本文内容来源于《测绘通报》2021年第10期，审图号：GS（2021）6414号
LiDAR测量点云融合影像的分块滤波方法毛冬海1,2, 李守军1,2,3, 王锋4, 戴华毅1, 阳凡林1,5
1. 山东科技大学测绘与空间信息学院, 山东 青岛 266590;2. 自然资源部海底科学重点实验室, 浙江 杭州 310012;3. 自然资源部第二海洋研究所, 浙江 杭州 310012;4. 浙江省工程物探勘察设计院有限公司, 浙江 杭州 310005;5. 自然资源部海洋测绘重点实验室, 山东 青岛 266590基金项目：国家重点研发计划专项（2016YFC1401210）；国家自然科学基金（4157移动大流量卡6099）；全球变化与海气相互作用专项二期（20094G）；浙江省沿海滩涂（潮间带）资源监测与评价项目（SJ21003）；中央级公益性科研院所基本科研业务费专项（JG2110）
关键词：数据融合, LiDAR点云, 分块滤波, 多元特征, 数字高程模型
引文格式：毛冬海, 李守军, 王锋, 等. LiDAR测量点云融合影像的分块滤波方法[J]. 测绘通报, 2021(10): 67-72,131.doi: 10.13474/j.cnki.11-2246.2021.307.摘要摘要： 针对现有LiDAR地面点滤波算法对复杂地形地物适应性不强的问题，本文提出了一种融合点云与地面影像分块滤波的方法。首先，移动大流量卡将地面影像与点云匹配，使点云从影像中获取更多的光谱纹理信息。然后，分析地物光谱、林地相对密度、点云高程特征、地面DSM模型及其坡度，并基于决策级融合将原始点云切割成若干独立的区块。最后，根据每块区域不同的多元细节特征，对IPTD滤波算法进行改进并利用搜索法优化参数，得到最优且稳健的结果。利用滤波后的总地面点通过插值算法得到的DEM模型和相关试验验证了本文算法的优越性。
正文近年来，激光探测和测距(light detection and ranging, LiDAR)技术取得了飞速的发展和广泛的应用[1,2,3],相比硬件技术的进步，对于其数据处理的研究还相对滞后[4,5]。因此，对数据处理的进一移动大流量卡步研究具有一定的现实意义。对基于LiDAR点云生成DEM而言，点云的滤波算法是其中关键的一步[6,7]。常见的滤波算法主要有数学形态学滤波、坡度阈值滤波、三角网迭代加密滤波、移动曲面滤波及基于分割和机器学习的滤波算法等[8]。其算法的基本思想是基于地物点明显高于地面点这一普遍认识，在对数据加以处理和变换后通过一定的高程阈值或与距离、角度等阈值的联合进行非地面点的滤除[9]。
在部分地面条件下，这些算法的滤波效果较好，但是在较复杂地形下其结果往往欠佳[10,11]。笔者在研究大量关于LiDAR点云快速生成DEM方面的文献后发现，多数方法作用域集中在点云全局域上[12,13],较少考虑局域的特殊性及移动大流量卡其之间的相关性，这对于滤波算法性能的发挥非常不利，同时会降低DEM的生成效果。因此，本文提出一种融合点云与地面影像分块滤波生成DEM的方法，并通过试验与常规方法进行对比分析。
1 数据源与预处理
本文的激光点云与地面影像数据来自ISPRS官网发布的参考数据集中的samp51测试样本。该参考数据集经过了ISPRS官方的半自动滤波和手动编辑编译，是一个较权威的点云数据集，已有诸多学者利用该数据集进行了研究[10,11,12]。由samp51测试样本点云绘制的散点如图1所示，对应的地面灰度影像如图2所示。
图1 samp51样本点云散点 图2 samp51样本点云对应地面灰度影像图1以近似的地面横切面显示，移动大流量卡飘在上方的稀疏点云为地物上的激光点。samp51覆盖地区的坡度较大，其中X轴中部区域的坡度最大，平均约为30°。整个区域沿X轴、Y轴长度分别约为230、430 m, 共包含17 845个激光点云数据。结合图2可知，该区域的地物较为复杂，包含耕地、居民地、林地及水体，地形根据坡度可分为平地、缓坡及陡坡。其中，密集林地处在坡度最大的区域，这使得该区域地面点滤波问题变得更加棘手。对于LiDAR点云生成DEM而言，预处理主要是对点云进行去噪，剔除高位、低位异常的点云数据[12]。去噪原理是根据点云的若干邻域点的高程分布及标准差倍数阈值进行噪声点的判断并剔除。2 研究方法
2.1 试验流程融合点云与影像信移动大流量卡息分块滤波生成DEM的流程如图3所示。 图3 融合点云和影像信息分块滤波生成DEM流程图3中，步骤主要包括3大部分。第一，虽然该地面影像不具备地理坐标，但其具有丰富的纹理和上下文关系等信息；而点云数据虽然具备真实地理位置属性，但其缺乏地物真实纹理光谱和相关关系且是离散数据。因此，利用同名特征点通过线性变换将地面影像与去噪后点云数据进行匹配，融合两者的多元信息，达到优势互补的目的。第二，在分析匹配后多元特征信息的基础上，基于决策级融合将点云数据进行最优切割分块。结合滤波算法的原理和适用性研究，对改进的渐进三角网加密(improved progressive TIN densification, I移动大流量卡PTD)滤波算法[14]进行改进，并通过搜索法寻找得到稳健可靠的最优滤波参数。第三，合并各个分块滤波后的地面点，利用自然邻域插值算法生成整体区域的栅格DEM成果，并按照本文方法对其进行精度评价。2.2 数据融合匹配方法融合影像光谱和三维几何特征的点云数据是信息提取的热点数据源之一[15]。本文提出了一种点云与影像匹配融合的方法，主要步骤包括点云格式转换、对应特征点选取、变换方式甄选及图像配准等，主要将点云与影像在XOY二维平面上进行配准融合。首先将点云数据的格式转换成可识别的高程点格式，以高程色标展点显示，选取若干明显的高程特征点并对其进行特殊标记。然后利用视觉分析在大幅地面影像中对目标区域进移动大流量卡行粗定位并裁剪，进而将影像图像载入点云高程点的周边区域预备匹配，并特殊标记影像中对应的特征配准点。最后甄选效果良好且用时较少的线性变换方式对地面影像进行纠正配准，使其在地理位置和尺度上与点云高程点一致。综合考量多方面因素影响，最终选取了图4中4个房角点等易于识别的目标作为图像配准的特征点，必要时可以多选特征点，尽可能地减小匹配误差。 图4 基于图像特征的匹配点(☆代表对应匹配点位)多次试验表明，该方法能够达到点云与影像之间配准的效果，且易于操作、可重复性强，在一定程度上达到了点云和影像的融合。融合之后的点云数据可以继承影像丰富的特征信息，为滤波算法的改进和参数优化起到重要的辅助决策作用。2.3 移动大流量卡融合多元特征区域分块为了从原始点云和影像中获取更多的辅助滤波和区域划分的特征，对地面影像灰度进行了频谱分析。分析发现林地像元灰度偏小偏黑，其他地物像元灰度偏大偏白，但是地物的黑色阴影会影响林地的判断，需要进一步作剔除处理。影像灰度的频谱分析结果和林地相对密度分别如图5、图6所示。由图5可知，地面影像的灰度主要在某些灰度值上大量分布，此处以频数大于10 000的灰度值代表整体的灰度特征，以双峰之间的波谷极低值69对图像进行阈值分割。对分割后的图像进行部分阴影的剔除，并依据单位像元内识别出的林地像元比率绘制区域范围内林地的相对密度图。研究林地的相对密度和分布主要考虑密集林地在滤波过程中的复杂性，特移动大流量卡别是密集林地与陡坡同时存在的情况。由图6可知，高密度的林地主要分布在区域的中部条带上，方向呈左下至右上，按其可分度增加将其划分为单独区块的权重。区域左右两侧分布着相对稀疏的林地，区域右上和右下部分地面相对平整，基本属于无林区。为了将区域左右两侧部分进一步细分成特征相对均一的区块，笔者进一步研究分析了基于原始点云构建的三角网DSM模型及其坡度，成果如图7、图8所示。 图5 地面影像灰度值分布直方图 图6 samp51区域林地相对密度分布对图7、图8的三角网DSM模型和坡度进行研究，使地表地物的高程起伏特征和坡度特征融合到区域分块算法中。由图7 DSM模型可以清晰地分析出区域左侧地面较平缓、高程相近。移动大流量卡左上部DSM模型较凌乱，原因是该处为水体，存在点云空洞且水体两侧分布密集林地，该处在后续将被特殊处理。区域中部分布密集林地的部位高程变化最大；右上部DSM无较大异常突变，高程均匀递增；右中部为居民地区，地面较平缓；右下部地面高程基本一致，DSM模型无异常形状凸起。图8的坡度图将DSM的坡度变化进行了更加定量的刻画，结合地面影像可知，坡度大于42°的像元主要集中在林地和建筑物房檐处，与图6林地相对密度分布较一致。由图8可知，除林地和建筑物外，裸地坡度普遍不大，基本低于23°。结合以上分析结果，以及DSM、坡度图细节特征，同时考虑建筑物尺寸的多样性和特殊性等，对居民地、陡坡林地、缓坡稀树地等赋予较移动大流量卡大的独立分割权重，确保每块区域内部地理性质具有较高的一致性和均衡性。 图7 区域三角网DSM模型 图8 基于DSM的区域坡度基于知识辅助的决策方法适用于多源融合数据的处理，其难点在于知识或规则的获取[16]。点云与影像的融合使点云处理有了更多的先验知识和背景信息。在充分研究常规滤波算法的原理，以及分析点云数据的地类属性、光谱、纹理、上下文关系等继承属性和点云的高程、坡度、标准差等固有属性的基础上，引入分割破碎度、分块数控制、整体完整度、形状因子和边界特征等约束量，建立了本文的点云融合影像分块滤波的知识辅助决策系统。在分块数最少和分割形状最稳定的约束下，充分依据决策规则将整个区域划分成如图9所示各个移动大流量卡性质较为均一的区块，得到了最优分割结果。图9的地理位置和方向较图6—图8向左旋转了90°,与图2方向一致。 图9 区域最优分块结果将图9与图6—图8比较分析可知，该分块结果将不同的地形和复杂地物进行了较好的区分(如区块1、3代表缓坡稀树区域，区块2代表居民地区域，区块4代表陡坡林地区域，区块5代表平地稀树区域),且分割边界均为直线。其中区块5中的交叉影线为基于融合特征识别出的河流区域，本文将其归并入区块5,避免分割结果过于细碎。统计了各个区块的点密度、平均高程及标准差，分析各个区块点云和影像的多元特征，在一定程度上可以对滤波算法的参数进行线性预测。2.4 IPTD滤波算法改进和参数优化LiDAR移动大流量卡点云地面点滤波算法是区分地面点与非地面点的核心。现有的滤波算法较多，主要是基于形态学、坡度阈值和插值的滤波算法。文献[8,9,17]对常见的基于二次曲面、坡度阈值和TIN滤波算法的原理作了详细阐释。二次曲面滤波算法在坡度变化不大的地方对地面点的判断效率较高，参数设置简单，其以一定大小窗口内格网的最低点拟合曲面进行滤波，存在地面种子点不够、拟合精度不高且缺乏地理相关性等问题。单纯基于坡度阈值的滤波算法难以适应较大的地面坡度变化，同时不能完全滤除树木房屋等高程突变和跳变的地物。TIN滤波算法是一种经典的渐进三角网迭代加密滤波算法，对地形的适应性较好，但因其以每个格网中最低的一个激光点为地面种子点，移动大流量卡导致地面种子点数量较少，种子点误差随迭代次数成倍累积到滤波误差。由以上分析可知，常见的滤波算法普遍存在适用场景比较受限的问题，需要大量精细化的参数设置。综合以上因素，采用一种利用本文分割分块方法改进的IPTD算法进行滤波。首先按照该方法对点云进行分块，栅格化点云并用形态学算法获得大量的潜在地面种子点，使用KD-tree算法得到的邻域点构建拟合平面，依据平均距离阈值对潜在种子点进行筛选，得到大量精确的地面种子点。然后利用地面种子点采用先向下迭代加密后向上加密的策略进行滤波，并通过设置缓冲区减小边缘效应。在参数优化上，以充分考虑各个分块各自局部的融合特征为原则，采用格网搜索法的策略进行处理。格网搜移动大流量卡索法是一种利用给定参数范围与间隔的穷举操作及对比进行参数优化的方法。虽然其智能性不如遗传算法、粒子群算法等参数优化方法，但其在模型复杂度上更加简单，而且结果的可靠性普遍更高[18]。根据待优化参数的个数确定模拟格网的维数(如参数个数为1,可以构建一维等距点，即一维格网；参数个数为2,可以构建二维平面格网，以此类推到高维格网)。遍历格网点，以确定最优参数。2.5 精度评价方法精度评价包括两方面内容，即对滤波误差这一中间成果的评价和对成果DEM高程误差的定量计算。滤波误差的评价采用常见的点云滤波误差计算交叉表进行，计算方法见表1[19]。表1 滤波误差计算交叉 表1包含了第Ⅰ类误差(弃真误差)、第Ⅱ移动大流量卡类误差(取伪误差)和总误差(可行性)3个指标。计算这3个指标主要在于正确判断滤波后的结果中存在的真实结果和虚假结果的数量。本文以samp51原始点云中官方给定的真实地面点属性标签为参考数据，对本文方法滤波后的点云进行了点对点的比较，判断其是否为真实结果，并按照表中方法进行滤波误差的计算。对高程精度的评价一般采用高程平均绝对误差和均方根误差表达[20]。为了消除彩色对试验结果的影响，本文在灰度成果DEM上随机选取了28个高程检查点，计算检查点在基准DEM上的内插高程，以该内插高程和检查点在成果DEM模型高程的统计偏差计算高程平均绝对误差和均方根误差。基准DEM由原始样本点云中ISPRS官方给定的移动大流量卡真实地面点生成。采用的具体公式为 式中，MAE、RMSE分别为平均绝对误差、均方根误差；n为检查点个数；Δi为第i个检查点成果DEM高程和内插高程的偏差值。3 结果分析与精度验证
利用滤波后的总地面点构建TIN模型，基于TIN模型利用自然邻域插值法生成samp51区域的栅格DEM,如图10所示。 图10 samp51区域栅格DEM(1 m分辨率)其中，交叉影线代表识别解译出的河流流域部分。由于水体本身存在点云空洞，且水体两侧分布密集林地，若将两侧远距离的地面点直接相连构成三角网，将不可避免地导致与真实状态偏差过大，影响整体效果。本文将其特殊处理为高程空值区域，并以交叉影线标示出其范围。由图10可知，移动大流量卡DEM整体西北低且平缓，中部高程增高幅度较大，东南高且相对平缓，整体变化趋势与图7 DSM一致。DEM高程颜色变化较为平滑自然，没有异常的颜色突变，说明不存在较大的地形起伏突变，这符合真实地面的自然形态变化。与基准DEM相比，本文的成果DEM与其相似度很高，无法通过视觉分析找出两者的差异。通过定性分析，本文方法生成的DEM成果精度较高。利用改进的IPTD算法进行分块滤波生成DEM,与基于二次曲面、坡度阈值、TIN滤波算法对整体区域滤波并生成的DEM进行对比，各个算法的滤波误差和DEM高程误差如图11、表2所示。 图11 4种滤波算法滤波误差比较表2 4种算法生成的DEM高程误差比较 导出到EXCE移动大流量卡L 由图11可知，本文算法的滤波误差在4种算法中最低，第Ⅰ类、Ⅱ类、总误差和平均误差分别为2.38%、4.44%、2.82%和3.21%,均处在较低的水平，其中平均误差为前三者的平均数，反映算法的调和滤波误差。分析表2可知，由本文分块滤波算法生成的DEM成果精度最高，高程平均绝对误差和均方根误差分别为0.100、0.157 m, 大大优化了DEM的生成效果。以上定性和定量分析表明，本文提出的算法不仅可以较好地降低滤波误差，还可以大幅优化DEM的生成质量。4 结 语
针对基于LiDAR点云滤波生成DEM过程中，常规滤波算法对复杂地形滤波误差大、生成DEM成果质量不佳的问题，本文提出了一种融合点云与影移动大流量卡像信息分块滤波并生成DEM的算法。首先，基于图像特征点利用线性变换将点云与地面影像进行配准融合，充分分析、挖掘点云高程特征、光谱纹理、DSM趋势及坡度、密集林地分布状态等信息；然后，融合多元特征并对整体区域进行决策级最优分割，基于局部区域的多元细节特征对IPTD滤波算法作用范围进行改进并利用搜索法优化参数，得到最优且稳健的滤波结果；最后，基于滤波后总地面点采用自然邻域插值法得到DEM成果。试验结果表明：与基于二次曲面、坡度阈值、TIN滤波算法整体处理得到的滤波结果和DEM成果相比，本文算法可以显著地降低滤波误差，并大大提高DEM的生成效果。作者简介作者简介：毛冬海(1996-),男,硕士生,研移动大流量卡究方向为无人机航空摄影测量与数据处理方法。E-mail:mdhwd1996@163.com通信作者：李守军。E-mail:0911guang@163.com初审：杨瑞芳复审：宋启凡
终审：金 君往期推荐
资讯
○中国科学院空天信息创新研究院城市环境遥感团队岗位聘用职工招聘
○中国工程院院士郭仁忠：城市如何数字化？既要有好“路”还要有好“车”
○中国科学家首获地球观测组织卓越个人奖
○关于诚邀参加中国测绘科学研究院2021年测绘科技成果推介会的函
○北京市测绘设计研究院2022年应届毕业生公开招聘
○PPT | 李春来 ：基于高光谱红外成像的气体探测方法、现状与展望
○ 中国测绘 | 筹建北京冬奥赛道的测绘⼈会议
○移动大流量卡 第一届中国生态系统遥感学术研讨会（三号通知）○ 《测绘学报》2021年编委会会议在青岛召开○ 会议通知 | 2021中国地理信息科学理论与方法学术年会通知（第二号）○ 关于第八届“测绘科学前沿技术论坛”再次延期召开的通知《测绘学报》
○《测绘学报》2021年第10期目录
○ 测绘学报 | 邓开元：多光谱光学遥感影像水体提取模型
○ 测绘学报 | 左溪冰 : 高光谱影像小样本分类的图卷积网络方法
○ 测绘学报 | 成飞飞 : 结合自适应PCNN的非下采样剪切波遥感影像融合
《测绘通报》
○ 室内高精度三维测图新技术
○ 面向上海城市数字化转型的新型测绘
○ 图像全站仪及图像测量发展与展望
○《测绘通报》2021年第1移动大流量卡0期目录
《北京测绘》
○《北京测绘》2021年第9期摘要推荐
○《北京测绘》2021年第8期摘要推荐（下）
○《北京测绘》2021年第8期摘要推荐（上）
○《北京测绘》2021年第7期摘要推荐（下）
《测绘科学技术学报》
○ 《测绘科学技术学报》2021年第1期重点论文推荐
○ 摘要 |《测绘科学技术学报》2021年第3期摘要推荐
○ 摘要 |《测绘科学技术学报》2021年第2期摘要推荐
○ 摘要 |《测绘科学技术学报》2021年第4期摘要推荐
○ 摘要 |《测绘科学技术学报》2021年第5期摘要推荐
《地球信息科学学报》
○ 《地球信息科学学报》2021年第10期佳文推介
○ 《地球信息科学学报》2021年第9期佳文移动大流量卡推介
○ 《地球信息科学学报》2021年第8期佳文推介
○ 专刊征稿：社会感知与地理大数据挖掘（征稿中）
《测绘工程》
○ 摘要 |《测绘工程》2021年第5期摘要推荐
○ 摘要 |《测绘工程》2021年第4期摘要推荐
○ 摘要 |《测绘工程》2021年第3期摘要推荐
○ 测绘教学 | 后疫情时代“线上+线下”混合教学模式创新——以测绘类课程视角
《中国空间科学技术》
○ 摘要 |《中国空间科学技术》2021年第4期摘要推荐
○ 摘要 |《中国空间科学技术》2021年第3期摘要推荐
○ 多传感器组合导航系统的改进多尺度滤波算法
○ 火卫二地形地貌探测综述
《卫星应用》
○ 摘要 |《卫星应用》2021年第9期摘要推荐
○ 摘要 |移动大流量卡《卫星应用》2021年第8期摘要推荐
○ 摘要 |《卫星应用》2021年第7期摘要推荐
○ 综述 | 北斗系统应用趋势分析
《Journal of Geodesy and Geoinformation Science》
○ 专刊征稿 | Call for Papers：空间人文与社会地理计算 (SHGSS)
○ Special Issue on New LiDAR Technologies and Techniques
○ 《测绘学报（英文版）》（JGGS）LiDAR专刊发布
○ 论文推荐（四）| Speical Issue on New LiDAR Technologies and Techniques
○ 论文推移动大流量卡荐（五）| Speical Issue on New LiDAR Technologies and Techniques
《Satellite Navigation》
○ [综述]| 高扬教授：GNSS智能手机定位：进展、挑战、机遇和未来展望| SANA佳文速递
○ 熊超教授：地磁暴期间夜间低纬电离层和赤道等离子体不规则体| SANA佳文速递
○ 徐元博士：面向有色测量噪声下UWB/INS组合行人导航的分布式卡尔曼滤波| SANA佳文速递
○ 杨飞博士：GNSS天顶对流层精化模型的构建与分析| SANA佳文速递
○ 牛小骥教授：用半解析法分析GNSS/INS在铁路轨道测量中的相对精度| SANA佳文速递
《自然资移动大流量卡源遥感》
○ 《自然资源遥感》入驻“智绘科服”融媒体平台！
友情提醒： 请添加客服微信进行免费领取流量卡！
QQ交流群：226333560 站长微信：qgzmt2
原创文章，作者：sunyaqun，如若转载，请注明出处：https://www.dallk.cn/43277.html
