基于扫描线和虚拟格网的LiDAR点云数据非兴趣点剔除方法

陈永枫，徐 青，邢 帅，马桂云，靳国旺

（1.信息工程大学 测绘学院，河南 郑州 450052；2.河南省电子产品质量监督检验所，河南 郑州 450003）

机载激光雷达（Light Detection and Ranging，LiDAR）扫描技术是一种全新的获取高时空分辨率的主动式遥感技术［1］，能够快速地获取大面积地形数据，生成城市表面模型（Digital Surface Model，DSM）、数字高程模型（Digital Elevation Model，DEM）等数字产品［2－4］。LiDAR技术在海岸线测量、城市规划、电力系统勘测中也有着广泛应用，已经成为当前的一个研究热点。

LiDAR数据在获取过程中，由于地表物理特征的不同从而产生了不同的后向反射，当发生漫反射时，反射信号会被大量接收，进而形成较大的接收噪声，也就是粗差［5］。另外空中的飞鸟、不明的空中飞行物、悬浮物等在数据扫描过程中也会引起粗差。由于LiDAR数据是连续、不间断的扫描，所以点云数据中也包含建筑物的非顶部点，而这些点虽然不是粗差，但在后续建筑物提取过程中会带来干扰。因此，本文将建筑物的非顶部点云和粗差点一起作为非兴趣点，研究其探测和剔除问题。

1 扫描线与虚拟格网相结合的非兴趣点剔除方法

传统的机载LiDAR数据粗差剔除算法，主要是将测区地形模拟成一个平滑的数学曲面模型——趋势面模型。通过计算测区内趋势面的值与实际的计算值之间的差异进而判定是否为粗差点［6］。这种方法对于地形较为平坦的测区能够取得比较好的效果，但是对于地形复杂的地区，如含有较多建筑物的城区，由于其构成的趋势面不能真实客观地显示出实际的情况，因此，剔除非兴趣点的效果不理想。为了使剔除算法受地形因素的影响较小，能够很好地去除单点粗差、粗差点簇，以及不感兴趣的建筑物非顶部点，本文提出了一种扫描线和虚拟格网相结合的方法，通过对数据的试验和结果的比对，验证方法的可行性。

1.1 基于扫描线粗差剔除方法原理

目前，LiDAR数据的获取主要通过3种扫描方式：有线扫描、圆锥扫描、纤维光学扫描。而有线扫描作为最常见的一种扫描方式，使得激光脚点在地面上形成“Z”字型［1，7］，本文的算法也是针对这种数据进行处理。对于获取的测区数据，虽然在测区当中会因为植被、建筑物的原因，扫描点会产生高程变化，但是连续的3个扫描点在高程变化上存在一定的规律，其变化情况一般分为图1所示的5种情况。图1（a）为没有产生高程突变的地形，此时的连续3个扫描点高程一般相等或者有微小的高程变化。其余4种情况均表示当遇到房屋等高大建筑物后，连续扫描点的高程排列情况。从图中可以很容易看出，在这时连续的扫描点之间会因为建筑物的原因而产生很大的高程值变化。5种点云排列是正确的排列方式，当中间的点与其前后的两个点相比较高程过大或者高程过小时，则将其视为粗差点并予以剔除。

图1 连续3个扫描点的分布情况

常见的机载LiDAR测量系统如TopoSys激光脚点密度为4点/1m2，Fli－Map1系统达到了9点/1m2，而ALTM1020TS系统脚点密度仅为1点/6m2［1］。对于扫描线的粗差剔除其点云密度为

其中：N为总的点云数量；L，W分别为x，y方向的距离。根据P的大小设定一个合理的阈值，一般密度高于2点/1m2的阈值设定为1m，低于此值的阈值可以根据实际适当放大。遍历数据内所有点云，剔除单点粗差。

对基于扫描线的粗差剔除方法可以将数据中产生的单个点的噪声正确剔除，但是对于连续的粗差点簇、非建筑物顶部点该方法就无能为力了。为此本文在扫描线法处理基础之上，采用了一种基于虚拟格网的非兴趣点剔除方法，剔除剩余的非兴趣点。

1.2 基于虚拟格网的非兴趣点剔除方法原理

算法通过引用虚拟格网，对每个格网及其周围相关格网的数据进行分析，将剩余的非兴趣点剔除，算法流程如图2所示。

图2 基于虚拟格网的算法流程

该算法具体步骤如下：

1）数据分块。首先根据具体测区定义一个区块的边长大小d，然后遍历每一个点云坐标对其进行分块，得到每个点所对应的行列号C，R，进而得到其所在区块的位置。

式中：x′，y′为点云坐标；x，y为左下角的点云坐标。定义一个容器，动态存取点云数和区块数，将三维坐标动态地存入所在的区块中。

2）候选非兴趣点探测。整个测区进行分块后，由于每一个区块相对于整个测区面积很小，区块内的坐标点空间距离又最为接近，可以将每一个区块作为一个单元进行处理。通过遍历每一个区块获得各个区块的平均高程值。然后将每个区块的点云高程与平均高程做比较，设定一个合理的阈值，超过该阈值的坐标点将其暂定为非兴趣点，作为接下来进一步比较的对象，在阈值范围内的点表示为兴趣点将予以保留。

3）非兴趣点筛查。在上一步的处理中，被标定为非兴趣点的有3种情况。第1种就是粗差点，因为这些点的高程值和平均高程值比较肯定是过大或者过小。第2种是该点是非顶部的建筑物点云，因为机载LiDAR扫描的只是建筑物的轮廓，所以其非顶部点云数量在整个区块中权重较低，经过与平均高程比较后认为是非兴趣点。第3种是因为该区块位于一个高程突变的位置，而该点又是一个高楼顶部的边缘兴趣点，区块的大部分点云是地面点的情况下，经过与平均高程值比较后也会视为非兴趣点。对于粗差点和建筑物非顶部点，如果搜索该点相邻的区块，一般不会找到或者很少找到相近的高程值。而对于建筑物的顶部点云，因为该点只是在本区块内的建筑物边缘点，所以在相邻区块内可以找到很多高程值相近的坐标点。根据区块的大小和密度设定阈值大小为P×d×d/8（即区块内总点数的1/8）。遍历点云，当经过相关搜索后，相近高程数目超过这个阈值，则将该坐标点重新视为兴趣点。

2 非兴趣点剔除试验

本文试验数据为城区地形（见图3（a）），数据中含有较大的建筑物，平地和建筑物变化较为突出。图中红色椭圆标记的部分为比较明显的粗差单点和粗差点簇，建筑物非顶部点明显。剔除非兴趣点前后效果如图3所示。

通过图3（b）可以看出椭圆处标记的比较明显的粗差单点、点簇被剔除。图4为剔除前后的直方图数据分析，可以看出在运用本算法对数据处理之后，数据的极大、极小值得到了有效去除，因为建筑物非顶部点剔除的原因，使得数据总体表现为较低的地面点和植被以及高大的建筑物顶部点云，从而使平均值减小，均方差数值变大。表1分析了算法剔除前后较高点和较低点的点云数目比对，通过变化统计可以看出，大部分地面点云和建筑物顶部点云在数据剔除前后变化不大，被很好地保留下来。非建筑物顶部点云的数量在剔除前后变化十分显著，说明通过本算法非建筑物顶部点云得到了有效剔除。最后通过变化比例分析，变化比例占总点云数比例可以看出算法具有较好的针对性，剔除的仅仅是非兴趣点。

表1 直方图数据分析

图3 非兴趣点剔除前后三维显示对比

图4 粗差剔除前后直方图对比

3 结束语

本文结合数据中非兴趣点的特点，提出了一种基于扫描线和虚拟格网相结合的方法。通过对高程急剧变化的城市区域的试验分析，证明本算法与以往的算法相比，受地形因素的影响较小，具有较强的适应性。另外以往的机载LiDAR预处理工作主要是对粗差进行剔除，本文结合建筑物三维重建只关心顶部点云的特点，提出了一种对非兴趣点剔除的方法，简化了后续工作的处理。在剔除过程中阈值的选择是根据区块的大小设定的，个别非建筑物顶部点云与顶部点云比较接近而被保留，下一步对这些点如何有效地去除，有待进一步研究。

［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］李英成，文沃根，王伟.快速获取地面三维数据的LiDAR技术系统［J］.测绘科学，2002，27（4）：35－38.

［3］PETZOLD B，REISS P，STÖSSEL W.Laser Scanningsurveying and Mapping Agencies AreUsing a New Technique for the Deviation of Digital Terrain Models［J］.ISPRS Journal of Photogrammetry and Remote Sensing，1999，54（2/3）：95－104.

［4］QUNSHAN SHI，QING XU，SHUAI XING，et al.A Vector Collection Method Based on LiDAR Point Cloud Data［C］.International Symposium on Image and Data Fusion，Teng chong，2011.

［5］刘春，陈华云，吴杭宾.激光三维遥感的数据处理与特征提取［M］.北京：科学出版社，2009.

［6］吉长东，韩艳顺，何孝莹，等.大区域离散型DEM源数据粗差探测与剔除［J］.测绘通报，2006（2）：27－29.

［7］李鹏程，王慧，刘志青，等.一种基于扫描线的数学形态学LiDAR点云滤波方法［J］.测绘科学技术学报，2011，28（4）：274－277.