DEM辅助的机载LiDAR点云滤波改进算法研究

智障研究所

DEM辅助的机载LiDAR点云滤波改进算法研究
周薇薇1，彭泊涵2,3，张辉松4，李兵2,3，蔺志永2,3
（1.江苏海洋大学,江苏连云港 222005；
2.北京市测绘设计研究院，北京 100038；
3.城市空间信息工程北京市重点实验室，北京100038；
4.武汉大学，武汉 430072）
摘要 ：针对多源数据辅助LiDAR点云滤波的问题，提出了以经典渐进加密不规则三角网（TIN）算法为基础，对该算法中种子点选取和地面点判断准则两个过程进行分析，在DEM数据辅助下分别对这两个过程进行改进。同时考虑往期DEM与数据之间的变化情况并进行处理，实现地形自适应的点云滤波。该文选择的两块地形条件不同的实验数据进行实验，结果表明，不同地形条件下，使用本文方法与传统TIN加密滤波算法对比滤波精度明显提高。此外，该文还 选用5种不同分辨率的DEM数据进行辅助滤波实验，实验结果表明DEM分辨率变化会导致滤波精度变化，但与传统TIN滤波方法相比，各分辨率DEM数据辅助下的点云滤波结果精度都有提高。
引言
机载激光探测及测距系统（light detection and ranging，LiDAR），是一种集合激光测距技术、高精度动态载体姿态测量技术和高精度动态差分定位技术于一体的，能快速获取地面点三维坐标的测量装置。与传统的摄影测量技术相比，其具备全天侯作业能力，受天气影响小，作业速度快等优点，使用机载LiDAR系统可得到离散的三维测量点集，即LiDAR点云。获取的LiDAR点云经过处理，可以将点云分类为地面点、植被、建筑物等。分类完成的地面点可以用于生产高精度DEM（digital elevation model)、等高线等测绘产品。
点云滤波是LiDAR点云数据处理中的核心问题。滤波的目的是准确地将反映地形特征的地面点与反映地物特征的非地面点进行区别归类，目前大部分的滤波算法都是基于几何信息（局部高程不连续）实现的，国内外学者做了大量关于点云滤波的研究，并取得了良好效果。LiDAR点云数据滤波算法可总结为四类，即：基于数学形态学的滤波方法、基于渐进加密的滤波方法、基于坡度的滤波方法、基于分割的滤波方法。形态学滤波将数学形态学中的基本算子（如开运算、闭运算等）引入LiDAR点云滤波中，通过对基本算子有效组合实现地面点识别。然而，在应用中此类算法的滤波效果受窗口选择影响，若窗口选择过小则不能有效剔除大型地物；若窗口选择过大则会导致部分地形特征而错分为地物。基于坡度的滤波算法，需要在计算时找到临近点并逐点计算坡度值，算法对阈值设定要求较高，如果阈值设定不准确，最终获得滤波结果不准确，而且计算量较大。基于分割的点云滤波算法，点云进行分割后，能够提供更多的信息，分割后可以准确地判断地形断裂线等，但是如果分割结果不准确，后续点云滤波就会受到很大影响。渐进加密不规则三角网的滤波算法是近年来应用最广泛的算法，该算法在各种复杂地形中均能获得较好的效果，但是该算法是迭代运算，占用内存较大，处理时间较长，而且初始构建TIN(triangulated irregular network)对后续滤波影响较大。目前的点云滤波算法存在复杂地形适应能力不强、算法参数选择困难等问题，在实际生产中往往还需作业员根据经验对在不同的地形输入不同的适应参数，或是人工对局部地形进行编辑处理才能取得较理想的效果。文献对8中常用的滤波算法进行了实验比较和分析，特别指出现有的滤波算法在地形起伏、陡坡陡坎多，同时分布有植被的区域，存在较大的误差，对比综合滤波效果以及分析地形普适性，目前开展滤波算法应用性最好的是渐进加密不规则三角网滤波算法。近年来，一些研究人员结合实际应用，对多源数据辅助下的点云滤波方法也进行了探究。有研究人员尝试使用多源数据辅助点云滤波，取得了较好的滤波效果。文献研究了数字线划地图（Digital Line Graphic，DLG）辅助机载LiDAR点云滤波，该方法在生产中具有一定的实用性，但对DLG数据现势性要求较高。文献提出一种利用DEM辅助的机载LiDAR滤波方法，该方法把两种数据叠加到相同的平面空间，通过计算DEM格网高程与落入格网内的最低点云高程差值，并和预先设置的高差阈值进行比较得到滤波结果。综上所述，目前许多机载LiDAR点云滤波在特定地形和地物条件下都能取得不错的滤波效果，但也都存在一些局限性，没有算法能够在各种复杂地形下都表现出很强的适应性。本文以往期DEM产品作为辅助，提取地形信息，从而改进点云数据滤波处理，对于实际生产有较大现实意义和应用价值。
1 基于往期DEM辅助的TIN滤波
改进算法
传统的渐进加密不规则三角网滤波算法可以概括为4个步骤：①对LiDAR点云数据进行规则格网划分；②选择每个格网分块中的最低点作为地面点的初始种子点，构建初始地形TIN模型；③根据地面点判断准则，逐点判断余下的数据点是否为地面点，若是地面点则添加到TIN模型中，并将数据点标记为地面点；④迭代进行步骤③，直到没有新的数据点满足地面点判断条件或迭代次数达到限值。渐进加密TIN滤波的稳定性和滤波效果都比较好，能够适应相对复杂的地形，但初始种子点的选取对滤波结果影响较大，在不同的坡度地形条件下需要输入不同的地面点判断参数才能获得较好的效果。
在进行数据预处理后，本文利用往期DEM数据提取地形高程信息和地形梯度信息辅助，改进渐进加密不规则三角网中初始地面种子点选取方法，优化地面点判断参数，并对往期DEM数据和LiDAR点云数据之间的地形变化进行检测和处理，提出基于往期DEM辅助的TIN滤波改进算法，实现往期DEM辅助下的LiDAR点云自适应滤波处理。
1.1非地面点粗剔除
LiDAR点云数据经过去噪后，余下的点云数据包括地面点和地物点，其中非地面点中包含了植被、房屋建筑、电力塔架、电力线、桥梁以及其他的人工建筑物，这些地物通常在高程上明显高出临近的地面点，也因此易于与地面点区别开。在传统的渐进加密TIN滤波算法中，这些非地面点的存在会导致两个问题：①大面积建筑物的存在可能会导致初始地面种子点选取错误，出现大型建筑物内部点被误分为地面点的情况；②每一次迭代过程中仍然需要对这些非地面点进行判断，算法整体效率被降低。考虑到往期DEM与LiDAR点云数据之间通常只是部分区域出现地形变化，因此可以利用往期DEM数据的高程信息辅助，对非地面点进行粗略的剔除，解决上面的两个问题。

粗剔除过程中得到的非地面点中还存在因为地形变化而导致错误分类的地面点，这部分地面点的处理将在后续进行讨论；粗剔除过程保留下来的待处理点中包含了大部分地面点，还存在一些低矮植被、车辆、小型人工地物等，这部分点通过选择初始地面种子点并构建稀疏TIN模型，然后迭代加密，实现对这部分待处理点的滤波。
1.2 地面种子点选取方法
初始地面种子点选取是TIN加密算法的关键。选取初始地面种子点的目的是找到可信度最高的地面点，然后以这些点作为地面种子点构建初始地形TIN模型，再在稀疏TIN模型的基础上对其余点进行判别，如图2所示。

使用传统方法进行种子点选取时，格网尺寸选择是算法效果的关键。如果格网尺寸小于建筑物尺寸，则可能出现落入格网内的点只有建筑物点，从而导致选择建筑物点错误地选为种子点，出现建筑物被误分为地面点的情况。如果格网尺寸过大，则可能会因为构建的TIN模型太粗糙而导致部分地形细节特征丢失。在DEM数据的辅助下，可以对初始地面种子点选取的质量进行改善。由于在非地面点粗剔除中已经利用DEM数据剔除了包括建筑物点在内的非地面点，因此这里可以采用较小的格网尺寸，避免出现建筑物点被选入地面种子点的情况，并在保证准确度的同时增加初始种子点数量。此外，利用DEM数据提取断裂线区域，并通过增加断裂线区域种子点，保证地形细节特征，可以提高初始地面种子点的质量。改进后的种子点选取效果（图4），可以看出，种子点选取的数量得到了增加，尤其是在地形起伏较大的陡坎附近种子点更密集，能够保留更准确的地形细节。

1.3地面点判断准则的地形自适应优化

1.4 基于区域生长的变化区域地面点探测

2 实验结果及分析
2.1实验数据
为了验证DEM辅助LiDAR点云滤波方法的有效性、实用性以及不同地形条件下的适应性，本文选用了地形平坦的江苏平原地区、城市建筑物与林地混合的南宁郊区两个具有代表性的地形条件区域进行滤波实验分析。两个区域的LiDAR点云数据均通过三维交互编辑和手工剖面编辑进行分类处理后的成果，将其作为标准参照滤波结果。下面对这两个区域LiDAR点云和与之对应的分辨率为5 m的DEM数据的基本情况进行介绍。
1）江苏数据。江苏实验数据位于江苏省徐州市城区东南，具有典型的城镇地形特点，如图10所示。实验区内整体地形平坦，主要是城区平地、小山、河流等地貌，其中包括房屋建筑物、道路、桥梁等在内的大量人工地物。

2）广西数据。南宁实验数据位于广西省南宁市城郊，该区域为城镇建筑区与植被区混合，如图11所示。实验区内地形情况较为复杂，城镇建筑区地形相对平坦，植被区地形起伏较大，整个测区内有建筑物、道路、立交桥等人工地物，还有陡坎、斜坡等地形。

本文在往期DEM数据的辅助下基于传统TIN加密滤波方法进行改进，引入DEM信息自适应调整迭代判断阈值，以增强滤波方法的适应能力。本小节对传统TIN加密滤波算法和本文改进的基于DEM辅助的滤波结果进行实验分析。
1）传统TIN加密滤波算法滤波结果。采用传统TIN加密滤波算法对两个实验区域的LiDAR点云滤波处理，得到的滤波结果分别如表1、表2所示。
表1TIN算法江苏数据滤波结果

表2TIN算法广西数据滤波结果

2）基于DEM辅助的点云滤波结果。采用本文提出的方法利用DEM数据对两个实验区域的LiDAR点云进行辅助滤波处理，得到的滤波结果分别如表3、表4所示。
表3DEM江苏数据滤波结果

表4DEM广西数据滤波结果

3）滤波质量评价。
为了检验本文提出算法的有效性，本文以手工编辑分类结果为参照数据，将本文算法与传统的迭代三角网加密算法以及常用的基于数学形态学、坡度、分割的滤波方法进行了比较。对点云滤波方法的一类误差、二类误差和总误差进行计算，结果如表5和表6所示。
表5江苏数据滤波结果精度

表6广西数据滤波结果精度

通过将表5与表6对比可以看出，在使用往期DEM数据进行辅助滤波后，本文的滤波方法得到的滤波结果相较于其他类型算法的Ⅰ类误差和总误差都明显减少，但Ⅱ类误差有所增加。该结果表明，本文采用的DEM辅助点云滤波的方法虽然一定程度上会增加Ⅱ类误差，但能够正确分类出更多的地面点，Ⅰ类误差显著减小，且滤波结果的总误差也明显减小，滤波精度得到提高。
2.3 DEM分辨率对滤波结果影响分析不同分辨率的DEM数据能够提供的辅助信息的细节和精度都不同，这可能会影响本文基于DEM辅助下的LiDAR点云滤波效果，因此有必要进行DEM分辨率对LiDAR点云滤波质量的影响分析。本实验选用江苏徐州实验区域的点云数据，使用的不同DEM分辨率分别为1、2.5、5、10、25 m。采用本文的滤波方法，得到的滤波结果精度如表7所示。
表7不同DEM分辨率辅助滤波结果精度

可得出：①DEM分辨率增大，滤波结果的Ⅰ类误差也随之增加；②DEM分辨率增大，滤波结果的Ⅱ类误差随之减少；③DEM分辨率在不超过5m时，滤波结果的总误差不变，分辨率超过5m时，总误差随分辨率增大而变大。也就是说，采用本文提出的方法利用DEM辅助点云滤波处理时，并非辅助DEM数据的分辨率越高滤波效果就会越好。此外，从表中还可以知道，各分辨率DEM数据辅助下的点云滤波结果其精度都优于传统TIN加密滤波。
3 结束语
本文在TIN加密滤波算法的基础上利用DEM辅助信息对点云滤波方法进行改进，实现无参数、地形自适应的点云滤波。本文以经典迭代加密不规则三角网（TIN加密）算法为基础，对该算法中种子点选取和地面点判断准则进行深入分析，并分别进行改进。为了验证本文提出的DEM辅助LiDAR点云滤波方法的可行性，本文选用了地形条件不同的两块实验数据进行滤波实验。实验结果表明，对不同地形条件下的LiDAR点云数据，使用DEM辅助的滤波方法都能获得比传统TIN加密滤波算法更小的滤波总误差，滤波精度明显提高，且滤波过程中不需要参数输入，滤波生产处理效率也得到提高。此外，为了探究DEM分辨率对辅助滤波结果的精度影响，选用了1、2.5、5、10、25 m几种不同分辨率的DEM数据进行辅助滤波实验。实验结果表明，随着DEM分辨率变大，滤波结果的Ⅰ类误差和总误差都会变大，但各分辨率DEM数据辅助下的点云滤波结果精度都优于传统TIN加密滤波算法。综合两个实验的结果，本文认为采用文中提出的方法利用DEM辅助LiDAR点云滤波在实际生产中具有可行性。

来源：http://www.yidianzixun.com/article/0jYYAHS7
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！

鸟儿的天空

秀起来~