Wykrywanie budynków na podstawie lotniczego skanowania laserowego

ROCZNIKI GEOMATYKI 2006 m TOM IV m ZESZYT 3

WYKRYWANIE BUDYNKÓW NA PODSTAWIE

LOTNICZEGO SKANOWANIA LASEROWEGO

DETECTION OF BUILDINGS BASED

ON AIRBORNE LASER SCANNING DATA

Krystian Pyka1

1_{Zak³ad Fotogrametrii i Informatyki Teledetekcyjnej, Akademia Górniczo-Hutnicza} 2 _{Instytut Geografii i Gospodarki Przestrzennej, Uniwersytet Jagielloñski} S³owa kluczowe: laser, skanowanie, wykrywanie budynków, modelowanie budynków Keywords: laser, scanning, building detection, building modeling

Wprowadzenie

Lotniczy skanowanie laserowe jest jedn¹ z najszybciej rozwijaj¹cych siê technik zdalnego pozyskiwania danych. Z punktu widzenia klasyfikacji teledetekcyjnych metod zbierania in-formacji o œrodowisku jest to technika aktywna – wysy³ane i odbierane s¹ impulsy œwiat³a laserowego, ale wynikiem nie jest obraz a zbiór wspó³rzêdnych XYZ wszystkich tych punk-tów, które odbi³y padaj¹ce œwiat³o. W literaturze technika ta jest czêsto okreœlana akronimem LIDAR (ang. Light Detection And Ranging). Nale¿y jednak zauwa¿yæ, ¿e jest to pewne uproszczenie, ten sam akronim oznacza bowiem tak¿e metodê lub urz¹dzenie do sondowania atmosfery w celu wykrywania i badania zanieczyszczeñ (Dworak, 1990). Lidary atmosfe-ryczne sondujê atmosferê (najczêœciej ze stanowisk naziemnych) w okreœlonym kierunku, nie wystêpuje w nich element skanowania. W niniejszym artykule jako skrótowe okreœlenie lotniczego skanowania laserowego bêdzie u¿ywany akronim ALS (ang. Airborne Laser Scan-ning) (Baltsavias, 1999a,b).

Wynikiem skanowania laserowego jest zbiór punktów o znanych wspó³rzêdnych XYZ nazywany obrazowo „chmur¹ punktów”. Zbiór ten wymaga podzia³u na podzbiory odpo-wiadaj¹ce ró¿nym klasom obiektów, a celem koñcowym jest modelowanie okreœlonych obiek-tów. Typowym zadaniem jest wyselekcjonowanie punktów, które le¿¹ na powierzchni tere-nu, a w konsekwencji tworzenie numerycznego modelu terenu (ang. DTM – Digital Terrain Model). Do tego celu opracowano wiele algorytmów filtruj¹cych dane (Axelsson, 1999; Borkowski, 2002; Sohn, Dowman, 2002; Hyyppä i in., 2002; Marmol, 2003; Borkowski, 2005; Marmol, 2005). Ale specyfika danych ALS predysponuje je przede wszystkim do tworzenia numerycznego modelu pokrycia terenu (ang. DSM – Digital Surface Model).

Skanowanie laserowe jako technika pozyskiwania danych 3D znakomicie wpisuje siê w tendencjê rozwoju GIS w kierunku tzw. 3D GIS, czyli takiego w którym geometria obiektów jest z³o¿ona z elementów wyznaczonych przez zbiory wspó³rzêdnych XYZ (w tradycyjnym GIS obiekty s¹ opisane przez zbiory XY, wspó³rzêdna Z jest wyznaczana poœrednio np. z DTM, mo¿e te¿ byæ atrybutem obiektu). Spektakularnym przejawem tego kierunku rozwoju GIS jest lawinowo rosn¹ca popularnoœæ trójwymiarowych modeli miast prezentowanych tak¿e w Internecie. Póki co modelowane s¹ g³ównie budynki, czêsto na relatywnie wysokim stopniu abstrakcji. ALS jest postrzegana jako technika pozyskiwania danych do tworzenia modeli o du¿ej dok³adnoœci i szczegó³owoœci.

Potencja³ techniczny

lotniczego skanowania laserowego

Zasada dzia³ania lotniczego skanowania laserowego jest opisana w wielu publikacjach, m.in. w (Kurczyñski 1999, 2006). Dlatego ograniczono siê do najistotniejszych informacji oraz przedstawiono tendencje rozwojowe z ostatniego okresu.

System skanowania laserowego obejmuje segment pok³adowy i naziemny, na które sk³a-daj¹ siê:

m segment pok³adowy:

– mechanizm skanuj¹cy z dalmierzem laserowym (sensor),

– odbiornik GPS do okreœlania pozycji i urz¹dzenie INS (Inertial Navigation System) do okreœlania nachylenia sensora,

– blok rejestracji danych (dyski twarde o podwy¿szonej odpornoœci na wstrz¹sy), m segment naziemny:

– naziemna stacja referencyjna GPS jako komponent umo¿liwiaj¹cy zastosowanie me-tody ró¿nicowej DGPS do wyznaczenia chwilowej pozycji sensora,

– robocza stacja do przetwarzania danych (korekcje b³êdów systematycznych, integra-cja pomiarów – wykonanych w szeregach – w bloki ).

Na pok³adzie statku powietrznego, obok sensora laserowego, zazwyczaj umieszczana jest semi-fotogrametryczna kamera cyfrowa.

W ALS stosuje siê ró¿ne mechanizmy skanuj¹ce, powoduj¹ce „przeczesywanie obsza-rów ró¿nymi wzorcami”. Stosuje siê skanowanie w postaci linii uk³adaj¹cych siê w zygzak, linii równoleg³ych w przybli¿eniu prostopad³ych do kierunku lotu, linii elipsoidalnych oraz linii równoleg³ych wzajemnie i do kierunku lotu, co odpowiada wymienionym w tabeli 1 typom skanowania, w kolejnoœci: lustro oscyluj¹ce, lustro obrotowe, lustro wygiête, œwia-t³owodowy. (Wehr, Lohr, 1999). Ka¿dy z czterech typów skanowania jest stale udoskonala-ny i znajduje porówudoskonala-nywalne zastosowanie w praktyce. Przyk³ad zbioru punktów powsta³ego w wyniku skanowania quasi-eliptycznego pokazany jest na rysunku 1.

Kolejne impulsy laserowe wysy³ane s¹ z relatywnie wysok¹ czêstotliwoœci¹ co powodu-je, ¿e obszar skanowania jest opisany przez zbiór punktów X,Y,Z o œredniej wzajemnej odle-g³oœci XY rzêdu decymetrów (w tabeli 1 podana jest gêstoœæ skanowania). Pomimo emisji impulsów w równych odstêpach czasu, odleg³oœci miêdzy punktami nie s¹ jednakowe. Wy-nika to z przechy³ów statku powietrznego podczas skanowania, jak i nieregularnej pracy

SL A hc yzs jei nr alu po pja n hc ynz cin hc et wór te mar ap hc yw ow ats do p ein ei wat se Z. ale ba T N O CL AFI II II N O CL AF6 5 REI RR A H4 2 REI RR A H0 01 3 MT L AA E0 01 3 MT L A0 04 P A M-I LFI I k M ey Ep oT0 5S L AI I-05 SL AR EP P A ME TI L 0065 RE PP A ME TI L 0042 ME TS YS sy So po Ts yS op oTs yS op oTs yS op oTh cet p Oh cet p Oo rg uFb aa Sa cie La cie LH b mI GIH b mI GI tn ec ud or p -H /SH /SH S S H H/ SH /SH /SH /SH a mr oft alp 00 61/ 060 05 2/0 30 05 1/0 30 54/ 030 05 3/0 80 05 3/0 80 04/ 50 00 1/0 60 00 4/-0 00 6/0 020 08 1/0 30 02/ 01 xa m/ni m ] m[ æœ ok os yw -o³t ai wœ y wo do w re bi F( )h cti ws -o³t ai wœ y wo do w re bi F( )h cti ws ort sul e wot or bo gnit ato R( )n og ylo p ort sul e wot or bo gnit ato R( )n og ylo p ec ¹jul ycs o ortsul gnit alli cs O( )r orri m ec ¹jul ycs o ortsul gnit alli cs O( )r orri m ort sul e wot or bo gnit ato R( )n og ylo p etêi gy w ortsul gnit atu N( )r orri m ec ¹jul ycs o ortsul gnit alli cs O( )r orri m ec ¹jul ycs o ortsul gnit alli cs O( )r orri m ort sul e wot or bo gnit ato R( )n og ylo p ort sul e wot or bo gnit ato R( )n og ylo p pyt ar en ak s °4 1° 72° 06 bul °5 4° 06 )aj cp o –° 08( °5 2 ± 0° 52 ± 0° 06° 02-°4 1° 57 )° 5.7 3-01 ±( °5 7) °5 4( °5. 22 ± )° 06( °0 3 ± )° 06( °0 3 ± )° 08( °0 4 ± t¹ k ain aw on ak s L G A 52, 0L G A 74, 0L G A 38, 0 )°54( L G A 51, 1 )° 06( L G A 00, 1L G A 39, 0-0L G A 39, 0-0L G A 41, 1L G A 37, 0-0L G A 35, 1L G A 35, 1L G A 38, 0 )°54( L G A 51, 1 )°06( L G A 51, 1 )°06( L G A 86, 1 )°08( gêi saz ynz cez rp op ain aw on ak s dar m 5,0d ar m 7,0d ar m 5,0d ar m 7,2d ar m 2,0 dar m 8,0 bul dar m 3,0 dar m 8,0 bul –d ar m 1d ar m 33, 0d ar m 22, 0d ar m 5,0d ar m 3 æœ on¿ eib zor ikz¹iw mc 01 )L GA m0 02( mc 41 )L GA m0 02( mc 01 )L GA m0 02( mc 45 )L GA m0 02( bul mc 4 mc61 )L G A m 00 2( bul mc 6 mc61 )L G A m 00 2( –m c 02 )L G A m 00 2( mc 6,6 )L G A m 00 2( mc 4,4 )L G A m 00 2( mc 01 )L G A m 00 2( mc 06 )L G A m 00 2( yw on er et rai my w ik mal p mn 06 51– mn 05 51m n 50 9m n 46 01m n 46 01– mn 05 51m n 46 01m n 46 01m n 05 51m n 50 9 ila f æœ og u³d 385 21-05) °5 4( 05 )° 06( 66 010 01-330 01-330 510 53 80 51) °5 4( 05 )° 06( 66 01 æœ owi lto ts êzc uslupmi ]zHk[ z H 35 6-z H 56 1 z H 51 4 z H 5 z H 06 1 -z H 6 z H 08 ;a nn ei mz z H 07 xa m ;a nn ei mz z H 07 xa m z H 05 1– z H 07-0z H 09z H 06 1-5) °0 6( z H 08-6 )° 08( z H 06-5 æœ owi lto ts êzc ain aw on ak s 72 m 00 4( )LGA 12 m 00 4( )LGA 51 )L G A m 00 2( 1 )L GA m 002( –– 73 )L G A m 00 2( 52 )L G A m 00 2( –– 11 : H ;) L G A m 00 2( 5,7 ;) L G A m 00 3( 7,3:S )L G A m 00 3( 2,2 )L G A m 00 2( æœ ots êg m/tkp( 2) –1 ,0 </2, 0<7 0,0/ 91, 0 )L G A m 00 8( 60, 0/2 1,0 )L G A m 00 2( L G Ax 50 00, 0 m 00 21-51, 0/ LGA L G Ax 81 00 0,0 m 00 5-50, 0/ LGA 50, 0/8 0,0– / 57, 0-51, 0± 05, 0-51, 0± / 56, 0-01, 0± 42, 0-01, 0± 30, 0/1, 0 )L G A m 00 8( 20, 0/4 0,0 )L G A m 00 2( æœ on da³ ko d /a moi zo p ] m[ aw on oip me ner et da no p æœ ok osy w – L G Ar etp okil eh – H,t olo mas – S .)l ev eL dn uor G ev ob A(

Rys. 1. Zbiór punktów powsta³y w wyniku skanowania „eliptycznego” (rzut na p³aszczyznê poziom¹)

samego mechanizmu skanowania. Ponadto na rozk³ad punktów ma wp³yw wychylenie kierunku impul-su od nadiru, a tak¿e rzeŸba terenu. .W tabeli 1 zamieszczono specy-fikacjê techniczn¹ systemów które pojawi³y siê po 2000 r. Pokazano tak-¿e systemy które dopiero wchodz¹ do u¿ycia (np. Leica ALS50-II, Falcon III). System HARRIER 56 stosuje skaner Riegl LMS-Q560, a HARRIER 24 skaner Riegl LMS-Q240i, dlatego w tabeli nie zamieszczono osobno specyfikacji systemów Riegl-a. W ta-belce nie zamieszczono te¿ danych dla systemów ALMIS-350 oraz ALTMS-4036 (Terrapoint) oraz produkowa-nych przez Laseroptronix z powodu braku opublikowanej specyfikacji.

W stosunku do skanerów z dru-giej po³owy lat 90. XX w. mo¿na zauwa¿yæ wyraŸn¹ poprawê

parame-trów. Producenci zwiêkszaj¹ czêstotliwoœæ, zasiêg, dok³adnoœci. Standardem staje siê ska-nowanie z gêstoœci¹ kilkunastu pkt/m2_{. Tymczasem przy gêstoœci 1 pkt/m}2 _{na powierzchniê}

1 km2 _{przypada 1 mln punktów! Praktycznie wszystkie skanery wspó³pracuj¹ z cyfrowymi}

kamerami fotograficznymi. Systemy Harrier, Falcon III opcjonalnie oraz LITEMAPPER 5600 umo¿liwiaj¹ analizê pe³nego pasma odbitej fali. Pozosta³e w wiêkszoœci wykrywaj¹ 4 odbicia, z wyj¹tkiem LITEMAPPER 2400 i FALCON II, które ograniczaj¹ siê do pierwszego i ostat-niego. Niektórzy producenci umo¿liwili zamontowanie swoich systemów na samolotach jak i helikopterach. Wykonuj¹c nalot helikopterem uzyskuje siê wiêksz¹ gêstoœæ punktów wyni-kaj¹c¹ z mniejszej prêdkoœci statku powietrznego.

Przegl¹d stosowanych metod wykrywania

i modelowania budynków

Przez wykrywanie (ang. detection, extraction) budynków na podstawie danych ALS ro-zumie siê identyfikacjê punktów, które reprezentuj¹ odbicie impulsu od dachów budynków co umo¿liwia okreœlenie obrysów budynków lub ich zwartych kompleksów ale bez szczegó-³owej informacji dotycz¹cej atrybutów budynków (Cho i in., 2004). Jeœli obok obrysu bu-dynku okreœlane s¹ kszta³t i rozmiary 3D, wówczas mówi siê o modelowaniu b¹dŸ rekon-strukcji budynków. Terminologia jednak nie jest ustabilizowana, niektórzy autorzy w pojêciu ekstrakcja zawieraj¹ tak¿e modelowanie budynków, niektórzy zaœ uznaj¹, ¿e samo wskazanie punktów nale¿¹cych do budynków jest ju¿ modelowaniem.

Zagadnienie wykrycia a nastêpnie modelowania budynków jest z regu³y bardzo z³o¿one, zw³aszcza w przypadku zabudowy zwartej i jednoczeœnie zró¿nicowanej wysokoœciowo. Poszukuje siê zarówno metod pó³automatycznych, wspomaganych przez operatora, jak i rozwi¹zañ w pe³ni automatycznych (Gruen, 1997; Paparoditis i in., 1998; Mayer, 1999; Maas, Vosselman, 1999; Brenner, 2001; Baltsavias, 2004). Zdobyte doœwiadczenia zo-sta³y zaimplementowane w specjalistycznym oprogramowaniu, które oprócz generowa-nia DTM lub DSM z chmury punktów pozwala na tworzenie modeli budynków (np. TerraScan).

W latach 2002–2004 pod auspicjami EuroSDR (European Spatial Data Research – http:/ /83.138.131.106/eurosdr/2002/index.htm) zosta³ wykonany interesuj¹cy projekt polegaj¹cy na porównaniu ró¿nych metod ekstrakcji budynków (Ahokas i in., 2005). W badaniach wykorzystano identyczne dane dla wszystkich metod. Celem projektu by³a ocena jakoœci, szybkoœci wykonania oraz aspektów ekonomicznych:

1. semi-automatycznej ekstrakcji budynków technikami fotogrametrycznymi,

2. semi-automatycznej i automatycznej ekstrakcji budynków z wykorzystaniem danych ALS,

3. semi-automatycznej i automatycznej ekstrakcji budynków z wykorzystaniem zintegro-wanych danych fotogrametrycznych i ALS.

Wyniki potwierdzi³y wczeœniejsze doniesienia o zaskakuj¹co wysokiej dok³adnoœci da-nych ALS, porównywalnej z dok³adnoœciami fotogrametrycznymi uzyskiwanymi z wielko-skalowych zdjêæ lotniczych. Ponadto stwierdzono, ¿e ³¹czenie techniki lidarowej i fotogra-metrycznej skutkuje efektem synergicznym i taka fuzja najlepiej rokuje w aspekcie automaty-zacji procesu wykrywania i modelowania obiektów. Wskazano tak¿e na walory metod kom-binowanych z dodatkowym u¿yciem map katastralnych, technicznych, topograficznych, nie wykluczaj¹c obrazów satelitarnych.

Metody wspomagania danych ALS o inne, niezale¿nie pozyskane informacje s¹ propono-wane przez wielu autorów (Brenner, 2000; Vosselman, Dijkman, 2001; 2003; Sohn, Do-wman, 2002). Ciekaw¹ metodê wykrywania budynków wspomagan¹ zdjêciami lotniczymi zaproponowali (Schenk i in., 1999). Metoda ta ogranicza siê do okreœlenia obrysu budynku. Inny autor (Ameri, 2000) proponuje segmentacjê na zdjêciu lotniczym, jak i na (pseudo) rastrze DSM, a nastêpnie ³¹czy krawêdzie uzyskane w dwóch podejœciach w celu polepsze-nia ich geometrii. Podobna technika pó³automatycznej ekstrakcji zosta³a zaproponowana przez Rottensteinera (2001).

Osobn¹ grupê stanowi¹ metody wykorzystuj¹ce g³ównie dane ALS (czasami wystêpuje w nich element wspomagania innymi danymi jako tzw. post-processing). Co prawda wiado-mo ju¿, ¿e najlepsze wyniki osi¹ga siê integruj¹c dane z ró¿nych Ÿróde³, tym niemniej tak postawiony problem badawczy jest interesuj¹cy z poznawczego punktu widzenia i dlatego jest rozwa¿any w dalszej czêœci niniejszej pracy. Metody oparte na danych ALS mo¿na po-dzieliæ na dwie podgrupy: wykorzystuj¹ce dane oryginalne oraz takie, które analizuj¹ dane wtórne w postaci siatki regularnej.

Reprezentantem pierwszej podgrupy jest metoda konstruuj¹ca model pokrycia terenu w postaci TIN (ang. Triangular Irregular Network); przed przyst¹pieniem do detekcji ko-nieczna jest strukturyzacja danych, najczêœciej z wykorzystaniem triangulacji 2D Delau-nay’a. (Morgan, Habit, 2001). Innym przyk³adem ekstrakcji budynków z oryginalnej chmu-ry punktów jest metoda, polegaj¹ca na wyznaczeniu linii prostych w okreœlonym rzucie na p³aszczyznê punktów pomiarowych (Schwalbe 2001). Ze wzglêdu na ró¿ne kszta³ty

da-chów wymagania algorytmów detekcji s¹ zró¿nicowane. Niestety, nie wszystkie elementy budynku mog¹ byæ wyznaczone, dlatego pomocny jest okreœlony model a priori (charakte-rystyczny dla wiêkszoœci budynków na badanym terenie).

Drugi nurt metodyczny analizuje dane przekszta³cone do postaci regularnej siatki (ang. grid). Taka postaæ danych jest jednoczeœnie wad¹ i zalet¹. Wad¹ dlatego, ¿e nie korzysta siê de facto z danych oryginalnych lecz z ich siatkowej reprezentacji. Natomiast zalet¹ tej repre-zentacji jest mo¿liwoœæ prowadzenia analiz za pomoc¹ dobrze znanych operacji z zakresu przetwarzania obrazów i GIS rastrowego. W literaturze opisano wiele sposobów detekcji budynków, w których wykorzystano siatk¹ regularn¹ (Maas, 1999; Dash i in., 2004; Matika-inen i in., 2003). Szczególnie nale¿y wyró¿niæ metodê opublikowan¹ przez (Rottensteiner, Briese, 2003), w której wpierw automatycznie s¹ wykrywane rejony wystêpowania budyn-ków, a nastêpnie wyznacza siê p³aszczyzny dachu przez segmentacjê uwzglêdniaj¹c¹ krzy-wizny (potem model jest ulepszany przy pomocy wszelkich dostêpnych informacji). Eks-trakcjê ró¿nych obiektów przez klasyfikacjê z wykorzystaniem analizy tekstury na zdjêciach lotniczych zaproponowa³ Fuchs (1998).

Po wykonaniu prawid³owej klasyfikacji punktów mo¿na rozpocz¹æ geometryczne mode-lowanie obiektów 3D. Obecnie w modelowaniu mo¿na rozró¿niæ dwa podejœcia, które w efekcie prowadz¹ do uzyskania dwóch ró¿nych modeli: modelu parametrycznego i modelu nieparametrycznego (ogólny).

Model parametryczny oparty jest na uprzednim zdefiniowaniu cech charakterystycznych budynku – parametrów geometrycznych (ang. top-down). Modele s¹ uzyskiwane przez mi-nimalizacjê ró¿nicy miêdzy oczekiwanym a rzeczywistym modelem opisanym przez punkty laserowe, a¿ do momentu osi¹gniêcia optymalnej zgodnoœci modeli (Maas, Vosselman, 1999). Analizowane s¹ wartoœci parametrów, co umo¿liwia okreœlenie: po³o¿enia budynku, g³ów-nych k¹tów za³amania dachów, nachylenia p³aszczyzn dachów, wysokoœæ budynku oraz jego powierzchniê. Takie rozwi¹zanie pozwala uzyskaæ model zgodny z rzeczywistym. Jed-nak metoda ta stosowana jest tylko dla budynków o regularnych kszta³tach, wystêpuj¹cych na obszarach o rzadkiej zabudowie.

Metoda nieparametryczna (ang. bottom-up) oparta jest na analizie chmury punktów. Na pocz¹tku wybiera siê obszary homogeniczne, a nastêpnie wyznacza siê p³aszczyzny dachu wykorzystuj¹c segmentacjê uwzglêdniaj¹c¹ krzywizny. P³aszczyzny s¹ grupowane, okre-œlany jest kszta³t krawêdzi dachu, a ca³y model jest ulepszany dziêki integracji wszelkich dostêpnych informacji, w tym dotycz¹cych geometrii (Rottensteiner i Briese, 2003). Wy-sokoœæ budynku i po³o¿enie okreœlane jest na podstawie rozk³adu punktów terenowych. Model ten jest bardziej elastyczny ni¿ model parametryczny. Korzysta siê w nim czêsto z dodatkowych informacji pozyskanych np. z ortofotomapy lub fotogrametrycznego mode-lu stereoskopowego.

Eksperyment badawczy

Przeprowadzono eksperyment polegaj¹cy na wykryciu budynków za pomoc¹ dwóch metod, z których jedna wykorzystuje do analizy dane oryginalne, a druga – dane przetworzo-ne do siatki regularprzetworzo-nej (Bucior, 2006).

Metody bazuj¹ce na chmurze punktów s¹ z natury bardziej skomplikowane, dlatego wy-korzystano specjalistyczny program TerraScan, jeden z modu³ów pakietu firmy TerraSolid (Soininen, 2003). Rekomendacj¹ dla tego programu s¹ obiecuj¹ce rezultaty opisywane w publikacjach (Crosilla i in., 2004; 2005), efektywnoœæ programu by³a tak¿e analizowana w projekcie EuroSDR.

Druga z testowanych metod, okreœlana dalej jako analiza rastrowa (poprawniejsze jest okreœlenie – pseudorastrowa), jest syntez¹ rozwi¹zañ opisanych w uprzednio cytowanej literaturze, ma charakter analizy wieloczynnikowej, a ostateczny rezultat to wynik z³o¿enia obrazów poœrednich. Wykonanie tych operacji pierwotnie zaplanowano w programie Idrisi, a póŸniej uzupe³niono o program do specjalistycznej analizy tekstury.

Ekstrakcjê budynków przeprowadzono na danych udostêpnionych przez Biuro Pla-nowania Przestrzennego Urzêdu Miasta Krakowa, dla potrzeb dydaktycznych i badaw-czych na Wydziale Geodezji Górniczej i In¿ynierii Œrodowiska AGH. Podstawowe para-metry charakteryzuj¹ce wykonany w 2004 r. nalot nad fragmentem Krakowa s¹ nastê-puj¹ce:

m mechanizm skanuj¹cy TopEye Mk II, czêstotliwoœæ impulsu lasera 50 kHz, m œrednia wysokoœæ lotu 530 m nad terenem, œrednia prêdkoœæ lotu 45 km/h,

m szerokoœæ pasa skanowania ok. 200 m – 9 pasów o pokryciu poprzecznym ok. 50 m, m œrednia gêstoœæ rejestrowanych punktów 1,5 pkt/m2,

m rejestracja liczby odbiæ pojedynczego impulsu laserowego oraz intensywnoœci odbi-cia,

m zapis danych w uk³adzie UTM, format binarny.

Do badañ wybrano dwa obszary testowe, o powierzchni ok. 10 ha ka¿dy , nazwane umownie jako ³atwy i trudny, dla których dysponowano zbiorem ok. 1 mln punktów z ALS. Na obszarze ³atwym s¹ zlokalizowane bloki wielorodzinne, powtarzalne, z p³askimi lub lekko nachylonymi dachami, wolnostoj¹ce wœród zieleni (typowe osiedle z lat 70. ubieg³ego wieku). Natomiast obszar trudny to zabudowa podmiejska z prze³omu XIX i XX wieku, póŸniej wielokrotnie przebudowywana; jest zwarta i zró¿nicowana wysoko-œciowo.

Algorytm TerraScan

Proces detekcji budynków w programie TerraScan ma charakter etapowy, przy czym mo¿na wyró¿niæ dwie g³ówne fazy: pierwsza to zgrubne wskazanie punktów nale¿¹cych do budynków, a druga to poprawianie wstêpnej klasyfikacji. W ramach fazy pierwszej wpierw identyfikuje siê punkty le¿¹ce na terenie stosuj¹c metod¹ aktywnego modelu TIN (a), potem wyniesione ponad teren o za³o¿on¹ wielkoœæ (b), a nastêpnie le¿¹ce prawdopodobnie na dachach budynków (c). Natomiast w drugiej fazie z uprzednio wyselekcjonowanego zbioru punktów usuwa siê kolejno punkty mog¹ce le¿eæ na koronach drzew (d), potem tzw. punkty odizolowane (e) oraz te, dla których wyst¹pi³o wiêcej ni¿ jedno odbicie impulsu laserowego (f). W poszczególnych etapach a–f deklaruje siê szereg krytycznych dla wyników algorytmu parametrów, co pokazano na rysunku 2. Uzyskany wynik jest pokazany na rysunku 3a i 3d, odpowiednio dla obu obszarów testowych (³atwego i trudnego).

Analiza rastrowa

Pierwsza czynnoœci¹ by³o utworzenie siatki kwadratowej w której wêz³ach s¹ zapisane wysokoœci. Przy pomocy interpolacji udostêpnianej przez program TerraSolid wygenerowa-no siatkê o interwale 1m, czyli o gêstoœci zbli¿onej do œredniej gêstoœci danych oryginalnych, co jest zgodne z zaleceniami znanymi z literatury (Smith i in., 2004). Tak uzyskany wtórny zbiór danych wysokoœciowych w formacie ASCII wprowadzono do programu Idrisi i utwo-rzono plik rastrowy, w którym atrybut piksela odpowiada wysokoœci.

W dalszych dzia³aniach siatkê wysokoœciow¹ traktowano jak obraz cyfrowy (struktura jest taka sama) i generowano obrazy wtórne: obraz spadków – jako tzw. pierwsza pochodna, obraz krzywizny – jako tzw. druga pochodna obrazu wysokoœci. W trakcie wstêpnych ba-dañ stwierdzono, ¿e wystêpuje problem z odizolowaniem pikseli reprezentuj¹cych budynki i wysokie drzewa o roz³o¿ystych koronach. Konieczne sta³o siê przyjêcie dodatkowego para-metru charakteryzuj¹cego teksturê obrazu wysokoœci (tj. przestrzenne zwi¹zki zachodz¹ce pomiêdzy wysokoœciami), u³atwiaj¹cego separacjê drzew i budynków. Parametry tekstury liczone w programie Idrisi uznano za zbyt uproszczone i siêgniêto po program MaZda, opra-cowany w Instytucie Elektroniki Politechniki £ódzkiej, udostêpniany bezp³atnie w Internecie

Rys. 2. Parametry deklarowane dla kolejnych etapów detekcji budynków (dla obszaru testowego I) – w programie TerraScan; etapy a–f opisane w tekœcie

(Materka i in., 2001). Po wykonaniu wielu prób, za najlepszy wskaŸnik ró¿nicuj¹cy teksturê dachów i drzew wybrano drugi moment k¹towy (ang. angular second moment) (Rudnicki, 2002).

Ostatecznie analiza sk³ada³a siê z trzech etapów, w ka¿dym wykorzystywano inny obraz: m wskazanie pikseli le¿¹cych ponad 3 m nad terenem i tworz¹cych skupiska o powierzchni

wiêkszej od 20 m2 _{(analiza obrazu wysokoœci),}

m identyfikacja miejsc gdzie tekstura wyra¿ona przez drugi moment k¹towy odpowiada p³aszczyznom dachów (poziomym lub nachylonym), czyli odseparowanie miejsc w których jest bardzo zmienna tekstura (analiza obrazu tekstury),

m detekcja miejsc o spadkach powy¿ej 400 (analiza obrazu spadku).

Rys. 3. Wyniki detekcji budynków: lewa kolumna – algorytm TerraSolid (a,d), srodkowa – analizy rastrowe (b,e), prawa kolumna – model referencyjny (c,f)

Na ka¿dym etapie generowano obrazy o wartoœciach [0,1], gdzie 1 oznacza spe³nienie, a 0 – niespe³nienie okreœlonych warunków. Tak uzyskane obrazy sk³adowe by³y sk³adnikami ana-lizy wieloczynnikowej obejmuj¹cej sekwencjê dzia³añ takich jak iloczyn logiczny obrazów i ró¿nica. Ostateczny wynik w postaci obrazów zawieraj¹cych piksele nale¿¹ce do budynków przedstawiony jest na rysunkach 3b i 3e, odpowiednio dla obu obszarów testowych.

Wyniki

Dla potrzeb analizy skutecznoœci wykrywania budynków testowanymi metodami opra-cowano wzorzec budynków. Do tego celu wykorzystano model stereoskopowy z³o¿ony ze zdjêæ w skali 1:13000 i na stacji fotogrametrycznej dokonano stereodigitalizacji dachów. Nastêpnie porównywano wzorzec z wynika-mi eksperymentów, bior¹c pod uwagê liczbê wykrytych budynków oraz globaln¹ po-wierzchniê w odniesieniu do wzorca. Opra-cowany model referencyjny jest pokazany na rysunkach 3c i 3f, obok wyników z obu te-stowanych metod.

Stwierdzono, ¿e na obszarze o rozproszo-nej i wielkogabarytowej zabudowie lepsze wy-niki daje algorytm TerraScan. T¹ metod¹ zo-sta³y wykryte praktycznie wszystkie budyn-ki, krawêdzie ich s¹ prostoliniowe. Warto nadmieniæ, ¿e w tym programie mo¿na mo-delowaæ wykryte budynki co pokazuje rysu-nek 4 (do modelowania jest stosowane opisane uprzednio rozwi¹zanie nieparametryczne).

Dla obszaru o zwartej zabudowie ró¿nica pomiêdzy wynikami z obu testowanych metod jest znacznie mniejsza. Jeœli weŸmie siê pod uwagê bilans powierzchni w odniesieniu do modelu referencyjnego, wówczas korzystniej wypada metoda oparta na analizie rastrowej. Nale¿y jednak wzi¹æ pod uwagê fakt, ¿e w zbiorze danych ALS dla niektórych dachów wyst¹pi³y bia³e plamy, skoncentrowane w pó³nocno-wschodniej czêœci testowanego obsza-ru co obni¿y³o stopieñ wykrycia budynków na podstawie chmury punktów.

Podsumowanie

Dziêki coraz doskonalszym instrumentom ALS zapewnia coraz wy¿sze dok³adnoœci okre-œlania wspó³rzêdnych XYZ, co – razem z olbrzymi¹ wydajnoœci¹ pomiaru – czyni tê technikê konkurencyjn¹ dla fotogrametrii w zakresie pozyskiwania danych punktowych. Co ciekawe techniki te nie konkuruj¹ ze sob¹ a wzajemnie siê wspomagaj¹ – od kilku ju¿ lat na platfor-mach lataj¹cych obok skanera laserowego montuje siê cyfrowe kamery fotograficzne, a typowymi produktami takich hybrydowych misji s¹ zarówno dyskretne modele powierzch-ni, jak i ortofotomapy.

Rys. 4. Model budynków opracowany za pomoc¹ TerraScan

Dane rejestrowane technik¹ ALS stanowi¹ dogodny punkt wyjœcia do automatyzacji pro-cesu wykrywania i modelowania obiektów. Zosta³o to ju¿ udowodnione w wielu publika-cjach, przy czym pocz¹tkowo badania dotyczy³y detekcji budynków o relatywnie prostych, powtarzalnych kszta³tach, czemu odpowiada „³atwy” obszar testowy wytypowany do rela-cjonowanych w pracy eksperymentów. W miarê doskonalenia metod stopniowo rozwa¿a siê równie¿ trudniejsze przypadki, reprezentatywnym przyk³adem jest drugi z badanych w pra-cy obszarów testowych.

Jak pokazuje dokonany przegl¹d literatury, proponuje siê wiele metod wykrywania obiek-tów, ¿adna jednak nie mo¿e byæ uznana jako wystarczaj¹co efektywn¹, ponadto osi¹gana wiarygodnoœæ wci¹¿ nie jest zadowalaj¹ca. Wiadomo, ¿e najlepsze wyniki uzyskuje siê inte-gruj¹c dane z ró¿nych Ÿróde³. Wiele problemów których nie rozstrzyga ALS daje siê rozwi¹-zaæ za pomoc¹ zdjêæ lotniczych (wykonywanych podczas tego samego nalotu z regu³y ka-merami semi-pomiarowymi); w sukurs przychodz¹ te¿ dane katastralne. Ponadto sama tech-nika ALS jest w dalszym ci¹gu doskonalona, du¿e nadzieje wi¹¿e siê zw³aszcza z systemami typu full waveform, czyli rejestruj¹cymi wiele odbiæ impulsu laserowego.

Przeprowadzone eksperymenty badawcze potwierdzaj¹, ¿e dostêpne oprogramowanie komercyjne spisuje siê poprawnie w terenach o rozproszonej zabudowie, przy czym wystê-puj¹ k³opoty z odseparowaniem roz³o¿ystych drzew o podobnej do budynków wysokoœci. Skutecznoœæ zaproponowanego postêpowania (pseudo) rastrowego jest podobna, poziom wykrywalnoœci budynków kszta³tuje siê na poziomie 60-90% w zale¿noœci od charakteru zabudowy, przy czym nieco lepsze wyniki - ani¿eli przy pomocy komercyjnego oprograwania - uzyskiwano dla zwartej zabudowy. Jednak¿e testowana metoda nie pozwala na mo-delowanie 3D, które powinno siê odbywaæ na danych oryginalnych. Wyobra¿alne jest jej zastosowanie do wskazywania miejsc wystêpowania zabudowy wraz z g³ównymi kierunka-mi jej przestrzennego usytuowania, co pozwala wytypowaæ optymalne kierunka-miejsca dla wykony-wania przekrojów pionowych przez chmurê punktów, które daj¹ siê wykorzystaæ do dalsze-go wymiarowania i modelowania budynków (np. z wykorzystaniem transformacji Hough). Jak wynika z doœwiadczeñ autorów pracy, dla potrzeb modelowania 3D nie jest konieczne dok³adne ustalenie obrysu budynków lecz pewne jego przybli¿enie – w trakcie modelowania dane analizowane s¹ na nowo i okreœlany jest obrys 3D.

W ramach badañ przeanalizowano wszystkie przypadki w których detekcja budynków by³a nieskuteczna. Du¿¹ przeszkod¹ okaza³y siê wysokie drzewa, czêsto wznosz¹ce siê po-nad dachami budynków. Popo-nadto dane ze skanowania zawiera³y doœæ liczne miejsca, w których LIDAR mierzy³ z bardzo ma³¹ gêstoœci¹, kilkukrotnie mniejsz¹ ni¿ œrednia wynosz¹-ca 1,5 pkt/m2_{. Te dziury bardziej obni¿y³y skutecznoœæ metody pierwszej. Natomiast}

s³abo-œci¹ metody opartej o analizy rastrowe by³a ma³a reprezentatywnoœæ siatki w miejscach drzew – zastosowana interpolacja zbytnio wyg³adza³a dana Ÿród³owe

Automatyzacja wykrywania i modelowania jest ju¿ obecna w liniach technologicznych firm produkcyjnych. Konieczne jest jednak dalsze jej doskonalenie, gdy¿ w centrach miast, a zw³aszcza w obszarach zabytkowych, czyli tam gdzie istnieje najwiêkszy popyt na modele przestrzenne, dotychczas wdro¿one rozwi¹zania s¹ zbyt ma³o skuteczne.

Literatura

Ahokas, Kaarttinen, Hyyppä J., 2005: EuroSDR Building Extraction comparison. Final Report.

Ameri B., 2000: Automatic Recognition and 3D Reconstruction of Buildings from Digital Imagery. PhD Thesis, Institute of Photogrammetry, Stuttgart University, DGK-C 526. 32 (3/1), pp. 400-408. Axelsson P., 1999: Processing of laser scanner data – algorithms and applications. ISPRS Journal of

Photo-grammetry & Remote Sensing 54, 138-147.

Baltsavias E.P.,1999a: Airborne laser scanning: existing systems and firms and other resources, ISPRS Journal of Photogrammetry & Remote Sensing 54 (1999).164–198.

Baltsavias E.P.,1999b: Airborne laser scanning: basic relations and formulas. ISPRS Journal of Photogramme-try & Remote Sensing 54 (1999).199–214.

Baltsavias E.P., 2004. Object extraction and revision by image analysis using existing geodata and knowledge: current status and steps towards operational systems. ISPRS Journal of Photogrammetry and Remote Sensing, 58(3-4): 129-151.

Borkowski A., 2003: Modelowanie powierzchni terenu zawieraj¹cej linie nieci¹g³oœci na podstawie danych skaningu laserowego. Archiwum Fotogrametrii, Kartografii i Teledetekcji, vol.13B, 307-314.

Borkowski A., 2005: Filtracja danych lotniczego skaningu laserowego z wykorzystaniem metody aktyw-nych powierzchni. Roczniki Geomatyki 2005, t. III z. 4. 35-42.

Bucior M., 2006: Wykrywanie budynków na podstawie lotniczego skaningu laserowego. Praca magisterska, AGH, Wydzia³ Geodezji Górniczej In¿ynierii Œrodowiska.

Brenner C., 2000: Towards fully automatic generation of city models. IAPRS 33 (B3), 85-92.

Brenner C., 2001: City models – automation in research and practise. Photogrammetric Week´01, pp. 149-158. Cho W., Jwa Y.S., Chang H.J., Lee S.H., 2004: Pseudo-grid Based Building Extraction Using Airborne Lidar

Data, ISPRS, Comm. 3.

Crosilla F., Visintini D., Prearo G., 2004: A Robust Method for Filtering Non-Ground Measurements from Airborne Lidar Data. ISPRS XXth Congress Comm.3.

Crosilla F., Visintini D., Sepic F., 2005: A segmentation procedure of LiDAR data by applying mixed parame-tric and nonparameparame-tric models. ISPRS WG III/3, III/4, V/3 Workshop „Laser scanning 2005”, Enschede. Dworak T. Z., 1990: Metodyka teledetekcyjnych badañ zapylenia atmosfery. ZN AGH, nr 1339, seria

Sozologia i Sozotechnika, z. 29.

Fuchs C., 1998: Extraktion polymorpher Bildstrukturen und ihre topologische und geometrische Gruppie-rung. PhD Thesis, Institute of Photogrammetry, Bonn University, DGK-C 502.

Gruen, A., Baltsavias E.P., Henricsson O., 1997: Automatic Extraction of Man-Made Objects from Aerial and Space Images (II), Birkhauser Verlag.

Hyyppä J., Pyssalo U., Hyyppä H., Samberg A., 2002: Elevation accuracy of laser scanning – derived digital terrain and target models in forest environment. International Archives of Photogrammetry and Remote Sensing, Vol. XXXIV / 3A, Graz.

Kurczyñski Z., 1999: Lotniczy skaner laserowy – nowa technologia pozyskiwania danych o rzeŸbie terenu. Geodeta nr 2 (45).

Kurczyñski Z., 2006: Lotniczy skaning laserowy (LIDAR). http://www.geoforum.pl/ (dostêp 24.07.2006). Maas H.G., Vosselman G., 1999: Two algorithms for extracting building models from raw laser altimetry data.

ISPRS Journal of Photogrammetry and Remote Sensing, 54 (2-3), pp. 153-163.

Marmol U., 2003: Pozyskanie numerycznego modelu powierzchni topograficznej (NMPT) w oparciu o dane wysokoœciowe pochodz¹ce z lotniczego skanera laserowego. Archiwum Fotogrametrii, Kartografii i Tele-detekcji, vol.13B, 419-426.

Marmol U., 2005: Filtrowanie danych wysokoœciowych pochodz¹cych z lotniczego skanera laserowego, Rozprawa doktorska, AGH, Kraków.

Materka A., Szczypiñski P., Kocio³ek M., Strzelecki M., 2001: Computer program for image texture analysis in PhD students laboratory, Instytut Elektroniki Politechniki £ódzkiej, 2001.

Matikainen L., Hyyppä J., Hyyppä H., 2003: Automatic detection of buildings from laser scanner data for map updating. In: IAPRSIS XXXIV / 3W13.

Mayer H., 1999: Automatic object extraction from aerial imagery – A survey focusing on buildings. Computer Vision and Image Understanding, 74(2):138-149.

Morgan M., Habib A., 2001: 3D TIN for Automatic Building Extraction from airborne Laser Scanning Data, Proceedings of the ASPRS “Gateway to the New Millennium”.

Paparoditis N., Cord M., Jordan M., Cocquerez J.P., 1998: Building detection and reconstruction from mid-and high-resolution aerial imagery. Computer Vision mid-and Image Understmid-anding, 72(2).

Rudnicki Z., 2002: Wybrane metody przetwarzania i analizy cech obrazów teksturowych. Zak³ad Konstruk-cji i EksploataKonstruk-cji Maszyn, AGH, Kraków.

Rottensteiner F., 2001: Semi-automatic extraction of buildings based on hybrid adjustment using 3D surface models and management of building data in a TIS. PhD Thesis. Geowissenschaftliche Mitteilungen 56, Institute of Photogrammetry and Remote Sensing, Vienna University of Technology.

Rottensteiner, F., Briese, C., 2003. Automatic generation of building models from LIDAR data and the integration of aerial images. [In:] The International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, Dresden, Germany, Vol. XXXIV, Part 3/W13, pp. 174-180.

Schenk T., Csatho B., Lee D.C., 1999: Quality control issues of airborne laser ranging data and accuracy study in an urban area. Proceedings of the ISPRS Workshop – ISPRS WG III/5, WG III/2:

Schwalbe E., 2004: 3D building model generation from airborne laserscanner data by straight line detection in specific orthogonal projections, ISPRS, Commision 3.

Smith, Holland, Longley: The importance of understanding error in Lidar Digital Elevation Models, ISPRS, Commision 4, 2004.

Sohn G., Dowman I., 2002: Terrain surface reconstruction by the use of tetrahedron model with the MDL criterion. International Archives of Photogrammetry and Remote Sensing, Vol. XXXIV / 3A, 336-344, Graz. Soininen A., 2003: TerraScan. User Guide. Terrasolid.

Wehr A., Lohr U., 1999: Airborne laser scanning-an introduction and overview, ISPRS Journal of Photogram-metry & Remote Sensing 54 (1999).68–82.

Vosselman G., Dijkman S., 2001: 3D building model reconstruction from point clouds and ground plans. IAPRS 34(3W4): 37-43.

Summary

This paper discusses automatic detection of buildings from airborne laser scanner data. Beside introduction and conclusions there are three main parts in this paper. In part one basic technical parameters of airborne laser scanning are reminded. Part two presents literature review of various methods that have been applied in the detection and modeling of buildings. Part three describes a research experiment carried out by the authors. This part includes a comparison between two methods of detection: the one offered by specialist software and the alternative method proposed by the authors of this paper.

The technique of laser scanning, often referred to as LIDAR, continues to develop very dynamically. It is characterized by a high level of efficiency and accuracy. It is most often used to create 3D models of cities. Until now, LIDAR was mostly used in national studies to determine digital terrain models (DTM), which is done by separating certain points (those which result from laser reflections of trees, buildings and other above-ground surfaces) from disorganized “clouds of points”. Meanwhile, the most useful contribution of this technique is that it enables numeric calculation of the digital surface model (DSM).

The authors’ experiment attempted to analyze the effectiveness of automatic detection of buildings using two different methods. The first method used original data and applied specialist software which detects and models buildings. In the second, the “cloud of points” was replaced by a regular grid, which had been determined through interpolation. Then, using the typical tool of GIS, the authors carried out a series of experiments. In this paper, the authors present their concept of detection of buildings. This concept is based on an analysis of three surface layers: map of heights, map of slopes and map of texture. The final stage consisted of spatial analysis which showed all the places which meet certain conditions that are adequate for buildings, such as heights, slopes and texture.

The methods were implemented on two test areas. One area contained independently standing apart-ment buildings in which the sides and rooftops of buildings were perpendicular and at right angles to each other. The second test area was made up of various buildings of differentiated heights with steep, multidirectional roofs. For both these areas, reference data was obtained through the vectorization of photogrammetric stereoscopic models.

Both methods of detection showed comparable effectiveness. The method using “cloud of points” and specialist software showed slightly straighter roof edges, however a slightly worse balance of surface in relation to the reference data, than the method based on GIS analyses which presents the authors’ concepts of detections of buildings. However, the differences were negligible and both methods had a similar level of effectiveness in the detection of buildings: approximately 90% for the easy area and about 60% for difficult area. These results are similar to those presented in literature.

During the study, all cases in which detection of buildings was ineffective were also analyzed. Tall trees rising above rooftops often presented a significant obstacle. Moreover, the scanning data contained several places, where LIDAR provided measurements with very low density, much smaller than the average density of 1,5 points per m2_{. These „holes” lowered the effectiveness of the first method.} However, the weakness of the raster method was weak representation of the grid in places where trees were located as the applied interpolation smoothed out the original data.

The results of this research lead to the conclusion that an optimal method would entail a „combined” approach. First, the raster analysis should be applied to determine the probable location of buildings. Then, for certain atypical spaces one should return to the source data (cloud of points) and vertically assign cross sections in predefined directions. What is still needed is a method of automatic recognition of buildings on the basis of cross sections as well as dimensions of buildings which aim to obtain a 3D model.

This paper confirms a huge potential of the laser scanning technique to create 3D models. The proposed method of detection of buildings proved promising and it can be applied even without expensive specialized software.

mgr in¿. Ma³gorzata Bucior gosiabucior@yahoo.pl mgr in¿. Natalia Borowiec nboro@agh.edu.pl

dr in¿. Ireneusz Jêdrychowski i.jedrychowski@geo.uj.edu.pl dr in¿. Krystian Pyka krisfoto@agh.edu.pl http://home.agh.edu.pl/~zffit/