点云平面提取_基于LiDAR点云数据滤波方法

基于LiDAR点云数据滤波方法

机载激光雷达所获取的数据被称为“点云(points cloud)”它在三维空间中呈现出随机分布的形状。在点云中，有些点属于真实的地形表面的点，有些点属于人工建筑物塔、输电线、桥等或自然植被如树、灌木、草、其他植物。激光雷达数据中所谓的滤波是指从激光脚点数据点云中提取数字地面高程模型(DTM/DEM)时需要将其中的地物数据脚点去掉，将属于地形表面的点分离出来。如果要进行地物提取比如建筑物提取，就需要对激光脚点数据点云进行分类这在激光雷达数据处理中又称分割。通过区分植被数据点和人工地物点，以提取城市建筑物数据点云类别，就是所谓的激光雷达数据的建筑物点云分类。

机载LiDA点云数据滤波方法原理

机载激光雷达系统点云数据处理包括多个方面，主要有GPS数据定位处理、IMU/GPS组合确定投影中心姿态参数、多传感器数据的时间系统的同步处理、点云数据三维坐标计算、数据滤波、分类、建筑物边缘提取以及建筑物三维重建等处理步骤。机载激光雷达系统的硬件技术在国外已经发展的很成熟，关于硬件与系统集成的关键性技术难题都被攻破，但是点云数据的处理还处于研究发展阶段，很多有关于点云数据后处理的算法都存在一定的缺陷。其中最主要的难题是点云数据的滤波，数据滤波是机载激光雷达点云数据后处理的基础和至关重要的步骤。滤波精度对后续的分类、地物识别和提取、建筑物三维重建存在很大的影响。点云数据滤波算法的研究是机载激光雷达数据后处理的难点和热点。机载激光雷达激光脚点在三维空间的分布形态是一系列不规则的、离散的数据点云，激光脚点在地面的分布形状取决于所采用的扫描方式。在这些点云中，有的激光脚点位于真实的地形表面，将这些点称为地面点；而剩下的点位于地面地物或植被上，将这部分点称为非地面地。将位于真实地形表面的激光脚点从点云数据中分离出来，就是所谓的点云数据滤波。由于机载激光雷达系统在数据的釆集时具有一定的盲目性，存在丢失地形、地物特征点的情况，这就为点云数据的处理带来很大的难度。在滤波过程中应尽可能的保留重要的地形特征点，以及尽量减少滤波分类误差。

机载激光雷达数据滤波算法的基本原理重要有两种，一种是基于传统航空影像的分类原理：被不同目标反射回来的激光脉冲的能量是不同的，回波的能量决定了回波的强度，将回波强度信息转换为灰度图像。通过分析灰度的分布形态，确定地面点的灰度范围，通过灰度值的差异区分地面点和非地面点。另外一种是基于高程突变的原理：临近激光脚点间高程突变造成的局部不连续，一般认为不是由于地形的自然起伏变化引起的，更大的可能是较高的激光脚点位地物表面或植被上，而较低的激光脚点位于地面。两临近激光脚点间的距离越近、高差越大，较高激光脚点位于地面的可能性就越小。在通过一定的滤波算法判定待判定点是否为地面点时，要考虑该判定点到参考地面点间的距离，随着距离的增加，判断阈值也应相应的增加。由于目前机载LiDAR系统获取的回波强度信息噪声较大，因此基于传统航空影像分类原理的滤波算法比较少，大多数都是基于高程突变的原理。

机载LiDAR点云数据滤波的方法

机载激光雷达系统经过多年的研究发展，硬件和系统技术已经很成熟，数据获取的精度也在不断提高，但数据后处理相对来说还是处于发展停滞状态，还有很多问题没有解决。国内外众多学者提出了多种滤波算法，目前机载LiDAR数据滤波算法主要有：形态学滤波算法、线性迭代最小二乘滤波算法、基于地形坡度滤波算法、三角网迭代滤波算法、曲面平面滤波算法以及基于数据分割滤波算法等几种方法。

基于数学形态学滤波算法

德国斯图加特大学研究者,indenberger利用数学形态学的滤波算子开运算，对测试用机载Lidar点云数据进行了处理，对于测试用机载LIDAR点云数据进行了处理，对于运算实验得到的结果，采取自回归的过程对其加以改进。但是这一改进算法只能在数据点排列非常非常有序的情况下进行，故只能适用于类型为剖面式的激光脚点数据。多数图像处理软件中的形态学算法均采用规则网格形式存储的数据结构，但这必将丢失数目庞大的换件地形要素的信息，某些情况下，当地面的数据点和地标物体的数据点间产生内插操作时，由于进行了内插处理，使得高程数据十分平滑，会破坏原始高程变化的特征，，反而会给分类和过滤带来困难。为保证原始信息的完整性，处理是应尽可能利用原始离散点云数据，只是该算法的实现十分耗时。1996年，Kilian等人利用形态学开运算，以移动窗口为平台，认定地面数据点，即为在窗口中拥有最小高程值的点，即使高程大于此点，只要在规定阈值内，仍被当作地面数据点，此时，参考不同大小的移动窗口，可以设定相应的权，提出的算法通常用来在多个窗口中反复处理，这些窗口大小不一，最终根据不同的权，用内插的方法，生成DEM。

基于线性迭代最小二乘滤波算法

维也纳大学的Kraus和Dfeifer教授首次提出了将LiDAR点云数据进行迭代最小二乘线性内插的滤波算法。其中心思想是使用低维的多项式曲线实现对地形起伏不大的扫描区域内数据的滤波处理。该算法的基本出发点是位于地物的激光脚点的高程比其对应的地面点的高程高，对激光焦点进行线性最小二乘内插后，拟合一个高程拟合面，激光脚点的高程与该点在拟合面上的拟合髙程之差不服从正态分布。

基于坡度滤波算法

这种方法类似于数学的形态算法内常用的腐蚀算子。由地形坡度的变化决定最优滤波函数，对滤波窗口的大小作适当调整以保证倾斜地形信息的完整性，同时多提供几个可以用来筛选的阈值，选择性多的情况下可以确保真正存在于地标的激光数据点不会有被过滤掉的危险。关于如何设置最恰当的参数依然岁地形的变化而变化。

其基本思想是：当两个邻近的激光脚点间具有较大的高程差异时，有地形急剧变化导致这一现象的情况比较少。即相邻点间高度差的取值有时候会超过所规定的阈值，这种前提下，点与点之间的距离的高程，产生这一现象的具体原因一般为两数据点钟，一个在地表；一个在植被上，有时也会在其他地物的各种部位。描述的算法是通过比较两点间的高度差来决定是否采纳所选定的数据点，距离函数可有两点之间的高度差值定义。点云密度越小，分类误差就越大，滤波效果也就越差；反之，密度越高，误差会变小，则滤波效果也会增强。此方法难以实现矮小地面植被被激光脚点的过滤。

基于曲面平面滤波算法

基于平面/曲面的滤波算法，其核心在于参数曲面的选取。经典的方法使用最小二乘用于表面拟合。Kraus和pfeifer，pfeifer等应用具有最小二乘的线性预测方法提出了一种分等级的内插方法。该方法是通过减少地面之上的点和奇异点的权值，来确定最佳的参数曲面。Hu和Tao分析了来自道路和植被的多次回波信息特征，以有粗到细的方式，预先提取出地面点。由于这些方法的假设是基于一个连续的表面模型，要保持在断裂线上的地面点很困难，在邻近断裂线附近会产生较大误差。

有些方法使用TIN模型作为参数曲面，但是这些方法用于非连续的地形表面。TIN模型中的地面点选取，常用的方法是对TIN模型进行分等级加密，逐步增加TIN的精度和选取地面点的数目，以得到最终的DEM。由于这些方法均假定地形表面是局部平坦的，处理结果有时会导致山地和丘陵地区的DEM比真实地形平坦。

基于布料模拟滤波算法

布料滤波算法是模拟布料自然下落的物理过程，假设一个柔软的布料在重地作用下落在地形表面上并与之紧紧贴合，则布料最终的形状便反映了DSM形状，若最初先将地形进行上下颠倒，则布料最终反映的是DEM的形状，该算法运用到点云滤波领域，大致过程是先将点云上下翻转，构建质点弹簧模型并将其覆盖在翻转后的点云表面上。根据质点所受的重力和弹力来调整质点的位置从而模拟颠倒的地形表面。最后通过分析激光点与模拟的地形表面之间的距离，区分地面点与非地面点。

机载LiDAR点云数据滤波的方法的优缺点

简单滤波算法

优点：算法原理简单，可操作性强。

缺点：只适用于平坦地形，滤波误差较大。

数学形态学滤波算

优点：采用移动的窗口过滤整个区域，并且釆用规则网格数据结构，运算速度快，操作简单

缺点：采用回归分析运算,要求有序，在内插成规则网格时会损失很多重要的地形信息

移动窗口滤波算法

优点:通过控制移动窗口的大小，迭代过滤整个数据区域，对应各种地形条件调节阀值的选取，对各种复杂的地形滤波效果较好。

缺点:窗口的大小及阀值的选取对滤波的效果有较大的影响，滤波的自适应性较差

迭代最小二乘线性内插的滤波算法

优点:通过多次的迭代拟合运算，不断的提出高程较高的非地面点，不断的更新和接近真实的地形表面，滤波精度高。还能提出存在的粗差算法要求数据均匀分布，且地形要较为平。