基于Otsu方法點(diǎn)云粗分類(lèi)的漸進(jìn)三角網(wǎng)濾波算法研究

李成仁，岳東杰，于 雙

(河海大學(xué) 地球科學(xué)與工程學(xué)院， 江蘇 南京 210098)

基于Otsu方法點(diǎn)云粗分類(lèi)的漸進(jìn)三角網(wǎng)濾波算法研究

李成仁，岳東杰，于 雙

(河海大學(xué) 地球科學(xué)與工程學(xué)院， 江蘇 南京 210098)

針對(duì)傳統(tǒng)漸進(jìn)三角網(wǎng)濾波方法需要針對(duì)不同的地形條件頻繁調(diào)整濾波參數(shù)，并且對(duì)低矮地物濾波效果較差等問(wèn)題，結(jié)合圖像分割中的Otsu方法，提出一種基于Otsu方法點(diǎn)云粗分類(lèi)的漸進(jìn)三角網(wǎng)濾波算法。在對(duì)原始點(diǎn)云數(shù)據(jù)粗分類(lèi)的基礎(chǔ)上，以點(diǎn)云類(lèi)別屬性引導(dǎo)濾波過(guò)程。實(shí)驗(yàn)結(jié)果表明，方法簡(jiǎn)單可行，可以有效地控制低矮點(diǎn)被誤分類(lèi)成地面點(diǎn)的可能性，提高濾波處理結(jié)果的準(zhǔn)確性。

機(jī)載LiDAR；濾波；TIN；Otsu方法；粗分類(lèi)；深度圖像

機(jī)載激光雷達(dá)LiDAR(Light Detection And Ranging)是一種集激光掃描、全球定位系統(tǒng)GNSS(Global Navigation Satellite System)、慣性測(cè)量系統(tǒng)INS(Inertial Navigation System)于一體的新型傳感器，主要用于快速精確獲取地面及地面目標(biāo)三維空間信息。相比于傳統(tǒng)的航空攝影測(cè)量，該系統(tǒng)具有數(shù)據(jù)采集精度高、速度快、作業(yè)周期短、植被穿透力強(qiáng)、受天氣影響小和可直接獲取目標(biāo)的三維坐標(biāo)等優(yōu)點(diǎn)，目前已在地形地貌信息獲取、環(huán)境監(jiān)測(cè)、資源勘察、森林調(diào)查、帶狀地物監(jiān)測(cè)等方面獲得廣泛應(yīng)用[1]。與日益成熟的LiDAR系統(tǒng)硬件技術(shù)相比，機(jī)載LiDAR數(shù)據(jù)的后處理工作還相對(duì)滯后[2]，在一定程度上制約了LiDAR的發(fā)展應(yīng)用。機(jī)載LiDAR點(diǎn)云數(shù)據(jù)處理的任務(wù)包括系統(tǒng)誤差建模、濾波和特征地物提取等。在這些任務(wù)中，濾波及質(zhì)量控制成為最大的難題，占用大約60%～80%的處理時(shí)間。因此，設(shè)計(jì)一種自動(dòng)化程度高且精度高的濾波算法一直是LiDAR領(lǐng)域的研究熱點(diǎn)[3]。

現(xiàn)有的濾波方法大致可分為兩類(lèi)：根據(jù)激光腳點(diǎn)數(shù)據(jù)的回波強(qiáng)度信息進(jìn)行的濾波和基于高程突變?cè)淼狞c(diǎn)云數(shù)據(jù)濾波。目前絕大多數(shù)成熟的濾波方法都是基于高程突變的原理，其中，由Axelsson[4]提出使用漸進(jìn)三角網(wǎng)濾波算法是目前使用較為廣泛的濾波方法，該算法的核心思想是通過(guò)種子點(diǎn)生成一個(gè)稀疏的TIN，并通過(guò)迭代處理逐層加密。但由于缺乏地形特征信息的合理引導(dǎo)，在實(shí)踐過(guò)程中需要針對(duì)不同的地形條件頻繁調(diào)整濾波參數(shù)。武漢大學(xué)左志權(quán)博士[5]提出一種基于點(diǎn)云類(lèi)別屬性引導(dǎo)的漸進(jìn)三角網(wǎng)濾波算法，對(duì)內(nèi)插后的柵格數(shù)據(jù)進(jìn)行面向?qū)ο蠓指?，然后采用迭代Otsu聚類(lèi)、拓?fù)淠Ｐ偷仁侄螌?duì)地面對(duì)象與非地面對(duì)象分離，最后對(duì)分類(lèi)結(jié)果自適應(yīng)調(diào)整濾波參數(shù)進(jìn)行濾波。本文在此基礎(chǔ)上對(duì)該濾波算法加以簡(jiǎn)化與改進(jìn)：首先對(duì)LiDAR點(diǎn)云數(shù)據(jù)進(jìn)行粗差剔除和規(guī)則格網(wǎng)化，生成DSM深度圖像，再通過(guò)圖像閾值分割技術(shù)中的Otsu算法對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行地面點(diǎn)與非地面點(diǎn)的粗分類(lèi)，最后對(duì)分類(lèi)后的地面點(diǎn)與非地面點(diǎn)分別以?xún)煞N不同的閾值進(jìn)行漸進(jìn)三角網(wǎng)濾波。

1 Otsu算法原理

Otsu法[6]又稱(chēng)為最大類(lèi)間方差法或大津法，是日本學(xué)者大津展之于1979年提出，因其分割效果好、適用范圍廣泛、簡(jiǎn)單有效而得到廣泛應(yīng)用。該方法是在最小二乘法原理的基礎(chǔ)上推導(dǎo)出來(lái)的，其基本思路是將圖像的直方圖以某一灰度為閾值將圖像分成兩組并計(jì)算兩組的方差，當(dāng)被分成的兩組之間的方差最大時(shí)，此灰度值就作為圖像分割的閾值。

假設(shè)閾值Th將灰度級(jí)為[0,L-1]的圖像分成兩組，C0，C1分別代表背景區(qū)域和目標(biāo)區(qū)域。C0概率為w0=w(k)，C1概率為w1=1-w(k)，C0均值為u0，C1均值為u1，兩組的數(shù)學(xué)期望為

u=w0u0+w1u1.

(1)

背景區(qū)域與目標(biāo)區(qū)域兩組的類(lèi)間方差為

σ(k)=w0(u0-u)2+w1(u1-u)2.

(2)

2 漸進(jìn)三角網(wǎng)濾波原理

Axelsson提出的漸進(jìn)三角網(wǎng)濾波算法核心思想是：假設(shè)地形局部區(qū)域是平坦的，選擇局部區(qū)域內(nèi)的最低點(diǎn)作為種子點(diǎn)生成一個(gè)稀疏的三角網(wǎng)，定位待判斷點(diǎn)P對(duì)應(yīng)的三角形，P及其在三角面上的投影點(diǎn)與三角形頂點(diǎn)間的角度分別記為α,β,γ，P到三角面的垂直距離記為d，若α,β,γ和d都小于設(shè)定的閾值(見(jiàn)圖1)，則接受P為地面點(diǎn)，加密TIN模型， 依次迭代直到?jīng)]有新的地面點(diǎn)為止。通過(guò)不斷地加入滿(mǎn)足條件的點(diǎn)來(lái)擴(kuò)大地面模型， 最終得到非常接近地表面的三角網(wǎng)模型[4]。該算法比較適用于密集的城區(qū)， 可以處理地形不連續(xù)的情況，此算法的一個(gè)版本已在芬蘭的商業(yè)軟件Terra Scan中得以實(shí)現(xiàn)[7]。

圖1 漸進(jìn)三角網(wǎng)濾波算法參數(shù)示意圖

但經(jīng)研究發(fā)現(xiàn)，該方法存在兩點(diǎn)主要的不足：

1)在機(jī)載LiDAR掃描過(guò)程中，由于多路徑反射等原因會(huì)產(chǎn)生比實(shí)際點(diǎn)位低的錯(cuò)誤點(diǎn)，而該算法會(huì)選取高程最低的點(diǎn)作為種子點(diǎn)生成稀疏三角網(wǎng)，這樣就會(huì)將這些錯(cuò)誤點(diǎn)分到地面點(diǎn)當(dāng)中，影響濾波精度。

2)如果地形變化較大，使用該方法時(shí)，單一的濾波參數(shù)不可避免地會(huì)造成地面點(diǎn)與非地面點(diǎn)的錯(cuò)誤分類(lèi)，而對(duì)于不同的地形條件頻繁調(diào)整濾波參數(shù)又會(huì)給濾波過(guò)程帶來(lái)繁瑣的操作。

3 基于Otsu方法點(diǎn)云粗分類(lèi)的漸進(jìn)三角網(wǎng)濾波算法

針對(duì)前面提出的漸進(jìn)三角網(wǎng)濾波算法的不足，在該算法的基礎(chǔ)上結(jié)合圖像閾值分割理論中的Otsu法，提出一種基于Otsu方法點(diǎn)云粗分類(lèi)下的漸進(jìn)三角網(wǎng)濾波。通過(guò)Otsu算法將原始點(diǎn)云數(shù)據(jù)分成地面點(diǎn)和非地面點(diǎn)兩類(lèi)，以點(diǎn)云類(lèi)別屬性調(diào)整濾波參數(shù)引導(dǎo)濾波過(guò)程。算法的基本思路如下：

1)對(duì)原始點(diǎn)云數(shù)據(jù)進(jìn)行預(yù)處理，剔除粗差噪聲點(diǎn)，包括多路徑反射產(chǎn)生的低于地面的低噪聲點(diǎn)和由于飛鳥(niǎo)、電力線等反射形成的高噪聲點(diǎn)。若某個(gè)點(diǎn)為低噪聲點(diǎn)或者為高噪聲點(diǎn)，則高程值與其領(lǐng)域內(nèi)的其它點(diǎn)高差應(yīng)滿(mǎn)足一定的閾值。假設(shè)待判斷點(diǎn)為Pa，以Pa為中心點(diǎn)，搜索一定領(lǐng)域范圍內(nèi)的其他點(diǎn)，若對(duì)鄰域內(nèi)的任意點(diǎn)P都存在|ZPa-ZP|

2)對(duì)剔除粗差噪聲點(diǎn)之后的數(shù)據(jù)進(jìn)行規(guī)則格網(wǎng)化重采樣，采樣間距應(yīng)與原點(diǎn)云數(shù)據(jù)大致一致。然后將各點(diǎn)高程值按照如下公式進(jìn)行灰度化[8]：

(3)

這樣即可生成點(diǎn)云的深度圖像，影像的灰度值與點(diǎn)云的高程值成線性關(guān)系，為引入Otsu法進(jìn)行點(diǎn)云粗分類(lèi)奠定了基礎(chǔ)。

3)計(jì)算背景和目標(biāo)兩組區(qū)域的類(lèi)間方差極大值σ(k)，選擇類(lèi)間方差最大時(shí)所對(duì)應(yīng)的閾值k作為分類(lèi)閾值，將灰度值小于該分類(lèi)閾值的點(diǎn)標(biāo)記為地面點(diǎn)，灰度值大于該分類(lèi)閾值的點(diǎn)標(biāo)記為非地面點(diǎn)。

4)分別選擇粗分類(lèi)后的地面點(diǎn)與非地面點(diǎn)中的最低點(diǎn)作為種子點(diǎn)構(gòu)建初始三角網(wǎng)。對(duì)類(lèi)別為地面點(diǎn)的數(shù)據(jù)進(jìn)行優(yōu)先構(gòu)網(wǎng)，判據(jù)閾值為一般閾值；對(duì)于類(lèi)別為非地面點(diǎn)的數(shù)據(jù)則需以強(qiáng)閾值作為判據(jù)閾值；最后參與構(gòu)網(wǎng)的點(diǎn)云數(shù)據(jù)即為地面點(diǎn)數(shù)據(jù)。

濾波算法的流程如圖2所示。

圖2 濾波算法流程

4 實(shí)驗(yàn)結(jié)果及分析

為了檢驗(yàn)本文提出的算法的有效性， 選擇了ISPRS在線發(fā)布的CSite2參考數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)，實(shí)驗(yàn)區(qū)的點(diǎn)云數(shù)據(jù)都經(jīng)過(guò)人工或半人工的方法進(jìn)行分類(lèi)，每個(gè)點(diǎn)都被標(biāo)記成地面點(diǎn)或非地面點(diǎn)。該實(shí)驗(yàn)區(qū)的范圍為630 m×420 m，點(diǎn)數(shù)為243 400個(gè)，區(qū)域存在復(fù)雜房屋、大型建筑物及數(shù)據(jù)空洞，平均點(diǎn)距為1～1.5 m。濾波實(shí)驗(yàn)效果如圖3所示。

圖3 濾波實(shí)驗(yàn)效果圖

圖3(a)為處理前的原始點(diǎn)云；圖3(b)為規(guī)則格網(wǎng)化后的點(diǎn)云數(shù)據(jù)；圖3(c)為經(jīng)過(guò)灰度轉(zhuǎn)換后生成的深度圖像；圖3(d)顯示的是粗分類(lèi)后的地面點(diǎn)和非地面點(diǎn)，最佳閾值Th=86，圖中白色區(qū)域?yàn)榈孛纥c(diǎn)，黑色區(qū)域?yàn)榉堑孛纥c(diǎn)；圖3(e)為使用Terra Scan軟件濾波后的結(jié)果；圖3(f)為按本文算法濾波后的結(jié)果。對(duì)照濾波前后的點(diǎn)云可以看出，不同大小的建筑物基本濾除干凈，帶狀道路及地形特征得到了較好的保留，并且與Terra Scan軟件濾波相比差異較小。

為了定量地分析本文濾波算法的效果，采用ISPRS2003年的濾波算法評(píng)價(jià)報(bào)告中推薦的評(píng)價(jià)體系[9]。濾波算法的質(zhì)量可由第1類(lèi)誤差，即地面點(diǎn)被錯(cuò)誤分類(lèi)為地物點(diǎn)的誤差，和第2類(lèi)誤差，即地物點(diǎn)被當(dāng)作地面點(diǎn)的誤差的形式來(lái)體現(xiàn)。兩類(lèi)誤差的計(jì)算方法如下：

(4)

(5)

(6)

式中：a為被正確分類(lèi)的地面點(diǎn)，b為被錯(cuò)誤分類(lèi)為地物點(diǎn)的地面點(diǎn)，c為被錯(cuò)誤分類(lèi)為地面點(diǎn)的地物點(diǎn)，d為被正確分類(lèi)的地物點(diǎn)。

對(duì)濾波后的點(diǎn)云數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，并對(duì)比參考數(shù)據(jù)給出的標(biāo)準(zhǔn)分類(lèi)結(jié)果，定量分析結(jié)果如表1所示。

表1 濾波結(jié)果定量分析 %

Terra Scan軟件算法的第1類(lèi)誤差均明顯小于第2類(lèi)誤差，主要是因?yàn)槠鋬?nèi)核采用的漸進(jìn)三角網(wǎng)濾波算法很容易將部分低矮植被點(diǎn)、地物點(diǎn)錯(cuò)誤分類(lèi)為地面點(diǎn)， 導(dǎo)致第2類(lèi)誤差較大。本文算法對(duì)粗分類(lèi)后的地面點(diǎn)和非地面點(diǎn)以不同閾值進(jìn)行濾波，較為有效地控制了低矮點(diǎn)被錯(cuò)誤分為地面點(diǎn)的可能性，第2類(lèi)誤差及總誤差也比Terra Scan軟件算法相應(yīng)減小。

5 結(jié) 論

通過(guò)實(shí)驗(yàn)對(duì)比分析發(fā)現(xiàn)：傳統(tǒng)的漸進(jìn)三角網(wǎng)濾波算法對(duì)低矮植被點(diǎn)和近地點(diǎn)濾波效果較差，導(dǎo)致第2類(lèi)誤差較大；基于Otsu方法點(diǎn)云粗分類(lèi)的漸進(jìn)三角網(wǎng)濾波算法通過(guò)對(duì)點(diǎn)云數(shù)據(jù)的粗分類(lèi)引導(dǎo)濾波過(guò)程，不需要在濾波過(guò)程中頻繁調(diào)整濾波參數(shù)，方法簡(jiǎn)單可行，并且可以有效地控制低矮點(diǎn)被誤分類(lèi)成地面點(diǎn)的可能性，從而減小第2類(lèi)誤差及總誤差。但本文算法仍存在不足之處，如何根據(jù)不同地形自適應(yīng)地改變?yōu)V波閾值來(lái)提高算法自適應(yīng)能力，和如何降低規(guī)則格網(wǎng)化后的點(diǎn)云精度損失都是下一步的研究?jī)?nèi)容。

[1]張小紅. 機(jī)載激光雷達(dá)測(cè)量技術(shù)理論與方法[M]. 武漢: 武漢大學(xué)出版社, 2007.

[2]AXELSSON. Processing of laser scanner data-algorithms and applications [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 1999,54: 138-147.

[3]黃先鋒,李卉,王瀟,等.機(jī)載LiDAR數(shù)據(jù)濾波方法評(píng)述[J].測(cè)繪學(xué)報(bào)，2009,38(5):466-469.

[4]AXELSSON. DEM generation from laser scanner data using adaptive TIN models [J]. International Archives of Photogrammetry and Remote Sensing, 2000, 33(B4): 110-117.

[5]左志權(quán). 顧及點(diǎn)云類(lèi)別屬性與地形結(jié)構(gòu)特征的機(jī)載LIDAR數(shù)據(jù)濾波方法[D].武漢：武漢大學(xué),2011.

[6]李梅. 基于Otsu算法的圖像分割研究[D]. 合肥：合肥工業(yè)大學(xué),2011.

[7]隋立春,張熠斌,張碩,等.基于漸進(jìn)三角網(wǎng)的機(jī)載LiDAR點(diǎn)云數(shù)據(jù)濾波[J].武漢大學(xué)學(xué)報(bào)：信息科學(xué)版，2011,36(10):1159-1163.

[8]王大瑩,程新文,潘慧波,等. 基于最佳閾值形態(tài)學(xué)方法對(duì)機(jī)載LiDAR數(shù)據(jù)進(jìn)行邊緣提取[J].測(cè)繪工程，2009,18(2):34-37.

[9]李峰,崔希民,袁德寶，等.改進(jìn)坡度的LiDAR點(diǎn)云形態(tài)學(xué)濾波算法[J].大地測(cè)量與地球動(dòng)力學(xué)，2012(32):128-132.

[責(zé)任編輯：劉文霞]

Study on adaptive TIN filtering point clouds coarse classification based on otsu algorithm

LI Cheng-ren，YUE Dong-jie，YU Shuang

(School of Earth Sciences and Engineering, Hohai University, Nanjing 210098，China)

The traditional method of adaptive TIN filtering for different terrain conditions requires frequent adjustment of filtering parameters and the filtering effect on low surface features is poor. Combined with the image segmentation Otsu algorithm, an adaptive TIN filtering of point clouds coarse classification based on Otsu algorithm is proposed. This algorithm is based on coarse classification of the original point clouds. Point clouds filtering process is guided by class attribute. The results show this algorithm is simple, which can effectively control the possibility of low points misclassified into the ground points and improve the accuracy of filtering process.

airborne LiDAR; filter; TIN;Otsu algorithm; coarse classification; depth-image

2013-08-19

李成仁(1989-)，男，碩士研究生.

P237

：A

：1006-7949(2014)07-0034-04