點云平面提取_基于LiDAR點云數據濾波方法

基于LiDAR點云數據濾波方法

機載激光雷達所獲取的數據被稱為“點云(points cloud)”它在三維空間中呈現出隨機分布的形狀。在點云中，有些點屬于真實的地形表面的點，有些點屬于人工建筑物塔、輸電線、橋等或自然植被如樹、灌木、草、其他植物。激光雷達數據中所謂的濾波是指從激光腳點數據點云中提取數字地面高程模型(DTM/DEM)時需要將其中的地物數據腳點去掉，將屬于地形表面的點分離出來。如果要進行地物提取比如建筑物提取，就需要對激光腳點數據點云進行分類這在激光雷達數據處理中又稱分割。通過區分植被數據點和人工地物點，以提取城市建筑物數據點云類別，就是所謂的激光雷達數據的建筑物點云分類。

機載LiDA點云數據濾波方法原理

機載激光雷達系統點云數據處理包括多個方面，主要有GPS數據定位處理、IMU/GPS組合確定投影中心姿態參數、多傳感器數據的時間系統的同步處理、點云數據三維坐標計算、數據濾波、分類、建筑物邊緣提取以及建筑物三維重建等處理步驟。機載激光雷達系統的硬件技術在國外已經發展的很成熟，關于硬件與系統集成的關鍵性技術難題都被攻破，但是點云數據的處理還處于研究發展階段，很多有關于點云數據后處理的算法都存在一定的缺陷。其中最主要的難題是點云數據的濾波，數據濾波是機載激光雷達點云數據后處理的基礎和至關重要的步驟。濾波精度對后續的分類、地物識別和提取、建筑物三維重建存在很大的影響。點云數據濾波算法的研究是機載激光雷達數據后處理的難點和熱點。機載激光雷達激光腳點在三維空間的分布形態是一系列不規則的、離散的數據點云，激光腳點在地面的分布形狀取決于所采用的掃描方式。在這些點云中，有的激光腳點位于真實的地形表面，將這些點稱為地面點；而剩下的點位于地面地物或植被上，將這部分點稱為非地面地。將位于真實地形表面的激光腳點從點云數據中分離出來，就是所謂的點云數據濾波。由于機載激光雷達系統在數據的釆集時具有一定的盲目性，存在丟失地形、地物特征點的情況，這就為點云數據的處理帶來很大的難度。在濾波過程中應盡可能的保留重要的地形特征點，以及盡量減少濾波分類誤差。

機載激光雷達數據濾波算法的基本原理重要有兩種，一種是基于傳統航空影像的分類原理：被不同目標反射回來的激光脈沖的能量是不同的，回波的能量決定了回波的強度，將回波強度信息轉換為灰度圖像。通過分析灰度的分布形態，確定地面點的灰度范圍，通過灰度值的差異區分地面點和非地面點。另外一種是基于高程突變的原理：臨近激光腳點間高程突變造成的局部不連續，一般認為不是由于地形的自然起伏變化引起的，更大的可能是較高的激光腳點位地物表面或植被上，而較低的激光腳點位于地面。兩臨近激光腳點間的距離越近、高差越大，較高激光腳點位于地面的可能性就越小。在通過一定的濾波算法判定待判定點是否為地面點時，要考慮該判定點到參考地面點間的距離，隨著距離的增加，判斷閾值也應相應的增加。由于目前機載LiDAR系統獲取的回波強度信息噪聲較大，因此基于傳統航空影像分類原理的濾波算法比較少，大多數都是基于高程突變的原理。

機載LiDAR點云數據濾波的方法

機載激光雷達系統經過多年的研究發展，硬件和系統技術已經很成熟，數據獲取的精度也在不斷提高，但數據后處理相對來說還是處于發展停滯狀態，還有很多問題沒有解決。國內外眾多學者提出了多種濾波算法，目前機載LiDAR數據濾波算法主要有：形態學濾波算法、線性迭代最小二乘濾波算法、基于地形坡度濾波算法、三角網迭代濾波算法、曲面平面濾波算法以及基于數據分割濾波算法等幾種方法。

基于數學形態學濾波算法

德國斯圖加特大學研究者,indenberger利用數學形態學的濾波算子開運算，對測試用機載Lidar點云數據進行了處理，對于測試用機載LIDAR點云數據進行了處理，對于運算實驗得到的結果，采取自回歸的過程對其加以改進。但是這一改進算法只能在數據點排列非常非常有序的情況下進行，故只能適用于類型為剖面式的激光腳點數據。多數圖像處理軟件中的形態學算法均采用規則網格形式存儲的數據結構，但這必將丟失數目龐大的換件地形要素的信息，某些情況下，當地面的數據點和地標物體的數據點間產生內插操作時，由于進行了內插處理，使得高程數據十分平滑，會破壞原始高程變化的特征，，反而會給分類和過濾帶來困難。為保證原始信息的完整性，處理是應盡可能利用原始離散點云數據，只是該算法的實現十分耗時。1996年，Kilian等人利用形態學開運算，以移動窗口為平臺，認定地面數據點，即為在窗口中擁有最小高程值的點，即使高程大于此點，只要在規定閾值內，仍被當作地面數據點，此時，參考不同大小的移動窗口，可以設定相應的權，提出的算法通常用來在多個窗口中反復處理，這些窗口大小不一，最終根據不同的權，用內插的方法，生成DEM。

基于線性迭代最小二乘濾波算法

? ? 維也納大學的Kraus和Dfeifer教授首次提出了將LiDAR點云數據進行迭代最小二乘線性內插的濾波算法。其中心思想是使用低維的多項式曲線實現對地形起伏不大的掃描區域內數據的濾波處理。該算法的基本出發點是位于地物的激光腳點的高程比其對應的地面點的高程高，對激光焦點進行線性最小二乘內插后，擬合一個高程擬合面，激光腳點的高程與該點在擬合面上的擬合髙程之差不服從正態分布。

?基于坡度濾波算法

這種方法類似于數學的形態算法內常用的腐蝕算子。由地形坡度的變化決定最優濾波函數，對濾波窗口的大小作適當調整以保證傾斜地形信息的完整性，同時多提供幾個可以用來篩選的閾值，選擇性多的情況下可以確保真正存在于地標的激光數據點不會有被過濾掉的危險。關于如何設置最恰當的參數依然歲地形的變化而變化。

? ? 其基本思想是：當兩個鄰近的激光腳點間具有較大的高程差異時，有地形急劇變化導致這一現象的情況比較少。即相鄰點間高度差的取值有時候會超過所規定的閾值，這種前提下，點與點之間的距離的高程，產生這一現象的具體原因一般為兩數據點鐘，一個在地表；一個在植被上，有時也會在其他地物的各種部位。描述的算法是通過比較兩點間的高度差來決定是否采納所選定的數據點，距離函數可有兩點之間的高度差值定義。點云密度越小，分類誤差就越大，濾波效果也就越差；反之，密度越高，誤差會變小，則濾波效果也會增強。此方法難以實現矮小地面植被被激光腳點的過濾。

基于曲面平面濾波算法

? 基于平面/曲面的濾波算法，其核心在于參數曲面的選取。經典的方法使用最小二乘用于表面擬合。Kraus和pfeifer，pfeifer等應用具有最小二乘的線性預測方法提出了一種分等級的內插方法。該方法是通過減少地面之上的點和奇異點的權值，來確定最佳的參數曲面。Hu和Tao分析了來自道路和植被的多次回波信息特征，以有粗到細的方式，預先提取出地面點。由于這些方法的假設是基于一個連續的表面模型，要保持在斷裂線上的地面點很困難，在鄰近斷裂線附近會產生較大誤差。

有些方法使用TIN模型作為參數曲面，但是這些方法用于非連續的地形表面。TIN模型中的地面點選取，常用的方法是對TIN模型進行分等級加密，逐步增加TIN的精度和選取地面點的數目，以得到最終的DEM。由于這些方法均假定地形表面是局部平坦的，處理結果有時會導致山地和丘陵地區的DEM比真實地形平坦。

基于布料模擬濾波算法

布料濾波算法是模擬布料自然下落的物理過程，假設一個柔軟的布料在重地作用下落在地形表面上并與之緊緊貼合，則布料最終的形狀便反映了DSM形狀，若最初先將地形進行上下顛倒，則布料最終反映的是DEM的形狀，該算法運用到點云濾波領域，大致過程是先將點云上下翻轉，構建質點彈簧模型并將其覆蓋在翻轉后的點云表面上。根據質點所受的重力和彈力來調整質點的位置從而模擬顛倒的地形表面。最后通過分析激光點與模擬的地形表面之間的距離，區分地面點與非地面點。

機載LiDAR點云數據濾波的方法的優缺點

簡單濾波算法

? ? ?優點：算法原理簡單，可操作性強。

? ? ?缺點：只適用于平坦地形，濾波誤差較大。

數學形態學濾波算

? ? ?優點：采用移動的窗口過濾整個區域，并且釆用規則網格數據結構，運算速度快，操作簡單

? ? ?缺點?：采用回歸分析運算,要求有序，在內插成規則網格時會損失很多重要的地形信息

移動窗口濾波算法

? ? ?優點:通過控制移動窗口的大小，迭代過濾整個數據區域，對應各種地形條件調節閥值的選取，對各種復雜的地形濾波效果較好。

? ? ?缺點:窗口的大小及閥值的選取對濾波的效果有較大的影響，濾波的自適應性較差

迭代最小二乘線性內插的濾波算法

? ? ?優點:通過多次的迭代擬合運算，不斷的提出高程較高的非地面點，不斷的更新和接近真實的地形表面，濾波精度高。還能提出存在的粗差算法要求數據均勻分布，且地形要較為平。