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(qū)域增長的LiDAR點云數(shù)據(jù)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(tǒng)能夠快速獲取數(shù)字表面模型，通過濾波處理，可以獲取數(shù)字高程模型(DEM)。提出一種從機載LiDAR點云數(shù)據(jù)獲取DEM的方法，首先對點云數(shù)據(jù)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(qū)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(shù)據(jù)進行實驗，結果表明該方法得到的DEM質量較高。

關鍵詞LiDAR區(qū)域增長濾波DEM

1概述

機載激光掃描(LiDAR)系統(tǒng)可以快速獲取地球表面三維數(shù)據(jù)信息[1]，從而生成數(shù)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(jù)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(tài)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(shù)據(jù)分布較為均勻的區(qū)域，而對于地形變化較大的區(qū)域，其參數(shù)設置比較復雜，濾波時間較長，效果不是太好；基于形態(tài)學的濾波方法[4、5、6]主要是通過數(shù)學形態(tài)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(qū)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(shù)據(jù)，但是對于小面積房屋的濾波效果不是很好，同時在動態(tài)構建不規(guī)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(qū)域增長的LiDAR點云數(shù)據(jù)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(qū)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(xiàn)

基于區(qū)域增長的LiDAR點云數(shù)據(jù)濾波方法主要思想為根據(jù)地面點高程一致的原則，選取地面種子點進行區(qū)域增長，實現(xiàn)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(shù)據(jù)密度很高，在對其進行處理前，需要對LiDAR點云數(shù)據(jù)建立空間索引。這是因為處理離散點云數(shù)據(jù)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(shù)據(jù)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(shù)據(jù)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(qū)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(shù)據(jù)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(shù)據(jù)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(shù)據(jù)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(shù)據(jù)點，根據(jù)二維矩陣與LiDAR點云數(shù)據(jù)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(shù)據(jù)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(shù)據(jù)點的點號作為該單元格值。

2.2　種子點選取

LiDAR點云數(shù)據(jù)包含有地面點、樹木、建筑物等信息，根據(jù)數(shù)據(jù)高程一致的原則直接對LiDAR點云數(shù)據(jù)進行分割，則地面點形成一個大的區(qū)域或者若干小區(qū)域，建筑物由于屋頂通常為平面或斜面或連續(xù)的曲面，其高程變化通常較小，因此也會分割為若干小區(qū)域，而樹木點高程變化較大，則會分割成較小區(qū)域。在分割的這些區(qū)域中，雖樹木與建筑物區(qū)域較臨近的地面點區(qū)域高，若僅依靠相鄰區(qū)域的高程判別地面區(qū)域與建筑區(qū)域，容易造成相鄰建筑物區(qū)域的誤判。一個有效的方法是在區(qū)域分割之前設定地面種子點，依據(jù)地面種子點進行地面點區(qū)域增長，從而獲取地面點集。常規(guī)的地面種子點選取方法是在全部點云數(shù)據(jù)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(qū)域增長，可能無法增長或者增長為一個較大的地面連通區(qū)域，而對于非連通區(qū)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(qū)域內的最低點通常為地面點，可以根據(jù)建立的網格分塊索引逐行掃描數(shù)據(jù)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(shù)據(jù)分布區(qū)域內獲得較為均勻的地面種子點。

2.3　地面點區(qū)域增長

LiDAR點云數(shù)據(jù)的一致性體現(xiàn)在高程上，通過對地面種子點進行區(qū)域增長，可把高程一致的LiDAR數(shù)據(jù)點合并為一個區(qū)域，即地面點集。區(qū)域增長算法使用堆棧實現(xiàn)，首先對原始LiDAR點云數(shù)據(jù)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(qū)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(shù)據(jù)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(zhí)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(qū)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(qū)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(shù)據(jù)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(shù)據(jù)區(qū)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(shù)去擬合周圍的數(shù)據(jù)點，數(shù)據(jù)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(shù)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(shù)，從而內插出該點的地面高程。遍歷點云數(shù)據(jù)，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(xiàn)。實驗數(shù)據(jù)為城市郊區(qū)的一塊950 m×500 m大小的原始LAS點云數(shù)據(jù)，版本為1.0，該區(qū)域總激光腳點數(shù)為532 721個，每平方米的平均腳點數(shù)為1.1個，點云平均間距為0.9 m。根據(jù)實驗原始LiDAR點云數(shù)據(jù)生成DSM，見圖2。從圖2中可以看出，實驗區(qū)域內南邊地物較多，多為建筑物，并含有少量的樹木，北邊區(qū)域地形起伏較大，有大量的建筑物。

圖2　實驗區(qū)的數(shù)字表面模型(DSM)

首先對原始LiDAR點云數(shù)據(jù)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(jù)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(qū)域增長，在區(qū)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(qū)域增長的搜尋范圍為8鄰域，通過區(qū)域增長，共增長地面點265 246個，根據(jù)得到的地面點生成灰度影像圖(見圖3)。

圖3　區(qū)域增長獲得的地面點灰度影像

圖3中的大塊黑色區(qū)域即為空洞數(shù)據(jù)區(qū)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(shù)據(jù)區(qū)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(shù)據(jù)點的特征，提出了基于區(qū)域增長的LiDAR點云數(shù)據(jù)DEM提取方法，并通過實驗數(shù)據(jù)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(qū)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(qū)域種子點的漏選，但是對于建筑物極為密集的區(qū)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(shù)據(jù)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(tài)學梯度的機載激光掃描數(shù)據(jù)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(jié)的從機載激光點云中提取城區(qū)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(shù)據(jù)形態(tài)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(shù)據(jù)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(shù)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(shù)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(yè)于西南交通大學地圖制圖學與地理信息工程專業(yè)，工學碩士，工程師。

收稿日期：2015-01-20