同济大学测量与国土信息工程系.pptVIP

融合机载激光扫描数据的航空影像水体特征提取Water Feature Extraction From aerial-Image Fused with LiDAR data 吴杭彬 同济大学 测量与国土信息工程系 2008年12月26日 研究目的 影像水体提取在环境遥感、环境监测等领域应用非常广泛，尤其在环境保护、洪水分析、水资源调查中，影像的水体提取技术为这些应用提供了强有力的保障。 目前的影像水体特征提取主要分为： 目视人工解译----适用于各类影像 基于光谱信息的解译----适用于多光谱、高光谱影像 单波段法 多波段法 基于图像纹理信息的解译----适用于各类影像 机载激光扫描原理 机载激光扫描是在飞机上搭载激光扫描设备，由GPS提供的飞机位置数据、INS惯性导航系统提供的飞机姿态数据以及激光发射器获取激光测距数据获得一个大范围的带状区域内的地物点云数据。 点云（Points Cloud） 研究过程和步骤 试验数据所在位置 实验数据 点云数据与航空影像的匹配 融合激光扫描数据的航空影像水体特征提取原理 当前主流的LiDAR系统采用的波段均为近红外的波段，如： Leica公司的ALS系统和ALTM系统采用1.064微米波段 IGI公司的LiteMapper系统采用1.550微米波段 此外，还有1.047微米也常用于机载LiDAR系统 测深LiDAR系统还采用透水性较好的蓝绿激光波段，如532纳米 各类地物的狄洛尼三角网 水体三角网 水体三角网的栅格化、缓冲 影像与栅格数据的栅格运算 粗水体的精化 精水体特征 结果比较 结论 人工判读、监督分类以及本方法都可以实现对水体特征的提取。 采用人工判读的提取可以充分考虑操作员对地域的熟悉程度，结合操作员的经验，从全局来看提取结果较为准确。对于细小的水体，人工判读的方法也可以进行有效提取。然而人工判读的结果在边缘部分提取精度不高。 采用监督分类的提取只考虑样本的光谱信息，因此同谱异质以及同质异普现象极易对提取结果产生影响。 本方法与人工判读的结果相比，提取的水体边缘精度高，而在细小水体上无法实现准确的分类。然而，采用本文的方法可以自动实现水体的提取，减少人工操作带来的大量工作和个体差异。 与监督分类的结果相比，本方法既考虑了光谱信息，也充分融合了LIDAR的空间信息以及激光的光谱特性，提取精度明显优于监督分类。 在边缘部分，由于狄洛尼三角网边缘是凸多边形的性质，导致提取结果在影像边缘部分与实际不符。而人工分类、监督分类在边缘部分不存在这种情况。 后续的研究 狄洛尼三角网的凸性质，使得提取结果在边缘部分与实际存在差异，如何避免这一性质对水体提取的影响，是需要解决的一个问题。 定量研究和分析本方法与水体区域大小的关系。对于细小、狭长水体，本方法提取结果并不理想。 MeanShift算法的计算效率较低，本方法为了节省计算时间，采用的是分区计算合并的方法，这种方法对于局部的提取结果存在差异。 * 同济大学测量与国土信息工程系 航空影像的水体特征提取是当前遥感影像水体特征提取的薄弱环节，提取的效率和精度都有待提高。 第一部分: 机载激光扫描 （Light Detection And Ranging， LiDAR） 激光扫描的设备组成部分和激光测距原理 机载激光扫描的外、内业处理过程 外业采集的数据: 飞机上安装的GPS实时观测数据 地面基站的GPS实时观测数据 飞机的INS系统数据 激光测距数据 航空影像 数据处理过程: 数据分离 差分GPS处理 差分GPS和IMU数据集成 集成数据的内插和平滑 点云数据生成 航空影像内、外定向 最终数据 激光扫描点云数据 飞机的实时定位、定姿数据 航空影像 点云是以一个整体的状态存在，能够很清晰地看到其表面的各种细节形态的大量三维点数据。点云数据在逆向工程、三维重建中具有广泛的用途。点云数据一般以三维坐标X,Y,Z的方式给出，在一些仪器采集的数据中，还可能包含回光强度值信息和激光点的颜色信息。 在同济大学校园里采集的点云数据 第二部分: 航空影像水体特征提取 方法：人工目视判读方法获取同名点进行匹配 输出：影像向激光扫描数据转换的坐标参数 航空影像与缓冲栅格的运算 点云与影像匹配 机载激光扫描数据分析 狄洛尼三角网和水体三角网 水体三角网栅格化、缓冲 水体边缘的精化 三角网的直方图统计分析 带坐标框架的航空影像 均值偏移向量法(MeanShift)影像分类 实验数据来自美国俄亥俄州北部，数据覆盖范围约为2.3平方公里。大致位于北纬41度44分，西经81度17分 http://metadataexplorer.gis.state.oh.us/metadataexplorer/explorer.jsp 机载激光扫描点云数据：共439，996