[发明专利]基于网格分块与移动最小二乘的点云数据全自动滤波方法

说明书

技术领域

本发明属于海量点云数据处理领域，特别是涉及了基于网格分块与移动最小二乘的全自动滤波方法。

背景技术

由于激光能在短时间能获得地物三维坐标信息，并且数据量极大，如何快速从海量激光点云数据中提取有用的信息是目前研究的热点和难点，激光点云数据的滤波处理就显得尤为重要。国内外许多文献都对点云滤波进行了讨论和研究，并且提出了许多滤波算法，包括基于数学形态学的滤波算法，基于坡度的滤波算法，基于TIN的渐进加密算法和基于数据分割的滤波算法等等，也取得了一些研究成果，其中还存在一些问题尚未解决，比如点云滤波算法的效率低以及精度不能满足要求。Vosselman等使用Delaunay三角网组织数据，并利用灰度级形态学中的腐蚀运算根据坡度去除非地面点。该算法首先使用训练样区确定滤波函数，然后根据每个激光点与周围点的距离和滤波函数判断该点是否为地面点。该算法的缺点是：要找到合适的训练样区以获取滤波函数，用来处理其他各种情况是比较困难的。Roggero和Sithole分别对Vosselman的方法进行了改进，通过构造一些新的复杂的滤波函数来改进算法的适应性。与Vosselman的方法不同，Zhang提出一种渐进式形态学滤波的方法。该方法首先将原始激光点云数据插值为规则格网，再使用设定的初始结构元素进行形态学开运算，并计算每点经过开运算后的高度值与原先高度值的差，如果该高度差大于一定的阈值，就为非地面点。逐渐增大结构元素的尺寸和相应的阈值，反复进行上面的运算去除非地面点，直到结构元素的尺寸大于最大的建筑物。这样反复进行开运算不仅需要很大的计算量，而且容易误删除地面点。虽然可以对开运算前后的高度差设定阈值来判断是否为地面点，但此阈值的设定也是一个难点。

不管是机载Lidar数据还是地面Lidar数据大部分是基于激光点云中高程突变信息进行滤波，假定点云中高程低的点为地面点，高程较高的点为非地面点，由于系统误差存在，这种情况未必是对的。一些算法还将离散的观测值内插成格网，内插后数据与原始数据之间存在误差，处理得到的结果与实际情况也存在误差，造成精度损失。目前滤波算法需要大量的人工干预，属于半自动或者人工操作，耗时耗力。半自动算法一般是基于对高程值的统计分析，这些都是目前滤波算法中的一些待解决的问题。另外一些滤波算法适用范围有限，比如一些针对机载Lidar数据，一些只能用于地面Lidar数据滤波，还有一些只适合地形起伏变化小的地方。从上述问题可以看出提出一种简单、快速、适用范围广、效率高的点云滤波算法是非常必要的。

由于激光点云数据量大，并且点云数据的不规则，散乱，复杂等性质决定了点云数据处理工作的复杂困难。

发明内容

针对激光点云数据的特点，本文提出了一种基于网格分块与移动最小二乘的点云数据全自动滤波方法。

本发明提供的技术方案是一种基于网格分块与移动最小二乘的点云数据全自动滤波方法，包括以下步骤：

步骤1，对激光点云数据进行分块处理，得到多个初始网格；

步骤2，判断各初始网格内激光点云数据密度是否大于预设的密度阈值，对激光点云数据密度大于预设的密度阈值的网格进行抽稀处理；所述抽稀处理的方法为，根据激光点云数据的密度大小进一步分割初始网格，保留每个分割后网格内高程较低的激光点云数据；

步骤3，基于所有分割后网格内保留的激光点云数据，用移动最小二乘法拟合数字高程模型，并以数字高程模型作为参考面；

步骤4，求取所有分割后网格内每个激光点分别到步骤3所得参考面的距离，将距离大于距离阈值的激光点进行删除，剩余的激光点云数据保留；

步骤5，对保留的激光点云数据，返回执行步骤1～步骤4，每次执行步骤1时，分块处理的初始网格尺寸小于上一次，每次执行步骤4时，距离阈值小于上一次；直至所有分割后网格内激光点到参考面的距离小于或等于当前的距离阈值时停止。

而且，步骤1对激光点云数据进行分块处理后，采用四叉树方法对所得各初始网格建立相应的索引。

而且，所述四叉树方法为经典四叉树方法或动态四叉树方法。

而且，步骤3采用精简移动最小二乘法拟合数字高程模型，包括以下分步骤，

步骤3.1，对于每个分割后网格，找出步骤2所保留的激光点云数据中的每个最低点周围的K个邻近点，并判断最低点与周围K个邻近点分别的高差，如果最近点与最近邻近点的高差大于最近邻近点与其他K-1个邻近点之间最小距离N倍，则认为最近点不是地面点，反之则认为是地面点；