点云分类方法在山区地质调查数据处理的应用研究
2022-05-09李冠张立伟
李冠,张立伟
(北京市勘察设计研究院有限公司,北京 100039)
1 引 言
地质调查与测绘是开展地质灾害勘查的重要技术手段,系统采集边坡岩体中各类结构面的空间几何信息是识别边坡地质灾害隐患、评价其稳定性的重要基础工作。目前,三维激光扫描技术可直接获取被测量岩体的表面各点的三维坐标,高精度的全自动测量岩体中面状结构单元的空间几何信息,故已广泛地应用于地质调查和测绘工作中。
在进行点云数据采集时,由于仪器、环境、测量人员等因素的影响,获取的点云数据会有许多噪声点,这些噪声数据的存在会对点云模型重建造成极大的影响。因此,为了获得高精度的点云模型,必须对点云数据进行滤波处理,剔除点云中的噪声点。点云滤波的目的是尽可能地去除偏离物体表面的噪声点,保留物体表面的点云,同时还要保持扫描模型表面的尖锐特征和几何边缘的特征信息。
三维激光点云的噪点往往无规律地分布在目标物体周围,难以用统一数学模型区分。散乱点云的噪点分为两类:一是偏离点,即悬浮在点云上方的稀疏点以及距离大片点云中心较远、小而密集的点云,这类点与点云主体关联性小,基本可认为是粗差点;二是与真实点混合在一起的点云,但在后续工作中被视作噪点的点云。针对这两类噪点应采用不同方法来予以剔除。
2 常用去噪方法介绍
在数据配准完成后,为了最大限度地保证点云数据的可判读性,尽可能减小无关数据的干扰,需要进行点云去噪处理。常见的点云去噪方法主要有基于回波次数、基于反射强度、基于空间分布以及基于格网点等常用的点云去噪处理方法。
从各种方法的特点来看,基于回波次数的去噪方法较多地应用于水域、城市区域等带有透射物体的场景。基于反射强度的去噪方法较多适用于运动物体的处理。基于空间分布的去噪方法则适用于离群噪点的处理。基于格网点的去噪方法则适用于相对平缓区域的噪声处理,且噪点与真实地面点的界线也相对较为明显。
而从实际应用效果上看,在进行山区地质调查测绘工作时,地形起伏变化往往较大,且关注区域内往往会夹杂许多植被,反映到点云数据层面则体现为与真实点混合在一起的点云,是最主要的噪点来源,此种噪点利用上述去噪方法处理并不能达到理想效果。
为了更加具体地对数据方法的应用情况进行具体分析,本文选取了3个山区场景(图1):
图1 样本示意图
(1)场景1:场区位于延庆盆地北部的玉渡山景区范围内,目前场地内正在进行延崇高速玉渡山隧道的建设工作,其中重点关注区域为扫描区域东南侧的高陡边坡区域。
(2)场景2:场区位于怀柔北部山区兰营村京加路两侧,其中重点关注区域为扫描区域北侧的崩塌体。
(3)场景3:场地位于门头沟区谭王路赵家台村附近,其中重点关注区域为扫描区域北侧的不稳定斜坡区域,位于道路北侧。
3 基于样本深度学习的点云分类方法应用
3.1 综述
近年来,随着深度学习的发展及其在计算机视觉、图像处理等领域的广泛应用,基于点云深层次特征的分类方法逐渐引起了学者们的关注,其利用深度学习直接从原始点云或间接地从点云低层次特征中提取深层次特征,并采用监督的方式实现点云分类。这类点云分类方法在分类过程中可自动提取用于分类的深层次特征,因此减少了烦琐的人工设计点云低层次特征工作量,降低了分类难度,同时由于深层次特征强大的表示能力,使分类精度也得到了进一步提高。
3.2 分类方法
基于此,在本文中,将样本深度学习方法应用于带有植被的山体场景下的点云数据处理,应用CloudCompare软件中的qCANUPO模块来进行点云滤波工作。
(1)数据导入:将数据成果导出成las格式并导入CloudCompare软件中。为了提高处理效率,先从全部点云数据中选择重点关注区域并选出。
(2)样本学习:先进行样本深度学习进程(图3)。利用点云选择功能分别对植被(vegetation)和裸岩区(ground)分别进行定义,确定训练样本(图2)。分别对不同对象类型进行定义后,完成分类样本的体系构建。根据构建的样本体系,对指定区域的点云数据进行分类训练,先开展分类样本的定义,在分类界线调整菜单中对分类界线进行适当调整。
图2 确定训练样本
图3 样本深度学习
(3)基于样本学习的点云精细滤波:
完成上述过程后,输入创建好的样本分类文件作为运行分类滤波的参照基准。菜单中部的Corepoints区域主要是对需要进行分类的点云进行选择(图4),有4种选择方式,一般默认为“useselectedcloud”(使用所选点云)即可。
图4 Corepoints界面
菜单下部的Advanced区域主要涉及的是一些高级细部选项(图5),其中:Useconfidencethresholdforclassification选项表示为分类设置一个置信区间,置信度可以在该选项下部进行设置,一般可以考虑设置为90%~95%;Use activeSFtolocallyrefinetheclassification选项则是与上一选项联动,在设置置信区间的同时,使用基于所选点云数据的SF值设置的较低置信区间来对分类过程进行改善。
图5 Advanced界面
在实际操作过程中,分别使用了“默认设置”“添加置信区间设置”以及“添加置信区间并基于点云SF值”这三种配置类型进行了点云分类滤波处理工作,结果如图6所示。从数据处理情况来看,使用“默认设置”时,点云分类滤波成果是严格按照分类设置来进行点云滤波;当添加置信区间时,则会在两种分类区域边缘产生未进行分类的“中间地带”;当添加置信区间并基于点云SF值设置时,除了会出现中间地带外,还会出现局部区域点云的分类转变的情况,从实际情况来看,某些区域的分类会出现明显的粗差。
图6 分类滤波参数设置情况
3.3 分类实验情况
三个样本数据的分类成果情况如图7所示:
图7 点云数据分类示意图
3.4 数据处理小结
从上述结果中可以看出,利用Capuno进行点云滤波时,有以下技术要点:
(1)分类界线的设置应综合考虑分类效率和有用数据留存这两方面,一方面是为了尽可能多地保存需要的数据,应尽量把界线往噪点(植被)区倾斜;另一方面则为了保证处理效率,需要尽可能多地去除噪点。因此调整的幅度不宜过大,有必要的情况下此过程需要重复进行。该过程可以多次进行,分类界线也可以在多次进行滤波的同时多次进行调整处理。
(2)添加置信区间的设置可以考虑在地表和植被区界线并不明显的情况下使用,从而减少因错删数据而造成的数据损失。
(3)基于点云SF值设置项在数据处理过程中会使点云分类出现粗差,故应谨慎使用。
4 结 论
本文在对常规点云去噪方法进行阐述的基础上,将基于深度学习的点云分类方法应用于山区地质调查的数据处理过程中,开展数据试验,取得了较为理想的效果,初步实现了山体表面数据与附着植被数据的分离,验证了基于深度学习的点云分类方法应用于山体区域点云去噪处理的可行性。
为确保点云分类成果的准确性,即确保其中的裸露岩体数据能被准确分出,进行数据滤波处理时,一是应使用默认策略(即采用不添加置信度以及参考SF值的模式)来进行,且应考虑将分类界线往植被区域适量倾斜,以确保裸露岩体区域的数据不被错分;二是应考虑进行重复多次的滤波,通过不断改变分类界线位置来获取质量更高的点云数据。
由于本文应用的数据实例数量有限,故验证效果存在一定的局限性,下一步工作中将考虑应用更多数据实例来对此方法的应用效果进一步验证。