[发明专利]一种基于三维格网的机载激光雷达点云去噪方法

说明书

本发明涉及一种基于三维格网的机载激光雷达点云去噪方法，是依据点云中各点的空间邻域关系，在三维格网的空间划分依据下实现海量点云数据的去噪处理。本发明通过对点云数据的空间三维格网化使每个立方栅格内部点之间具有空间索引属性，依据空间三维格网之间的空间邻域关系判断格网内的点是否为噪声点。根据单位三维格网之间的空间邻域特征来判断离散噪声点和点云主体，从而滤除由于地形扫描产生的离散及成簇噪声点，通过采用适当相关系数的平均点间距三维格网边长能够极大的降低判断噪声点的误差。该方法不同于以往的传统去噪算法，为机载激光雷达点云去噪提供了新的思路。

技术领域：

本发明涉及一种依据点云中各点的空间邻域关系，在三维格网的空间划分依据下实现海量点云数据的去噪处理，尤其是基于三维格网的机载激光雷达点云去噪方法。

背景技术：

随着三维激光扫描技术的高速发展，人们可以很容易获取真实世界中物体的表面三维点云数据，因此三维点云数据模型被广泛应用于虚拟现实、逆向工程、城市建模等。机载激光雷达在扫描过程中获取海量点云数据中有大量的非地表点被获取,可能是大气中的杂质、飞鸟或者极大低于地表等误差点，一般将这些点称为噪声点。在雷达点云数据滤波处理之前必须将这些噪声点滤除，噪声点的存在会使原始点云数据生成的数字地表模型(DTM)产生极大的误差，同时在运用多数点云滤波的过程中会误把许多极大低于地表的噪声点误判为地表点，造成滤波结果的严重错误。另外噪声点对后续的大规模点云分层渲染、地物识别提取、建筑物建模及密集匹配所得同名点云的后续处理精度(如影像匹配、地物识别等)都会造成较大影响，这使得机载激光雷达获取点云的去噪处理变得至关重要。

目前三维地面点云数据的噪声粗差主要体现在高程值上,其显著特征就是比周围的点有很大的相对高程,呈现出孤立的奇异值。主要有两种,即高位粗差(high outlier)和低位粗差(low outlier),从存在形式来说,粗差分为成簇的粗差和孤立的粗差。成簇的粗差一簇一簇的形式成群出现,孤立的粗差以孤立的点形式存在。国内外许多学者对点云去噪进行了一定的研究:Spiros对已有的粗差剔除方法进行了归类总结,将其分为五类,即基于分布、深度、聚类思想、距离以及密度的粗差剔除方法。基于分布的粗差剔除方法，如聂建辉在《计算机辅助设计与图形学学报》2011第9期P1526-1532提出了《散乱点云离群点的分类识别算法》，根据曲面变化度的局部离群系数(Surface Variation based on LocalOutlier Factor，SVLOF)将离群点进行分类、去除，曹爽在东南大学学报(自然科学版)2013第z2期P351-354中提出了《基于特征选择的双边滤波点云去噪算法》，对噪声进行分类，计算特征点与非特征点的双边滤波因子，避免出现双边滤波过光顺的现象，但需要较长时间来确定特征选择。这些算法对于有统计规律的数据是很有效，不过由于点云的数据模型是很难估计,其应用有一定的局限性。基于深度的粗差剔除，需要计算数据集的几何图形和维凸壳的不同图层,位于最外层的点云认为是粗差,这种算法受到数据维数的限制。基于聚类的粗差剔除，张巧英在《地理空间信息》2011第6期P101-104刊登的《密度聚类算法在连续分布点云去噪中的应用》提出了基于密度聚类算法的连续分布点云去噪算法，是将数据分成多个聚类,被排除在聚类外的数据认为是噪声点。基于密度的粗差剔除，朱俊峰在《测绘学报》2015第3期P282-291提出了《多尺度点云噪声检测的密度分析法》，运用局部点的密度情况进行区分噪声，该算法需要指定一定范围的最小数目和密度,该方法以某一点为中心,计算该邻域范围内的激光脚点密度,若小于给定的阈值则认为该点是粗差。上述的噪声点剔除算法都有各自的优缺点,基本都可以剔除部分的粗差,偶尔会因一些特殊的噪声点,判断失效。

发明内容：

本发明的目的就在于针对上述现有技术的不足，提供一种对地形扫描产生的离散及成簇噪声点去除的基于三维格网的机载激光雷达点云去噪方法。