（环境科学专业论文）基于数学形态学原理和terrascan的lidar点云数据分类方法研究.pdf

基于数学形态学原理和t e r r a s c a n 的l i d a r 点云数据分类方法研究 a b s t r a c t l i d a rs y s t e mc a nq u i c k l ya c c e s st h er e a l - - t i m et h r e e - - d i m e n s i o n a lg r o u n di n f o r m a t i o n w i t hh i g h p r e c i s i o n ；l i d a rh a sa c t i v es c a n n i n gm o d e l s ，w h i c he n a b l ei tt ow o r ka l l - d a y t i m ew i t h o u tb e i n ga f f e c t e db yw e a t h e r a tt h es a m et i m e l i d a rd a t aa n dt h er e l a t e d p r o d u c t s c a nf a c i l i t a t eac o n n e c t i o n 埘t hv a r i o u ss o f t w a r e s ，s u c ha sc a d ，3 d a n i m a t i o n ，a n ds oo n w i t ht h o s ea d v a n t a g e s ，l i d a rs y s t e mh a sb e e ng r o w i n g l y a p p l i e d i nv a r i o u sf i e l d s h o w e v e r ，t h ec l a s s i f i c a t i o no ft h ep o i n td a t as e t si s b e c o m i n gt h eb o t t l e n e c ki s s u ef o rt h e i ra p p l i c a t i o na n dd e v e l o p m e n t ，w h i c ha c c o u n t s f o r6 0 - 8 0p e r c e n to ft h ew o r k l o a df o rt h el i d a rd a t ap o s t - p r o c e s s i n g a sar e s u l t ， f u r t h e rr e s e a r c hr e g a r d i n gt h ec l a s s i f i c a t i o nm e t h o di sq u i t en e c e s s a r ya n dv a l u a b l e f o rl i d a ra p p l i c a t i o n s i nr e c e n ty e a r s ，u n d e rt h ee f f o r t so fm a n ys c h o l a r s ，s o m er e l a t i v ea d v a n c e dm e t h o d s r e g a r d i n gt h ep o i n td a t as e t sc l a s s i f i c a t i o nh a v e b e e nd e v e l o p e dg r a d u a l l y a tp r e s e n t ， t e g a s c a ni so n eo ft h em o s tc o m p l e t ea n dp r a c t i c a ls o f l w a r e sb a s e do nt h e c l a s s i f i c a t i o nm e t h o do fa l e x s s o n i nt h i sp a p e r , t h ep o i n td a t as a m p l e sa r ec l a s s i f i e d b yb o t ht e r r a s c a na n dt h ec l a s s i f i c a t i o nm e t h o db a s e do nt h ep r i n c i p l em a t h e m a t i c a l m o r p h o l o g y a d d i t i o n a l l y , i no r d e rt oe v a l u a t et h ea d v a n t a g e sa n dd i s a d v a n t a g e so f t h ec l a s s i f c a t i o nm e t h o d ，t h er e s u l t sb a s e do nt h et w oc l a s s i f i c a t i o nm e t h o da r e c o m p a r e d ，a n di t sf u r t h e ra p p l i c a t i o na n dd e v e l o p m e n t h a v eb e e ne v a l u a t e d t h o s es e v e ne x p e r i m e n t a lp o i n td a t as e t su s e di nt h i sp a p e ra r ep r o v i d e db yi s p r s ， w i t hv a r i o u ss o r t so ft y p i c a lt o p o g r a p h i c a lc h a r a c t e r s b e s i d e s ，t h e r ea r ea l t i f i c a l r e f e r e n c es a m p l e sd a t ai nt h e s es e v e n r e g i o n st h a tc a n b eu s e dt oh a v eq u a n t i f i c a t i o n a l e v a l u a t i o no ft h ef i n a lc l a s s i f i c a t i o nr e s u l t s t h em a i nr e s e a r c hw o r k si n c l u d e ： ( 1 ) t h ei n t r o d u c t i o no ft h ew o r k f l o w , o p e r a t i o n a li n t e r f a c e sa n dt h ed e t e r m i n a t i o no f t h ep a r a m e t e r sd u r i n gc l a s s i f i c a t i o nu s i n gt e r r a s c a n w r i t ht h i ss o f t w a r e ，s e v e n e x p e r i m e n t a ld a t as e t sa l ec l a s s i f i e d 1 1 a b s t r a c t ( 2 ) t h ec l a s s i f i c a t i o nm e t h o db a s e do nt h ep r i n c i p l eo fm a t h e m a t i c a lm o r p h o l o g yi s a p p l i e dt oc l a s s i f yt h ee x p e r i m e n t a ld a t as e t sb yu s i n gm a t l a b t h ec h o o s i n go ft h e o p e r a t i o nw i n d o ws i z e si st h ek e yp r o c e s st oc l a s s i f yd i f f e r e n tk i n d so fn o n - g r o u n d p o m t s ( 3 ) t h ea c c u r a c ya s s e s s m e n ta n dc o n t r a s t i v ea n a l y s i so ft h ec l a s s i f i c a t i o nr e s u l t sw i t h t h et w oc l a s s i f i c a t i o nm e t h o d s r e s u l t ss h o wt h a tt h ec l a s s i f i c a t i o na c c u r a c yo ft h em e t h o db a s e do nt h ep r i n c i p l eo f m a t h e m a t i c a lm o r p h o l o g yi sc o m p a r a b l e 、析n lt h a to ft e r r a s c a n i t so p e r a t i o n a l p r i n c i p l ea n dp r o c e d u r e sa r em u c he a s i e r i th a sv e r yp r o m i s i n ga p p l i c a t i o nf u t u r e k e yw o r d s ：l i d a r ；m a t h e m a t i c a lm o r p h o l o g y ；t e r r a s c a n ；m a t l a b ；c l a s s i f i c a t i o n m e t h o d ； a c c u r a c ya s s e s s m e n t i i i 原创性声明 本人郑重声明：所呈交的学位论文，是本人在导师的指导下。独立 进行研究工作取得的成果。除文中已经注明引用的内容外，本论文不含任何 其他个人或集体已经发表或撰写过的作品或成果。对本文的研究做出重要贡 献的个人和集体，均已在文中以明确方式标明。本声明的法律结果由本人承 担。 学位论文使用授权说明 本人完全了解国家海洋局第一海洋研究所关于收集、保存、使用学 位论文的规定，即： 按照本所要求提交学位论文的印刷本和电子版本； 研究所有权保存学位论文的印刷本和电子版，并提供目录检索与阅览服务； 研究所可以采用影印、缩印、数字化或其它复制手段保存论文； 研究所同时授权中国科学技术信息研究所将本学位论文收录到中国学位论 文全文数据库，并通过网络向社会公众提供信息服务。 ( 保密论文在解密后遵守此规定) 论文作者签名： ，i 一二 如f 火 铷虢涓哟 日期：口男年月毕日 文柚 、乃月 名： 引沣 利谚 文期沦日 第一章概述 1 1l i d a r 简介 第一章概述 作为机载激光系统的一个重要组成部分，l i d a r ( 激光测距系统，l i g h t d e t e c t i o na n dr a n g i n g ) 早在2 0 世纪6 0 年代就已经出现了。随着机载激光系统 另外两个重要组成部分( 精确惯性导航系统( i n s ) 和全球定位系统( g p s ) ) 发 展的日益成熟，l i d a r 的应用领域得到了很大的拓展，其应用领域从最初单纯的 建立数字地面模型( d t m ) ，逐步的发展到后来的城市建模、建筑物提取、林区监 测和管理、数字冰川建模等。成熟的l i d a r 商业系统类型也由最初的绘制地形的 l i d a r ，发展到测深l i d a r 及低纬度平台l i d a r ( b a l t s a v i a se p ，1 9 9 8 ) 。 目前，成熟的商业l i d a r 有用于地形绘制的系统、用于测深的系统以及低纬度 平台系统等等。其生产厂商有很多，主要有瑞士的l e i c a 公司、美国的3 dd i g i t a l 公司、p o l h e m u s 公司等，奥地利的r i g e l 公司、加拿大的0 p t e c h 公司、瑞典 的t o p e y e 公司、法国的m e n s i 公司、日本的m i n o l t a 公司、澳大利亚的i s i t e 公司、中国的北京容创兴业科技发展公司等。它们各自的产品在测距精度、测距 范围、数据采样率、最小点间距、模型化点定位精度、激光点大小、扫描视场、 激光等级、激光波长等指标会有所不同。用户可根据不同的情况如成本、模型的 精度要求等因素进行综合考虑之后，选用不同的三维激光扫描仪产品。目前，最 新的l i d a r 能每秒钟发射1 0 0 ，0 0 0 个波束，最大飞行高度可以达到2 k m ( q ic h e n ， 2 0 0 7 ) 。 l i d a r 应用能够蓬勃发展，主要是因为l i d a r 技术克服了传统测量技术的许多 局限性。与传统的数字摄影测量和雷达干涉测量相比，l i d a r 高度计能直接记录地 面点的高程，用户无需对数据进行几何改正，大气改正和辐射改正。相对于传统 的数据收集方式，l i d a r 测高系统对终端用户而言是很有吸引力的，它能相对廉价 地获取高密度、高精度的数字地面数据，能满足很多领域应用的实际需要，快速 的将现实世界的信息转换成计算机可以处理的数据，其输出格式可直接与c a d 、 三维动画软件等工具接口。l i d a r 具有扫描速度快、实时性强、精度高、主动性强、 全数字特征等特点，可以极大地降低成本，节约时间。 暴于数学形态学原理和t e r r a s c a n 的l i d a r 点云数据分类方法研究 1 2 l i d a r 的主要应用领域 l i d a r 硬件系统与软件系统的发展拓宽了l i d a r 的应用领域，使其逐步应用于 各个领域，涉及数字高程模型( d e m ) 建立，交通运输，城市规划研究，林业管 理，水文和生态管理等等应用。 数字高程模型( d e m ) 的应用，d e m 在许多行业领域中都有广泛的应用，是 地面数字化信息实际应用的基础。d e m 建立是l i d a r 系统最基础、最原始的功能。 传统的测绘手段，如航空摄影测量、现有地图的扫描以及野外测量，都需要耗费 大量的人力、物力和时间来获取所需要的信息。相比较而言，l i d a r 技术能更快捷、 经济地获取高密度、高精度的大面积的高程数据。l i d a r 主动式的扫描地面物体， 无需接触测量目标，因此可不考虑建筑物和植被阴影对周围物体测量造成的影响。 在其他的测量仪器难以到达的区域具有独特的优势，实现对测区的无缝覆盖，获 取全区域d e m 。且l i d a r 直接获取的是点的三维坐标，相互独立，因此无需对d e m 数据迸行正射校正。利用l i d a r 快速获取地面高程数据，建立数字高程模型、数字 地形图作为其它应用的保障地图。 林学方面的应用，l i d a r 在林学领域上的应用是最先开发应用的商业领域。精 确的植被信息和植被下的地表信息，无论对森林产业还是自然资源的管理者而言 都是极其重要的。运用传统的测量手段很难同时获取精确的树高、植被密度等植 被信息以及详细的植被下的地表信息。森林覆盖限制航空摄影测量的应用，而地 面覆盖又限制野外地表测量，例如湿地和其它不容易到达的区域由于受地面环境 的限制，用传统的测量技术很难获取植被的覆盖情况。l i d a r 能同时测定地表和树 高的信息。通过对点云数据的后处理，不仅能建立精确的地表数字地面模型，还 能精确地计算典型植被的树高。利用激光回波信号的全波形分析还能研究树冠的 详细结构。l i d a r 对林学方面的研究有重要价值的。 海岸工程方面的应用，一l i d a r 可用于海滩制图。海岸带区域狭长，易受潮汐影 响，海岸线不断地变化。沙丘不能提供足够的地形信息，因此对岸和岸线、助航 标志、干出滩等的测量精度和表示的详细程度要求较高。l i d a r 测量相对于现有其 它技术在海岸地区有很大的优势，由于蓝绿激光较易直接穿透海水而红外光不易 穿透海水，利用分光和倍频原理设计出探测陆地地形和海底地形的集成系统，结 合飞机飞行和不同方式的扫描获取红外激光的陆地信息以及蓝绿激光的海底信 2 第一章概述 息。针对海岸地区高度变化的动力环境，实现对岸线数据的实时更新。在经济实 效地完成常规的测量任务的基础上，精确地绘制并监测海滨、沙丘、防波堤和海 岸植被，监测海岸线的变化，实现陆海一体化的综合测绘( 申家双，2 0 0 7 ) 。 走廊地区和公路测量应用，结合高程和反射强度信息，l i d a r 能快捷、经济、 准确地测量走廊型的区域，如电力线、输气管道、高速公路等。监测高速公路的 变化时，通过提取道路的几何参数，如高度、宽度、纵向、横向坡度和弯曲等， 来建立地面下陷、障碍、侵蚀的模型等等。 城市建模方面的应用，精确的城市环境数字模型在很多方面有重要应用，如 电讯、局部气候模型、无线电通讯、执法和灾害监测。l i d a r 能精确的测量城市环 境而弥补其他技术的缺陷。 救灾和损失评估方面的应用，大多数的自然灾害都是突发性的，如：飓风、 地震等，因此对数据的时效性有很高的要求，l i d a r 能提供精确及时的测量数据， 可直接融合到实时灾害管理中，快速地进行灾后损失评估。特别适用于易受自然 灾害破坏的地方，如海岸、河口地区或者洪水淹没区。l i d a r 还能对有毒废弃物或 者工业垃圾堆进行测量。 冰川监测方面的应用，冰是水供应的重要来源，也是气候变化的重要指标， 对冰川变化的监测也就显得尤其重要。冰川变化监测的核心问题就是监测冰川的 几何形状及冰量的变化。l i d a r 能实现高密度的激光点覆盖，所以能在短期内建立 整个区域的高质量的冰川数字高程模型。由l i d a r 获取的潜在的l s 数字高程模型 能准确地绘制冰川的边界和特征形状。通过对多时段激光扫描数据的集中研究可 以定量分析冰川面积和量的变化。未来，l i d a r 监测冰川的主要工作是比较机载激 光扫描数据和其他来源的数据间的差异，从而估计冰川量，研究冰川的运动和冰 川表面的分类等。 以上列举了一些典型的l i d a r 应用领域。随着机载激光技术本身研究的发展， 其应用空间也会更加宽广，也会给一些领域的数据获取方式带来一场革命。 基于数学形态学原理和t e r r a s c a n 的l i d a r 点云数据分类方法研究 1 3l i d a r 点云分类的研究现状 制约l i d a r 应用发展的两大瓶颈问题分别是：一，实施项目时需要昂贵的硬件 设备，这一项随着硬件技术的发展已经得到很好的解决。二，l i d a r 点云数据中信 息的分类提取，即点云数据的分类工作。这项工作在整个l i d a r 数据后处理过程中 占6 0 一8 0 的工作量( f l o o d ，2 0 0 1 ) ，但目前还没有一种全能的方法能有效的提 取复杂地形中的各种信息( a x e l s s o n ，1 9 9 9 ) 。且现有的分类算法的具体操作细 节也由于版权问题极少公开( h a u g e r u da n dh a r d i n g ，2 0 0 1 ：h u i s i n ga n d g o m e s p e r e i r a ，19 9 8 ；s i t h o l ea n dv o s s e l m a n ，2 0 0 4 ) ，这也增加了分类算法研究 的难度。因此，目前急需进一步地研究分类算法，以提出更效的数据分类方法， 以适应l i d a r 应用的发展。l i d a r 点云数据的分类可分为一级分类和二级分类，一 级分类主要指区分地面点和地物点，而二级分类是指在一级分类的基础上对地物 点集的再分类，主要分类类别包括有植被、建筑物、道路信息和电力线等等。一 般的分类方法还停留在一级分类上。 鉴于此，近年来l i d a r 点云数据分类方法的研究和评估越来越受到国内外相关 领域研究学者的重视。 国内l i d a r 点云数据分类技术的研究历史还不太长，张小红近年开展了一些该 领域的研究，在对l i d a r 扫描数据过滤方法进行研究和评价后，提出“移动曲面拟 合预测”分类算法。利用平面和二次盐面对地面拟合，本方法自适应性强，计算 速度快，分类效果好( 张小红，2 0 0 4 ) 。目前越来越多的l i d a r 系统能同时提供高 程信息以及激光脚点回波信号的强度信息，利用实测的数据对激光回波信号的强 度信息进行统计标定，并基于标定结果，实现联合强度信息和高程信息进行分类 的算法，但国内目前还没有相关的设备和数据，因此还不能对该算法分类的准确 度和精度指标等进行进一步的评价和分析( 刘经南，2 0 0 5 ) 。还有一种方法，利用 某些l i d a r 系统能同时记录激光的多次回波信号的特性，对多次回波信号处理从而 帮助提取地面信息，例如许晓东提出- - n 用首次回波信号进行分类工作的方法， 即首先分离出首次回波信号的信息，从而达到剔除数据中的主要非地面信息的目 的，提高地面信息的比重，然后再进行l i d a r 点云数据的分类工作，从而提高整个 数据处理的效率( 许晓东，2 0 0 7 ) 。 在l i d a r 点云数据二次分类提取工作方面，主要研究有辅助工具下的监督分类 4 第一章概述 和无辅助工具下的基于灰度值的分类工作。例如，在已进行初步分类的成片的房 屋激光数据二次分类出单独的房屋。许多学者也在二次分类工作方面提出了自己 的理论。耿江辉提出扫描带法，该方法能提高分类速度，且不同于复杂的聚类方 法的是能很好的完成二次分类( 耿江辉，2 0 0 6 ) 。刘经南指出经过滤波后得到的地 物点集通常表现为一簇一簇的点群片，该数据集包含的信息同时有植被和建筑物 等，可根据地物类型高程的不同纹理特性来区分植被和建筑物( 刘经南，2 0 0 5 ) 。 又由于在平坦地区，地面特征较少，初步确定回波信号强度在3 - 1 0 间的为植被信 号，可根据植被反射信号的特点，结合强度信号以及运算窗口内点间的最大高差 和高差的方差阈值，从而确定这些点是否为植被点( 杨海全，2 0 0 6 ) 。 国外l i d a r 点云的分类算法的研究起步较早，发展的分类方法理论基础主要分 成四类( s i t h o l ea n dv o s s e l m a n ，2 0 0 4 ) - 基于坡度理论的分类方法、最小区域 分类方法、基于面理论的分类方法和聚类分割算法。 ( 1 ) 坡度理论：计算相异的两点间的坡度值或高差，当这个坡度值或高差超 过设定的阈值时，就认为其中的较高点就是地物点( 如图1 3 卜( a ) 所示) 。这 种理论的基础是假设陡坡只会出现在地物数据集中。 ( 2 ) 最小区域理论：设定一个水平面，并在其垂直方向上设置一定区域作为 缓冲区，包含在这个三维缓冲区域内的点都划为地面点集( 如图1 3 卜( b ) 所示) 。 ( 3 ) 面理论：不同于最小区域理论，面理论选择的面是一个由参数计算的不 规则的面，在面上也设定一个缓冲区，包含在这个三维缓冲区域内的点划为地面 点集( 如图1 3 卜( c ) 所示) 。 ( 4 ) 聚类分割算法：用周围邻近区点域进行分类时，聚类分割算法的理论 依据是一个类中所有的点共同来描述一个完整的物体，而非物体中单独的面( 如 图1 3 卜( d ) 所示) 。聚类算法是由f i l i n ( 2 0 0 2 ) 和r o g g e r o ( 2 0 0 2 ) 提出， 分割算法是由l e e ，s c h e n k 和s i t h o l e ( 2 0 0 2 ) 提出。 目前基于面理论的分类方法使用得最广泛。依据模拟近似地面方法的不同， 可以再将分类方法细分为两种： ( 1 )内插的分类方法。线性加权最小二乘内插模拟近似地面( k r a u sa n d p f e i f e r ，1 9 9 9 ) ， 计算点到初始模拟面的高差。通常情况下，地物点到初始模拟 面的高差为正，而地面点到初始模拟面的高差则为负。在重新计算近似地面时， 聃j f 数1 7 ：p , 杰学蟓理和t c m a s c u n 的i i d u r 点：数据分类“订：研究 卜南簿的权较小，比全为负；负岛芹将获取较人的权，敲节接近i 。将分绂的概念 融合到内插中叮以得到一种新的分类方法( p f e i f e re ta 1 2 0 0 1 ) 。进+ 步改进， 川t 标准化虽小一i 乘取代最小二乘褂判另外种新方法，但此疗法需要预先欹墩 些参数的值( l e ea n dy o u n a n ，2 0 0 3 ) 。 ( 2 ) 基于数学形态学娘理f | 勺分类方法。利川数学形态学的操作运算来获取近 似地面，如，i ：运算。数学形态学的方法从概念卜来讲是简单易操作的。只要激 光点云数据分辨率足够好，丌运算就能有效地剔除地面物信息。如果数据分辨牢 太低，就需要较人的操作窗l j 来提卅地物信息，相肫的些地面突h 特征也会被 抹、f ( q ic h e n 2 0 0 7 ) 。 。j 7 。 t 。一一。! 。l 。 ( a ) 。 ( b ) 彭心 ( c ) an 弋 ( d ) 幽1 3 1 国外分类方法的分类原理可 意幽( a ) 坡度理论示意幽；( b ) 最小k 域理论示 意幽：( c ) i 郇垩论示意幽；( d ) 聚类分割理论示意嘲 第一章概述 1 4 研究区概况 本文使用的数据是由i s p r s 整理提供，该数据是在o e e p e 计划的第二阶段 邀请激光扫描公司使用o p t e c h 激光扫描器飞行了v a i h i n g e n e n z 试验区和 s t u t t a r t 市的中心城区获取的。2 0 0 1 年，i s p r s ( i n t e r n a t i o n a ls o c i e t yf o r p h o t o g r a m m e t r ya n dr e m o es e n s i n g ) 组织研究学者对现有的各种分类方法进 行比较评估( s i t h o l ea n dv o s s e l m a n ，2 0 0 1 ) ，并分析了影响最后分类结果的各种 因素。参与分析比较的分类方法包括有：活动等高线法、规则化方法、改良的基 于坡度理论的分类方法、样条曲线内插方法、改良的分层最小区域方法、改进的 不规则网格加密方法、分层稳健内插方法。当时，为了保证评估结果的公平性， 所有参与者只有在提供分类结果一段时间后才能获取参考数据集。 1 5 研究目的 现在可i s p r s 网站上直接获取原始的l i d a r 点云数据集和参考数据集。本文 将分别采用基于数学形态学原理的分类方法和t e r r a s c a n 对这些点云数据集分 类，比较两种方法的分类结果并对分类结果进行定量评估，探讨这两种分类方法 的优缺点及其将来的发展方向，为进一步研究点云数据分类提供信息参考。 1 6 论文结构 根据研究内容和思路，本文共分为六章： 第一章为概述，主要阐述l i d a r 的发展概况及其应用领域、点云分类研究现 状、研究区概况、研究目的以及本文的篇章结构；第二章为研究区域与数据，概 括研究区的范围以及地形特征：第三章为基于t e r r a s c a n 的1 i d a r 点云分类，主 要介绍了t e r r a s c a n 的使用功能、分类原理、分类过程；第四章为基于数学形态 学原理的i i d a r 点云分类，介绍了数学形态学的原理以及该方法的详细分类过程； 第五章为分类结果比较，首先比较两种方法在复杂地形地物情况下的分类能力， 然后根据分类结果评估方法对两种方法的分类结果进行定量的比较；第六章为结 论与展望，讨论了两种方法的不足以及本文的研究成果，并对今后的研究工作做 了展望。 7 基于数学形态学原理和t e r r a s c a n 的l i d a r 点云数据分类方法研究 第二章研究区域与数据 本文使用的点云数据同时记录了第一次和最后一次回波，记录格式为 x y z i x y z i 。飞行的试验区域包含各种类型的地形特征，如开阔区域、植被、建筑物、 公路、铁路、河流、桥梁、电线、水体等等。总体而言，飞行区域类型主要分为 两种：城市地区和林区。从飞行区域中选择七块区域作为主要的研究区域，这七 块区域分别代表了城市地区的地形特征和郊区的地形特征，同时也提供十五个参 考数据集作为七块试验区域的分类结果评估的参考比对。 2 1研究区的范围和真实地面介绍 本文选择的研究区域地形、地物复杂，这些地区含盖了各种典型的地表情况， 对其他区域点云数据分类工作提供很好的借鉴意义。为了更好的完成分类工作， 例如了解建筑屋的大小信息，在分类建筑物信息时可以容易判断最大建筑物的大 小参数，因此需要对研究区域的具体信息有进一步的详细了解。 场地原始点云数据的分辨率直接关系到基于数学形态学原理的分类方法中栅 格大小的设置。见表2 1 1 所示，场地1 、场地2 、场地3 、场地4 原始点云数据的 分辨率均为1 1 5 m ，因此栅格单元大小可设为l m * l m ；而场地5 、场地6 、场地7 原始点云数据的分辨率则为2 3 5 m ，此时的栅格单元大小则可设为2 m 掌2 m ，甚至 更大。 8 第二章研究区域与数据 表2 1 1 实验区域情况说明 场地数据边界 点分辨率 区域地形、地物特征 场地1x 方向最小值 5 1 2 0 5 0 s a m p l l陡坡、 y 方向最小值 5 4 0 3 4 4 01 1 5 m 混合植被和建筑物的山坡、 x 方向最大值 5 1 3 1 5 0 s a m p l 2数据裂隙 y 方向最大值5 4 0 4 1 0 02 3 5 m 场地2x 方向最小值 5 1 3 4 5 01 1 5 m 不规则建筑物、 城 y 方向最小值 5 4 0 2 6 5 0 连接桥梁和小通道的公路、 市 x 方向最大值 5 1 3 8 7 0 数据裂隙、大型建筑物 y 方向最大值 5 4 0 3 2 8 0 地 场地3x 方向最小值 5 1 2 0 2 31 1 5 m 密集建筑物间夹杂植被、 y 方向最小值 5 4 0 3 1 2 0 有奇特屋顶的建筑物、 区 x 方向最大值 5 1 2 5 4 9 混合高矮植被的空旷地区、 y 方向最大值 5 4 0 3 5 0 0数据裂隙 场地4x 方向最小值 5 1 3 1 2 0 1 1 5 m 有火车运行的铁路、 y 方向最小值 5 4 0 3 1 9 0 数据裂隙 x 方向最大值 5 1 3 6 3 0 y 方向最大值 5 4 0 3 7 6 0 场地5x 方向最小值 4 9 3 6 5 02 3 5 m 被植被覆盖的陡坡、 y 方向最小值 5 4 1 9 7 7 0 采石场、 x 方向最大值4 9 5 2 5 0河岸边的植被 y 方向最大值5 4 2 1 0 0 0 场地6x 方向最小值 4 9 6 3 5 02 3 5 m 大建筑物、 林 y 方向最小值 5 4 2 0 7 5 0 有堤的公路、 x 方向最大值 4 9 7 9 5 0 数据裂隙 区 y 方向最大值 5 4 2 1 8 1 7 场地7x 方向最小值 4 9 5 9 5 02 3 5 m 桥梁、 y 方向最小值 5 4 2 1 3 5 0 地下通道、 x 方向最大值 4 9 7 2 0 0 有堤的公路、 y 方向最大值 5 4 2 2 3 8 0 数据裂隙 9 肆十数学彤态学原理和t e r r a s c a n 的l i d a r 点云数据分类方法研究 表212 实验区真实地表图 第= 章研究区域与i 据 2 2 研究区的复杂地形地物 上述研究区域的l i d a r 点云数据中包含各种类型的复杂地形地物，甚至在 l i d a r 点云数据中还可能存在一些错误点。通过分类这些区域的点云数据集，可充 分考察该分类方法检测复杂地形及分离复杂地物的能力。 区域中的复杂情况主要有：外部孤点、复杂的地表景物、连接型的地物、植 被以及不连续地表。 2 2 1 外部孤点 较高的局部点一高空的外部孤点：通常有些点在正常情况下不应该属于景 观数据集中的数据。由于激光信号打到空中物体上，如飞鸟，低空飞行的 飞行物等等。由于这些点一般都是孤立的，高程与周围的点高程比较有 突变，多数情况下分类方法对这类数据的分类还是比较容易的。 较低的局部点一地面以下的外部孤立点：这些点是由于多路径效应产生的 错误或者激光测距仪的错误。由于分类方法中通常认为点云数据中高程 最低的点应该是地物点，这样容易在分类结果中造成错误。 主要考虑局部低点对数据处理造成的影响。如果在对激光点云数据分类假设 低局部点附近的一些点也应该属于低的局部点，遥常这种假设都是成立的。但是 如果低点是单独一个外部点的话，这种假设就不成立了，容易在低的外部孤立点 附近形成数据的侵蚀。 基于数学形态学原理和t c h 8 s c 如的l l d 点云数据分类方法研究 2 2 2 复杂的建筑物 面积很大的建筑物：由于算法受区域的限制，很大面积的地物由于其面积 超过试验时的大小，而没有被分类成功。 面积很小的建筑物：通常这些小的建筑物都比较狭长，因而回波点比较少， 有比较小的云脚。一般情况只有1 0 个回波点或者更少，以至于趋于小片 形状，造成对数据分辨的困难。 坡上的建筑物：有些建筑物的屋顶高度超过一些坡地面的高度，还有少部 分低于其他坡面的高度，造成区分物体和地面的困难。 复杂的形状结构建筑物：在城市地区数据分类的主要困难还是对形状各 异的复杂建筑物的分类。这时地物的形状、结构和排列都是不同的，很难 用单一的模型或者结构去检测。 在城市地区，经常会出现小块的地面被一些物体包围，如庭院，等等。目前 被包围住的小块是否该算作地面类还没有清楚地划分。 曩碜镥 ( a )( b )( c ) 图2 22i 复杂的建筑物 2 2 3 连接型地物 桥梁：一些人工结构延伸在地表的间隙( 道路、河流、等等) 上。 坡道：自然人工的结构延伸在地面间隙上，且一端比另外一端要低。 第二章研究区域与数据 22 4 植被 坡上的植被：分类植被点时，一般都假设植被点的高度显著高于周围的邻 近点高程。但是在坡度比较陡峭的区域，这样一个假设显然是不成立的， 这时坡上地面点可能和植被点一样高，如图224 i ( a ) 所示。 低矮的植被：形成的问题就如同低的物体一样，如图2 2 4 卜( b ) 所示。 。k 、 _ ：0 ：= ；孙” 雾 ：矿。 ( a )( b ) 图2 24l 难分类的植被类型( a ) 坡上的植被；( b ) 低矮的 植被 2 2 5 不连续地表 陡坡：激光点云数据中存在陡坡时，容易出现高程不连续的情况，一般都 会作为地物点分类出来，但陡坡地表高程就是分段连续的。按照大多数情 况下的处理，将高程不连续作为地物的特征而将其剔除，这样地表就失去 了这些地形特征。 突变的边缘：对边缘特征的保留如同对陡坡特征的保留同样的存在很大的 问题( h u is i n ge t a 1 1 9 9 8 ) 。 基于鼓学彤志学原理和t e r n t s c 4 m 的1 1 d a r 点云救据分类方法研究 、。；孙， 、。嘲潞募警叠躐。对 c a )( b ) 图2 2 5 1 不连续地衰 通常情况下一般的分类方法对平坦地区的分类都能获取令人满意的分类效 果，但对复杂的地形地物的分类，不同的分类方法都会面临不同的困难，因此考 察分类方法分类复杂地形地物的能力成为衡量分类方法好坏的重要指标。 第三章t e r r a s c a n 的算法评价与参数选择 第三章t e r r a s c a n 的算法评价与参数选择 3 1t e r r a s c a n 简介 t e r r a s c a n 是芬兰t e r r a s o l i d 公司开发的一套专门处理l i d a r 点云数据的软 件，它适宜对上百万个点的l i d a r 点云数据集的分类工作。获取的l i d a r 点云数据 分类结果适用于输电线测量、公路修建、海岸带滩涂测量、城市3 d 建模、森林 覆盖地区获取地面模型等等。t e r r a s c a n 除能识别专门的l i d a r 点云数据格式文件 外，还能识别x y z 文本文件和二进制文件格式的l i d a r 点云数据文件。t e r r a s c a n 具有如下功能： 1 3 d 点云数据显示； 2 数据点类型的定义，例如地面、植被、建筑物或者电力线： 3 手动分类或者自动分类； 4 抽稀激光点、保留关键点； 5 在激光点上数字化特征地物； 6 输电线路、铁路探测； 7 分类数据输出以及高程模型输出； 8 融合传统的摄影测量数据，帮助判别激光点类型。 t e r r a s c a n 作为一个成功完善的商业软件能完成大量的机载激光点云的分类 工作，操作简便易行。并且能根据用户不同的数据类型完成数据读取、分类、建 模的工作。分类过程中，用户可以根据原始数据的类型，选择按照不同的模式对 数据进行分类工作，充分利用数据。t e r r a s c a n 可以结合t e r r a m o d e l 、t e r r a p h o t o 、 t e r r a s t r e e t 等其他模块完成地物的二次分类，并进行人机交互工作对地物建模。 1 5 基于数学形态学原理和t e r r a s c a n 的l i d a r 点云数据分类方法研究 3 2 t e r r a s c a n 的分类原理 t e r r a s c a n 的分类原理是基于a x e l s s o n ( 1 9 9 9 ，2 0 0 0 ，2 0 0 1 ) 的改进的不规则 三角格网加密方法。首先，由最小邻近区域算法获取一个初始的稀疏不规则三角 格网，每次将满足设定的阂值条件的点添加到三角网中。然后，重新构建新的不 规则三角格网，并重新计算新的阈值条件，对剩余点进行同样的判断筛选。这样 重复多次，直到不再有新点加入为止。 添加新点的判断过程是：用目标点到不规则栅格网中相应三角形顶点角度以 及该目标点到三角形面的距离与相应的阈值条件进行比较，如图3 2 1 所示。 阈值条件参数值的选择在数据处理过程中是关键，关系到每次能否正确地找 到新的地面点。其选择过程为：计算不规则三角网中各个三角形内角大小，以及 三角形边长，统计内角大小和边长值，通过的柱状图中值来确定角度阈值和边长 阈值的大小。每次添加新点后都要重新计算角度阈值和边长阈值的大小。 经过上述计算过程后即可获取近似地面的不规则三角格网。该分类方法有很 强的断线检测能力，适宜用于地面情况比较复杂的城市地区，能成功地分离大多 数的房屋信息，且对于采石场的围墙也有很好的识别能力。控制角度阈值的大小， 可以影响t e r r a s c a n 对条带间空白区域的处理能力是。选择的角度阈值太小时，条 带的边缘部分就有可能被腐蚀，这时增大角度阈值有助于解决这个问题。与其他 分类方法一样，在分离地物信息的时，一部分地形信息也被剔除，会损失掉一部 分的地面特征。由于t e r r a s c a n 计算时使用不规则三角格网，因此计算量很大。并 且初始不规则三角格是由最小邻近区域算法来完成的，如果起始点中有非地面点， 就可能导致最终地面信息中包含有一些较低的错误点。 1 6 第三章t e r r a s c a n 的算法评价与参数选择 3 3t e r r a s c a n 的分类过程 t e r r a s c a n 提供了丰富的分类工具，方便l i d a r 点云数据的分类工作。激光信 号经地面反射，可以形成若干次的反射信号，而最终需要获取的是地面信息。通 常情况下采用最后一次回波信号来进行分类工作，但最后一次回波不但包含有地 面反射信号，同时也包含建筑物、植被等地物信息。因此需要将l i d a r 点云数据 中各种类型的信号区分开来。 t e r r a s c a n 中提供多种多样的分类类别，用户还可以根据需要添加自己所需要 的分类类别，每个激光回波信号都将被分到唯一的一个类别中。 图圆 f i l o c o d ed e s c r i p t i o n 1d e f a u l i 2 gr o u n d 3l o wv e g e t a t i o n 4m e d i u mv e g e t a t i o n 5 h 叼hv e g e t a t i o n 6 b u i l d i n g 7l o wp o i n t 8m o d e ik e y p o i n t s 图3 3 1t c r r a s c a n 描述的点类及其显示属性 如图3 3 1 所示，使用“a d d ”命令自由地添加点的分类类别，或者使用“e d i t 命令对已有的点类的属性进行修改或者描述。 3 3 1 分离低点 低点就是指点高程低于周围区域内所有点的高程的一些点。分离低点这一过 程通常是用于寻找一些点高程明显低于周围点高程的错误点。将需要判断的点设 为目标中心点，比较目标中心点的高程与其周围间距在珂范围内其它点的高程。 如果中心点的高程明显比周围点的高程低，它就将被归类为低点。有时候低点的 密度比较高，如果有几个错误点彼此离得很近，相互聚集在一起，这时采用单个 低点的分类方法就没有办法搜索到低点。这时就需要采用对低点组进行分类的策 路来寻找这些低点，其高程判断过程类似于对单个低点进行的分类。 操作界面如图3