机载LiDAR点云建筑物屋顶轮廓线自动提取研究综述

机载LiDAR点云建筑物屋顶轮廓线自动提取研究综述
霍芃芃; 侯妙乐; 杨溯; 侯庆明; 周庆; 董友强; 李爱群
【期刊名称】《《地理信息世界》》
【年(卷),期】2019(026)005
【总页数】13页(P1-13)
【关键词】机载LiDAR; 点云滤波; 建筑提取; 屋顶轮廓线提取; 轮廓线规则化【作者】霍芃芃; 侯妙乐; 杨溯; 侯庆明; 周庆; 董友强; 李爱群
【作者单位】北京建筑大学北京未来城市设计高精尖创新中心北京100044; 北京建筑大学测绘与城市空间信息学院北京102616; 北京市测绘设计研究院北京100038; 城市空间信息工程北京市重点实验室北京100038; 华北计算技术研究所北京100083; 北京建筑大学土木与交通工程学院北京102616
【正文语种】中文
【中图分类】P407.5
0 引言
建筑屋顶轮廓线是建筑屋顶的外边缘线，常被视为屋顶平面与建筑外墙的交线，一般具有等高、连通、封闭等特性[1]。

建筑屋顶轮廓线在辅助实景三维重建、城市空间分析、建筑类别统计与灾后虚拟重建等领域有着重要的应用价值[2]。

传统三维建筑屋顶轮廓线提取技术主要采用卫星影像和航测立体影像进行半自动化采集，获取结果精度高，但采集周期长，难以保证成果的现势性。

Herman M[3]于1987
年提出可利用影像对直线垂直、平行的特性进行启发式推理，从而实现自动提取。

此后基于影像的建筑屋顶轮廓线自动提取技术受到广泛关注，研究人员分别采用倾斜影像、SAR影像、高分辨率遥感影像等对建筑屋顶轮廓线进行自动提取工作(Shufelt J A[4]、赵凌君[5]、王永刚[6])。

基于影像的自动化提取方式不需要人工干预，效率得到显著提高，但数据精度无法得到保证。

当前城市发展迅速，建筑形态复杂多样，无形增加了三维城市更新的成本，传统的技术手段已难以满足发展需求。

如何高时效、低成本获取城市建筑信息，自动化精准建模是目前亟需解决的问题。

机载LiDAR作为一项新兴三维航空遥感技术，具有环境约束小、操作成本低、采集速度快、数据精度高等优势[7]，可全天候获取地物三维空间信息，因此现已成为建筑屋顶轮廓线自动提取的重要数据源。

最初使用机载LiDAR提取建筑屋顶轮廓线需将其内插为深度影像，进一步求得规则化的nDSM，再利用分割及边界线提取等成熟稳健的图像处理方法进行轮廓线提取(Franz Rottensteiner[8]、Ma R[9]、孟峰[10])。

此类方法运算速度快，但由于插值造成精度损失，提取结果通常与实际形状相差甚远。

随后研究人员直接利用点云数据进行建筑屋顶轮廓线的提取(沈蔚[11]、Tsenga Y H[12])。

此类方法获取结果精度较高，但时间代价较大，尤其当面临数据密度不均、缺失等问题时，提取效果难以保障。

目前大多研究人员更关注多源异构数据融合的提取方法(朱庆[13]、Jarząbek-Rychard M[14]、杜守基[15])。

与传统技术相比，数据融合方法有望更好地处理植被遮挡、阴影等点云处理瓶颈问题，可显著提高建筑屋顶轮廓线提取精度[16-17]。

目前关于采用机载LiDAR自动提取建筑屋顶轮廓线技术的研究与日俱增，但缺少系统回顾与总结。

据此问题，本文根据以往国内外研究人员对本技术的研究内容，凝练了一套通用的技术流程。

为使读者对本技术的发展历程与现状有较为系统的认识，应用本技术时有较为准确的方法选取。

本文未对全部参考文献内容进行详细回
顾，而是将该流程4个主要步骤中涉及的代表方法与核心算法进行对比分析。

本
文安排如下：第1章介绍典型机载LiDAR自动提取建筑屋顶轮廓线技术的基本步
骤流程；第2-5章描述建筑屋顶轮廓线提取方法，包括点云滤波，建筑提取，屋
顶轮廓线提取及轮廓线规则化方法；第6章对本文进行讨论总结，最后在第7章
对本技术的发展趋势进行展望。

1 屋顶轮廓提取流程框架
本章遵循以往Tsenga Y H[12]、Yang B[18]、刘士程[19]等提到的典型数据处理
过程，为同时实现一般简单结构及多形态、多层次复杂结构建筑屋顶轮廓线的自动提取，总结出一套通用技术流程，如图1所示。

首先通过滤波处理将机载LiDAR
点云数据分为地面点与非地面，非地面点中包含兴趣目标(建筑物)及其余特征地物(植被、汽车、道桥等等)，通过建筑提取技术将兴趣目标从非地面点中分离，之后进行建筑屋顶轮廓线提取，为还原真实景观，最终应遵循现实规律对建筑屋顶轮廓线进行规则化处理。

图1 采用机载LiDAR提取建筑屋顶轮廓线技术流程Fig.1 Workf l ow for the extraction of building rooftop outlines using airborne LiDAR
本文主要关注建筑屋顶轮廓线提取，通常由于数据获取类型、特征、质量以及用途等方面差异，一些研究可能不严格遵循上述技术流程进行建筑屋顶轮廓线提取工作，而是针对其中某步骤进行了深入研究。

如：惠振阳[20]、Meng X[21]对点云滤波
的方法以及面对各类地形方法的适用性进行详实的对比综述；颜亮[1]对基于机载LiDAR数据的各类建筑提取算法作出对比分析；Tsenga Y H[12]、Wang R[22]、李新科[23]主要对建筑屋顶轮廓线提取进行研究；武鑫[24]、朱琴[25]针对建筑屋
顶轮廓线优化、规则化方法进行探究。

因本技术流程中每一步骤的结果均会对最终提取效果产生不同程度的影响，所以相关研究内容对本文均具有参考价值并存在贡献。

2 点云滤波
点云滤波是将点云数据中地面点与非地面点分类的过程[26]。

该步骤是点云数据处理的重要环节，非地面点提取误差将会导致后续建筑提取偏差，准确的点云滤波可有效减小误差迭代[27]。

近年来，点云滤波方法主要分为四类：基于坡度的分类，基于形态学判别的分类，基于数字表面模型(Digital Surface Model,DSM)的分类和基于不规则三角网模型(Triangulated Irregular Network,TIN)的分类[28-29]。

滤波方法选取时，应综合考虑点云数据的体量、回波次数、邻域关系等因素，结合滤波目标区地形特征进行选择，见表1。

表1 机载LiDAR点云滤波方法对比Tab.1 Comparison of main data fi ltering methods by 3D airborne LiDAR points方法名称参考文献优势局限基于坡度滤波Vosselman[30-31]方法提出，参数设置简单坡度阈值为固定值，普适性受限Sithole[32] 坡度阈值设置灵活，增强适应性算法自适应能力受限Feng Y[33] 结
合区域生长法，地面信息保留较好城市等建筑密集区域滤波效果受限Susaki[34] 坡度阈值自适应，可适应复杂地形高差变化剧烈、断裂区域阈值适应难度大Zhang H[49] 增加参数类别，共同进行滤波判断坡参数阈值的设置依赖先验知识基于形态学判别滤波Zhang K[36] 提出渐进式形态滤波方法地形细节表达粗糙
Hui Z[37] 渐进式滤波法结合多级克里金插值方法，提高地形细节留存复杂地形
滤波效果受限Chen Q[38] 迭代形态滤波，地物尺寸多样区域滤波效果良好地形
起伏剧烈区域稳健性受限基于DSM滤波Mongus D[39-40] 无需进行参数设置，增强通用性多层级迭代方式难以避免误差迭代Hu H[43] 参数设置少，拓展算法
自适应能力需结合点云信息提高算法性能及稳健性Chen C[44] 提高滤波整体精
度山坡等地形变化较大区域滤波效果受限基于TIN滤波Axelsson[45] 方法提出，对于复杂地形适应性良好低位噪声点敏感，计算时间代价较大Zhang J X[47] 增
强针对地形剧烈起伏区域的适应性地物多样时适应性受局限，如桥梁、坡道等
Sui L C[48] 地形细节特征留存能较好，提高滤波可靠性地形起伏较大区域容易过度腐蚀地形
基于坡度的滤波方法由Vosselman最先提出[30-31]，该方法依据相邻激光点间坡度值进行滤波，默认地面点与非地面点间形成坡度必然大于地面点间坡度。

该方法原理简单，但滤波效果过于依赖坡度阈值的设定[32]。

Vosselman利用此算法对各类型特征地物数据集进行定性和定量的分析，结果表明其面临的最大挑战之一是针对复杂城市景观的精准滤波，因此Feng Y等[33]提出一种基于坡度和区域生长法相结合的自适应滤波算法，然而研究结果表明，该方法并不适用于人口稠密的城市地区。

Susaki J[34]针对此问题采用自适应坡度阈值方法对滤波算法改进，即使在人口稠密的城市地区，也能准确区分地面点和非地面点。

基于形态学的滤波方法通过滤波窗口，利用膨胀、腐蚀、开启、闭合等操作对地面点与非地面点进行形态判别从而实现滤波[18,35]。

基于坡度的形态学滤波方法中坡度角被定义为地面与非地面的倾角差，这种坡度设置方式可以提取更密集的非地面点，对于建筑密集的城市滤波更有优势。

但固定尺寸滤波窗口难以满足复杂地形的滤波，Zhang K[36]针对此问题提出一种经典的渐进式形态滤波方法，Hui Z[37]在此基础结合多级克里金插值方法继续改进本算法，提高地形细节的表达能力。

Chen Q等[38]针对此问题提出迭代形态滤波法，先使用较小窗口过滤小型地物，之后使用较大窗口再次滤波，可有效滤除大型地物。

基于DSM的滤波方法首先通过不同插值方法进行地面模型模拟，之后将点与插值高程对比从而实现滤波。

Mongus D[39-40]基于局部曲面拟合点云滤波算法(Local Fitting Surfaces,LoFS)提出一种无参数的多层级渐进加密点云滤波法，首先建立初始曲面地形，根据点到曲面的距离进行滤波处理，但此方法难以避免误差迭代，利用薄板样条(Thin-plate Spline,TPS)插值法建立初始地面时造成的精度损失将影响最终滤波精度。

基于此问题，Desmet P J J[41]、Smith S L[42]对常见
插值方法进行对比研究。

Hu H[43]同样采用TPS插值方法来实现点云滤波，通过计算各层级局部区域的弯曲能量对滤波阈值进行自动计算，减少参数设置，提高了算法的自适应能力。

Chen C[44]将建立初始地面种子点的选取办法及滤波的判断
条件等方面做出改进，结果的整体精度得到有效提高。

渐进加密不规则三角网(Progressive Triangulated Irregular Network Densification,PTIND)是基于TIN滤波方法中的经典算法，最早由Axelsson提出[45]并得到广泛使用。

本算法利用地面种子点建立初始TIN，进行全局的距离、角度阈值迭代，对满足条件者做加密处理。

此算法对于复杂地形滤波处理效果良好，但对于低位噪声点与低地势点较敏感，处理大体量数据时效率较低[46]。

Zhang
J[47]针对此问题将传统PTIND方法改进，增强该算法在地形变化剧烈区域的适应性。

隋立春[48]在PTIND基础上采用区域分块法和数学形态学法选取种子地面点，通过向上加密三角网提取地面点，试验结果表明该方法对地形细节特征留存能力较强。

基于坡度的滤波方法最具有普适性，尤其在地形变化单一的地区表现突出[49]；基于形态学的滤波方法适用于高低错落密集建筑城市区，甚至对于植被环绕的建筑区域表现出较良好滤波效果，但在地形起伏剧烈的区域其滤波效果无法保证；基于DSM滤波方法的计算效率高，对于河岸、陡崖等地表粗糙、断裂地区滤波效果较良好；基于TIN的滤波方法表现最为稳健，在城市道路网、山区居民地和不规则
建筑地区表现均良好，对于小体量数据处理更具优势。

就点云滤波的发展而言，如何提高海量点云数据的滤波效率，减少参数设置，提高滤波算法自动化、智慧化程度将是点云滤波今后的研究重点。

3 建筑提取
从非地面点中提取建筑时，精准提取并保留屋顶的细节特征是本步骤面临的主要问题[50]。

先验知识常被作为提取的约束条件，以植被为例，在点云数据中，屋顶通
常为光滑平面而植被更为粗糙；屋顶外形规则且多为对称结构而植被无规律可寻；屋顶不会被激光穿透而植被相反；屋顶平面尺寸通常大于植被等。

但准确地表达指定区域的先验知识是非常困难的，如面积大、穿透率低的植被很可能被误认为是建筑，而许多小型建筑因其屋顶的几何尺寸偏小，也可能被错误移除。

建筑提取主要有基于DSM数据、基于点云数据和基于点云与影像及DSM数据融合三类方法[51]，见表2。

表2 机载LiDAR建筑点提取方法对比Tab.2 Comparison of main building extraction methods by 3D airborne LiDAR points方法名称参考文献优势局
限基于DSM提取Li L[52] 计算效率高，多参数设置可增强灵活性依赖先验知识，对与建筑形态相似地物分离效果受限Mongus D[39]可较好区分与建筑特征相似
的其余地物，正确性堪比多源数据融合方法结果对地面点精度要求高，易过腐蚀
导致建筑细节丢失Zhang H[53] 有效区分建筑与植被计算耗时，为减小计算量进行灰度压缩导致纹理信息缺失，影响提取效果Xu W X[54] 具有较高准确性和可靠性，可为建筑屋顶轮廓线提取奠定良好基础基于点云提取依赖建筑先验知识的设定，运行效率较低Dong Z[55] 可实现复杂城市环境下多类型特征地物的多层次提取
对点云信息参数的丰富程度及准确性要求高Xu Y S[56] 利用主成分分析方法进行
多特征评估，有效提高建筑提取精度，尤其对于点密度低的区域效果优于一般方法对大规模数据集的适应性较为局限Wang J X[57]有效解决采用机载LiDAR提取建筑点云时，与树木紧邻区域难以提取问题依赖参数阈值设置Zhao C[58] 自动化
程度高，有效解决面竞争问题，对于复杂结构建筑的适应性强参数设置较多，存
在误差迭代问题Sohn G[62] 可有效改善数据驱动建模方式对建筑形状复杂性表达的限制，对于缺失边界可以有效拟合对点云数据的密度、均匀分布程度有一定要
求基于点云与影像及DSM融合提取Cheng X J[63]可提取高完整性和高几何精度的建筑信息数据自动匹配难度大Gilani S[64] 自动化程度高，对于尺寸不同、阴
影甚至遮挡的建筑均可有效提取对原始数据的位置精度要求较高，配准误差直接影响最终提取结果
基于DSM的提取方法可抵抗点云的离散性，DSM可直接运用图像分割、轮廓提取、形态学运算等成熟的影像处理算法，处理过程相对稳健高效。

Mongus D[39]提出的局部拟合曲面算法(LoFS)不仅可应用于滤波，结合微分形态剖面学(Differential Morphological Profile,DMP)则可有效解决物体遮挡、形态相似(建筑与非建筑)等问题，进而实现建筑提取；李亮[52]提出一种层进式屋顶点云提取方法，结合点云自身特性、实验区建筑先验知识与DTM，对建筑进行高效提取；张皓[53]提出利用灰度级共生矩阵(Gray-Level Co-occurrence Matrix,GLCM)对点云高程变化纹理特征进行分析，对建筑与植被，甚至相邻植被进行有效区分。

但内插、重采样等方法必然会影响点云数据的基本特征与初始结构，从而造成精度损失，不同分辨率尺度同样影响提取结果。

基于点云数据的建筑提取方法又可分为基于点和聚类分割方法两类。

基于点的方法是通过对激光点高度特征、回波特征和波形特征等进行分类提取。

如徐文学[54]提出结合建筑一般形状，利用标记点过程从原始机载LiDAR中提取建筑的方法；董震[55]提出利用点云数据自身的色彩信息、激光反射强度、空间距离等特征，生成多尺度超级三维体素对目标进行精准分割。

但此类方法仅描述目标点与邻近点的特征，局部判别更容易受到噪声和观测误差的干扰。

聚类分割方法则可有效克服该问题，通过相似特征点聚类并刻画其特征的方法为建筑分割提供更科学的辅助。

如Xu Y S[56]提出一种利用基于体素的区域生长分割方法对建筑屋顶进行稳健提取；王竞雪[57]同样利用区域生长法，结合主成分分析算法，有效解决植被与建筑近邻导致错误的分割问题；赵传[58]利用点云邻域信息对屋顶面进行高精度提取，并有效解决屋顶面竞争问题。

但针对地物差异小、建筑分布密、目标特征模糊的区域，此方法对边界点从属关系的判别仍较为模糊[59-61]。

基于点云与影像及DSM数据融合的方法可充分利用点云数据精确的空间信息，结合影像数据的光谱信息以及高分辨率的优势，更利于自动提取建筑信息。

Sohn
G[62]首先尝试将IKONOS影像与机载LiDAR进行融合处理，将基于数据驱动与
模型驱动获取到的建筑屋顶轮廓线有效拟合，有效补偿两种数据源的弱点。

程效军[63]尝试将航空影像与机载LiDAR相结合，将航空影像的光谱信息赋予机载LiDAR并将光谱信息作为特征向量进行聚类，实现植被分离，亦可利用机载LiDAR高程信息将光谱信息相似的道路与建筑进行有效区分，提高了建筑信息获
取的完整性和几何精度。

Gilani S[64]提出使用机载LiDAR与正射影像融合对建筑进行特征识别，并将其分割为规则网格，最终实现建筑提取与规范。

但多源异构数据配准困难、影像弱信息区域匹配程度低、影像透视变形等[65]仍是本方法面临的严峻问题。

目前利用点云的几何特征和回波信息实现建筑提取是多数研究人员的选择。

基于DSM的提取效率高，运行过程最为稳定，但现实中不同建筑以及建筑与其他地物间在物方空间上可能是紧邻的，仅利用DSM进行精准分离存在极高的难度，提取结果难以满足精度要求。

虽然点云与影像及DSM数据融合的方法目前仍受到诸多限制，但多源数据融合方法更有利于抵抗数据缺失、相似特征地物干扰等问题，可突出各类数据优势并进行需求互补，如基于影像匹配生成的点云数据相较于机载LiDAR数据，数据密度更高，虽同时会造成大量拓扑噪声，但建筑屋顶边缘信息
留存效果好，长远来看此方法必然会成为本技术的主要发展方向。

4 屋顶轮廓线提取
建筑屋顶轮廓线通常被定义为建筑屋顶与立面的交线[1]，因地域差异、艺术风格、构造设计、结构安全等因素，建筑屋顶结构复杂多样，因此建筑屋顶轮廓线的精准自动提取具有一定挑战性。

为使提取更具针对性，应先明确提取对象所属建筑类别，邵振峰、李德仁等[66]将建筑分为六类，作者在此基础继续细化分类，结果如图2
所示。

当前建筑屋顶轮廓线提取方法主要有基于深度影像、TIN以及点云数据三类，见表3。

图2 建筑屋顶轮廓线示意图Fig.2 Schematic diagram of building rooftop outlines classification
基于深度影像的轮廓线提取研究最早可追溯到20世纪80年代，McKeown[67-68]提出了一种基于知识的解译法。

首先将建筑点云数据转换为深度影像，后采用
传统影像处理领域中成熟的边界追踪和提取算法，如Roberts边界提取算法、Prewitt边界提取算法、Canny边界提取算法等[69]对建筑边界进行提取。

除此之外，Zhou Q Y[70]提出一种保留拓扑性质的图像边缘提取算法；Zhang K Q[71]
尝试利用平面拟合区域生长方法确定建筑边界；实验结果表明此类方法在处理速度与稳定性方面具有明显的优势，但精度难以得到保障，因此仍依赖于人工的修正与优化工作。

表3 机载LiDAR建筑屋顶轮廓线提取方法对比Tab.3 Comparison of extraction methods of building rooftop outlines by 3D airborne LiDAR points方法名称参考文献优势局限基于深度影像提取Zhou Q Y[70] 对植被有效分离，可快速获
取建筑屋顶轮廓线，提出一种具有学习能力的算法对原始点云数据质量要求较高Zhang K Q[71] 自动化程度高，对于大区域数据处理具有优势复杂建筑识别无障碍，轮廓线提取精度受点云密度限制Edelsbrunne[72-73] Alpha-shapes方法提出，简洁高效、运行稳定构建三角网等前期工作时间代价较大。

单阈值在复杂情
况适应性受限沈蔚[11,74] 减小计算量，对于凸、凹多边形建筑屋顶内外轮廓线提取稳定无法适应规则矩形以外的建筑基于TIN提取Andrew[75] convex-hull、concave-hull方法提出，计算效率高，适用于规则结构建筑原始数据密度不均时提取结果受限Tsenga Y H[12] 改善提取效果，对复杂结构建筑屋顶具有辅助结构的建筑屋顶轮廓线提取可行性较高对原始点云数据的点密度要求较高刘春[76] 可
有效提取包含圆弧的建筑屋顶轮廓线依赖于点云数据原始精度，对数据密度和完整性要求较高基于点云提取赵传[77] 可适应不同分辨率的点云数据，不依赖于先验知识，可较为准确地提取出多层次复杂建筑点云对于数据噪声、数据缺失敏感，高程差较大建筑群适应性受限Chen D[78] 提取结果精准、规则，可辅助重建多层次屋顶模型，对于大体量数据的运算效果良好对于现实景观中复杂建筑结构以及多样数据源适应性受限程亮、龚健雅[79] 自动提取精准轮廓线，细节留存效果好，可进行大体量数据运算受到数据完整性及弱信息区域的约束
基于TIN的轮廓线提取经典算法是Alpha-shapes、convex-hull、concave-hull 等，Alpha-shapes最早由Edelsbrunner等在1983年提出[72]，其思想是利用半径为α的圆对全局离散空间点进行遍历，之后抽象出其外包的直观形状[73]。

沈蔚[11]首次利用本算法从无序建筑点集中进行几何重建与屋顶轮廓线提取，通过对马来西亚吉隆坡城市中心区进行实验，可证明此算法简洁高效、运行稳定，同时适用于凸凹多边形建筑内外屋顶轮廓线的提取。

之后沈蔚[74]将提取结果结合屋顶高度信息，可实现城市典型规则屋顶建筑的快速重建。

Convexhull也称Concave-hull，由Andrew于1979年提出[75]，原理是判断出点集外围点并连接其边界线。

Tsenga[12]利用该算法结合点间距离阈值对建筑屋顶轮廓线进行提取，实验结果证明此方法对大多数简单结构建筑适应性良好。

目前多数轮廓线提取方法对直角规则建筑屋顶轮廓线提取展现了较强的适应性，而针对圆弧类复杂不规则建筑屋顶轮廓线提取研究较少，刘春[76]提出一种结构化提取特征点的方法，对圆弧处特征点间线段分段拟合，以得到符合实际情况的平滑轮廓线。

通过对上海陆家嘴地区的复杂结构建筑实验，结果表明该方法具有较高的可行性和提取精度，可有效提取包含圆弧的建筑屋顶轮廓线。

基于点云的轮廓线提取首先需要建立点间空间拓扑关系，利用距离、坡度、斜率、平面法向量等关系实现屋顶轮廓线提取。

通常，此类方法对凹多边形的边界检测不
敏感，易造成边界数据错漏，针对复杂建筑屋顶面提取适应性差、精度较低等问题，赵传[77]提出一种基于建筑屋顶轮廓点区域增长的屋顶轮廓线提取方法，结合点云邻域信息，通过邻域信息投票模型，有效地解决屋顶面竞争问题，对建筑屋顶轮廓线进行快速准确的提取。

Chen D[78]提出一种基于Voronoi图子图的新算法，利用屋顶关键点表示建筑原始轮廓线并与投影点组合，对真实建筑屋顶轮廓线进行混合表达和提取。

程亮、龚健雅等[79]提出一种LiDAR辅助下利用超高分辨率影像
进行轮廓线提取的方法，借助LiDAR估算出目标建筑的主方向，在此约束下进行
建筑屋顶轮廓线的自动提取。

对于简单结构建筑，屋顶轮廓线可以作为检索条件实现建筑物的自动建模，对于复杂结构建筑，也可利用其拓扑结构信息作为模型核查纠错的主要依据。

由此可见，建筑屋顶轮廓线提取结果的位置精度、细节程度、提取效率等至关重要。

在提取过程中，轮廓线精度常受到建筑的结构复杂多样性以及机载LiDAR数据自身的不适
定性影响，因此在屋顶轮廓线提取时，多数研究人员选择最为稳健的基于TIN提
取方法，相较于其他两种方法，该方法不仅可以保留原始点云精度，而且提取过程具有较强的稳定性。

5 轮廓线规则化
建筑屋顶轮廓线提取结果常受到特征地物误分类、屋顶面轮廓线特征点分布不均、提取目标遮蔽等问题的影响，导致提取结果出现形态不规则、位置偏差、轮廓断裂甚至缺失的现象[19,80]。

为使轮廓线真实还原，还需通过简化、合并、拟合、矫
正等手段对其进行规则化处理。

常用的方法有基于先验知识(平行性，对称性和正
交性等)和数据融合的规则化两种方法，见表4。

表4 机载LiDAR建筑屋顶轮廓线规则化方法对比Tab.4 Comparison of regulation methods of building rooftop outlines by airborne LiDAR points
方法名称参考文献优势局限基于先验知识规则化Jung J[81]对复杂结构建筑屋顶。