机载LiDAR点云数据滤波算法：原理、比较与优化研究.docxVIP

机载LiDAR点云数据滤波算法：原理、比较与优化研究

一、引言

1.1研究背景与意义

随着科技的飞速发展，机载LiDAR（LightDetectionandRanging，激光探测与测距）技术作为一种高效获取地球表面三维空间信息的主动式遥感技术，在众多领域得到了广泛应用。在测绘领域，其能够快速、精确地获取地形地貌的三维数据，为地图绘制、地形分析等提供了关键的数据支持，极大地提高了测绘工作的效率和精度。在林业资源调查中，机载LiDAR技术可穿透植被，获取树木的高度、冠幅、密度等信息，为森林资源的评估和管理提供科学依据。在城市规划领域，通过获取高精度的城市三维点云数据，可直观地展示城市的建筑布局、交通状况等，辅助规划者进行合理的城市规划和设计。在灾害监测与评估方面，如地震、洪水等灾害发生后，利用机载LiDAR技术能够快速获取受灾区域的地形变化，为灾害评估和救援决策提供重要的数据基础。

然而，机载LiDAR系统在数据采集过程中，由于受到多种因素的影响，获取的原始点云数据往往包含大量的噪声和异常点。例如，飞行平台的不稳定会导致激光束的发射角度和位置出现偏差，从而产生噪声点；大气的折射、散射等作用会干扰激光信号的传播，使得接收到的信号不准确，进而产生异常点；地面物体的复杂反射特性，如建筑物的立面、植被的枝叶等，也会导致点云数据中出现噪声和异常点。这些噪声和异常点的存在，严重影响了点云数据的质量和后续的分析应用。在生成数字高程模型（DEM）时，噪声和异常点会导致DEM表面出现起伏不平、失真等问题，无法准确反映真实的地形地貌；在进行地物分类时，噪声和异常点会干扰分类算法的准确性，导致分类结果出现错误。因此，研究有效的机载LiDAR点云数据滤波算法，去除噪声和异常点，提高点云数据的质量，对于充分发挥机载LiDAR技术的优势，提升其在各领域的应用效果具有重要的现实意义。

1.2国内外研究现状

国内外学者在机载LiDAR点云数据滤波算法方面开展了大量的研究工作，并取得了一系列的成果。早期的研究主要集中在基于简单几何特征的滤波算法，如基于高程阈值的滤波方法。该方法通过设定一个高程阈值，将高于或低于该阈值的点视为非地面点进行剔除。这种算法原理简单，易于实现，但对于地形复杂的区域，如山区、丘陵地带等，容易出现误判，导致地面点被错误地剔除，或者非地面点被保留下来。

随着研究的深入，基于数学形态学的滤波算法逐渐被提出。这类算法将数学形态学中的基本算子，如开运算、闭运算等，引入到点云滤波中。通过对基本算子的有效组合，实现对地面点和非地面点的识别。然而，在实际应用中，此类算法的滤波效果受窗口选择的影响较大。若窗口选择过小，则无法有效剔除大型地物，如建筑物、高大树木等；若窗口选择过大，则会导致部分地形特征被错分为地物，影响滤波结果的准确性。

基于渐进加密的滤波算法，如渐进加密不规则三角网（TIN）滤波算法，近年来得到了广泛的应用。该算法通过逐步加密TIN模型，将地面点和非地面点进行区分。在各种复杂地形中，该算法均能获得较好的效果，但也存在一些缺点，如迭代运算占用内存较大，处理时间较长，而且初始构建TIN对后续滤波影响较大。如果初始种子点选取不当，会导致整个滤波结果出现偏差。

基于坡度的滤波算法也是研究的热点之一。该算法通过计算点云的坡度值，根据坡度阈值来判断点是否为地面点。但该算法对阈值设定要求较高，如果阈值设定不准确，最终获得的滤波结果也会不准确，而且计算量较大，需要逐点计算坡度值，耗费大量的时间和计算资源。

此外，基于分割的点云滤波算法也受到了关注。该算法通过对点云进行分割，提供更多的信息，从而准确地判断地形断裂线等。但如果分割结果不准确，后续的点云滤波就会受到很大影响，导致滤波结果出现错误。

在国内，许多科研机构和高校也在积极开展相关研究。例如，一些学者提出了结合多源数据辅助的点云滤波方法，如利用数字高程模型（DEM）、数字线划地图（DLG）等数据来辅助点云滤波，取得了较好的效果。通过将DEM与点云数据进行叠加分析，利用DEM的地形信息来判断点云中点的属性，能够提高滤波的准确性。然而，这些方法对辅助数据的依赖性较强，而且辅助数据的精度和现势性也会影响滤波效果。如果DEM数据的精度不高或者更新不及时，就会导致滤波结果出现偏差。

虽然目前在机载LiDAR点云数据滤波算法方面已经取得了一定的成果，但仍然存在一些问题和挑战。例如，现有的滤波算法在复杂地形和地物条件下的适应性不强，很难在各种不同的场景中都取得理想的滤波效果。在山区，地形起伏较大，地物种类繁多，现有的算法往往难以准确地区分地面点和非地面点；在城市区域，建筑物密集，结构复杂，也给滤波算法带来了很大的困难