Terrasolid软件处理激光点云数据的研究与改进

张 均，孙洪斌，邵秋铭

（重庆市勘测院，重庆 400020）

机载雷达测量技术是一种主动式、快速、精确的新型遥感测量方法，所获取的数据通过一系列的坐标转换求得地面点三维坐标。目前，国内外已研制出多种机载激光扫描测高系统，同时出现一些较为成熟的机载LiDAR数据处理软件，但其功能算法均由生产厂家单独封装保密提供，用户看不到其具体的算法步骤，因此，无法根据自身的应用需求对数据做出更精确的操作。本文针对点云数据后处理过程，尝试寻找合理而高效的处理海量点云数据的算法来完成点云的自动滤波过程，实验操作是基于Terrasolid软件下完成的，通过不同的算法来实现粗差剔除以及滤波分类参数设计实验，给出了最佳的滤波效果和精度分析。

1 机载LiDAR数据后处理

机载LiDAR数据后处理主要进行滤波和分类两个操作。从激光脚点数据点云中提取数字地面高程模型（DEM/DTM）需要将其中的地物数据脚点去掉，这就是所谓的激光雷达数据的滤波［1］。而若要进行地物提取以及三维重建等操作，还需对激光点云数据进行分类（分割），区分植被数据点、人工地物点。

1.1 点云数据滤波方法及实验

当前国内外对机载LiDAR点云数据处理算法还在研究发展阶段，现有的用于机载LiDAR测量数据的滤波算法都是基于三维激光脚点数据的高程突变等信息进行的。主要方法分为移动窗口法［1］，数学形态滤波法［2］，迭代线性最小二乘内插法［3］，基于地形坡度滤波法［3］，移动曲面拟合法［1］等几种。每种方法都存在其自身的缺陷，仍有待改善。

Terrasolid软件是以Microstaion为平台开发使用的。实验所采用的数据是ISPRS第三工作组提供的一组森林地区的机载LiDAR数据。其滤波方法是Axelsson于2000年提出的一种基于不规则三角网［1］（TIN）的渐进加密，该方法寻找到每个格网中的最低点，并将其作为初始种子点，去生成一个稀疏的TIN，再对其他各点进行判断。算法的关键性在于滤波阈值的选取，主要的滤波参数有地形坡度角、迭代角、迭代距离，需根据经验选择合适的参考值。本算法最大的一个优势是可以有效地保留地面断裂特征，处理曲面不连续的情况，适用于密集分布的城区。

1.2 利用Terrasolid进行噪声剔除

常见的噪声包括低位粗差和高位粗差。低位粗差是由于测量中多路径误差导致的极低点，而高位误差则受到低空飞行物影响提前反射信号产生较大误差。该算法是用一个点（即中心点）的高程值与给定距离范围内每一个点的高程值比较，如果中心点明显低于其他点，这个点将被分离出来。如图1所示，左图设定参数剔除的是距离该点5m之内低于一般地面高度0.5m的点，右图设定的参数剔除的是半径在5m内高位误差大于5倍标准差的点。

图1 分离低点算法以及剔除高位点的算法

一般情况下粗差剔除前后对地形变化的影响是很大的。对于本实验结果，低位点受多路径影响较严重，剔除粗差后地形高程整体提高了。实际上，粗差对后期形成TIN的影响非常大，它是后期数据滤波的必要保障［4］。

1.3 利用TerraScan进行滤波实验

在Microstation环境下打开Terrascan。在实用工具菜单下选择MDL应用，在打开的窗口中选中TSCAN，安装并在TerraScan界面下点击File菜单，读入数据。在主菜单中选择Classify菜单下的Routine选项→Ground项。

通过选取不同的参数值，可以得到如表1所示的实验总结。利用不同的颜色可以区别哪些是地面点，哪些是地物点。

表1 不同参数下的点云滤波

1.4 植被的分层处理实验

通常情况下，人们要将植被划分为3种：即低矮植被，中等高度植被，高度植被。植被的分类算法使用的By height from算法，低矮植被距离地面0～2m，中等植被一般距离地面2～5m，高植被距离地面常为5～15m。前面对原始激光脚点进行了滤波，基于它的基础，就可利用此算法把符合要求的点分类出来，如图2所示。

图2显示的是从低植被层到中植被层的参数设置，由本算法得到了其最终的植被分层渲染效果如图3所示。

图2 利用height from ground算法分类植被层

图3 植被分层效果图

可以看出植被点高程是由矮到高逐步递增的。蓝色区域表达了地面点层，绿色代表了低矮植被层，黄色代表中度植被层，红色代表高植被层。这样的分层可以直观感受到地形变化和特征，为更好的使用地形提供有利参靠。

2 滤波精度分析

通过设定不同的阈值参数，可以得到不同的滤波分类效果。此时需要对不同参数的滤波结果进行精度评定。评价精度的指标，是通过判断两类分类误差的大小体现的。第Ⅰ类误差是指拒绝了本属于地形表面的激光脚点，第Ⅱ类误差是指接受了不属于地形表面的激光脚点。具体计算式如表2所示。

表2 误差计算公式

总误差＝（B＋C）/（A＋B＋C＋D）×100%。

本文使用C#语言，编程比较实验所得地面点点云与真实地面点点云数据间相应点的个数，看哪个参数阈值得到的真实点个数最多，与真实情况最符合，那么此后的设置就可以将所得阈值作为经验值使用。下面是部分比较程序：class Point//点云数据基本结构

｛

public double X；

public double Y；

public double Z；

｝

static void Compute（）

｛

//读取真实地面点数据文件，并转化成Point类型列表

var RGP＝File.ReadAllLines（"RealGroundP－oint.txt"）.Select（p＝＞

｛

var Pstr＝p.Split（＇＇）.Cast＜double＞（）.ToList（）；

return new Point（）｛

X＝Pstr［0］，

Y＝Pstr［1］，

Z＝Pstr［2］｝；

｝）.ToList（）；

……

……

同理读取真实地物点数据RFP，实验地面点数据TGP，实验地物点数据TFP

//计算真实地面点同实验地物点交集（共同数据），得到第一类错误

var FirstTypeError＝TFP.Intersect（RGP）.Count（）/（double）RGP.Count（）；

//计算真实地物点同实验地面点交集（共同数据），得到第二类错误

var SecondTypeError＝TGP.Intersect（RFP）.Count（）/（double）RFP.Count（）；

实验得到的两类错误统计如表3所示。

表3 误差结果

从表3中可看出，最大建筑物尺寸、最大地形角、迭代角的选择对地表面构建有着很重要的参考价值。实验1中的参数，常作为人们长期实践得到的适应地形条件的标准参数而使用，选择稍大一点的迭代角和迭代距离可以有效地保存真实地形特征。其次再进行程序的比较和筛选，就可将真实地面展现出来，减少了两类错误的发生。

3 结束语

本文的3个实验是基于深度理解滤波分类原理后，利用软件进行算法操作的过程，主要进行了以下几项操作：粗差剔除，地面点滤波，植被点分类处理。从图像上来看，每个算法都能够基本符合现实的情况，把大部分的点分类到相应的层中。但由于Terrasolid软件源代码不公开，所以对于数据的准确性和真实度还有待商榷。本文基于该软件开发了一个精度估算的功能，将实验结果与参考数据比较，为实验参数的设置提供了一个很大的技术参考。机载LiDAR是摄影测量技术的一种有力补充，未来若能融合其他数据源进行地物识别，提出更加完美的滤波算法，必将是机载LiDAR技术的一个革命性转折。

［1］张小红.机载激光雷达测量技术理论与方法［M］.武汉：武汉大学出版社，2007.

［2］KRAUS K，PFEIFER N.Determination of Terrain Models in Wooded Areas with Airborne Laser Scanner Data［J］.ISPRS Journal of Photogrammetry and Remote Sensing，1998，53（4）：193－203.

［3］VOSSELMAN G.Slope based filtering of laser altimetry data［A］.In：International Archives of Photogrammetry and Remote sensing，vol.XXXIII，Part B3，Amsterdam，2000：935－942.

［4］刘瑶，王健，彭福国，等.基于机载LiDAR点云的岛礁提取方法［J］.测绘工程，2012，21（6）：36－38.

［5］龚亮，李正国，包全福.融合航空影像的LiDAR地物点云分类［J］.测绘工程，2012，21（1）：38－42.

［6］赖旭东.机载激光雷达数据处理中若干关键技术的研究［D］.武汉：武汉大学，2006.

［7］刘经南，张小红.激光扫描测高技术的发展与现状［J］.武汉大学学报：信息科学版，2003，28（2）：132－137.

［8］刘经南，张小红.机载激光雷达测高数据滤波［J］.测绘科学，2004，29（6）：158－160.