一種高效的機載LiDAR點云分類方法研究

李亞男，王 駿， 道勇

(福建省電力勘測設計院，福建 福州 350003)

1 概述

福建省大多數風電場選址位于山區植被茂盛、水域復雜的地區，采用傳統的航空攝影測量方法容易受到空中管制、天氣條件等眾多因素的影響，而且數據獲取成本非常高。隨著無人機技術的發進步和發展，無人機低空攝影測量技術的作業方式機動靈活，能夠快速獲取高分標率的影像，而且對天氣要求較低，數據獲取成本低，因此在風電場地形測量中得到了廣泛的應用。由于福建省大部分山區樹木的遮擋嚴重，傳統的航空攝影測量和無人機低空攝影測量技術，無法獲取樹下地面真實情況，因此需要大量的外業修測工作，才能滿足風電場大比例尺地形圖的測繪需求。機載LiDAR測量技術是以飛機作為測量平臺，以激光掃描測距系統為傳感器，能實時獲取地形表面的三維空間信息，還能提供一定的光譜信息，通過主動向目標地表發射激光脈沖獲取地表的三維信息，突破了傳統航空攝影測量被動成像的局限性。其最大的優勢是能夠快速獲取包括地面點和樹頂點在內的點云信息，通過對點云進行分類，不僅可以獲取準確的地面點，還可以獲取樹木高度信息等。LiDAR點云的濾波和分類提取在整個數據后處理中大約占60%～80%的工作量。在眾多LiDAR點云分類算法中，各種數據過濾和分類算法都還有一定的局限性。尤其是植被茂盛遮擋嚴重和水域情況復雜的地區，常規的分類方法得到的地面點較少，而且容易出現將樹上的點錯分為地面點，甚至將地面點錯分為孤立點或高程異常點。同時，在水域經常出現高程異常點無法剔除。因而需要大量的手工分類，才能得到足夠的地面點，導致分類自動化程度低，效果不理想和生成的DEM精度低等問題，這也成為機載LiDAR技術在在植被茂盛和水域復雜地區難以廣泛、高效的應用的主要原因。

本文主要介紹了一種有效、快速對LiDAR點云進行分類的方法以及高精度DEM和樹高模型的制作方法，便于為風電場選址提供高精度DEM和樹高模型，主要操作流程見圖1。

圖1 LiDAR數據處理流程

2 點云濾波和分類

本文提供一種以自動分類為主，結合人工檢查和手工分類的多重反復分類的方法：首先對點云進行濾波，剔除粗差點；然后通過自動分類的方法，得到粗略的地面點；然后檢查分類結果，適當調整自動分類參數，重新進行分類，直到自動分類結果比較契合實際地形；然后結合外業實測數據和DOM數據進行檢查和分析，對于重點區域，再次進行人工檢查和手工分類；最后使用地面點生成三角網(或等高線)，結合三角網(或等高線)中高程異常區域再次進行人工檢查和手工分類。這種分類方法的操作流程見圖2。

圖2 地面點分類流程

2.1 點云濾波

在進行點云分類之前，首先要進行濾波剔除高程異常點，如圖3(a)中紅色線框中位于池塘的一個點比周圍臨近點高程低111.58 m，屬于高程異常點，應予刪除。針對植被茂盛和水域復雜的區域，在濾波過程中，要著重考慮樹下點被錯分的可能性，如圖3(b)紅色線框內位于樹下的兩個點，其高程值分別比臨近點高程低57.19 m和79.85 m，這兩個點數據高程異常點應予剔除；圖3(c)中紅色線框內位于樹下的一個點屬于正常地面點，不應剔除。因此，針對植被茂盛區域，位于樹下的地面的點很少，這些點比較符合高程異常點的特征，但是又不是高程異常點，因此，在濾波剔除粗差點的時候，要根據區域特點，不斷調試參數，從而將真正的高程異常點剔除。同時，還可以在點云分類完成后，生成等高線，檢查是否存在高程異常點，有針對性地剔除。

2.2 多次自動分類

在風電場選址中，對點云分類最主要的需求是分離出地面點和高植被點。常規軟件提供的自動分類地面點的功能主要是通過設置最大建筑物邊長、地表最大坡度、當前點與三角網的距離和夾角等參數來實現。本文根據測區地形特點使用不斷修改參數、多次反復自動提取地面點的方法，直至提取的地面點契合實際地形。相對傳統的一次直接提取地面點的方法而言，多次提取地面點可以得到更加真實準確的地面點，構建的三角網更加細密均勻，見圖4。圖4(a)是在植被茂盛區域一次自動分類得到的地面點，可見大部分地面點無法分類出來，而且局部出現錯誤分類，圖4(b)是通過多次反復自動分類得到的地面點，可見大部分的地面點被識別出，錯誤分類較少，分類效果較好。

圖3 高程異常點識別

圖4 不同自動分類方法分類效果

2.3 人工檢查和手工分類

良好的地面點自動分類方法，可以將大部分地面點提取出來，但是針對地形突變和特殊地形區域，自動分類可能存在錯誤分類，因此在自動分類后，對特殊地形區域，進行人工檢查，并對錯誤分類的點手工分類。手工分類時，參照DOM和實測數據，通過截取地形剖面，根據點的高度和位置以及與其他已明確類別的點之間的關系，結合地形特點，逐點或批量修正點的類別，見圖5。其中，圖5(a)是一塊梯田區域的DOM，圖5(b)是自動分類得到的地面點(地面點為粉紅色)，紅色框內為該區域構建的三角網，圖5(c)是經過人工檢查和手工分類后，得到的地面點，紅色框內為構建的三角網，可見，經過多次自動分類，地面點大部分可以分出來，但是對于梯田、陡坎等特殊地形，還存在一些誤分類的點，通過人工檢查和手工分類，可以準確區分出地面點，生成的三角網更加精細，能夠準確地反應地面真實情況。通常三角網邊長越長的區域，地面點越少；林木茂盛的區域，地面點也會較少，而且容易出現將樹上的點錯分為地面點。同時，由于風電場地形圖對風機位、進場道路和升壓站等區域的高程精度要求較高，因此這些區域要進行重點檢查和詳細分類。

2.4 輸出DEM和樹高模型

利用地面點制作的DEM和樹高模型的精度取決于地面點或植被點的數量和精度。使用類似地面點分類的方法，得到樹上的點(高植被點)，將有高植被點的區域賦值為植被點減去地面點的高度，沒有植被點的區域賦值為NODATA。通過DOM查看植被的稀疏程度，設定構建的三角網邊長范圍，以減少在植被區域出現空洞或者將沒有樹木的區域進行構網。所以在樹高模型中，NODATA的區域為沒有樹木的區域，其他區域為有樹木的區域，而且樹高即為該區域的數值，見圖6。其中圖6(a)為DOM，圖6(b)為對應的樹高模型(藍色區域為NODATA)。在實際工程應用中發現，該方法可以快速準確估算測區林木面積和樹高。

圖5 人工檢車和手工分類前、后效果比較

圖6 林木區域的DOM和樹高模型

3 精度分析

為了檢驗生成的DEM的精度，通過653個外業實測高程點與DEM對應位置的高程值進行比較(其中位于植被茂盛區域的點239個，植被稀疏區域的高程點414個)，見表1。可見，在植被茂盛的區域，使用本文提供的分類方法制作的DEM平均高程誤差為0.57 m，使用傳統的分類方法制作的DEM平均高程誤差為1.23 m，在植被稀疏區域，制作的DEM精度分別為0.26 m和0.52 m，可見使用本文提供的點云分類方法，制作的DEM高程精度較高。而且在水域復雜地區，本文提供的分類方法沒有出現高程異常。

表1 DEM高程精度分析

4 總結

本文針對在林木茂盛地區和水域復雜地區，LiDAR點云數據分類困難的問題，提出了一種通過點云濾波和多次反復自動分類，并結合人工檢查和手工分類的點云分類方法，能夠得到精度較高的地面點和植被點，便于生成高精度DEM和制作樹高模型。實驗表明，本文提出的點云濾波和分類方法可以有效、快速對植被茂盛和水域復雜區域的點云進行準確分類，生成的DEM精度滿足要求，樹高模型制作方法簡便，便于統計樹高和面積。

參考文獻：

[1] 張祖勛，張劍清．數字攝影測量學[M]．武漢：武漢大學出版社，2013．

[2] 杜德竹．基于組合寬角相機低空攝影的城市建筑物三維模型構建[D]．徐州：中國礦業大學，2010．

[3] 張曉東，竇延娟．機載激光雷達技術在電力選線工程中的應用[J]．長江科學院院報，2010，27(1)．

[4] 張利明．機載激光雷達點云數據方法研究[D]．成都：西南交通大學，2010．

[5] 龔亮．機載LiDAR點云數據分類技術研究[D]．鄭州：解放軍信息工程大學，2011．