根据激光雷达点云的特征属性，用聚类的方式进行滤波，虽然是一种比较实用的方法，但在实践中，因为点云的数据量巨大，直接利用点的三维坐标进行聚类时的耗时过长、滤波结果误差过大，而且现有的许多滤波算法在不连续地形处的表现不佳。为解决大型点云的直接聚类问题并保留不连续地形的整体起伏，提出了一种新的基于密度聚类的点云滤波算法。以激光雷达点云的空间密度、地物类点云及地形类点云的特征属性为依据，首先根据点云的高程值密度聚类，再进行平面点云的筛选，从而降低数据的样本数量，最后通过基于密度的噪声应用空间聚类算法进行聚类，将原始点云分为噪音类、地物类及地形类点云。采用国际摄影测量与遥感学会提供的数据样本进行实验，并将所提算法与其他8种经典滤波算法进行了比较。定量与定性结果表明，所提算法在城区和农村地区均有较好的适用性，在不连续地形处滤波误差较小，在人工建筑和植被混合地区适应性较好。所提算法具有可行性，可在不同地形中使用。

扫描线滤波算法可以在一定程度上简化滤波问题,并在复杂地形中可以取得较好的滤波效果,但该算法难以滤除一些地面下方的噪声点以及正、反坡度角相差较大的点。针对上述问题,提出顶点向量角-扫描线滤波算法,利用顶点向量角并结合高差阈值对扫描线进行后处理,可以进一步提高所提算法的滤波效果。通过实验将传统算法与改进后的算法进行对比,证明顶点向量角-扫描线滤波算法能够取得更佳的滤波效果。

针对移动曲面滤波算法的种子点粗差问题,提出了一种基于多级种子点优化的移动曲面滤波算法。首先直接剔除雷达点云数据中的异常值。然后通过格网化建立格网索引,并将点云数据分为两级格网,确定一级格网的种子点,利用一级种子点对二级备选种子点进行筛选。当种子点数量达不到要求时,以一级种子点为参考点进行种子点的表面生长。最后利用选取的种子点进行曲面拟合,计算雷达点云数据真实高程和拟合高程的高差,并采用顾及地形起伏的自适应高差阈值判断地面点和非地面点。与经典滤波算法比较,结果表明该滤波算法能有效减少三类误差。Ⅰ类误差、Ⅱ类误差、总误差精度的平均值分别提高7.30%、4.67%、5.57%。同时将该算法与国际摄影测量与遥感学会公布的8种算法进行比较,结果表明该方法具有较高的精度,自适应性强。

滤波是机载激光扫描的核心处理步骤之一, 其主要任务是分离地面点和非地面点。经典渐进式不规则三角网致密化(Progressive TIN Densification)在众多滤波算法中效果较好、精度较高, 但是PTD滤波算法阈值确定需要人工干预, 无法满足自适应滤波。本文针对关键格网参数阈值提出等值线确定方法, 利用等值线的连续性、闭合性, 根据建筑物同一边缘区域的明显高差来确定最大建筑面积与格网的参数阈值。实验证明通过等值线确定的面积与格网参数阈值对于具有建筑物的复杂地形有着更好的滤波效果。

经典移动曲面滤波算法可以对多种地形取得较好的滤波效果,但是该算法取格网内最低点作为地面点时仍存在粗差问题。基于此,提出一种置信区间检验方法,利用残差、均方根误差和置信概率作为参考值,选择最佳的初始种子点。采用格网重叠方式解决相邻格网间板块化问题,同时应用分层聚类自适应阈值确定方法确定高差阈值。对特殊种子点不足、难以拟合曲面的特殊格网,建立平面,设置阈值判断平面是否满足条件。对改进型移动曲面滤波算法与经典移动曲面滤波算法进行定性和定量实验对比,结果证明改进型移动曲面算法对粗差地形可以获得更佳的滤波效果。

形态学滤波算法的提出,在很大程度上提高了雷达点云的滤波效果。准确高效地分离地面点和地物点,是滤波算法的关键,其中滤波阈值的确定更是学者研究的重点。等值线是空间分析中重要的研究内容。基于渐进形态学滤波算法,利用等值线生成法快速实现了对滤波算法关键阈值的获取。相较于传统人工确定阈值的方式,等值线确定阈值的方法比较直观,可以快速确定合适的阈值。为了检验等值线-形态学滤波算法的效率和精度,将其与渐进型三角网滤波算法进行对比,并通过实验证实本文算法的优势。