和云亭 鄧興升

摘 要：為提高密林地形激光雷達(dá)測(cè)量（Light Detection and Ranging，LiDAR ）點(diǎn)云數(shù)據(jù)植被點(diǎn)和地面點(diǎn)精準(zhǔn)分類(lèi)精度，采用5大傳統(tǒng)濾波方法對(duì)林區(qū)點(diǎn)云進(jìn)行濾波精度評(píng)定，借助布料仿真濾波算法實(shí)施相應(yīng)的初始濾波處理，經(jīng)準(zhǔn)確處理后得到地形特征相對(duì)完備的初始地表點(diǎn)，再對(duì)具有突出植被點(diǎn)的初始地表點(diǎn)實(shí)施迭代開(kāi)運(yùn)算，由此得出新的地表點(diǎn)。并借助Ⅰ類(lèi)誤差、Ⅱ類(lèi)誤差等一系列的指標(biāo)獲得科學(xué)的評(píng)估精確度。布料仿真算法與簡(jiǎn)單形態(tài)學(xué)算法組合濾波較傳統(tǒng)濾波算法Ⅱ類(lèi)、總誤差均明顯下降，Kappa系數(shù)呈增長(zhǎng)趨勢(shì)。結(jié)果表明，該方法適用于林區(qū)點(diǎn)云分類(lèi)，可以獲得較好的濾波效果。

關(guān)鍵詞：雷達(dá)點(diǎn)云；復(fù)雜密林地區(qū)；布料仿真濾波；簡(jiǎn)單形態(tài)學(xué)算法；組合濾波

中圖分類(lèi)號(hào)：S771.8 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1006-8023（2023）06-0156-08

Study on Combined Filtering Method of Vegetation Point Cloud in Complex Dense Forest Area

HE Yunting， DENG Xingsheng

（School of Traffic and Transportation Engineering， Changsha University of Science & Technology， Changsha 410114， China）

Abstract：In order to improve the accuracy of precise classification of vegetation points and ground points using LiDAR point cloud data in dense forest terrain， five traditional filtering methods were used to evaluate the filtering accuracy of forest area point cloud， and the corresponding initial filtering was carried out with the help of cloth simulation filtering algorithm. After accurate processing， the initial ground points with relatively complete terrain features were obtained. Then， the iterative opening calculation was carried out on the initial ground points with prominent vegetation points， and the new ground points were obtained. And with the aid of a series of indicators such as Class Ⅰ error and Class Ⅱ error， the accuracy of scientific evaluation was determined. Compared with the traditional filtering algorithm of Class Ⅱ， the total error of the cloth simulation algorithm and simple morphology algorithm decreased significantly， and the Kappa coefficient showed an increasing trend. The results showed that this method was suitable for point cloud classification in forest area and can obtain better filtering effect.

Keywords：Radar point cloud; complex dense forest area; cloth simulation filtering; simple morphology filtering; combined filtering algorithm

收稿日期：2023-01-16

基金項(xiàng)目：湖南省自然資源廳科研項(xiàng)目（2022-22）；湖南省自然科學(xué)基金（2020JJ4601）；公路工程教育部重點(diǎn)實(shí)驗(yàn)室開(kāi)放基金（KFJ190203）。

第一作者簡(jiǎn)介：和云亭，碩士研究生。研究方向?yàn)長(zhǎng)iDAR點(diǎn)云數(shù)據(jù)處理。E-mail： 1004109816@qq.com

*通信作者：鄧興升，博士，副教授。研究方向?yàn)閿z影測(cè)量與數(shù)據(jù)處理。E-mail： 383500135@qq.com

引文格式：和云亭，鄧興升. 復(fù)雜密林地區(qū)植被點(diǎn)云組合濾波方法研究[J]. 森林工程， 2023，39（6）： 156-163.

HE Y T， DENG X SH. Study on combined filtering method of vegetation point cloud in complex dense forest area[J]. Forest Engineering， 2023， 39（6）：156-163.

0 引言

林區(qū)地面點(diǎn)與植被點(diǎn)精確分類(lèi)是植被高度建模、林區(qū)生物量估算和地形測(cè)繪中數(shù)據(jù)處理過(guò)程之一。在地理信息測(cè)繪生產(chǎn)中，航空攝影測(cè)量遙感作為大規(guī)模獲取基礎(chǔ)數(shù)據(jù)的主要方式，由于航空攝影采用的是可見(jiàn)光遙感，因此只能獲得數(shù)字表面模型（Digital Surface Model， DSM），難以獲得林下準(zhǔn)確的地形信息。激光雷達(dá)測(cè)量（Light Detection and Ranging， LiDAR）屬于一種測(cè)量精確度相對(duì)較高，且在林區(qū)具有一定穿透性、能夠獲取少量地表點(diǎn)云數(shù)據(jù)的新型對(duì)地觀測(cè)技術(shù)。對(duì)LiDAR點(diǎn)云準(zhǔn)確分類(lèi)是精準(zhǔn)獲取林下地形信息的核心?，F(xiàn)階段有關(guān)地表點(diǎn)、非地表點(diǎn)分類(lèi)的方法非常豐富，但是通常情況下使用頻率較高的點(diǎn)云濾波手段主要有5大類(lèi)：基于坡度濾波方法、基于形態(tài)學(xué)濾波方法、基于移動(dòng)曲面濾波方法、基于不規(guī)則三角網(wǎng)濾波方法和基于布料仿真濾波方法?；谄露葹V波的方法原理簡(jiǎn)單易行，但計(jì)算量大，且對(duì)于復(fù)雜地形區(qū)域的坡度閾值難以確定，濾波效果較差；基于形態(tài)學(xué)濾波方法可以通過(guò)設(shè)置不同窗口，去除不同形狀的地物，但保留地形特征較差，且所需預(yù)設(shè)參數(shù)過(guò)多，自適應(yīng)性能不足；基于移動(dòng)曲面濾波算法，可以在地形復(fù)雜且不斷變化的區(qū)域獲得更好的濾波效果，但對(duì)于非連續(xù)地形區(qū)域，濾波效果需要進(jìn)一步提升 ；不規(guī)則三角網(wǎng)（Triangular Irregular Network， TIN）濾波算法最突出的優(yōu)勢(shì)是能夠在大多數(shù)地形中使用，其他特點(diǎn)是整體濾波效果較好，但算法復(fù)雜、效率低、對(duì)地形連續(xù)性要求較高；運(yùn)用布料仿真濾波（Cloth Simulation Filtering， CSF）算法對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行分類(lèi)最早由Zhang 團(tuán)隊(duì)實(shí)現(xiàn)，具有原理簡(jiǎn)單，參數(shù)設(shè)置較少，自適應(yīng)性強(qiáng)，基本不受地質(zhì)環(huán)境和地物數(shù)量變化影響的濾波性能，可以高效地區(qū)分地面點(diǎn)和非地面點(diǎn)，但會(huì)受到反轉(zhuǎn)后的地形表面點(diǎn)云數(shù)量影響，支撐點(diǎn)少時(shí)，粒子間因受內(nèi)力影響，容易錯(cuò)誤地將非地面點(diǎn)歸類(lèi)為地面點(diǎn) 。

林區(qū)地形因受植被覆蓋影響，且林區(qū)植被高度不齊，地形特征較為復(fù)雜。王明華等提出了一種可以有效降低Ⅰ、Ⅱ類(lèi)誤差的濾波算法，該算法是基于坡度對(duì)較陡林區(qū)進(jìn)行預(yù)處理并和最小二乘濾波所示進(jìn)行結(jié)合，從而得到優(yōu)化；彭麗 提出了結(jié)合最小距離和加權(quán)平均的濾波法，以多回波信息為基礎(chǔ)，有效降低運(yùn)算量，提高濾波效率的一種濾波法；陳傳法等給出了在形態(tài)學(xué)開(kāi)運(yùn)算和穩(wěn)健型Z-SCORE方法的支持下，可以準(zhǔn)確得到大量地面種子點(diǎn)的一個(gè)以多分辨率層次插值為基礎(chǔ)的林區(qū)濾波法，并給出了一個(gè)考慮地形坡度的自適應(yīng)殘差閾值，可以有效提高林區(qū)濾波精度。以上方法在植被稀疏的林區(qū)可以有較好的濾波效果，但對(duì)于植被覆蓋率廣且較密集的林區(qū)，難以精確的分類(lèi)地面點(diǎn)和植被點(diǎn)。本研究通過(guò)對(duì)5大濾波算法實(shí)驗(yàn)對(duì)比研究，進(jìn)行濾波結(jié)果分析，發(fā)現(xiàn)試驗(yàn)樣本中CSF與簡(jiǎn)單形態(tài)學(xué)濾波（Simple morphological Filtering， SMRF）算法的優(yōu)勢(shì)在于效果相對(duì)較好，作用于林區(qū)中各有自己的優(yōu)勢(shì)。因此，本研究設(shè)想將2種濾波方法結(jié)合起來(lái)，對(duì)密集覆蓋的復(fù)雜地形林區(qū)開(kāi)展點(diǎn)云濾波實(shí)驗(yàn)研究，首先借助CSF不受地形條件的特點(diǎn)，獲取保留地形特征完整的初始地面點(diǎn)，然后對(duì)初始地面點(diǎn)進(jìn)行迭代開(kāi)運(yùn)算，以去除地面點(diǎn)中突出的植被數(shù)據(jù)，得到新的地面點(diǎn)和植被點(diǎn)，憑借實(shí)測(cè)數(shù)據(jù)結(jié)果對(duì)比剖析得知，在地形起伏復(fù)雜、植被較密集的林區(qū)，濾波效果更為理想，和其他濾波方法比較而言，本研究所選擇的方法濾波效果更佳。

1 算法原理及流程

1.1 技術(shù)流程圖

選擇的濾波方法具體技術(shù)流程如圖1所示，先進(jìn)行CSF粗濾波，然后再對(duì)初始地表點(diǎn)實(shí)施SMRF精濾波，其原理與步驟分別見(jiàn)1.2和1.3節(jié)。

1.2 CSF粗濾波

CSF算法原理簡(jiǎn)單，通過(guò)設(shè)置點(diǎn)云高程為負(fù)值來(lái)實(shí)現(xiàn)地形反轉(zhuǎn)，并通過(guò)分析節(jié)點(diǎn)和點(diǎn)云之間的相互作用來(lái)模擬布面模型，使點(diǎn)云地表點(diǎn)和植被點(diǎn)在此基礎(chǔ)上實(shí)現(xiàn)分離從而擬合地表點(diǎn)。

CSF算法的主要步驟如下。

1）將原始LiDAR點(diǎn)云數(shù)據(jù)基于水平面鏡向翻轉(zhuǎn)，進(jìn)而完成地形倒置，如圖2所示。

2）設(shè)置初始布料位置，布料由粒子互相牽連構(gòu)成，粒子數(shù)受布料分辨率影響，并記錄LiDAR點(diǎn)云到布料內(nèi)最近粒子的高度值（Intersection Height Value，IHV）。

3）粒子受內(nèi)力作用會(huì)向下位移，當(dāng)IHV更新至小于或等于高度閾值時(shí)，粒子停止移動(dòng)。

4）直到當(dāng)每個(gè)粒子都停止移動(dòng)或者達(dá)到了用戶(hù)設(shè)定的最高迭代頻數(shù)時(shí)，整個(gè)仿真流程結(jié)束。

5）區(qū)別地表點(diǎn)和植被點(diǎn)的閾值計(jì)算。計(jì)算停止運(yùn)動(dòng)的布料粒子和LiDAR點(diǎn)云間的距離。對(duì)比每個(gè)LiDAR點(diǎn)，如果與仿真粒子之間的間距低于分類(lèi)閾值，那么這個(gè)點(diǎn)就歸入地表點(diǎn)，反之則被歸入植被點(diǎn)。

1.3 SMRF精濾波

在使用SMRF對(duì)CSF方法獲得的初始地表點(diǎn)進(jìn)行精濾波時(shí)，主要使用開(kāi)運(yùn)算，表達(dá)式為公式（1），可以通過(guò)設(shè)置窗口尺寸，來(lái)去除初始地表點(diǎn)中的突出植被點(diǎn)數(shù)據(jù)。

開(kāi)運(yùn)算z°h=（zΘh）⊕h。??? （1）

式中：°為開(kāi)運(yùn)算字符；Θ為腐蝕字符；⊕為膨脹字符；z表示規(guī)則化的表面模型；h表示結(jié)構(gòu)元素。

SMRF濾波試驗(yàn)步驟詳情闡述如下。

1）對(duì)粗濾波獲得的地表點(diǎn)格網(wǎng)化處理，格網(wǎng)的邊長(zhǎng)確立為1 m，選取每個(gè)格網(wǎng)高程最小點(diǎn)構(gòu)建初始最小表面Z。

2）實(shí)施開(kāi)運(yùn)算迭代。設(shè)置P和P2個(gè)變量來(lái)表示開(kāi)運(yùn)算前和開(kāi)運(yùn)算后的2個(gè)地表層格網(wǎng)，若2個(gè)地表層格網(wǎng)的差值大于分類(lèi)閾值（E），則標(biāo)記為植被點(diǎn)格網(wǎng)，反之則標(biāo)記為地表點(diǎn)格網(wǎng)，且每次對(duì)格網(wǎng)進(jìn)行分類(lèi)時(shí)要進(jìn)行E計(jì)算，其計(jì)算公式如下。

E=S×Q 。 ????（2）

式中：EG為P與N對(duì)應(yīng)的格網(wǎng)差值范圍；S為坡度值；Q 為各次迭代對(duì)應(yīng)的開(kāi)運(yùn)算半徑。迭代完成便會(huì)出現(xiàn)最小表面Z。

3）保留了Z中的所有地表格網(wǎng)，將植被格網(wǎng)排除出去。

4）將濾波分類(lèi)后的地面點(diǎn)確定為最終地表點(diǎn)，植被點(diǎn)和CSF得到的初始植被點(diǎn)組合成最終的植被點(diǎn)。

2 試驗(yàn)結(jié)果與分析

2.1 試驗(yàn)數(shù)據(jù)及精度評(píng)定方法

試驗(yàn)數(shù)據(jù)是龍騰多旋翼無(wú)人機(jī)搭載智喙PM-1500機(jī)載激光測(cè)量系統(tǒng)對(duì)實(shí)驗(yàn)區(qū)進(jìn)行數(shù)據(jù)采集，并選取3個(gè)林區(qū)樣本實(shí)施實(shí)驗(yàn)剖析，3個(gè)樣本特征屬性詳情見(jiàn)表1。

采用計(jì)算Ⅰ類(lèi)誤差、Ⅱ類(lèi)誤差和總誤差等方式，對(duì)本研究方法的可靠性進(jìn)行評(píng)價(jià)，其中Ⅰ類(lèi)誤差表示地面點(diǎn)按非地面點(diǎn)進(jìn)行分類(lèi)；Ⅱ類(lèi)誤差是指把不是地表的點(diǎn)歸到地表；總誤差是指在總點(diǎn)數(shù)中，Ⅰ類(lèi)和Ⅱ類(lèi)誤差點(diǎn)數(shù)所占比重的大小。精度評(píng)定表詳情見(jiàn)表2。

表2中，a為正確歸類(lèi)的地表點(diǎn)的數(shù)目；b為非正確歸類(lèi)為植被點(diǎn)的地表點(diǎn)的數(shù)目；c為非正確歸類(lèi)為地表點(diǎn)的植被點(diǎn)的數(shù)目；d為正確歸類(lèi)的植被點(diǎn)的數(shù)目；f為正確的地面點(diǎn)總數(shù)；g為正確的植被點(diǎn)總數(shù)；e為點(diǎn)云總數(shù)；T表征的是I類(lèi)誤差；T表征的是Ⅱ類(lèi)誤差；T表征的是總誤差。

2.2 五種濾波方法對(duì)比

對(duì)Samp1分別采用5種常用的濾波算法進(jìn)行濾波，并進(jìn)行精度分析，結(jié)果如圖3所示。

由圖3可知，在進(jìn)行樣本試驗(yàn)時(shí)，結(jié)果證實(shí)CSF與簡(jiǎn)單形態(tài)學(xué)濾波效果更為理想。同時(shí)CSF和SMRF方法各有自己的優(yōu)缺點(diǎn)。所以，本研究嘗試將2種濾波方法結(jié)合起來(lái)，形成優(yōu)勢(shì)互補(bǔ)，應(yīng)用于復(fù)雜地形密林區(qū)的點(diǎn)云濾波。

2.3 參數(shù)優(yōu)化與定量分析

CSF算法雖然原理簡(jiǎn)單，參數(shù)設(shè)置少，但參數(shù)無(wú)法自適應(yīng)設(shè)置，而是根據(jù)經(jīng)驗(yàn)進(jìn)行參數(shù)設(shè)置。為進(jìn)一步提升在林區(qū)中的濾波精度，將采用Kappa系數(shù)（式中用K表示）對(duì)影響CSF算法的主要參數(shù)進(jìn)行優(yōu)化。Kappa系數(shù)能夠?qū)?shí)驗(yàn)數(shù)據(jù)和參考數(shù)據(jù)二者的統(tǒng)一性程度加以準(zhǔn)確衡量，是一種更穩(wěn)定的測(cè)度，而非簡(jiǎn)單的百分比。其計(jì)算原則如下。

P=（a+d）/e 。??? （3）

P=（a+b）（a+c）+（c+d）（b+d）/e 。??? （4）

K=（P－P）/（1－P）。??? （5）

式中，P、P為中間轉(zhuǎn)換參數(shù)。

影響CSF算法的主要參數(shù)有布料分辨率、分類(lèi)閾值、剛性以及迭代頻數(shù)，將迭代頻數(shù)設(shè)定為100次可以基本適用于大部分地形，對(duì)3個(gè)樣本的其余參數(shù)進(jìn)行優(yōu)化，結(jié)果如圖4所示。

由圖4可知，Samp 1中當(dāng)布料分辨率確立為1.3的情況下，Kappa系數(shù)達(dá)到最大，Samp 2在布料分辨率設(shè)置為1.9時(shí)，Kappa系數(shù)達(dá)到最大，Samp 3在布料分辨率為0.5時(shí)，Kappa系數(shù)達(dá)到最大；Samp 1和Samp 2分類(lèi)閾值設(shè)置相同，為0.3時(shí)Kappa系數(shù)達(dá)到最大，Samp 3在分類(lèi)閾值為0.2時(shí)，Kappa系數(shù)最大；3個(gè)樣本都設(shè)置了剛性為1，這時(shí)Kappa系數(shù)達(dá)到了最大值。對(duì)于林區(qū)地形，采用CSF方法進(jìn)行濾波時(shí)，分類(lèi)閾值和剛性分別設(shè)置0.3和1，可以取得較好的濾波結(jié)果，且剛性的變化對(duì)Kappa系數(shù)影響不大。

對(duì)3個(gè)樣本分別采用優(yōu)化后的參數(shù)進(jìn)行CSF粗濾波，然后再對(duì)獲得的初始地面點(diǎn)進(jìn)行迭代開(kāi)運(yùn)算進(jìn)行二次濾波，濾波后的地表點(diǎn)如圖5所示。

由圖5可知，Samp 1樣本林區(qū)地形起伏多變，整體最大變化幅度約為8 m，存有緩坡區(qū)域；Samp 2樣本林區(qū)地形平坦，變化幅度較小，整體最大變形區(qū)域約為2 m；Samp 3樣本林區(qū)為平地和陡坡連接地形，整體變化幅度較大，最高幅度可約達(dá)20 m。將3個(gè)樣本濾波后的地面點(diǎn)采用global Mapper軟件進(jìn)行格網(wǎng)加密生成數(shù)字高程模型（Digital Elevation Model， DEM），并和參數(shù)優(yōu)化CSF算法及SMRF算法進(jìn)行可視化對(duì)比分析，如圖6—圖8所示。

由圖6可知，在Samp 1樣本林區(qū)中，SMRF方法濾波生成的DEM在邊界處存在地形粗糙突變情況，可能為單棵植被沒(méi)有濾去所致；同時(shí)優(yōu)化CSF算法生成的DEM存在表面粗糙情況，可能為部分低矮植被沒(méi)有濾去所致；采用本研究方法，相比于其他2種方法可以有效濾去單棵植被，并可以?xún)?yōu)化部分低矮植被無(wú)法濾去現(xiàn)象。

由圖7可知，3種方法作用于Samp 2樣本林區(qū)中，地形基本一致，都可以取得較好的濾波結(jié)果，SMRF方法濾波生成的DEM中存在少許區(qū)域凸起，可能為樹(shù)根區(qū)域凸起沒(méi)有濾去所致。

由圖8可知，SMRF方法和優(yōu)化CSF算法濾波生成的DEM在平地與陡坡銜接區(qū)域地形粗糙且凸起，是因?yàn)殂暯犹幍闹脖粺o(wú)法較好濾去導(dǎo)致，本研究法濾波生成的DEM和標(biāo)準(zhǔn)DEM基本一致，但在銜接處仍存有少量凸起現(xiàn)象。

將本研究濾波后的結(jié)果分別和參數(shù)優(yōu)化前的CSF方法，參數(shù)優(yōu)化后的CSF方法及SMRF方法對(duì)3個(gè)樣本通過(guò)誤差評(píng)定進(jìn)行精度評(píng)定，并給出了計(jì)算時(shí)間t，單位為s，見(jiàn)表3。

由表3可知，對(duì)CSF算法進(jìn)行參數(shù)優(yōu)化后，T和T都得到了降低，且Kappa系數(shù)增大，同時(shí)處理時(shí)間大大縮短，提高了數(shù)據(jù)分類(lèi)的準(zhǔn)確性及處理效率。對(duì)于地形復(fù)雜，植被較茂密的Samp 1林區(qū)地形，本研究方法相比于CSF和SMRF在Ⅱ類(lèi)誤差和總誤差上平均降低5.71%和2.71%，Kappa系數(shù)提升4.95%；對(duì)于地勢(shì)平坦，植被稀疏的Samp 2林區(qū)地形，本研究方法對(duì)于Ⅱ類(lèi)誤差，總誤差和Kappa系數(shù)同樣可以得到提升；對(duì)于地勢(shì)陡峭，植被密集的Samp 3林區(qū)地形，SMRF方法濾波效果不如CSF方法，且本研究方法較另外2種方法，Ⅱ類(lèi)誤差及總誤差呈現(xiàn)出下降的趨勢(shì)，Kappa系數(shù)也有小幅上升。對(duì)于林區(qū)地形，SMRF算法總體上比CSF算法精度高，但處理時(shí)間慢，效率低，本研究方法可以有效綜合2種算法性能，在保證一定效率的基礎(chǔ)上提升濾波精度。

為進(jìn)一步證明本研究方法的有效性，運(yùn)用國(guó)際攝影測(cè)量與遙感協(xié)會(huì)（International Society for Photogrammetry and Remote Sensing，ISPRS）提供的5種常用經(jīng)典算法對(duì)3個(gè)林區(qū)樣本進(jìn)行濾波處理，并與本研究方法濾波結(jié)果進(jìn)行精度對(duì)比分析，見(jiàn)表4。

由表4可知，在3個(gè)樣本中，本研究方法均優(yōu)于ISPRS提供的5種經(jīng)典算法，林區(qū)地面點(diǎn)點(diǎn)云數(shù)會(huì)因受植被覆蓋度增大而減少，且林下地形復(fù)雜多變，本研究方法可以有效解決該問(wèn)題，提高濾波精度，可適用于不同地形且植被覆蓋度不同的林區(qū)區(qū)域。

3 結(jié)論

本研究采用CSF算法進(jìn)行點(diǎn)云粗濾波，并結(jié)合SMRF算法中的迭代開(kāi)運(yùn)算方法進(jìn)行精濾波處理，相比CSF和SMRF單方法濾波，Ⅱ類(lèi)誤差和總誤差降低，可以在林區(qū)植被點(diǎn)與地點(diǎn)的分類(lèi)處理中取得更好的濾波效果，增加Kappa系數(shù)，并優(yōu)于ISPRS提供的5種經(jīng)典算法濾波效果。通過(guò)對(duì)CSF方法的參數(shù)進(jìn)行優(yōu)化，可以進(jìn)一步提升本研究方法的濾波精度，尤其是在地形復(fù)雜且植被茂密的林區(qū)，組合濾波算法的效果更有優(yōu)勢(shì)。

【參 考 文 獻(xiàn)】

[1]趙利霞，王宏濤，郭增長(zhǎng)，等.基于隨機(jī)森林的傾斜影像匹配點(diǎn)云分類(lèi)研究[J].測(cè)繪工程，2018，27（12）：13-18.

ZHAO L X， WANG H T， GUO Z C， et al. A study of classification of point clouds generated by oblique imagery based on random forest[J]. Engineering of Surveying and Mapping， 2018， 27（12）： 13-18.

[2]惠振陽(yáng)，程朋根，官云蘭，等.機(jī)載LiDAR點(diǎn)云濾波綜述[J].激光與光電子學(xué)進(jìn)展，2018，55（6）：7-15.

HUI Z Y， CHENG P G， GUAN Y L， et al. Review on airborne LiDAR point cloud filtering[J]. Laser & Optoelectronics Progress， 2018， 55（6）： 7-15.

[3]VOSSELMAN G. Slope based filtering of laser altimetry data[J]. International Archives of Photogrammetry and Remote Sensing， 2000（33）：678-684.

[4]汪文琪，李宗春，付永健，等.一種多尺度自適應(yīng)點(diǎn)云坡度濾波算法[J].武漢大學(xué)學(xué)報(bào)（信息科學(xué)版），2022，47（3）：438-446.

WANG W Q， LI Z C， FU Y J， et al. A multi-scale adaptive slope filtering algorithm for point cloud[J]. Geomatics and Information Science of Wuhan University， 2022， 47（3）： 438-446.

[5]何培培，萬(wàn)幼川，黃桂平，等.城區(qū)LiDAR點(diǎn)云自適應(yīng)坡度的濾波算法[J].遙感信息，2017，32（5）：62-68.

HE P P， WAN Y C， HUANG G P， et al. Adaptive slope filtering algorithm for LiDAR point clouds in urban areas[J]. Remote Sensing Information， 2017， 32（5）： 62-68.

[6]王愛(ài)麗，張宇梟，吳海濱，等.基于集成卷積神經(jīng)網(wǎng)絡(luò)的LiDAR數(shù)據(jù)分類(lèi)[J].哈爾濱理工大學(xué)學(xué)報(bào)，2021，26（4）：138-145.

WANG A L， ZHANG Y X， WU H B， et al. LiDAR data classification based on ensembled convolutional neural networks[J]. Journal of Harbin University of Science and Technology， 2021， 26（4）： 138-145.

[7]ZHANG K Q， CHEN S C， WHITMAN D， et al. A progressive morphological filter for removing nonground measurements from airborne LIDAR data[J]. IEEE Transactions on Geoscience and Remote Sensing， 2003， 41（4）： 872-882.

[8]CHEN Q， GONG P， BALDOCCHI D， et al. Filtering airborne laser scanning data with morphological methods[J]. Photogrammetric Engineering & Remote Sensing， 2007， 73（2）： 175-185.

[9]PINGEL T J， CLARKE K C， MCBRIDE W A. An improved simple morphological filter for the terrain classification of airborne LIDAR data[J]. ISPRS Journal of Photogrammetry and Remote Sensing， 2013， 77： 21-30.

[10]WACK R， WIMMER A. Digital terrain models from airborne laser scanner data - a grid based approach[J]. International Archives of Photogrammetry and Remote Sensing， 2002.

[11]朱磊，鄧興升，邢承濱，等.基于多級(jí)種子點(diǎn)優(yōu)化的移動(dòng)曲面濾波算法[J].激光與光電子學(xué)進(jìn)展，2020，57（17）：274-281.

ZHU L， DENG X S， XING C B， et al. Moving surface filtering algorithm based on multilevel seed point optimization[J]. Laser & Optoelectronics Progress， 2020， 57（17）： 274-281.

[12]朱笑笑，王成，習(xí)曉環(huán)，等.多級(jí)移動(dòng)曲面擬合的自適應(yīng)閾值點(diǎn)云濾波方法[J].測(cè)繪學(xué)報(bào)，2018，47（2）：153-160.

ZHU X X， WANG C， XI X H， et al. Hierarchical threshold adaptive for point cloud filter algorithm of moving surface fitting[J]. Acta Geodaetica et Cartographica Sinica， 2018， 47（2）： 153-160.

[13]AXELSSON P. DEM generation from laser scanner data using adaptive TIN models[J]. International Archives of Photogrammetry and Remote Sensing， 2000， 23（B4）： 110-117.

[14]曾妮紅，岳迎春，魏占營(yíng)，等.車(chē)載LiDAR點(diǎn)云濾波的改進(jìn)不規(guī)則三角網(wǎng)加密方法[J].測(cè)繪科學(xué)，2016，41（9）：136-139，46.

ZENG N H， YUE Y C， WEI Z Y， et al. An improved irregular triangular network encryption method of vehicle-borne LiDAR point clouds[J]. Science of Surveying and Mapping， 2016， 41（9）： 136-139， 46.

[15]朱磊，鄧興升，邢承濱.PTD濾波格網(wǎng)參數(shù)的等值線(xiàn)確定方法[J].應(yīng)用激光，2020，40（2）：336-341.

ZHU L， DENG X S， XING C B. Method for determining contour of PTD filter grid parameters[J]. Applied Laser， 2020， 40（2）： 336-341.

[16]ZHANG W M， QI J B， WAN P， et al. An easy-to-use airborne LiDAR data filtering method based on cloth simulation[J]. Remote Sensing， 2016， 8（6）：501.

[17]石壯，杜全葉，王慶棟，等.虛擬格網(wǎng)分類(lèi)支持下的密集匹配點(diǎn)云布料模擬濾波[J].測(cè)繪通報(bào)，2022（2）：73-77.

SHI Z， DU Q Y， WANG Q D， et al. Cloth simulation filtering method of dense matching point cloud based on virtual grid classification[J]. Bulletin of Surveying and Mapping， 2022（2）： 73-77.

[18]張昌賽，劉正軍，楊樹(shù)文，等.基于LiDAR數(shù)據(jù)的布料模擬濾波算法的適用性分析[J].激光技術(shù)，2018，42（3）：410-416.

ZHANG C S， LIU Z J， YANG S W， et al. Applicability analysis of cloth simulation filtering algorithm based on LiDAR data[J]. Laser Technology， 2018， 42（3）： 410-416.

[19]王明華，張小紅，郭斐，等.陡坡林區(qū)的LIDAR點(diǎn)云濾波方法[J].測(cè)繪信息與工程，2008，33（6）：1-3.

WANG M H， ZHANG X H， GUO F， et al. Filtering algorithm for lidar points cloud in forestry with steep slope[J]. Journal of Geomatics， 2008， 33（6）： 1-3.

[20]彭麗.植被密集的陡坡區(qū)機(jī)載LiDAR數(shù)據(jù)濾波方法研究[D].重慶：重慶大學(xué)，2015.

PENG L. Research on airborne LiDAR data filtering for steep area with dense vegetation[D]. Chongqing： Chongqing University， 2015.

[21]陳傳法，王夢(mèng)櫻，楊帥，等.適用于林區(qū)機(jī)載LiDAR點(diǎn)云的多分辨率層次插值濾波方法[J].山東科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，40（2）：12-20.

CHEN C F， WANG M Y， YANG S， et al. A multi-resolution hierarchical interpolation-based filtering method for airborne LiDAR point clouds in forest areas[J]. Journal of Shandong University of Science and Technology （Natural Science）， 2021， 40（2）： 12-20.

[22]SITHOLE G， VOSSELMAN G. Experimental comparison of filter algorithms for bare-Earth extraction from airborne laser scanning point clouds[J]. ISPRS Journal of Photogrammetry and Remote Sensing， 2004， 59（1/2）： 85-101.

[23]CONGALTON R G. A review of assessing the accuracy of classifications of remotely sensed data[J]. Remote Sensing of Environment， 1991， 37（1）： 35-46.

[24]ROGGERO M. Airborne laser scanning： clustering in raw data[J]. International Archives of Photogrammetry and Remote Sensing， 2001， XXXIV（3/W4）227-232.