为了解决目前机载激光雷达点云滤波算法中特征单一、运算效率低、植被覆盖区效果较差等问题, 提出一种植被茂密地区的点云自适应双重滤波方法。首先利用回波分离方法, 分别提取点云的单次回波和末次回波进行粗滤波处理; 然后利用偏度平衡理论进行单次回波的强度阈值确定, 同时利用最大类间方差法对首次回波和末次回波的高程差进行高差运算, 实现末次回波高差阈值自动化, 并融合粗滤波后单次回波和末次回波的点云数据; 最后, 利用不规则三角网渐进加密滤波算法对融合后的点云数据进行精滤波处理, 并通过了实验验证。结果表明, 3组数据集的Ⅱ类误差都相对较低, 分别为1.06%,1.64%,1.34%。结合回波信息和高差信息的双重滤波方法不仅能较好地剔除植被, 而且能较好地保留地形细节。

为了全面了解线性体制星载激光测高仪测高精度与地物、地形的关系, 本文以机载点云数据为参考数据, 选取美国部分区域为试验区, 采用构建不规则三角网内插的方法, 分析了GLAS激光测高仪数据在不同坡度坡向、不同地物以及升轨降轨的测高精度, 并探讨了GLAS测高精度与激光回波波形的关系。实验结果表明: 在波形展宽较小、坡度平缓的地区, GLAS激光点的高差中误差为0.718 5 m; 在波形展宽较大、坡度陡峭的地区, 中误差为6.532 1 m。针对波形较为理想的农地, 湖泊两类地物的高差中误差分别为0.624 7 m、1.578 6 m, 针对波形变形严重, 回波波峰不明显的沙漠、林地地区的高差中误差分别为2.055 1 m和7.136 9 m。在平坦地区, 当采用升轨测量模式时激光点高差中误差为0.618 3 m; 而降轨测量的高差中误差为0.849 2 m。总体而言, 不同坡向条件下, GLAS激光点的测高值要高于实际地面高程。

给出了一种三角形形变量的定义，并提出了基于不规则三角网(TIN)的LiDAR数据边缘检测新方法。将点LiDAR数据进行三角剖分，生成不规则三角网，计算TIN中每个三角形的形变量，根据三角形形变量的不同来确定处于地物目标边缘的三角形，对这些边缘三角形进行处理得到边缘点。针对LiDAR数据中可能由于河流等导致的数据空白区域，仅利用三角形形变量无法检测到所有边缘点的问题，提出了顶点到重心距离的平方和作为测度来确定狭长三角形，从而提取到河流等数据空白区域的边缘点。实验结果表明，该算法能够较好地提取LiDAR 数据的边缘点，得到LiDAR数据的边缘信息。