OBIA和点云

基于目标的图像分析(OBIA)适用于激光雷达点云的半自动分类吗?阅读更多关于有前途的前景。

基于目标的图像分析(OBIA)的发展是为了提高传统的基于像素的多光谱图像分类的准确性。在2000年前后推出，并在各种软件包中实施，例如绝大多数识别目前，OBIA已成功应用于土地覆盖、森林和农业制图。今天，不仅有高分辨率多光谱图像，机载激光雷达捕捉的高密度3D点云也越来越多。那么OBIA是否也适用于激光雷达点云的半自动分类呢?

机载激光扫描仪(ALS)由各种传感器组成。激光测距仪发射脉冲来测量从传感器到脉冲击中地球表面的距离。为了将距离转换到X,Y,Z坐标，传感器的姿态和它的位置必须使用一个惯性测量单元(IMU)和一个GNSS接收机在飞机上。通常也有像RGB，高光谱、热或多光谱相机是在船上。直升机被用作在低空进行窄带测量的载体。它们可以悬停，从而提供高达200点/米的点云密度²具有较高的精度(图1)。固定翼系统适用于高海拔、覆盖大面积和捕获密度较低的点云。基于卫星的系统是一个特殊的类别，而且相对少见。

好处

广域系统提供精确的dem，用于作物危害分析、水文模型和洪泛区制图等方面的正射和轮廓生成。这些系统还提供关于树木高度、生物量、挖掘量的信息，并支持其他自然资源管理任务。此外，它们还可以绘制交通和公用设施走廊的地图，在城市地区，从点云导出的3D模型可以进行视线研究、viewshed分析等等。直升机和无人机非常适合捕捉传输线路，以确定热等级和冠层高度。此外，从这些平台获取的点云对监测铁路、公路、堤坝和管道有好处。除了捕获线性对象外，这些平台还适用于有限范围内区域的采集点。使ALS点云成为一个非常有趣的空间数据来源的主要好处是(Vosselman & Maas, 2010):

• 在全波形数字化的情况下，每个数据点具有3D (X,Y,Z)位置、返回强度和回波宽度的信息，对于大区域的数据采集速度非常高
• 在较晚的阶段，高覆盖率可以识别最初可能在实地漏掉的特征，同时可以很容易地收集准确的空间数据
• 高程由传感器直接测量，而不是从图像匹配应用到图像的反射率值，这些图像对物体类型、湿度和其他大气条件高度敏感
• 在有植被的地区，因此在许多林业应用中，每脉冲的多次返回被用作一种宝贵的信息来源。多重回报还可以深入了解森林的垂直结构和复杂性。

除此之外，与图像相比，ALS系统可以透过树冠看到，因为脉冲可以穿透植被的小缝隙和其他半透明物体，从而可以提供关于物体物理属性的额外信息。

OBIA

ALS收集由不规则分布的3D点组成的原始点云。这些点是几何特征，但本身没有意义，因为点云并不代表可分离的和清晰描绘的物体的结构——它是一组固定在内部或现实坐标系中的点。人眼可以看到这种表示中的模式(图2)，但计算机需要进行处理来分配类并为相邻的点组提供意义。图像的分类涉及到为像素分配主题类。所有的像素都具有相同的大小和形状，相邻的像素不知道它们是否属于同一物体。基于对象的图像分析(OBIA)通过根据光谱或其他属性的相似性对像素进行分组来分割图像。基本的假设是线段构成一个物体或物体的一部分。然而，“过度分割”有时需要对复杂的物体进行分类，比如由普通烟囱和天窗组成的屋顶。

上下文是关键

当看到图2时，人们可能会认出建筑物。在他1982年的开创性著作中愿景，大卫·马尔挑战科学家:“看见意味着什么?”普通人的答案(亚里士多德也是)是，通过观察来知道什么在哪里。换句话说，视觉就是从图像中发现世界上存在着什么以及它在哪里的过程。”同样，OBIA的目标是让计算机“看到”普通像素之外的东西——这些数据在现实世界中代表了什么?背景是关键。遥感技术的进步与更高的空间分辨率相结合，使得包括OBIA在内的更“智能”的图像分析成为可能。根据朗(2008,六年级)“情报”包括在这种情况下:(1)一个先进的监督方式的界定和分类空间单元,(2)的内隐知识或经验集成,和(3)程度,研究结果有助于增加知识和更好地理解复杂的场景。迄今为止，在地球科学领域，OBIA已被用于将卫星图像划分为有意义的图像对象，并通过空间、光谱和时间尺度评估其特征。与现实世界中没有直接对应物的像素相比，这些图像对象与现实世界的对象关系更密切。我们希望实现的是语义上可解释的片段。 Such segmented imagery can be further processed by adding values to these objects or object candidates.

OBIA在点云上

最近，研究人员开始将OBIA应用于点云。为了适应OBIA，点云通常必须从3D表示转换为光栅(或2.5D)形式的2D表示，即在每个网格单元中添加一个高度值的光栅。这些表示适合于进一步的分析(图3)。在高度和或强度上同质的收益片段被用作分组和分类的输入。ALS点云不包含RGB值。原始数据包括高度、单束反射的次数和返回的强度，可以通过其他来源的信息来丰富。OBIA利用了大小、形状、位置以及与其他段的关系，从而提高了分类结果。例如，直线轮廓线表示建筑物或街道，而模糊和不规则轮廓线可以表示植被。因此，OBIA支持分层的多重空间尺度方法，允许对人造或自然对象使用特征的嵌套尺度。

例子

我们开发了一种OBIA方法，用于使用认知网络语言(CNL)自动检测和勾勒建筑物轮廓，CNL是识别系统中的一种模块化编程语言。该方法的总体流程图如图4所示，在部分覆盖德国历史城市Biberach和der Riß的ALS点云上进行了测试，该点云由Trimble提供，使用Trimble Harrier 68i系统于2012年3月收集。点云覆盖面积2.5公里²，由多个带有强度值的返回组成，平均点密度为4.8点/m²．老城的特点是古老、紧凑的房屋，有些房屋还共用墙壁。OBIA建筑提取方法的准确结果如图5所示。

结束语

OBIA不仅为图像分类提供了良好的结果，而且也非常适合从ALS点云中以二维多边形的形式表示屋顶轮廓的自动建筑提取。