結(jié)合區(qū)域生長(zhǎng)及主成分分析的機(jī)載LiDAR建筑物點(diǎn)云提取

王競(jìng)雪 洪紹軒

(1. 遼寧工程技術(shù)大學(xué)測(cè)繪與地理科學(xué)學(xué)院，遼寧阜新 123000；2. 西南交通大學(xué)地球科學(xué)與環(huán)境工程學(xué)院，四川成都 610031)

1 引言

機(jī)載激光雷達(dá)技術(shù)(Light Laser Detection and Ranging，簡(jiǎn)稱LiDAR)作為一種主動(dòng)式遙感技術(shù)，可以快速、準(zhǔn)確地獲取地表及建筑物等人工地物的高密度三維點(diǎn)云數(shù)據(jù)，為三維數(shù)字城市建模提供關(guān)鍵基礎(chǔ)數(shù)據(jù)。而從原始機(jī)載LiDAR點(diǎn)云數(shù)據(jù)中提取建筑物點(diǎn)云是基于LiDAR數(shù)據(jù)建筑物三維建模的關(guān)鍵[1-3]。

目前，從機(jī)載LiDAR點(diǎn)云中提取建筑物的算法可歸為三類：第一類是基于柵格影像的建筑物點(diǎn)云提取。該方法將點(diǎn)云數(shù)據(jù)轉(zhuǎn)化成距離影像，在此基礎(chǔ)上利用圖像的紋理信息進(jìn)行建筑物點(diǎn)云的提取。劉修國(guó)等提出一種對(duì)比度特征輔助的點(diǎn)云數(shù)據(jù)建筑物快速提取算法[4]。徐文學(xué)等提出一種多標(biāo)記點(diǎn)過(guò)程的LiDAR點(diǎn)云建筑物提取算法[5]。張皓等提出一種基于灰度共生矩陣(Gray Level Co-occurrence Matrix，簡(jiǎn)稱GLCM)的LiDAR點(diǎn)云建筑物自動(dòng)提取算法[6]。該類方法以數(shù)字圖像處理技術(shù)為基礎(chǔ)，原理相對(duì)簡(jiǎn)單，但初始點(diǎn)云柵格化過(guò)程中點(diǎn)云空缺處的柵格需要進(jìn)行插值計(jì)算，該過(guò)程會(huì)影響原始LiDAR點(diǎn)云數(shù)據(jù)的基本特征與初始結(jié)構(gòu)，不利于后續(xù)建筑物提?。坏诙愂侨诤隙嘣催b感數(shù)據(jù)進(jìn)行建筑物點(diǎn)云提取。Gao等提出一種基于航空影像與機(jī)載 LiDAR 數(shù)據(jù)融合的地物分類方法[7]。Mohammad等提出一種結(jié)合多光譜圖像的激光雷達(dá)數(shù)據(jù)建筑物自動(dòng)檢測(cè)算法[8]。該類方法可以簡(jiǎn)化建筑物點(diǎn)云提取算法，但是需要將LiDAR點(diǎn)云數(shù)據(jù)與影像進(jìn)行精確的配準(zhǔn)與融合，而且對(duì)于影像分辨率要求較高；第三類是基于地形地物空間特征的相似性對(duì)點(diǎn)云進(jìn)行聚類或分割提取建筑物。Wang等提出一種基于八叉樹分裂、合并的機(jī)載LiDAR數(shù)據(jù)共面點(diǎn)聚類自動(dòng)分割算法[9]。汪禹芹提出一種基于TIN點(diǎn)云分割算法[10]。羅勝等提出一種基于區(qū)域生長(zhǎng)的多層結(jié)構(gòu)建筑物激光點(diǎn)提取算法[11]。Pang等提出基于三角形的區(qū)域生長(zhǎng)算法[12]。上述采用聚類分析法提取建筑物激光腳點(diǎn)，需要進(jìn)行龐大的距離矩陣計(jì)算，且算法復(fù)雜，運(yùn)算效率低。同時(shí)該類算法依賴于種子點(diǎn)的選取精度。

上述大部分算法都是基于濾波之后的非地面點(diǎn)云進(jìn)行建筑物激光腳點(diǎn)提取，這種方法受濾波結(jié)果的影響，如果濾波精度不高，將直接影響后續(xù)建筑物點(diǎn)云提取精度。針對(duì)這一問題，何曼蕓等直接利用原始點(diǎn)云數(shù)據(jù)進(jìn)行建筑物提取，提出一種綜合不規(guī)則三角網(wǎng)和區(qū)域生長(zhǎng)的建筑物提取算法[13]。該方法對(duì)單一建筑物能得到較好的提取結(jié)果，但由于區(qū)域生長(zhǎng)后的后處理工作不完善，導(dǎo)致與樹木鄰近的建筑物存在錯(cuò)分現(xiàn)象，特別當(dāng)二者高度相當(dāng)時(shí)錯(cuò)分現(xiàn)象尤為嚴(yán)重，同時(shí)該方法對(duì)于地形以及房屋類型沒有達(dá)到良好的自適應(yīng)性。鑒于此，本文提出一種結(jié)合區(qū)域生長(zhǎng)及特征分析的機(jī)載LiDAR點(diǎn)云建筑物提取算法。該方法在文獻(xiàn)[13]基礎(chǔ)上，對(duì)區(qū)域生長(zhǎng)后得到的點(diǎn)云數(shù)據(jù)，進(jìn)一步采用主成分分析法對(duì)其進(jìn)行檢核，并根據(jù)面積閾值法剔除小區(qū)域噪聲，有效的提高了建筑物點(diǎn)云的提取精度。

2 原理

本文算法整體流程如圖1所示。該算法首先對(duì)粗差剔除后的機(jī)載LiDAR離散點(diǎn)云構(gòu)建TIN三角網(wǎng)，利用建筑物邊緣點(diǎn)與地面點(diǎn)構(gòu)成三角形的特征，提取建筑物邊緣激光腳點(diǎn)，并利用鄰域特征對(duì)建筑物邊緣激光腳點(diǎn)進(jìn)行優(yōu)化；然后將優(yōu)化后的建筑物邊緣點(diǎn)作為種子點(diǎn)進(jìn)行局部區(qū)域生長(zhǎng)得到建筑物點(diǎn)云；最后通過(guò)主成分分析法過(guò)濾掉非建筑物點(diǎn)云，同時(shí)利用連通性分析原理對(duì)全部建筑物點(diǎn)云進(jìn)行單體化分割，同時(shí)剔除小面積區(qū)域，得到最終的建筑物激光腳點(diǎn)數(shù)據(jù)。

圖1 建筑物點(diǎn)云提取算法流程圖Fig.1 Flowchart of building point clouds extraction algorithm

2.1 基于Delaunay三角網(wǎng)的建筑物邊緣點(diǎn)提取

本文對(duì)粗差剔除后的機(jī)載LiDAR點(diǎn)云構(gòu)建不規(guī)則TIN三角網(wǎng)，利用三角網(wǎng)中建筑物邊緣點(diǎn)所在的三角形有其自身的特點(diǎn)，如圖2所示，該三角形中有兩條邊長(zhǎng)近似相等且明顯大于第三條邊長(zhǎng)，同時(shí)該三角形所在平面近似為鉛垂面。因此本文根據(jù)上述兩方面特點(diǎn)提取建筑物邊緣三角形及邊緣點(diǎn)，具體步驟如下：

Step1 對(duì)原始點(diǎn)云構(gòu)建Delaunay三角網(wǎng)；

Step2 對(duì)三角網(wǎng)中任一三角形，計(jì)算三角面的法向量n1及三邊的邊長(zhǎng)l1、l2、l3，假定l1≤l2≤l3；

Step3 計(jì)算法向量n1與鉛垂線夾角的余弦值cosα；

Step4 將余弦值和邊長(zhǎng)同時(shí)滿足如下條件的三角形確認(rèn)為邊緣點(diǎn)所在的三角形，cosα

Step5 計(jì)算邊緣三角形重心點(diǎn)坐標(biāo)，三角形中Z坐標(biāo)值大于重心點(diǎn)Z坐標(biāo)值的頂點(diǎn)為建筑物邊緣激光腳點(diǎn)；

Step6 對(duì)三角網(wǎng)中每個(gè)三角形重復(fù)Step2～Step5，依次判斷其是否為邊緣點(diǎn)所在三角形，并提取建筑物邊緣點(diǎn)。

圖2 邊緣三角形Fig.2 Boundary triangle

對(duì)上述提取到的建筑物邊緣激光腳點(diǎn)，進(jìn)一步采用優(yōu)化算法去除孤立的建筑物邊緣點(diǎn)。以目標(biāo)點(diǎn)為球心，一定長(zhǎng)度為半徑的設(shè)定球體作為目標(biāo)點(diǎn)的三維鄰域范圍，確定該鄰域內(nèi)包含建筑物邊緣點(diǎn)的數(shù)目，將數(shù)目小于閾值n(區(qū)間范圍：4～6個(gè))的目標(biāo)點(diǎn)去除。最終得到優(yōu)化后的建筑物邊緣激光腳點(diǎn)如圖4所示，原始點(diǎn)云如圖3所示。

圖3 原始點(diǎn)云Fig.3 Original point clouds

圖4 建筑物邊緣點(diǎn)提取Fig.4 Building boundary points extraction

2.2 基于邊緣點(diǎn)區(qū)域生長(zhǎng)的建筑物點(diǎn)云提取

區(qū)域生長(zhǎng)算法過(guò)程主要包括種子點(diǎn)選取、制定生長(zhǎng)準(zhǔn)則、設(shè)定終止條件三方面內(nèi)容[14-16]。該算法依賴種子點(diǎn)選取的精度，因此種子點(diǎn)選取是關(guān)鍵。本文以基于Delaunay三角網(wǎng)提取到的建筑物邊緣點(diǎn)作為種子點(diǎn)，采用區(qū)域生長(zhǎng)算法從粗差剔除后的LiDAR點(diǎn)云數(shù)據(jù)中提取建筑物點(diǎn)云。具體過(guò)程如下：

(3)終止條件：判斷i是否等于l？否，令i=i+1，重復(fù)上述步驟(2)，進(jìn)行區(qū)域生長(zhǎng)；是，迭代終止。得到初始建筑物激光腳點(diǎn)如圖6所示。

圖5 局部區(qū)域搜尋示意圖Fig.5 Local area search schematic

圖6 區(qū)域生長(zhǎng)提取建筑物點(diǎn)云Fig.6 Building point clouds extraction by region growing

2.3 主成分分析去除噪聲點(diǎn)

由于植被的干擾，經(jīng)過(guò)邊緣點(diǎn)區(qū)域生長(zhǎng)后得到的建筑物激光腳點(diǎn)可能會(huì)包含一些非建筑物點(diǎn)云，尤其當(dāng)建筑物鄰域內(nèi)存在與其高度相近的樹木的情況下。因此本文進(jìn)一步利用主成分分析算法[17]對(duì)提取結(jié)果進(jìn)行檢核，去除噪聲點(diǎn)。

(1)

式中：

(2)

(3)

實(shí)驗(yàn)中，為了結(jié)果的可靠性，需要確保當(dāng)前點(diǎn)鄰域集合M內(nèi)離散點(diǎn)的數(shù)目大于一定的閾值TM=8。因此當(dāng)鄰域內(nèi)點(diǎn)的數(shù)目小于TM時(shí)，判定點(diǎn)Pi為植被點(diǎn)或者建筑物噪聲點(diǎn)。當(dāng)鄰域內(nèi)所有點(diǎn)都在一個(gè)平面上，λ1為0，但是由于點(diǎn)云離散性特點(diǎn)，當(dāng)λ1值較小時(shí)就認(rèn)為其鄰域M內(nèi)的離散點(diǎn)滿足空間平面。設(shè)定點(diǎn)Pi的表面曲率為：

(4)

f越小，則點(diǎn)Pi及其鄰域點(diǎn)越有可能在同一平面上，因此給定經(jīng)驗(yàn)閾值Tf=0.3。若f

圖7 主成分分析后建筑物點(diǎn)云Fig.7 Building point clouds after principal component analysis

2.4 建筑物單體化分割及小面積區(qū)域剔除

本文進(jìn)一步采用柵格連通性對(duì)全部建筑物點(diǎn)云進(jìn)行單體化分割，同時(shí)剔除小面積區(qū)域。該過(guò)程首先將提取到的建筑物點(diǎn)云進(jìn)行柵格化處理，將其投影到二維虛擬格網(wǎng)里；然后基于格網(wǎng)八鄰域連通性對(duì)建筑物點(diǎn)云進(jìn)行區(qū)域分割，得到若干個(gè)各自獨(dú)立的小區(qū)域；最后設(shè)定面積閾值TS為參考數(shù)據(jù)最小建筑物面積，認(rèn)為分割結(jié)果中小于面積閾值的區(qū)域?yàn)樵肼晠^(qū)域，將其去除，最終得到單體化的建筑物激光腳點(diǎn)，如圖8所示。

圖8 最終建筑物點(diǎn)云Fig.8 Final building point clouds

3 實(shí)驗(yàn)與分析

3.1 實(shí)驗(yàn)數(shù)據(jù)

為了驗(yàn)證本文算法的有效性，實(shí)驗(yàn)選用ISPRS官網(wǎng)提供的三組測(cè)區(qū)數(shù)據(jù)：Samp12、CSite2、CSite3。其中Samp12測(cè)區(qū)包含有建筑物、植被、道路、電力線等混合地物，城市區(qū)域較為密集，而且還有部分是山地，地形起伏較明顯。區(qū)域范圍大約為53300 m2，原始點(diǎn)云數(shù)目共52119個(gè)。CSite2測(cè)區(qū)數(shù)據(jù)采用末回波數(shù)據(jù)，對(duì)原始CSite2測(cè)區(qū)數(shù)據(jù)進(jìn)行裁剪，得到裁剪區(qū)域如圖9(b)所示，包含有大量的形狀不規(guī)則的建筑物，植被區(qū)域較多，地勢(shì)較為平坦。裁剪區(qū)域范圍大約為44544 m2，點(diǎn)云數(shù)目共40009個(gè)。CSite3測(cè)區(qū)同樣采用末回波數(shù)據(jù)，其建筑物較為密集，屋頂形狀較異常，高低不平，植被較多且有很多與建筑物緊鄰，地形較平坦。區(qū)域范圍大約為200368 m2，共包含188514個(gè)離散激光腳點(diǎn)。測(cè)試數(shù)據(jù)中分別包含平頂型、人字型、山型等多種屋頂類型的建筑物。三組測(cè)區(qū)原始點(diǎn)云渲染圖分別如圖9所示。后續(xù)為了進(jìn)行結(jié)果檢核，在TerraScan軟件中人工目視判讀選取的建筑物腳點(diǎn)，并將其作為標(biāo)準(zhǔn)參考數(shù)據(jù)，如圖10所示。

3.2 不同算法建筑物提取結(jié)果對(duì)比分析

采用本文提出的結(jié)合區(qū)域生長(zhǎng)及主成分分析的機(jī)載LiDAR點(diǎn)云建筑物提取算法對(duì)上述三組數(shù)據(jù)進(jìn)行測(cè)試實(shí)驗(yàn)。同時(shí)為了驗(yàn)證本文算法的有效性，還分別采用文獻(xiàn)[13]提出的綜合不規(guī)則三角網(wǎng)與區(qū)域生長(zhǎng)的建筑物點(diǎn)云提取算法和文獻(xiàn)[18]中基于形態(tài)學(xué)的建筑物點(diǎn)云提取算法對(duì)上述三組測(cè)試數(shù)據(jù)進(jìn)行建筑物點(diǎn)云提取實(shí)驗(yàn)，并與本文算法提取結(jié)果進(jìn)行對(duì)比分析，驗(yàn)證本文算法的有效性。三種方法建筑物點(diǎn)云提取結(jié)果分別如圖11～13所示，圖中不同顏色信息代表分割的單體建筑物。

圖9 三組測(cè)區(qū)原始點(diǎn)云Fig.9 The original point clouds of three test data

圖10 參考數(shù)據(jù)結(jié)果Fig.10 Reference data results

圖11 數(shù)據(jù)Samp12不同算法建筑物提取結(jié)果Fig.11 Data Samp12 extraction results by different algorithms

圖12 數(shù)據(jù)CSite2不同算法建筑物提取結(jié)果Fig.12 Data CSite2 extraction results by different algorithms

圖13 數(shù)據(jù)CSite3不同算法建筑物提取結(jié)果Fig.13 Data CSite3 extraction results by different algorithms

圖11為不同算法對(duì)Samp12數(shù)據(jù)進(jìn)行建筑物提取的結(jié)果，從中可以看出，三種算法都可以提取出建筑物的基本輪廓。但是從標(biāo)記1可以看出文獻(xiàn)[13]算法將某些非建筑物點(diǎn)云錯(cuò)誤的提取出來(lái)；而從標(biāo)記2、標(biāo)記3可以看出，文獻(xiàn)[18]算法存在部分建筑物提取不完整，對(duì)于高程比較低的建筑物會(huì)有遺漏現(xiàn)象。而本文算法對(duì)于山坡上的建筑物可以完整地提取出來(lái)，且植被與建筑物緊鄰處也可以很好地區(qū)分。

圖12為不同算法對(duì)CSite2數(shù)據(jù)進(jìn)行建筑物提取的結(jié)果。從標(biāo)記1和標(biāo)記2可以看出文獻(xiàn)[13]算法提取的建筑物不完整，文獻(xiàn)[18]形態(tài)學(xué)算法相對(duì)完整，但是建筑物拐角點(diǎn)處沒有成直角；標(biāo)記3是圓柱形建筑物，高程比較矮而且墻壁較窄，文獻(xiàn)[13]算法沒有將其提取出來(lái)；標(biāo)記4中部分建筑物與植被緊鄰，而且植被點(diǎn)高程與建筑物頂面高程接近，文獻(xiàn)[13]算法可以大致分離出建筑物與植被，但是少數(shù)植被點(diǎn)云被錯(cuò)誤的提取出來(lái)，而文獻(xiàn)[18]算法對(duì)此難以區(qū)分。對(duì)于上述兩種算法出現(xiàn)的問題，本文算法都可以很好的解決。

圖13為不同算法對(duì)CSite3數(shù)據(jù)進(jìn)行建筑物提取的結(jié)果。從標(biāo)記1中可以看出文獻(xiàn)[18]算法對(duì)于植被與建筑物緊鄰區(qū)域難以將二者分離出來(lái)，文獻(xiàn)[13]算法也存在過(guò)提取現(xiàn)象；標(biāo)記2和標(biāo)記3充分說(shuō)明了文獻(xiàn)[18]算法對(duì)于復(fù)雜建筑物屋頂面提取的效果不理想，存在嚴(yán)重的提取漏洞；從標(biāo)記4和標(biāo)記5得知，文獻(xiàn)[13]算法會(huì)將部分非建筑物點(diǎn)云錯(cuò)誤的提取出來(lái)；與上述兩種算法相比，本文算法總體提取效果較好。

通過(guò)上述三組測(cè)試數(shù)據(jù)不同算法實(shí)驗(yàn)結(jié)果對(duì)比分析可以看出來(lái)，與文獻(xiàn)[13]、文獻(xiàn)[18]算法相比，本文算法對(duì)于建筑物與植被緊鄰的區(qū)域，可以更好的將二者區(qū)分。同時(shí)該算法對(duì)于不同地形有更好的自適應(yīng)性，提取的建筑物比較完整，輪廓清晰。后續(xù)通過(guò)對(duì)建筑物點(diǎn)群?jiǎn)误w化分割，便于后期建筑物三維重建。圖14～16為截取的不同屋頂類型建筑物本文算法的提取結(jié)果圖，從中可以看出，本文算法對(duì)不同類型的建筑物具有較好的魯棒性。

3.3 不同算法精度評(píng)價(jià)

為了進(jìn)一步驗(yàn)證本文算法的可靠性，借鑒文獻(xiàn)[19]中濾波的評(píng)價(jià)方法，本文同時(shí)采用定量評(píng)價(jià)的方法對(duì)建筑物提取結(jié)果進(jìn)行精度評(píng)定。以人工目視判讀選取的建筑物腳點(diǎn)作為基準(zhǔn)數(shù)據(jù)。分別從第Ⅰ類誤差、第Ⅱ類誤差、總誤差以及Kappa系數(shù)四個(gè)方面對(duì)提取結(jié)果進(jìn)行定量評(píng)價(jià)。

圖14 山型屋頂建筑物提取結(jié)果Fig.14 Extraction results of mountain roof buildings

圖15 平頂型屋頂建筑物提取結(jié)果Fig.15 Extraction results of flat roof buildings

圖16 人字型屋頂建筑物提取結(jié)果Fig.16 Extraction results of herringbone roof buildings

①第Ⅰ類誤差定義為建筑物點(diǎn)誤分為非建筑物點(diǎn)的誤差，計(jì)算公式如下：

(5)

式中，b為建筑物點(diǎn)誤分為非建筑物點(diǎn)的數(shù)目，e為參考數(shù)據(jù)中的建筑物點(diǎn)數(shù)目。

②第Ⅱ類誤差定義為非建筑物點(diǎn)誤分為建筑物點(diǎn)的誤差，計(jì)算公式如下：

(6)

式中，c為非建筑物點(diǎn)誤分為建筑物點(diǎn)的數(shù)目，f為參考數(shù)據(jù)中的非建筑物點(diǎn)數(shù)目。

③總誤差計(jì)算公式如下：

(7)

④Kappa系數(shù)計(jì)算公式如下：

Kappa系數(shù)=

(8)

式中，a為分類正確的建筑物點(diǎn)總數(shù)目，d為分類正確的非建筑物點(diǎn)總數(shù)目，g表示本文算法提取的建筑物點(diǎn)總數(shù)，g表示本文算法提取的非建筑物點(diǎn)總數(shù)。

對(duì)上述三種算法建筑物提取結(jié)果進(jìn)行統(tǒng)計(jì)，分別如表1、表2、表3所示，其中涵蓋了正確提取建筑物以及非建筑物點(diǎn)數(shù)量、將參考數(shù)據(jù)中的建筑物誤分類為非建筑物、將參考數(shù)據(jù)中的非建筑物誤分類為建筑物等內(nèi)容。表4是對(duì)表1、表2、表3統(tǒng)計(jì)結(jié)果做的定量精度評(píng)價(jià)，從表中可以看出，文獻(xiàn)[18]算法精度差距比較大，主要是因?yàn)樾螒B(tài)學(xué)算法提取建筑物的局限性，主要適用于地形平坦的小區(qū)域，而且建筑物與植被高程差別明顯。表中Ⅰ類誤差比較大，說(shuō)明該算法對(duì)于建筑物漏提取現(xiàn)象比較嚴(yán)重，主要因?yàn)閿?shù)據(jù)集地形起伏明顯，建筑物高程相差比較大，這樣在生成DSM深度圖像以及二值化處理之后，與植被高程相當(dāng)?shù)慕ㄖ锉划?dāng)成植被過(guò)濾掉，導(dǎo)致漏提取現(xiàn)象；總誤差以及Kappa系數(shù)比較差，是因?yàn)棰耦愓`差比較大所導(dǎo)致，也說(shuō)明了文獻(xiàn)[18]算法還沒有達(dá)到普適性。但是Ⅱ類誤差控制的比較好，表明對(duì)于植被的過(guò)濾效果比較好。本文算法的Ⅰ類誤差維持在0.84%～4.90%，說(shuō)明對(duì)于建筑物點(diǎn)云提取的完整性很高，其中對(duì)于CSite3數(shù)據(jù)，文獻(xiàn)[13]算法的Ⅰ類誤差比本文算法略好，是因?yàn)楸疚乃惴ㄔ谶B通性分析單體建筑物分割之后，設(shè)定的面積閾值稍大，將個(gè)別面積較小的建筑物過(guò)濾掉。本文算法的Ⅱ類誤差在0.06%～1.67%范圍，充分說(shuō)明本文算法對(duì)于區(qū)域生長(zhǎng)之后的后處理效果很好，可以將非建筑物點(diǎn)過(guò)濾掉，降低誤分率。Ⅰ類誤差和Ⅱ類誤差比較低，致使總誤差也比較理想。Kappa系數(shù)控制在96%左右，表明本文算法建筑物提取結(jié)果與參考數(shù)據(jù)結(jié)果的高度一致性，各類建筑物提取的魯棒性比較好，同時(shí)對(duì)于非建筑物的分離也比較準(zhǔn)確，通過(guò)比較充分論證本文算法的可行性。

表1 文獻(xiàn)[13]算法建筑物提取結(jié)果精度評(píng)價(jià)

表2 文獻(xiàn)[18]算法建筑物提取結(jié)果精度評(píng)價(jià)

表3 本文算法建筑物提取結(jié)果精度評(píng)價(jià)

表4 三種算法精度對(duì)比

4 結(jié)論

本文提出一種結(jié)合邊緣點(diǎn)區(qū)域生長(zhǎng)及主成分分析的機(jī)載LiDAR點(diǎn)云建筑物提取算法，該方法利用Delaunay三角網(wǎng)提取的建筑物邊緣點(diǎn)作為種子點(diǎn)進(jìn)行區(qū)域生長(zhǎng)，然后結(jié)合主成分分析及單體化分割對(duì)提取到的建筑物點(diǎn)云進(jìn)行后處理，得到可靠的提取結(jié)果。該算法具備以下特點(diǎn)：①改變了原有先濾波后提取的建筑物點(diǎn)云提取方式，無(wú)需濾波處理，直接對(duì)原始機(jī)載LiDAR點(diǎn)云處理，提高處理效率；②優(yōu)化了種子點(diǎn)的選取方式，增加了種子點(diǎn)的可靠性；③局部區(qū)域生長(zhǎng)方式增加了對(duì)地形以及不同房屋類型的自適應(yīng)性，同時(shí)也解決了現(xiàn)有算法中植被與建筑物緊鄰而導(dǎo)致建筑物提取精度低的問題；④將主成分分析方法引入到點(diǎn)云數(shù)據(jù)處理中，極大的提高了建筑物提取的準(zhǔn)確性；⑤最終實(shí)現(xiàn)建筑物點(diǎn)云單體分割。通過(guò)不同算法對(duì)不同測(cè)區(qū)點(diǎn)云數(shù)據(jù)進(jìn)行建筑物提取，驗(yàn)證了本文算法的可靠性與適用性。后續(xù)將對(duì)屋頂面的精確分割以及邊界線的規(guī)則化做進(jìn)一步的研究，為建筑物的三維重建作準(zhǔn)備。