点云滤波方法.doc

点云滤波方法激光雷达点云数据滤波算法综述滤波对象及目的:通过机载激光雷达快速获取高精度三维地理数据, 对它所获取的点云数据的滤波过程就是将 LIDAR 点云数据中的地面点和非地面点分离的过程。(一) LIDAR 数据形态学滤波算法: (1) 离散点云腐蚀处理。遍历 LIDAR 点云数据,以任意一点为中心开w × w大小的窗口, 比较窗口内各点的高程, 取窗口内最小高程值为腐蚀后的高程(2) 离散点膨胀处理。再次遍历 LIDAR 点云数据,对经过腐蚀后的数据用同样大小的结构窗口做膨胀。即以任意一点为中心开w × w大小的窗口, 此时, 用腐蚀后的高程值代替原始高程值, 比较窗口内各点的高程, 取窗口内最大高程值为膨胀后的高程(3) 地面点提取。设 Zp是p 点的原始高程,t为阈值,在每点膨胀操作结束时,对该点是否是地面点作出判断。如果p点膨胀后的高程值和其原始高程值 Zp 之差的绝对值小于或等于阈值t,则认为p点为地面点,否则为非地面点该算法有两种滤波方式: 一种是按离散点进行滤波, 一种是按格网滤波。(1 )按离散点滤波:是对每个激光点进行腐蚀和膨胀操作各一次, 结构窗口内数据的选取按距离来量度。(2) 按格网滤波: 指将每个格网看成一个“像素”, 按照数字图像处理中取邻域的方法来开取结构窗口。腐蚀时, 格网的“像素值”即为w × w邻域所包含格网的最小高程值; 膨胀时, 格网的“像素值”即为w ×w 邻域所包含格网的最大高程值。优缺点: 总体上, 数学形态学算法存在的主要问题是坡度阈值的人工选取和细节地形的方块效应。如果阈值设定太大, 可能保留一些低矮的地物目标, 设定太小, 则可能削平地形特征。现在各种阈值的选取一般根据研究者的经验设定, 或者根据地形特征设定的, 没有考虑全局的特征因素, 不具有普适性。解决这些问题的方法是根据地形的起伏大小和高程变化自适应的进行滤波窗口调整。但此方法在大范围地区及地形变化强烈山区的有效性还有待进一步研究。实际应用:从应用上, Lindenberger 将数字形态学方法引人到机载激光雷达数据滤波中, 首先采用水平结构单元对机载激光测高数据进行开运算,过滤剖面式激光扫描数据,然后利用自回归过程改善了开运算结果。(二)基于坡度变化的滤波算法滤波基本思想: 基于坡度变化的滤波算法是根据地形坡度变化确定最优滤波函数, 对于给定的高差值, 随着两点间距离的减小, 高程值大的激光脚点属于地面点的可能性就越小。原理:假设A为原始数据集,DE M为地面点集, d是点间距离, 那么满足下列滤波函数的点就是DEM的元素。 DEM?{Pi?A|?Pi?A:hpi?hpj??hmaxd?pi,pj?} (1) 如果对于给定点Pi,找不到临近点Pj使它们满足关系式(2 ), 那么Pi ?? 划分为地面点。 hpi?hpj??hmax(d(pi?pj)) (2) 该滤波方法主要是通过比较两点间的高差值的大小, 来判断拒绝还是接收所选择的点。两点间高差的阀值定义为两点间距离的函数Δ hmax (d ) 即所谓的滤波核函数。通常该函数是非递减函数, 确定该函数的方法主要有合成函数, 假设地形坡度不超过a% , 且观测值没有误差, 则滤波函数定义为: ?hmax(d)?ad (3) 通常观测值是有误差的, 所以再增加一个置信区间, 并假定允许的具