[发明专利]一种适用于机载LiDAR点云的地形自适应插值滤波方法

说明书

本发明公开了一种适用于机载LiDAR点云的地形自适应插值滤波方法。该方法包括低异常点去除、地面种子点选取、地面种子点核查以及地面点渐进选择等步骤。其中，在低异常点去除步骤中，本发明采用高程直方图实现低异常点自动剔除，以降低人工干预程度；在地面种子点选取步骤中，本发明利用一维离散光滑样条获取大量地面种子点，以提高初始地面参考面精度；在地面点渐进选择步骤中，本发明采用尺度无关插值估计待分类点值，以避免空间位置误差影响，此外，本发明还采用地形自适应滤波阈值以适应不同地形场景点云，以降低不同地形场景区点云错分和漏分的水平。本发明方法利于提升点云滤波的精度。

技术领域

本发明涉及一种适用于机载LiDAR点云的地形自适应插值滤波方法。

背景技术

目前，机载激光雷达(LiDAR)技术以其主动性和高效性等优势已成为三维空间数据采集的主要手段，广泛应用于数字高程模型生产、三维城市构建、森林资源调查以及山体滑坡监测等领域。区别于直接接触式数据采集方式，原始机载LiDAR点云数据包括各种地面点和非地面点，因此，原始机载LiDAR点云数据在使用前必须进行滤波处理。

过去二十年间，国内外众多研究人员提出了各种点云滤波算法。根据工作原理，现有的滤波算法可分为坡度滤波、形态学滤波、插值滤波、分块滤波以及机器学习滤波等。

坡度滤波假设相邻地面点坡度较小，因此，如果两点间坡度超过设定阈值，则较高的点为非地面点。然而，该滤波方法对坡度阈值非常敏感，特别在地形复杂区域容易将地形特征点错分为非地面点。为此，相关人员提出了一系列自适应坡度滤波方法，确保坡度阈值随地形复杂度自适应变化。由于坡度滤波仅利用相邻点之间的局部信息，该方法在地形断裂区和陡坡区滤波误差较大。

形态学滤波主要借助形态学开运算对点云滤波，即以一定尺寸的结构元开运算栅格化点云，如果处理前后栅格点高程差超过规定阈值，则对应点标记为非地面点。其中，结构元尺寸显著影响滤波精度：该尺寸必须足够大以能够去除各种尺寸非地面物，同时，该尺寸必须足够小以尽可能保留地形细节信息。为此，相关人员提出了一系列渐进形态学滤波算法以剔除各种尺寸非地面物。然而，形态学滤波以栅格化点云为操作对象，因此在点云栅格化过程中不可避免的造成精度损失。

插值滤波首先对地面种子点插值构建初始地面参考面，接着比较待滤波点与地面参考面的距离，如果该距离小于设定阈值，则对应的点标记为地面点，最后用更新后的地面种子点重复上述过程直至没有点标记为地面点。

作为插值滤波的典型代表，渐进三角网滤波因被纳入商业软件TerraSolid而被广泛使用。然而，该滤波方法使用TIN插值构建地面参考面，因此在地形复杂区域滤波精度较低。

为此，部分学者建议使用较高精度的非线性插值方法(如线性估计、薄板样条和克里金等)代替TIN插值，并提出了多分辨分层插值滤波方法。该类滤波方法在计算过程中需要构建一系列不同分辨率DEM作为地面参考面，并比较每个待分类点到对应DEM网格点的距离。然而，当待分类点与DEM网格中心点不重合时，势必产生空间位置误差，而且该空间位置误差与地形坡度呈正比，即坡度越大，误差越大。因此，插值滤波在陡坡区域滤波精度较低。

分块滤波以对点云分割后的块为基本处理单元，并利用块和块之间的拓扑关系、块和地面参考面的高程差等对各个块滤波。鉴于点云块可捕捉到地形断裂点，理论上分块滤波在地形断裂区具有较好的滤波效果。然而，分块滤波的优势是以对点云准确分块为前提，不准确分块容易抵消分块滤波的高效性。而且，该类滤波在地形复杂区域由于各个块中点数较少，优势并不明显。

近年来，机器学习方法被广泛使用点云滤波。常用的机器学习算法包括人工神经网络、条件随机场、支持向量机和深度学习等。然而，机器学习滤波方法需要大量的训练样本，制作过程费时费力；而且，该类滤波具有计算量庞大以及人工参与程度高等缺陷。

根据上述分析，表1总结了上述五种滤波方法的优缺点。

表1各种机载LiDAR点云滤波方法优缺点比较