利用光達資料於 DEM 生產及房屋偵測之研究

(1)

Volume 10, 1, March 2005, pp. 47-58

利用光達資料於 DEM 生產及房屋偵測之研究

邵怡誠

¹

陳良健

²

摘要

本文研究利用光達資料進行二種自動化的作業，一是生產數值高程模型，二是偵測房屋區。第一部份主要是利用二種數學形態學的方法，平坦操作及圓頂轉換，在高程空間中自動重建地形以區隔出地物點，藉由保留的地面點來產生數值地表模型。第二部份則延用第一部份的地物點的群聚區塊，切取高度超過 3 公尺且面積較大的地物區，經斜率差計算後，使用 10 種統計量來偵測房屋位置。在數值高程模型產製部份，以新竹科學園區及大坑地區為測試區，本文成果與人工過濾成果進行精度評估，得平均值分別為-0.16m 和 0.07m、均方根誤差分別為 0.45m 和 0.59m。至於房屋偵測部份，在新竹科學園區的測試區之成功率為 87.7%。

關鍵詞︰光達、數值高程模型、分類、房屋偵測

1. 前言

空載雷射掃描 (Airborne Laser Scanning, ALS) 所獲取的之光達(LIght Detection And Ranging, LIDAR)資料，是為涵蓋地物(object)及地面(ground) 的三維點雲資料。因掃描系統可記錄多重回波 (muti-retures)的反應，在一般裸露的水泥地、道路或屋頂面上會出現三維座標極為接近的點位，在房屋牆面會出現數個平面座標極為接近但不同高程的點位，在植被區則會出現落在樹林上及其所在地面的不同點位。過去數年間，已有相當數量的研究文獻提出全自動或半自動的方法來過濾地物點、保留地面點以產生數值高程模型(Digital Elevation Model, DEM)。

在2003年ISPRS第三工作委員會，提供包含都市及森林各四個地形地物複雜程度不一且點位密

度不同的測試區，邀集多位學者專家應用其所發表之方法進行處理，再依據各專家學者提出的成果，

匯整成一份完整的精度評估報告[Sitehole and Vosselman, 2003]。報告中提及有八組專家學者參與該測試工作，其所用演算法分別是(Elmqvist, 2001)的活動輪廓法(Active Contours)，(Sohn and Domain, 2002) 的規則網格法 (Regularization Method)，Roggero的改良斜率式過濾法(Modified Slope Based Filter)，(Brovelli, 2002) 的曲線內插法 (Spline Interpolation)，(Wack and Wimmer, 2002)的階層式改良最低區塊法(Hierarchical Modified Block-Minimum)，(Axelsson, 2001)的漸進式不規則三角網加密法(Progressive TIN Densification) ， (Sithole, 2001)的改良式斜率過濾法，(Pfeifer et al., 2001) 的階層式強鈍內插法 (Hierarchical Robust Interpolation)。目前Axelsson所提的方法已發展成

1私立中華技術學院土木系講師暨中央大學土木工程所博士候選人

2國立中央大學太空及遙測研究中心與土木工程學系教授

收到日期:民國 93 年 07 月 08 日修改日期:民國 94 年 01 月 25 日接受日期:民國 94 年 01 月 27 日

(2)

一套專為處理光達資料的商用軟體TerraScan，而階層式強鈍內插法也已置入等高線繪製程式 SCOP++中。

另外使用 LIDAR 資料偵測房屋的研究方法中，(Schiewe, 2001)整合光達資料與航照影像使用分類軟體 eCognition 進行以區塊為基礎 (region-based) 的多尺度 (multi-scale) 的群聚 (segment)，之後再使用 fazzy-logic 進行分類。

(Alexandra et al., 2003)嘗試將光達點位資料組成 TIN 後，以各三角形之斜率、方位及相對原點之垂距所形成的三維參數空間，進行平頂屋、斜頂屋、

山形屋及組合屋等的群聚分類。此外也有學者嘗試僅使用光達資料進行房屋偵測與重建，例如 (Rottensteiner and Briese, 2003)藉由生產 DEM 區分地物點、房屋區塊偵測、屋頂面偵測以及3D 房屋模型重建，但因涉及眾多技術，部份程式模組尚未完成。

本研究主要分成二階段，在第一部分以兩種數學形態學方法為基礎，在高程空間進行高程重建以區隔出地物點(object points) 及地面點 (ground points)，藉由其中的地面點產生 DEM，第二部分則就第一部分的操作成果─地物點群聚區塊進行處理，先在前處理中設定條件篩選出候選的房屋區塊，之後再計算各個區塊的數種統計量，利用其統計量的分類來達到偵測房屋的目的。本文內容僅止於判斷各區塊是否為房屋，尚未進一步完成房屋輪廓甚至是重建的工作。

2. DEM 產製

本研究之基本假設是光達資料中的地物點應為”局部較高點”，因此地物所在位置的點位會形成”局部較高區”，本文引用二種數學形態學—平坦操作與圓頂轉換，來自動重建高程以濾除較高的地物點，並保留地面點來產生 DEM。操作流程包含

二次的高程重建工作，第一次先以預設的參數進行初步高程重建，主要目的是為自動偵測的地面控制點(以下簡稱地控點)，用以決定圓頂轉換的參數，

第二次的高程重建才真正濾除地物點，藉以保留生產DEM 所需的地面點。

2.1 平坦操作

以數學形態學中的平坦結構元(Flat Structuring Element) 進行平坦操作 (Flattening Operation)時是先侵蝕再擴張，侵蝕(Erosion)可簡化成取操作視窗內的最小值來替代中心像元的灰值，而擴張(Dilation)則是取操作視窗內的最大值來替代中心像元的灰值(Dougherty, 1992)。本操作可參考圖1，其中 g 是平坦結構元、f 是原訊號、O(f,g) 是開放操作後的成果。利用平坦結構元對原訊號進行開放操作會改變局部較高區內的高度，此改變高度的區域會小於或等於結構元的大小，操作後的區內點位的高度則與周圍最鄰近者的高度相同。

乍看之下，本法似乎可以濾除地物高程點，

但實際效果受限於結構元的尺度 W，太大的結構元可能會去除地形結構如山脊線等，太小的結構元則對較大的地物沒有作用，因此須視各區的地貌地物來局部機動調整結構元的尺度，並不利於自動化處理。因此本文主要是利用平坦操作來抑制較尖凸的雜訊(peak noise)。

圖 1. 平坦操作示意圖(Dougherty,1992)

1

(3)

圖 2. 圓頂轉換示意圖(Vincent, 1993)

2.2 圓頂轉換

基於平坦操作受結構元尺度的限制，不易自動區隔出所有的地物點，本研究進一步引入圓頂轉換 (H-Dome Transformation)進行高程重建，用以偵測局部較高區塊(Vincent, 1993)。本操作方法可參考圖 2，在此定義原訊號部份稱為原始面(Original Surface)，全區減去 h 高度得一個操作面(Operative Surface)，運算時在操作面上進行各點高程的”提高操作”以獲得一個重建面(Reconstructive Surface)。

進行提高操作時，各點位的高度限制不得高於其在原始面的高度或是操作面上相鄰點的高度。最後將原始面減去重建面即可獲得局部較高區，本轉換就是基於這種局部較高區塊的圓頂(dome)圖形而得名。在定義上，位於原始面上圓頂區塊的周圍點位高度必然低於區內的高度，而切出的圓頂區塊內的高度皆小於h 值。

由圖2 可以看出，如果地物與地表的高度差小於h 值時，確實可以完全區隔出地物位置，否則地物與地表二者交界的相鄰高差應大於h 值，才能區隔出來。換言之，假若位在地物(如房屋)與地表之間的高程點是內插方式獲得時，此內插的邊緣點將可能被視為地面點而保留下來，因此本法較適用合處理高密度的光達資料。

但本法亦有二個缺點，第一是若h 值小於局部上坡地區中最高地物的高度時，上坡的地面點將被濾除，造成上坡的高程重建錯誤，如圖3 所示。

第二是在斜坡處若因地物甚多覆蓋了地表，沒有足

夠的地面點資料來凸顯地物是局部較高區時，則不易重建出正確的斜坡高程，如圖4 所示。

2.3 地表控制點自動偵測與高程重建

使用圓頂轉換來重建地表高程時，需要有地物高度的先驗知識才能設定適當的參數h 值，否則在上坡處可能發生高程重建的錯誤，因此本研究設計另外加入自動偵測的地表控制點來決定h 值。此地控點的位置必須是落在地表上，而且要各上坡處的地表都有，如此即能正確地重建全區高程。

地控點的獲取方法是先對原始的光達資料，

進行初步高程重建，即為平坦操作及圓頂轉換預設合理的參數，例如房屋一般至少面積在7 公尺見方且高度在3m 以上，因為大多數的地物都大於這二個參數的尺度，此時的高程重建會先區隔出地物內部的較高區，例如樓梯間或樹木頂梢，如圖 5 所示。然後再於初步獲得各地物區塊周圍搜尋地面

原始面重建面操作面

圖 3. 重建面下降 h 值大於上坡地物時，上坡高度重建錯誤上坡地貌重

建錯誤

斜坡地表重建錯誤圖 4. 斜坡處因地物與地表高程的連續性造成重建錯誤

(4)

點，將此點位設為本文定義的地表控制點。但因自動偵測的地控點有可能落在房屋上，所以有必要作簡單的人工檢核加以剔除。偵測地控點的同時並記錄其與相鄰地物的高差，再將最大高差值 H 中再加入地控點上。

最後重複使用平坦操作及圓頂轉換再做一次高程重建，如圖6 所示，因地控點已加入與房屋的最大高差H，而圓頂轉換參數即設成 H，最後的高程重建成果就能區隔出全區的地物點。

3. 房屋偵測

本階段的目標是為偵測房屋點位所群聚的區塊，在此設定欲偵測的房屋的屋頂均是屬於平頂或斜頂的類型。茲因經由前節高程重建所區隔出的地物點的種類繁多，例如房屋、植物、車輛或其他人工物等等，吾人觀察到在各地物區塊中，僅房屋區塊及植林區塊才具有相對地表的較高高度且較大面積，而且平頂屋或斜頂屋區塊內的各點位間的斜率差值會較接近0，而植物區塊內點位的斜率差值

會比較不接近0 或大小差異甚多。因此本研究據此採取以區塊為基礎(region-based)的操作方式，先進行前處理來保留較高且較大的候選區塊，之後再針對各區塊的斜率差值計算數種不同統計量，企圖利用多種資訊來偵測房屋區塊。

3.1 地物區塊前處理

前處理之目的在於篩選可能為房屋之區塊，在此假設的房屋應滿足的四項特性，一是高度至少在 3m 以上，二是長寬至少 10m 以上，三是面積至少應在 60m²以上，四是屋頂面為平面或斜面。各類地物區塊中僅有房屋及植物會滿足前三項條件，因此本文主要是利用第四項的特性來偵測房屋區塊。

針對第一項高度特性，本研究對前節的地物區塊成果做高度切割。因為經過圓頂轉換後，所區隔的地物點高度是相對於地表高程，也就等於是地物高，因此將所有地物點高度減去 3m，在 3m 以下的地物點就會被濾除。

針對第二項長寬特性，本文採用數學形態學中的二元影像開放操作(Opening Operation)，但使用 7*7m 視窗進行，這是考量房屋座向並非恰好是東西或南北時，10*10m 以上的房屋才能保留下來。

使用本操作有一缺點是區塊的外形輪廓會有變化，也就是正交的屋角處可能會減少數個點位，但這對本研究的偵測目的並無影響。

針對第三項面積特性，本文對各區塊進行分塊 (Clumping)處理並同時計算面積，之後即可刪除小於60m²的面積。

針對第四項屋頂面特性，本文取3*3 的操作視窗計算四個方向的斜率差並取用最小值，操作視窗示意圖如圖7，計算公式如公式(1)，若該點位落在平面或斜平面上，其值應極接近 0。因為 LIDAR 資料的絕對精度約為 15cm，本文預期其相對精度應該再略高一些，故將斜率差成果取10cm 為單位圖 5. 初步重建以獲取區部地物區塊

圖 6. 地面控制點加入最大高差後再次重建高程

原始面重建面操作面

區部地物區塊

地表控制點

(5)

轉換成256 階的灰值影像，若其值大於 255 即定為 255，之後將於下節計算各區塊的數種統計量，之後再進一步進行房屋偵測作業。

H1 H2 H3 H8 H0 H4 H7 H6 H5

3.2 地物區塊統計量

本研究將斜率差影像以各區塊為單位做直方圖(histogram)統計，並將各灰階內像元數除以區塊總像元數來化算成機率，之後模仿影像處理中的紋理分析所採用的統計方法，並加入自行設計的項目，以各區塊為基礎(region-based)計算下列 10 個統計量，其中各式的 i,j 表影像灰值。測試區內所有區塊的各項統計量，將再次轉換成灰階影像，以利進行分類來偵測房屋區塊。

1.面積: 區塊內斜率差像元灰值為 0 的數量，超過 255 者定為 255。 (2)

2.反差(contrast):

(3) 3.能量(energy): (4) 4.熵(entropy): (5) 5.中值(mean): (6) 6.最大機率(maximum probability): M = max(Pi) (7) 7.機率(probability): 灰值為 0 的機率值: P0 (8) 8.均調性(homogeneity): (9) 9.形狀因子(shape factor): S = 面積／周長 (10) 10.變方(variance): (11)

其中除面積者為像元單位之整數值，以及最大機率者以灰階為單位出現外，其8 項統計量為連續值。10 項統計量均轉換成灰階影像，經人工觀察比對已知的房屋位置後發現，平均值、反差及變方

三者較不易區別房屋及非房屋的不同，此外因為熵與能量是高負相關的統計量，因此交由後續處理者僅有六項。本法的缺點是，若房屋與林木緊密相鄰而合併成同一區塊時，則該項統計量的意義將可能受到干擾而失去其代表性。

3.3 房屋區塊偵測

在計算出各區塊的數種統計量後，初步嘗試採用類神經網路的自我組織圖(Self Organization Map, SOM)模式以及倒傳遞網路(Back Propagation, BP) 來進行分類。SOM 模式為非監督式分類 (unsupervised classification)，輸入型態為連續值、

輸出型態為聚類值，聚類值並不是指定分類數量，

但使用者可就聚類成果圖自行判斷輸出分類數。

BP 模式為監督式分類(supervised classification)，輸入型態為連續值、輸出型態為連續值或分類值，是最具代表性且最普遍應用的模式(葉怡成, 2000)。

本研究使用SOM 的目的，是觀察 SOM 分類圖是否會呈現二類群聚的結果，也就是房屋及植物二類，以暸解二分法是否可行，之後再採用BP 模式偵測房屋。

前節的6 項統計量經 SOM 分類後發現，因最大機率者僅出現灰值為0, 1, 2, 3，其良好的區隔度會強烈影響分類的操作，造成同時使用多種統計量的分類結果與僅使用最大機率為灰值 0 的分類結果完全相同。但若排除最大機率者，而僅使用其中的3 項至 5 項不等或不同的統計量，其成果並不能表現出明顯的二分結果，而且成功率均不如前者。

而使用BP 模式操作之成功率亦低於最大機率為灰值0 者。因此本研究最後成果僅採用最大機率者為代表。

4. 測試成果

在 DEM 生產方面，本文採用新竹科學園區 S1=abs(H1-H0)-abs(H5-H0)

S2=abs(H2-H0)-abs(H6-H0) S3=abs(H3-H0)-abs(H7-H0) (1) S4=abs(H4-H0)-abs(H8-H0) dS=min(abs(Si)), i=1~4

∑∑

⁻ ^×

=

i j

j

i P

P j

i

C ( )² min( , )

∑

= P_i² E

∑

^×

− P_i logP_i

∑ ∑

₊ ₋

=

i j

j i

P

H P ₂

) ( 1

) , min(

∑ ⁻ ^×

= i m P V ( )

²

∑

^×

= i P_i m

圖 7. 斜率差計算之操作視窗

(6)

及台中大坑附近區域為測試區。在房屋偵測方面，

因研究初期僅蒐集到新竹科學園區的地形圖，在此僅取該區為測試區，大坑地區則未列入。以下就各測試資料及操作成果逐一說明。

4.1 測試區說明

竹科測試區之光達資料為 2002 年 4 月間，由

LH system 公司之 ALS40 儀器所獲取，飛航方向約呈東西向、掃描方向約呈南北向，各航帶均略有重疊，解析力約為2.5 points/m²。依該儀器系統之規格說明所獲取點位之高程精度約為 15cm、平面精度約為30cm，但以地面 RTK 實測 137 點位進行評估，其高程均方根誤差(Root Mean Square Error, RMSE)為 12cm (史天元等，2002)。本區原始資料經過操作人員使用 TerrScan 軟體自動處理並經人工過濾，另外區分成含地物及地表之表面點 (surface points)及地面點(ground points)二種不同的點位檔案，因本研究主要是製作 DEM，因此將表面點檔視為DSM 資料，而地面點檔則視為參考用之地面真實(ground truth)資料。

大坑測試區之光達資料為2002 年 3 月間，但由Optech 公司之 ALTM2033 儀器系統所獲取。飛航方向約呈南北向、掃描方向約呈東西向，各航帶間均有重疊，解析力約為1.6 points/m²。依該儀器系統規格說明所獲取點位之高程精度約 16cm、平面精度約1/2000 航高，但以地面 RTK 實測 137 點位進行評估，其高程均方根誤差為 10cm (史天元等，2002)。本區原始資料經過操作人員處理，另外區分出成一純地面點(ground points)檔案，本研究將原始資料視為DSM 資料，而地面點檔則視為參考用之地形真實資料。

因光達資料為離散點，本研究先以等高線軟體 Surfer 以 Kriging 模式將原始光達離散點內插成 1m 間隔的規則網點，再以本文所提出的方法進行測

試。其中竹科測試區南北向長為1060m、東西向寬為850m，如圖 8 之 DSM 高程影像，大坑測試區南北長為 1500m、東西向寬為 1165m，如圖 9 之 DSM 高程影像。

90 95 100 105 110 115 120 125 130 135 140 145 150 155 160 165 170

圖 8. 竹科測試區之 DSM 影像

²²⁰

222 224 226 228 230 232 234 236 238 240 242 244 246 248 250 252 254

圖 9. 大坑測試區之 DSM 影像

4.2 DEM 生產成果

為自動獲取地表控制點所進行的初步高程重建中，預設平坦操作之結構元w 為 7*7m，圓頂轉換之下降高度參數h 為 3m，這是考慮一般房屋至少都大於這種尺度。之後再於各房屋區塊周圍30m 內偵測5*5m 的平坦地，並設定為地控點，同時計

(7)

算地控點與相鄰房屋之最大高差值。在所有的地控點均加入最大高差值後，再進行第二次實際的高程重建。

竹科測試區的地面點檔的點位資料內插所得的 DEM 影像如圖 10。本研究所操作的地面點成果，交由軟體Surfer 以 kriging 模式重新內插格則網點1m 之 DEM，成果如圖 11 之高程影像。將地面點檔之成果視為真值相比較，得操作成果如圖 12，得較差之平均值(mean)為-0.16m、均方根誤差 (Root Mean Square Error, RMSE)為 0.45m、最大正差為8.03m、最大負差為-4.55m。其中最大正差發生在北方中央的一棟房屋位置，因為光達地面點檔去除該房屋之高程點後，視其所在位置屬於東側較低地面之高程所致。而最大負差發生在高速公路西側，這是因為該處周圍地面點的資料不足。而一般發生最多誤差的位置是在有相當密集的房屋及植被的斜坡處，因為該處的地物點與地面點的高程有逐段漸高或連續的情形，也正是最容易發生2.2 節所述的高程重建錯誤的地區。

大坑測試區原光達資料之地面點檔的資料內插所得的DEM 影像如圖 13，本文操作成果之 DEM 高程影像如圖 14。將地面點檔之成果視為真值相比較，得操作成果之平均值為0.04m、均方根誤差為1.12m、最大正差為 5.56m、最大負差為-4.28m。

⁸⁴

86 88 90 92 94 96 98 100 102 104 106 108 110 112 114 116 118 120 122 124 126 128 130 132

圖 11. 竹科測試區 DEM 成果之高程影像

-5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 8

圖 12. 竹科測試區 DEM 誤差之高程影像

220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240

圖 13. 大坑測試區地面點之高程影像圖 10. 竹科測試區地面點之高程影像

(8)

圖 14. 大坑測試區 DEM 成果之高程影像

-5 -4 -3 -2 -1 0 1 2 3 4 5 6

圖 15. 大坑測試區 DEM 誤差之高程影像

4.3 房屋偵測成果

本文所採用的竹科測試區之航照影像如圖 16，數值地形圖中的房屋位置，如圖 17。在第一階段操作所得之地物點中，保留相對於所在地表高度高於3m 者，其成果如圖 18 之黑點，吾人可觀察到圖中的地物點仍包含有植物及房屋等地物。再經過形態學之開放操作，並刪去小面積區塊，得前處理之房屋候選區塊成果如圖 19。統計數值圖中的房屋數量，若以連棟房屋為單位為201 棟，經本文之前處理後尚有 193 棟。經吾人仔細觀察後發現，在第一階段的過濾地物點的成果中，其實已將房屋位置的高程點全部區隔出來，但因為該處的高

程重建仍有誤差，也就是該處地物點相對於所在地表的高度未達3m，以致於房屋偵測的前處理階段卻仍遺漏了8 棟房屋。

圖 16. 竹科測試區航照影像

圖 17. 竹科測試區房屋數值圖

圖 18. 竹科測試區高於 3m 之地物點(黑)

(9)

圖 19. 竹科測試區房屋偵測之房屋候選區

將圖19 前處理之成果，依 3.2 節所述以區塊為單位計算其各項統計量之值，為視覺觀察方便，

將各統計量化算成灰階影像，且以愈接近黑色表示成較可能為房屋者，反之愈接近白色則為較不可能為房屋者。例如，圖20 為能量(energy)成果圖，圖 21 為均調性(homogeneity)成果圖，圖 22 為形狀因子(shape factor)成果圖。吾人即是利用此法比對圖 17 的房屋位置，觀察到 3.2 節所述十項統計量中，

熵與能量的成果幾近相同，而平均值、反差與變方三項較不易區分房屋與非房屋區。因此排除這四項後，後續交由類神經網路的輸入資料僅有六項。

將六項統計量之成果，任意取用其中的三至六項做為類神經網路的輸入資料進行分類。但無論是使用SOM 模式或 BP 模式，其偵測成功率都不如單獨取用最大機率為灰值0 者，因此本文僅列出此項成果，如圖 20，其中黑色區塊之最大機率為灰值0，灰色區塊表最大機率之灰值為非 0 者，如 1, 2 或 3。圖 23 中的地物區塊共有 347 塊，其中 183 棟房屋區塊與 128 個非房屋區塊判斷正確，有 26 個非房屋區塊被誤認為房屋，有10 個房屋區塊被誤認為非房屋，整體精度(Overall Accuracy) 為 89.6%。但在房屋區塊前處理階段尚有數棟房屋未能保留，故全體而言偵測房屋的成功率為87.7%。

圖 20. 房屋候選區塊能量成果圖

圖 21. 房屋候選區塊均調性成果圖

圖 22. 房屋候選區塊形狀因子成果圖

(10)

圖 23. 房屋(黑)與非房屋(灰)分類成果

5. 結論與建議

本研究方法用於 DEM 生產部分，使用竹科及大坑兩測試區之資料，實驗成果顯示本法實用可行。但若在斜坡處因地面點數量不足時，可能造成地表高程重建不完全的情形，該類區域有必要以人工檢視並編輯成果來加以改善。

1. 本研究方法用於房屋偵測部分，目前成果顯示區塊分類操作受最大機率者影響甚多，但其他紋理資訊並非不可用。因本文僅有一個測試區，未來再研究其他測試區成果後，可望能有一個更明確的答案。

2. 本文所提房屋偵測方法僅止於判斷各區塊是否可能為房屋，並未進一步完成房屋輪廓甚至是模型重建的工作，但可作為房屋三維模型重建之初始位置。此外若配合既有的房屋圖資，

將可應用於房屋變遷偵測之研究課題。

3. 本文在房屋偵測的前處理部分，尚未能有效去除與房屋區塊相連接的植物高程點，因此對成果略有影響。未來將研究加入以點為基礎的紋理分析，設法排除與房屋相連的植物點，以利提高偵測的成功率。

參考文獻

史天元，彭淼祥及徐偉城，2002，“應用空載雷射掃描儀進行地震災區形變研究”，行政院農業委員會九十一年度試驗研究計畫研究報告，計畫编號91 農科-5.1.1-林-R1(8)。

邵怡誠及陳良健，2003，“利用數學形態學方法於高程空間區隔地貌與地物之研究”，航測及遙測學刊，第八卷，第一期，民國92 年 3 月。

葉怡成，2000，“類神經網路模式應用與實作”，儒林圖書。

Axelsson, P., 2001, “Ground estimation of laser data using adaptive TIN-models”, Proceedings of OEEPE workshop on airborne laserscanning and interferometric SAR for detailed digital elevation models, 1-3 March 2001. Official Publication No.40, CD-ROM. pp 185-208.

Brovelli, M.A., Cannata, M., and Longoni, U. M., 2002, “Managing and processing LIDAR data within GRASS”, Proceedings of the GRASS Users Conference 2002, 11-13 September 2002, Trento.

Dougherty, E., 1992, “An Introduction to Morphological Image Processing”, SPIE Optical Engineering Press, Center for Imaging Science Rochester Institute of Technology.

Elmqvist, M., 2001, “Ground Estimation of Laser Radar Data using Active Shape Models”. Paper presented at the OEEPE workshop on airborne laserscanning and interferometric SAR for detailed digital elevation models, 1-3 March 2001, paper 5 (8 pages), Royal Institute of Technology Department of Geodesy and Photogrammetry 100 Stockholm, Sweden.

(11)

Hofmann, A. D., Mass, H.-G., and Streilein, A., 2003,

“Derivation of Roof Types by Cluster Analysis in Parameter Spaces of Airborne Laserscanner Point Clouds”, Proceedings of the ISPRS working group Ⅳ/3 workshop, ‘3D reconstruction from airborne laser scanner and InSAR data’ , 8-10 October 2003, Dresem, Germany.

Pfeifer, N., Stadler, P., and Briese, C., 2001,

“Derivation of Digital Terrain Models in the SCOP++ Environment”, OEEPE Workshop on Airborne Laserscanning and Interferometric SAR for Digital Elevation Models, Stockholm.

Rottensteiner, F. and Briese, Ch., 2003, “A New Method for Building Extraction in Urban Areas from High Resolution Lidar Data”, Proceedings of the ISPRS working group Ⅳ/3 workshop,

‘3D reconstruction from airborne laser scanner and InSAR data’ , 8-10 October 2003, Dresem, Germany.

Schiewe, J., 2001, “Region-based Information Extraction form Laser Scanning and Optical imagery”, OEEPE Workshop on Airborne Laserscanning and Interferometric SAR for Digital Elevation Models, Stockholm.

Sithole, G.., 2001, “Filtering of laser altimetry data using a slope adaptive filter”, IAPRS, Vol.

XXXIV –3/W4 Annapolis, MD, 22-24 October 2001, pp. 203-210.

Sithole, G. and Vosselman, G., 2003, “Report: ISPRS Comparison of Filters”, ISPRS WG III/3 workshop on “3D Reconstruction from Airborne Laser Scanner and InSAR Data”, 8-10 October 2003, Dresden, Germany

Sohn, G. and Dowman, I., 2002, “Terrain Surface Reconstruction by the Use Of Tetrahedron Model With the MDL Criterion”, IAPRS, Vol.

XXXIV Part 3A, ISPRS Commission III, Symposium, 9-13 September 2002, Graz, Austria, pp.336-344.

Vincent, L., 1993, Morphological Grayscale Reconstruction in Image Analysis: Applications and Efficient Algorithms, IEEE, Trans. on Image Processing, Vol.2, No.2, pp.176-201.

Wack, R. and Wimmer, A., 2002: “Digital Terrain Models From Airborne Laser Scanner Data – A Grid Based Approach”. IAPRS, Vol. XXXIV Part 3B. ISPRS Commission III, Symposium, September 9 - 13, 2002, Graz, Austria. pp.

293-296.

(12)

DEM Generation and Automatic Building Detection Using LIDAR Data

Yi-Chen Shao

¹

Liang-Chien Chen

²

ABSTRACT

There are two main parts in our research. The first is to segment objects and to produce digital terrain model by using two mathematical morphology methods, i.e. flattening operation and H-Dome transformation, and control posts. The second is to detect buildings by slice the objects’

height, filtering out small areas and computing their statistics of differential slope on region-based method. There are two test areas, one is around Hsin-Chu Science Based Industry Park, and the other is around Ta-Keng area. The results of accuracy for digital terrain model production are -0.16m and 0.04m for mean, 0.45m and 1.12m for RMSE, respectively. And the successful rate for building detection is 87.7%

Key Words: LIDAR, DEM, Classification, Building Detection

Received Date: July 08, 2004 Revised Date: Jan. 25, 2005 Accepted Date: Jan. 27, 2005

1 Lecture, Department of Civil Engineering, China Institute of Technology, and Ph.D. Candidate, Department of Civil Engineering, National Central University

2 Professor, Center for Space and Remote Sensing Research and Department of Civil Engineering, National Central University

利用光達資料於 DEM 生產及房屋偵測之研究