河道地形LiDAR點云數據分類方法對比研究

0 引言

傳統的河道地形測繪方法工作效率低、實施難度大，且無法實現河道地形“精細化”表達。自前，無人機機載激光測量技術日趨成熟。通過無人機平臺搭載多回波機載LiDAR鏡頭、全球導航定位系統（GNSS）和慣性導航系統（IMU）緊耦合成的機載激光測量系統[1-3]，能夠高效獲取高精度河道點云數據，將河道地形“精細化”表達。

原始LiDAR點云數據包含了植被、人工建筑物等非地面點數據，點云分類就是利用一定的算法將原始點云地面點和非地面點區分出來。常用的算法包括基于形態學的濾波算法、基于聚類分割的濾波算法、布料模擬濾波算法和漸進三角網加密濾波算法。基于形態學的濾波算法主要依靠開運算實現點云類屬判斷，簡單高效但精度較低，人工干預工作量大[4]。基于聚類分割的濾波算法采取特征空間投影和數據分離、繪制點云輪廓等方式提取，再對聚類或者分割的結果依據高差、坡度進行地面點分類[5-6]。該算法耗時長，對聚類或者分割的結果依賴度高。1999 年，Axelsson[7]首次提出漸進三角網加密濾波算法，通過漸進的方式加密三角網，逐步細化地面，得到更精確的地面模型。柳紅凱等[8]將融合點云聚類和點云拓撲特征分析的思想融人算法，有效減少運算量，提高算法工作效率。王效蓋等[9利用布料模擬、局部薄板樣條插值等方法獲取可靠的地面種子點，有效提高地面點濾波精度。經過學者們對其不斷進行改進，逐漸成為國內外主流的點云濾波算法，TerraSolid[10]、數字綠土360 軟件等商業軟件均采用該系列算法。2016年，Zhang等[11]提出一種基于物理模型構建的布料模擬濾波算法，受到廣泛關注和應用。李昊等[12]通過引入法線微分算子，過濾限定閾值外的向量域以分割出目標尺度對應的地面點與非地面點，從而實現地面點云的精確提取。蔡尚書等[13]基于林區特征通過多尺度形態學分辨種子地面點，快速獲取高分辨率參考地形，基于點至參考地形的高差獲取地面點，提高算法精度與穩定性。

在點云濾波算法中，還需要針對具體的地形特征設置較多參數。為研究地面點分類算法在河道地形LiDAR點云數據地面點的分類效果與精度，本文以長江上游流域內典型特征河道為研究場景，選用商業化較高的漸進三角網加密濾波和布料模擬濾波兩種算法，對生產實踐中不同類型LiDAR點云數據進行點云分類處理，定性、定量分析濾波效果，總結兩種濾波算法的優劣性。

1 研究方法

1.1 漸進三角網加密濾波算法（PTD）

1.1.1 基本原理

漸進三角網加密濾波算法（ProgressiveTINDensi-fication，PTD）的原理是將點云數據按一定的尺寸（一般為點云數據最大的建筑物對角尺寸）大小分塊，建立格網。選取每個格網中高程最低點作為“種子點”，利用這些“種子點”構建初始三角網（TriangulatedIr-regularNetwork，TIN），代表點云的粗略地面地形，其余點則為待判別點。

圖1為漸進三角網加密濾波算法示意。計算待判別點到最近三角網的距離 d （迭代距離）和與最近三角網頂點之間形成的夾角 α （迭代角度），如果 α 和 d 小于預先設定的閾值，則將該點確定為地面點，并更新初始三角網TIN，迭代至判定出所有的地面點。圖2為漸進三角網加密濾波算法流程。

1.1.2 算法參數

在漸進三角網加密濾波算法的使用中，所涉及的參數有最大建筑物尺寸、最大地形夾角、迭代角度、迭代距離，其含義及應用見表1。

1.2 布料模擬濾波算法（CSF）

1.2.1 基本原理

布料模擬濾波算法（Cloth Simulation Filtering，CSF），算法的原理是將原始點云倒置，罩上一塊不同材質的布料格網，使這張布料格網在自身重力與材質內力的作用下鋪蓋于倒置點云的表面，布料格網最終的模樣即地面點。每個格網布料點上的力遵循牛頓第二定律。布料點受重力和內力作用產生向下位移：

式中： m 為布料點質量； X（t） 為布料點在時間 χ_t 的位置； F_int（X（t），t） 為布料點在位置 X（Φ_t） 受到的內部彈力； F_ext（X（t），t） 為布料點在位置 X（t） 受到的重力。

對重力、內力作用進行迭代，當所有布料點的最大高度變化量足夠小或迭代次數到達設置值，即停止模擬過程。若點云與布料點之間的高度差值小于初始設置的閾值，就判定為地面點，否則判定為非地面點。圖3為布料模擬濾波算法流程。

1.2.2 算法參數

布料模擬濾波算法參數有布料格網分辨率、最大迭代次數、距離閾值，其含義及應用見表2。

2 研究設計

2.1 試驗數據

運用長江上游流域內各地河道場景，測試兩種濾波算法運用效果。樣本數據由無人機機載激光系統采集，采集信息見表3。

樣本包含低矮、高大的密集植被覆蓋，起伏變化的地形，居民地、坎類人工堤防，峽谷中陡崖、凹崖等多種河道地形類型。樣本1位于江津長江中壩島，主要表現為低矮密集植被（蘆葦、灌木、農作物等）平坦地形。樣本2位于涪陵梨香溪流域，主要表現為高大密集植被丘陵地形。樣本3位于南河流域開州區城鎮，主要表現為城鎮居民區河道地形。樣本4位于金沙江宜賓附近，主要以河道堤防、人工坎類地形為主。樣本5位于烏江流域彭水縣附近，主要表現為陡坡、陡崖、凹崖高山峽谷地形。實驗樣本見圖4。雖然機載LiDAR數據采集會受植被的遮擋影響，但如今LiDAR多回波技術能夠使發射的激光穿透部分植被到達地面。本研究使用的樣本數據能夠客觀、真實地測試兩種地面點分類方法在生產實踐中的LiDAR點云數據地面點分類性能。

2.2 分類參數設置

基于兩種濾波算法的特性以及樣本數據的類別設置參數。PTD濾波中，最大建筑物尺寸、最大地形夾角都基于測區實際情況設置。樣本2、樣本5坡度較陡，需設置較大的迭代角度與迭代距離。為更好地保留樣本4中人工坎類的完整性，需設置更大的迭代角度與迭代距離。CSF濾波中，布料格網分辨率、距離閾值依據地形坡度越大，設置的分辨率越小，以更好地保留地面點。布料硬度平地為1，緩坡為2，陡坡為3。最大迭代次數設置為通用500次。具體參數設置見表4。

3 試驗結果分析

3.1 定性分析

數字高程模型（DEM）是地形表面的數字化[14]，以規則格網點高程數值矩陣來表示地表起伏形態特征信息。上述各樣本濾波數據經過數字柵格化表達得到DEM模型，運用柵格計算器按“‘CSF濾波數據’-‘PTD 濾波數據'”計算得到兩種方法高程較差模型（圖5）。

圖5（a）顯示CSF濾波數據有大量零星低矮植被未濾掉。結合圖6樣本濾波局部分析，低矮密集植被縫隙小，LiDAR穿透性差，實際生產中的LiDAR點云數據地面點密度較低，部分區域甚至可能沒有地面點，使得該區域CSF濾波算法中正確的地面點不足以“撐起”布料格網，在PTD 濾波算法中，由于迭代角度、迭代距離的控制剔除了這些非地面點，因此與PTD濾波算法的結果相比，這些區域表現為異常偏高。

圖5（b）顯示CSF濾波數據部分高大密集的植被被未濾掉。結合圖7樣本濾波局部分析，在高大密集的植被區域，LiDAR點云數據地面點的密度仍然不足，布料在受重力、內力下落過程中，有的甚至落到了高大樹冠上。PTD濾波算法對“低點”比較敏感，CSF濾波算法顯然不具備這個特點，仍然有水面“噪點”被識別為地面點。

圖5（c）中CSF濾波數據部分房屋頂部未濾掉。結合圖8樣本濾波局部分析，實際生產中房屋不規整，且不能覆蓋每個角落，PTD濾波算法仍然有少量房屋頂保留，CSF濾波數據在大的建筑物上保留了大量屋頂數據。

圖5（d）中顯示CSF濾波數據陡坎被過濾掉，PTD濾波數據中大量高大零星數據被保留。結合圖9樣本濾波局部分析，PTD濾波算法通過增大迭代角度、迭代距離，在一定程度上能夠較好保留陡坎、堤防，但會降低地面點分類精度，CSF濾波則無法保留陡坎類數據。

圖5（e）中PTD濾波數據凹崖區域地面點數據丟失。結合圖10樣本濾波局部分析，PTD濾波算法由于對“低點”比較敏感，且凹崖高差過大直接將整個陡崖識別為非地面點。CSF濾波數據能夠保留部分凹崖以上數據，但陡崖處的數據仍有部分丟失。

3.2 定量分析

地面點分類精度指標分為1類誤差（漏分類地面點比例），Ⅱ類誤差（錯分類地面點比例），總誤差（總分類錯誤的點的比例）。驗證數據選用各地面點分類算法配合人工編輯精細加工的點云數據。試驗數據地面點分類精度指標見表5。

樣本1～3表明，在該類別地形地面點分類中，PTD在使用合理的濾波參數的條件下，濾波效果總體優于CSF。樣本4中，為了更好地保留陡坎、堤防，增大迭代角度、迭代距離，使得PTD濾波精度變低。在樣本5中凹崖區域，由于PTD丟失大量地面點，使得該樣本I類誤差增大。由于樣本5采集數據鏡頭回波次數低于其他樣本，在植被密集區域地面點密度小，影響地面點分類精度，使得兩種方法Ⅱ類誤差比其他樣本都高。

3.3小結

基于PTD和CSF濾波在各類河道地形場景的Li-DAR點云數據地面點分類試驗結果分析，小結如下。

（1）PTD濾波算法不論在低矮植被密集區和高大植被密集區都能取得良好濾波效果。在居民地類別的地形測試中，僅有少量形狀不規則、結構多層次的房屋以及懸空橋梁無法識別，濾波效果良好。針對陡坎、堤防類特殊地物，可以通過增大迭代角度、迭代距離等方式保留，但同時也降低了地面點分類精度。PTD對“低點”比較敏感，在凹崖類別地形測試中，凹崖以上地面點丟失。在植被密集區域地面點密度極小的地形場景，地面點分類精度影響嚴重。

（2）CSF濾波算法在樣本低矮植被密集區、高大植被密集區以及居民地類別的地形測試中保留了較多非地面點，與PTD相比，CSF存在較大Ⅱ類誤差。針對陡坎、堤防類特殊地物，CSF算法無法完整保留。在凹崖類別地形測試中，凹崖以上地面點丟失相對較少，在一定程度上彌補了PTD的缺陷。在植被密集區域地面點密度極小的地形場景，地面點分類精度影響嚴重。

4結論與建議

試驗研究表明，兩種濾波方法均需要針對不同的地形特征、類別進行參數設置，對使用者的經驗要求比較高。PTD濾波算法地面點分類精度優于CSF濾波算法，在河道地形場景LiDAR點云數據地面點分類的應用中優先使用PTD濾波算法，對于凹崖場景PTD丟失部分，可采用CSF算法完善，必要情況下還需要人工編輯精細加工。研究結果對河道地形LiDAR點云數據地面點分類的生產實踐有一定指導意義。

與PTD相比，CSF存在較大Ⅱ類誤差，生產實踐的點云數據不夠理想化。原因如下：部分區域地面點稀少使得布料格網中不可移動的布料點間隙大；房屋等建筑物數據不夠完整。生產實踐中盡量選擇多回波次數鏡頭，增大機載激光重疊率，保障地面點密度，提高濾波算法的準確性。

為適應濾波算法自動化應用要求，可對某些特定地形定制部分算法參數方便使用。如今地面點分類濾波算法正在朝新的方向發展。濾波算法自身在實踐應用過程中被不斷改進優化，比如針對地面點稀少的區域將布料濾波優化為雙向布料濾波，提取精準的地面點數據。濾波算法朝多種類融合方向發展，現在已逐漸衍生出形態學、聚類分割與PTD相結合的濾波方式，PTD與CSF組合濾波方式大大拓展了地面點分類算法的發展。

參考文獻：

[1]劉少聰，石光，陳細潤.機載激光雷達在金沙江下游河道地形及斷面測量中的應用[J].水利水電快報，2020，41（5）：15-19.

[2] 馮國正，孫振勇，劉少聰，等.基于機載LIDAR的水利信息獲取技術研究［C]//2020年（第八屆）中國水利信息化技術論壇論文集.南京：河海大學，2020：156-166.

[3] 吳昊，張曉萌.機載LIDAR在長江中游河道測繪中的應用[J].人民長江，2022，53（9）：109-114.

[4] 隋立春，張熠斌，柳艷，等.基于改進的數學形態學算法的LiDAR點云數據濾波［J].測繪學報.2010，39（4）：390-396.

[5] 易航，李浩，楊彪，等.基于聚類與重構的河流區域濾波方法[J].地理空間信息.2017，15（10）：32-35.

[6] 唐菓.基于空間特征與密度聚類的LiDAR濾波算法研究[D].長沙：長沙理工大學，2022.

[7] AXELSSON P. DEM generation from laser scanner datausingadaptive TINmodels[J].International Archives ofPhoto-grammetryand Remote Sensing，200O，33（B4/1）：110 -117.

[8] 柳紅凱，徐昌榮，徐曉.基于漸進加密三角網機載LIDAR點云濾波改進算法研究[J].江西理工大學學報，2016，37（3）：50-55，60.

[9] 王效蓋，王健，劉翔宇，等.改進的漸進加密三角網機載點云濾波方法[J].北京測繪，2023（2）：178-184.

[10] 劉鋒，張金偉.基于TerraSolid軟件的機載激光點云數據處理分類算法研究[J].科技論壇，2022（11）：16-18.

[11] ZHANGW，QIJ，WANP，etal.Aneasy-to-useairborneLiDARdata filteringmethod based oncloth simulation[J].Remote Sensing，2016，8（6）：501.

[12] 李昊，陳壯，董振川，等.一種改進布料模擬濾波的地面點云提取方法[J].測繪科學，2023，48（5）：120-128.

[13] 蔡尚書，龐勇.林區機載LiDAR點云的多分辨率層次布料模擬濾波[J].遙感信息，2024，39（1）：26-34.

[14] 周威，胥洪川，楊廣洲，等.基于RTK無驗潮的非恒定流河段水下地形測量[J].水利水電快報，2023，44（12）：15-19，35.

（編輯：唐湘茜）

Comparative study on LiDAR point cloud data classification methods for river terrain

XUHongchuan，HE Qinxue，PENG Bin，HUANG Jie

（UerCangjiangRiverBureauofHydrologicalandWaterResourcesurveyHydrologyBureauofChangiangWaterResourcesComis sion，Chongqing 400021，China）

Abstract：To studythe surfacefeatures of riverbed topography，itisnecessary todistinguish ground points from nonground points in LiDAR point clouddata to achieve arefined expresionof riverbed topography.We brieflydescribed the twoclasificationmethodsofprogressive triangulationdensification（PTD）filteringalgorithmandthecloth simulationfiltering（CSF）algorithm in this paper.Five diferent riverbed scenes within theupper reachesof Changjiang River were used totesttheapplication efectsofthetwofltering algorithms.Both qualitativeandquantitativeanalyses wereconducted to evaluate the clasification accuracyof ground points in LiDAR point cloud dataof riverbed topography.The results showedthatboth filtering methodsrequire parameter setingsbasedondifferent terrain featuresandcategories，and hada relativelyhighrequirementsfortheusersexperience.ThePTDfilteringalgorithmhadahigherclasificationaccuracyof ground points thanthe CSFalgorithm.Inthe applicationof LiDAR point cloud data ground point clasification for riverbed topography，thePTDfltering algorithm should bepreferred.Forconcave cliffscenes where thePTDalgorithm may miss some points，the CSF algorithm can be used to improvethe results.In necessry cases，manual editing and fine processing are also required.The research results have certain guiding significance for the production practice of LiDAR point cloud data classification of riverbed topography.

Key words： channel topography surveying；progressive triangulation densification；cloth simulation filtering;；LiDAR; airborne laser measurement technology of UAV；point cloud classification