基于區域增長的LiDAR點云數據DEM提取

張齊勇

(中鐵第一勘察設計院集團有限公司，陜西西安　710043)

Extracting DEM from LiDAR Data Based on Region Growing

ZHANG Qiyong

基于區域增長的LiDAR點云數據DEM提取

張齊勇

(中鐵第一勘察設計院集團有限公司，陜西西安710043)

Extracting DEM from LiDAR Data Based on Region Growing

ZHANG Qiyong

摘要機載LiDAR系統能夠快速獲取數字表面模型，通過濾波處理，可以獲取數字高程模型(DEM)。提出一種從機載LiDAR點云數據獲取DEM的方法，首先對點云數據建立網格分塊索引，然后逐行逐列按照一定的間距選取地面點作為種子點，使用區域增長算法增長地面點，獲得地面點集，最后通過逐點內插生成DEM。選取機載LiDAR數據進行實驗，結果表明該方法得到的DEM質量較高。

關鍵詞LiDAR區域增長濾波DEM

1概述

機載激光掃描(LiDAR)系統可以快速獲取地球表面三維數據信息[1]，從而生成數字表面模型(DSM)，在DSM中，不僅含有地面點，還包含建筑物、樹木、電線、橋梁、車輛、行人等非地面信息，通過剔除這些非地面信息，即可保留地面點，該項工作稱為濾波。

目前，國內外學者已經提出了許多濾波算法：基于坡度的濾波方法[2]通過考慮地形變化情況，根據相鄰兩點的高差與距離的關系判斷地面點與非地面點，在坡度變化劇烈或者陡峭的地方具有一定局限性；迭代線性最小二乘內插法[3]則使用線性最小二乘法內插激光腳點，其擬合殘差不服從正態分布，通過迭代線性最小二乘內插法逐漸逼近和修正真實地面，該算法適宜地形變化較小且激光點云數據分布較為均勻的區域，而對于地形變化較大的區域，其參數設置比較復雜，濾波時間較長，效果不是太好；基于形態學的濾波方法[4、5、6]主要是通過數學形態的開運算逐步濾除非地面點，該類算法關鍵在于結構元素的選取與閾值的確定；基于雙次回波的濾波方法[7]利用雙次回波高程之差分類激光腳點，適用于分類植被激光腳點；多級移動曲面擬合濾波方法[8]通過建立二次多項式完成參考曲面的擬合，使用不同窗口大小獲得不同層次的擬合曲面，通過設置自適應閾值，完成地面點與非地面點的判斷，該方法在植被茂密地區濾波的精度較低；基于自適應TIN迭代加密濾波方法[9]能夠有效濾除錯誤點和近地點并得到DEM數據，但是對于小面積房屋的濾波效果不是很好，同時在動態構建不規則三角網過程中時間復雜度較高。

考慮地形的變化特征，提出了基于區域增長的LiDAR點云數據濾波方法：通過自動選取合適的地面種子點，按照高程一致性的原則進行區域增長，獲取整個地面點云，并內插出DEM。實例驗證了該方法能較好地提取地面點，具有較好的實用性與精度。

2研究方法與實現

基于區域增長的LiDAR點云數據濾波方法主要思想為根據地面點高程一致的原則，選取地面種子點進行區域增長，實現地面點集的提取，濾除掉樹木與建筑物等地物信息，最后內插出DEM，主要技術路線見圖1。

圖1　LiDAR點云濾波與DEM提取主要流程

2.1　點云索引的建立

機載LiDAR點云數據密度很高，在對其進行處理前，需要對LiDAR點云數據建立空間索引。這是因為處理離散點云數據時(如濾波或逐點內插DEM)，經常需要在當前點的鄰域內搜尋滿足符合條件的點，若對點云數據進行全局搜尋，效率極低，無法滿足實際需求，通過建立點云索引機制即可解決鄰域搜尋的效率問題。目前空間數據索引方法較多，較為典型的有基于網格分塊的方法、基于KD-Tree的方法等。對于分布較為均勻的點集通常采用網格分塊的方法建立空間索引，該空間索引的基本思想是將空間區域劃分為大量的方形小塊，對某一參考點進行鄰域搜尋時，判斷該參考點位于哪一數據塊，獲取其行列號，按行列號進行鄰域搜尋，效率大為提高。網格分塊空間索引建立方法如下[10]：

(1)計算LiDAR數據點范圍與點云平均間距，使用一個合適的二維矩陣覆蓋在點云數據上，二維矩陣的格網間距與點云平均間距相當，將二維矩陣賦初值為-1。

(2)遍歷LiDAR數據點，根據二維矩陣與LiDAR點云數據的關系計算當前LiDAR點對應二維矩陣的行列號，若該單元格未被賦值，則將該單元格賦值為該點所在點云數據中的點號；若該單元格已被賦值，則比較當前點與已賦值點的高程，由于低點為地面點的概率更大，則選擇高程較低數據點的點號作為該單元格值。

2.2　種子點選取

LiDAR點云數據包含有地面點、樹木、建筑物等信息，根據數據高程一致的原則直接對LiDAR點云數據進行分割，則地面點形成一個大的區域或者若干小區域，建筑物由于屋頂通常為平面或斜面或連續的曲面，其高程變化通常較小，因此也會分割為若干小區域，而樹木點高程變化較大，則會分割成較小區域。在分割的這些區域中，雖樹木與建筑物區域較臨近的地面點區域高，若僅依靠相鄰區域的高程判別地面區域與建筑區域，容易造成相鄰建筑物區域的誤判。一個有效的方法是在區域分割之前設定地面種子點，依據地面種子點進行地面點區域增長，從而獲取地面點集。常規的地面種子點選取方法是在全部點云數據內搜尋高程最低點作為地面點，此方法的缺點在于搜索的高程最低點也可能是粗差點，僅僅依靠最低點進行區域增長，可能無法增長或者增長為一個較大的地面連通區域，而對于非連通區域的地面則無法進行增長。在實際情況中，種子點需要選取具有一定的代表性且分布較為均勻的點，考慮到在一定區域內的最低點通常為地面點，可以根據建立的網格分塊索引逐行掃描數據點，每隔一定的間距選取高程最低點作為種子點，再逐列掃描，再選取每一列一定間距內的最低點作為種子點。通過此方法選取種子點，能在點云數據分布區域內獲得較為均勻的地面種子點。

2.3　地面點區域增長

LiDAR點云數據的一致性體現在高程上，通過對地面種子點進行區域增長，可把高程一致的LiDAR數據點合并為一個區域，即地面點集。區域增長算法使用堆棧實現，首先對原始LiDAR點云數據進行標記，將種子點標記為地面點，其余點標識為未分類點，然后即可進行地面區域增長，步驟如下：

(1)將所有種子點壓入堆棧。

(2)實行出棧操作，獲取當前種子點，將該種子點的高程同周圍的8-鄰域的數據點高程進行比較，若鄰域點未被分類，且鄰域點與當前種子點的高程差小于給定的閾值，則將該鄰域點標識為地面點，并對該鄰域點進行入棧操作，否則將該點標記為地物點。

(3)反復執行第(2)步的操作，直至堆棧容量為0結束，此時地面點皆已增長完畢，算法終止。

通過區域增長，得到地面點的集合，可用于其后的DEM內插，從而生成DEM。

2.4　DEM內插

經過區域增長得到地面點集，由于樹木與建筑物及其他地物點被濾掉，因此地面點集會存在大量的數據空洞，要得到DEM，還需要內插出被標識為地物點的地面高程(主要為空洞數據區域的高程)。在內插的算法中，逐點內插法能較好地保留局部地形，應用較為廣泛，該方法以待定點為中心，定義一個局部函數去擬合周圍的數據點，數據點的范圍隨待插點位置的變化而移動。逐點內插法采用的擬合函數常為二次曲面，表達式為

(1)

要內插出地物點的地面點高程，需要以該地物點為半徑，在一定距離內搜尋地面點，為了與空洞周圍的地形盡量保證一致，需要在該點的四象限鄰域內均勻搜尋地面點，每個象限以2至3個點為宜，將搜尋的k個點按照式(1)進行曲面擬合，求解參數，從而內插出該點的地面高程。遍歷點云數據，直至所有的地物點皆內插完畢。

3試驗結果分析

使用C#對濾波算法進行實現。實驗數據為城市郊區的一塊950 m×500 m大小的原始LAS點云數據，版本為1.0，該區域總激光腳點數為532 721個，每平方米的平均腳點數為1.1個，點云平均間距為0.9 m。根據實驗原始LiDAR點云數據生成DSM，見圖2。從圖2中可以看出，實驗區域內南邊地物較多，多為建筑物，并含有少量的樹木，北邊區域地形起伏較大，有大量的建筑物。

圖2　實驗區的數字表面模型(DSM)

首先對原始LiDAR點云數據建立網格分塊索引。點云的平均間距為0.9 m，網格索引分塊大小設置為1 m。根據給定的種子點選取算法自動生成地面種子點12 491個。種子點選取后，對地面種子點進行區域增長，在區域增長中，高程增長閾值的設定極其重要，當閾值設定過大，則會增長過多的地物點，而閾值設定過小，又會造成地物的過度濾除，經反復試驗，在網格索引分塊大小為1 m時，設置增長閾值0.3 m能較好地濾除掉地物點。區域增長的搜尋范圍為8鄰域，通過區域增長，共增長地面點265 246個，根據得到的地面點生成灰度影像圖(見圖3)。

圖3　區域增長獲得的地面點灰度影像

圖3中的大塊黑色區域即為空洞數據區域，主要為樹木、建筑物被濾除的部分，要生成DEM，還需要對空洞數據區域進行內插。使用二次曲面擬合地形內插DEM，最終生成的DEM如圖4所示。

圖4　濾波后內插生成的DEM

從圖4中可以，建筑物、樹木等地物絕大部分已經被濾除，同時生成的DEM能較好地保留地面特征，質量較高，算法較為理想。

4結束語

通過分析LiDAR數據點的特征，提出了基于區域增長的LiDAR點云數據DEM提取方法，并通過實驗數據進行驗證，結果表明該濾波方法較為理想，生成的DEM質量較高。該算法的關鍵在于地面種子點的選取與區域增長閾值的確定，通過逐行逐列均勻選取最低點作為種子點，能最大程度的避免非連通地面區域種子點的漏選，但是對于建筑物極為密集的區域仍然無法較好地選取地面種子點，進而影響影響濾波精度，需要進一步研究并改進。

參考文獻

[1]李瑞林，李濤.一種從LIDAR點云數據中提取DTM的方法[J].鐵道勘察，2007(5):53-54

[2]Vosselman G. Slope based filtering of laser altimetry data[J]. IAPRS， 2000，33(B3):935-942

[3]Kraus K， Pfeifer N. Determination of Terrain Models in Wooded Area with Airborne Laser Scanner Data[J]. ISPRS Journal of Photogrammetry and Remote Sensing， 1998，53:193-203

[4]李勇，吳華意.基于形態學梯度的機載激光掃描數據濾波方法[J].遙感學報，2008，12(4):633-639

[5]陶金花，蘇林，李樹楷.一種保護細節的從機載激光點云中提取城區DTM的方法[J].遙感學報，2008，12(2):233-238

[6]孫美玲，李永樹，陳強，等.基于開重建的LiDAR數據形態學濾波方法[J].大地測量與地球動力學，2014，34(2):90-94

[7]張小紅.利用機載LIDAR雙次回波高程之差分類激光腳點[J].測繪科學，2006，31(4):48-50

[8]蘇偉，孫中平，趙冬玲，等.多級移動曲面擬合LiDAR數據濾波算法[J].遙感學報，2009，13(5):1-7

[9]殷飛，齊華，薛曉濱，等.一種自適應TIN迭代加密濾波算法[J].鐵道勘察，2010(4):41-54

[10]JOHN SECORD， AVIDEH ZAKHOR. Tree Detection in LiDAR Data[C]//Image Analysis and Interpretation， 2006 IEEE Southwest Symposium on. Denver: Institute of Electrical and Electronics Engineers( IEEE )， 2006:86-90

[11]賈永紅.數字圖像處理[M].武漢:武漢大學出版社，2003：150-151

[12]李志林，朱慶.數字高程建模[M].武漢:武漢大學出版社，2003：102-104

中圖分類號：P225

文獻標識碼：A

文章編號：1672-7479(2015)02-0014-03

作者簡介：張齊勇(1983—)，男，2009年畢業于西南交通大學地圖制圖學與地理信息工程專業，工學碩士，工程師。

收稿日期：2015-01-20