1、I学 士 学 位 论 文论文题目： 基于纹理特征的 LiDAR 点云植被滤波方法研究作 者： 导 师： 系别、年级： 地理学与遥感科学学院 学科、专业： 地理科学完成日期： II目录摘 要 .IVAbstract .V1 引言 .61.1 研究背景及意义 .61.2 国内外研究进展 .81.2.1 植被滤波 .81.2.2 纹理特征分析 .121.3 研究目标及内容 .132 研究方法与技术路线 .142.1 技术路线 .142.2 LiDAR 数据预处理 .142.2.1 异常点剔除 .142.2.2 LiDAR 点云四叉树网格组织 .152.2.3 LiDAR 点云插值 .182.3 纹理
2、特征值选取 .192.3.1 高程特征 .192.3.2 其它特征 .202.3.3 特征筛选 .202.4 植被滤波 .212.4.1 城市数字高程模型 .212.4.2 植被滤波 .213 实验过程与分析 .223.1 实验数据 .223.2 LiDAR 点云预处理 .233.3 纹理特征选取 .253.4 植被滤波 .273.4.1 地面滤波 .27III3.4.2 建筑滤波 .273.4.3 植被滤波 .283.5 精度检验 .294 结论与展望 .30参考文献 .31致 谢 .35IV摘 要本文针对 LiDAR 点云数据，提出一种基于共面性纹理特征的点云植被滤波方法。首先利用四叉树网
3、格配合插值图像管理点云数据，使用基于坡度和高程的窗口自适应方法来提取城市数字高程模型，再通过对比不同纹理特征间的相关性，选用拟合平面的相关系数、坡度、投影方面、凹凸方向作为植被滤波的纹理信息组合，最后配合 LiDAR 点云激光反射强度、回波次数实现植被滤波。研究结果表明：1）共面纹理特征可以反映地物形状特征、植被回波次数多于地面和建筑，激光反射强度从大到小依次是植被、建筑、地面； 2）植被类型丰富，在共面性纹理特征总体表现为分布范围广、变化大，区别于地面或人工地物；3）本方法对树木的滤波效果良好，但对于草坪、低矮灌木、藤蔓植物难以分割。关键词：LiDAR，植被滤波，纹理特征，共面性VAbstr
4、actThis paper proposes a new method based on coplanarity texture features to filter vegetation points from LiDAR point cloud. First, using a quad tree grid and an interpolated image to manage data. Second, use the slope and elevation-based adaptive window method to extract urban digital elevation mo
5、dels, and through the contrast between the texture features, the choice of fitting plane correlation coefficient , slope, projection, bump direction as vegetation filter combination of texture information, and finally with the LiDAR point cloud laser reflection intensity, echo the number of vegetati
6、on filtering. The results show that: 1) coplanar texture features can reflect the characteristics of the feature shape, vegetation echo times more than the ground and construction, the laser reflection intensity decreasing order of vegetation, buildings, ground; 2) rich vegetation types in total sur
7、face texture features overall performance for the distribution of a wide range of changes to distinguish it from the ground or artificial surface features; 3) the method of trees a good filtering effect, but for the lawn, low shrubs, vines difficult to separate.KEY WORDS：LIDAR, Vegetation filtering,
8、 Elevation Texture Features, Coplanarity61 引言1.1 研究背景及意义激光雷达扫描测距技术（Light Detection and Ranging）是从 20 世纪 60 年代发展起来的一门高新技术。LiDAR 技术集全球定位系统（Global Position System, GPS）和惯性导航系统（ Inertial Navigation System, INS）为一体，测量激光发射和接收时间间隔，计算发射点与目标点之间的距离，从而获得目标点的三维信息。根据工作平台的不同，激光雷达可以分为星载激光雷达、机载激光雷达和车载激光雷达三种类型，其尺度逐渐
9、减小，采样密度逐渐增大。其中，机载激光雷达是目前获取地面点云数据，构建精细尺度地表模型最为主要的数据源。根据数据类型的不同，激光雷达数据可分为离散型和全波型。离散型是通过发射小足迹（例如 10cm）的激光束从而获得每一点的三维信息，全波型是通过发射较大足迹（例如 10m）的通量脉冲测量不同时间返回的通量强度。离散型数据位置精度，全波型数据信息丰富，应用上各有优劣。LiDAR 技术是遥感技术领域的一场革命。同其它数据源相比，机载激光雷达数据的优势主要体现高精度、强穿透、密采样、短周期。1）机载雷达具有极高的测量精度，不论是在水平方向还是在垂直方向上，精度都能达到分米级。张艳亭等人就 Lair-L
10、iDAR 轻小型机载激光扫描仪的地面精度进行了评价，平面精度大约在 0.250.5m 之间，高程精度大约在 0.050.2m 之间 1。2）激光雷达具有极强的穿透性，能够通过多次记录多次回波，获取地面信息，反应地物的结构信息，即使在比较密集的丛林中，也能起到比较好的效果。3）激光雷达的采样密度一般在每平米几个到几十个点，能比较全面的获得地面的特征信息。4）LiDAR 数据速度更快，周期短，更加灵活，大大节约了测量成本。LiDAR 数据空间分辨率高、能够穿越林木遮挡，直接获取地表的高程信息，在快速获取高精度地表信息有很大优势。LiDAR 技术最早应用于数字高程模型（Digital Elevati
11、on Model, DEM）的提取 2-5。随着 LiDAR 技术的发展，研究人员已不满足于单纯提取地表高程信息，开展了大量利用 LiDAR 数据提取地物的研究工作。在建筑物提取方向，有的单独利用 LiDAR 点云提取建筑物信息 6-8，有的结合遥感影像以提取建筑物 9-11。在植被提取方向，有对森林参数反演进行研究 12, 13，或对树木结构进行建模从而区分植物类型 14-16。除此之外，LiDAR技术还应用于汽车跟踪系统 17，地震损失估算 18，二氧化碳柱密度测定 19等领域。作为一门高新技术，LiDAR 技术在地球科学中发挥着重要作用，为解决问题提供了一种全新的方法。7植被信息的获取是
12、 LiDAR 技术的重要应用方向。就陆地生态系统而言，森林是其重要组成部分。它在为人类提供林木资源、调节气候、维持生物多样性、维护生态平衡等方面发挥重要作用。目前我国为统计全国最新的森林资源信息，在全国建立了 25 万个固定样地，采用人工作业的方式每五年进行一次清查 20。该方法耗时耗力，需要投入大量的人力物力，且清查周期长。就城市生态系统而言，城市绿地是其自然生态系统的基础部分，在改善环境质量、美化景观、维护城市生态平衡等方面起着重要作用 21。城市绿地资产的清查与估算对城市规划及生态建设有重要的意义。LIDAR 技术是一种主动遥感技术，可以获得从森林冠层表面到林下地形之间详细的三维结构信息
13、。LIDAR 与传统的被动光学遥感技术（例如航空摄影测量、陆地资源卫星）和主动雷达技术（例如合成孔径雷达）相比，在森林冠层垂直结构测量方面具有无可比拟的优势。被动光学传感器仅能获取水平空间的二维影像，不能获取三维结构信息；极化干涉雷达虽然能够测量植被的三维结构信息，但目前机、星载的极化干涉 SAR 数据还都相当难于获取。由于 LiDAR 技术在估测森林参数上有独特的优势，不仅能获取林木的水平结构，还得生成垂直结构的冠层空间信息。利用 LiDAR 数据提取植被， LiDAR 技术的一大应用方向。赵峰等人总结了激光雷达数据在森林资源调查中的应用，上取得了理想成果 22。LiDAR 技术提取植被的主
14、要方向在通过滤波后的植被点云，提取树木模型或植被参数，从而进行树种的判别和森林资产的估算，如图 1。植被参数的提取包括林区平均图 1 LiDAR 植被提取主要方向树高 23、林冠郁闭度 24、生物量 25等。树木模型不仅包括利用单株树木的点云数据建立单株树木模型，还包括生成森林骨架场景的林木建模 26。此外，Shijun 8Tang 等人通过提取树高、冠层面积、冠层等面积半径、树干大小等参数，以区分红木、橡树、道格拉斯冷杉 27。在 LiDAR 点云的数据处理中，滤波（ Filter）是指将点云数据具有某种特征的点云同非该特征的点云分开的过程。一方面，它有别于将图像中噪声滤除的图像滤波；另一方
15、面，同对每个点属性进行判别的点云分类相比，滤波侧重于某种属性点云的挑选，可以看作是点云分类的特例。由于 LiDAR 点云滤波最早是针对地面点的提出的，常指地面点与非地面点的区分，非地面点通常包括建筑物、树木、低矮植被。为更好得论述，本文针对滤波及相关概念作以下定义： 点云（Points Cloud）， LiDAR 获取的三维点集； 滤波（Filter），将符合某些特征的点云从初始点云中提取出的过程； 地面滤波（Ground Filter），将地面点从初始点云中提取出的过程； 将植被点（Vegetation Filter），将植被点从初始点云中提取出的过程； 滤波对象（Filter Target
16、），滤波所提取的对象； 滤波特征（Filter Property），在滤波中应用到点云特征。有效的地面滤波可以良好的区分地面点及非地面点，其中地面点可用于生成高精度的数字高程模型（Digital Elevation Model），非地面点可用于进一步提取相关地物。在 LiDAR 点云数据的处理及应用中，地面滤波是一项基础而关键的任务。可以说高效精确的地面滤波算法是 LiDAR 点云数据处理的基石。正如地面滤波对 DTM 构建的重要性一样，高效精确的将植被点云分离出来对植被的提取与建模也是至关重要的。植被提取是 LiDAR 技术应用的重要方向，而植被滤波效果的好坏直接影响后续的处理。一方面，现有
17、的植被滤波方法多在地面滤波的基础上进行，没有很强的针对性。另一方面，单独对植被滤波方法进行分类的具体操作细节较少讨论，增加了植被滤波的难度。总而言之，如何高效得进行植被滤波，对应用LiDAR 数据提取植被有重要意义。1.2 国内外研究进展1.2.1 植被滤波植被滤波是指将点云数据中的植被点同非植被点分离开，这一概念是对地面滤波的拓展。植被滤波方法主要分成两类，一是在地面滤波的基础上对植被9点进行判别，二是对原始 LiDAR 点云数据直接计算以达到分离植被的效果。下面将对这两类方法进行叙述。1.2.1 基于地面滤波的植被滤波LiDAR 点云数据包括地面点和非地面点，其中非地面点主要包括植被、建筑
18、物、墙体、桥梁、交通工具、电线等。滤波的主要思路是根据滤波特征的差异将滤波对象从初始点云中提取出来。由于植被滤波中有很多方法是基于地面滤波进行的，所以有必要了解主要的地面滤波方法，并在此基础上探讨后续的植被滤波方法。（1） 地面滤波的主要方法已有研究中，学者提出众多地面滤波方法。LiDAR 点云数据类型、回波次数、点密度、预处理过程、迭代特征是滤波方法的重要考虑因素目前，LiDAR点云数据的地面滤波主要基于高程差异和坡度差异。一般认为，相邻地面点之间高差较小，而相邻地面点和非地面点之间高差较大；相邻地面点之间的坡度较小，而相邻地面点和非地面点之间的坡度较大 28。常用的地面滤波方法可以分成以下
19、几类。a. 基于插值的地面滤波（ Interpolation-Based G-Filters）基于插值的地面滤波的主要思路是：首先根据初始点云插值拟合一个曲面，再计算每个点云高程同插值估算的高程差值，再通过阈值判定。Kraus 等人 29通过以距离和高程为权重的线性预测提取多木地带的地面点。W Su 等人 30首先获取特定大小窗口内的最小值，再利用每个窗口的最小值通过二元二次多项式插值，最后设定阈值提取农场地面点。论文 31利用薄板样条插值的同时逐步增加窗口大小，以解决窗口大小的选取问题。基于插值的地面滤波需要结合实际考虑选用的插值方法、窗口大小、阈值大小。这种地面滤波方法适合于坡度变化比较小
20、的地区，对于地形起伏大的区域，该方法效果不佳 32, 33。b. 基于形态学的地面滤波（Morphology-Based G-Filter）数学形态学可以解决物体形态及形态测量的问题，形态学地面滤波在去除植被建筑等非地面点上取得成功。Kilian 34较早利用形态学移除非地面点，对给定窗口大小执行开运算，检测最小值，之后将与最小值的一定高度差内的点选10做地面点。Lohmann 35提出双等级形态学地面滤波，Zhang K 36使用一种优化的形态学地面滤波方法，给出窗口大小选择的变化函数。典型的形态学处理包括侵蚀算法膨胀算法、开运算、闭运算。对于 LiDAR点云 p(x,y,z)，膨胀算法定义
21、如式 1-1 所示，侵蚀算法定义为如式 1-2 所示。式 1-1式 1-2是在指定大小搜索窗口 w 中的最大值， 是在指定大小搜索窗口 w 中的最小值。开运算定义为先进行侵蚀再膨胀，闭运算则是先进行膨胀再侵蚀。通过选择适合的窗口大小，通过组合形态学处理，可以有效得剔除地面点。基于形态学的地面滤波方法，可以用小窗口较快得剔除植被点。对于建筑物，则采用重复渐大的窗口进行剔除。在形态学地面滤波过程中，窗口的大小对于地面滤波的效果起到重要影响，如何选取合适的窗口大小，是进行形态学地面滤波的关键问题 34。c. 基于几何形态的 地面滤波（Geometric-Shape-Based G-Filter）通过
22、考虑地面点同非地面点的几何形态的差异是地面滤波的另一个主要方向。常用的几何形态包括最小值（Local Minimum）和坡度（Slope）两种。基于最小值的地面滤波方法认为地面点在其所属邻域内是最小值。Sithole 37将同指定窗口大小中的最小值高程差小于一定阈值的点标记为地面点。Vga C 38对这种算法进行了拓展： 提取表面单元的最低点， 利用高程阈值去除非地面点，使用邻域统计进一步去除地面点。基于坡度的地面滤波方法认为加上非地面目标后的地表起伏状况和自然地表起伏状况是不同的 33。该方法通过定义邻近两点之间的坡度值，如若地面点和其邻近点的坡度小于给定的阈值，则将该点认定为地面点，否则将该点定义为非地面点 39。Jiping Liu16认为平顶建筑物屋顶坡度同道路的坡度相近，用以往的坡度滤波难以区分，提出一种优化模型，引入坡度相邻性及高程作为限制条件，有效得解决了这一问题。基于坡度的地面滤波方法在坡度起伏幅度较为和缓区域能起到较好的滤波效果，但是，当地形复杂，变化大时，定义相邻两点之间的坡度的阈值很难，同时，相邻两点之间的坡度还受到距离的影响，如
