立体匹配点云数据融合去噪算法

左志奇++卢坤

摘 要本文基于模型立体匹配得到的点云数据，针对不同模型间点云差异问题，提出了一种多模型点云融合去噪策略，该策略可以进一步剔除点云数据中的噪声，得到一致性好、精度高的区域DSM数据。实验证明，本文算法可以有效提高DSM的精度和可靠性。

【关键词】匹配点 云数据 去噪算法

1 前言

通常情况下，影像密集匹配以模型为单位，为了获得整个区域的DSM，需要融合所有模型的立体匹配点云数据。虽然在模型密集匹配过程中采用了多种策略剔除粗差，如中值滤波、小面积区域剔除、视差一致性检查，但由于影像质量以及匹配精度等方面的局限性，匹配结果经常存在少量噪声，模型间点云或多或少存在不一致的现象，需要通过融合去噪来得到高精度的区域DSM。

同时，考虑到半全局优化密集匹配算法等模型密集匹配算法获得的三维点云数据量非常庞大，不同模型间点云数据重叠度大，且存在点云数据不一致的问题，因此本文设计了一种多模型间的立体匹配点云数据融合去噪算法，该算法对点云中的粗差剔除效果明显，精度可以满足后续生产的需求。

2 多模型点云融合去噪算法

本文的融合去噪算法步骤如下：

2.1 区域点云数据分块

本文的区域点云分块是将点云数据按一定间距分块处理，分块处理的原因是点云数据量一般很大，整个区域点云数据难以一次性处理。

2.2 点云数据格网化与格网最优点获取

将每个公里网的点云数据按一定格网间距建立格网索引，即记录每个格网内的所有点索引号，然后采用中值滤波算法获得格网最优点，即对格网内所有点的高程值进行中值滤波，以滤波后得到的中值点作为该格网的最优点。需要注意的是采用的格网间距不能太小，每个格网中的点数均值一般应大于20个，点数太少噪声去除效果不明显，格网间距也不能太大，否则会过多丢失细节，本文中的格网大小按平均格网内点数20个计算获得。

2.3 基于不规则三角网的点云数据加密

经过步骤2.2得到的格网最优点一般较为稀疏，会造成一定的细节丢失，可以采用渐进三角网加密的方式获得细节更加丰富的点云数据。具体方法是首先采用格网最优点构建不规则三角网，作为初始的DSM表面，然后遍历三角网中每一个三角形，对落在三角形平面内的原始点逐个判断，将距离和角度小于设定阈值的点添加进来作为最终的融合结果，其中渐进三角网加密算法的详细介绍见文献[3]。

3 实验结果

为了验证方法的有效性，本文选取了某区域航空影像数据进行实验，立体模型匹配采用半全局优化密集匹配，采用点云剖面图的形式展示点云融合去噪效果，结果如图1所示。其中（a）区域整体概览图，A和B为选择的剖面对比区域，（b）为区域A的剖面图，灰色为去除的噪声点，（c）为区域A保留的点云数据，（d）为区域B的剖面图，灰色为去除的噪声点，（e）为区域B保留的点云数据。可以看出融合去噪后剔除了不一致的噪声点云数据，保留的点云数据在光滑性和一致性方面明显改善。

4 结论

为了解决模型之间匹配不一致的情况，本文研究了一种多模型点云融合去噪算法，该算法可以有效剔除多模型点云数据中的噪声点，改善了DSM的质量。通过航空影像数据的实验表明，本文算法可以得到质量高、可靠性强的DSM产品，具有广阔应用前景。

参考文献

[1]Hirschmuller H.Stereo Processing by Semiglobal Matching and Mutual Information[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2008，30（02）：328-341.

[2]Haller I，Nedevschi S.GPU optimization of the SGM stereo algorithm [C].IEEE International Conference on Computational Photography （ICCP），2010：197-202.

[3]Axelsson P.DEM generation from laser scanner data using adaptive TIN models.[J].2000.

[4]張祖勋，张剑清.数字摄影测量学[M].武汉：武汉测绘科技大学出版社，1996.

作者单位

中国人民解放军61175部队 湖北省武汉市 430000