浅谈一种综合机载lidar与高分辨率航空影像的铁路轨道提取方法

《浅谈一种综合机载lidar与高分辨率航空影像的铁路轨道提取方法》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、浅谈一种综合机载LiDAR与高分辨率航空影像的铁路轨道提取方法1概述　　铁路轨道作为铁路基础设施对象定位的关键要素，是遥感信息提取研究的重要目标，部分学者提出一些基于高分辨率光学遥感影像的自动半自动的处理方法，但是这些处理算法参数设定受数据特点影响较大，无法完全实现自适应选取。机载LiDAR技术的快速发展为地物信息的精细提取提供良好的基础。　　近年来面向对象的图像分析(Object-basedIm-ageAnalysis，OBIA)技术在遥感图像处理尤其是高分辨率遥感数据处理的研究中受到极大重视。研究中根据铁路路基

2、光谱、局域地形等特征，基于机载LiDAR数据建立一种面向对象的铁路区域提取算法;在此基础上通过数学形态学消除干扰因素的影响，选取适当的影像波段进行掩模提取图像中的铁路区域，采用基于高斯平滑和微分几何的线性地物提取算法初步提取铁路轨道线。在噪声消除、线段连接的基础上，根据铁路轨道线模型特征建立轨道平行线算法模型，从而实现铁路轨道信息的准确提取。　　2面向对象的铁路区域提取　　2.1数据预处理　　在机载LiDAR数据处理中，首先利用获取点云数据结合GPS和惯性测量系统观测数据，计算每个点云的三维坐标;然后检测和去除其中

3、的系统误差和粗差点，采用自适应(AdaptiveTIN，ATIN)方法进行滤波分类，分离出地面点和非地面点，并进一步采用手工编辑修改错误分类点;最后，基于Kriging插值方法建立DEM。同时，利用机载LiDAR第一次返回数据建立数字表面模型(DSM)。从DSM减去DEM获得地物的高度信息模型nDSM。利用nDSM提取建筑物、植被等，能够直接消除地形的影响。与机载LiDAR同时获取的航空遥感影像数据包括可见光红、绿、蓝3个波段，使用DSM进行正射校正，使校正图像与机载LiDAR数据完全配准。　　2.2图像分割　　O

4、BIA技术首先需要建立分割对象，在此图像分割采用一种分水岭分割与区域结合的算法，该方法在分水岭分割的基础上将相邻的具有一定属性的区域通过一系列的统计方法和参数进行循环合并，每经历一次循环，将两个同质区域合并为一个更大的区域。合并决策是基于局部的描述相邻对象的异质性标准，包括形状特征和光谱特征，其中形状特征包括紧致度和平滑度两个方面。在两个同质区域合并之前首先计算两者合并的异质性差异，如果小于给定的最小阈值，则进行合并，否则合并进程将结束，输出最终分割结果。　　计算异质性标准的数据包括航空影像数据中R、G、B3个波段

5、以及LiDAR数据提取的DEM和nDSM数据，以更好的分割铁路区域，用于后续的分类。　　2.3铁路区域OBIA提取　　研究中利用LiDAR数据提取的nDSM高度特征和绿度指数(航空影像中的绿波段与蓝、绿、红3波段之和的比值)特征分类建筑物和植被信息，并通过光谱特征和形状特征区分公路和裸地等，具体方法参见文献。　　铁路连同路基在局域范围内形成正地形，在平原地区尤其明显。因此，通过对比分割对象与邻域范围的DEM高程均值的差Hdiff可作为铁路识别的重要特征。　　Hdiff=hobj-1n∑ni=1hi.(1)　

6、　式中：hobj为分割对象的高程，n为对象数量。邻域范围距离设定为50m，高程差Hdiff设定为0.5m。　　2.4分类结果优化　　分类结果中存在的各种噪声导致的目标虚警、不完整等，通过数学形态学和提取目标连通区域的形状特征进一步处理得到较为优化的结果。　　3基于高斯平滑和微分几何的线状地物提取　　基于上述OBIA分类结果，选取高分辨率遥感影像红波段进行掩模提取图像中的铁路区域，采用基于高斯平滑和微分几何的线性地物提取算法，实现铁路轨道线的提取。　　3.1线剖面模型与高斯平滑脊点检测　　设理想图像中的铁路轨道线剖面

7、模型为柱形，即宽度为2e;(x)=0的点，但一般仅适用于较明显的轨道线段。另一种方法是计算I′(x)=0处的二阶导数I″(x)，亮背景中暗线的I″(x)0，暗背景中亮线的I″(x)0。　　由于实际图像中存在大量的噪声，使得上述方法并不完善，因此需要通过高斯卷积对原始图像I(x)的一阶导数I′(x)和二阶导数I″(x)进行平滑。　　3.2基于图像函数微分几何特征的中心线脊点的检测　　在二维条件下，图像函数I(x，y)中曲线s(t)在垂直于线的

8、方向n(t)上即为一维线剖面下相同的特征。此时唯一需要确定的问题是图像中线上每一点的局部曲线s(t)的方向，确定n(t)，从而将问题简化到一维空间。　　3.3中心线脊点的连接　　在提取出独立的中心线脊点之后，需要将其连接成线。为便于后面的处理，连接算法应能将交点标记出来。　　首先将脊点的灰度二阶导数超过给定高阈值的点标记为连接起始点集Lh，超过低阈值的点标记