LiDAR-DP軟件對點云數(shù)據(jù)自動分類結(jié)果分析

董倩茹

(甘肅省測繪工程院, 甘肅 蘭州 730000)

0 引言

機載激光雷達是將激光用于回波測距和定向,并通過位置、徑向速度及物體反射特性等信息來識別目標。機載激光雷達是基于激光掃描技術(shù)、全球定位系統(tǒng)(global positioning system,GPS)技術(shù)和慣性導航技術(shù)集成的一個軟硬件系統(tǒng),也是遙感測量領(lǐng)域的一門新興技術(shù)。

激光雷達(light detection and ranging，LiDAR)系統(tǒng)可以采集到慣性測量單元(inertial measurement unit,IMU)數(shù)據(jù)、GPS數(shù)據(jù)、坐標數(shù)據(jù)、高程數(shù)據(jù)、回波強度、數(shù)碼照片等,最終地物的三維坐標及回波強度等信息會輸出到Las格式的點云文件中。Las格式(.las擴展名)是LiDAR點云的標準交換數(shù)據(jù)格式,是由美國攝影測量與遙感學會(American Society for Photogrammetry and Remote Sensing,ASPRS)下的LiDAR委員會于2003年開始發(fā)布的LiDAR數(shù)據(jù)的標準格式。

機載激光雷達點云數(shù)據(jù)處理軟件(light detection and ranging-data processing，LiDAR-DP)軟件是一套擁有自主知識產(chǎn)權(quán)的國產(chǎn)軟件,是中煤(西安)航測遙感研究院有限公司開發(fā)的機載LiDAR點云數(shù)據(jù)處理軟件。該軟件提供了一系列全流程、智能化的機載LiDAR點云數(shù)據(jù)處理工具,支持海量點云批處理,能夠快速生成數(shù)字表面模型(digital surface model,DSM)、數(shù)字高程模型(digital elevation model,DEM)和等高線等基礎(chǔ)測繪產(chǎn)品。

1 項目及數(shù)據(jù)概況

本文結(jié)合黃河干流臨夏永靖至黃河石林LiDAR影像處理及數(shù)字地形圖更新項目,以機載LiDAR點云數(shù)據(jù)作為數(shù)據(jù)源,LiDAR-DP軟件為研究對象,對其漸進三角加密濾波算法對點云自動分類的效果進行探討,并針對不同地物、地形、地貌總結(jié)出一套可行的解決方案,為今后使用該軟件對點云數(shù)據(jù)處理,提供經(jīng)驗與方法。

本項目LiDAR點云數(shù)據(jù)于2020年8月,由塞斯納208飛機搭載GalaxyPrime航攝儀獲取,絕對航高為5 900 m,航帶旁向重疊度：平均重疊度為33%,整體重疊度為16%～58%。機載LiDAR掃描點云分布均勻、無異常點,點間距優(yōu)于2 m,平均點密度0.7點/m,高程精度±0.108 m。攝區(qū)范圍包括黃河甘肅段部分區(qū)域,地處甘肅省中部、黃河上游區(qū)域。

2 LiDAR-DP軟件對點云數(shù)據(jù)自動分類

2.1 漸進三角加密濾波算法

LiDAR-DP軟件在自動分類中使用的是一種利用單次或者多次激光回波數(shù)據(jù)剔除非地面點,保留地面點的濾波算法：漸進三角網(wǎng)加密濾波算法,該算法屬于基于不規(guī)則三角網(wǎng)(trianglated irregular network,TIN)的濾波算法。類似的算法還有基于坡度的濾波算法、基于數(shù)學形態(tài)學的濾波算法、移動曲面擬合法、基于掃描線的濾波算法、基于聚類分割的濾波算法。

漸進三角網(wǎng)加密濾波算法的主要原理是在測區(qū)內(nèi)按照指定大小進行分塊,選擇分塊內(nèi)的最低點作為種子點,用這些種子點構(gòu)建一個初始TIN,然后根據(jù)一定的閾值,根據(jù)不規(guī)則三角形內(nèi)激光腳點距三角形面的距離來判斷其是否為地面點,再利用已知的地面點構(gòu)建一個新的TIN,如此迭代,直到?jīng)]有新的地面點加入為止。

漸進三角網(wǎng)加密濾波算法存在的問題有：①主要依賴種子點的選取精度；②地面點判斷的準則較單一；③加密精度對噪聲較敏感。

2.2 LiDAR點云數(shù)據(jù)情況分析

經(jīng)過對測區(qū)范圍內(nèi)的點云分類數(shù)據(jù)進行分析,發(fā)現(xiàn)測區(qū)河流等易形成鏡面反射的區(qū)域較多,主要以下幾個特點：

(1)由于本次項目范圍主要包括黃河干流及兩岸沿線區(qū)域,測區(qū)內(nèi)水庫、湖泊、河流,造成LiDAR激光束被水體吸收,導致回波信號的缺失。

(2)在機載LiDAR掃描過程中,不但存在系統(tǒng)誤差和偶然誤差,還存在極高點和極低點。極高點可能是激光脈沖受到空中個別物體，如旗桿；低飛飛行物，如飛鳥等的干擾,形成高位粗差,也會因為激光測距儀本身原因或者地面目標對激光產(chǎn)生多路徑效應產(chǎn)生低位誤差。這些粗差點被稱為噪聲點,判別方式是與局部鄰近點存在高程突變或者頻率突變。

(3)在本測區(qū)中由于黃河中存在大量泥沙、船只,造成在黃河干流水域內(nèi)部存在大量偽地面點。

(4)在本測區(qū)中存在森林植被密集覆蓋區(qū)域,LiDAR點云穿透率低,造成這部分區(qū)域LiDAR點云地面點的反射率也偏低,難以找到地面點。

(5)由于測區(qū)涵蓋甘肅省省會城市蘭州,蘭州又是西北地區(qū)鐵路、公路、水路、航空兼?zhèn)涞木C合性交通運輸樞紐,所以測區(qū)內(nèi)部存在大量高架路、橋,造成相鄰地物邊緣存在點云數(shù)據(jù)的高程突變,對點云數(shù)據(jù)的分類有一定影響,且此類區(qū)域缺失地面點。

(6)機載LiDAR是通過接收被目標反射回來的激光脈沖來獲取目標物的信息,回波的強度與目標的材質(zhì)有關(guān)。除了水體以外,有些物體對激光的吸收程度也很大,例如：深色材料、瀝青路面等,該區(qū)域會出現(xiàn)缺失回波點的情況。

2.3 點云數(shù)據(jù)的預處理

LiDAR點云數(shù)據(jù)在自動分類之前需要進行預處理,預處理分為4個步驟：(1)高程系統(tǒng)的轉(zhuǎn)換。(2)自動消除冗余點。(3)點云分塊。(4)自動分類噪聲點。

2.3.1

高程系統(tǒng)的轉(zhuǎn)換

提供的點云數(shù)據(jù)平面坐標系為2000國家大地坐標系,高斯-克呂格投影,高程系統(tǒng)為大地高。先將甘肅省似大地水準面精化成果(*.bin)文件轉(zhuǎn)為(*.txt)文件,然后利用LiDAR-DP軟件中的坐標轉(zhuǎn)換工具選擇高程改正,在參數(shù)設(shè)置中選擇之前轉(zhuǎn)換好的高程異常值(*.txt)文件,將大地高轉(zhuǎn)化為正常高。

2.3.2

自動消除冗余點

使用的是LiDAR-DP軟件中消除冗余的功能。該功能能夠自動識別并剔除點云條帶間的重疊數(shù)據(jù),支持多個條帶批量自動處理。

2.3.3

點云分塊

使用LiDAR-DP軟件工具中的點云分塊工具,可以按照生成的標準圖幅框、自定義大小或者自定義數(shù)據(jù)塊數(shù)目,對點云數(shù)據(jù)進行分塊。由于攝區(qū)總面積為10 440 km,攝區(qū)有63條航線,72條數(shù)據(jù),點云數(shù)據(jù)量太大,所以對點云數(shù)據(jù)進行了分塊,分塊的尺寸取決于數(shù)據(jù)處理軟、硬件性能。

2.3.4

自動分類噪聲點

LiDAR-DP軟件支持對離散噪聲(粗差)點和密集噪聲點的自動識別。需要設(shè)置的參數(shù)為采樣半徑和分類為低點的閾值。

2.4 點云數(shù)據(jù)自動分類

點云分類主要是利用LADAR-DP軟件中的點云分類批處理功能,利用其改進的漸進三角網(wǎng)加密濾波自動算法將點云數(shù)據(jù)按照地面點(Ground)和未分類點(Unclassify)進行分類分層。自動分類效果對比如圖1所示。

(a)山地自動分類前 (b)山地自動分類后

(c)平地自動分類前 (d)平地自動分類后

濾波的普遍情況是在地形起伏緩慢的地方濾波效果較好,但出于地形結(jié)構(gòu)線附近的地面點往往因為坡度或者高程變化較大而被誤分至未分類點。

2.5 LADAR-DP軟件自動點云分類情況分析

為了提高自動濾波的精度,提高整體工作效率,本項目使用了人機交互的半自動混合濾波方法。下列情況分別用點云數(shù)據(jù)圖、DEM暈渲圖、數(shù)字正射影像圖(digital orthophoto map,DOM)進行展示。針對本項目地物、地形、地貌特點,對LADAR-DP軟件在激光雷達數(shù)據(jù)濾波算法自動點云分類結(jié)果,做出以下情況分析。

2.5.1

對建筑物的分類情況

具體情況如圖2所示。

(a)規(guī)則建筑物分類 (b)不規(guī)則建筑物分類

(c)依山而建房屋分類

經(jīng)分析可以得出如下結(jié)論：

(1)對規(guī)則建筑物的分類基本準確。

(2)在不規(guī)則形狀建筑物時,尤其是建筑物存在高低錯落的情況,容易出現(xiàn)錯分、漏分的現(xiàn)象,解決方式主要依靠錯分點重新分類方法。

(3)在依山而建的房屋處,分類比較混亂,解決方式主要依靠添加斷裂線約束。

2.5.2

對橋梁和高架路的分類情況

具體情況如圖3所示。

(a)大規(guī)模的橋梁和高架路

點云斷面圖 (b)大規(guī)模的橋梁和高架路

影像圖

(c)小面積橋梁點云斷面圖 (d)小面積橋梁影像圖

經(jīng)分析可以得到以下結(jié)論：

(1)對規(guī)模較大的橋梁和高架路的分類基本準確。

(2)在小面積橋梁上容易存在錯分、漏分的現(xiàn)象。解決方式主要依靠錯分點重新分類方法。

2.5.3

對植被覆蓋地表的分類情況

具體情況如圖4所示。

(a)植被稀疏分類 (b)樹木茂盛分類

(c)密集農(nóng)作物分類 (d)大面積溫室大棚分類

從圖中可以得到如下結(jié)論：

(1)植被稀疏區(qū)域分類基本準確。

(2)樹木植被茂盛區(qū)域,由于枝葉茂盛,只有極少量點能穿過枝葉縫隙到達地面,分類效果較差。由于地面點過少,此處生產(chǎn)DEM時可以采用區(qū)域內(nèi)自動減去平均樹高獲取地面高程,或者用其他近期且滿足精度的DEM數(shù)據(jù)進行替換。

(3)在人工種植的密集農(nóng)作物,例如：黃河兩岸種植的大片玉米地等,由于農(nóng)作物密集,容易出現(xiàn)分類錯誤的現(xiàn)象,解決方式主要依靠錯分點重新分類方法,或者添加斷裂線約束。

(4)測區(qū)存在大面積溫室大棚,在本軟件濾波算法中,分類不徹底,有些被分在地面點層,有些被分在未分類點層,解決方式主要依靠錯分點重新分類方法,或者添加斷裂線約束。

2.5.4

對水體的分類情況

具體情況如圖5所示。

(a)小面積靜止水體分類 (b)溝渠分類

(c)河流分類 (d)水庫分類

經(jīng)分析可以得到以下結(jié)論：

(1)小面積靜止水體分類基本準確。

(2)溝渠的分類基本準確。

(3)河流的分類存在較多不合理的現(xiàn)象,存在大量偽地面點,解決方式主要依靠添加斷裂線約束。

(4)水庫的分類也存在較多不合理的現(xiàn)象,也存在大量偽地面點,解決方式主要依靠添加斷裂線約束。

2.5.5

對高程突變的地貌分類情況

具體情況如圖6所示。

(a)大型土堆分類

(b)復雜山體分類

(1)大型土堆被不合理濾除,解決方式主要依靠找回地面點。

(2)部分山體被不合理濾除,此處主要是在黃河石林獨特的地貌結(jié)構(gòu),多存在獨立石峰,石柱等,解決方式主要依靠找回地面點。

3 LADAR-DP軟件人工分類編輯

LADAR-DP軟件人工分類主要有3種方法：找回地面點、錯分點重新分類、斷裂線約束。

3.1 找回地面點

適用于地面點被錯分至未分類點,主要使用工具為添加地面點。主要參數(shù)設(shè)置有地標類型、高度閾值、角度、采樣間隔、區(qū)域類型等。具體實例如圖7。

(a)自動分類暈染圖 (b)點云斷面圖

(c)找回地面點后暈染圖 (d)DOM影像圖

3.2 錯分點重新分類

適用于未分類點被錯分至地面點,以及高架路、橋梁分至路層。主要使用工具為線上分類、線下分類、多邊形分類、流線分類、線間分類、畫刷分類等。

(1)分類點被錯分至地面點重新分類具體實例如圖8所示。

(a)自動分類暈染圖 (b)點云斷面圖

(c)重新分類暈染圖 (d)DOM影像圖

(2)高架路、橋梁重新分類至路橋?qū)印?/p>

3.3 斷裂線約束

適用于不連續(xù)的地形,即地面出現(xiàn)轉(zhuǎn)折或者突變的地方。

3.3.1

斷裂線實例

陡坎、梯田、路堤、路塹等斷裂線實例如圖9所示。

(a)陡坎、梯田斷裂線實例 (b)路塹斷裂線實例

3.3.2

水體斷裂線約束方法

對封閉范圍的靜止水體,使用添加區(qū)域斷裂線,自動拾取區(qū)域內(nèi)最低點高程,具體實例如圖10(a)所示。對存在高差的河流使用添加河流斷裂線,然后人工拾取起始點高程、終止點高程,具體實例如圖10(b)所示。

(a)靜止水體 (b)河流

3.3.3

建筑區(qū)密集地區(qū)

由于超高層建筑遮擋,或者建筑錯綜復雜,需要依靠斷裂線來輔助分類,斷裂線約束實例如圖11所示。

(a)層疊式建筑

(b)中心城區(qū)建筑

4 結(jié)束語

通過結(jié)合本項目實際生產(chǎn)使用情況,對LiDAR-DP軟件根據(jù)改進的漸進三角網(wǎng)加密濾波算法進行自動分類的結(jié)果進行了詳盡的分析,并根據(jù)不同的地物、地形地貌做出了不同情況的判別,針對不同情況也給出了相應的人機交互半自動濾波的解決方法,可以得出如下結(jié)論：①LiDAR-DP軟件在地形、地物復雜的區(qū)域自動分類容易出現(xiàn)錯誤。②LiDAR-DP軟件在低矮植被、裸露地表區(qū)域地形特征保持較好,規(guī)則地物尤其是建筑物,濾波效果有效。③LiDAR-DP軟件在人機交互的半自動混合濾波方法中便捷高效,精度能夠滿足DEM、DSM以及等高線的生產(chǎn)需求。在實際生產(chǎn)中存在以下問題,可以優(yōu)化改進：①在植被密集區(qū)域該軟件自動分類效果較差,該算法仍有待優(yōu)化。②斷裂線約束可增加約束范圍,如溝類地形,只需在溝底添加一條斷裂線即可達到約束效果。③該軟件點云數(shù)據(jù)接邊功能尚待完善,對數(shù)據(jù)量大的數(shù)據(jù)進行接邊時易出現(xiàn)軟件卡死現(xiàn)象。