基于HDBSCAN算法的LiDAR建筑点云自动提取研究.pdf

众创空间科技创新与应用Technology Innovation and Application2023 年 26 期基于 HDBSCAN 算法的 LiDAR 建筑点云自动提取研究淦立琴1，2，3*（1.广州市城市规划勘测设计研究院，广州 510060；2.广州市资源规划和海洋科技协同创新中心，广州 510060；3.广东省城市感知与监测预警企业重点实验室，广州 510060）激光雷达（Light Detection And Ranging，LiDAR）是一种可以安装在不同遥感平台上的激光探测、测距和定位系统。其集激光测距、惯性测量、高精度定位等技术于一体，通过记录单个激光信号从发射到接收被地物反射的能量所历经的时间，并根据信号发出瞬间由定位定姿系统（Position and Orientation System，POS）测定激光扫描系统的位置和姿态，计算出地物目标的三维坐标，并绘制地形图1。与常规摄影测量、传统的激光测距技术和遥感技术相比，LiDAR 技术是一种新的获取高分辨率三维地球空间信息的手段，其优点是受天气影响小、抗干扰性强、采集速度快和几何精度高2。近年来，LiDAR 技术在生物量估计3、水下地形探测4和建筑三维建模5等方面具有广泛的应用。尤其在建筑物提取和三维建模方面，LiDAR 相较于传统技术，有着巨大的优势。在对建筑物提取的算法中，最主要的问题为激光点云分类问题，王刃等6利用点云的相邻点关系和点密度估计，从点云数据生成的数字地表模型（Digital Surface Model，DSM）中，直接分类出建筑表面点云;李亮等7利用点云构成的法向量特征和连通成分分析方法区分墙面点和建筑点，并结合数字高程模型（Digital Elevation Model，DEM）获取建筑屋顶点云。本文提出一种简单高效的方法，利用 CSF 点云滤波方法进行地面和地上点云分离，采用 HDBSCAN 聚类算摘要：激光雷达（LiDAR）可以高精度地获取地表物体的高度信息和位置信息，在建筑三维数字化建模方面发挥着重要作用。以自动正确提取房屋建筑点云为目的，该文提出一种基于 CSF 滤波和 HDBSCAN 聚类算法的 LiDAR 点云分类方法。首先利用 CSF滤波方法过滤地面点云。在地上点云的基础上，综合点云回波特征如密度和高度等信息，构建 HDBSCAN 密度层次聚类树模型，设定高程阈值，快速高效地分离出建筑点云。分类结果有效保留建筑的规则形状，为进一步提高外业采集房屋工作效率和技术水平提供支持。关键词：激光雷达；HDBSCAN；CSF 滤波；建筑提取；点云分类方法中图分类号院TN958.98文献标志码院A文章编号院2095-2945渊2023冤26-0043-04Abstract:LiDAR can obtain the height and position information of surface objects with high precision,which plays animportant role in 3D digital modeling of buildings.For the purpose of automatically and correctly extracting building point clouds,this paper proposes a LiDAR point cloud classification method based on CSF filtering and HDBSCAN clustering algorithm.Firstly,CSF filtering method is used to filter ground point clouds.On the basis of ground point cloud,by synthesizing the echocharacteristics of point cloud such as density and height,we construct HDBSCAN density hierarchical clustering tree model,setelevation threshold,quickly and efficiently separate building point clouds,and the classification results effectively retain the regularshape of the building.This study can provide support for further improving the efficiency and technology level of field acquisitionof buildings.Keywords:LiDAR;HDBSCAN;CSF filtering;building extraction;point cloud classification基金项目：广东省城市感知与监测预警企业重点实验室基金项目（2020B121202019）；广东省重点领域研发计划资助（2020B0101130009）；广州市资源规划和海洋科技协同创新中心项目（2023B04J0301）；广州市城市规划勘测设计研究院科技基金项目（RDP2220201043）作者简介：淦立琴（1995-），女，硕士，助理工程师。研究方向为测绘工程。DOI：10.19981/j.CN23-1581/G3.2023.26.01043-2023 年 26 期众创空间科技创新与应用Technology Innovation and Application法对地上点云进行密度聚类分割，最后设定高程阈值提取建筑物点云。1数据及预处理本文选用的点云数据来自 https:/portal.opentopog原raphy.org/datasets。该网站提供免费高质量的机载点云数据集。所选的点云数据来自于数据集 Oregon De原partmentofGeologyandMineralIndustriesLidarProgram Data。该数据为机载激光雷达数据，点云密度为10.30 pts/m2，点云数量共计约 390 000。场景中包括街道、灌木、树木和房屋（图 1）。由于受测量设备、天气等其他因素影响，点云数据在测量获取过程中会产生很多噪声。噪声会对实体形状的提取产生干扰，构造出来的实体形状与原实体会存在一定差距。因此，为降低噪声对结果的影响，有必要进行噪声点云去除的预处理工作。使用 CloudCom原pare 软件的统计滤波器（Statistical Outlier RemovalFilter，SOR filter）工具对原始点云数据进行去噪处理，去除明显离群点。2研究方法2.1CSF 滤波点云滤波是 LiDAR 点云应用中基础和关键的一步，指的是将地面点云与地上点云分离，这一步骤将直接影响后续各种地物分割、分类和建模的精确度。现有研究已经开发了许多滤波算法，不过大部分算法都需要设置一些复杂的参数才能达到较好的效果，尤其是对于不同的场景如城区和山区，参数设定差异较大。复杂多变的调参过程提高了用户使用的门槛。布料滤波8（Cloth Simulation Fil原tering，CSF）的设计思路则非常巧妙，促进了点云地面滤波算法易用性、通用性的提升。CSF 滤波算法假设有一块虚拟的布料因重力作用落在地形表面上，假设布料足够柔软，能紧密贴附在地形上，随地形起伏，此时布料的形状即为 DSM。当将地形翻转，落于表面的布料形状即为 DEM。CSF 滤波具体实现包括：首先对 LiDAR 点云进行翻转；再用刚性布料覆盖翻转后的表面，分析布料的各个节点与对应点云之间的相互作用，确定节点的位置，从而产生布料曲面近似表示地表形状；最后，比较原始点云和布料曲面之间的距离，实现从点云中过滤地面点的作用。图 1原始点云数据图2.2基于 HDBSCAN 的建筑点云提取2.2.1HDBSCAN 算法HDBSCAN（Hierarchical Density-Based SpatialClustering of Applications with Noise）是由 Campello等9提出的一种基于密度的空间数据聚类方法，是常用聚类方法 DBSCAN 和层次聚类的一个结合，其基本原理是通过计算相邻点与核心点的可达距离，构建互达图，最后引入层次聚类和聚类树压缩，获得最终聚类簇。HDBSCAN 不需要用户预先确定簇的数量或簇内点周围的距离阈值，并且可达距离的设计能有效应对不同密度距离簇，生成基于密度聚类的层次结构，从而更有效地提取不连续性。两点之间的互可达距离如式（1）。本文使用 Python 的 hdbscan 第三方库进行点云数据聚类编程。dk（p，q）=maxck（p），ck（q），d（p，q），（1）式中：d（p，q）表示 p、q 两点之间的距离，核心距离ck（p）=d（p，Nk（p）值表示核心点 p 和第 k 个邻近点之间的距离。2.2.2基于 HDBSCAN 的点云聚类HDBSCAN 聚类方法将所有的点云分为 163 个簇，即将其分割成为 163 个单一分离对象。为了进一步辨别各聚类簇的具体类型，将所有的簇按照高程的大小重新排列（图 2）。因为激光雷达具有较强穿透性，所以用每一簇高程的最大值作为其标签来反映地物的类型。44-众创空间科技创新与应用Technology Innovation and Application2023 年 26 期从图2可以直观看出，所有簇中，高程最高为480m，最低接近 200m。不同聚类分割的对象在高程上存在显著差异，且方差和最大值的整体趋势与拐点保持基于一致，表现为在高程最大值地区，其高程的方差随之增大，这与实际情况中树木高程高于房屋但其离散程度高相符，说明在聚类的过程中基本将同属性的地物聚为一簇。2.2.3基于高程阈值的建筑分类为了进一步分割开乔木、房屋与灌木，通过簇的高程经验阈值对其进行分类。由于不同地区基础海拔不同，所以难以通过通用阈值选定。在实际观察数据后选择具体的经验阈值对其进行分割（表 1）。其中低矮灌木的方差在 01 m2之间，其海拔的最大值为 340350 m；房屋的高度方差在 1350 m2，其海拔的最大值为 351389m；乔木的高度方差大于350 m2，其海拔总体高于390 m。建筑和乔木最终提取结果分别如图 3 和图 4 所示，可以看出通过本方法较好地提取了房屋建筑形状。表 1高程经验阈值图 3房屋建筑分类结果图 4乔木分类结果3结束语本文基于高精度的激光雷达点云数据，设计了一种简单易执行的建筑分类方法，利用 HDBSCAN 算法进行聚类分割，再通过高程的经验阈值进行分类，无须先验样本信息，即可达到快速正确提取建筑点云的目的。后续研究可考虑将 HDBSCAN 二维聚类算法提升至三维，结合面法向量多维信息，进一步提高地物分割和分类的精度和效率。参考文献院1 李清泉，李必军，陈静.激光雷达测量技术及其应用研究J.武汉大学学报 信息科学版，2000，25（5）：387-392.2 梁欣廉，张继贤，李海涛，等.激光雷达数据特点J.遥感信息，2005（3）：71-76.3 庞勇，李增元，陈尔学，等.激光雷达技术及其在林业上的应用J.林业科学，2005（3）：129-136.图 2HDBSCAN 聚类簇内高程最大值和方差类别 最大值/m 方差/m2 低矮灌木 340-350 0-1 房屋 351-389 1-350 乔木 大于390 大于350 渊下转 49 页冤45-众创空间科技创新与应用Technology Innovation and Application2023 年 26 期4 丁凯，李清泉，朱家松，等.海南岛沿岸海域水体漫衰减系数光谱分析及 LiDAR 测深能力估算J.光谱学与光谱分析，2018，38（5）：1582-1587.5 王丹阳，刘远忠，陈俊涛.基于地基激光雷达的建筑物三维建模J.中国集体经济，2018（29）：64-66.6 王刃，徐青，朱新慧援用多种策略从机载 Lidar 数据中提取建筑脚点J援武汉大学学报（信息科学版），2008，33（7）：688-691.7 李亮，王成，李世华，等援基于机载 LiDAR 数据的建筑屋顶点云提取方法J援中国科学院大学学报，2016，33（4）：537-541援8 ZHANG W，QI J，WAN P，et al.An easy-to-use airborneLiDAR data filtering method based on cloth simulation J.Remote sensing，2016，8（6）：501.9 CAMPELLO R，MOULAVID，SANDER J.Density-basedclustering based on hierarchical density estimatesJ.Lect.NotesComput.Sci.，2013，7819：160-172.四次精选后得到的精尾与分解结晶后的原矿浆混合搅拌调浆，进行第五次的一粗一精浮选。需要注意的是，将含钠光卤石矿进行破碎筛分后，粒径小于 0.425 mm 的矿粒占比为 a，a 的取值范围为58%臆a臆62%，原矿浆中粒径小于 0.425 mm 的矿粒占比为 b，b 的取值范围为 74%臆b臆78%，在向原矿浆内加入调节液之前还需要向原矿浆内加入尾盐水，将原矿浆稀释至预设浓度 c，c 的取值范围在 18%臆c臆22%。向原矿浆内加入尾盐水是为了控制浆料中 KCl的过饱和度，减少 KCl 晶体数量，使原矿浆达到预设浓度，通过上述设置，能够保证浮选浆料经过浮选装置后对 KCl 的回收率。2.2浮选系统基于该新型 KCl 浮选设备的浮选系统包括：破碎机、结晶器、振动筛等。破碎机用于将含钠光卤石进行破碎，通过振动筛可进行筛分，筛分后的物料送进结晶器，加入一定量的淡水和分解母液可进行控速冷分解。浮选系统还包括粗选搅拌桶，粗选搅拌桶连接粗选浮选柱体，粗选浮选柱体的精矿通入精选浮选柱体，精选浮选柱体的尾矿通入粗选搅拌桶，粗选浮选柱体的尾矿为浮选系统的尾矿，精选浮选柱体的泡沫溢流为浮选系统的精矿。3结束语所设计的新型 KCl 浮选设备设置有浮选柱体、循环管路及气泡发生器。浮选柱体的中上部设置有进料口，浮选浆料通过进料口进入浮选柱体的容纳腔内，循环管路与容纳腔相连通形成流通回路，驱动部提供能量并且能够使流通回路中的浮选浆料循环流动，进而能够使气泡发生器产生的纳米级气泡与浮选浆料充分混合。混合有纳米级气泡的浮选浆料在旋流部的作用下形成旋流，同时，由于纳米级气泡相较于一般气泡更为绵密，并且在旋流状态下纳米级气泡能够与浮选浆料中的矿粒高速碰撞矿化，因此，纳米级气泡能够与粒径范围较大的矿粒发生碰撞形成矿化泡沫，从而能够降低浮选粒度下限，提高对光卤石中的 KCl 的捕收能力，回收率更高。参考文献院1 唐海英.浅议冷结晶-正浮选工艺及关键控制J.盐科学与化工，2019，48（11）：39-41.2 李建国，黄姗姗，杨明山.“冷分解-正浮选-洗涤”法生产氯化钾物料衡算J.盐业与化工，2011，40（6）：35-37.3 曹丽琼，张晓曦，仵理想，等.氯化钾正浮选过程中杂盐氯化钠浮出现象的实验研究J.无机盐工业，2020，52（7）：26-29.4 唐海英.空腔谐振式浮选柱正浮选氯化钾半工业化试验研究J.化工矿物与加工，2020（10）：21-23.5 王平平，陈元涛，张炜，等.溶剂浮选分离-分光光度法测定钾盐正浮选卤水中的捕收剂十八烷胺J.理化检验-化学分册，2016，52（11）：1315-1318.6 赵静，程文婷，曹沁波，等.正浮选过程中氯化钠随氯化钾浮出行为的研究J.无机盐工业，2011，43（6）：33-36.7 谢炳俊，纪律，陈高琪，等.正浮选工艺矿物粒度对氯化钾分布的影响J.无机盐工业，2014，46（12）：38-40.渊上接 45 页冤49-