基于改進的逐行雙向標識法機載LiDAR數(shù)據(jù)濾波技術(shù)

王 刃，朱新慧，江振治

(1. 信息工程大學 導航與空天目標學院，河南 鄭州 450052; 2. 西安測繪研究所，陜西 西安 710054)

一、引 言

機載LiDAR數(shù)據(jù)濾波技術(shù)是目前的一個研究熱點與難點。現(xiàn)有的機載LiDAR數(shù)據(jù)濾波技術(shù)大致可以分為兩類：一類是數(shù)據(jù)驅(qū)動式濾波算法，另一類是模型驅(qū)動式濾波算法。數(shù)據(jù)驅(qū)動式濾波算法主要有基于數(shù)學形態(tài)學的濾波算法、基于坡度變化的濾波算法、基于TIN結(jié)構(gòu)的分層濾波算法、逐行雙向標識法(one-dimensional and bidirectional labelling，OBL)濾波算法等。模型驅(qū)動式濾波算法主要有基于分層穩(wěn)健線性估計的濾波算法、基于表面自適應的濾波算法、基于樣條插值和區(qū)域增長的濾波算法等[1-6]。這兩類算法在分類點云時，絕大多數(shù)僅僅采用了高程差或坡度作為判斷的依據(jù)，從而只能在地形場景單一，地物表面與地形表面高程差異明顯的區(qū)域，獲得較為理想的濾波結(jié)果。但對于地形場景復雜，地形存在突變或地物表面與地形表面高程差異不大的區(qū)域，則很難獲得理想的濾波結(jié)果[7-9]。

針對目前主要的濾波算子所存在的缺陷，同時兼顧到機載LIDAR系統(tǒng)獲取數(shù)據(jù)的基本原理，筆者提出一種濾波算子——改進的逐行雙向標識法(progressire OBL，POBL)。該濾波算子可有效克服目前濾波算子的缺點，獲得更高準確率的分類結(jié)果。

二、POBL算法的基本原理

POBL濾波算子是對OBL算子的改進，OBL算法是Shan和Sampath于2005年提出的[10]，該算法在過濾點云數(shù)據(jù)時，以剖面為處理單位，并在濾波時采用坡度與高程值兩個判斷尺度，以克服單一尺度的不足。但由于坡度和與高程差有很大的相關(guān)性，在某種程度上只反映了對象的同一屬性，因此該濾波算子只適合連續(xù)變化的地形表面數(shù)據(jù)，對于復雜場景，該算子濾波效果仍將無法得到理想的結(jié)果。

POBL濾波算子針對OBL濾波算子的不足，在濾波時同時采用坡度差值、一維長度尺寸及高程差作為判斷標準，把剖面分割成具有不同一維長度的特征，當特征長度大于閾值l2時，則該特征為地形表面；當特征長度位于區(qū)間[l1，l2]內(nèi)，則為建筑表面；當特征長度小于l1時，則對應的特征為植被表面(如圖1所示)。

圖1 特征長度分割區(qū)

POBL濾波算法的具體實現(xiàn)過程如下：

1) 尋找每一行中高程值最低的點，把該點標為地面點。

2) 從地面點開始向兩端進行標識，一個稱為前向標識， 另一個為后向標識。

3) 為了便于闡述具體的標識過程，首先解釋幾個標簽過程中涉及的概念。

a. 點的屬性，即點所在表面的對象類型，包含3種值，即地面點、非地面點，以及未知點。

b. 當前點的坡度值及坡度差值。A點的坡度值及坡度差值定義為

(1)

式中，ZA為A點處的高程值；ZB為B點處的高程值；SAB為A、B兩點的歐氏距離。

前向標簽過程：

a. 計算當前點的坡度值并和坡度閾值進行比較，如果小于坡度閾值，則根據(jù)前一個點的屬性，判斷當前點的屬性，具體來說分為以下幾種情況：

① 前一點為地面點時，則當前點也為地面點。

② 前一個點為非地面點時，則需要對當前點的坡度值的正負進行判斷。當坡度值為正時，則當前點和前一個點位于同一平面上；反之，搜索前面已標簽過的點中離當前點最近的地面點，利用該點的高程值，以及坡度值對當前點的高程值進行預測，計算預測值和實際高程值之間的差值。當差值小于事先設(shè)定的高程差閾值時，則當前點為地面點；否則計算當前點的坡度差值，并和坡度差閾值進行比較。當小于等于坡度差閾值時，當前點和前一個點位于同一表面上；反之則當前點為未知點。

③ 前一點為未知點時，判斷當前點坡度值的正負，根據(jù)不同符號值，做不同的分類。

當符號值為負時，搜索前面已標簽過的點中離當前點最近的地面點，利用該地面點的高程值及坡度值對當前點的高程值進行預測，并計算當前點實際高程值和該點處預測高程值之間的差，如果差值小于高程差閾值，則當前點為地面點。同時，統(tǒng)計當前點之前的所有未知點的個數(shù)，根據(jù)未知點的總數(shù)，判斷這些點的屬性：當大于長度閾值l2時，則把它們分為地面點；反之，則為非地面點。如果高程差值大于高程差閾值，計算當前點的坡度差值，并和坡度差閾值進行比較，坡度差值小于坡度差閾值，則當前點和前一點位于同一表面上，且為未知點；反之則當前點為未知點，統(tǒng)計當前點之前的所有未知點的總數(shù)，并和長度閾值進行比較，如果未知點的總數(shù)大于長度閾值l2時，則這些未知點為地面點，反之為非地面點。當符號值為正時，計算當前點的坡度差值，并和坡度差閾值進行比較，小于坡度差值閾值，則當前點和前一個點位于同一表面上，且都為未知點；反之，統(tǒng)計當前點之前的所有未知點的個數(shù)，并和長度閾值進行比較，如果大于長度閾值l1，則當前點為未知點，該點之前的所有未知點為地面點，小于長度閾值l1則當前點為未知點，該點之前的所有未知點為非地面點。

b. 當前點的坡度值大于坡度閾值，則根據(jù)前一點的屬性進行判斷，可分為以下幾種情況：

① 前一個點為地面點，則當前點為非地面點。

② 前一個點為非地面點，計算當前點的坡度差值，并和坡度差閾值進行比較，小于坡度差閾值，則當前點和前一個點位于同一表面上；反之則當前點為未知點。

③ 前一個點為未知點時，計算當前點的坡度差值，并和坡度差閾值進行比較，小于坡度差閾值，則當前點和前一個點位于同一平面上，且為未知點；反之則當前點為未知點，統(tǒng)計當前點之前的所有未知點的總數(shù)，并和長度閾值進行比較，大于長度閾值，則當前點之前的所有未知點為地面點，否則當前點的所有未知點為非地面點。

4) 后向標識過程和前向標簽過程是一致的。

5) 當標識過程遇到一行的端點時，如果所有點都被賦予了具體的屬性值時，則標識過程結(jié)束；如果還有一些點沒有被賦予具體的屬性值，則統(tǒng)計所有剩下的未知點的個數(shù)，并和長度閾值進行比較，根據(jù)比較結(jié)果賦予相應的屬性閾值。

6) 在標識完之后，在剖面中進行線性擬合，進一步剔除非地面點。

三、試驗結(jié)果與分析

試驗區(qū)域位于地面平坦的郊區(qū)，主要地物為建筑和植被，其中植被包括樹木、草坪等，并且草坪表面與地形表面較為貼近，建筑中有部分表面積非常平坦。整塊數(shù)據(jù)包含了1 227 593個離散點，其中，Z值最大為143.24 m，最小為92.99 m，數(shù)據(jù)采樣密度為1.2點/m2(如圖2—圖3所示)。

圖2 原始點云數(shù)據(jù)

試驗首先利用基于小波分層原理的濾波算子、基于漸進窗口尺寸的數(shù)學形態(tài)學濾波算子，以及分層穩(wěn)健線性估計濾波法，分別對試驗數(shù)據(jù)進行濾波處理，并獲取相應的濾波結(jié)果；然后把經(jīng)典濾波算子獲取的濾波結(jié)果和POBL濾波算子獲取的濾波結(jié)果進行比較。與此同時，還利用TerraScan軟件通過人工編輯的方式獲取了對應區(qū)域的DEM作為參考，并通過比較其他濾波方式獲取的DEM與參考值之間的差異，獲取對應的統(tǒng)計結(jié)果，這里的DEM高程差異閾值設(shè)為15 cm，試驗結(jié)果如圖4—圖7所示，表1為對應的精度統(tǒng)計結(jié)果。

圖3 對應的航空照片

圖4 POBL濾波獲取的地面點

圖5 漸進窗口尺寸數(shù)學形態(tài)學濾波算子獲取的地面點

圖6 小波分層濾波獲取的地面點

圖7 分層穩(wěn)健線性估計濾波獲取的地面點

試驗中各濾波算子的參數(shù)設(shè)置為：POBL算子坡度差閾值為8o，高程差閾值為0.3 m，坡度閾值為10°，長度閾值為100 m；小波分層濾波算子最大窗口尺寸為100 m，坡度閾值為10°；漸進窗口尺寸的數(shù)學形態(tài)濾波算子高程差值閾值為0.3 m，最大窗口尺寸為100 m，坡度閾值為10°；分層穩(wěn)健線性估計濾波算法C(0)為1，c為60，坡度閾值為10°。分析對比圖4—圖7可以發(fā)現(xiàn)，經(jīng)典濾波算法對試驗數(shù)據(jù)進行濾波時，位于幾個建筑物屋頂表面面積較大的激光腳點出現(xiàn)了錯誤分類的情況(深灰色圓圈內(nèi))，而POBL濾波算子則有效地避免了這一情況的出現(xiàn)。這主要是因為前3種濾波算子受限于窗口尺寸與地形細節(jié)保留之間的矛盾，當濾波窗口尺寸較小時，就會導致錯誤分類；而當濾波窗口尺寸較大時，則會導致地形細節(jié)被忽略。而POBL濾波算子則可以同時兼顧地形細節(jié)保留與大面積建筑物表面點的有效剔除，各類濾波算子的性能統(tǒng)計見表1。

表1 各類濾波算子的性能統(tǒng)計表

由表1可以發(fā)現(xiàn)，POBL算法獲取的濾波結(jié)果內(nèi)插的DEM精度為0.61 m，而其他3種濾波方法獲取的DEM精度在0.91 m左右。

四、結(jié)束語

POBL濾波算法從原理上基本能夠適應各類地形背景下的數(shù)據(jù)濾波，特別是對低矮植被點及地形突變的環(huán)境可以取得較好的濾波結(jié)果。同時，該算法有效擺脫了對最大窗口尺寸的依賴，可同時兼顧地形細節(jié)保留與大面積建筑表面點的有效剔除。

參考文獻：

[1] 黃先鋒，李卉，王瀟，等.機載LiDAR數(shù)據(jù)濾波方法評述[J].測繪學報，2009，38(5)：466-469.

[2] 王金亮，陳聯(lián)君. 激光雷達點云數(shù)據(jù)的濾波算法評述[J].遙感技術(shù)與應用，2010(25)：632-637.

[3] 王明華，張小紅，曾濤，等. 機載LiDAR數(shù)據(jù)濾波預處理方法研究[J].武漢大學學報：信息科學版，2010，35(2)：224-227.

[4] 蔣晶鈺，張祖勛，明英. 復雜城市環(huán)境的機載LiDAR點云綠波[J].武漢大學學報：信息科學版，2007，32(5)：402-404.

[5] 成曉倩，趙紅強. 基于區(qū)域生長的LIDAR點云數(shù)據(jù)濾波[J].國土資源遙感，2008(4)：6-8.

[6] 李卉，李德仁，黃先鋒，等.一種漸進加密三角網(wǎng)LiDAR點云濾波的改進算法[J].測繪科學，2009(34)：39-41.

[7] 張玉方，程新方，歐陽平，等. 機載LiDAR數(shù)據(jù)處理及其應用綜述[J].工程地球物理學報，2008(5)：119-123.

[8] 熊娜，程新文. LiDAR數(shù)據(jù)特點及其濾波分類方法[J].中國水運，2008(8)：151-154.

[9] 刁鑫鵬，吳侃. 改進的移動窗口曲面擬合法點云數(shù)據(jù)濾波處理[J]. 現(xiàn)代礦業(yè)，2011(6)：59-61.

[10] Jie Shan, Aparajithan Sampath. Urban DEM Generation from Raw LiDAR Data: A Labeling Algorithm and Its Performance[J]. Photogrammetric Engineering & Remote Sensing，2005,71(2)：217-226.