一种机载LiDAR点云滤波方法

摘要

本发明公开了一种机载LiDAR点云滤波方法。本发明首先对LiDAR点云数据进行粗差剔除和规则格网化，生成深度图像；然后通过图像阈值分割技术中的Otsu算法求出分割的高程阈值，以该阈值对规则格网化重采样前的点云数据进行地面点与非地面点的迭代粗分类；最后对分类好的地面点与非地面点分别以两种不同的阈值进行渐进三角网滤波，输出构网点云数据即地面点数据。本发明中参与滤波过程的点云数据都是规则格网化重采样之前的数据，有效避免了由于规则格网化而造成的点云精度损失问题；并且为渐进三角网滤波提供类别属性引导，针对不同的地形条件，相应地调整滤波策略，取得了更好的滤波效果。

主权项

1.一种机载LiDAR点云滤波方法，其特征在于，包括以下步骤：步骤1，对原始点云数据进行预处理，剔除粗差噪声点；步骤2，对点云数据以最近邻点法进行规则格网化重采样；步骤3，对重采样后的点云数据进行高程值灰度化，根据下述公式计算每个点对应的灰度值，生成深度图像；$G_i=\frac{Z_i-Z_{\min }}{Z_{\max }-Z_{\min }}\times 255$式中，G_i为深度图像中像素点的灰度值，Z_i为对应该点的高程值，Z_min、Z_max分别为点云数据中的高程最小值和最大值，i为自然数；步骤4，通过Otsu算法得出进行粗分类的高程阈值，以该阈值对规则格网化重采样前的点云数据进行地面点与非地面点的迭代粗分类，具体步骤如下：401，依次遍历所有点，采用Otsu方法通过下述公式计算类间方差，并选择类间方差最大值所对应的灰度值作为图像分割阈值，具体方法如下：设定阀值T_h将灰度级为[0,L-1]的图像分成两组，C₀、C₁分别代表背景区域和目标区域；其中，L＝256，即8位灰度级；则类间方差σ(k)的计算公式为：σ(k)＝w₀(u₀-u)²+w₁(u₁-u)²=w₀w₁(u₀-u₁)²式中，w₀＝w(k)为C₀概率，w₁＝1-w(k)为C₁概率，u₀为C₀均值，u₁为C₁均值；u为整幅图像的均值；以类间方差σ(k)作为准则衡量阈值分离不同类别的性能，极大化σ(k)就是自动确定阈值的过程，最佳阈值T_h为：$T_h=\arg \underset{0\le h\le L}{\mathrm{Max}}\left(\sigma \left(k\right)\right)$402，将步骤401中所得分割阈值由灰度值转换成高程值；403，对规则格网化重采样前的点云数据进行分类，低于该分割阈值的点标记为地面点，高于该分割阈值的点标记为非地面点；404，对非地面点重复执行步骤401至步骤403，视粗分类效果迭代2至3次结束。步骤5，对分类好的地面点与非地面点分别以两种不同的阈值进行渐进三角网滤波，输出构网点云数据即地面点数据，具体方法如下：501，分别选择粗分类后的地面点与非地面点中的最低点作为种子点构建初始三角网；502，对分类类别为地面点的数据进行优先构网，判据阈值为一般阈值；503，对分类类别为非地面点的数据进行构网，判据阀值为强阈值；504，迭代内插最终三角网，输出构网点云数据即地面点数据。