正式第八章当代摄影测量新技术发展(Lida成课件.ppt
Lidar原理及其应用,内容概要,一、Lidar概述二、Lidar成像原理三、Lidar数据特征及处理方法四、Lidar应用,Lidar概述,Lidar简介,Lidar的不同表述方式,国外对Lidar的不同表述方式有：机载激光测高(airborne laser altimetry ,ALA)；激光雷达(light detection and ranging ,LIDAR)；机载激光地形测绘(airborne laser topographic mapping，/airborne laser terrain mapping, ALTM)；机载激光测量系统(airborne laser mapping ,ALM)；机载激光扫描测量系统(airborne laser scanning，ALS)；激光测高(laser altimetry，LA)。,Lidar的发展历史,美国从二十世纪七十年代就进行了广泛的研究，制造出多种基于激光测量的系统。从八十年代末期开始，世界上其他发达国家的科研机构开始Lidar技术的研究并在实际的工作中进行检验，推动了Lidar的商业化。我国对Lidar的研究起步较晚,Lidar技术的特点和优势,主动式探测，机载激光扫描测高不受太阳光照的影响，受天气条件影响较小,几乎能全天候地对地观测 快速准确的获取地面三维信息，数据处理速度快，自动化程度高，获取DEM的效率比现有技术高很多 机载激光扫描测高传感器发射的激光脉冲能部分地穿透树林遮挡,直接获取森林覆盖地区真实地面的高精度三维地形信息,具有传统摄影测量方法无法取代的优越性,Lidar的系统组成,Lidar技术是激光测距技术、计算机技术、高精度动态载体姿态测量技术(INS)和高精度动态GPS差分定位技术迅速发展的集中体现。主要由三部分组成： 搭载平台：一般采用小型固定翼飞机或直升飞机作为Lidar系统的搭载平台。 机载系统：包括激光测高仪，差分GPS接收机，IMU惯性测量装置和机载计算机等。 地面数据处理系统：包括地面工作站，计算机和数据分析处理软件。,Lidar数据获取原理,2nd Return,3rd Return,Very useful for forestry studies,Courtesy of AAM Geoscan,Simultaneous Four Return Pulses,LIDAR Measures Objects From “Line of Sight”,LIDAR 1st and Last Stop,1ST stop from canopy,Last stop from ground,Lidar的扫描方式,圆锥式扫描,直线式扫描,大光斑与小光斑,Lidar数据处理,Processing Flow,LIDAR数据的滤波原理,从激光数据点云中提取数字地面高程模型（DTM/DEM)需要将其中的地物数据脚点去掉，这就是所谓的激光雷达数据的滤波。滤波的基本原理是基于邻近激光脚点间的高程突变(局部不连续)一般不是由地形的陡然起伏所引起，更为可能的是较高点位于某些地物。即使高程突变是由地形变化所引起的，就一个区域来讲，其表现形态也不会相同，陡坎只引起某个方向的高程突变，而房屋所引起的高程突变在四个方向都会形成阶跃边界。,两临近点间的距离越近, 两点高差越大, 较高点位于地形表面的可能性就越小, 因此, 判断某点是否位于地形表面时, 要顾及该点到参考地形表面点的距离, 随着两点间距离的增加, 判断的阈值(threshold) 也应放宽, 主要是为了同时考虑地形起伏产生的高程变化。两地面点间的距离越远, 自然高差(地形变化形成的高差) 就会越大。,多级窗口形态学滤波,原理：选择一个窗口，对窗口内的数据进行形态学运算，过滤掉不需要的点，保留感兴趣的部分。 膨胀运算：运算结果将把p点的高程值设置成窗口内的最大高程值。,腐蚀运算：运算结果将把p点的高程值设置成窗口内的最小高程值。,开运算是对数据先腐蚀后膨胀，闭运算是先膨胀后腐蚀。,使用线性窗口进行腐蚀和膨胀运算,滤波窗口的选择,滤波窗口选择所遇到的问题使用多级窗口的滤波方法,算法流程,线性估计的滤波方法,线性预测 稳健估计 分级,线性预测,两种表示形式,趋势面和信号,处理数字地面模型问题时，其平差计算是在某种规则面上进行的，这种规则的几何面称为趋势面。它可以根据观测数据用某种多项式去拟合得到。趋势面并非实际地面，两者有插值S存在，该差值S在局部范围内具有一定规律，即呈现系统性质，而在较大范围内，由于地形变化是无规律的，故属于偶然性质，总的来说，差值S是随机参数。对于某插值点的高程，如果能适当加以该点处的信号S的改正，就能获得更为准确的地面模型。,最小二乘配置的解算过程,协方差函数的估计,为了求得方差协方差矩阵，可以根据实际的观测数据和某些理论上的假定进行估计。首先假定随机变量是平稳的，它们之间的相关性只与两个数据点之间的距离d有关，这样可以构成一个协方差函数，它仅仅是距离的函数。另外假定这种相关性随着距离的增大而减弱，根据经验，比较适合的协方差函数是高斯函数,其中C0和k是两个待定常数 。最小二乘预测法利用数据点上拟合的余差之间的相关性求解信号，其核心是计算方差协方差矩阵并求逆，故预测时必须分区进行，否则解算的工作量太大。,稳健估计,稳健估计的概念：抗差估计目的：把非地面点看成是粗差稳健估计的权函数：根据测值和拟合值之间的残差来确定权值,Vi表示i点的残差，a，b为权函数参数，g为偏移值，w为地形的最大起伏。,传统的权函数,算法中采用的权函数,可以根据情况对权函数进行修改，以过滤掉多次返回形成的系统误差,偏移值的计算方法,稳健模型,分级,线性预测的方法要求地面点和非地面点充分混合，也就是说在进行线性预测时要有足够的地面点存在。由于Lidar数据点数量很大，如果选取一块数据进行处理分块不能过大，为了保证在每个分块内都有足够的地面点，采用分级的方式处理。对数据分成三级，上一层数据少。分级处理的方式能保证分块可以取得较大,区域内也存在足够的地面点进行拟合。,算法流程图,线性估计的处理过程,断线提取,断线的基本概念,断线提取的方法,手工矢量化基于影像处理 的2D断线提取3D断线提取,3D断线提取原理,基于在断线两边局部表面的连续性,断线提取步骤,初始断线平面分片断线调整,平面分片,断线动态调整,Lidar应用,Lidar的应用,主要用来快速获取大范围高精度的数字地面模型以及城市表面模型还可以用于测绘线状地物、生成林区DTM以及进行森林植被参数测定、地形变化动态监测、灾害评估以及建立三维城市模型等。,用SCOP+处理的一组火星地形,河岸侵蚀,海岸带侵蚀监测,On shore,Near shore,Deep water,Lidar在建筑物提取中的应用,Lidar在建筑物提取应用的背景,三维城市模型在城市设计、通讯产业、土地管理、交通、电力、城市管网、水利、消防等各行各业中的需求日益增长。传统的GIS由于缺乏高程信息，已经越来越不能满足应用的需要。因此，利用多种数据源，建立三维城市模型具有重要的现实意义。城市房屋的三维重建与可视化是建立真实三维城市景观的重点和难点。城市三维重建需要大量的三维空间数据。数据的精度、细节和现势性与覆盖范围都是至关重要的。,最初，三维空间数据获取依靠人工地面测绘。这种方法获取的数据虽然精确，但其不足也是十分明显的：1)数据获取的自动化程度很低，数据获取的工作量极大。2)缺乏自动化的系统来融合多源地球空间数据。目前，航空摄影测量已经成为获取三维空间数据的主要方式之一。但是由于航空影像存在模糊，失真，深度断裂和相互遮挡等复杂情况，使得影像信息经常出现不完全性和多义性，这使得现有的自动测图算法适应性差，还无法完全代替机助测图。因此，数字测图还是一件十分繁重的工作。,利用lidar数据提取建筑物的方法,a 、仅利用lidar自身的数据进行建筑物的提取b 、lidar数据与其它影像数据的结合进行建筑物的提取 建筑物的提取一般有两步：从数据中检测出建筑物，并确定它的近似轮廓；从检测的感兴趣区域内恢复建筑物的几何信息。,仅利用lidar数据进行建筑物的提取 1.对lidar点云经过一些插值算法来获得DSM，可以选择用不规则三角网插值算法或是最邻近插值算法。2.在得到区域DSM 的基础上使用形态学滤波算法获得区域的DTM，在这个过程中可以将区域的地形点和非地形点分离。3.根据得到的DSM和DTM就可以得到区域的nDSM，即可以得到区域中的非地形点的绝对高度，有利于建筑物和非建筑物的分类。,4.根据从DSM和DTM得到的nDSM，分析非地形点的高度插值选取合适的阈值，通过高度阈值分割区分低特征类和高特征类，从而可以得到建筑物的初始区域。5.在得到的建筑物初始区域里会包含一些诸如高树木之类的非建筑物点，所以需要通过一些形态算子和纹理分析的方法得到建筑物区域。,在进行纹理分析来得到建筑物区域的过程中，我们采用的是高程纹理分析。纹理信息是影像中的一种重要特征，在图像处理、模式识别中有着广泛的应用。 建筑物表面一般较规则，除了边缘区域高程变化较大，其他地方一般变化很小，连续性明显。 对于树木来说，由于生长不规则，不具备人造建筑物的连续性；另一方面，激光脉冲具有一定的穿透能力，能穿透一部分树叶射到地面，因此树木区域不仅在边缘上高程变化较大，内部在各个方向上也不连续。 根据两类地物的特点，我们采用高程的对比度纹理作为分类建筑物和树木的特征,从这个图中我们可以看出，图中的树木区域，各个方向上连续性较差，而建筑物区域，只有边缘上的变化较大，区域内部连续性较好。,Lidar点云数据进行建筑物提取的流程图,lidar数据与高分辨率数据结合提取建筑物,1、粗特征分类：先从lidar点云数据中通过不规则三角网过滤算法从LiDAR数据中分离地形点，即将lidar点分类为地面点和非地面点，从而可以得到DEM和DSM。2、中间特征分类：将lidar点数据分为地形点和非地形点后，还需要将非地形点分为低特征类和高特征类，由DSM和DEM可以得到nDSM，这样就可以得到非地形点的绝对高程，分析这些点的高度差并结合一定的高程阈值进行高程阈值分割，从而得到低特征类和高特征类，由这一步也可以得到一个建筑物的初始区域。,3、精特征分类：在这个建筑物初始区域中也就是高特征分类中也包含了植被和建筑物，因此需要将植被剔除掉，获取单个的建筑。可以将高分辨率影像与lidar数据结合起来，通过高分辨率影像可以获得，可通过分析高分辨率影像的归一化差值植被指数(NDVI)区分树丛与建筑物。4、建筑物块检测：分离标识为建筑物的点并将这些建筑物点构成单独的建筑物对象。将这些被非建筑物包围的点，以不规则三角形的方式（TIN）连接起来，形成各个建筑物块。,5、建筑物描述：将得到的建筑物块进行轮廓线的获取，获取轮廓线的主要方法有区域跟踪和边缘检测。为了更进一步的将上步所残留的噪声即非建筑物直线和建筑物边界区分开来需要进一步的处理。处理的主要依据是根据建筑物之间存在几何约束，即相邻的建筑物的边缘一般是直线并构成正交的多边形。 根据这个几何约束对直线进行编辑，对直线进行编辑的目的在于两个方面，一是尽量的消除不可靠的特征，另一个方面是为后期建筑物的确认提供支持。在这里阈值起到了重要的作用，太强的限制条件将减少细节，但是太松懈的限制又会影响结构的组合，而且由于边缘提取本身。,Lidar数据和航空影像结合进行建筑物的提取,由于LIDAR影像高程精度高，平面精度低的特性，从LIDAR影像中提取建筑物的粗略位置比较容易，但是提取其精确的平面轮廓就相对不可能了。所以融合航空影像和LIDAR影像来提取建筑物的轮廓线。其意义在于：利用航空影像和LIDAR影像优势上的互补性，即LIDAR利用其高度信息容易检测出建筑物区域，而航空影像利用其平面精度比较高的特性，两者相结合来提高建筑物提取成果的精度和空间表达能力。,首先，从航空影像提取出建筑物轮廓的候选直线段。采用边缘检测技术，提取出影像的边缘像素，然后对处理后的边缘像素进行栅格矢量化，最后进行折线逼近，提取建筑物候选特征线。其次，结合LIDAR影像，选取初始线段。对LIDAR影像提取的二值影像先进行边缘检测，然后对获取的边缘进行封闭线跟踪，得到各建筑物的粗略轮廓。最后根据线段到LIDAR轮廓的距离选取各个建筑物区域的初始线段。最后，生成建筑物轮廓。其算法思想是：利用初始特征线段的倾角趋势和距离关系，将特征线按其与建筑物的方位关系进行分类，近似建筑物边界四个方向。在每个方向上确定一条直线，然后两两相交，生成建筑物的规则轮廓线,
