机载激光雷达(LiDAR)点云数据滤波是目前点云数据处理领域研究的重点。针对目前点云数据滤波的难点,提出了一种基于多尺度虚拟格网和并行计算的改进滤波方法。该方法通过点云数据构建多级虚拟格网,对格网进行多尺度分解,剔除LiDAR数据中的粗差点,获取初始地面点及地物点;根据双向阈值滤波原理,以网格尺度由大到小的顺序逐层进行滤波处理,得到较为精细的地面点,并结合点云数据的并行编程处理,减少了滤波算法的误差积累。实验结果表明:改进算法与其他经典滤波算法相比,滤波精度有了较大的提高,在不同的地形条件下能有效地控制第II类误差,同时减少了总误差,提高了滤波处理的效率和数字高程模型(DEM)的可靠性。

机载LiDAR点云数据滤波是LiDAR数据后处理过程中的关键步骤。在分析三角网滤波与曲面拟合滤波特点的基础上, 提出了一种“由粗到精”的处理思想用于LiDAR点云数据滤波。该方法通过强阈值三角网算法进行II类误差优先的“粗分类”, 获取可靠性较高的初始地面点, 以“粗分类”结果作为先验信息进行种子点选取, 引入总体最小二乘算法完成曲面拟合, 设置自适应阈值实现不同区域灵活处理, 最终得到较为精细的地面模型。使用ISPRS测区数据及Niagara数据进行实验, 与经典滤波算法及传统曲面拟合方法进行对比, 实验结果证明, 该方法较传统算法能够得到更加可靠的滤波结果, 对各种地形的适应性较强, 具备较高的实用价值。

机载激光雷达(Lidar)点云数据滤波是Lidar 数据后处理研究的重点和难点之一，也是首要解决的问题。传统曲面约束滤波算法利用最小二乘法拟合地形曲面，易受种子点粗差影响。针对这一问题，引入抗差估计理论改善曲面拟合效果，并设计自适应阈值确定的方法区分地面点与地物点。使用国际摄影测量与遥感学会(ISPRS)测试数据进行实验，与传统的8 种经典滤波方法进行对比，实验结果表明，抗差估计能得到更为合理的拟合曲面，获取的滤波结果非常可靠，对各种地形的适应性较强，具备较高实用价值。

激光雷达点云数据的滤波处理是激光雷达数据处理的基础和至关重要的步骤，基于数学形态学的滤波算法应用广泛。针对现有基于数学形态学的滤波算法在处理包含大面积空白区域的点云数据时遇到的问题，提出了一种改进的渐进多尺度数学形态学滤波算法，通过改进形态开运算来处理空白区域。根据数学形态学滤波的基本原理，证明了改进形态开运算的可行性。详细阐述了所提算法的基本步骤及流程，并分析了其性能特点。利用仿真数据和公开测试数据，对所提算法进行了实验验证。实验结果表明，所提算法对存在大面积空白区域的点云数据具有良好的滤波性能；与其他典型滤波算法相比，滤波性能更优。

在对三维成像激光雷达获取的数据进行曲面重构时,由于数据中存在噪声,使得重构的曲面不光滑、不连续,因此需要对数据进行滤波处理,滤除其中的噪声.提出了一种改进的Laplacian方法,在该方法中引入低通滤波函数,该函数包含了一个防收缩比例因子,能对曲面进行无收缩的光顺,保留数据中的低频部分,舍弃其中的高频部分.实验结果证明,该方法具有Laplacian方法简单、计算速度快的优点,同时消除了其网格收缩性、细节丢失过多的缺点,能满足曲面重构要求.该滤波算法可以广泛地适用于三维成像激光雷达的数据处理和曲面重构.