一、引 言

航空或航天平台获取的遥感数据在各种空间、光谱和时间分辨率上提供了地表覆盖信息，成为地理空间信息的主要来源。这些多源遥感数据提供的信息具有冗余性、互补性和合作性，将多源数据的互补信息加以利用，获得对地物正确的解译是非常重要的。多源遥感数据融合则是综合多种传感器遥感信息的最有效途径之一，被认为是现代多源影像处理和分析中非常重要的一步^{[1, 2]}。目前许多学者针对激光点云数据和影像的融合分类进行了研究^{[3, 4, 5, 6, 7, 8]}。已有研究表明利用激光点云数据和光学影像进行融合分类得到的分类精度比单独利用激光点云数据或光学影像进行分类的分类精度提高8%~16%。因此联合激光点云和光学影像进行分类，能够改善分类效果，提高分类精度。

本文采用面向对象分类方法，将激光点云数据引入影像分割、特征提取和影像分类3个环节中，改善影像分割效果和最终的分类结果，达到激光点云与航空影像融合分类的目的。

分水岭分割算法是一个模拟浸水的过程，算法原理参见文献[9,10]。

分水岭分割算法中用到的是影像的梯度，计算Sobel梯度影像并利用形态学所得的标记图像对梯度影像进行重建，将局部无关的极小值点去除消除过分割现象，如图 1所示。通常的算法中梯度为原始影像的灰度梯度计算获得，但是这样可能会造成一些局部灰度差异不大的地物，如水泥建筑和道路、绿色植被和草地等被分割到一块分割单元中，导致最终的分类结果不准确。因此，本文将LiDAR数据计算得到的nDSM投影到规则格网中生成图像，计算高程梯度，然后利用标记图像进行高程梯度图像的重建，再进行分水岭分割计算，将分割后结果与灰度影像分割结果进行叠加，以达到改善分割效果的目的。标记和重建后梯度图像如图 1所示。

图 1 两种数据分水岭分割的中间结果比较

图选项

将激光点云数据的特征引入到航空影像分类的规则集中，主要有利用nDSM得到的高程信息及其统计值，激光点云自身获得的反射强度信息及统计值。此外，光学影像的特征主要有直接光谱特征，如波段灰度均值、方差等；间接光谱特征，如NDVI指数及几何特征、形状紧致性等。

综合考虑了光学影像特征和激光点云特征，建立如下分类规则：首先利用高程将地物分为地面和非地面地物，然后利用NDVI指数、强度、紧致性和强度标准差依次将地面地物分为草地、道路和裸地，利用NDVI指数、高程标准差和强度将非地面地物分为树木和建筑，如图 2所示。分类规则中的参数阈值都是通过样本训练和多次试验得到的。

图 2 影像分类规则

图选项

试验数据来自美国NSF网站提供的圣西蒙项目开放数据。激光点云数据是由Leica ALS70获取，点云密度为22.06pts/m²。航空影像为2.6亿像素超大幅宽的数字航摄仪获得，影像分辨率为0.08m。本文截取了一块区域进行试验，试验影像及其激光点云如图 3所示。

图 3 试验影像和激光点云

图选项

仅采用4个波段的影像的分割结果和采用4个波段影像结合激光点云的分割结果如图 4所示。

图 4 两种分割结果比较

图选项

从图 4的放大区域比较中可以看出，采用影像结合激光点云的改进分水岭分割方法得到的分割结果在建筑物和阴影及树木和阴影的地方要优于仅采用影像进行分水岭分割的结果。下面从几个定量指标比较两种分割结果。

对于两种分割结果，分别统计其所得的分割单元数、分割单元的同质性指标、异质性指标等。同质性指标计算分割区域的标准差的加权平均值U，同质性指标的值越小说明区域同质性越高；异质性指标采用一个空间自相关指数V(Moran指数)表示空间分割对象间的空间独立程度，异质性指标的值越小说明分割单元间越独立。两个定量指标具体计算参见文献[11]，计算结果见表 1。

从表 1中可以看出，本文采用的影像和激光点云结合的分水岭分割方法所得的分割单元数虽然比采用影像的分水岭分割方法所得的分割单元数多，但是同质性和异质性数值却更小，说明激光点云可以改善影像的分割效果，得到单元内更匀质、单元间差异更大的结果。比较可见光(RGB)波段影像的分割结果和增加近红外(NIR)波段之后影像的分割结果可以看出，后者的分割单元数比前者增加了，但是前者的同质性和异质性结果要比后者好。从定量指标来看，RGB影像和LiDAR点云结合的数据方式分割统计的同质性和异质性指标均为最好，这是因为地物在可见光波段的光谱特性差异比较明显，特别是草地和植被、草地和裸地有明显差别，但是在近红外波段它们之间的差异较小，因此加入近红外波段之后计算的整体异质性比可见光波段的差。但是结合定性的目视效果，最终采用RGB+NIR四波段影像和LiDAR点云结合的数据方式进行分割。分割算法中的尺度参数通过多次试验采用240。

融合分类得到的结果如图 5所示，可以看到大部分地物都得到了正确的分类，特别是由于高大植被和建筑造成的阴影基本上没有影响道路的分类，而草地中间的植被也被分类出来。为了进一步分析融合分类的分类结果，评价分类精度，本文利用融合分类影像的混淆矩阵计算了每一类别的用户精度、制图精度、总体精度，以及Kappa系数和条件Kappa系数，结果见表 2。

图 5 融合分类结果

图选项

由表 2可知，裸地的制图精度、用户精度和条件Kappa系数最低。其制图精度为62.5%，实为裸地的像元有37.5%被分为草地或道路像元中；用户精度为66.67%，分类得到的裸地像元中有33.33%实为草地或道路，说明裸地的多分和漏分现象比较严重。这是因为影像上裸地像元的数量很少，部分像元容易与邻近的草地或道路分割为一个单元，这样会使得分割单元的紧致性或强度等统计值代表了几种混合地物的特性，使得分类时裸地误分为草地或道路，导致精度降低。

从3个类别精度指标整体分析可知，道路、建筑和植被的精度较高，而草地的制图精度较低，实际为草地的像元被分为道路或裸地像元，是因为分类所用的强度信息并不准确，没有经过辐射校正，所以得到的强度特征并不能完全反映该地物的激光反射特性，因此采用的阈值不能很好地区分两类地物。但是草地与建筑、草地与植被之间的错分情况很少，说明激光点云数据得到的高程信息能将地面地物与非地面地物较好地区分，参与到建筑和植被的分类中能够起到有效作用。

本文将机载激光点云数据与航空影像进行了面向对象的融合分类，主要是在航空影像的分水岭分割梯度计算中加入LiDAR高程信息，然后结合地物的光谱特征和激光点云提供的高程特征，对影像进行了分层分类。试验表明，激光点云的高程信息能够改善影像分割效果；激光点云数据得到的高程信息能将地面地物与非地面地物较好地区分，对建筑和植被的分类起到了有效作用。