机载激光雷达点云数据分类方法研究西南交通大学.pdf

C l a s s i f i e dI n d e x ：P 2 37U ．D ．C ：S o u t h w e s tJ i a o t o n gU n i v e r s i t yM a s t e rD e g r e eT h e s i sT H EM E T H O DO FA I R BO R N EL A S E R S C A N N ⅢGD A T AC L A S S I F I C A T I O NG r a d e ：2 0 1 0C a n d i d a t e ：Z h a n gL i m i n gA c a d e m i cD e g r e eA p p l i e df o r ：M a s t e rS p e c i a l t y ：G e o d e s ya n dS u r v e y i n gE n g i n e e r i n gS u p e r v i s o r ：P r o f ．F a nD o n g m i n gM a y , 2 0 1 3西南交通大学硕士学位论文主要工作( 贡献) 声明本人在学位论文中所做的主要工作或贡献如下：1 ．传统的坡度滤波算法，利用经验知识或样本区间确定坡度阈值，不能完全得到合理的坡度阈值。

在山区地形中，地形自身坡度与地物坡度之间的差别不是很大仅仅应用坡度阈值很难判定，容易造成过度滤波或真实地形的丢失针对以上问题，本文对传统的坡度算法进行了改进，增加了双向坡度阈值、高程阈值和二次滤波，增强了细节保护，一定程度的解决了坡度阈值的自适应选择问题，对山区地形有一定的适用性2 ．在研究建筑物区域增长算法的基础上，改进了一种基于离散点云的区域增长提取流程，应用高程阈值、梯度阈值、邻域半径密度分析进行分割分类该算法剔除了植被点和地面低矮附属物的干扰，解决了建筑物和植被点分离过度和分离欠佳的问题，利用邻域半径密度法可以比较准确的提取出建筑物种子点3 ．按照阶层式点云数据分类分割策略的原理，利用C 群．n e t 和O b j e c t A R X 技术在A u t o C A D2 0 1 0 中开发了学习型的机载激光雷达点云分类分割软件L I D A R - S c a n e 该软件可以实现点云分类显示、不规则三角网构建、点云数据分类分割等功能本人郑重声明：所呈交的学位论文，是在导师指导下独立进行研究工作所得的成果除文中已经注明引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写过的研究成果。

对本文的研究做出贡献的个人和集体，均已在文中作了明确说明本人完全了解违反上述声明所引起的一切法律责任将由本人承担学位论文作者签名：嚣矛C ’曩号日期：训．舅z6西南交通大学曲南父逋大字学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅本人授权西南交通大学可以将本论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复印手段保存和汇编本学位论文本学位论文属于1 ．保密口，在年解密后适用本授权书； 2 ．不保密么使用本授权书 请在以上方框内打“√”)学位论文储虢獬·H指剥币躲育≮砂a日期：弘I 弓．了．2 9日期：≥6I ? 、r 、芝 3( 4 - 4 )I讽缸／f砚，其中，纸是初始高程阈值，一般选择机载L I D A R 数据在高程方面的误差( 0 ．2 ~ o ．3 m ) ；S 代表区域的平均地形坡度，为一个不变数值；c 表示格网的大小：d k 表示最大高差阈值，一般选择区域内最矮建筑物的高度作为高程阈值；魄表示第f 次计算时( i = 1 ，2 ⋯蚴的窗口大小。

图4 - 1 改进数学算法流程图本文首先采用传统数学形态法对测试数据进行处理，采用固定窗口大小和固定高程阈值实验中所使用的数据是从h 郇：／／o p e n t o p o ．s d s c ．e d u ／g r i d s p h e r e ／g r i d s p h e r e ? N ] 站上下载的一套具有双次回波的点云数据地点为美国新罕布什尔州( N e wH a m p s h i r e ) W e s tS w a n z e y 市一处机载激光雷达数据，测试数据航空影像见图4 ．2 该测试区域点云总数为8 7 4 9 4 个，包含建筑物点、植被点、地面点和其他低矮地面附属地物( 汽车等) ，最大高程为1 6 7 ．0 9 米，最小高程为1 2 3 ．6 8 米采用传统的数学形态法进行滤波处理时，为了计算方便和保证效果，每个格网内必须有3 ．1 0 个离散点，因此本算例格网大小选择为2 ×2 米此区域没有特大型的建筑物，大部分建筑是长方形的居民屋，从保护地形细节和减少计算量角度出发，取建筑物短边长度中最大值作为窗口大小故本实验数据窗口大小设置为1 0 ×1 0 米，高程阈值为0 ．5米。

参数指标见表4 —1 ，经过滤波处理后的滤波结果见图4 ．5 ，渲染效果见图4 - 6 西南交通大学硕士研究生学位论文第2 1 页表4 - 1 传统坡度算法参数表图4 - 2W e s tS w a n z e y 测试数据航空影像图图4 - 3W e s tS w a n z e y 测试数据原始点云三维显示图图4 ．4W e s tS w a n z e y 测试数据原始点云渲染效果图西南交通大学硕士研究生学位论文第2 2 页图4 - 5W e s tS w a n z e y 测试数据滤波后地面点平面显示图图4 - 6W e s tS w a n z e y 测试数据地面点内插渲染效果图本文从视觉检验和统计分析两个角度来检验滤波的合理性和有效性比较图4 - 4 和图4 ．5 可以看到，传统数学形态法能较好的过滤掉建筑物、高大植被点、汽车、灌木层，较好地提取出地面点，但是也有一些地物点被错误地提取，也有一部分地面点没有被提取，主要是一些房屋交界处和高程突变点按照第二章第四节所讲的滤波算法误差评价指标进行定量分析，采用人机交互和目视判读得到a 、b 、c 、d ，结果见表4 ．2 表4 ．2 传统数学形态法滤波误差表数据类型GN误差比例地面点地物点总数3 8 6 0 58 4 73 9 4 5 22 0 0 14 6 0 4 14 8 0 4 24 ．9 3 ％1 ．8 1 ％3 ．2 6 ％使用改进数学形态法进行滤波时，采用相同的数据，坡度S 的求取采用以下方法：首先对原始数据进行格网化，格网大小的选取选择5 m ，取每个格网的最小点作为坡度计算种子点，取其与周边点的最大坡度作为该格网的坡度值。

坡度公式采用西南交通大学硕士研究生学位论文第2 3 页J = 1 笔d x ，a y ，龙为坡度计算种子点周围点在三个方向的差值由每个格网√出2 + a y 2的最大坡度值构成坡度统计直方图取直方图峰值作为该区域的平均坡度值为了保证滤波效果，本算例采用线性增长方法增长窗口，使用与传统方法同样的数据进行处理滤波结果和渲染结果见图4 ．1 0 和图4 ．1 1 数据参数见下表：表4 ．3 参数取值表表4 —4 不同窗口大小高程阈值表项目大小窗口大小( m )13579高程阈值( m )0 ．30 ．31 ．31 ．32滤波后地面点个数5 5 0 3 54 0 7 7 44 0 2 3 33 9 9 5 33 9 6 6 7不同窗口大小滤波结果的点云滤波结果见图4 ．7 至图4 ．1 0 ：图4 ．71 ×1 窗口地面点平面图蘩鬻囊愿罴一图4 - 83 ×3 窗口地面点平面图西南交通大学硕士研究生学位论文第2 4 页图4 - 95 ×5 窗口地面点平面图图4 - 97 ×7 窗口地面点平面图图4 ．1 09 x 9 窗口地面点平面图图4 —1 1 改进数学形态法滤波地面点渲染图西南交通大学硕士研究生学位论文第2 5 页表4 ．5 改进数学形态法误差表由表4 ．2 和4 ．5 可以看出，改进的数学形态算法在一定程度上提高了滤波的精度。

尤其是在树木、建筑物、地面点交叉部分得到了改善在改进坡度算法计算时，随着迭代次数的增加地面点的个数也在减少，但是趋势趋于平缓高程阈值的选择也很重要，每次迭代要选择不同的高程阈值进行计算如果选择不当，也可能造成滤波效果较差4 ．2 距离期望定权算法比较地球表面可以看作自然表面和非地面点物体两部分，自然表面物体比较光滑，非地面点自然表面存在较大高差，造成地面的不连续【2 4 】距离限制的期望滤波正是基于此原理，迭代最小二乘内插算法与此方法相近，都是利用周边点拟合出目标点高程，根据高程残差关系来进行滤波分析，不同的是距离期望滤波算法比较简单，仅仅利用周边最小高程值进行滤波，而迭代最小二乘内插算法是利用周边区域全部离散点来进行拟合如果把所有的拟合点组成一个面，迭代最小二乘内插的拟合面可以看成是一个介于原始地形和地物地形之间的一个虚拟拟合面，滤波的难点是植被点的滤波分类，而采用周边高程最小值拟合出的拟合面是一个略低于真实地面的，局部重合的虚拟拟合面，植被点基本都高于这个拟合面，植被点的选择问题就得到了解决而地面点在这个虚拟面上下一个比较小的区域范围内这样，距离期望算法的定权方法不会像迭代最小二乘内插算法那么复杂，计算比较简单。

地面点P 与其临近D 距离内的点应该与其有一定的连续性设P 点高程为Z ．，通过周边邻域D 内地面点可以拟合出其高程值Z 一如果两者高差之绝对值小于高程阈值则为地面点，反之为地物点高程阈值采用地形样本区间内高差最大值为了计算方便，对点云数据进行格网划分，格网大小选择略大于最大建筑物的尺寸在选取周边拟合点时，选取每个格网内最小高程点作为拟合点，因为最小高程点基本可以确定是地面点，本算例中选取周围八邻域格网内高程最小点作为拟合点，拟合时采用反距离定权方法进行定权空间任意两点置( 五，M ，Z 1 ) 与￡( 屯，Y 2 ，z ：) 的平面距离厂————————_ = ■———————————— _ 厂—————————= _ ———————————- = ———————～一％= √( 五一％) 2 + ( M —n ) 2 ，三维距离为B √( 五一恐) 2 + ( 咒一奶) 2 + ( z 一乞) 2 那么反距离定权时有3 种定权依据：一种是平均定权，只要是邻域距离内的点权重大小相等另两种是利用平面距离定权和三维距离定权本文采用这三种简单的定权方法进行计算西南交通大学硕士研究生学位论文第2 6 页比较。

实验中所使用的数据是从h t t p ：N o p e n t o p o ．s d s c ．e d u ／g r i d s p h e r e ／g r i d s p h e r e ? l 网站上下载的具有双次回波的点云选用印第安纳州波利斯市郊区的一处数据作为测试数据该数据包含建筑物、树木、大量汽车等格网大小取1 0 ×1 0 米分别用等权拟合、平面距离定权拟合、三维距离定权拟合三种方法进行滤波处理，结果见图4 ．1 4 、4 ．1 5 、4 ．1 6 t aS e l e c ta r e a o f d m t a t o d o w l a l o a d o r p r o c e z _ ‘：靠图4 —1 2 印第安纳测试数据航空影像图} ，、爹 、囊．垮瓢逛≯图4 —1 3 印第安纳测试数据离散点云图图4 ．1 4 印第安纳测试数据等权结果图西南交通大学硕士研究生学位论文第2 7 页图4 ．1 5 印第安纳测试数据平面定权结果图图4 ．1 6 印第安纳测试数据三维定权结果图由以上四图可以看出，实际距离定权和平面距离定权在细节处理方面比平均加权滤波效果更好，三维距离定权和平面距离定权都能较好的提取地面，两者对滤波结果的影响没有明显的差异。