點云分類方法在山區地質調查數據處理的應用研究

李冠，張立偉

(北京市勘察設計研究院有限公司，北京 100039)

1 引 言

地質調查與測繪是開展地質災害勘查的重要技術手段，系統采集邊坡巖體中各類結構面的空間幾何信息是識別邊坡地質災害隱患、評價其穩定性的重要基礎工作。目前，三維激光掃描技術可直接獲取被測量巖體的表面各點的三維坐標，高精度的全自動測量巖體中面狀結構單元的空間幾何信息，故已廣泛地應用于地質調查和測繪工作中。

在進行點云數據采集時，由于儀器、環境、測量人員等因素的影響，獲取的點云數據會有許多噪聲點，這些噪聲數據的存在會對點云模型重建造成極大的影響。因此，為了獲得高精度的點云模型，必須對點云數據進行濾波處理，剔除點云中的噪聲點。點云濾波的目的是盡可能地去除偏離物體表面的噪聲點，保留物體表面的點云，同時還要保持掃描模型表面的尖銳特征和幾何邊緣的特征信息。

三維激光點云的噪點往往無規律地分布在目標物體周圍，難以用統一數學模型區分。散亂點云的噪點分為兩類：一是偏離點，即懸浮在點云上方的稀疏點以及距離大片點云中心較遠、小而密集的點云，這類點與點云主體關聯性小，基本可認為是粗差點；二是與真實點混合在一起的點云，但在后續工作中被視作噪點的點云。針對這兩類噪點應采用不同方法來予以剔除。

2 常用去噪方法介紹

在數據配準完成后，為了最大限度地保證點云數據的可判讀性，盡可能減小無關數據的干擾，需要進行點云去噪處理。常見的點云去噪方法主要有基于回波次數、基于反射強度、基于空間分布以及基于格網點等常用的點云去噪處理方法。

從各種方法的特點來看，基于回波次數的去噪方法較多地應用于水域、城市區域等帶有透射物體的場景。基于反射強度的去噪方法較多適用于運動物體的處理。基于空間分布的去噪方法則適用于離群噪點的處理。基于格網點的去噪方法則適用于相對平緩區域的噪聲處理，且噪點與真實地面點的界線也相對較為明顯。

而從實際應用效果上看，在進行山區地質調查測繪工作時，地形起伏變化往往較大，且關注區域內往往會夾雜許多植被，反映到點云數據層面則體現為與真實點混合在一起的點云，是最主要的噪點來源，此種噪點利用上述去噪方法處理并不能達到理想效果。

為了更加具體地對數據方法的應用情況進行具體分析，本文選取了3個山區場景(圖1)：

圖1 樣本示意圖

(1)場景1：場區位于延慶盆地北部的玉渡山景區范圍內，目前場地內正在進行延崇高速玉渡山隧道的建設工作，其中重點關注區域為掃描區域東南側的高陡邊坡區域。

(2)場景2：場區位于懷柔北部山區蘭營村京加路兩側，其中重點關注區域為掃描區域北側的崩塌體。

(3)場景3：場地位于門頭溝區譚王路趙家臺村附近，其中重點關注區域為掃描區域北側的不穩定斜坡區域，位于道路北側。

3 基于樣本深度學習的點云分類方法應用

3.1 綜述

近年來，隨著深度學習的發展及其在計算機視覺、圖像處理等領域的廣泛應用，基于點云深層次特征的分類方法逐漸引起了學者們的關注，其利用深度學習直接從原始點云或間接地從點云低層次特征中提取深層次特征，并采用監督的方式實現點云分類。這類點云分類方法在分類過程中可自動提取用于分類的深層次特征，因此減少了煩瑣的人工設計點云低層次特征工作量，降低了分類難度，同時由于深層次特征強大的表示能力，使分類精度也得到了進一步提高。

3.2 分類方法

基于此，在本文中，將樣本深度學習方法應用于帶有植被的山體場景下的點云數據處理，應用CloudCompare軟件中的qCANUPO模塊來進行點云濾波工作。

(1)數據導入：將數據成果導出成las格式并導入CloudCompare軟件中。為了提高處理效率，先從全部點云數據中選擇重點關注區域并選出。

(2)樣本學習：先進行樣本深度學習進程(圖3)。利用點云選擇功能分別對植被(vegetation)和裸巖區(ground)分別進行定義，確定訓練樣本(圖2)。分別對不同對象類型進行定義后，完成分類樣本的體系構建。根據構建的樣本體系，對指定區域的點云數據進行分類訓練，先開展分類樣本的定義，在分類界線調整菜單中對分類界線進行適當調整。

圖2 確定訓練樣本

圖3 樣本深度學習

(3)基于樣本學習的點云精細濾波：

完成上述過程后，輸入創建好的樣本分類文件作為運行分類濾波的參照基準。菜單中部的Corepoints區域主要是對需要進行分類的點云進行選擇(圖4)，有4種選擇方式，一般默認為“useselectedcloud”(使用所選點云)即可。

圖4 Corepoints界面

菜單下部的Advanced區域主要涉及的是一些高級細部選項(圖5)，其中：Useconfidencethresholdforclassification選項表示為分類設置一個置信區間，置信度可以在該選項下部進行設置，一般可以考慮設置為90%～95%；Use activeSFtolocallyrefinetheclassification選項則是與上一選項聯動，在設置置信區間的同時，使用基于所選點云數據的SF值設置的較低置信區間來對分類過程進行改善。

圖5 Advanced界面

在實際操作過程中，分別使用了“默認設置”“添加置信區間設置”以及“添加置信區間并基于點云SF值”這三種配置類型進行了點云分類濾波處理工作，結果如圖6所示。從數據處理情況來看，使用“默認設置”時，點云分類濾波成果是嚴格按照分類設置來進行點云濾波；當添加置信區間時，則會在兩種分類區域邊緣產生未進行分類的“中間地帶”；當添加置信區間并基于點云SF值設置時，除了會出現中間地帶外，還會出現局部區域點云的分類轉變的情況，從實際情況來看，某些區域的分類會出現明顯的粗差。

圖6 分類濾波參數設置情況

3.3 分類實驗情況

三個樣本數據的分類成果情況如圖7所示：

圖7 點云數據分類示意圖

3.4 數據處理小結

從上述結果中可以看出，利用Capuno進行點云濾波時，有以下技術要點：

(1)分類界線的設置應綜合考慮分類效率和有用數據留存這兩方面，一方面是為了盡可能多地保存需要的數據，應盡量把界線往噪點(植被)區傾斜；另一方面則為了保證處理效率，需要盡可能多地去除噪點。因此調整的幅度不宜過大，有必要的情況下此過程需要重復進行。該過程可以多次進行，分類界線也可以在多次進行濾波的同時多次進行調整處理。

(2)添加置信區間的設置可以考慮在地表和植被區界線并不明顯的情況下使用，從而減少因錯刪數據而造成的數據損失。

(3)基于點云SF值設置項在數據處理過程中會使點云分類出現粗差，故應謹慎使用。

4 結 論

本文在對常規點云去噪方法進行闡述的基礎上，將基于深度學習的點云分類方法應用于山區地質調查的數據處理過程中，開展數據試驗，取得了較為理想的效果，初步實現了山體表面數據與附著植被數據的分離，驗證了基于深度學習的點云分類方法應用于山體區域點云去噪處理的可行性。

為確保點云分類成果的準確性，即確保其中的裸露巖體數據能被準確分出，進行數據濾波處理時，一是應使用默認策略(即采用不添加置信度以及參考SF值的模式)來進行，且應考慮將分類界線往植被區域適量傾斜，以確保裸露巖體區域的數據不被錯分；二是應考慮進行重復多次的濾波，通過不斷改變分類界線位置來獲取質量更高的點云數據。

由于本文應用的數據實例數量有限，故驗證效果存在一定的局限性，下一步工作中將考慮應用更多數據實例來對此方法的應用效果進一步驗證。