形态学滤波关键参数阈值的等值线确定方法 下载: 889次
1 引言
激光雷达(LiDAR)是近年来发展迅猛的新型遥感技术。LiDAR采用主动扫描的方式获取数据,与传统摄影测量的被动扫描手段相比,具有受天气影响小、可持续扫描的优点。LiDAR具有一定的穿透性,在植被鉴别、建筑物提取方面有着巨大的优势。因此,激光雷达获得越来越多专业人士的认可。
由于地形复杂多样,雷达点云的滤波处理一直是难点。当前滤波算法主要分为4类:1) 数学形态学滤波方法;2) 逐渐加密滤波算法;3) 基于表面滤波方法;4)基于分割滤波方法[1]。Lindenberger[2]将数学形态学应用于雷达点云滤波;文献[ 3-5]中尝试了自适应滤波算法,但是仍然存在误差较大的问题;文献[ 6]中提出了区域预测点云滤波算法,通过确定斜率阈值,提高了形态学滤波精度。
相比其他滤波算法,数学形态学滤波算法具有实现效率高、原理简单的优点。准确的阈值参数可大幅提高滤波精度,但形态学算法的难点同样在于阈值参数的选取。
本文针对阈值参数难以确定的问题,提出等值线-形态学滤波算法,利用等值线的闭合性和相邻等值线高度差,选取出形态学滤波算法的关键阈值。
2 等值线法快速获取滤波阈值
2.1 渐进型形态学滤波算法
机载雷达在飞行和扫描中会产生粗差,激光雷达获取的是无序且缺少拓扑关系的离散点云数据,因此利用经验模态分解(EMD)算法去除点云噪声是一个必要的过程[7-8]。本文采用形态学滤波算法进行点云滤波,需将点云数据划分为规则格网。文献[ 9]中提出虚拟网格法形态学滤波算法,该算法对于格网选择、形态学运算(腐蚀、膨胀、开运算、闭运算)、滤波窗口等都有明确表述,本文不再赘述。
采用一维滤波算子,对滤波窗口内的数据点进行处理。梯度定义为
式中:
梯度为数据点高程减掉数据点开运算后的高程。为了保证每一次滤波的准确性,引入梯度作为检验条件。人工定义高差阈值
对地形分别采用
为解决固定窗口无法很好地保留地形特征的问题,Zhang等[10]提出渐进型形态学滤波算法,将滤波窗口从小依照一定规律逐步增大,每一个窗口都会对数据进行一次遍历,逐渐增大的窗口使数据点经过数次遍历判断。本文采用线性变化滤波窗口,窗口变化公式为
式中:
式中:
2.2 形态学滤波算法阈值的选取
由渐进性形态学滤波算法可知,该算法需要人工选取阈值,包括最小高差
2.2.1 等值线生成流程
文献[
11]中提出规则格网和不规则三角形等值线生成算法,本文利用区域内离散无序的高程数据点,通过内插方法得到规则格网点的高程值,利用格网点的横坐标值、纵坐标值和高程值生成等值线,等值线生成流程如
2.2.2 等值线法选择最大滤波窗口阈值
雷达点云中的建筑物由于高差和面积较大,一直是滤波算法的难点。建筑物具有明显的特征,建筑边缘大多数都为规则图形,而且建筑边缘的高程值非常接近。基于这一特性,将高程值近似点绘制成等值线。由于建筑物的等值线是闭合的,因此会生成建筑区域内的等值线,等值线所确定的范围即为建筑物的大小。形态学滤波最大窗口阈值需要满足最大建筑物的大小。某测区航拍实景图与等值线示意图如
本文采用的是一维线性滤波窗口,而闭合等值线常用于确定二维闭合形状。为使一维窗口能够准确确定建筑物大小,本文提出改进方案:利用等值线内所有数据点,计算等值线区域内所有点之间的最大距离,最大距离判定为最大滤波窗口大小。最大距离既保留了建筑物的特性,又能避免二维滤波窗口带来的计算量过大的问题。
式中:
激光扫过的高程变化明显的位置既可能被判断为建筑物,也可能被判断为陡坎地形。但建筑物的等高线是一个封闭的图形,而陡坎则通常不是。因此,使用等高线关联有其优势。等高线方法可能会带来阈值误差,但其阈值通常都是偏小的。这是因为:由激光扫描点所构造的等高线与建筑物的外轮廓线并不完全一致,而且始终偏小。为解决该阈值误差,可以增加一个小的常量。事实上,该阈值误差可以忽略,因为建筑物未扫描到的轮廓边界点云是不需要滤波的,而扫描到的建筑物点云则会出现在最大滤波窗口范围内。
2.2.3 等值线法选择最大高差阈值
最大高差是滤波算法中的另一重要阈值。建筑物不同于缓慢变化的山体,建筑梯度变化的陡变性是识别建筑高程的重要依据。等值线的疏密代表地形的平缓与陡峭。建筑底部的激光脚点与顶部的激光脚点虽然会存在横纵坐标的近似,但是高差阈值变化很大。徐旭[12]在等值线填充的基础上,利用相邻等值线色彩梯度差异,可以快速判断出建筑物的最大高差。建筑区点云等值线填充分布及其雷达点云分布示意如
2.2.4 坡度角度对于最大高差的检验
对于地面和建筑、地面和大型植被的高差值近似的临界点,高差不足以判断点的属性,因此引入倾斜角作为判断的依据。
式中:
2.3 形态学滤波阈值参数的确定
算法步骤如下:
1) 雷达点云去噪。
2) 点云通过虚拟格网法建立规则格网。
3) 对点云数据建立等值线,根据建筑物等值线的闭合性和规律性判断最大建筑的大小,定义最大滤波窗口。
4) 对等值线进行填充,依据建筑物高差梯度变化和倾斜角定义窗口内的最大高差阈值,确定初始滤波窗口大小。
5) 对滤波窗口的数据进行开运算,判断梯度是否小于阈值:如果满足条件,为地面点;如果不满足条件,为非地面点。
6) 利用(2)式增大滤波窗口,利用(3)式定义不同高差阈值。
7) 滤波窗口最大化,完成滤波。
等值线-形态学滤波算法的流程图如
3 实验结果与分析
雷达点云滤波存在3种误差:1) I类误差,将地面点误分为非地面点;2) II类误差,将非地面点误分为地面点[13];3) 总误差,两类误差总数与数据点个数的比。实验数据选取国际摄影测量与遥感学会(ISPRS)提供的数据集,用于定量、定性分析滤波精度,通过3组实验进行验证分析。
3.1 实验一:验证形态学滤波精度
选取ISPRS中Samp23数据集用于实验。Samp23有标准的属性,0表示地面点,1表示地物点。等值线法确定测区最大滤波窗口大小和测区雷达点云分布,如
采用MATLAB软件实现改进型形态学滤波算法,利用等值线生成的最大滤波窗口为30 m,最大高差为15 m,判断地面点与地物点,并统计I、II两类误差。实验结果如
通过对
表 1. Samp23测区点云点个数与两类误差统计
Table 1. Number of point cloud points in Samp23 survey area and two types of error statistics
|
图 11. Samp23测区滤波前、后的点云分布。(a)滤波前;(b)滤波后
Fig. 11. Samp23 survey area before and after filtering. (a) Before filtering; (b) after filtering
3.2 实验二:验证等值线法确定阈值的滤波精度
为了判断最大窗口阈值和最大高差阈值分别对于滤波结果的影响,引入总误差作为衡量滤波精确度的标准。选取Samp42作为实验样本,样本地形为一大型建筑区。等值线法确定的最佳高差阈值为20 m,最大窗口阈值为30 m。实验二包括窗口阈值不变条件下,高差变化对于滤波结果的影响;和高差阈值不变条件下,窗口变化对滤波结果的影响。实验结果如
图 12. 不同高差阈值的滤波精度(窗口阈值为30 m)
Fig. 12. Filtering accuracy of different height difference thresholds (window threshold is 30 m)
图 13. 不同窗口阈值的滤波精度(高差阈值为20 m)
Fig. 13. Filtering accuracy of different window thresholds (height difference threshold is 20 m)
分析
3.3 实验三:验证等值线-形态学滤波算法的精度
同时采用三角网(TIN)渐进加密算法[14]对该样本数据进行定性定量验证,对比不同算法的滤波效果。定量实验选取Samp41中测区样本,采用形态学和不规则TIN两种方式分别计算。TIN选取区域内最大尺度阈值为30 m,点到平面的阈值为1 m,倾斜角阈值为6°;形态学滤波最大高差阈值取60 m,最大窗口取20 m。实验结果如
定性实验数据选取FSite8_red2中数据点作为数据集。根据等值线-形态学滤波算法确定最大窗口为20 m,最大高差为30 m;TIN滤波算法设置研究区域最大格网阈值30 m,点到平面距离阈值1 m,最大倾斜角阈值为6°。TIN算法与形态学算法的实验对比结果如
表 2. 两种算法在Samp41中数据点地面点、地物点、I类错误、II类错误
Table 2. Two algorithms in Samp41 data point ground point, feature point, type I error, and type II error
|
图 14. 不同算法在FSite8_red2测区内的滤波结果。(a) TIN算法;(b)形态学算法
Fig. 14. Filtering results of different algorithms in the FSite8_red2 survey area. (a) TIN algorithm; (b) morphology algorithm
从
4 结论
等值线-形态学滤波算法相较于传统形态学滤波算法,在阈值选取上有更强的目的性,可以更快捷地确定准确的阈值参数,对于不同测区可以选取恰当的滤波阈值,滤波结果的精度更高。但是本文方法仍然没有解决点云滤波的自适应问题,目前的等高线阈值算法确定部分还需要借助人工设置,阈值的自动生成仍有待于进一步研究。
[1] 惠振阳. 从机载LiDAR点云中提取城市道路网的关键技术研究[D]. 武汉: 中国地质大学, 2017: 4- 8.
Hui ZY. Research on some key techniques of extracting city road networks from airborne LiDAR point cloud[D]. Wuhan: China University of Geosciences, 2017: 4- 8.
[2] LindenbergerJ. Laser-profilmessungen zur topographischen geländeaufnahme[D]. Stuttgart: Stuttgart University, 1993: 131- 134.
[3] 隋立春, 张熠斌, 柳艳, 等. 基于改进的数学形态学算法的LiDAR点云数据滤波[J]. 测绘学报, 2010, 39(4): 390-396.
Sui L C, Zhang Y B, Liu Y, et al. Filtering of airborn LiDAR point cloud data based on the adaptive mathematical morphology[J]. Acta Geodaetica et Cartographica Sinica, 2010, 39(4): 390-396.
[4] 惠振阳, 鲁铁定, 胡友健, 等. 基于动态阈值的机载LiDAR点云滤波法[J]. 激光与光电子学进展, 2019, 56(6): 062802.
[5] 刘志青, 李鹏程, 张保明, 等. 抗差估计在机载激光雷达点云滤波中的应用[J]. 激光与光电子学进展, 2015, 52(12): 122801.
[6] 苗启广, 郭雪, 宋建锋, 等. 基于区域预测的LiDAR点云数据形态学滤波算法[J]. 激光与光电子学进展, 2015, 52(1): 011003.
[7] Li Y, Wu H Y, Xu H W, et al. A gradient-constrained morphological filtering algorithm for airborne LiDAR[J]. Optics & Laser Technology, 2013, 54: 288-296.
[8] Li Y, Yong B, Wu H Y, et al. An improved top-hat filter with sloped brim for extracting ground points from airborne lidar point clouds[J]. Remote Sensing, 2014, 6(12): 12885-12908.
[9] 周晓明. 机载激光雷达点云数据滤波算法的研究与应用[D]. 郑州: 解放军信息工程大学, 2014: 43- 51.
Zhou XM. Research and application of airborne LiDAR point cloud filters[D]. Zhengzhou: PLA Information Engineering University, 2014: 43- 51.
[10] Zhang K Q, Chen S C, Whitman D, et al. A progressive morphological filter for removing nonground measurements from airborne LIDAR data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2003, 41(4): 872-882.
[11] 赵敬和. 基于矩形网格法的不规则区域的等值线生成与填充算法的研究[D]. 北京: 中国地质大学, 2013: 9- 48.
Zhao JH. The research in the drawing of contour lines and filling which is based on the rectangular grid method in irregular areas[D]. Beijing: China University of Geosciences, 2013: 9- 48.
[12] 徐旭. 基于三角网的等值线生成及填充算法[D]. 长沙: 中南大学, 2011: 16- 45.
XuX. Research of contour line generation and color fill based on triangulation[D]. Changsha:Central South University, 2011: 16- 45.
[13] SitholeG, VosselmanG. Automatic structure detection in a point-cloud of an urban landscape[C]∥2003 2nd GRSS/ISPRS Joint Workshop on Remote Sensing and Data Fusion over Urban Areas, May 22-23, 2003, Berlin, Germany. New York: IEEE, 2003: 67- 71.
[14] 隋立春, 张熠斌, 张硕, 等. 基于渐进三角网的机载LiDAR点云数据滤波[J]. 武汉大学学报(信息科学版), 2011, 36(10): 1159-1163.
Sui L C, Zhang Y B, Zhang S, et al. Filtering of airborne LiDAR point cloud data based on progressive TIN[J]. Geomatics and Information Science of Wuhan University, 2011, 36(10): 1159-1163.
Article Outline
邢承滨, 邓兴升, 徐康. 形态学滤波关键参数阈值的等值线确定方法[J]. 激光与光电子学进展, 2019, 56(16): 162802. Chengbin Xing, Xingsheng Deng, Kang Xu. Contour Determination Method for Threshold of Morphological Filtering Key Parameters[J]. Laser & Optoelectronics Progress, 2019, 56(16): 162802.