利用特征面进行LiDAR点云分类的方法

崔晨彦，俞志强，吴文静，王良清，黄 桦

（1.北京天下图数据技术有限公司，北京 100142；2.浙江省测绘科学技术研究院，浙江 杭州 310000；3.浙江省测绘资料档案馆，浙江 杭州 310000）

LiDAR是一项快速直接获取地物目标三维坐标信息的技术。由于具有自动化程度高、受天气影响小、数据生产周期短、精度高等特点[1]，目前该技术被广泛应用于获取DEM、林业、海岸工程、铁路公路测量、输电线测量、城市建模等多个领域[2]。LiDAR数据点云呈离散的分布状态。在获取的原始点中，地形表面点、人工建筑物点或自然植被点等并未分离到单独层。在激光点云数据中提取数据地面模型需将不同地物数据点分离，即激光数据滤波[3]。

目前的激光点云分类生产制作多采用半自动的方式，即通过点云自动滤波与人工编辑相结合的方式获取最终分类成果。尽管已研究多种滤波方法来提高自动分类效率，但这些方法均无法完全正确地分类点云，滤波分类结果仍需大量的人工编辑；而随着LiDAR技术的发展，数据获取的精度越来越高，数据量越来越大，对硬件技术和人工分类的要求也会随之提高，因此对能快速自动正确分类LiDAR点云方法的研究显得越来越重要。

1 目前LiDAR点云分类方法

人工编辑主要是采用人工作业方式，调整高程突变区域的参数或算法，再重新进行小面积自动分类，或对分类错误的点重新进行分类[6]。点云分类流程如图1所示[7]。

图1 点云分类流程图

LiDAR点云数据半自动分类方式包括自动滤波和人工编辑两个部分。

自动滤波，首先采取绝对高程滤波方法将错误点和粗差点剔除，再使用基于TIN的滤波算法进行地面点分类，即以地面为参考，去除离地表距离超出阈值的点。这种滤波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[4]。对非地面点云进一步分类，根据需求可分为植被、建筑物、电力设施等[5]。对形状规则、空间特征明显的地物，可通过参数设置利用软件自动分类，如建筑物、电力塔等。为解决人工编辑工作量大、效率低的缺点，本文提出了一种新的作业流程，以基于采集错误分类特征面运行自动滤波的作业方法代替大量人工编辑，获取最终分类成果。

2 技术原理与方法

利用特征面辅助分类LiDAR点云，首先通过TIN滤波算法进行初始滤波点云的分类，并将初始分类结果进行离散点云栅格化，生成三维数字影像，该算法类似于数学形态学滤波法；然后基于影像，对自动分类结果进行质检，采集错误分类要素的特征面，并利用TerraSolid中的Insideshp算法，对特征面范围内的点云再次进行自动滤波分类，并对分类结果进行检查，得到最终分类结果。

2.1 离散点云栅格化原理[6]

将原始激光数据内插成规则格网数据，利用数字图像原理对离散点数据进行处理，将离散点转换成数字图像。在矢量数据的栅格化过程中，需确定栅格的宽度，对分布不均匀的数据，可采用该数据集合内各数据点到其他点最短距离的平均值作为栅格宽度，其公式为：

式中，Width为栅格宽度；Smin为栅格对角线长度最小值。

2.2 数字图像的形态学应用[3]

数字图像的形态学分为腐蚀和膨胀两种基本操作。由于点云数据分布并不均匀，为了使同一地物的数据点连接成片，需对图像作序贯的膨胀，当同一地物的数据点连接完成后再进行序贯的腐蚀，腐蚀的次数必须小于膨胀次数。

假设地物之间的最短距离为Distmin。因为图像每膨胀一次，边缘就会扩张一层，设置扩张宽度为Width，经过多次膨胀后，距离最近的不同地物将连成一体。因此，临界的膨胀次数为：

根据计算得到的膨胀次数后，对数字图像进行序贯膨胀大于序贯腐蚀处理。

2.3 技术路线

利用影像和采集特征面进行点云分类的技术路线如图2所示。

图2 利用影像和特征面进行点云分类流程图

3 实验案例

3.1 实验数据

实验数据采用浙江省新昌县航空获取的点云数据，位于新昌县城区，地形为平地，面积约为0.75 km2，多建筑。

3.2 技术方法的实现

利用特征线辅助点云分类的方法可分为两种。

一种方法是直接利用已有特征面进行分类，以建筑物为例，首先利用自动滤波分类得到噪音和地面层，并从已有地形图中提取建筑物特征线，进行线面转换；然后利用TerraSolid中的Insideshp算法进行自动分类，获取建筑物分类结果，如图3所示。

图3 特征面分类结果

另一种方法是基于原始点云进行初始自动分类，过滤噪音点和地面点，并根据分类后的点云数据生成辨识度高的影像，包括地面影像（图4）、非地面影像（图5）和全要素影像（图6）；再结合已有的DOM，判读分类错误的要素，设置不同错误类型矢量层，如建筑物层、噪音点错误层、地面缺失层、植被层等；然后利用影像质检自动分类成果，采集错误分类要素到相应矢量层；最后利用采集特征面再次进行滤波分类，并对分类结果进行质检，得到最终点云分类结果。

图4 地面影像

图5 点云分层影像

3.3 结果分析

1）分类效果。以建筑分类为例，传统分类方法利用TerraSolid中自动滤波分类，即使利用最严格的房屋算法，结合回波值分类，效果依然不理想，出现的问题主要包括距离建筑物近的低矮植被、移动物体被错分为建筑物，低矮建筑物未被分类，面积较大建筑分类错误等，结果显示如图7所示。本文利用已有特征面辅助分类，在特征面采集正确的基础上，最终的分类结果中只包含建筑物。比较两种分类结果可知，特征面辅助分类成果质量高，用时仅为传统方法的5%。

图6 全要素影像

图7 传统分类方法建筑物分类结果

2）生产效率。采用错误分类特征面并运行自动滤波的方法，省略了手动编辑分类的步骤，且避免了对点云的直接操作，减少了大量人工编辑工作。经实验，该方法提高了30%的工作效率，且分类质量符合规范要求。

4 结 语

本文通过新昌LiDAR点云分类实验证明了利用特征面辅助LiDAR点云分类的方法能大大减少手工作业的工作量，提高传统LiDAR分类的效率和质量，并且弥补了现有滤波自动方法的缺陷，实现了自动快速的LiDAR点云分类；但该方法也存在局限性，主要依赖于特征面采集的准确性，且在分类建筑物时无法进行房檐改正，因此该方法只能用于辅助点云分类。因此如何快速准确地自动分类点云数据，仍是今后研究中的重要课题。

[1] 张玉方,程新文,欧阳平,等.机载LiDAR数据处理及其应用综述[J].工程地球物理学报,2008,5(1):119-124

[2] 巩淑楠,陈云,徐敏.机载激光雷达数据处理方法的研究与应用[J].测绘与空间地理信息,2010,33(5):165-167

[3] 刘春,陈华云,吴杭彬.激光三维遥感的数据处理与特征提取[M].北京:科学出版社,2010:17,128,143

[4] 余洁,张国宁,秦昆,等. LiDAR数据的过滤方法探讨[J].地理空间信息,2006,4(4):8-10

[5] 王铁军,陈云,袁如金.基于LiDAR数据的DEM和矢量自动提取探讨[J].测绘与空间地理信息,2009,32(1):29-31

[6] 汪承义,陈静波,孟瑜,等.新型航空遥感数据处理技术[M].北京:化学工业出版社,2016:45,55-57

[7] 国家测绘地理信息局.机载激光雷达数据处理技术规范:CH/T 8023-2011[S].北京:中国地图出版社,2011:6