本文關鍵詞：影像與LiDAR數(shù)據(jù)信息融合復雜場景下的道路自動提取，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)信息融合復雜場景下的道路自動提�。福罚�

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

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

取的影響，

但大量不規(guī)則不連續(xù)點云卻缺乏影像的光譜和語義信息。文獻［１４］結合ＬｉＤＡＲ和高分辨率遙感影像利用ｈｏｕｇｈ變換檢測帶狀道路基元，對城區(qū)道路中線進行提取，但該方法受限于格網分布的道路；文獻［１５］在動態(tài)規(guī)劃代價函數(shù)中引入ＬｉＤＡＲ數(shù)據(jù)的高程信息，并結合影像提取道路中線，

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

復雜場景多指城市區(qū)域，道路周圍地物種類、形狀繁多，高樓、樹木對路面產生遮擋和大面積陰影，這些因素嚴重影響了提取工作，且高分辨率影像中的城市道路含有豐富的細節(jié)信息，如汽車、分道線等，加大了道路建模的難度。越來越多的道路提取方法在向多信息、多策略相結合的方向發(fā)展，但對于高分辨率影像中的復雜場景，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任務而利用計算機技術對按時序獲得的若干傳感器的觀測信息在一定準則下加以自動分析、綜合的信息處理過程。基于該思想，本文將ＬｉＤＡＲ數(shù)據(jù)和遙感影像信息融合，自動提取高分辨率影像中復雜場景的道路。具體流程見圖１

。

圖１　結合兩種數(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，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，，對激光的反射率基本一致；道路都有一定的長度，不會很短且形狀平滑等。

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點云濾波區(qū)分，

尤其是部分光譜特性與道路極為相似的建筑物屋頂，在遙感影像上會產生異物同譜現(xiàn)象，而在ＬｉＤＡＲ數(shù)據(jù)中表現(xiàn)為高程差異較大的點云，可較好地分離；道路路面平坦連續(xù)，打在路面的激光點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云，強度信息亦是區(qū)分植被、路面等不同材質地物的有效途徑，且不受復雜場景中陰影的干擾；高分辨率遙感影像含有道路的豐富光譜信息和細節(jié)變化，相對于噪聲較大的強度數(shù)據(jù)，其精度更高，利于道路模型的優(yōu)化計算。但正因為其豐富的細節(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。因此采用分級的思想，以精度不高的點云強度信息獲取初級的道路線和關鍵點，

再引入高分辨率遙感影像的光譜信息與點云強度和離散度融合，進行道路關鍵點和道路線的優(yōu)化，可自動獲取比較可靠的結果。

２．１　基于點云強度的初始道路中線提取２．１．１　生成地面點強度影像

機載激光掃描數(shù)據(jù)濾波算法有數(shù)學形態(tài)學濾波、移動窗口濾波、迭代線性最小二乘濾波、基于

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

了局外點并進行格網差值后，通過計算每個點與局部最低點和最鄰近點間高差，以及與多個方向上前一點的坡度來實現(xiàn)地面點濾波。

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

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