CN103745441A - 一种机载LiDAR点云滤波方法 - Google Patents

Abstract

本发明公开了一种机载LiDAR点云滤波方法。本发明首先对LiDAR点云数据进行粗差剔除和规则格网化，生成深度图像；然后通过图像阈值分割技术中的Otsu算法求出分割的高程阈值，以该阈值对规则格网化重采样前的点云数据进行地面点与非地面点的迭代粗分类；最后对分类好的地面点与非地面点分别以两种不同的阈值进行渐进三角网滤波，输出构网点云数据即地面点数据。本发明中参与滤波过程的点云数据都是规则格网化重采样之前的数据，有效避免了由于规则格网化而造成的点云精度损失问题；并且为渐进三角网滤波提供类别属性引导，针对不同的地形条件，相应地调整滤波策略，取得了更好的滤波效果。

Description

一种机载LiDAR点云滤波方法

技术领域

本发明涉及一种机载LiDAR点云滤波方法，特别涉及一种基于迭代Otsu方法点云粗分类的机载LiDAR点云滤波方法。

背景技术

机载激光雷达（LiDAR，Light Detection And Ranging，LiDAR）是近年来逐渐发展起来的一种测量新技术，主要用于快速精确获取地面及地面目标三维空间信息。机载LiDAR系统集激光扫描、全球定位系统（GNSS,Global Navigation Satellite System）、惯性测量系统（INS，Inertial Navigation System）于一体，通过发射激光脉冲并接收回波信号获取目标信息，相对于其它测量手段，受天气因素影响小，可进行全天时的遥感作业。其与成像光谱、合成孔径雷达（SAR，Synthetic Aperture Radar）一起被列为对地观测系统（EOS,Earth Observing System）计划最核心的信息获取与处理技术。

机载LiDAR点云数据滤波技术是指从离散的点云数据中区别出地面点和非地面点的过程，其结果是数字地面模型数据（Digital terrain model，DTM）。在LiDAR的数据滤波方面，已经有很多国内外的学者研究并提出了滤波的算法。2004年，ISPRS组织学者对各类滤波算法进行比较研究：几乎每种滤波算法都有其适用的地形领域或者对应的滤波效果良好的点云分布情形，但是同时几乎每种算法也都存在着自身的缺陷，没有哪一种算法可以兼顾到数据滤波的各个考虑方面，并针对各个方面的因素进行相关的参数设置。因此，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，将会成为未来点云滤波研究的重要发展方向。

渐进三角网滤波算法是目前使用最为广泛的滤波方法，如果通过设定合理的参数阈值，针对大多数区域均有着良好的自动处理效果，该算法已经在商业软件TerraScan中得以实现。但由于缺乏地形特征信息的合理引导，在滤波过程中需要针对不同的地形条件频繁调整滤波参数，且会使复杂地形结构特征遭受一定程度的破坏。

发明内容

本发明所要解决的技术问题是提供一种机载LiDAR点云滤波方法，为渐进三角网滤波提供类别属性引导，针对不同的地形条件，相应地调整滤波策略，取得了更好的滤波效果。

本发明为解决上述技术问题采用以下技术方案：

一种机载LiDAR点云滤波方法，包括以下步骤：

步骤1，对原始点云数据进行预处理，剔除粗差噪声点；

步骤2，对点云数据以最近邻点法进行规则格网化重采样；

步骤3，对重采样后的点云数据进行高程值灰度化，根据下述公式计算每个点对应的灰度值，生成深度图像；

$G_i=\frac{Z_i-Z_{\min }}{Z_{\max }-Z_{\min }}\×255$

式中，G_i为深度图像中像素点的灰度值，Z_i为对应该点的高程值，Z_min、Z_max分别为点云数据中的高程最小值和最大值，i为自然数；

步骤4，通过Otsu算法得出进行粗分类的高程阈值，以该阈值对规则格网化重采样前的点云数据进行地面点与非地面点的迭代粗分类，具体步骤如下：

401，依次遍历所有点，采用Otsu算法通过下述公式计算类间方差，并选择类间方差最大值所对应的灰度值作为图像分割阈值，具体方法如下：

设定阀值T_h将灰度级为[0,L-1]的图像分成两组，C₀、C₁分别代表背景区域和目标区域；其中，L＝256，即8位灰度级；则类间方差σ(k)的计算公式为：

σ(k)＝w₀(u₀-u)²+w₁(u₁-u)²=w₀w₁(u₀-u₁)²

式中，w₀＝w(k)为C₀概率，w₁＝1-w(k)为C₁概率，u₀为C₀均值，u₁为C₁均值；u为整幅图像的均值；

以类间方差σ(k)作为准则衡量阈值分离不同类别的性能，极大化σ(k)就是自动确定阈值的过程，最佳阈值T_h为：

$T_h=\arg \underset{0\≤h\≤L}{\mathrm{Max}}\left(\mathrm{\σ}\left(k\right)\right)$

402，将步骤401中所得分割阈值由灰度值转换成高程值；

403，对规则格网化重采样前的点云数据进行分类，低于该分割阈值的点标记为地面点，高于该分割阈值的点标记为非地面点；

404，对非地面点重复执行步骤401至步骤403，视粗分类效果迭代2至3次结束。

步骤5，对分类好的地面点与非地面点分别以两种不同的阈值进行渐进三角网滤波，输出构网点云数据即地面点数据，具体方法如下：

501，分别选择粗分类后的地面点与非地面点中的最低点作为种子点构建初始三角网；

502，对分类类别为地面点的数据进行优先构网，判据阈值为一般阈值；

503，对分类类别为非地面点的数据进行构网，判据阀值为强阈值；

504，迭代内插最终三角网，输出构网点云数据即地面点数据。

作为本发明的进一步优化方案，步骤3所述图像的灰度值与点云的高程值成线性关系。

作为本发明的进一步优化方案，步骤5中所述一般阀值取H₀＜2.5m，θ₀＜10⁰；所述强阀值取H₀＜0.5m，θ₀＜3⁰；H₀为距离阈值，θ₀为角度阈值。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

（1）在机载LiDAR扫描过程中，由于多路径反射等原因会产生比实际点位低的错误点，传统算法会选取高程最低的点作为种子点生成稀疏三角网，会将这些错误点分到地面点当中。本发明通过点云预处理，剔除粗差噪声点，因而可以取得较高的滤波精度；

（2）本发明中参与滤波过程的点云数据都是规则格网化重采样之前的数据，有效避免了由于规则格网化而造成的点云精度损失问题；

（3）传统的渐进三角网滤波方法中的单一的滤波参数不可避免地会造成地面点与非地面点的错误分类，而对于不同的地形条件频繁调整滤波参数又会给滤波过程带来繁琐的操作。本发明通过Otsu算法对点云进行迭代粗分类，为渐进三角网滤波提供类别属性引导，避免了滤波的盲目性和频繁调整滤波参数的繁琐性。

附图说明

图1是本发明的方法流程图。

图2是本发明的迭代Otsu分类示意图。

图3是渐进三角网滤波算法参数示意图。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

如图1所示，一种机载LiDAR点云滤波方法，包括以下步骤：

1、对原始点云数据进行预处理，剔除粗差噪声点；

选择ISPRS在线发布的CSite2参考数据作为实验数据，该实验区的面积为630×420m²，点数为243400个，区域存在复杂房屋、大型建筑物及数据空洞，平均点距为1-1.5m。实验区的点云数据都经过人工或半人工的方法进行分类，每个点都被标记成地面点或非地面点。以其中的任意点P_i为目标点，r为搜索圆的半径，搜索邻近点，若对于任意点P_j：

Z_j-Z_i≥ΔZ_max,P_j∈A

式中A为搜索区域，ΔZ_max为设定的局部最大高差，则点P_i极有可能为极低点，应当将其从点云中剔除。利用该方法对点云数据中的所有数据点进行判断，并将判别出的极低点从点云数据中剔除，这样就可以较好地避免由于极低噪声点引起的滤波精度下降。

2、对点云数据以最近邻点法进行规则格网化重采样；

3、对重采样后的点云数据进行高程值灰度化，根据下述公式计算每个点对应的灰度值，生成深度图像；

$G_i=\frac{Z_i-Z_{\min }}{Z_{\max }-Z_{\min }}\×255$

式中，G_i为深度图像中像素点的灰度值，Z_i为对应该点的高程值，Z_min、Z_max分别为点云数据中的高程最小值和最大值，i为自然数；即可生成点云的深度图像，图像的灰度值与点云的高程值成线性关系。

4、通过Otsu算法得出进行粗分类的高程阈值，以该阈值对规则格网化重采样前的点云数据进行地面点与非地面点的迭代粗分类，具体步骤如下：

401，依次遍历所有点，采用Otsu算法通过下述公式计算类间方差，并选择类间方差最大值所对应的灰度值作为图像分割阈值；

Otsu算法是在最小二乘法原理的基础上推导出来的，其基本思路是将图像的直方图以某一灰度为阈值将图像分成两组并计算两组的方差，当被分成的两组之间的方差最大时，此灰度值就作为图像分割的阈值。设定阀值T_h将灰度级为[0,L-1]的图像分成两组，C₀、C₁分别代表背景区域和目标区域；其中，L＝256，即8位灰度级；则类间方差σ(k)的计算公式为：

σ(k)＝w₀(u₀-u)²+w₁(u₁-u)²=w₀w₁(u₀-u₁)²

式中，w₀＝w(k)为C₀概率，w₁＝1-w(k)为C₁概率，u₀为C₀均值，u₁为C₁均值；u为整幅图像的均值；

以类间方差σ(k)作为准则衡量阈值分离不同类别的性能，极大化σ(k)就是自动确定阈值的过程，最佳阈值T_h为：

$T_h=\arg \underset{0\≤h\≤L}{\mathrm{Max}}\left(\mathrm{\σ}\left(k\right)\right)$

402，将步骤401中所得分割阈值由灰度值转换成高程值；

403，对规则格网化重采样前的点云数据进行分类，低于该分割阈值的点标记为地面点，高于该分割阈值的点标记为非地面点；

404，对非地面点重复执行步骤401至步骤403，视分类效果迭代2至3次结束。迭代Otsu先将典型地物点与地面点进行分离，然后逐次将较为低矮地物点与地面点分离，并保证每次分分类过程满足最大类间方差准则，其过程类似于一棵分类二叉树，如图2所示。

5、对分类好的地面点与非地面点分别以两种不同的阈值进行渐进三角网滤波，输出构网点云数据即地面点数据，具体方法如下：

501，分别选择粗分类后的地面点与非地面点中的最低点作为种子点构建初始三角网；

假设地形局部区域是平坦的，选择局部区域内的最低点作为种子点生成一个稀疏的三角网，定位待判断点P对应的三角形如图3所示，P及其在三角面上的投影点与三角形顶点间的角度分别记为α、β、γ，P到三角面的垂直距离记为d，若α、β、γ和d都小于设定的阈值，则接受P为地面点，加密TIN模型，依次迭代直到没有新的地面点为止。通过不断地加入满足条件的点来扩大地面模型，最终得到非常接近地表面的三角网模型；

502，对分类类别为地面点的数据进行优先构网，判据阈值为一般阈值，取H₀＜2.5m，θ₀＜10⁰；

503，对分类类别为非地面点的数据进行构网，判据阀值为强阈值，取H₀＜0.5m，θ₀＜3⁰；

504，迭代内插最终三角网，输出构网点云数据即地面点数据。

为了定量地分析本发明滤波算法的效果，采用ISPRS2003年的滤波算法评价报告中推荐的评价体系，计算第一类误差、第二类误差和总误差，并与Terra Scan软件滤波相比较。定量分析结果如下表所示：

算法	第一类误差/%	第二类误差/%	总误差/%
				Terra Scan	2.16	5.21	4.38
本发明	1.93	3.65	3.07

结合上表可以看出，传统的渐进三角网滤波算法对低矮植被点和近地点滤波效果较差，导致第二类误差较大；本发明的渐进三角网滤波方法通过对点云数据的粗分类引导滤波过程，不需要在滤波过程中频繁调整滤波参数，方法简单可行，并且可以有效地控制低矮点被误分类成地面点的可能性，从而减小第二类误差及总误差。

以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (3)

1.一种机载LiDAR点云滤波方法，其特征在于，包括以下步骤：

步骤1，对原始点云数据进行预处理，剔除粗差噪声点；

步骤2，对点云数据以最近邻点法进行规则格网化重采样；

步骤3，对重采样后的点云数据进行高程值灰度化，根据下述公式计算每个点对应的灰度值，生成深度图像；

$G_i=\frac{Z_i-Z_{\min }}{Z_{\max }-Z_{\min }}\×255$

式中，G_i为深度图像中像素点的灰度值，Z_i为对应该点的高程值，Z_min、Z_max分别为点云数据中的高程最小值和最大值，i为自然数；

步骤4，通过Otsu算法得出进行粗分类的高程阈值，以该阈值对规则格网化重采样前的点云数据进行地面点与非地面点的迭代粗分类，具体步骤如下：

401，依次遍历所有点，采用Otsu方法通过下述公式计算类间方差，并选择类间方差最大值所对应的灰度值作为图像分割阈值，具体方法如下：

设定阀值T_h将灰度级为[0,L-1]的图像分成两组，C₀、C₁分别代表背景区域和目标区域；其中，L＝256，即8位灰度级；则类间方差σ(k)的计算公式为：

σ(k)＝w₀(u₀-u)²+w₁(u₁-u)²=w₀w₁(u₀-u₁)²

式中，w₀＝w(k)为C₀概率，w₁＝1-w(k)为C₁概率，u₀为C₀均值，u₁为C₁均值；u为整幅图像的均值；

以类间方差σ(k)作为准则衡量阈值分离不同类别的性能，极大化σ(k)就是自动确定阈值的过程，最佳阈值T_h为：

$T_h=\arg \underset{0\≤h\≤L}{\mathrm{Max}}\left(\mathrm{\σ}\left(k\right)\right)$

402，将步骤401中所得分割阈值由灰度值转换成高程值；

403，对规则格网化重采样前的点云数据进行分类，低于该分割阈值的点标记为地面点，高于该分割阈值的点标记为非地面点；

404，对非地面点重复执行步骤401至步骤403，视粗分类效果迭代2至3次结束。

步骤5，对分类好的地面点与非地面点分别以两种不同的阈值进行渐进三角网滤波，输出构网点云数据即地面点数据，具体方法如下：

501，分别选择粗分类后的地面点与非地面点中的最低点作为种子点构建初始三角网；

502，对分类类别为地面点的数据进行优先构网，判据阈值为一般阈值；

503，对分类类别为非地面点的数据进行构网，判据阀值为强阈值；

504，迭代内插最终三角网，输出构网点云数据即地面点数据。

2.根据权利要求1所述一种机载LiDAR点云滤波方法，其特征在于：步骤3所述图像的灰度值与点云的高程值成线性关系。

3.根据权利要求1所述一种机载LiDAR点云滤波方法，其特征在于：步骤5中所述一般阀值取H₀＜2.5m，θ₀＜10⁰；所述强阀值取H₀＜0.5m，θ₀＜3⁰；H₀为距离阈值，θ₀为角度阈值。

Images