基于多光谱数据指导的偏度平衡点云滤波 
下载： 846次
ing at the problem that the existing light detection and ranging (LiDAR) point cloud filtering method cannot effectively exclude the data hole interference in the digital surface model (DSM), a skewness balance point cloud filtering method based on multispectral data guidance is proposed. This method introduces the multispectral data into the point cloud filter as the guiding image to realize the fast denoising with the spectral similarity of the noise points. The experimental results show that this method can effectively eliminate the interference caused by the data hole to the point cloud filtering, and the obtained filtering error is reduced by 0.4%-0.8% compared with the original skewness point cloud filtering method. Compared with the popular filter algorithm based on support vector machines (SVM), the error of this method is reduced by 0.1%-0.4%.
1 引言
机载激光雷达(LiDAR)测量技术能够低成本、快速、大范围实时获取高精度三维点云,从而生成数字高程模型(DEM)产品[1]。而为了能从数字表面模型(DSM)数据中提取数字地面模型(DTM)以及建筑物、植被等激光脚点,首先应该采取一定的规则和数学模型将地面点和非地面点(包括房屋、植被等)区分开来,这种处理过程就叫机载LiDAR点云滤波[2]。
目前已经有很多滤波算法的具体应用[3],如基于坡度理论的滤波算法[4]、基于最小区域理论的滤波方法[5]、基于面理论的滤波方法以及基于数学形态学原理的滤波方法。而由Bartels等[6]于2006年提出的偏度平衡方法作为一种统计滤波方法,具有免阈值的优势。该算法适用于平坦区域,但在山坡区域容易将山坡点误分类为对象点,滤波误差较大。2010年,Sithole等[7]对该算法进行改进,首先判读研究区域是否为山区,然后进行针对处理,但改进算法在滤波结束后,地面点云中存在大量非地面点云。2015年,林金彦等[8]提出了一种基于渐进形态学开运算和偏度平衡法的滤波方法,提高了滤波的适应性,但由于该方法只针对DSM数据进行滤波,因此无法排除DSM数据中存在的数据空洞干扰。
本文通过分析造成LiDAR数据空洞的原因,发现其主要是由于LiDAR的激光脉冲波长一般为1040~1060 nm,恰好位于水体的强吸收带[9],导致水体对激光脉冲没有回波信息,所以在河流、湖泊区域没有点云数据或者点云的局部密度很低,而且某些建筑物的顶部或者道路的特殊材质也可以导致激光脚点密度较低。然而光谱信息受这些干扰因素影响较小,可以将其作为点云滤波时的一种有效辅助手段。因此,本文在传统偏度平衡点云滤波的基础上,对迭代过程加以改进,通过对比光谱相似度指导点云滤波过程,不仅有效避免了DSM中数据空洞的干扰和有效降低了滤波误差,而且在一定程度上减少了迭代次数,提高了滤波速度。
2 算法原理
2.1 传统偏态平衡算法
由中心极限定理可知,自然状态下测量的样本数据服从正态分布[10]。根据这一原理,可以假设LiDAR数据中的非地面点会扰乱正态分布,通过去除这些非地面点,可以得到满足正态分布的地面点。
已知对称性是正态分布的重要特性之一,而均值三阶矩是衡量一个分布对称性的重要度量[11],通常将其定义为偏度[12-13],其数学表达式为:
式中
若
传统的偏态平衡算法在存在数据空洞的数据中容易将地面点错分类为非地面点,为了消除这种干扰,引入多光谱数据指导滤波过程并在原有基础上对算法进行了改进。
2.2 多光谱数据指导的偏态平衡改进算法
本研究所述方法在基于偏态滤波的基础上,对传统的偏态平衡方法进行改进。对彩色图像进行合理假设,认为在彩色图像当中光谱值接近的点为相同类型点。首先对多光谱数据进行灰度化处理;然后将偏度平衡过滤出的非地面点结合灰度图像,以非地面点为中心在灰度图上构建窗口;最后在构建的窗口内通过比较相似度找出窗口内与中心点光谱相似的点,将这些点统一归类为非地面点进行处理。具体流程如
多光谱数据指导的点云滤波步骤流程如下所示:
步骤1:分别载入多光谱数据与DSM数据。对多光谱数据进行灰度化,同时计算DSM数据的
步骤2:光谱相似度对比。当
光谱相似度的对比方法,就是根据生成的灰度图像,比较单个像素点与临近点灰度值的差值,对差值进行阈值判定,以此来生成光谱相似矩阵。以3×3的邻域窗口为例,将中心点像素值与周围点像素值逐个做差,并对差值求绝对值。然后设定一个阈值
通过实验对比,本研究选取151×151的窗口生成结构矩阵,这样选取的窗口与图像中植被的大小相似,有效保留了细节信息。通过实验发现,不同地物的光谱差值大于5,因此将阈值设定为5,进而进行光谱相似度比较。
步骤3:当
3 实验结果
3.1 实验数据
实验所用数据由国际摄影测量与遥感学会委员会(ISPRS)提供,拍摄于德国法伊英根城区,该地区位于德国斯图加特市,地理位置为东经8°58',北纬48°56'。数据由光谱图像与LiDAR DSM数据两部分组成。其中DSM数据通过Match-T软件对原始点云数据匹配处理生成,空间分辨率为9 cm;光谱空间分辨率为8 cm,光谱数据是由近红外波段、红色波段、绿色波段三个波段组成,不仅能够满足结构矩阵生成,也为后续实验中进一步进行地物分类提供了基础。点云和光谱信息分别在不同时间获取,具体参数见
表 1. 法伊英根数据参数
Table 1. Data parameters of Vaihingen
|
3.2 实验结果对比
通过计算DSM数据点云总数以及实验结果的第一类、第二类误差点个数,进而量化分析实验结果,如
表 2. 不同方法实验结果对比
Table 2. Comparison of experimental results of different methods
|
4 结论
通过以多光谱信息为指导的方法对DSM数据进行点云滤波,以多光谱数据指导点云滤波迭代过程,通过对比光谱信息中光谱相似的点,对LiDAR点云进行快速分类。所提方法有效排除了由于DSM中数据空洞造成的点云滤波误差,并且在滤除噪声的过程当中对非地面点的选择由传统的单点选择变成了多点选择,有效减少了程序迭代次数,提高了程序的运行速度。实验证明了该方法的可行性和有效性,为LiDAR点云滤波提供了一种高效的手段。
然而所提方法是在传统的偏度平衡点云滤波算法上进行的改进,改进后的算法在山坡区域无法有效地对地面点与非地面点进行分类,因此如何将改进算法与坡度环境下的偏度平衡点云滤波算法进行结合将是下一步的研究方向。
[1] 王力军, 黄荣刚, 万剑华, 等. 一种基于偏度平衡的LiDAR点云滤波方法[J]. 海洋测绘, 2013, 33(5): 42-45.
Wang L J, Huang R G, Wan J H, et al. A skewness balancing method for LiDAR point cloud filtering[J]. Hydrographic Surveying and Charting, 2013, 33(5): 42-45.
[2] 胡永杰 , 程朋根 , 陈晓勇 , 等 . 机载激光雷达点云滤波算法分析与比较[J]. 测绘科学技术学报 , 2015 ( 1 ): 72 - 77 .
Hu YJ , Cheng PG , Chen XY , et al. The analysis and comparison of airborne LiDAR point cloud filter algorithms[J]. Journal of Geomatics Science and Technology , 2015 ( 1 ): 72 - 77 .
[6] BartelsM , WeiH , Mason DC . Wavelet packets and co-occurrence matrices for texture-based image segmentation[C]. IEEE Conference on Advanced Video and Signal Based Surveillance , 2005 : 428 - 433 .
[7] SitholeG , VosselmanG . Automatic structure detection in a point-cloud of an urban landscape[C]. IEEE Workshop on Remote Sensing and Data Fusion over Urban Areas , 2003 : 67 - 71 .
[8] 林金彦 , 邹时林 , 胡永杰 . 基于渐进形态学开运算和偏度平衡法的LiDAR数据滤波方法[J]. 安徽农业科学 , 2015 ( 16 ): 351 - 354 .
Lin JY , Zou SL , Hu YJ . LiDAR data filtering method based on progressive morphological open operation and skewness balancing method[J]. Journal of Anhui Agricultural Sciences , 2015 ( 16 ): 351 - 354 .
[9] 张永军, 吴磊, 林立文, 等. 基于LiDAR数据和航空影像的水体自动提取[J]. 武汉大学学报(信息科学版), 2010, 35(8): 936-940.
Zhang Y J, Wu L, Lin L W, et al. Automatic extraction of water bodies based on LiDAR data and aerial images[J]. Geomatics and Information Science of Wuhan University, 2010, 35(8): 936-940.
[10] DudaR , HartP , StorkD . Pattern classification [M]. New York: John Wiley & Sons , 2000 .
[11] David F N. A statistical primer[J]. A Statistical Primer, 1953, 24(5): 338-343.
[13] 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.
[14] 段乙好, 张爱武, 刘诏, 等. 一种用于机载LiDAR波形数据高斯分解的高斯拐点匹配法[J]. 激光与光电子学进展, 2014, 51(10): 102801.
[15] 岳古明, 吴永华, 胡顺星, 等. 用于激光雷达的多波长同时输出激光系统[J]. 中国激光, 2002, 29(s1): 215-217.
韩晓峰, 杨风暴, 卫红, 李大威, 刘丹. 基于多光谱数据指导的偏度平衡点云滤波[J]. 激光与光电子学进展, 2018, 55(4): 042801. Xiaofeng Han, Fengbao Yang, Hong Wei, Dawei Li, Dan Liu. Point Cloud Filter of Skewness Balance Based on the Guidance of Multispectral Data[J]. Laser & Optoelectronics Progress, 2018, 55(4): 042801.
PDF全文
