路高程基本等于或略大于地面高程，

且表面平坦；道路表面灰度差別小，而道路與周邊區(qū)域灰度差異較大；道路表面材料均勻，，對(duì)激光的反射率基本一致；道路都有一定的長(zhǎng)度，不會(huì)很短且形狀平滑等。

這些道路特征分別在ＬｉＤＡＲ數(shù)據(jù)與高分辨率遙感影像上有不同體現(xiàn)：道路高程近似等于地面高程，

而高于地表面的建筑物和樹木可以通過(guò)點(diǎn)云濾波區(qū)分，

尤其是部分光譜特性與道路極為相似的建筑物屋頂，在遙感影像上會(huì)產(chǎn)生異物同譜現(xiàn)象，而在ＬｉＤＡＲ數(shù)據(jù)中表現(xiàn)為高程差異較大的點(diǎn)云，可較好地分離；道路路面平坦連續(xù)，打在路面的激光點(diǎn)云高程變化率較小近似平面；ＬｉＤＡＲ數(shù)據(jù)的多次回波，

可獲取部分被遮擋路面點(diǎn)云，強(qiáng)度信息亦是區(qū)分植被、路面等不同材質(zhì)地物的有效途徑，且不受復(fù)雜場(chǎng)景中陰影的干擾；高分辨率遙感影像含有道路的豐富光譜信息和細(xì)節(jié)變化，相對(duì)于噪聲較大的強(qiáng)度數(shù)據(jù)，其精度更高，利于道路模型的優(yōu)化計(jì)算。但正因?yàn)槠湄S富的細(xì)節(jié)，如汽車、分道線、陰影、隔離帶等，使得直接在高分辨遙感影像上提取道路困難重重。因此采用分級(jí)的思想，以精度不高的點(diǎn)云強(qiáng)度信息獲取初級(jí)的道路線和關(guān)鍵點(diǎn)，

再引入高分辨率遙感影像的光譜信息與點(diǎn)云強(qiáng)度和離散度融合，進(jìn)行道路關(guān)鍵點(diǎn)和道路線的優(yōu)化，可自動(dòng)獲取比較可靠的結(jié)果。

２．１　基于點(diǎn)云強(qiáng)度的初始道路中線提�。玻保薄∩傻孛纥c(diǎn)強(qiáng)度影像

機(jī)載激光掃描數(shù)據(jù)濾波算法有數(shù)學(xué)形態(tài)學(xué)濾波、移動(dòng)窗口濾波、迭代線性最小二乘濾波、基于

坡度的濾波、啟發(fā)式濾波和移動(dòng)曲面濾波［１３］等。本文采用多方向地面點(diǎn)濾波法［１６］，該算法在去除

了局外點(diǎn)并進(jìn)行格網(wǎng)差值后，通過(guò)計(jì)算每個(gè)點(diǎn)與局部最低點(diǎn)和最鄰近點(diǎn)間高差，以及與多個(gè)方向上前一點(diǎn)的坡度來(lái)實(shí)現(xiàn)地面點(diǎn)濾波。

高程濾波難以區(qū)分的道路表面和植被具有較大的強(qiáng)度差異，將濾波后地面點(diǎn)強(qiáng)度量化至０～２５５區(qū)間，生成地面點(diǎn)強(qiáng)度影像，利于去除植被的干擾，提取初始道路。為突出道路區(qū)域，非地面點(diǎn)強(qiáng)度被設(shè)置為零，并將量化后的強(qiáng)度像素值取反，則生成的影像中道路表現(xiàn)為較為明亮的帶狀區(qū)

  本文關(guān)鍵詞：影像與LiDAR數(shù)據(jù)信息融合復(fù)雜場(chǎng)景下的道路自動(dòng)提取，由筆耕文化傳播整理發(fā)布。