周一至周五 | 9:00—22:00

期刊论文网 > 自然科学论文 > 测绘学论文 > 测绘工程类论文 基于多级三维格网的Lidar数据滤波与分类

测绘工程类论文 基于多级三维格网的Lidar数据滤波与分类

2018-12-10 11:25:50来源:组稿人论文网作者:婷婷

  摘要

  Lidar数据处理是Lidar技术应用系统的重要构成部分,约有百分之八十的任务量都集中在这上面,对数字产品生产、应用保障都起到关键作用,也是Lidar技术发展与研究的前沿课题。本文围绕机载Lidar数据滤波和分类技术,结合点云数据数据格式和空间特征,进行了深入的研究。本文的主要工作和创新点是:

  1.阐述Lidar的发展历程,分析当前Lidar点云处理技术的研究现状与发展趋势,指出了研究Lidar数据滤波处理的重要性和紧迫性。

  2.阐述Lidar技术原理及其点云的数据构成及空间特征,分析数据滤波和分类的研究方向,为后面的滤波和分类的算法设计提供理论支持。

  3.明确本文探讨的Lidar点云数据的滤波技术定义和主要任务。

  4.深入分析了点云分类的基本原理,从点云的空间特征出发,基于多级三维格网实现Lidar数据分类算法。

  5.点云数据滤波后的质量评价是通过与ENVI LiDAR处理后图像对比,明确了其评价指标,实现了评价数据质量的定性分析。

  关键词:LIDAR 多级三维格网 滤波 分类

  第1章 绪论

  Lidar简介

  Lidar技术是基于激光反射时间的测距技术。除了地球科学以外,在其他科学研究领域中,Lidar技术都有广泛的应用。有一种量取地物表面到探测器探头之间距离的仪器被称作激光扫描仪。激光扫描仪的工作原理是使用激光发射器发射激光脉冲,当激光脉冲遇到远处地物的表面上样点后发生激光反射。反射回来的激光被探测器探头收到后,再计算激光脉冲往返于地物表面样点之间消耗时间的差值,就可以得到地物表面样点与探测器探头之间的距离。通过地物表面样点与探测器探头之间的距离以及激光脉冲发射时激光发射器所处的位置和状态信息,就能结算出地物表面样点的三维坐标信息。通过将Lidar技术和机载装置相结合,可以提高获得地物表面大量样点的三维坐标的效率、精度以及分辨率等多个方面。这样的设备被称为机载激光扫描仪。

  图1.3从左向右依次是车载激光扫描仪,机载激光扫描仪,地面激光扫描仪

  目前,激光扫描仪通常可以在在一秒时间段内得到一千至十万个样点的三维空间坐标信息。其中,甚至有某些激光扫描仪可以迅速地得到距离一千米以外地物表面样点的三维坐标。但这些激光扫描仪存在着很大的缺点就是体积都比较大,不方便一个人单独携带。而还有另外一些机载激光扫描仪则克服了这一缺点,一个人就可以轻松携带。但这种设备存在得到样点三维坐标数据效率比较慢的缺点,并且一般只适用于近距离的获取三维坐标数据。此外,激光扫描仪的一般输出的Lidar数据是物体表面所有样点三维坐标的集合。因此,在Lidar数据只包含了样点的三维坐标,而不存在点与点之间的拓扑关系以及样点之间相关连的空间信息。因此,很有必要进一步的处理获取的Lidar数据,来得到地物表面各样点的拓扑关系和空间联系,建立DEM。在本文中,我们以Lidar数据的滤波和分类作为研究方向,基于多级三维格网研究其算法,从中区分地面点和非地面点及分类建筑物和植被。

  Lidar研究现状

  到目前为止,还没有研究出来一种完全有效应对各种复杂多变地形生成的Lidar数据滤波和分类的算法,但已经存在一些较为可靠的滤波和分类的算法并在DEM构建中得到了广泛的应用。其中,芬兰公司研究开发的TerraSolid软件中存在的一个子模块TerraScan软件被Lidar技术领域的学者们广泛的认同,它主要的算法是通过多分辨率分析Lidar数据的算法来实现Lidar数据的滤波。这种算法是将多分辨率分析理论融入到Lidar数据滤波和分类中,提高了滤波和分类结果的速度以及可靠性。当前,基于数学形态学的滤波方法是被普遍使用和研究的,它使用结构单元窗口模块作为一个Lidar数据处理单元,通过形态学中的膨胀与腐蚀算法相结合,形成两种开、闭算子进行联合滤波。

  Lidar数据处理研究的早期,Kraus等人就提出使用迭代的方法来得到DSM的。通过每次迭代的过程,将每个Lidar数据样点与上次迭代中生成的DSM之间的距离,来判定该样点是否是属于地面的。后来,Pfeifer等人使用分层架构的方式,改进了Kraus等人的算法,Pfeifer等人通过对机载Lidar得到的城市数据进行处理,得到不同分辨率的DSM。在高分辨率的DSM中保留建筑物点云。在低分辨率的DSM中,保留地面点云。因此,Pfeifer等人通过将两值相减分类出地面点云和建筑物点云。Alharthy等人在使用Lidar技术的过程中,发现植被具有反射多个高程不同样点的特性,通过植被的这一特性设计了一种滤波器,可以滤除Lidar数据中的植被来获取DSM。Lodha等人使用模块分类的方式,来从Lidar数据中实现地面、建筑和植被的。首先他们将Lidar数据重采样到规则格网上,然后计算每个格网中点的特征,并根据这些特征使用分类的方式实现分类结果。

  上述的各种方法都需要将Lidar数据处理生成DSM或者DEM,在生成DSM或者DEM的过程中,都需要将Lidar数据重采样到二维格网上。重采样中插值的过程对最终生成的模型精度产生了严重的影响。针对这一难题,学者Vosselman提出了一种不需要插值以及重采样的方法。这种方法与Hough变换方法有共同点。判断Lidar数据中的平面点云,再使用三角格网来组织Lidar数据,提取平面的边界。最后通过获得的平面边界来重建建筑物的三维模型。 Verma等人通过协方差矩阵分析的方法来获得每个Lidar数据样点的特征,并通过样点的特征来剔除植被。然后使用最大连通域准则理论来分类Lidar数据中的地面点云和建筑物点云。 同样,Zhou等人得到每个Lidar数据样点的特征是通过协方差矩阵分析的方式来实现的。然后,使用SVM方法剔除树木。最后,通过最大连通域准则理论来分类地面点云和建筑物点云。

  总结以上Lidar数据的处理方法可分为两种,一种是Lidar数据处理是通过二维格网来实现的。另一种是直接对分散的Lidar数据进行处理,而没必要重采样。第二种方法在Lidar数据格网化过程中没有使用插值的方式,因而能很大程度的提高模型的精度和可靠性。现存的各式各样的Lidar数据滤波和分类的算法在Lidar数据处理的某一方面有其优势或劣势。我通过大量的相关资料的查阅,认为将来的滤波和分类算法会朝着带有强度与光谱信息的几何数据以及其他多源的Lidar数据的共同融合方向发展。

  第3节 研究背景

  在上世纪七十年代, 美国国家航天局最先对Lidar技术进行了正式研究和应用。美国国家航天局通过遥感装置利用激光获取不同地物三维信息,并多次进行了获取三维空间信息的尝试,其中就包括了对月观察以及卫星激光测距的研究。在此之后,Lidar技术发展迅猛,在多个研究领域被应用。且由于全球定位和惯性导航技术理论研究的重大发展,Lidar技术研究过程中应用全球定位技术理论和惯性导航技术理论相结合使精准的即时定位和姿态确定技术得到了突破性的发展,并且提高了Lidar测量传感器的可靠性。

  与其他西方发达国家相比,我国Lidar技术研究及应用起步比较晚,在Lidar技术研究过程中经历了理论探索、实验分析、完成原理样机等阶段性的成果。尤其是中国科学院遥感应用研究所李树楷等人在国家“863”计划的支持下研究的机载三维成像技术于1996年实现了第一台线扫描原理样机的研制,这项技术和当时国际上流行的Lidar技术区别很大,它是通过激光测距扫描仪和多光谱扫描成像仪结合到一起,共用一套扫描光学技术,这种技术不仅可以得到地物的三维离散点云数据,还能得到地物对应的二维影像,这样可以保障三维物方点和二维影像一一对应,直接得到地物影像的地学编码数据。

  但是,与速发展以及广泛应用的Lidar技术硬件相比,Lidar数据处理相关的算法和软件研究却一直都处于滞后状态。到目前为止,仍然还没有一种商业软件应对各种复杂多变地形的数据都有自己的优缺点,不能随机、自动、智能的处理Lidar数据。地形变化相对单一的情况下,都能生成出其各种对Lidar数据处理的优质产品。但是,一旦遇到地形复杂多变时,Lidar数据处理得到的结果都和不符合要求,和理想的结果差距太大。同时,由于各种软件生产商家之间的利益和市场竞争,使得软件技术参数到目前为止都没有一个统一的标准,与Lidar数据处理相关的软件更是各种各样。这样的状况直接导致了Lidar数据处理格式数据多种多样,每种Lidar处理格式都与软件生产商生产的软件相关。并且每一个软件生产商,都会通过自己研发的Lidar数据处理软件处理后的数据格式来限制用户,用户只能根据软件生产商的相关说明进行操作,无法依据自身的需要对Lidar数据进行操作。特别是软件生产商家的恶意竞争抑制了Lidar技术的发展。

  为此,我们有必要研究Lidar技术的原理极其数据处理的算法,为我国的Lidar技术的进步贡献自己的一点力量。本文就是针对Lidar技术,从其发展现状、数据构成、数据特点、数据滤波和分类的原理和方法以及质量评价的依据等多方面进行了研究。由于Lidar技术作为一种高新技术,其在许多领域都存在着研究价值和广泛应用的市场前景,而与西方各个发达国家相比,我国对Lidar数据处理的研究与应用还是相当落后,因此,研究Lidar数据的滤波和分类对于国家的经济建设、社会发展,科技进步都有积极的意义。

  第4节 研究意义

  三维空间地形信息是我们认知世界乃至宇宙、服务自身必要的媒介信息,对我国社会发展和科技进步的具有基础性、战略性的意义。近年来,随着高新科技的的不断发展和突破,人类已经明确地认识到三维空间地形信息对社会发展所起到的推动作用。因此,人们对空间数据的需求不在满足于二维平面,而是向三维空间地形信息的获取及处理方向研究,如何迅速得到地表的三维空间地形信息,并对海量的三维空间地形信息处理生成DEM,一直以来都是Lidar技术研究的主要方向。传统的通过航空摄影影像来得到三维空间地形信息的方法具有消耗时间久、自动化程度低、工作量大等很多缺点,很难满足现代社会发展的需求。Lidar技术作为一种新兴的科学技术结合了GPS、激光测距、惯性测量和计算机等多种技术,为提高三维空间地形信息的可靠性及效率提供了一种全新的技术方法,在不需要其他辅助数据的情况下,就可以精确、快速地得到地物的三维空间地形信息,并在三维空间直角坐标系中表现出来。这种技术具有处理成本低、生产时间短、不受外界自然条件的影响、连续自动化的得到三维空间地表信息等诸多优点。

  截至目前,Lidar技术已经取得了跨越式的发展,人们可以很容易获取真实世界中物体的表面三维点云,以便更加动态、直观表达地物的空间特征属性。因此三维点云数据模型被广泛应用于虚拟现实、城市建模等。但Lidar在扫描过程获取海量的点云数据中有大量的非地表点被获取,可能是大气中的杂质、飞鸟或者极大低于地表等误差点,一般将这些点称为噪声点。在Lidar点云数据滤波处理之前必须将这些噪声点滤除,噪声点的存在会使原始点云数据生成的DTM数据产生极大的误差,同时在运用点云滤波的过程中会误把许多极大低于地面的噪声点误判为地面点,造成滤波结果的严重错误。另外噪声点对后续的大规模点云分层渲染、地物识别提取、建筑物建模及密集匹配所得同名点云的后续处理精度(如影像匹配、地物识别等)都会造成非常大影响。并且如何充分、有效的获取感兴趣区域的数据信息,建立地物数据模型以及点数据之间的拓扑关系是后续数据处理中不可避免的需求,是制约其发展的重要技术瓶颈。因此本文针对如何对基于多级三维格网的Lidar数据进行滤波和分类对Lidar技术的研究具有积极的意义。

  第5节 技术路线

  3.1技术路线

  3.1.1研究方法

  (1)资料研究法

  通过浏览大量的相关资料,了解Lidar技术理论及相关算法,以及前人对Lidar技术的分析研究,明确自己研究方向。

  (2)对比法

  通过基于多级三维格网的Lidar数据的滤波和分类与ENVI LiDAR软件处理和分类的成果图做对比分析,总结基于多级三维格网的Lidar数据的滤波和分类优点及缺点。

  3.1.2 实施步骤

  本文阐述基于多级三维格网的Lidar数据滤波理论方法及通过Matlab软件实现算法。得到结果后,与ENVI LiDAR软件分类的结果做对比,给出结论。流程图如下:

  构建多级三维格网

  获取原始Lidar数据

  对Lidar数据进行滤波

  通过ENVI LiDAR分类点云

  分离地面点与非地面点

  地面点云,建筑物点云,植被点云

  非地面点

  对比

  分类

  对比

  建筑物点云和植被点云

  3.1.3预期结果及表现形式

  本文拟对基于多级三维格网Lidar数据滤波和分类的基本理论及算法进行研究,编写出Matlab程序,撰写毕业论文。

  第2章 基于多级三维格网lidar数据滤波与分类

  第1节 构建多级三维格网及数据滤波

  1.1引言

  Lidar数据滤波是Lidar数据处理的前提,是Lidar数据处理的关键技术之一。 一般条件下,评价滤波算法标准主要有三个方面:滤波结果的精度、滤波算法适应性及滤波效率。因此,只有符合上面三个方面的标准才能设计出一种好的Lidar数据滤波算法。

  根据以上三方面的衡量标准,首先要处理的是Lidar数据的地形特征问题。如果直接处理初始的Lidar数据,会使邻域搜索将变得非常消耗时间而且运算复杂,对于处理海量的三维空间地形信息来说非常不适合。然而,虽然可以通过内插的方法来提高滤波算法的运算效率,但会造成一定程度上的三维空间地形信息的损失和冗余。如果采用不规则三角网,虽然能够在很大程度上保留初始三维空间地形信息,但构建不规则三角网浪费时间比较多,且在某些地形变化复杂的状况下会出现严重的三维空间地形信息畸变,难以表达地面的高程突变,不利于Lidar数据处理。而基于多级三维格网不但可以避免了内插方法对三维空间地形信息处理上的损失和冗余缺点,还吸收了不规则三角网的优点。既保留Lidar数据的原始三维空间信息,又提高了处理Lidar数据的效率。在算法方面,重点是根据目标区域地面点云的高程变化对高程阈值的选取,本文将结合Lidar数据的三维空间地形高程特征的变化状况和多级三维格网技术来选取高程阈值完成Lidar数据滤波的过程。许多滤波算法都需要先在Lidar数据中选取一些地面点概率较大的点作为初始地面点。初始地面点的确定直接影响Lidar数据点分类。而本次实验的滤波将结合三维格网的特点,引入多尺度的理论,通过建立多级三维格网对Lidar数据进行滤波。

  根据以上的研究分析,本次Lidar数据滤波实验是通过确定高程阈值的方式来进行滤波;并结合三维格网Lidar数据空间特征,引入多尺度的理论,建立多级三维格网。基于多级三维格网的滤波算法在一定程度上削弱了单一阈值法实现数据滤波的缺憾,使得滤波处理耗时短并且提高了地面点选取的准确性。

  1.2 构建多级三维格网

  三维格网最早是由Cho等引入到Lidar数据处理中的。由于三维格网理论消除了其他数据结构运算效率低和信息易损失等多种缺点,因此,后来有许多研究者将三维格网与其他滤波算法相结合。三维格网的示意图如图2.1所示为三维格网的立体显示,彩色的点代表Lidar数据点,黑色的虚线代表三维格网。

  图2.1三维格网的立体显示

  多级三维格网与滤波算法相结合时一般采用三级就足够了,并按照格网边长从小到大的顺序分级为:一级格网、二级格网和三级格网。一般通过Lidar数据的密度来确定一级格网的边长大小。本次实验采用了50567个Lidar数据点,我们可以假定Lidar数据的平均密度为每立方米拥有T个数据点,则其一级格网边长大小一般为米。一般一个格网内会拥有两个以上的数据点,取其中高程值最小点的高程作为该格网的高程值。这样的选择有利于Lidar数据滤波算法进行邻近点的搜索。因此,一级格网的作用主要用来对邻近Lidar数据点进行搜索。通常是在在一级格网基础上建立一个局部区域方便邻域搜索,这就是二级格网。二级格网边长通常为一级格网边长的偶数倍,甚至是八倍或奇数倍,甚至是九倍。根据二级格网内三维空间地形数据的高程特点,确定该格网的高程阈值。与二级格网相同,三级格网一般是建立在二级格网之上的,其格网边长大小一般是根据所选的实验区域内主体点云的尺寸来确定的,要比该尺寸值大,为二级格网边长的偶数倍。其主要作用是确定地面点云;当格网边长足够大时,就能保证每个格网内至少有一个地面点,再选取每一尺寸三级格网中高程值最小的数据点作为该区域的初始地面点。

  在已知某方格网中Lidar数据点云的二维范围为(X,Y)和(X,Y),并确定了各级三维格网边长的大小D(k=1,2,3;表示格网的级数)之后,就可以建立一个P*N二维格网(如下式1所示),并确定各Lidar数据点(X,Y,Z)(i=1,2…n)与相应格网之间的对应关系,即格网号(I,J)(如下式2所示)。

  P=(X-X)/D+1 N=(Y-Y)/D+1 式1;

  I=INT(X-X)/D I=INT(Y-Y)/D 式2。

  因此,基于多级三维格网可以有利于邻域搜索,方便Lidar数据分类的实现,而且没有进行任何形式的内插,所以不存在任何三维空间地形信息的损失。

  1.3 Lidar数据滤波

  由于离散噪声点是偏离于点云主体的孤立数据点,只需要判定其周围不包含点云主体即可确定。以被索引立方格网为中心和周围包围的26个立方格网构成索引结构窗口,对周围的立方格网进行遍历,提取噪声点[M]=1所对应的数组单元,并搜索该立方格网单元邻域26个立方格网的值是否都为0,如果是则判断该立方格网单元所包含的点为离散噪声点。由于该算法判断噪声点格网只进行了一次循环运算,速度较以点为中心分别建立格网索引的算法运行效率高。

  同理,对成簇噪声点处理与离散的噪声去除方法相似。由于成簇噪声点是远离点云主体的数个孤立点云,通过寻找每一片点云中包含的一个种子格网进行扩散运算,统计各个点云中包含的点的个数。根据激光Lidar点云的连续性,保留含有点数最多的点云即点云主体,滤除其他的点就可以去除离散噪声点。

  图1 索引格网与结构窗口三维示意图

  第2节 区分地面点云与非地面点云

  2.1引言

  高程阈值的选取是地面点与非地面点分离的关键,本文将结合地面高程特征变化状况以及多级三维格网技术来选取高程阈值完成Lidar数据滤波。目前,存在的许多滤波算法都首先需要在点云中选取一些是地面点概率较大的点作为初始地面点。初始地面点的选取直接影响着Lidar数据点的分类,所以正确选择初始地面点对滤波算法来说也非常重要。本文将结合三维格网的特点,引入多尺度理论,通过建立多级三维格网来对Lidar数据区分地面点云和非地面点云。基于多级三维格网的算法在一定程度上消除了单一阈值算法存在的缺点,提高了Lidar数据分类处理的效率以及区分地面点云和非地面点云的准确性。

  2.3 区分地面点云和非地面点云

  由于地面点和非地面点存在较大高差,因此,可通过单一阈值法进行区分地面点云和非地面点云。单一阈值法是通过选取固定的高程阈值,对空间结构窗口内的主要点以及其他点做高程差值的检测,而判断点是高程差值的阈值,是依据实验区域高程差异变化进行阈值的判断。如果结构窗口主要点与其他点的最小高差大于阈值,则认为主要点为非地面点;否则,认为主要点为地面点。阈值的选取以及格网边长的选取对单一阈值法的处理结果都非常重要。

  2.4 实验结果与分析

  对于Lidar数据处理算法结果的评判一直以来都是一个值得深入研究的方向。目前为止,主要是通过视觉效果对比来判定滤波算法结果的可靠性和准确性。由于最大程度恢复真实地形是Lidar数据处理的主要目的,所以Lidar数据处理后得到的地面点中一般要求包含尽可能少的非地面点,所以要尽可能的减小将非地面点误判为地面点的误差的发生。将地面点误判为非地面点的误差和将非地面点误判为地面点的误差可以综合得到总误差,反映Lidar数据处理算法的准确性和可靠性。

  本节实验主要有两项步骤:第一步是:首先,针对实验区域的Lidar数据空间特点,选择对应多级三维格网边长大小以及格网内点云的高程阈值。再本文提出的算法对选取区域的Lidar数据通过Matlab软件进行实现。然后,根据实验结果与ENVI LiDAR分类的地面点的结果对比来验证本文Lidar数据处理算法区分地面点云和非地面点云的正确性、有效性和适应性。

  实验结果如图所示:

  (a) (b)

  图1:基于多级三维格网的Lidar数据滤波

  其中图1(a)为基于多级三维格网的Lidar数据滤波后的点云显示图,图2(b)为基于多级三维格网的Lidar数据分类后的地面点云显示图。

  (a) (b)

  图2:通过ENVI LiDAR分类

  其中图2(a)为通过ENVI LiDAR处理后的点云显示图,图2(b)为通过ENVI LiDAR分类后的地面点云显示图。

  通过对以上实验结果进行对比分析,并结合Lidar数据的空间特征和实验过程中相关参数选取的调整,可以得出以下结论:

  1)本次Lidar数据处理的主要目的是得到地面点数据,需要首先保证地面点的准确性;即必须首先控制将非地面点误判为地面点的概率,在此基础上,再尽可能的降低地面点误判为非地面点的可能性。本文算法通过对相关参数的调整实现了对非地面点误判为地面点误差的较好控制,满足点云分类严格控制非地面点误判为地面点的需求。

  2)Lidar数据处理算法的适应性也是评判算法的关键标准之一。本文Lidar数据算法在区分地面点和非地面点的过程中根据实验区域的空间特点选取高程阈值及三维格网的边长,保证了基于多级三维格网Lidar分类算法的适应性。

  3)从Lidar数据处理原理上来看,基于多级三维格网的算法不需要进行多次迭代,并结合了多尺度的理论。一定程度上提高了Lidar数据分类的效率,与此同时,也降低了Lidar数据分类过程中产生的误差。

  本文提出将三维格网技术与多尺度的理论相结合方法,设计了一种基于多级三维格网滤波方法。并将其与通过ENVI LiDAR处理结果进行了对比实验。证明算法具有较好的性能,能够满足点云数据对滤波处理的要求,为后续的非地面点云分类奠定了良好的数据基础。

  第2节 基于多级三维格网的非地面点云分类

  2.1引言

  通过上一节将Lidar数据区分为地面点云和非地面点云。其中,地面点云可以直接用于DEM生产,也可以进一步分类获取其他需求的地表信息。非地面点云主要包含有建筑物点云和植被点云,可以对其进一步分类得到建筑物点云和植被点云。

  非地面点云中尤其是建筑物点云在数字城市建设中发挥着重要的作用。截至目前,区分建筑物点云与三维重建已经成为数字城市建设、空中摄影测量、遥感等多个科学研究领域的重点,也是目前研究的难点。因此,本节将结合高程信息、三维空间地形信息特点将非地面点云数据分类为建筑物点云以及植被点云,为Lidar数据生成DTM、重建建筑物模型等多方面奠定基础。

  2.2 分类方法

  要将非地面点云数据进一步分类为建筑物点云、植被点云和其他点云,需要用到的数据主要是高程信息。而高程变化信息主要表现为局部区域内高程的变化情况,这也是是识别地物的主要特征的信息。Keqi Zhang等学者利用平面拟合来检测高程变化的信息,从而根据建筑物的高程变化特点得到建筑物信息。

  Lidar点云数据中建筑物点云和植被点云具有以下高程特征:

  1.建筑物点云通常比较规则,一般为平面或者斜面。因此,建筑物点云除边缘部分一般存在较大高程变化,而其他部分高程变化较小,高程变化拥有较强的连续性。

  2.植被生长一般不规则。和建筑物相比,植被不仅在边缘上高程变化较大,而且由于激光具有一定的穿透能力,能够穿透一部分树叶散射到其他地方,其内部的点云也是杂乱无章的。高程变化信息很难表达。

  本文将利用高程变化的不同特点,既分类建筑物点云和植被点云,需某Lidar数据点高程值与其周围各数据点高程值之差的加权和,选定合适的高程阈值。

  2.3 分类过程

  基于上一节滤波的结果进行分析,结合高程纹理信息和滤波结果信息分别对点云外接矩形的x ,y ,z坐标值进行定值切分,将每个点所属的三维格网的空间索引值赋给该点,例如:将所属于第1行第2列第2层中所属的点的空间索引值设为(1,2,2)以此类推……,以便运算时对该点的查找,实现了点云的虚拟分割。

  2.3.1分类建筑物点云

  从建筑物空间特征规律来看,建筑物屋顶形状一般是平面或斜面,Lidar数据点云高程没有明显突变。而植被生长过程外形很不规律,内部和边缘都存在着较明显的高程突变。由于以上对建筑物和植被的高程分析,并且为了在三维空间地形数据不失真的条件下提高算法的效率,继续使用三维格网来分类建筑物点云。

  通过Lidar数据滤波处理后,并不是所有三维格网内都存在Lidar数据点。因此,可以依据邻域搜索附近的其他三维格网是否有数据点来进行建筑物点云的推断。如果一个有数据点的三维格网周围的八个三维格网内都没有数据点,则认为该格网内的Lidar数据点不是建筑物点,将其滤除。否则,将该Lidar数据点和其周围的数据点做标记,然后分别以其周围各数据点为中心邻域搜索推断它们周围的三维格网,并判断是否已经被标记,如果没有标记,则给予标记,一直重复上述邻域搜索过程,直到完成所有相邻Lidar数据点标记。然后,基于三维格得到剩余其他区域的Lidar数据并推断数据点是建筑物点云的内部点还是边缘点。如果该Lidar数据点周围八个三维格网内都有Lidar数据点,则判定该Lidar数据点为建筑物点云的内部点;否则,判定其为建筑物点云的边缘点。

  对每个一级格网内部的所有点进行平面拟合,求出相应的平面公式。分别计算每个点到该平面的距离,求出该一级格网内部点到平面距离的平均值。通过对一级格网内所有点进行平面拟合,并根据点到平面距离公式求出点到面的平均距离。给定相应阈值来判别该三维格网内部点是否为平面分布趋势的点云,从而判定该三维格网内部点云是否为建筑物屋顶或边壁的点云斑块。注意在一级三维格网进行平面拟合的过程中,由于一级三维格网范围比较小,会误把某些小范围非建筑物点拟合成符合精度的平面,为了去除这类错误,进行二级三维格网重分类,用范围扩大5倍的二级格网重新对当前判定结果进行检验,分别统计二级格网内已被判别为建筑物点及所有点的个数,判定两者大小。以一级三维格网边长为基准建立二维格网,将存在建筑物点的栅格内部点全部改为建筑物点,这使房顶以下的未被判定到的点变为建筑物点。通过格网的二维空间邻接关系,以存在建筑物点的格网为种子格网,对种子格网周围的存在数据点的格网进行一次扩散运算,弥补平面拟合及二级三维格网重分类时出现的错误。

  综上所述,本文在分类建筑物过程中考虑到建筑物屋顶形状并引入了Lidar数据滤波结果信息,提高了分类建筑物点云的准确性和可靠性,为Lidar数据进一步分类植被点云打下坚实的基础。

  2.3.2分类植被点云

  在提取建筑物的基础之上,在未分类点云中,以任意点为中心做一定半径的圆形结构窗口,窗口的半径以中心点的高程为权,系数为当前中心点高程除以整体点云最高点高程。若该结构窗口内的点与中心点高程的差大于之前判定地面点的阈值则判定该圆形范围内的点云为植被点云。完成对植被点云数据的分类。

  2.4 实验与分析

  2.4.1实验结果对比

  在上一节实验的基础之上,使得Lidar数据特征明显、达到分类需求且具有实验代表性。

  数据一如图1所示:

  (a) (b)

  图1:通过ENVI LiDAR分类的建筑物点云与植被点云

  其中图1(a)为通过ENVI LiDAR分类后的建筑点云显示图,图1(b)为通过ENVI LiDAR分类后的植被点云显示图。分类出的建筑物点数为7062,植被点数为16785。

  数据二如图2所示:

  (a) (b)

  图2 基于多级三维格网的分类建筑物和植被

  其中图2(a)为基于多级三维格网的分类后的建筑物点云显示图,图2(b)为基于多级三维格网的分类后的植被物点云显示图。分类出的建筑物点数为6882,植被点数为10969。

  Lidar数据中的非地面点云主要有建筑物点云和植被点云两种。且本次实验区域的建筑物屋顶类型为斜面人字形,而且植被中有独立的植被,也有与靠近建筑物的植被,这对本文的Lidar数据分类算法具有很大的挑战性。

  2.4.2对比分析

  通过将ENVI LiDAR的分类结果与基于多级三维格网的分类结果进行视觉比较,可以看出大部分的非地面点都得到了正确的分类,尤其是建筑物点,但是也存在很多误分的情况。

  图2(a)存在建筑物部分边缘点被误判为植被点的情况,这种误判主要由于植被靠近建筑物人字形房顶,由于其Lidar数据点高程值与房屋相近,加上建筑物房顶形状为人字形,靠近建筑物的部分植被点被误分为建筑物点。

  图2(b)存在植被点被误判为其他非地面点的情况,这主要是由于植被数据点的高程规则性差,很容易使点被误分为其他非地面点。

  通过基于多级三维格网的Lidar数据分类的实验结果和ENVI LiDAR软件分类的结果进行对比分析。总体来讲,分类的精度与地物的种类和分布情况有着密切的关系,且分类的精度与点云数据分布的均匀性也有一定的关系。

  对比分类结果来讲,在本次实验选取的区域范围内地物高程多变的状况下,本文的分类算法还可以准确的区分大部分的非地面点,分类出建筑物点云和植被点云。证明在精度和适应性方面基于多级三维格网的分类算法是可靠的。而且本文结合了三维格网技术,在保证数据完整性的同时也提高了邻域搜索的效率,使得整个分类过程更加快速。

  第3章 结论

  目前, Lidar技术是一种主动式生成DEM的高新技术,可广泛应用于灾害预警、环境保护、勘探资源、绘制地形图以及构建城市三维建模等多个方面,Lidar技术由于其在三维空间信息获取的优势以及其应用市场的需求,吸引了越来越多人的目光。Lidar技术通过二十多年的快速进步,其在硬件和Lidar系统集成等多方面的问题得到了突破性解决。但是,对Lidar数据处理的算法研究相对硬件的跨越式发展显得非常滞后。本文针对Lidar数据的滤波和分类的算法基于多级三维格网进行了分析和研究,Lidar数据的滤波和分类是Lidar数据的最基础的工作。

  本文着重叙述了当前国内外Lidar技术的研究近况,特别是Lidar数据滤波和分类算法的研究进度。并叙述了进一步研究Lidar数据滤波与分类算法对Lidar技术理论科学和现实应用的积极意义。根据Lidar数据的空间特征,提出将三维格网技术与多尺度技术相结合,设计了一种基于多级三维格网的Lidar点云滤波和分类的算法。

  通过与ENVI LiDAR软件处理的实验结果对比证实,基于多级三维格网数据滤波和分类算法具有较好的滤波和分类功能。该算法根据实验区域的空间特征选取高程阈值,提高算法的适应性。并且该算法通过三维格网组织Lidar数据,提高了算法的数据处理效率。使得该算法可以实现对大部分非地面点的正确分类。

  第4章 展望

  随着Lidar技术的发展,其应用的领域也在持续的扩张。Lida技术硬件技术随着电子等多方面的科学技术的巨大发展也得到了突破性的提高,但在Lidar数据滤波和分类方面以及其他后续处理的算法研究还存在很多的瓶颈,制约了Lidar技术的发展。本文通过对Lidar数据的滤波与分类算法及其相关理论的研究取得了一定程度的结果。但由于本人在知识储备、时间、研究能力和软件等诸多条件的制约,所做的研究工作相当有限。并且,目前获取的Lidar数据自身的空间不确定性以及信息的有限性,提出的基于多级三维格网数据滤波和分类的算法还存在很多的缺憾。并对Lidar数据的空间特征没有深入的钻研。从当前Lidar技术的研究,还需在Lidar数据滤波和分类算法的精度评定标准等方面进一步全面的研究。因此,Lidar数据滤波和分类算法的精度评定指标和标准还需要加大研究力度,早日制定标准,规范Lidar数据处理研究领域。在此,希望今后有越来越多的爱好三维空间技术方面的学者致力于Lidar数据的后处理的研究,让Lidar技术越来越成熟,应用越来越广。

栏目分类