立體匹配點云數據融合去噪算法

左志奇++盧坤

摘 要本文基于模型立體匹配得到的點云數據，針對不同模型間點云差異問題，提出了一種多模型點云融合去噪策略，該策略可以進一步剔除點云數據中的噪聲，得到一致性好、精度高的區域DSM數據。實驗證明，本文算法可以有效提高DSM的精度和可靠性。

【關鍵詞】匹配點 云數據 去噪算法

1 前言

通常情況下，影像密集匹配以模型為單位，為了獲得整個區域的DSM，需要融合所有模型的立體匹配點云數據。雖然在模型密集匹配過程中采用了多種策略剔除粗差，如中值濾波、小面積區域剔除、視差一致性檢查，但由于影像質量以及匹配精度等方面的局限性，匹配結果經常存在少量噪聲，模型間點云或多或少存在不一致的現象，需要通過融合去噪來得到高精度的區域DSM。

同時，考慮到半全局優化密集匹配算法等模型密集匹配算法獲得的三維點云數據量非常龐大，不同模型間點云數據重疊度大，且存在點云數據不一致的問題，因此本文設計了一種多模型間的立體匹配點云數據融合去噪算法，該算法對點云中的粗差剔除效果明顯，精度可以滿足后續生產的需求。

2 多模型點云融合去噪算法

本文的融合去噪算法步驟如下：

2.1 區域點云數據分塊

本文的區域點云分塊是將點云數據按一定間距分塊處理，分塊處理的原因是點云數據量一般很大，整個區域點云數據難以一次性處理。

2.2 點云數據格網化與格網最優點獲取

將每個公里網的點云數據按一定格網間距建立格網索引，即記錄每個格網內的所有點索引號，然后采用中值濾波算法獲得格網最優點，即對格網內所有點的高程值進行中值濾波，以濾波后得到的中值點作為該格網的最優點。需要注意的是采用的格網間距不能太小，每個格網中的點數均值一般應大于20個，點數太少噪聲去除效果不明顯，格網間距也不能太大，否則會過多丟失細節，本文中的格網大小按平均格網內點數20個計算獲得。

2.3 基于不規則三角網的點云數據加密

經過步驟2.2得到的格網最優點一般較為稀疏，會造成一定的細節丟失，可以采用漸進三角網加密的方式獲得細節更加豐富的點云數據。具體方法是首先采用格網最優點構建不規則三角網，作為初始的DSM表面，然后遍歷三角網中每一個三角形，對落在三角形平面內的原始點逐個判斷，將距離和角度小于設定閾值的點添加進來作為最終的融合結果，其中漸進三角網加密算法的詳細介紹見文獻[3]。

3 實驗結果

為了驗證方法的有效性，本文選取了某區域航空影像數據進行實驗，立體模型匹配采用半全局優化密集匹配，采用點云剖面圖的形式展示點云融合去噪效果，結果如圖1所示。其中（a）區域整體概覽圖，A和B為選擇的剖面對比區域，（b）為區域A的剖面圖，灰色為去除的噪聲點，（c）為區域A保留的點云數據，（d）為區域B的剖面圖，灰色為去除的噪聲點，（e）為區域B保留的點云數據。可以看出融合去噪后剔除了不一致的噪聲點云數據，保留的點云數據在光滑性和一致性方面明顯改善。

4 結論

為了解決模型之間匹配不一致的情況，本文研究了一種多模型點云融合去噪算法，該算法可以有效剔除多模型點云數據中的噪聲點，改善了DSM的質量。通過航空影像數據的實驗表明，本文算法可以得到質量高、可靠性強的DSM產品，具有廣闊應用前景。

參考文獻

[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]張祖勛，張劍清.數字攝影測量學[M].武漢：武漢測繪科技大學出版社，1996.

作者單位

中國人民解放軍61175部隊 湖北省武漢市 430000