專利名稱：一種機載激光點云數(shù)據(jù)的智能化濾波方法
技術(shù)領(lǐng)域：
本發(fā)明涉及遙感測繪領(lǐng)域，特別是一種機載激光點云數(shù)據(jù)的濾波方法。
背景技術(shù)：
LiDAR (激光雷達)掃描系統(tǒng)集GNSS (全球?qū)Ш叫l(wèi)星系統(tǒng))、INS (慣性導(dǎo)航系統(tǒng))、激光掃描系統(tǒng)于一體，能夠直接測得空間點三維坐標，可高效快捷獲取數(shù)字表面模型?，F(xiàn)在的機載LiDAR技術(shù)可獲取10-20cm水平分辨率的數(shù)據(jù)，一條航帶測得的點數(shù)往往超過數(shù)千萬。如何快速高效地處理LiDAR數(shù)據(jù)就成為一個值得研究的問題。盡管目前商用LiDAR系統(tǒng)常隨機附帶許多處理LiDAR數(shù)據(jù)的軟件工具包，然而在實際應(yīng)用中，仍然需要大量的人工干預(yù)，如濾波參數(shù)設(shè)定、濾波結(jié)果的人工編輯。其中手工分類和質(zhì)量控制甚至耗費了整個處理時間的60% 80%。
點云濾波是LiDAR數(shù)據(jù)處理過程中的重要一步，它將激光點分成地面點和非地面點如建筑物、樹木等，是生成DEM(數(shù)字高程模型)并獲取地形信息的關(guān)鍵步驟。研究人員提出了很多濾波算法，如基于數(shù)學形態(tài)學的濾波方法、基于線性預(yù)測的方法、基于漸進三角網(wǎng)的方法、基于分割的方法等。Sithole和Vosselman在2004年ISPRS大會上對常見的幾種算法的做了一下對比，同時指出沒有哪一種算法能處理好所有地形，并指出未來的濾波算法需要針對不同的地形條件，相應(yīng)地調(diào)整濾波策略，并輔助有效的分類信息。近年來研究人員仍然在研究這個問題，但都需要人工設(shè)置各種濾波參數(shù)。由于LiDAR系統(tǒng)自身在脈沖信號發(fā)射和接收過程中電路傳輸出錯、脈沖信號打到飛鳥及低空不明飛行物表面、脈沖信號多次漫反射等原因，機載LiDAR點云常常包含大量噪聲點。在濾波處理過程中，噪聲點會極大地影響鄰近地表的光滑性及最終的DEM精度。噪聲對LiDAR點云濾波有較大影響，但現(xiàn)有的去噪算法常常不能很好的處理這類噪聲，且現(xiàn)有濾波算法基本是濾波前單獨處理噪聲，這也較大地影響了 LiDAR點云數(shù)據(jù)智能化處理進程。

發(fā)明內(nèi)容
為了解決上述的技術(shù)問題，本發(fā)明提供了一種高精度的機載激光點云數(shù)據(jù)的智能化濾波方法。本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是—種機載激光點云數(shù)據(jù)的智能化濾波方法，包括SI、讀取激光點云數(shù)據(jù)，進而使用格網(wǎng)索引組織激光點云數(shù)據(jù)中包含的點，生成一密集點云格網(wǎng)及一稀疏點云格網(wǎng)；S2、對稀疏點云格網(wǎng)進行分類后，獲得城區(qū)區(qū)域和山區(qū)區(qū)域；S3、采用不同窗口分別對所述城區(qū)區(qū)域和山區(qū)區(qū)域進行劃分，進而提取每個窗口的局部最低點；S4、以所述局部最低點為種子點，使用基于區(qū)域增長的智能化分割提取得到初始地面點；S5、根據(jù)所述初始地面點，建立TIN模型，進而漸進加密TIN模型，迭代提取地面點。進一步,所述步驟S2包括S21、將稀疏點云格網(wǎng)中每個格網(wǎng)內(nèi)的最低點的高程值作為灰度值，進而生成第一高程影像圖Ih;S22、分別計算并生成第一高程影像圖Ih的X方向梯度圖Ix和Y方向梯度圖Iy ；S23、分別對X方向梯度圖Ij^P Y方向梯度圖Iy進行中值濾波，得到濾波后的X方向梯度圖Ix'和濾波后的Y方向梯度圖I/ ；S24、根據(jù)預(yù)設(shè)的窗口分別對濾波后的X方向梯度圖Ij/和濾波后的Y方向梯度圖 Iy'進行劃分后，計算劃分后每個窗口的均值，并判斷均值是否大于預(yù)設(shè)閾值，若均值大于預(yù)設(shè)閾值，則對應(yīng)的窗口內(nèi)的格網(wǎng)區(qū)域為山區(qū)區(qū)域，反之，則對應(yīng)的窗口內(nèi)的格網(wǎng)區(qū)域為城區(qū)區(qū)域進一步，所述步驟S22中X方向梯度圖Ix采用以下公式計算生成
Jl Hh J.+1)—Hh J.) |，(O S / S —I 且O S J· < ff—I且 I Ihd, /+1)—Mi, j) K 2)
二 Ιο,(其它情況)其中，W和H分別為第一高程影像圖的寬度和高度，i和j都是自然數(shù)。進一步，所述步驟S22中Y方向梯度圖Iy采用以下公式計算生成
{I Mi+I)-LiUj) I, (O </<//-mo< J 竺妒一I且丨 Ηι+ι,β-Μ ,η K 2)
=Io,(其它情況)其中，W和H分別為第一高程影像圖的寬度和高度，i和j都是自然數(shù)。進一步，所述步驟S23，其具體為采用IXn的模板對X方向梯度圖Ix進行中值濾波，進而得到濾波后的X方向梯度圖Γ x，并采用nXl的模板對Y方向梯度圖Iy進行濾波，進而得到濾波后的Y方向梯度圖I/，其中，η是大于I的奇數(shù)。進一步，所述步驟S4包括S41、將密集點云格網(wǎng)中每個格網(wǎng)內(nèi)的最低點的高程值作為灰度值，進而生成第二高程影像圖Ihs ;S42、將所述局部最低點作為種子點，對第二高程影像圖Ihs進行8鄰域區(qū)域增長，進而得到增長后的區(qū)域，即分割區(qū)域；S43、將第二高程影像圖Ihs取反后，設(shè)置合適大小的窗口對取反后的分割區(qū)域提取每個窗口的最低點作為種子點，對取反后的分割區(qū)域進行8鄰域區(qū)域增長，進而得到增長后的區(qū)域，即次分割區(qū)域；S44、將取反的第二高程影像圖Ihs再次取反后，設(shè)置合適大小的窗口對取反后的次分割區(qū)域提取每個窗口的最低點作為種子點，對取反后的次分割區(qū)域進行8鄰域區(qū)域增長，進而提取增長后的區(qū)域的最低點作為初始地面點。本發(fā)明的有益效果是本發(fā)明的一種機載激光點云數(shù)據(jù)的智能化濾波方法，直接處理原始數(shù)據(jù)而不是重采樣后的數(shù)據(jù)，因而沒有幾何精度的損失。而且本發(fā)明采用格網(wǎng)索引組織點云，獲得點云格網(wǎng)，并在濾波前對點云格網(wǎng)進行分類，之后對不同類型的點云格網(wǎng)設(shè)置不同的閾值進行處理，處理過程中不需人工干預(yù)。本發(fā)明還采用了一種基于區(qū)域增長的分割算法提取初始地面點，能有效避免噪聲點的干擾。本發(fā)明提高了機載激光點云數(shù)據(jù)濾波的智能化程度，極大地提高了機載激光點云數(shù)據(jù)處理效率及濾波精度。


下面結(jié)合附圖和實施例對本發(fā)明作進一步說明。圖I是本發(fā)明的一種機載激光點云數(shù)據(jù)的智能化濾波方法的工作流程圖；圖2是圖I中步驟S2的詳細流程圖； 圖3是圖2中步驟S4的詳細流程圖；圖4是圖3中步驟S41生成的第二高程影像圖；圖5是對圖4執(zhí)行圖3中的步驟S42后生成的圖；圖6是對圖5執(zhí)行圖3中的步驟S43后生成的圖；圖7是對圖6執(zhí)行圖3中的步驟S44后生成的圖；圖8是圖I中步驟S5所述TIN模型的示意圖；圖9為圖3中步驟S42至S44中的8鄰域區(qū)域增長的原理圖。
具體實施例方式為了便于下文的描述，首先給出下列名詞定義LiDAR(Light Detection And Ranging),激光雷達；GNSS(Global Navigation Satellite System),全球?qū)Ш叫l(wèi)星系統(tǒng)；INS (Inertial Navigation System),慣性導(dǎo)航系統(tǒng)；TIN (Triangulated Irregular Network),不規(guī)則三角網(wǎng)。參照圖1，本發(fā)明提供了一種機載激光點云數(shù)據(jù)的智能化濾波方法，包括SI、讀取激光點云數(shù)據(jù)，進而使用格網(wǎng)索引組織激光點云數(shù)據(jù)中包含的點，生成一密集點云格網(wǎng)及一稀疏點云格網(wǎng)；S2、對稀疏點云格網(wǎng)進行分類后，獲得城區(qū)區(qū)域和山區(qū)區(qū)域；S3、采用不同窗口分別對所述城區(qū)區(qū)域和山區(qū)區(qū)域進行劃分，進而提取每個窗口的局部最低點；S4、以所述局部最低點為種子點，使用基于區(qū)域增長的智能化分割提取得到初始地面點；S5、根據(jù)所述初始地面點，建立TIN模型，進而漸進加密TIN模型，迭代提取地面點。進一步作為優(yōu)選的實施方式，參照圖2，所述步驟S2包括S21、將稀疏點云格網(wǎng)中每個格網(wǎng)內(nèi)的最低點的高程值作為灰度值，進而生成第一高程影像圖Ih ;S22、分別計算并生成第一高程影像圖Ih的X方向梯度圖Ix和Y方向梯度圖Iy ；
S23、分別對X方向梯度圖Ij^P Y方向梯度圖Iy進行中值濾波，得到濾波后的X方向梯度圖Ix'和濾波后的Y方向梯度圖I/ ；S24、根據(jù)預(yù)設(shè)的窗口分別對濾波后的X方向梯度圖Ij/和濾波后的Y方向梯度圖Iy'進行劃分后，計算劃分后每個窗口的均值，并判斷均值是否大于預(yù)設(shè)閾值，若均值大于預(yù)設(shè)閾值，則對應(yīng)的窗口內(nèi)的格網(wǎng)區(qū)域為山區(qū)區(qū)域，反之，則對應(yīng)的窗口內(nèi)的格網(wǎng)區(qū)域為城區(qū)區(qū)域進一步作為優(yōu)選的實施方式，所述步驟S22中X方向梯度圖Ix采用以下公式計算生成
"..、(IHi,j+1)-Hi,j) 1,(0</<//-1J.0<J<W-IR\Ih(i,y+i)-h(i,j)|<2)
L |o，(其它情況) 其中，W和H分別為第一高程影像圖的寬度和高度，i和j都是自然數(shù)。進一步作為優(yōu)選的實施方式，所述步驟S22中Y方向梯度圖Iy采用以下公式計算生成
}| Mi+1, j)—I (i, j) \,(0< <Η-\ 0< J S 妒一I且 I h(i-+1, j) - I (i, j) \< 2)
供它情況)其中，W和H分別為第一高程影像圖的寬度和高度，i和j都是自然數(shù)。進一步作為優(yōu)選的實施方式，所述步驟S23，其具體為采用IXn的模板對X方向梯度圖Ix進行中值濾波，進而得到濾波后的X方向梯度圖Ij/，并采用nXl的模板對Y方向梯度圖Iy進行濾波，進而得到濾波后的Y方向梯度圖I/，其中，η是大于I的奇數(shù)。進一步作為優(yōu)選的實施方式，參照圖3，所述步驟S4包括S41、將密集點云格網(wǎng)中每個格網(wǎng)內(nèi)的最低點的高程值作為灰度值，進而生成第二高程影像圖Ihs，如圖4所示；S42、將所述局部最低點作為種子點，對第二高程影像圖Ihs進行8鄰域區(qū)域增長，進而得到增長后的區(qū)域，即分割區(qū)域，如圖5所示；S43、將第二高程影像圖Ihs取反后，設(shè)置合適大小的窗口對取反后的分割區(qū)域提取每個窗口的最低點作為種子點，對取反后的分割區(qū)域進行8鄰域區(qū)域增長，進而得到增長后的區(qū)域，即次分割區(qū)域，如圖6所示；S44、將取反的第二高程影像圖Ihs再次取反后，設(shè)置合適大小的窗口對取反后的次分割區(qū)域提取每個窗口的最低點作為種子點，對取反后的次分割區(qū)域進行8鄰域區(qū)域增長，進而提取增長后的區(qū)域的最低點作為初始地面點，如圖7所示。本發(fā)明的一具體實施例如下S100、讀取激光點云數(shù)據(jù)，進而使用格網(wǎng)索引組織激光點云數(shù)據(jù)中包含的點，生成一密集點云格網(wǎng)及一稀疏點云格網(wǎng)，這里所有點按照其坐標規(guī)則劃分組織，分別生成ImX Im的密集點云格網(wǎng)和4mX 4m的稀疏點云格網(wǎng)；SlOljf 4mX4m的稀疏點云格網(wǎng)中每個格網(wǎng)內(nèi)的最低點的高程值作為灰度值，進而生成第一高程影像圖Ih;
S102、分別計算并生成第一高程影像圖Ih的X方向梯度圖Ix和Y方向梯度圖Iy，
具體計算公式如下
權(quán)利要求
1.一種機載激光點云數(shù)據(jù)的智能化濾波方法,其特征在于,包括 51、讀取激光點云數(shù)據(jù)，進而使用格網(wǎng)索引組織激光點云數(shù)據(jù)中包含的點，生成一密集點云格網(wǎng)及一稀疏點云格網(wǎng)； 52、對稀疏點云格網(wǎng)進行分類后，獲得城區(qū)區(qū)域和山區(qū)區(qū)域； 53、采用不同窗口分別對所述城區(qū)區(qū)域和山區(qū)區(qū)域進行劃分，進而提取每個窗口的局部最低點； 54、以所述局部最低點為種子點，使用基于區(qū)域增長的智能化分割提取得到初始地面占. 55、根據(jù)所述初始地面點，建立TIN模型，進而漸進加密TIN模型，迭代提取地面點。
2.根據(jù)權(quán)利要求I所述的一種機載激光點云數(shù)據(jù)的智能化濾波方法，其特征在于，所述步驟S2包括 521、將稀疏點云格網(wǎng)中每個格網(wǎng)內(nèi)的最低點的高程值作為灰度值，進而生成第一高程影像圖Ih ; 522、分別計算并生成第一高程影像圖Ih的X方向梯度圖Ix和Y方向梯度圖Iy； 523、分別對X方向梯度圖Ij^PY方向梯度圖Iy進行中值濾波，得到濾波后的X方向梯度圖Ix'和濾波后的Y方向梯度圖I/ ; 524、根據(jù)預(yù)設(shè)的窗口分別對濾波后的X方向梯度圖Ix'和濾波后的Y方向梯度圖I/進行劃分后，計算劃分后每個窗口的均值，并判斷均值是否大于預(yù)設(shè)閾值，若均值大于預(yù)設(shè)閾值，則對應(yīng)的窗口內(nèi)的格網(wǎng)區(qū)域為山區(qū)區(qū)域，反之，則對應(yīng)的窗口內(nèi)的格網(wǎng)區(qū)域為城區(qū)區(qū)域。
3.根據(jù)權(quán)利要求2所述的一種機載激光點云數(shù)據(jù)的智能化濾波方法，其特征在于，所述步驟S22中X方向梯度圖Ix采用以下公式計算生成 . fI Hi, j +1) - h(i, j) I, (O < / < // -1 J.0 < j < if - 1J. IMz, j +1) - Hi, j) |< 2)42’7) = 10，(其它情況) 其中，W和H分別為第一高程影像圖的寬度和高度，i和j都是自然數(shù)。
4.根據(jù)權(quán)利要求2所述的一種機載激光點云數(shù)據(jù)的智能化濾波方法，其特征在于，所述步驟S22中Y方向梯度圖Iy采用以下公式計算生成 {I h(i+lj) — Mi，j) 1,(0 < i <丑—I且OS J. S 妒―I且丨 h(i + \,j) — h(i,j) K 2) #’力=1()，(其它情況) 其中，W和H分別為第一高程影像圖的寬度和高度，i和j都是自然數(shù)。
5.根據(jù)權(quán)利要求2所述的一種機載激光點云數(shù)據(jù)的智能化濾波方法，其特征在于，所述步驟S23，其具體為 采用IXn的模板對X方向梯度圖Ix進行中值濾波，進而得到濾波后的X方向梯度圖I/，并采用nXl的模板對Y方向梯度圖1,進行濾波，進而得到濾波后的Y方向梯度圖I/，其中，η是大于I的奇數(shù)。
6.根據(jù)權(quán)利要求I所述的一種機載激光點云數(shù)據(jù)的智能化濾波方法，其特征在于，所述步驟S4包括 S41、將密集點云格網(wǎng)中每個格網(wǎng)內(nèi)的最低點的高程值作為灰度值，進而生成第二高程影像圖Ihs ;·542、將所述局部最低點作為種子點，對第二高程影像圖Ihs進行8鄰域區(qū)域增長，進而得到增長后的區(qū)域，即分割區(qū)域； ·543、將第二高程影像圖Ihs取反后，設(shè)置合適大小的窗口對取反后的分割區(qū)域提取每個窗口的最低點作為種子點，對取反后的分割區(qū)域進行8鄰域區(qū)域增長，進而得到增長后的區(qū)域，即次分割區(qū)域； ·544、將取反的第二高程影像圖Ihs再次取反后，設(shè)置合適大小的窗口對取反后的次分割區(qū)域提取每個窗口的最低點作為種子點，對取反后的次分割區(qū)域進行8鄰域區(qū)域增長，進而提取增長后的區(qū)域的最低點作為初始地面點。
全文摘要
本發(fā)明公開了一種機載激光點云數(shù)據(jù)的智能化濾波方法，包括讀取激光點云數(shù)據(jù)，進而使用格網(wǎng)索引組織激光點云數(shù)據(jù)中包含的點，生成一密集點云格網(wǎng)及一稀疏點云格網(wǎng)；對稀疏點云格網(wǎng)進行分類后，獲得城區(qū)區(qū)域和山區(qū)區(qū)域；采用不同窗口分別對城區(qū)區(qū)域和山區(qū)區(qū)域進行劃分，進而提取每個窗口的局部最低點；以局部最低點為種子點，使用基于區(qū)域增長的智能化分割提取得到初始地面點；根據(jù)初始地面點，建立TIN模型，進而漸進加密TIN模型，迭代提取地面點。本發(fā)明處理過程中不需人工干預(yù)，且能有效避免噪聲點的干擾，提高了機載激光點云數(shù)據(jù)處理效率及濾波精度。本發(fā)明作為一種性能優(yōu)良的機載激光點云數(shù)據(jù)的智能化濾波方法可廣泛應(yīng)用于測繪行業(yè)中。
文檔編號G06T5/00GK102930509SQ20121035025
公開日2013年2月13日 申請日期2012年9月18日 優(yōu)先權(quán)日2012年9月18日
發(fā)明者胡翔云, 葉立志 申請人:廣州建通測繪技術(shù)開發(fā)有限公司