建立三維房屋模型自動化辨識及重建流程

本項工作目標為提升 LOD1 三維房屋模型自動化程度，主要包含兩個 核心工作：二維房屋區域自動化辨識及三維房屋模型重建(圖 4-2-1)。

三維空載點雲

特徵萃取

二維房屋區域偵測

訓練深度學習 網路模型

應用深度學習 網路模型

三維房屋模型重建

正規化房屋輪廓

形塑房屋模型

精化偵測區域

三維房屋模型

圖 4-2-1、三維房屋模型自動化辨識及重建流程

Model, DSM)形狀特徵進行辨識，使用光譜特徵的優點是影像細節較豐富，

但是房屋的高差移位會造成偵測區域與實際的房屋區域有偏差，在缺乏三 維房屋模型進行真實正射改正的情況下，使用數值地表模型偵測房屋區域 可避免房屋高差移位的影響，因此本項工作採用數值地表模型自動化偵測 房屋區域，數值地表模型可來自光達點雲或高重疊影像密匹配。

二維房屋區域自動化辨識採用全卷積神經網絡 (Fully Convolutional Network, FCN) (Long et al., 2015)，FCN 是基於 CNN 架構進行改良，FCN 整合三種方法達成不同物體分割 (Segmentation)之目的，包含：卷積化 (Convolutional)、上採樣(Upsample)、跳躍式結構(Skip Layer)。FCN 使用全 卷 積 層 (Fully Convolutional Layer) 取 替 CNN 架 構 中 的 全 聯 接 (Fully Connected Layer)層；上採樣則是對卷積層進行反卷積(Deconvolution)技術，

經由不斷反卷積上採樣得到和輸入圖層相同維度的影像；但若將全卷積層 的結果直接進行上採樣，將會得到粗糙的成果，故使用跳躍式結構，整合 該層上採樣預測成果及上一個池化層進行上一層的上採樣預測成果，反卷 積原始維度的分類影像，FCN-8s、FCN-16s、FCN-32s 則是使用不同跳躍式 結構得到上採樣成果，其中 FCN-8s 的分割成果較另外兩個方法佳(Long et al., 2015)，故本研究採用 FCN-8s 架構，FCN-8s 完整的方法細節可參考 Long et al., (2015)。

深度學習需要大量的訓練資料得到更佳的分類度，房屋區域偵測的訓

練資料使用 1/1000 地形圖進行產製，訓練資料的分類類別包含房屋及其他 (道路、植物及地面)(如圖 4-2-2 所示)，本研究僅著重在房屋區域的偵測，

增加其他類別之目的是要降低誤判，分類主體仍是房屋區域。先以訓練資 料建立深度學習參數，再將深度學習參數套用到獨立檢核區進行精度評估。

深度學習成果仍有可能會有椒鹽效應，研究中採用形態學(Morphology)方法 降低分類成果中的雜訊。

房屋區域的自動化辨識成果採用誤差矩陣進行精度評估，本研究中將 以四項精度表現對分類成果進行討論，而各項精度的計算方法如下(公式 4-2-1~公式 4-2-4)：令誤差矩陣之對角線元素為𝐸_𝑖𝑖；𝐸_{𝑖𝑐𝑜𝑙}為第𝑖行之總和表該 類別之檢核總數；𝐸_{𝑖𝑟𝑜𝑤}為第𝑖列之總和表該類別之分類成果總數；𝑛為所有 檢核總數；𝑟為總類別數。整體精度的計算方式是「分類正確的像元總數」

與「所有像元總數」之比值，並以 IoU(Intersection-of-Union)表示萃取成果 與房屋之重疊率。

正確性(Correctness)：

𝐶𝑜𝑟𝑟𝑒𝑐𝑡𝑛𝑒𝑠𝑠 = 𝐸_𝑖𝑖

𝐸_{𝑖𝑐𝑜𝑙} × 100% (公式 4-2-1) 完整性(Completeness)：

𝐶𝑜𝑚𝑝𝑙𝑒𝑡𝑒𝑛𝑒𝑠𝑠 = 𝐸_𝑖𝑖

𝐸 × 100% (公式 4-2-2)

整體精度(Overall Accuracy, OA)：

𝑂𝐴 = (1

𝑛∑^𝑟 𝐸_𝑖𝑖

𝑖=1 ) × 100% (公式 4-2-3) IoU(Intersection-of-Union)：

𝐼𝑜𝑈 = 兩多邊形之交集

兩多邊形之聯集^{× 100%} (公式 4-2-4)

(a)數值地表模型 (b)訓練資料標籤 圖 4-2-2、房屋訓練資料示意圖

三維房屋模型重建包含兩項工作：正規化二維房屋多邊形及三維形塑。

完成二維房屋區域偵測後，假設房屋邊界形狀大多為正規化的牆面，對二 維房屋區域進行邊緣線正規化處理(Teo et al., 2005)，從房屋區域的主軸分析 得到房屋最長邊界的方位角，從最長邊界開始，依正交及平行約制，對房 屋區域進行正規化處理，從不規則像元得到房屋邊界的節點，最終轉換為 正規化二維多邊形(圖 4-2-3)。

(a) 房屋區域 (b) 房屋主軸 (c) 邊界正規化 (d) 房屋邊界節點

圖 4-2-3、二維房屋多邊形正規化示意圖

三維房屋形塑採用隨機抽樣一致演算法(RANdom SAmple Consensus, RANSAC)過濾非屋頂面點雲及擬合屋頂面。圖 4-2-4 以屋頂面為例，以展 示 RANSAC 過濾點雲的能力，RANSAC 會自動挑選主要群聚的主平面點雲，

排除非主平面的點雲進行擬合，可有效利用在三維房屋模型形塑(Teo et al., 2007)。

圖 4-2-4、三維點雲形塑平面之示意圖

所有三維點雲 房屋多邊形內三維點雲

移除中庭後之房屋三維點雲 RANSAC偵測之主平面