基于LIDAR数据的数字高程模型获取实验研究

胡曼 刘学人

摘要：本文基于笔者多年从事LIDAR数据处理的相关工作经验，以基于LIDAR数据的数字高程模型获取为研究对象，论文首先对现有各种滤波算法进行了综合评价，指出了现有方法的不足，在此基础上结合本文数据特点和应用选择了移动曲面拟合算法进行了滤波实验，在分析了各种插值算法的基础上，采用了不规则三角网创建地表模型，取得一定的滤波效果。全文是笔者长期工作实践基础上的理论升华，相信对从事相关工作的同行能有所裨益。

关键词：LIDAR滤波移动曲面实验

中图分类号：P2 文献标识码：A 文章编号：1672-3791（2012）08（c）-0021-02

为了创建地面模型和建筑物模型而进行的LIDAR数据的预处理包含了粗差剔除，数据的分类和分割。粗差实际上指的就是一些错误的数据点，在数据获取时由于不可预知的原因而造成，应用之前应当先将这些坏点去掉。机载激光扫描测高激光脚点的分布并不规则，在三维空间的分布形态呈现随机离散的数据点“点云”（Point cloud）。在这些点中，有些点位于真实地形表面有些点位于人工建筑物（房屋、烟囱、塔、输电线等）或自然植被（树、灌木、草）。从激光脚点数据点云中提取数字地形高程模型（DTM，DEM）需要将其中的地物数据点去掉，这就是所谓的激光测高数据的滤波。这里借用了数字信号处理中滤波的概念，即把地形表面当作信号，而将地物（建筑物、树木等）当作噪声，滤波算法就是从DSM得到DTM的过程。研究如何从数据点云中分离出地形表面激光脚点数据子集以及区分不同地物（包括房屋、道路、植被等）激光脚点数据子集，就是所谓的数据过滤和分类。

1LIDAR数据滤波的原理

滤波的基本原理是基于邻近激光脚点间的高程突变（局部不连续），一般不是由地形的陡然起伏所引起，更为可能的是较高点位于某些地物。即使高程突变是由地形变化所引起的，就一个区域来讲，其表现形态也不会相同，陡坎只引起某个方向的高程突变，而房屋所引起的高程突变在四个方向都会形成阶跃边界。在同一区域，一定范围大小内地形表面激光脚点的高程和邻近地物（房屋，树木，电线杆等）激光脚点高程变化显著，在房屋边界处更为明显。局部高程不连续的外围轮廓就反映了房屋的形状。当激光扫描到枝叶繁茂的参天大树时，激光脚点间的高程也会出现局部不连续的情况，但其表现形态却与前者有显著差异。

两临近点间的距离越近，两点高差越大，较高点位于地形表面的可能性就越小，因此，判断某点是否位于地形表面时，要顾及该点到参考地形表面点的距离，随着两点间距离的增加，判断的阈值（threshold）也应放宽，主要是为了同时考虑地形起伏产生的高程变化。两地面点间的距离越远，自然高差（地形变化形成的高差）就会越大。

2现有的滤波方法

大部分激光扫描点滤波算法的思想基于如下假设：临近激光脚点间的局部不连续（高程突变）一般不是由地形的起伏所造成，而是突变点位于非地面之上。高程突变的表现形态也不相同，例如陡坎只引起某个方向的高程突变，而房屋所引起的高程突变在四个方向都会形成阶跃边界。当激光束投射到植被上时，激光点间的高程也会出现局部不连续的情况，但其表现形态与前者有显著的差异。两邻近点间距离越近，两点高差越大，较高点位于地形表面的可能性就越小。因此，判断某点是否位于地形表面时，要顾及该点到参考地形表面点的距离，随着两点间距离的增加，判断的阈值也应放宽。考虑到地形起伏产生的高程变化，两地面点之间的距离越远，可能出现的高差会越大。目前用于机载LIDAR数据滤波的方法概括来讲大致可以分为形态学滤波法，移动窗口法，线性预测法，基于地形坡度滤波，移动曲面拟合滤波方法，三角网迭代法，基于数据分割等几种方法。

3基于移动曲面拟合滤波算法的滤波实验

本文采用移动曲面拟合滤波算法进行多次实验，包括平坦地形、水域、城区、山区等。实验区选择我国湖北省武汉市地区，该区域地物比较丰富，有开阔地、道路、居民住宅、大型建筑物、树、森林和河流等。地形坡度在城市地区较平缓，部分地区为山区或小土墩。LIDAR数据由Leica公司的ALS50Ⅱ型航空激光雷达系统装载在运-5型飞机上获得，相对航高1400m，激光间距大约为2m。

3.1 实验数据

为了便于直观的显示滤波效果，搜集了该地区的航空影像作为参考（如图2）。实验区主要以工矿厂房为主，包含了4条互相交叉的高级公路和一小部分住宅。在实验区的西北方，有2个小型的人工湖泊，在西南方和东北方各有一座小山。原始点云数据（如图3）。

3.2 滤波实验结果

首先将获取的原始点云数据*.LAS格式使用LIDAR VIEWER软件转换为TXT文本格式，将转出的TXT文件使用移动曲面拟合算法滤波处理。获得新的TXT文本。本文采取直接将TXT文本数据转化为SHP，即可生成3维效果图。

3.3 实验分析

从以上效果可以看出（图4），移动曲面拟合滤波算法能够很好的过滤掉地面上的建筑物，原来在实验区内部的建筑物点已经全部滤掉，原建筑物部分的地面表现为空白，从点云分布图可以看出是因为该区域点已经被滤掉的缘故。除建筑物外，移动曲面滤波算法还过滤掉了地面的以及道路两旁的树木，公路现已经表现为条带的面状物；西边的2个小型人工湖泊和河流表现为洼地，西南部的和东北部的山地效果较为明显，可以明显的看到地势的起伏。东部的大片建筑物和树木已经完全过滤，可以看到路基两侧较过滤之前平滑，和滤波阈值的选取有直接关系。阈值的大小，需要根据不同地区多次实验，方可找到合适的阈值。

3.4 综合评价

移动曲面拟合法滤波，算法简单明了。运算速度快，自适应性强，滤波性能基本上不受地形条件和地物数量的限制。但算法要求保证一定的数据密度，以保证趋势面更新较快，更新的过程实际上就是滤波趋势面自适应地形起伏的过程。当然算法还要保持局部第行数据的离散分布，避免数据点的畸形分布（比如数据几乎共线）。对于当前的机载激光扫描系统来说，数据采集密度已经不存在问题，绝大多数系统提供的数据密度都能保证在1points/m2以上。

移动曲面拟合算法实现过程中的另一关键之处是阈值的选取，这里的曲面拟合算法实质是基于一种外推的算法，在数学上外推的精度要远远低于内插的精度，所以阈值的设置不宜过大，这样会积累外推的误差，导致曲面无法移动。解决的办法是可以进行多次滤波。

4数字高程模型的创建

DEM是对一个地区的地表高程变化的表示，可以采用多种方式表達。地形表面的特征决定了地形表面表达的难度，因而在影响最终DEM表面的各种因素中扮演了重要的角色。随着计算机应用技术和GIS技术的发展，人们通常采用数字地面模型主要有三种基本形式：规则格网、不规则三角网和数字等高线。滤波后的点云数据可以认定为一个地面特征点的集合，本文采取了不规则三角网的表示方法来表示DEM数据。将滤波后的点云先生成三角网进而生成高程模型（DEM）。利用TIN来验证试验结果将更加直观（如图5）。

虽然DEM的空间分辨率的最终影响因素是生成DEM的LIDAR数据中激光脚点的密度；但是若已经存在的DEM的分辨率不能满足应用要求，则可通过重采样来补充采样点数量和密度上的不足，以达到提高空间分辨率的目的。本文并未进行内插处理，因为激光脚点的密度已经足够。将滤波后生成的TIN栅格化，即可得到数字高程模型。

参考文献

[1] 张瑞菊，王晏民，李德仁.快速处理大数据量三维激光扫描数据的技术研究[J]测绘科学，2006（5）.

[2] 李涛，岑敏仪.结合影像的LIDAR数据三维建筑物提取[J]测绘科学，2007（5）.