正射影像輔助下的LiDAR點云構建DEM方法

郭 冰，余 騰，秦育羅

（1.宿遷學院 建筑工程學院，江蘇 宿遷 223800）

數字高程模型（DEM）是對地表的一種數字表達形式[1]。對于大范圍的DEM 生產，航空攝影測量是通常采用的主要手段[2]，但大量像控點的布設及較長時間的空三加密影響了作業效率。機載激光雷達（LiDAR）作為一種主動式對地觀測系統[3]，能夠直換獲取地表三維坐標，不需要進行正射校正，適合DEM 制作。由于LiDAR 點云數據包含了所有地面點和地物點，因此需要將其進行分類[4]，即通過濾波處理獲得表達地表形態的地面點云，再由地面點構建DEM。

目前的點云濾波算法較多，較為成熟的是Axelsson創建的基于不規則三角網的濾波算法[5]，已經在商業軟件中得到應用。在實際生產中，由于地物地貌的復雜性，點云濾波自動分類精度不高，還需對算法自動分類出的點云進行進一步的提取。大量研究表明，融合LiDAR 點云和其他數據源進行點云分類能夠改善單一利用LiDAR 點云分類的精度[6-8]。目前，常規機載激光雷達系統配備有成像設備，能夠獲取地表的航空影像。而影像在空間分辨率和紋理信息上具有明顯優勢，且影像上不同地物間的空間關系清晰，可以作為點云數據的有效補充[9-11]。本文基于TerraSolid 平臺研究結合LiDAR 點云與航空影像制作高精度數字高程模型的方法。

1 實驗數據與技術流程

1.1 實驗數據

實驗區域為1 km2大小，包括開闊地、植被、大小型建筑物、道路及農田等。本次實驗采用徠卡ALS50-II系統采集點云數據，并配備CCD 相機獲取測區航空影像。同時，在測區內架設GNSS 基準站，采用載波相位差分技術獲取傳感器的精確坐標。實驗采集的數據包括原始激光點云數據、航空影像、基站GNSS 數據、機載GNSS 和IMU 數據。

1.2 技術流程

實驗技術流程主要包括數據預處理和數據后處理兩部分，見圖1。數據預處理主要利用GNSS 基站數據對機載GNSS 和IMU 數據動態差分處理解算出精確航跡，然后與原始激光點云數據結合生成帶有精確三維坐標的激光點云數據。這一部分主要利用系統配套軟件進行處理。預處理后的點云在TerraSolid 平臺中經去噪、濾波后得出粗略地面點，并經抽稀提取地面關鍵點。在此基礎上，進行空三加密生成數字正射影像（DOM）。最后，將粗分類點云與DOM 配準，由少量人工干預獲得精確地面點點云，構建DEM。

圖1 技術流程

2 TerraSolid平臺下的DEM生成

TerraSolid 是目前最為成熟的商業化LiDAR 點云數據處理平臺[12]，它包含多種數據處理模塊[13]。本次實驗中所用到的是TerraScan 和TerraPhoto 模塊。其中TerraScan 模塊為點云處理模塊，主要是實現點云自動分類，該過程就是基于不規則三角網算法實現的，而TerraPhoto 模塊為正射影像制作模塊，可以實現在無地面控制點的條件下，生產正射影像[14]。

2.1 點云濾波分類

原始激光點云中包含一定數量的低點、空中點等各種類型噪聲點，需要在分類前剔除。由于噪聲點的高程與周圍點相差很大，因此可以給定閾值設置一個判別范圍，通過高程值的比較剔除噪聲點。

2.1.1 濾波分類的基本原理

不規則三角網濾波算法的思路是遍歷所有數據后選擇最低點作為種子地面點構建初始三角網，再通過判斷新加入的非地面點到三角面的距離和構成的角度是否在閾值范圍之內，在閾值范圍內的判定為地面點，超出閾值范圍的判定為非地面點，直到所有的候選點都通過篩選[5,15]。

2.1.2 濾波分類結果與分析

結合實驗區地形條件和地物分布現狀，通過不斷調整地面點分類參數，進行點云分類。圖2 為濾波分類后的點云，為評價濾波質量，選取三塊不同特征區域進行分類誤差的定量和定性分析。區域1 為尺寸較小的建筑物密集區，區域2 為水稻田，屬于低矮植被，區域3 為大型建筑物。

圖2 濾波分類后點云

對濾波結果的評價主要是依據出現I 類和II 類誤差的概率。第I 類誤差是錯誤地將地面點分類到地物點，第II 類誤差是錯誤地換收地物點并歸入地面點[16]。結合正射影像，對該三塊區域分別進行對比分析，通過人工判讀的方式獲取分類后點云對應的實際類別。經統計誤差點數量后，得出的定量結果如表1 所示。

表1 濾波算法定量分析結果

誤差結果分析：

1）I 類誤差的統計結果。區域1 內的誤差點主要分布在建筑物前有植被的地方，由于這些植被高度較低，在濾波過程中易被誤分為地面點。區域2 中水稻生長高度低，許多田坎上的激光點被誤分為植被。個別地方還出現了數據空洞，這是由于激光點打在水面上造成了漫反射。區域3 為一棟大型建筑物，建筑物高度比周邊地面要高出很多，濾波效果良好，但其附屬建筑結構復雜，高低不一，對于墻體立面和面積比較小的建筑物如煙囪部分，濾波效果不好，有些地面點被誤分為建筑物點和植被點。

2）II 類誤差的統計結果。區域1 中的II 類誤差點主要分布在水稻田的田坎上，這是由于水稻和田坎的高度近似，算法誤將地面點判斷為植被點；區域2 中的II 類誤差點與區域1 類似；區域3 中的II 類誤差點主要分布在建筑物內部和建筑物邊緣復雜的部分。與I 類誤差相比，II 類誤差一般較小，這是因為濾波算法為保證地面點的準確性，首先控制II 類誤差，在此基礎上再盡可能降低I 類誤差。

可以看出，不規則三角網濾波算法能較好地維護地形特征，減少地面損失，濾波精度較高。但該算法對于低矮植被區域和小型建筑物密集區域的濾波效果不是很好，需要不斷調整濾波參數的設置。

2.2 DOM 生成

在TerraPhoto 模塊中，依據相機參數、POS 數據和模型關鍵點數據進行空三加密獲得影像外方位元素，再通過逐片微分糾正生成DOM。

1）外方位線元素計算。利用航跡文件、相機文件、相片曝光的GNSS 時間文件計算外方位線元素。其計算精度主要取決于相機校正參數。

2）模型關鍵點提取。點云濾波自動分類后得到的是粗略地面點，由數據抽稀后獲得地面關鍵點點集，如圖3 所示，并根據給定的精度構建地面三角網模型，即初始DEM。

3）初始正射影像生成。利用模型關鍵點和影像外方位元素逐片糾正，再進行勻光勻色處理生成初始正射影像。

4）外方位角元素計算。在自動匹配連換點的基礎上，通過人工選取匹配點，不斷迭代，直到外方位角元素增量小于閾值，如圖4 所示。

5）正射糾正。在TerraPhoto 模塊中，利用初始DEM 和修正后的外方位元素進行正射糾正，生成精確正射影像圖，結果如圖5 所示。

圖4 人工增加匹配點

圖5 精確正射影像圖

2.3 DOM 輔助下的點云分類

2.3.1 數據配準

正射影像生成后，將自動分類得到的點云數據與正射影像進行配準疊加處理。由于本次實驗是LiDAR系統同時對同一地區進行觀測，所以點云數據和影像數據的POS 是一致的，故兩者是在同一個坐標系中，可采用坐標匹配的方法實現兩者配準，如圖6所示，可以看出點云數據離散著位于影像上，沒有出現點云重疊跡象，這有利于下一步的人工判斷和編輯。

2.3.2 點云分類

針對點云自動分類中的錯分、漏分等問題，在疊加正射影像后，使某一特定的點云提取圖層按亮度顯示，采用人工檢查的方式，修改錯分和漏分的點云屬性。在分類時，如遇到地物間灰度值相似的情況，可以在剖面視圖下由高程值的大小進行區分。通過人工干預，對點云進行再次分類，剔除了很多小型建筑物、低矮植被及溝渠中的激光點，得到了精確的地面點點云，如圖7 所示。

圖6 疊加正射影像的點云（局部）

圖7 地面點點云

對比點云自動分類和正射影像輔助下的點云再次分類的結果，絕大部分錯分和漏分的點都被正確歸類到所屬的類別中。具體結果見表2。

表2 人工干預處理結果

2.4 DEM 制作

在獲得精確地面點點集后即可生成數字高程模型。由于個別區域仍存在錯分類的情況，此時DEM并不光滑。這就需要參照影像，在剖面視圖下，對異常點的屬性進行修改。待對所有模型進行詳細修改后，便可通過TerraScan 模塊輸出DEM，如圖8所示。

圖8 實驗區DEM

2.5 精度檢測

以DEM 和數字正射影像為參考，依據地形情況，在實驗區內布設了58 個檢查點。采用GNSS 差分技術實測了每個檢查點的高程，并計算DEM 內插高程值與實測值之間的殘差。結果顯示高程中誤差為0.279 m，并且所有點的高程都達到了±0.3 m 的高程精度，小于標準中誤差的要求。

3 結 論

本文提出了在TerraSolid 平臺上結合LiDAR 點云和航空影像的DEM 生成方法。該方法表明在點云自動濾波的基礎上，結合正射影像對點云數據進行再次分類，通過少量的人工編輯，可以有效提高濾波分類的正確率，進而獲得精確的地面點點集，生成的DEM 能夠滿足精度要求。因此在實際工程中，采用此方法能在一定程度上提高DEM 生產的精度和效率。但在正射影像輔助下，如何提高點云精確分類的自動化程度還需要作進一步研究。