基于机载激光点云的损毁房屋特征描述

基于机载激光点云的损毁房屋识别方法主要包括基于灾害前后机载激光点云数据的变化检测方法和基于灾后机载激光点云数据的损毁解解译方法。变化检测方法将房屋损毁特征定义为体积、高程、坡度和尺寸等变化的表面。对象识别方法基于房屋由平面构成的假设，将房屋损毁特征定义为非平面或小平面。

机载激光点云数据作为一种新兴的遥感数据.缺乏足够的历史积累。由于地震灾害的不可预测性，导致难以获取灾前机载激光点云数据，或难以获取同质的灾前机载激光点云数据，严重制约了变化检测方法在灾害管理中的实际应用。变化检测方法需要对不同时相数据进行精确配准，错误的配准在变化识别上会导致很大的误差。尽管很多方法能够获取令人满意的全局配准结果，但伴随独立对象的局部相对误差在多时相影像中仍然存在。基于灾后机载激光点云数据的损毁解译方法不依赖参考数据，能够克服目前灾前机载激光点云数据广泛缺乏的现状，有效检测损毁房屋。

基于激光点云数据的对象识别方法可以分为基于线的坡度阈值法、基于平面分割的方法和基于平面分割的分类方法。基于线的坡度阈值法沿扫描线方向逐点计算两点间的坡度，将扫描线上左右两侧的坡度差值大于一定阈值的点作为损毁特征，该方法的主要问题在于屋顶平面相交处的点会被错误理解为损毁点。基于平面分割的方法和基于平面分割的分类方法的基础是点云平面分割，前者将分割产生的未分割点作为损毁特征，后者将平面性差或小尺寸的平面分割对象作为损毁特征，它们都十分依赖平面分割的尺度。这些方法主要针对规则的平面屋顶房屋，孤立地利用二维或三维信息，从局部分析屋顶的平面特征，导致只能有效检测屋顶严重破碎的损毁房屋。

根据其特征提取的方式，基于激光点云数据的损毁解译方法可以分为基于点的方法和基于分割的方法。基于损毁房屋表面沿扫描线方向的点两侧的坡度为非常数的假设，根据沿扫描线方向的点两侧的坡度差值的阈值，一种沿扫描线 方向的点的坡度冰用来将每个点分类为完好房屋点和损毁房屋点。对应基于点的特征的提取而言，邻域的定义十分重要。很多基于点的特征提取常根据经验预设固定的邻域，导致特征提取对点云密度十分敏感。由于基于点的损毁解译方法孤立地对每个点进行分类，而不顾及其邻域，这会导致复杂场景中难以获取均质的结果。因此，基于点的方法针对严重或完全损毁房屋这类复杂场景损毁检测性能较差。

相对独立点而言，分割对象蕴含更多的有用几何和辐射特征，更适合作为分类的实体。点云分割将每个点与其周边邻域相关联，其所生成的分割对象被视为有意义的对象，比独立点能表达更多的空间特征。分割对象及其相互关系能够表达独立点难以表达的空间语义信息。因此，基于分期的特征比基于点的特征更适合房屋损毁检测。基于分割的方法在房尾点云平面分制的基础E.将分制产生的未分割点以及面性差成小尺寸的中面片割对象作为损毁特征。这些基于分制特征的方法同样孤立地对每个分割进行分类，而不顾及分割间的相互关系，导致此类方法能够有效识别严重成完全损毁房屋，而对部分损毁房屋的识别能力相对较弱。

总之，基于点和基于分割特征的损毁房屋解译方法存在同样的问题，主要针对规则的平面屋顶房屋，单方面利用二维或三维信息，从局部分析屋顶的平面特征，导致难以可靠地检测损毁房屋。