機載LiDAR點云數據濾波以及建筑物提取技術研究

摘 要：當對機載激光雷達（LiDAR）點云數據進行濾波和提取建筑物時，當前技術有誤差大、提取結果展示模糊等問題，本文針對這些問題進行相關研究，處理機載LiDAR點云數據，對坡度點云數據進行自適應濾波，提取機載LiDAR點云數據建筑物。分析提取結果可知，本文方法可以有效降低誤差，清晰展現結果，為城市規劃、土地資源調查和建筑物監測等領域提供更精準、高效的服務。

關鍵詞：機載；LiDAR；點云數據；濾波；建筑物

中圖分類號：P 237" " " " " 文獻標志碼：A

激光雷達（LiDAR）是一種高精度、高效率的測繪手段，在城市規劃、國土調查和房屋監測等方面得到廣泛應用。本文研究航空LiDAR點云的過濾與提取方法[1]。本文探討了機載LiDAR數據的處理流程、濾波算法以及建筑物提取技術的最新研究進展。機載LiDAR數據處理步驟主要包括數據獲取、預處理、濾波以及提取建筑物等。其中，數據獲取主要是利用機載LiDAR設備獲取高精度的地表三維坐標信息；預處理包括格式和坐標轉換等，以便后續進行濾波處理和提取建筑物；濾波的作用是去除噪聲和冗余數據，提高數據質量；建筑物提取是從濾波后的點云數據中提取建筑物的空間信息。

1 機載LiDAR點云數據處理

在使用過程中，機載LiDAR掃描系統所獲得的原始觀測數據包括全球定位系統（Global Positioning System，GPS ）和慣性測量單元（Inertial Measurement Unit，IMU）等。對采集的數據進行處理，可獲得激光點云的三維空間坐標[2]。使用點云進行目標識別前，還須剔除噪聲點、修正誤差，并對點云數據進行預處理。預處理后再進行數據濾波。其中，須注意地面點與非地面點的區別，對非地面點進行分類，在此基礎上建立三維地形模型[3]。完成這些步驟后，從機載LiDAR掃描系統獲取的原始數據中提取有用的地理信息，為后續地物識別和分類提供準確的數據支持。機載LiDAR點云數據處理流程如圖1所示。

2 坡度點云數據自適應濾波

在機載LiDAR點云數據中，三維坐標數據能夠直接、準確地描述地物的空間形態和結構，因此須重點處理[4]。分析這些數據，可以準確地提取地理信息。良好的數據組織結構可以使數據處理更高效，減少計算量，節約時間成本[5]，它也是進行地物識別和分類的基礎和關鍵[6]。合理地組織和處理機載LiDAR點云數據，可以更好地利用這些數據，為城市規劃、土地資源調查和建筑物監測等領域提供更準確、高效的服務。采用八叉樹建立格網索引，劃分格網屬性。

八叉樹是由樹中的每個結點來描述空間的一種數據結構，它以1個對稱的立方體為基本的結構元素。當構造八叉樹時，先從根結點出發，產生8個子域，再依次向下，最后得到1個完整的八叉樹。該模型既包括點云的空間信息，又包括分段信息，因此，本文提出一種新的基于點云數據的方法[7]。1個完整的八叉樹由8個面向下的子結點、1個向上的父結點、列表中的下標以及分段坐標x、y和z 4個部分組成。為更好地理解八叉樹的構造和信息組織方式，繪制八叉樹結構圖，如圖2所示。

根據上述內容，假設原始的機載LiDAR點云數據集為P，如公式（1）所示。

P={pi∈Rd|pi=（xi，yi，zi），i=1，2，…，N} （1）

式中：pi為點云數據集合中的子集；Rd為集合總數；i為第i個子集；（xi，yi，zi）為航空LiDAR點云數據的三維坐標；N為機載激光雷達點云總數據。假設在集合P的平面分布中，確定1個規格為m×n的平面格網。m、n計算過程如公式（2）、公式（3）所示。

m=（xmax-xmin）/s+1 " " " " " " " " " " （2）

n=（ymax-ymin）/s+1 " " " " " " " " " "（3）

式中：m為平面格網長度；n為平面格網寬度；xmax為橫軸最大值；xmin為橫軸最小值；ymax為縱軸最大值，ymin為縱軸最小值；s為網格尺寸。

該方法利用點云數據的（x，y）坐標以及格網，對每點賦予獨特的空間位置和 格網編號，可以查詢索引，快速定位每個點的具體位置。計算過程如公式（4）、公式（5）所示。

X=INT（x-xmin）/s （4）

Y=INT（y-ymin）/s" " " " " " " " "（5）

式中：X為虛擬格網激光腳點橫坐標；Y為虛擬格網激光腳點縱坐標；INT為系數；x為初始點云集上與最小平面坐標值相對應的點的橫坐標；y為初始點云集上與最小平面坐標值相對應的點縱坐標。每個點云數據都賦予1個唯一的格網編號，可以快速查詢和定位每個點的具體位置。對后續地物識別、分類以及生成數字高程模型等處理步驟來說，這種數據組織方式作用十分重要。

選取適當的高差值閾值，濾除非地面點。在域窗口較大的情況下，可選擇較大的閾值；在域窗口較小的情況下，可選擇較小的閾值，以保證準確地區分地面點和非地面點[8]。基于高差閾值的濾波方法可以有效去除噪聲和冗余數據，提升點云數據質量，為后續地物識別和分類等處理步驟提供準確的基礎。

3 機載LiDAR點云數據建筑物提取

根據機載LiDAR點云數據，對建筑物進行提取，目標點選取與設置如圖3所示。

當處理機載LiDAR點云數據時，需要根據地形情況調整一些參數，Iteration Angle 是用于控制點云數據濾波的參數之一。當算法處理點云數據時，迭代角的大小決定了平滑程度。在地勢平坦的區域，地面點的分布相對均勻，迭代角可以設置得較小，例如預期的4.0。這樣的設置可以減少對地面點進行平滑處理的次數，保留更多細節信息。

當地形起伏較大時，地面點分布變得不均勻，須適當增加迭代角的值，對地面點進行平滑處理。根據實際情況，迭代角設置約為10.0，以更好地適應地形的變化。

另一個參數是目標點到它最近的三角形表面的距離。通常，這個參數的范圍在0.5 m～15.0 m。參數選擇將直接影響濾波效果和后續處理的質量，因此需要根據具體情況進行適當調整。

本項目針對航空 LiDAR點云中的建筑特征，提出將數字曲面模型（Digital Surface Model，DSM）與 數字高程模型（Digital Elevation Model，DEM）進行比對，獲得僅包括地物信息的歸化數字表面模型（Normalized Digital Surface ，nDSM）。其中，無地面高度信息的圖像稱為 nDSM圖像。它的生成原理如圖4所示。

在研究機載LiDAR點云數據濾波以及建筑物提取技術的過程中，須建立數字地表模型。在此基礎上，將所得DSM與DEM進行減法處理，獲得研究區 nDSM圖像。在nDSM圖像中，地物的顏色與其高程值有統計學意義。隨著高程值增加，地物的灰度值逐漸降低。這種顏色變化提供了豐富的地物高度信息，有助于更好地理解和分析地形、地貌特征。

當地面點的高程值為0時，在nDSM影像中呈現為黑色。在減去DEM的過程中，地面點的高程值沒有發生變化，仍然為0。當高程值≠0時，在nDSM影像中，地面點會根據其高程值呈現不同的灰度顏色。

這種顏色變化不僅展示了地物的高度信息，還可以在一定程度上反映地物的形狀和結構。例如，在nDSM影像中，建筑物可能會呈現明顯的幾何形狀和高程變化，可以很容易地識別和提取建筑物信息。

分析nDSM影像圖中的顏色變化和地物形狀，可以更好地分析地形、地貌特征，在城市規劃、土地資源調查和建筑物監測等領域中有重要意義。nDSM影像圖還可以為相關領域的研究提供更精準的數據支持和服務。

4 建筑物提取效果分析

結合上述內容，提取研究區域的建筑物后，分析其提取效果。為直觀評價，采用可視化的方法來驗證使用上述方法得到的圖像是否符合實際地形。為了更準確地評估濾波結果的整體技術指標，定量統計分析十分重要，須統計濾波后的數據，以評判其整體的準確性和可靠性。本文將誤差分為I類誤差、II類誤差和總誤差。I類誤差為將地面點錯誤地判定為非地面點；II類誤差為將非地面點錯誤地判定為地面點；總誤差為I類誤差與II類誤差的總和。誤差定義規則見表1。

結合上述限定法則，判定 I 類誤差、 II 類誤差以及總誤差的計算過程如公式（6）～公式（8）所示。

TypeIerror=B/E×100%" " " "（6）

TypeIIerror=C/F×100% " " " （7）

Totalerror=B+C/N×100% （8）

式中：TypeIerror為I類誤差的判定結果；TypeIIerror為II類誤差的判定結果；Totalerror為總誤差。

建筑物提取效果誤差統計結果見表2。其中，I類誤差統計結果為9.36%，表示在建筑物提取過程中有9.36%的地面點錯誤地分類為非地面點；II類誤差統計結果為5.36%，表示在建筑物提取過程中有5.36%的非地面點錯誤地分類為地面點?？傉`差統計結果僅為7.58%，遠低于10%的閾值，說明該技術精度極高。

取得這個結果得益于多種因素的綜合作用。首先，采用先進的濾波算法能夠有效地去除噪聲和冗余數據，提高數據質量。其次，結合多種輔助數據源，例如衛星圖像、航空照片等，為建筑物提取提供更豐富的信息。最后，采用基于規則、聚類和機器學習等多種建筑物提取方法，獲得更精確的建筑物信息。未來將繼續優化該技術，擴大數據覆蓋范圍，提升建筑物細節信息提取精度。研究將該技術應用于其他領域，例如文化遺產保護、城市規劃等，為相關領域的發展提供更精準的數據支持。

5 結論

本文研究機載LiDAR點云數據濾波以及建筑物提取技術，總結了現有的濾波算法和建筑物提取方法，并指出各自的優缺點和適用范圍。隨著機載LiDAR技術不斷發展，未來研究將更注重提高數據處理的效率和準確性，使數據處理更智能化。

參考文獻

[1]楊瑞林，管海燕，謝歡.基于AlexNet網絡的高分辨率遙感影像建筑物提取方法研究[J].測繪與空間地理信息， 2023，46（11）：35-38，41.

[2]江浩，齊慧芳.弱偏差特征過濾的建筑物焊接連接構造點激光雷達特征提取[J].粘接，2023，50（8）：134-137.

[3]孫章羽，周偉明，王保國，等.基于蚌埠市實景三維點云建筑物智能提取研究[J].工業建筑，2023，53（增刊2）： 18-21.

[4]劉建興，胡全一，樂美燕，等.直線段檢測算法在機載LiDAR建筑物輪廓線提取中的應用[J].測繪通報，2023（10）： 145-149.

[5] 周力，惠飛，張嘉洋，等. 基于RDB-YOLOv5的遙感圖像車輛檢測[J].長安大學學報（自然科學版），2024，44 （3）： 149-160.

[6]江寶得，黃威，許少芬，等.融合分散自適應注意力機制的多尺度遙感影像建筑物實例細化提取[J].測繪學報， 2023，52（9）：1504-1514.

[7]陳國軍，岳雪燕，朱燕寧，等.基于多尺度特征融合的遙感圖像建筑物提取算法研究[J].計算機科學，2023，50（9）：202-209.

[8]邢云飛，劉萍，謝育珽，等.基于高分辨率遙感影像的面向對象建筑物分級提取方法[J].航天返回與遙感， 2023，44（4）：88-102.