原始研究的文章

前面。地球科学。,06 January 2023
秒。环境信息和遥感
卷10 - 2022 | https://doi.org/10.3389/feart.2022.1015153

改善进步的三角形不规则网络致密化机载激光雷达数据的滤波算法

Na陈 ^1、2、3 www.雷竞技rebatfrontiersin.org

Nanmeng王¹

咦,他⁴

香丁¹*

剑香港⁵

¹土木工程学院、建筑与环境、湖北科技大学,武汉,中国
²湖北江汉大学的爆破工程重点实验室,中国武汉
³采矿和地质工程系,亚利桑那大学图森,亚利桑那州,美国
⁴湖北工业大学工程技术学院,武汉,中国
⁵长江工程集团,武汉,中国

机载激光雷达是一种映射表面空间信息和技术已广泛应用于许多领域的地理空间信息学科。的过滤过程去除non-ground分一直是研究的重点。输配电(进步的三角形不规则网络致密化)滤波算法是一种广泛使用的机载激光雷达数据的滤波算法。然而,该算法在保持地面点缺陷在陡峭的地区,导致大型Ⅰ型错误。因此,本文提出了一种改进的输配电算法。种子点的改进是增加过滤。具体来说,潜在的种子点后获得的进步形态滤波器,种子点执行过滤去除non-ground点,以便获得种子点更准确。ISPRS的基准数据集(国际摄影测量与遥感学会)工作组III是用于评估该方法。结果表明,该方法有效地减少Ⅰ型误差在陡峭的地区。与经典的输配电算法相比,Ⅰ型误差和总误差分别下降了8.46%和5.06%。 In addition, the proposed method shows a great advantage in computational efficiency, that is eight times more efficient than the classic PTD algorithm.

1介绍

机载激光雷达显示优势准确获得3 d地形信息(Zhang et al ., 2013),被使用在许多环境应用程序(张和林,2013年)。例如,重建DTM(数字地面模型)(Mongus扎利克,2012;Polat Uysal, 2015;祥云et al ., 2015),3 d建筑建模(Rutzinger et al ., 2009;王2013年),水文建模(林德,2010;马西莫et al ., 2015)、滑坡评估(黄et al ., 2021),对露天矿边坡边坡表面测量(阮et al ., 2018)、锚杆的分类(辛格et al ., 2021)、森林库存和管理(科赫et al ., 2006;刘et al ., 2013)。对于这些应用程序,处理步骤的关键是不规则的点云的分类(沈et al ., 2012)。

然而,如何从不规则的点云精确提取地形信息是要解决的问题(张,2010),其中一个关键处理步骤是过滤。简而言之,它是找出从地面返回,返回的对象在无序和离散的3 d点云(孟et al ., 2010)。例如,在滑坡敏感性预测(黄et al ., 2020)和可靠性分析(江和黄,2018),多数学者使用激光雷达。然而,由于植被的影响,为激光雷达很难收集滑坡数据,有必要通过筛选获得高精度DEM(数字高程模型)建立滑坡模型。

过滤算法可分为根据理论背景。根据过滤的概念,Sithole和Vosselman分类过滤器分为四类:基于(Susaki 2012;吴et al ., 2016),block-minimum (Streutker和格伦,2006;格伦et al ., 2011),聚类/分类(胡锦涛等人。,2013年;杨et al ., 2013基于地表的算法(),Sithole Vosselman, 2004)。基于地表的过滤算法的原理是创建一个表面是最接近裸露的地面(聂et al ., 2017)。它被列为morphology-based过滤器(李et al ., 2013;Pingel et al ., 2013),迭代interpolation-based过滤器(Polat et al ., 2015)和progressive-densification-based过滤器(张和林,2013年;聂et al ., 2017)。我们简要回顾morphological-based过滤器和进步densification-based过滤器与我们提出的方法。

Morphology-based过滤器是基于形态学的打开和关闭操作(Zhang et al ., 2003;Najman和托尔伯特,2011)。Zhang et al。(2003)处理点云通过改变窗口大小。如果原始网格点云和网格点之间的距离云开操作大于阈值后,网格被标记为一个non-ground网格。陈et al。(2007)使用越来越窗口大小形态开放手术切除的建筑。李et al。(2013)提出一个gradient-constrained形态学算法,降低了对象删除操作,提高了算法的准确性。Pingel et al。(2013)通过改变高程阈值分类点。

进步densification-based过滤器首先构造一个初始锡(三角形不规则网络)与一些地面种子点和执行迭代致密化,直到没有更多的点可以被添加到锡。Axelsson (2000)首先将不规则的点云划分为网格,使用最低的每个网格点作为初始地面点。然后一个锡表面作为参考。在每个迭代中,其余点的角度和距离判断三角形的阈值,和满足条件的点添加到锡。在下一次迭代之前,添加当前分类的所有地面点锡,直到所有的点进行分类。聂et al。(2017)提出一个修改输配电算法,修正现有的锡和迭代步骤,减少了三种类型的错误。

在这些过滤算法,输配电过滤算法健壮。这个方法有两个关键步骤,选择种子点和构造初始锡,迭代的致密化锡(Axelsson 2000)。然而,输配电算法直接定义了最低的点作为种子点,将导致错误。和算法不能正确检测潜在的地面点在陡峭的地区(聂et al ., 2017)。此外,特别高的点时,这种方法需要大量的内存空间和计算时间很长。

为了解决上述问题,我们提出一种改进的输配电滤波算法来优化种子点的选择和计算效率。获得潜在的地面后种子点进步的形态学滤波算法,种子点滤波应用于他们。目的是消除non-ground点在潜在的种子点。这些潜在的地面点作为种子点锡、和地面点迭代逐渐致密化后获得接近地形,可以减少Ⅰ型误差和总误差。

2方法

经典的输配电算法假设潜在的地面点作为种子点后续过滤在默认情况下,导致大错误。为了解决经典输配电算法的局限性,我们提出了一种改进的输配电滤波算法结合进步形态滤波器,流程图所示图1。该方法包括以下四个步骤。

图1

图1。改进的滤波算法的流程图。

首先,海拔直方图的方法是建立删除离群值。

第二,潜在初始种子点接近地形是通过使用开放进步的形态学算法的操作。

第三,潜在的种子点过滤获得更准确的地面种子点。

第四,获得种子点作为初始种子点来构造初始锡,和迭代逐渐致密化开始获得最后的地面点。

2.1异常值删除

许多点云包括噪声和离群值(任et al ., 2021)(如所示图2)。离群值的情况下,可能导致过滤算法失败(Sithole Vosselman, 2004)。因此,本文介绍了一个方法来消除异常值基于点云海拔分布的直方图。有三个关键的步骤,包括:

(a)海拔直方图建立和检查可视化的分布高程值,然后确定高程阈值来消除的最低和最高尾分布

(b)的异常值搜索错过了前面的步骤通过确定每个点之间的最小高差和周围的点。

(c)手动纠正错误在异常值删除。

图2

图2。在sample11存在异常值。

2.2选择潜在的种子点

选择潜在地种子点,不规则的点云需要分为常规电网。最低点海拔值作为网格值形成的最低海拔表面,进步的形态滤波的开放操作执行。

在每个开放操作,分角度和距离阈值标记为non-ground点以上。点不明显视为潜在的种子。具体步骤如下:

所示的网格划分图3一。原始点云分为均匀网格根据基本的窗口大小。网格的最低点(蓝色网格点)被选中时,和最低的高程值点作为网格的值。由于网格数据可能null值,需要插入电网在8个社区(图4,点”P₀”为起点,并插入到周围八个网格)。高度的最小值在零网格作为平均海拔和相邻的网格。如果插值失败,网格的高程值分配给“0”,比如红点在网格中图3 b。插值过程避免了丢失的点云在的地方大斜坡由于缺乏激光扫描,从而影响后续的种子点的正确选择。最低海拔表面获得上述操作后,它被用作后续渐进开放形态的输入操作。

图3

图3。(一)之前点云网格插值;(B)点云网格插值后。

图4

图4。Eight-neighborhood插值。

进步的形态滤波。最低海拔表面上一步获得的用于启动进步的形态滤波,使用多尺度渐进窗口执行累进形态开放操作在地上种子点。在图5在窗口大小,最初的执行过滤W₁。当高度差h_{p, 1}间点”P”和过滤面小于或等于高度差阈值h_{T, 1}的分类P是地面点。h_{马克斯(t) 1}的最大高度差别是地面之前过滤及过滤表面。如果h_{马克斯(t) 1}小于h_{T, 1},所有地面点在地形表面被保留。第二滤波窗口大小增加W₂。如果最大高度差h_{马克斯(t) 2}之前的过滤面,这之间的过滤面小于高度差阈值h_T、2,所有地面点的高度差小于h_{马克斯(t) 2}从这个过滤表面被保留。类似地,如果最低高度差h_{最小值(t) 2}最后过滤操作之间的建筑和大于过滤操作h_T、2建筑是删除。

图5

图5。原理图的进步的形态滤波器。

在xth过滤、窗口大小增加W_k。如果高度差h_磷、钾点”之间的N”和过滤面小于或等于高度差阈值h_{T, k}的分类P是地面点。h_{T, k}通常是在该地区建筑物的最小高度。

在上述每个过滤过程中,窗口的大小W_k和高度差阈值h_{T, k}需要确定。W_k在这两个计算方程式。,2。

W_{k} = 2 k W_{0} + 1 (1)

在情商。,k是迭代的数量,w₀初始窗口大小,最后添加一个是确保吗w_k是奇数,窗外是对称的。然而,如果一个研究区域有非常大的建筑,情商。增加窗口大小太慢,需要更多的时间。因此,第二种方法可以用来改变窗口大小的指数增长,计算如下:

W_{k} = 2 W_{0}^{k} + 1 (2)

以这种方式增长速度要快得多情商。。是密切相关的斜率在研究区域的地形,可以确定情商。。

h_{T, k} = {\begin{array}{c} h_{0} & W_{k} \leq 3 \\ 年代 (W_{k} - W_{k - 1}) c + h_{0} & W_{k} \geq 3 \\ h_{马克斯} & h_{T, k} > h_{马克斯} \end{array} (3)

的方程,h₀是最初的高度差,年代地形坡度,c是网格的尺寸,h_马克斯是最大的高度差。地形坡度之间的关系年代和窗口大小W_k,W_{k - 1}和最大高度差h_{马克斯k (t)}所示Eq。4。

年代 = \frac{h_{马克斯 (t), k}}{\frac{W_{k} - W_{k - 1}}{2}} (4)

新的过滤窗口大小和不同高程插值计算阈值,直到窗口大小高于预定的最大窗口大小,和点不明显被认为是潜在的种子点。

2.3种子点过滤

潜在的地面种子点一般不能直接应用于输配电算法的初始种子点,否则,它将导致Ⅰ型错误,不能降低。例如,相国,蓟县(2014)使用“有效过滤算法”Ⅰ型误差高达62.22%。聂et al。(2017)使用“输配电过滤算法修正”Ⅰ型误差高达52.026%。

在实际的进步形态学滤波处理,很难选择最优参数删除这些地面点一次,陡峭的斜坡或建筑屋顶往往错过了在地上点由于海拔的突变。获得潜在的地面种子点的分析表明,建筑屋顶或高植被噪声点通常漂浮在地面集群点大高度的差异。

因此,本文提出了一个种子点过滤方法除去non-ground点在潜在的种子点。考虑non-ground点会形成更大的或狭三角形,和聚合的高噪声点会形成小,当地著名的高程表面。该种子点过滤过程主要有以下原则:

1。寻找更大的三角形网络侧三角曲面片的长度,然后遍历顶点,顶点最大的海拔被确定为一个噪声点。

2。三角网络集群形成的噪声点通常包含窄三角片(红色噪声点和蓝色形成的三角形网络地面点图6),可以删除噪音方面基于这些特性来获得更准确的地面种子点。执行Floodfill三角剖分算法,发现周围相邻的三角测量,确定三角没有噪声点作为集群(三角形网络形成的蓝色的地面图6),直到所有三角形网络集群。

图6

图6。三角网络的示意图。

地面点得到更接近实际的地形后上面的过滤过程,而这些点作为种子点的输配电算法进步的致密化。下一步是让地面点。

2.4获得地面点

当使用锡地形模型表示,狭窄三角形应该避免图7。因此,构建一个缓冲区的方法在文献中(赵et al ., 2016摘要介绍了图7 b。在这些步骤进行:种子点云投射到XY平面对应种子点,扩大种子点云外部形成一个缓冲区,和插值沿着缓冲区一致。这可以避免的损失三角网络边界,导致边界上的点为迭代计算(不可用赵et al ., 2016)。下一步是迭代三角网的致密化。

图7

图7。(一)生三角形网络没有一个缓冲区;(B)三角形网络之后添加一个缓冲地带。

传统的三角网络是由迭代致密化逐步插入。确定后,关键是地面,将其插入到锡建于前一步。

然而,单点的插入是效率较低,本文通过遍历所有一个小小的改善non-ground点在每个迭代。满足条件的点插入到建造锡地面点一次,继续迭代剩余non-ground点。根据新锡,计算迭代器角度和迭代器的距离,并使用满足条件的点作为新的种子点。重复上述网络建设过程和迭代过程,直到迭代次数超过阈值或没有新的地面点添加到种子点,以便获得种子点包含所有地面点。因为有插值点网格和三角形网络的第一步迭代致密化,但这些点不属于实际的地面,把这些点,最后获得地面点实际点。

3实验和结果分析

3.1实验数据

机载激光雷达提供的示例数据ISPRS工作组三世在2003年被用于过滤测试。

八个数据集(四个城市和四村)收购了OptechALTM扫描仪(陈et al ., 2020)。15从这八个数据集样本提取后定量分析。这15个样本代表不同的环境组成的陡峭的斜坡,植被,密集的建筑,火车站、多层、桥梁、隧道入口,和采石场(Sithole Vosselman, 2004)。这些样品已经纠正了半自动过滤和视觉歧视,,所有点都被准确地分类。每一个点上有一个类别(图8),蓝色的点是真实的地面点和红点是真实的non-ground点。

图8

图8。点云的样品12。

3.2参数描述

该方法需要预先调整6个参数,包括马克斯建设规模,初始窗口大小,马克斯地形角度,数量的迭代,迭代器角度,迭代器的距离。

1)最大建筑尺寸:长度阈值,该算法可以处理不超过建筑,用于定义网格细胞的大小;

2)初始窗口大小:进步的形态滤波输入参数,用来控制当地种子点;

3)马克斯地形角度:斜率阈值决定是否判断非保密点镜像;

4)的迭代次数:通过增加迭代次数,一些点可以迭代陡坡地面点;

5)迭代器角度和迭代器距离:计算一个点是否地面点;

3.3结果分析

三个精度指标提出了文学(陈et al ., 2007)是用于分析算法的准确性,包括Ⅰ型错误,Ⅱ型错误,总误差(表1)。

表1

表1。计算公式有三种类型的错误。

Ⅰ型误差反映了能力保留地面点。II型错误反映了删除non-ground点的能力。总误差反映了平衡和算法的实用性。参数(表1),“a”和“d”的数量正确识别地面点和non-ground点分别“b”和“c”是地面点和non-ground点分类错误的数量。表2列出了三种错误的测试结果提供的15个样品ISPRS由该算法和输配电的算法。

表2

表2。比较的结果。

15个样品的总误差为过滤器表2还不到32.67%。所示图9错误(T.I)和总误差(T.E)明显低于传统输配电的方法算法。具体来说,15份样品中,T .我错误的方法是低于经典的输配电算法在12个样品,和T。E经典输配电算法的误差低于10个样本(图9,图10)。在平均,T .我错误和T。E错误的方法是减少了8.46%和5.06%。然而,t . II经典输配电算法误差高于我们的方法在四个样本(图11)。上述缺点我们的方法不是致命的。自校正II型误差小于纠正错误(Sithole Vosselman, 2004)。

图9

图9。总误差比较表。

图10

图10。第一类误差比较表。

图11

图11。Ⅱ型误差比较表。

3.3.1过滤四个样本的结果分析

此外,本文还列出了四个代表性样本数据的过滤结果显示过滤的细节,即Sample11 Sample23, Sample42 Sample53,具体实验结果和分析如下。

Sample11是植被的主要数据特性和结构位于陡峭的地形,这种类型的地形滤波算法通常是可测试的,大多数滤波算法有很大的误差。我们的方法减少了错误和16.81%的总误差7.85%与经典的输配电算法相比,它反映了算法的准确性。图12样品的原始图像,红点图12 bⅠ型错误,蓝色的点图12 cⅡ型错误。在图12 bⅠ型误差主要分布在一小部分建筑面积的圆,但在陡峭的地区(矩形部分图12 b),我们的方法仍然准确地确定地面点。

图12

图12。过滤结果样例11:(一)初始点云;(B)点云过滤(蓝色点),红色的点是Ⅰ型错误;(C)点云过滤(红点),蓝色点Ⅱ错误类型。

示例23是建筑物的主要数据特性和少量的植被。有特殊的封闭循环地形建筑,室内地面点,和边界的建筑物,这是一个测试算法的判断复杂结构的能力。我们的方法减少了Ⅰ型误差和10.88%的总误差3.4%。在过滤结果中可以看出,建筑都过滤掉,中间的圆形结构排除在外,Ⅰ型错误基本上是在圈外。在矩形部分图13 b,我们的方法可以提取道路信息。不连续的一部分是由于不同材料的干扰和噪声点,但是总体来说,可以获得更好的道路信息。

图13

图13。过滤结果示例23:(一)初始点云;(B)点云过滤(蓝色点),红色的点是Ⅰ型错误;(C)点云过滤(红点),蓝色点Ⅱ错误类型。

由于样品相对常规地形结构特点42岁,两种算法的数据过滤结果更令人满意。我们的方法可以减少Ⅰ型误差和7.82%的总误差1.22%。就像在图14 c基本功能块是有区别的,后续过滤判断,提供了一个良好的基础,过滤效果理想。

图14

图14。过滤结果示例42:(一)初始点云;(B)点云过滤(蓝色点),红色的点是Ⅰ型错误;(C)点云过滤(红点),蓝色点Ⅱ错误类型。

53个样品主要是不连续的数据特征地形和陡峭的斜坡。虽然有更少的建筑,地形结构更为复杂,陡峭的斜坡是断开连接,建筑主要分布在不同的陡峭的斜坡。我们的方法减少了Ⅰ型误差和16.31%的总误差15.55%。过滤的结果通常是理想。有几乎没有non-ground点图15 b,这是足以证明该算法在保留其优点地面点在陡峭的地区。

图15

图15。过滤结果示例53:(一)初始点云;(B)点云过滤(蓝色点),红色的点是Ⅰ型错误;(C)点云过滤(红点),蓝色点Ⅱ错误类型。

3.3.2滤波结果分析八滤波算法

此外,该方法和提出的八个过滤器(Sithole Vosselman, 2004定量的评价图16。图16和图16 c表明,这15个样品,有三个样品,我们的方法是第二低和五个样品,我们的方法是第二低。此外,我们的方法有11第一类误差平均值以下样品,和总误差也有9个样本低于平均值。

图16

图16。结果8过滤器和该方法的三种类型的错误:(一)第一类错误;(B)II型错误;(C)完全错误。

4讨论

高精度的激光雷达提供快速、精确的解决方案,大面积数据采集(Kukko Hyyppa, 2009),越来越多的被用作一种发电民主党(希尔et al ., 2000)。民主党是一个重要的地形模型和许多应用程序的基本要求。传统的DEM生成方法是费时的(Polat et al ., 2015)。因为研究的进步,激光雷达用于生成DEM已成为一个重要手段。高精度DEM和DTM发挥重要作用在城市映射(Lm et al .,Zahdi Nagai, 2021)、森林管理(王et al ., 2016;Cai et al ., 2019)、滑坡评估和其他领域(汉et al ., 2014)。刘和林(2018)提出了一种分布形态滤波算法来生成DEM在复杂的森林地区,在森林管理和应用,合理规划和利用森林和农业。陈et al。(2012)提出了一个upward-fusion滤波算法建立一个城市DTM,节省大量的手工收集时间。黄et al。(2021)DEM作为数据源来评估滑坡和表现好于水文方法在精度和效率。然而,从激光雷达点云数据离散和不规则,需要过滤的原始点云数据生成准确的民主党和DTM (Axelsson 2000)。

因此,本文提出的滤波算法是较广泛使用的输配电过滤算法。通过15个样本的分析,得出本文的优势在减少和T T .我错误。E错误。与经典的输配电算法相比,民主党和DTM获得更准确。

然而,该方法包含六个参数,需要手动调试,这可能会影响效率。II型误差的方法比经典的输配电算法在11个样本(图11)。因此,未来的研究应该针对自动化算法的参数和II型误差的减少,使算法更加高效。

5的结论

点云滤波是激光雷达数据处理的一个重要组成部分,和几个过滤算法已经提出。其中,输配电被广泛使用,但它可能无法保留地面点在陡峭的地形。因此,本文提出了一种改进的输配电滤波算法结合进步形态滤波器,获得潜在的地面后种子点,种子点进行过滤。获得种子点更接近实际的地形。

实验结果表明,该方法执行有效地保留地面点在陡峭的地区。减少Ⅰ型误差和总误差分别为8.46%和5.06%。与此同时,我们在计算效率的方法显示了一个很大的优势,经典的输配电成本时间算法16.35和算法的时间成本提出的聂et al。(2017)是102.14秒,我们的方法的成本时间只有2.25秒。因此,我们的改进输配电算法准确性和效率有很大的提高。在四个代表性样本,良好的过滤效果。提高输配电算法的精度和效率。

数据可用性声明

最初的贡献提出了研究中都包含在本文/辅料,可以针对相应的作者进一步询问。

作者的贡献

概念化、数控和生理改变;数据管理、数控、JK,西北;融资收购,数控,YH、XD;方法,数控和西北;软件、数控和生理改变;项目管理、数控和XD;监督,JK和生理改变;原创作品草稿,数控和西北;writing-review和编辑、数控、决断力和西北。所有作者已阅读及同意发布版本的手稿。

资金

这项工作得到了国家自然科学基金(批准号52009038)和爆破工程湖北省重点实验室的基础(没有。提单2021 - 21)。

的利益冲突

作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。

出版商的注意

本文表达的所有索赔仅代表作者,不一定代表的附属组织,或出版商、编辑和审稿人。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。

引用

Axelsson, p (2000)。民主党一代从使用自适应锡激光扫描仪数据模型。远程Sens Int.档案摄影测量。

谷歌学术搜索

Cai, S。,Zhang, W., Liang, X., Wan, P., Shao, J., Yu, S., et al. (2019). Filtering airborne LiDAR data through complementary cloth simulation and progressive TIN densification filters.远程Sens。11日,1037年。doi: 10.3390 / rs11091037