机载激光雷达数据滤波和人工编辑

王丽英

（辽宁工程技术大学 测绘与地理科学学院，辽宁 阜新 123000）

高精度的数字地面模型（DTM）是获取基础地理信息数据、进行建筑物重建、道路提取、植被分析的重要数据源，但高精度的DTM生成一直是一项十分复杂和耗时的工作，机载LiDAR系统的主要任务之一就是解决如何得到高质量的DTM的问题。在机载LiDAR点云数据的处理中，研究人员已经开发了大量的滤波算法，但是在处理复杂场景点云数据时这些算法存在一定的困难，导致人工滤波需要占据整个数据处理时间的60%～80%［1］。

机载LiDAR系统获取的原始点云包含粗差、地面点、地物点［2］。从激光脚点数据中提取出数字地面高程模型（DTM/DEM），也就是从激光点云中分离出地形表面的激光脚点数据子集，就是所谓的激光雷达数据的滤波。其基本原理是，通常认为邻近激光脚点间的高程突变（即局部不连续），不是由于地形自然的陡然起伏所造成的，而更可能是由于高于地表的地物突然出现形成的［3］。围绕这一滤波的基本原理，国内外的众多学者开展了深入的研究，提出了多种滤波的算法：基于坡度的滤波算法［4－6］、基于表面的滤波算法［7－10］、基于分割的滤波算法［11］。

本文针对机载LiDAR数据滤波和滤波后人工编辑展开研究。首先利用商业软件完成机载Li－DAR数据滤波，由于任何一种滤波算法，都有一定的局限性，从实际应用的角度来说，人工编辑仍然起着重要的作用，因此，研究重点围绕滤波后的人工编辑展开，旨在探求工程应用中高效、快速、准确的DTM获取途径，为工程实践提供技术支持。

1 数据滤波和人工编辑

1.1 数据滤波

本文实验中选用TerraSolid软件进行数据滤波，其是由Axelsson［10］提出的一种基于不规则三角网（TIN）的滤波算法，滤波原理是：首先选取测区内一些低点作为种子点构建初始不规则三角网。然后，依据一定的准则判别各点，如果待定点到最近三角面片的距离以及待定点与最近三角形顶点的连线与该三角面片的夹角均小于所设定的阈值，将该待定点加密到初始三角网中。通过三角形迭代加密进行，直到没有新的点加入三角网时运算结束。这种方法的关键是阈值的选取，使用不同的阈值会产生不同的滤波结果。

1.2 滤波后人工编辑

目前，机载LiDAR点云数据滤波算法还存在一些难点（见图1）：①陡坡上的地物的剔除。由于地形的起伏，从高程值上很难区分地表和地物。②地形不连续情况的地物剔除。如陡坎、断层等，在一些依靠地物与地表高程的不连续性来进行滤波的方法中，地面点被当作地物点剔除掉，造成地形的损失。③复杂地物的剔除。如大型建筑物，如果其大小超过了滤波时使用的窗口的大小则不会被剔除，可能继续被保留或部分保留在场景内；一些小型地物，如低矮的墙体、具有不规则屋顶的建筑物等也是滤波的难点。④横跨河流或公路的人工桥的剔除。由于桥梁依附于地面，给滤波造成一定的难度。

图1 滤波算法难点

由于地形的复杂性，没有任何一种滤波算法能够应用于所有的地形，现有的滤波算法还存在一些问题，都有一定的局限性。从实际应用的角度来说，人工编辑仍然起着重要的作用。对于上述地形，应融合影像数据、地面已知GIS数据，采用三维立体图、晕渲图等人工交互编辑手段，充分利用各自的优势，取得满意的效果。

2 基于TerraSolid的数据滤波及人工编辑

2.1 实验数据

本文所用实验数据由Terrasolid公司2010年1月在北京举办技术培训会第一单元所用的培训数据（Niagara），原数据共5条航带，实验选用其中8条航带，点云个数约为14 000 000，平均点密度为350 000点/km2，航向点间距0.47m，旁向点间距0.71m。

2.2 滤波实验

2.2.1 软件调用及系统设置

TerraSolid软件是基于MicroStation平台的，需要在MicroStation软件中调入MDL应用程序后才能使用。在MDL应用程序中加载TScan、TPhoto模块。

利用定义分类工具、根据数据后处理的需求设定不同的图层（对应不同类别点云），并设置该层描述语、编号、颜色等信息。

利用TScan设置工具预先设置测区投影信息，从而完成数据设置。

2.2.2 处理噪声点

1）提取噪声点。主要是提取空中的像云和鸟等噪声点，这些点明显高于周围点的平均高程，但是其中很有可能把空中的电力线、通信线等也提取出来，所以，提取噪声点后要检查分类是否准确。其原理是若中心点高于周围点的平均高程限差，则该点确定为噪声点，如图2所示。

2）提取低点。提取因为多路径反射而产生的比实际点位低的错误点，其原理是给定一个点作为中心点，指定范围的点与其进行高程比较，若明显低于指定范围内的点，那么这个点被确定为低点，如图2所示。

2.2.3 滤波获取地面点

利用分类地面点工具对点云进行滤波，原理如1.1节，其设置见图3左图。

其中，Max building size参数需通过量取点云数据中的最大建筑物边长获取。

Terrain angle参数是地面地形最陡峭的斜坡坡度的允许范围。Iteration angle参数是一个点和三角形的最近顶点的连线与这个三角形所构成平面的最大夹角值，通常在4°和10°，其值越小，代表地形起伏的变化越小。在平坦地区使用小值（接近4°），在山地使用较大值（接近10°）。通常情况下，Iteration angle参数使用较小的值比使用太大的值好，因为添加点到地表类比删除点容易的多。Iteration distance参数确保当三角形很大时，重复向上构建三角形没有大的跳跃，这有助于把低矮建筑物排除在模型之外。在重复构建三角形过程中，点与三角形最大距离，通常取值范围0.5～1.5m。

Reduce iteration angle when选项：当所加的点构成的三角形的每一条边比“Edge angle when Stop triangulation when length”短时，阻止向三角形内部加点。有助于减少添加不必要的点而不使地表模型点密度变大，进而增加内存的需求量。如果选中，当每条边长度都小于“Edge length”就退出处理这个三角形。这样有助于减少添加不必要的点而不使地表模型点密度变大，进而增加内存的需求量。

滤波结果如图3右图，其中黄色的为地面点云。

2.3 人工编辑

2.3.1 晕渲编辑

晕渲编辑是人工编辑消除粗差点的一种方式，其原理是根据最低高程和最高高程之间的高差制作分层设色图，颜色突变的地方即可能是高程突兀的地方，便于肉眼观测以进行编辑。可利用TMod－eler模块的display shaded surface制作晕渲图。如图4所示，对于存在问题点云可利用classify using brush，将这些数据从地面点移动到其它相应类别中（此处为低地点类）。

图4 晕渲编辑示意图

2.3.2 辅助影像进行点云编辑

辅助彩色RGB影像进行LiDAR数据的点云编辑也是一种有效的编辑方式。彩色影像具有丰富的光谱和纹理信息，由于LiDAR系统集成的数码相机可用于获取影像，因此，可以从中很容易判读出地物的种类，其适用于排查建筑物顶部的粗差点及水域中的点云。

利用TPtoto软件的Manage Raster References工具，加载与点云数据对应的影像数据，并在两个窗口中同步显示，当鼠标光标在点云窗口任一地方移动时，位于影像窗口的光标也随之在对应的同一位置移动。如图5所示，可很容易判断出建筑物顶部的4个非地面点。

图5 建筑物辅助影像编辑

对于水域中的点错误的归类到地面点处理方式也较简单：基于影像判断水域的范围，并用多边形圈定其范围，然后把多边形中所有的点都归类到水域类中（见图6）。

图6 水域辅助影像编辑

2.3.3 结合影像、晕渲图的人工编辑

此种编辑方式综合了以上两种方法，可更有效、直观、准确地进行粗差点剔除。如图7所示，左上角为晕渲图、右上角为影像图、坐下角为剖面图，可很容易判断出点云中的滤波错误。

图7 结合影像、晕渲图的人工编辑

利用以上3种方法，逐一对有问题点云进行人工编辑。因为软件的智能性还不够，人工编辑很大程度上依赖于操作人员的经验与技术水平，工作效率也比较低。因此，对数据滤波算法的研究还应当提高算法适应性和减少滤波误差。

3 结束语

尽管LiDAR测量技术在国外已相当成熟，绝大部分属于硬件和系统集成方面的许多关键问题已得到解决，然而LiDAR测量数据处理的算法仍然处于前期研究发展阶段，还有许多问题没得到解决。其中最关键的问题是如何消除系统误差对三维激光脚点坐标的影响以及LiDAR数据的滤波和分类。资料表明，在许多情况下，如果不融合其它数据源（如影像数据、多光谱数据等），而单独利用LiDAR测量数据进行地物的分类和识别等自动化、智能化的处理具有很大难度。

由于单纯的激光点数据缺乏光谱数据，具有一定的盲目性，加之自然界复杂的地形决定了不可能

有一个滤波算法适应所有的地形。在地形状况较好的地区，例如地形连续、坡度变化较缓的区域，在使用自动滤波算法剔除大部分非地面点之后，最后仍然残留极少部分未被滤掉的点，这部分点要通过人工编辑的方式剔除。本文研究自动滤波实现及融合其它数据源（如影像数据、晕渲数据等）的滤波后人工编辑。旨在探求工程应用中高效、快速、准确的DTM获取途径，为工程实践提供技术支持。

［1］Sithole G，Vosselman G.Experimental comparison of filtering algorithms for bare－earth extraction from airborne laser scanning point clouds［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2004，59（1－2）：85－101.

［2］王明华，张小红，曾涛，等.机载LiDAR数据滤波预处理方法研究［J］.武汉大学学报：信息科学版，2010，35（2）：224－227.

［3］魏蔚.针对LIDAR点云中的地面点与非地面点的分离［J］.西安工程大学学报，2010，24（3）：310－314.

［4］Vosselman G.Slope based filtering of laser altimetry data［J］.International Archives of Photogrammetry and Remote Sensing，Amsterdam.2000，33（B3）：935－942.

［5］杨洋，张永生，邹晓亮，等.一种改进的基于坡度变化机载激光雷达点云滤波方法［J］.测绘科学，2008，25（3）：12－13.

［6］梁欣廉，张继贤，李海涛.一种应用于城市区域的自适应形态学滤波方法［J］.遥感学报，2007，11（2）：276－281.

［7］Axelsson P.DEM Generation from Laser Scanner Data Using Adaptive TIN Models［J］.International Archives of Photogrammetry and Remote Sensing.2000，33（B4）：110－117.

［8］Kraus K，Pfeifer N.Advanced DTM generation from LIDAR data［J］.International Archives of Photogrammetry and Remote Sensing，2001，XXXIV（3/W4）：23－30.

［9］刘经南，许晓东，张小红，等.机载激光扫描测高数据分层迭代选权滤波方法及其质量评价［J］.武汉大学学报：信息科学版，2008，33（6）：551－555.

［10］王刃，徐青，朱新慧，等.用分层稳健线性估计法从机载LIDAR数据中获取DEM［J］.测绘科学技术学报，2008，25（3）：188－191.

［11］成晓倩，马洪超，赵洪强，等.一种基于区域增长的机载LIDAR滤波［J］.测绘科学，2010，35（1）：61－63.