LiDAR数据滤波中基于切片的断裂线优化方法

毛卫华，秦 爽，付挺芳，祝彦敏

(1. 浙江省测绘科学技术研究院，浙江 杭州 310012； 2. 武汉大学测绘遥感信息工程国家重点实验室，湖北 武汉 430079； 3. 长兴宏达测绘有限公司，浙江 长兴 313100)

LiDAR数据滤波中基于切片的断裂线优化方法

毛卫华1，秦 爽2，付挺芳3，祝彦敏1

(1. 浙江省测绘科学技术研究院，浙江 杭州 310012； 2. 武汉大学测绘遥感信息工程国家重点实验室，湖北 武汉 430079； 3. 长兴宏达测绘有限公司，浙江 长兴 313100)

为了克服一般自动滤波算法对复杂地形的不适应性而产生大量误分的现象，提出了基于切片数据的LiDAR数据线分类滤波算法。该算法利用人眼对地形判断的先验知识，并使用多层次自适应高度阈值的滤波方法得到初始滤波结果，再利用三维空间中的角度特性进行优化，从而对断裂线地形能取得很好的滤波效果。最后采用VC++编程实现了本文提出的线分类算法，并经过试验分析比较，证明了该算法的适用性，能够适应高精度DEM的快速制作。

机载LiDAR；点云；DEM；滤波；线分类

Abstract： In order to overcome the large number of misclassification errors caused by the general automatic filtering algorithm for complex terrain, the paper proposes a line classification algorithm for LiDAR data based on slice data. The algorithm uses a priori knowledge of the terrain of human judgment and multi-level automatic filtering method and high threshold to obtain the initial filtering result. Then the angle characteristics of 3D space are used to optimize the result. Finally we can achieve a good filtering effect on the breakline terrain. In this paper we use the VC++ programming to realize the algorithm of line classification, and prove the applicability of the algorithm through experimental analysis and comparison, which can adapt to the rapid production of high precision DEM.

Keywords： airborne LiDAR；point cloud；DEM；filter; line classification

机载LiDAR数据广泛应用于DEM制作，而制作DEM的核心步骤是点云的滤波[1-3]。常用的点云滤波算法主要有形态学的滤波方法[4,5]、自适应的滤波方法[6]、基于坡度变化的滤波方法[7]及多级多层次滤波方法[8]等。这些算法能够在一定程度上对点云进行自动分类，但由于针对各种地形的滤波参数不同，需要精细设定，利用这些算法进行滤波时往往会产生误分现象，从而影响滤波的精度。本文针对这一问题，提出了基于切片数据的线分类滤波算法，利用点云数据在线方向上的特点，使用自适应的高度阈值进行多层次滤波，并在该滤波结果上利用三维空间上的角度阈值优化滤波结果，使得滤波精度大大提高[8]。该方法特别适合于断裂线地形的LiDAR数据的滤波。

1 算法原理

滤波算法所依据的地学原理主要是以下两点：一是地形具有连续变化的特征，高程不会发生突变；二是非地面点会产生高程突变。以上两点是进行滤波算法设计时考虑的两个最重要的准则，而顾及实际地形出现的各种情况，依据这些准则设定各种滤波参数时，往往会导致点云误分。分析这些算法，其产生误分的重要因素就是缺乏对实际地形的先验知识[9]。

本文提出的线分类滤波算法是利用地形的方向性，在该方向上使用自适应高度阈值进行点云的多层次滤波，使得滤波结果很好地符合地形，然后在该滤波结果的基础上使用角度准则优化滤波。对原始LiDAR点云使用自动滤波算法后，使用本文算法对断裂线地形进行线分类，能够取得很好的滤波效果。

为了进一步说明算法原理，已有某断裂线地形的LiDAR点云数据沿某一方向的切片，如图1所示，分成以下步骤对点云进行滤波。

图1 LiDAR点云数据沿某一方向的切片

1.1 使用自适应的高度阈值进行多层次滤波

将原始点云数据按一定的间隔划分成多个小区域，如图2所示。间隔大小设定与点云的密度有关，一般设定为点云平均距离的5～10倍，初始时在每个小区域选取最低点作为地面点，从而形成原始的地面点集[10]。然后依据以下准则，进行地面点判断。

图2 分割后的LiDAR点云数据沿某一方向的切片

如图3所示，对于待加入点P，在当前地面点集中找到在线方向上与P距离最近的两点P1、P2，设P1与P2的距离为S(P1,P2)，并确定一个自适应的函数T(S)作为高度阈值。P点处的预测高程由P1、P2线性插值确定，P1点在该二维平面上的坐标为(X1,Z1)，P2点的坐标为(X2,Z2)，P点的坐标为(X,Z)，则P点的预测高程Zc为

(1)

则Δh=Z-Zc,为点P与预测高程的差值，如果满足Δh

为了能够对地形有较好的自适应性，阈值T(s)有如下特性：①距离越小，则设定的高程阈值也越小；②地形越复杂，则设定的阈值越大。

多层次逐步细化的方法：每一次遍历所有的区间，在每一个区间若发现一个可加入的点，则将该点加入到地面点集中，并直接开始下一个区间的判断。按照这样的原则，每一次遍历可以保证加入的地面点能够均匀分布，从而使得地面点的判断变成一个逐渐加密的过程，保证算法的稳定性和效率。

图3 点P与地面点之间的位置关系

1.2 利用三维空间角度阈值优化滤波结果

可以利用三维空间角度的特点对使用自适应的高度阈值滤波后的结果进行优化。一般地形都具有连续性，特别是在微观上表现得更为明显，复杂地形如陡坎、断裂线等在坡度变化处依然具有这样的特性。地形连续性的一个很好的数学表达模型就是起伏的角度，如果设定一个合理的角度阈值，使用某种判断方法可以将误分为地面点的非地面点滤除出去[11-12]。判断原则如下：

如图4所示，P1、P2和P3为经过多层次自适应高度阈值滤波后的地面点中线方向上相邻的3点。对于点P2，与左右相邻两点构成的夹角为θ，给定一个角度阈值θt，如果θ<θt，则判定P2点为非地面点。

图4 P2点与地面点之间的位置关系

θt的取值与地形起伏有关，地形越平坦，θt越大；地形越起伏，θt越小。但一般情况下θt值应不小于90°。考虑到本文线分类时将点从三维空间投影到二维空间对角度的影响，这里的角度依据原始的三维空间中的点坐标进行计算。

2 试验与分析

笔者利用VC++实现了本文所提出的滤波算法，并选取实际某地区的机载LiDAR点云数据进行了测试。测试数据涵盖了梯田、房屋、灌木、大型植被、道路、池塘等典型非城市地区的地物类型。

沿断裂线方向选取点云数据后，算法步骤如图5所示。

图5 线分类算法流程

本次选取了某地区LiDAR数据自动滤波后的一块断裂线地形，使用自动滤波算法后的分类效果如图6所示。图7为该地形数据在切片方向上的投影图，其中黑色点是经过线分类算法滤波后的地面点，灰色点为非地面点。分析第一处用最大的椭圆标记的区域，其点云分布非常零散，很可能是陡坡上的树木草丛等造成的，本文滤波算法很好地区分了这些点。对于第二处用较小的椭圆标记的区域，这里有两个数据点被分成了非地面点，但根据实际判断，其也可能属于地面点，说明这类情况下线分类准则不太明显。最后一处用最小的椭圆标记的点，其中有一个点被分类成了非地面点，该点与邻近两点的高度阈值满足，但角度准则可以判断出该点是一个非地面点。整体来看，线分类算法对断裂线地形有很好的分类效果。

图6 自动滤波算法后的分类的效果图

图7 切片方向上的投影

一般的自动滤波算法在没有地形先验知识的判断下，对于像陡坎这种地形，很容易产生误分现象，使得陡坎地形被“切割”，将本来属于陡坎地形的地面点误分为非地面点。利用线分类算法，沿着陡坎的方向设定线型方向，进行线分类滤波，可以极为准确地区分出地面点和非地面点。图8、图9为试验结果。

图8 自动滤波后的地形

图9 线分类后的滤波效果

3 结 语

本文针对一般自动滤波算法无法适应复杂地形的不足，提出了利用人眼对地形判断的先验知识的线分类算法。该算法利用地形的方向作为一个重要参数，极大地提高了自动滤波算法中高度、角度判断的准确度，从而使得LiDAR点云滤波的精度大大提高。该算法针对复杂地形能取得很好的滤波效果，且数据处理有较高的自动化程度和效率，可以适用于各种机载LiDAR数据制作DEM的应用。

本文提出的线分类滤波算法主要是在自动滤波后使用，是一种辅助的滤波算法。今后可以研究将线分类的思想应用到自动滤波中，实现更加快速高效的点云滤波。另外，线分类滤波算法在对一些如建筑物沟壑等地形进行滤波时需要精细设定一些参数，以后的工作将围绕线分类方法如何更加具有自适应性这一方面，使得算法能够尽量少需要人工参与，从而实现自动滤波。

[1] 李鹏程,王慧,刘志青,等.一种从机载LiDAR点云数据获取DEM的方法[J].测绘通报, 2012(5):59-62.

[2] 吕献林. 多源数据辅助机载LiDAR数据生成DEM方法研究[D].武汉：中国地质大学, 2009.

[3] 黄先锋,李卉,王潇,等.机载LiDAR数据滤波方法评述[J].测绘学报，2009,38(5)：466-469.

[4] IAN J, HAALA N, ENGLICH M. Capture and Evaluation of Airborne Laser Scanner Data[J]. International Archives of Photogrammetry and Remote Sensing,1996,31(B3):383-388．

[5] ZHANG K, CHEN S C, WHITMAN D, et al. A Progressive Morphological Filter for Removing Nonground Measurements from Airborne LiDAR Data[J]. IEEE Transactions on Geoscience & Remote Sensing,2003, 41(4):872-882.

[6] 王果,蒋瑞波,李永强.一种基于多尺度网格的自适应LiDAR点云滤波方法[J].工程勘察, 2016，44(9):55-58.

[7] VOSSELMAN G． Slope Based Filtering of Laser Altimetry Data[J]. International Archives of Photogrammetry and Remote Sensing, 2000, 33( B3) : 935-942．

[8] 邢旭东. 一种基于高程跳变的机载LiDAR数据多层次滤波方法研究[D]. 成都：西南交通大学, 2014.

[9] 隋立春,张熠斌,柳艳,等.基于改进的数学形态学算法的LiDAR点云数据滤波[J].测绘学报,2010, 39(4):390-396.

[10] 张齐勇. 基于区域增长的LiDAR点云数据DEM提取[J]. 铁道勘察, 2015(2):14-17.

[11] 罗伊萍,姜挺,龚志辉,等.基于自适应和多尺度数学形态学的点云数据滤波方法[J].测绘科学技术学报, 2009, 26(6):426-429.

[12] 胡举,杨辽,沈金祥,等. 一种基于分割的机载LiDAR点云数据滤波[J].武汉大学学报(信息科学版),2012, 37(3):318-321.

OptimizationMethodBasedontheSlicedBreaklineinFilteringofLiDARData

MAO Weihua1，QIN Shuang2，FU Tingfang3，ZHU Yanmin1

(1. Zhejiang Academy of Surveying and Mapping, Hangzhou 310012, China; 2. State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing, Wuhan University, Wuhan 430079, China; 3. Changxing Hongda Surveying and Mapping Co.Ltd., Changxing 313100, China)

P237

A

0494-0911(2017)09-0075-03

2016-12-16

国家科技支撑计划课题(2014BAK07B04)；国家自然科学基金(41571437)；浙江省科技计划(2015C33)；测绘地理信息公益性科研专项(201512024)

毛卫华(1975—)，男，硕士，教授级高级工程师，主要研究方向为地理信息系统、遥感。E-mail: maoweihua@vip.qq.com

毛卫华，秦爽，付挺芳,等.LiDAR数据滤波中基于切片的断裂线优化方法[J].测绘通报，2017(9)：75-77.

10.13474/j.cnki.11-2246.2017.0291.