基于UAV影像密集匹配点云多层次分割的建筑物层高变化检测.docx

基于UAV影像密集匹配点云多层次分割的建筑物层高变化检测 本文主要关注基于UAV影像密集匹配点云的建筑物层高变化检测方法。随着数字城市和智慧城市的发展，地理数据库的实时更新和快速变化检测变得越来越重要。建筑物变化检测可以分为二维变化检测和三维变化检测两类。二维变化检测主要以高分辨率图像作为数据来源，而三维变化检测则主要以激光雷达（LiDAR）点云和影像密集匹配点云作为数据来源。 现有的二维变化检测方法多应用于卫星影像，但是这些方法难以适用于UAV影像密集匹配点云数据。三维变化检测方法可以分为逐点变化检测和基于对象变化检测两类。逐点变化检测方法多采用多时相LiDAR点云数据逐点计算高差或使用图割等方法逐点获取变化区域，通过结构特征识别确定建筑物目标变化状态。基于对象变化检测方法通常先对点云进行分割或分类，继而分析各分割分类对象块内变化。 本文提出了一种基于多层次分割的建筑物层高变化检测方法，通过色度异质性阈值按层级递减，实现由粗到细的多尺度区域生长，在分割块内采用投票的统计学方法，确定分割块变化状态，从而将分割与变化检测过程相融合，实现高效、高精度的建筑物层高变化检测。 本文方法的流程图如图1所示。通过改进迭代最近点（ICP）算法实现不同时相影像点云的高精度配准，并采用布料模拟滤波（CSF）算法拟合数字地面模型（DTM）。然后，对于影像点云及其拟合DTM分别进行网格划分，利用中值滤波进行高程和红、绿、蓝（RGB）波段插值采样，同时获取网格化数字表面模型（DSM）和DTM，并基于此分析网格内部点云的几何形状特征和光谱特征。 本文方法中所用模型及参数获取步骤如下：归一化数字表面模型（nDSM）用于区分地面点和非地面点，差分数字表面模型（dDSM）用于判断变化，归一化过绿指数（nEGI）用于区分绿色树冠与其他地物。 通过本文方法可以实现高效、高精度的建筑物层高变化检测，满足数字城市和智慧城市发展的需求。同时，本文方法也可以应用于其他领域，如环境监测、灾害响应等。