CN102930509A - 一种机载激光点云数据的智能化滤波方法 - Google Patents

Abstract

本发明公开了一种机载激光点云数据的智能化滤波方法，包括：读取激光点云数据，进而使用格网索引组织激光点云数据中包含的点，生成一密集点云格网及一稀疏点云格网；对稀疏点云格网进行分类后，获得城区区域和山区区域；采用不同窗口分别对城区区域和山区区域进行划分，进而提取每个窗口的局部最低点；以局部最低点为种子点，使用基于区域增长的智能化分割提取得到初始地面点；根据初始地面点，建立TIN模型，进而渐进加密TIN模型，迭代提取地面点。本发明处理过程中不需人工干预，且能有效避免噪声点的干扰，提高了机载激光点云数据处理效率及滤波精度。本发明作为一种性能优良的机载激光点云数据的智能化滤波方法可广泛应用于测绘行业中。

Description

一种机载激光点云数据的智能化滤波方法

技术领域

本发明涉及遥感测绘领域，特别是一种机载激光点云数据的滤波方法。

背景技术

LiDAR(激光雷达)扫描系统集GNSS(全球导航卫星系统)、INS(惯性导航系统)、激光扫描系统于一体，能够直接测得空间点三维坐标，可高效快捷获取数字表面模型。现在的机载LiDAR技术可获取10-20cm水平分辨率的数据，一条航带测得的点数往往超过数千万。如何快速高效地处理LiDAR数据就成为一个值得研究的问题。尽管目前商用LiDAR系统常随机附带许多处理LiDAR数据的软件工具包，然而在实际应用中，仍然需要大量的人工干预，如滤波参数设定、滤波结果的人工编辑。其中手工分类和质量控制甚至耗费了整个处理时间的60%~80%。

点云滤波是LiDAR数据处理过程中的重要一步，它将激光点分成地面点和非地面点如建筑物、树木等，是生成DEM(数字高程模型)并获取地形信息的关键步骤。研究人员提出了很多滤波算法，如基于数学形态学的滤波方法、基于线性预测的方法、基于渐进三角网的方法、基于分割的方法等。Sithole和Vosselman在2004年ISPRS大会上对常见的几种算法的做了一下对比，同时指出没有哪一种算法能处理好所有地形，并指出未来的滤波算法需要针对不同的地形条件，相应地调整滤波策略，并辅助有效的分类信息。近年来研究人员仍然在研究这个问题，但都需要人工设置各种滤波参数。

由于LiDAR系统自身在脉冲信号发射和接收过程中电路传输出错、脉冲信号打到飞鸟及低空不明飞行物表面、脉冲信号多次漫反射等原因，机载LiDAR点云常常包含大量噪声点。在滤波处理过程中，噪声点会极大地影响邻近地表的光滑性及最终的DEM精度。噪声对LiDAR点云滤波有较大影响，但现有的去噪算法常常不能很好的处理这类噪声，且现有滤波算法基本是滤波前单独处理噪声，这也较大地影响了LiDAR点云数据智能化处理进程。

发明内容

为了解决上述的技术问题，本发明提供了一种高精度的机载激光点云数据的智能化滤波方法。

本发明解决其技术问题所采用的技术方案是：

一种机载激光点云数据的智能化滤波方法，包括：

S1、读取激光点云数据，进而使用格网索引组织激光点云数据中包含的点，生成一密集点云格网及一稀疏点云格网；

S2、对稀疏点云格网进行分类后，获得城区区域和山区区域；

S3、采用不同窗口分别对所述城区区域和山区区域进行划分，进而提取每个窗口的局部最低点；

S4、以所述局部最低点为种子点，使用基于区域增长的智能化分割提取得到初始地面点；

S5、根据所述初始地面点，建立TIN模型，进而渐进加密TIN模型，迭代提取地面点。

进一步，所述步骤S2包括：

S21、将稀疏点云格网中每个格网内的最低点的高程值作为灰度值，进而生成第一高程影像图I_h；

S22、分别计算并生成第一高程影像图I_h的X方向梯度图I_x和Y方向梯度图I_y；

S23、分别对X方向梯度图I_x和Y方向梯度图I_y进行中值滤波，得到滤波后的X方向梯度图I_x′和滤波后的Y方向梯度图I_y′；

S24、根据预设的窗口分别对滤波后的X方向梯度图I_x′和滤波后的Y方向梯度图I_y′进行划分后，计算划分后每个窗口的均值，并判断均值是否大于预设阈值，若均值大于预设阈值，则对应的窗口内的格网区域为山区区域，反之，则对应的窗口内的格网区域为城区区域

进一步，所述步骤S22中X方向梯度图I_x采用以下公式计算生成：

其中，W和H分别为第一高程影像图的宽度和高度，i和j都是自然数。

进一步，所述步骤S22中Y方向梯度图I_y采用以下公式计算生成：

其中，W和H分别为第一高程影像图的宽度和高度，i和j都是自然数。

进一步，所述步骤S23，其具体为：

采用1×n的模板对X方向梯度图I_x进行中值滤波，进而得到滤波后的X方向梯度图I′_x，并采用n×1的模板对Y方向梯度图I_y进行滤波，进而得到滤波后的Y方向梯度图I_y′，其中，n是大于1的奇数。

进一步，所述步骤S4包括：

S41、将密集点云格网中每个格网内的最低点的高程值作为灰度值，进而生成第二高程影像图I_hs；

S42、将所述局部最低点作为种子点，对第二高程影像图I_hs进行8邻域区域增长，进而得到增长后的区域，即分割区域；

S43、将第二高程影像图I_hs取反后，设置合适大小的窗口对取反后的分割区域提取每个窗口的最低点作为种子点，对取反后的分割区域进行8邻域区域增长，进而得到增长后的区域，即次分割区域；

S44、将取反的第二高程影像图I_hs再次取反后，设置合适大小的窗口对取反后的次分割区域提取每个窗口的最低点作为种子点，对取反后的次分割区域进行8邻域区域增长，进而提取增长后的区域的最低点作为初始地面点。

本发明的有益效果是：本发明的一种机载激光点云数据的智能化滤波方法，直接处理原始数据而不是重采样后的数据，因而没有几何精度的损失。而且本发明采用格网索引组织点云，获得点云格网，并在滤波前对点云格网进行分类，之后对不同类型的点云格网设置不同的阈值进行处理，处理过程中不需人工干预。本发明还采用了一种基于区域增长的分割算法提取初始地面点，能有效避免噪声点的干扰。

本发明提高了机载激光点云数据滤波的智能化程度，极大地提高了机载激光点云数据处理效率及滤波精度。

附图说明

下面结合附图和实施例对本发明作进一步说明。

图1是本发明的一种机载激光点云数据的智能化滤波方法的工作流程图；

图2是图1中步骤S2的详细流程图；

图3是图2中步骤S4的详细流程图；

图4是图3中步骤S41生成的第二高程影像图；

图5是对图4执行图3中的步骤S42后生成的图；

图6是对图5执行图3中的步骤S43后生成的图；

图7是对图6执行图3中的步骤S44后生成的图；

图8是图1中步骤S5所述TIN模型的示意图；

图9为图3中步骤S42至S44中的8邻域区域增长的原理图。

具体实施方式

为了便于下文的描述，首先给出下列名词定义：

LiDAR(Light Detection And Ranging)，激光雷达；

GNSS(Global Navigation Satellite System)，全球导航卫星系统；

INS(Inertial Navigation System)，惯性导航系统；

TIN(Triangulated Irregular Network)，不规则三角网。

参照图1，本发明提供了一种机载激光点云数据的智能化滤波方法，包括：

S1、读取激光点云数据，进而使用格网索引组织激光点云数据中包含的点，生成一密集点云格网及一稀疏点云格网；

S2、对稀疏点云格网进行分类后，获得城区区域和山区区域；

S3、采用不同窗口分别对所述城区区域和山区区域进行划分，进而提取每个窗口的局部最低点；

S4、以所述局部最低点为种子点，使用基于区域增长的智能化分割提取得到初始地面点；

S5、根据所述初始地面点，建立TIN模型，进而渐进加密TIN模型，迭代提取地面点。

进一步作为优选的实施方式，参照图2，所述步骤S2包括：

S21、将稀疏点云格网中每个格网内的最低点的高程值作为灰度值，进而生成第一高程影像图I_h；

S22、分别计算并生成第一高程影像图I_h的X方向梯度图I_x和Y方向梯度图I_y；

S23、分别对X方向梯度图I_x和Y方向梯度图I_y进行中值滤波，得到滤波后的X方向梯度图I_x′和滤波后的Y方向梯度图I_y′；

S24、根据预设的窗口分别对滤波后的X方向梯度图I_x′和滤波后的Y方向梯度图I_y′进行划分后，计算划分后每个窗口的均值，并判断均值是否大于预设阈值，若均值大于预设阈值，则对应的窗口内的格网区域为山区区域，反之，则对应的窗口内的格网区域为城区区域

进一步作为优选的实施方式，所述步骤S22中X方向梯度图I_x采用以下公式计算生成：

其中，W和H分别为第一高程影像图的宽度和高度，i和j都是自然数。

进一步作为优选的实施方式，所述步骤S22中Y方向梯度图I_y采用以下公式计算生成：

其中，W和H分别为第一高程影像图的宽度和高度，i和j都是自然数。

进一步作为优选的实施方式，所述步骤S23，其具体为：

采用1×n的模板对X方向梯度图I_x进行中值滤波，进而得到滤波后的X方向梯度图I_x′，并采用n×1的模板对Y方向梯度图I_y进行滤波，进而得到滤波后的Y方向梯度图I_y′，其中，n是大于1的奇数。

进一步作为优选的实施方式，参照图3，所述步骤S4包括：

S41、将密集点云格网中每个格网内的最低点的高程值作为灰度值，进而生成第二高程影像图I_hs，如图4所示；

S42、将所述局部最低点作为种子点，对第二高程影像图I_hs进行8邻域区域增长，进而得到增长后的区域，即分割区域，如图5所示；

S43、将第二高程影像图I_hs取反后，设置合适大小的窗口对取反后的分割区域提取每个窗口的最低点作为种子点，对取反后的分割区域进行8邻域区域增长，进而得到增长后的区域，即次分割区域，如图6所示；

S44、将取反的第二高程影像图I_hs再次取反后，设置合适大小的窗口对取反后的次分割区域提取每个窗口的最低点作为种子点，对取反后的次分割区域进行8邻域区域增长，进而提取增长后的区域的最低点作为初始地面点，如图7所示。

本发明的一具体实施例如下：

S100、读取激光点云数据，进而使用格网索引组织激光点云数据中包含的点，生成一密集点云格网及一稀疏点云格网，这里所有点按照其坐标规则划分组织，分别生成1m×1m的密集点云格网和4m×4m的稀疏点云格网；

S101、将4m×4m的稀疏点云格网中每个格网内的最低点的高程值作为灰度值，进而生成第一高程影像图I_h；

S102、分别计算并生成第一高程影像图I_h的X方向梯度图I_x和Y方向梯度图I_y，具体计算公式如下：

其中，W和H分别为第一高程影像图的宽度和高度，i和j都是自然数；

S103、采用1×7的模板对X方向梯度图I_x进行中值滤波，进而得到滤波后的X方向梯度图I_x′，并采用7×1的模板对Y方向梯度图I_y进行滤波，进而得到滤波后的Y方向梯度图I_y′；

S104、根据预设的窗口分别对滤波后的X方向梯度图I_x′和滤波后的Y方向梯度图I_y′进行划分后，计算划分后每个窗口的均值，并判断均值是否大于预设阈值，若均值大于预设阈值，则对应的窗口内的格网区域为山区区域，反之，则对应的窗口内的格网区域为城区区域，这里预设的窗口取25×25，则对应的实际测区大小为100m×100m，预设阈值取0.1，所述均值指每个窗口内的滤波后的X方向梯度图I_x′的均值，或每个窗口内的滤波后的Y方向梯度图I_y′的均值；

S105、采用不同窗口分别对所述城区区域和山区区域进行划分，进而提取每个窗口的局部最低点，这里对城区区域采用窗口大小为100m，对山区区域采用窗口大小为30m；

S106、将1m×1m的密集点云格网中每个格网内的最低点的高程值作为灰度值，进而生成第二高程影像图I_hs，如图4所示；

S107、将步骤S105得到的局部最低点作为种子点，对第二高程影像图I_hs进行8邻域区域增长，进而得到增长后的区域，即分割区域，同时定义未增长的区域为非当前工作区，如图5所示；这里，区域增长的条件为高差不大于0.2m；

S108、将第二高程影像图I_hs取反后，设置合适大小的窗口对取反后的分割区域提取每个窗口的最低点作为种子点，对取反后的分割区域进行8邻域区域增长，进而得到增长后的区域，即次分割区域，同时定义未增长的区域为非当前工作区，如图6所示；同样的，区域增长的条件为高差不大于0.2m；

S109、将取反的第二高程影像图I_hs再次取反后，设置合适大小的窗口对取反后的次分割区域提取每个窗口的最低点作为种子点，对取反后的次分割区域进行8邻域区域增长，进而提取增长后的区域的最低点作为初始地面点，类似的，这里定义增长后的区域为再次分割区域，并定义未增长的区域为非当前工作区，如图7所示；同样的，区域增长的条件为高差不大于0.2m；

S110、根据所述初始地面点，采用流式三角网算法建立TIN模型，进而渐进加密TIN模型，迭代提取地面点，参照图8所示，P为一离散候选点，V₁、V₂、V₃为3个地面点，即构成三角形的3个顶点，d为点P到三角形平面的距离，垂足为O，α₁、α₂、α₃为点P、三角形顶点和垂足所形成的夹角，判断点P属于地面点的条件为为α₁、α₂、α₃都小于10°，且d小于1m。

中值滤波的原理是：把一点的值用该点的一个邻域中各点值的中值代替。中值滤波时，把一个点的特定形状的邻域称作模板，也称为窗口。例如1×5的模板指1行5列的邻域形状，即原始点居中，左右邻域各为2。类似的，5×1的模板指5行1列的邻域形状，即原始点居中，上下邻域各为2。中值滤波时，若采用1×n的模板对x方向进行滤波，则相应的，须采用n×1的模板对y方向进行滤波。

区域增长的原理是：指从种子点出发，以一定的条件，逐步加入邻近点。例如，本实施例中提到的8邻域增长为：从种子点出发，以高差不大于0.2m的条件，逐步的加入邻近的8个邻域，如图9所示，图中阴影部分为种子点，阴影部分周围的8个区域为种子点的8邻域。种子点指原始点，可以是具体的点，或者一个区域。

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换，这些等同的变型或替换均包含在本申请权利要求所限定的范围内。

Claims (6)

1.一种机载激光点云数据的智能化滤波方法，其特征在于，包括：

S1、读取激光点云数据，进而使用格网索引组织激光点云数据中包含的点，生成一密集点云格网及一稀疏点云格网；

S2、对稀疏点云格网进行分类后，获得城区区域和山区区域；

S3、采用不同窗口分别对所述城区区域和山区区域进行划分，进而提取每个窗口的局部最低点；

S4、以所述局部最低点为种子点，使用基于区域增长的智能化分割提取得到初始地面点；

S5、根据所述初始地面点，建立TIN模型，进而渐进加密TIN模型，迭代提取地面点。

2.根据权利要求1所述的一种机载激光点云数据的智能化滤波方法，其特征在于，所述步骤S2包括：

S21、将稀疏点云格网中每个格网内的最低点的高程值作为灰度值，进而生成第一高程影像图I_h；

S22、分别计算并生成第一高程影像图I_h的X方向梯度图I_x和Y方向梯度图I_y；

S23、分别对X方向梯度图I_x和Y方向梯度图I_y进行中值滤波，得到滤波后的X方向梯度图I_x′和滤波后的Y方向梯度图I_y′；

S24、根据预设的窗口分别对滤波后的X方向梯度图I_x′和滤波后的Y方向梯度图I_y′进行划分后，计算划分后每个窗口的均值，并判断均值是否大于预设阈值，若均值大于预设阈值，则对应的窗口内的格网区域为山区区域，反之，则对应的窗口内的格网区域为城区区域。

3.根据权利要求2所述的一种机载激光点云数据的智能化滤波方法，其特征在于，所述步骤S22中X方向梯度图I_x采用以下公式计算生成：

其中，W和H分别为第一高程影像图的宽度和高度，i和j都是自然数。

4.根据权利要求2所述的一种机载激光点云数据的智能化滤波方法，其特征在于，所述步骤S22中Y方向梯度图I_y采用以下公式计算生成：

其中，W和H分别为第一高程影像图的宽度和高度，i和j都是自然数。

5.根据权利要求2所述的一种机载激光点云数据的智能化滤波方法，其特征在于，所述步骤S23，其具体为：

采用1×n的模板对X方向梯度图Ix进行中值滤波，进而得到滤波后的X方向梯度图I_x′，并采用n×1的模板对Y方向梯度图I_y进行滤波，进而得到滤波后的Y方向梯度图I_y′，其中，n是大于1的奇数。

6.根据权利要求1所述的一种机载激光点云数据的智能化滤波方法，其特征在于，所述步骤S4包括：

S41、将密集点云格网中每个格网内的最低点的高程值作为灰度值，进而生成第二高程影像图I_hs；

S42、将所述局部最低点作为种子点，对第二高程影像图I_hs进行8邻域区域增长，进而得到增长后的区域，即分割区域；

S43、将第二高程影像图I_hs取反后，设置合适大小的窗口对取反后的分割区域提取每个窗口的最低点作为种子点，对取反后的分割区域进行8邻域区域增长，进而得到增长后的区域，即次分割区域；

S44、将取反的第二高程影像图I_hs再次取反后，设置合适大小的窗口对取反后的次分割区域提取每个窗口的最低点作为种子点，对取反后的次分割区域进行8邻域区域增长，进而提取增长后的区域的最低点作为初始地面点。

Images