淺析機(jī)載LiDAR點(diǎn)云的濾波與分類

董保根，梁世波，李慎芳，張杰

（1.93920部隊(duì)，陜西漢中723213；2.61206部隊(duì)，北京100042）

淺析機(jī)載LiDAR點(diǎn)云的濾波與分類

董保根1，梁世波2，李慎芳2，張杰2

（1.93920部隊(duì)，陜西漢中723213；2.61206部隊(duì)，北京100042）

濾波與分類是機(jī)載LiDAR點(diǎn)云處理的兩個(gè)關(guān)鍵步驟。針對人們在傳統(tǒng)概念上的認(rèn)識(shí)誤區(qū)，簡要闡述了兩者的不同內(nèi)涵。以點(diǎn)云分類為例，一方面，以歸一化高度特征為著力點(diǎn)，詳細(xì)分析點(diǎn)云濾波對分類精度的影響，并對其影響力給予客觀地評估；另一方面，以點(diǎn)云分類結(jié)果為著力點(diǎn)，采用反向分析法深入探討了點(diǎn)云分類結(jié)果與濾波產(chǎn)生的兩種誤差的內(nèi)在聯(lián)系，從而驗(yàn)證了兩者在點(diǎn)云處理過程中的辯證關(guān)系，得出了相應(yīng)結(jié)論。

機(jī)載LiDAR；濾波；分類；歸一化高度；SVM

0 引 言

機(jī)載LiDAR點(diǎn)云數(shù)據(jù)濾波和分類是點(diǎn)云數(shù)據(jù)后處理的兩項(xiàng)重要任務(wù)。毫無疑問，關(guān)于兩者的最新研究與進(jìn)展始終是國內(nèi)外學(xué)者關(guān)注的重點(diǎn)課題。但是縱觀此類研究可以發(fā)現(xiàn)，對于點(diǎn)云數(shù)據(jù)濾波與分類的內(nèi)在聯(lián)系卻很少有人涉及，甚至某些研究者混淆了兩者的概念［1－2］，人們總是試圖將這兩種處理方法看成本質(zhì)上是相同的。針對人們傳統(tǒng)上的認(rèn)識(shí)和研究誤區(qū)，本文并不關(guān)注于兩種算法本身的研究，而是旨在剖析兩者概念的基礎(chǔ)上，通過實(shí)驗(yàn)揭示兩者的深刻內(nèi)涵與辯證關(guān)系。

1 兩種不同的概念

眾所周知，點(diǎn)云濾波是從原始的機(jī)載LiDAR點(diǎn)云數(shù)據(jù)形成的DSM中分離出地面點(diǎn)和非地面點(diǎn)，是最常見的一種點(diǎn)云處理方法；而點(diǎn)云分類是指通過某種算法將原始LiDAR數(shù)據(jù)分成互不交叉的類別。從表面上來看，一方面，點(diǎn)云濾波更像一種二類地物分類問題，但其算法本質(zhì)和點(diǎn)云分類算法卻是完全不同的體系。近年來，隨著機(jī)載LiDAR技術(shù)的飛速發(fā)展，為了滿足快速、精確地獲取DEM的需求，點(diǎn)云濾波的概念應(yīng)運(yùn)而生，該處理的主要目的在于獲取激光的地面腳點(diǎn)，而算法的實(shí)現(xiàn)均是以地面點(diǎn)和地物點(diǎn)之間的高差作為研究對象；另一方面，點(diǎn)云分類則更像是將濾波分離出的非地面點(diǎn)進(jìn)行再次區(qū)分。事實(shí)上，很多研究都是基于此類思路［3－4］。點(diǎn)云分類屬于模式識(shí)別的范疇，它是以特征選取和分類器作為研究對象，這與點(diǎn)云濾波有著本質(zhì)上的不同。理想情況下，如果不考慮點(diǎn)云濾波算法，完全可以依據(jù)某種分類算法達(dá)到獲取地面點(diǎn)的目的，前提是能夠提取足夠并且有效的地物特征。因此，無論是在概念上還是算法本質(zhì)上，點(diǎn)云濾波與分類均應(yīng)嚴(yán)格區(qū)分開來。

2 實(shí)驗(yàn)與分析

既然點(diǎn)云濾波與分類是性質(zhì)不同的兩種方法，那么它們是否完全沒有任何內(nèi)在聯(lián)系？或者說它們各自在發(fā)揮作用的同時(shí)會(huì)不會(huì)產(chǎn)生矛盾？為了驗(yàn)證這一問題，本文以點(diǎn)云分類實(shí)驗(yàn)為例進(jìn)行分析求證。實(shí)驗(yàn)數(shù)據(jù)來源于TerraSolid官方網(wǎng)站提供的訓(xùn)練數(shù)據(jù)（圖1），數(shù)據(jù)獲取的區(qū)域位于加拿大Niagara（尼亞加拉）瀑布地區(qū)，有關(guān)數(shù)據(jù)的具體參數(shù)不再贅述。為了盡可能保證較高的分類精度，實(shí)驗(yàn)采取多光譜影像輔助點(diǎn)云分類的模式，分類器采用著名的LIBSVM庫提供的RBF－SVM［5－6］，提取的點(diǎn)云數(shù)據(jù)特征包括：歸一化高度、強(qiáng)度、回波數(shù)、高程標(biāo)準(zhǔn)差、高程差以及描述點(diǎn)云局部幾何屬性的規(guī)則性、平整性、一致性、曲率等特征［7］，其中歸一化高度特征描述的是地物相對地表而言的絕對高度，通過經(jīng)典的TIN濾波算法獲得，濾波效果如圖2所示；提取的影像特征主要由光譜特征組成，包括：紅、綠、藍(lán)三波段以及各波段均值。圖3是當(dāng)所有特征均參與分類時(shí)的最優(yōu)分類結(jié)果，共包括5種地物類別。圖4為用于分類精度評價(jià)的標(biāo)準(zhǔn)參考數(shù)據(jù)（Ground Truth），參考數(shù)據(jù)的獲取方法是以武漢大學(xué)研制的機(jī)載LiDAR數(shù)據(jù)處理平臺(tái)“LiDAR＿Suite”為基礎(chǔ)，采取人工編輯的方式完成分類。

圖1 原始實(shí)驗(yàn)數(shù)據(jù)

圖2 TIN濾波結(jié)果

圖3 分類結(jié)果（類別配色）

圖4 分類參考數(shù)據(jù)（類別配色）

2.1 濾波對分類的影響

為了便于描述，本文將歸一化高度、強(qiáng)度、回波數(shù)特征分別用NH、INT、RP表示，高程標(biāo)準(zhǔn)差和高程差用HT表示，局部幾何屬性以及影像光譜特征分別用NV和SP表示。表1為最優(yōu)分類結(jié)果以及在缺少某一類特征的情況下分類的總體精度（OA）和Kappa值，從表1可以看出，一方面點(diǎn)云的NH特征是特征向量中對分類精度影響最大的因子，在缺少該特征的情況下分類精度的下降率達(dá)到了最大值，這也間接說明點(diǎn)云分類對濾波質(zhì)量具有較強(qiáng)的依賴性；另一方面，雖然沒有NH特征的支持，點(diǎn)云的總體分類精度OA和Kappa值仍然達(dá)到了較高值（分別為90.49%和85.96%），這說明在本實(shí)驗(yàn)中濾波對分類精度的貢獻(xiàn)量并非最大。從表2可以看出，在只有某一類特征參與分類的情形下，INT支持下的分類結(jié)果最佳，而只有NH特征支持下的OA和Kappa值分別只有66.66%和47.43%，這很大程度上是由于樹木類在數(shù)據(jù)中占有絕對的比例，而INT、NV、HT特征很好地彌補(bǔ)了樹木類分類精度的不足。由此可以看出，濾波是保證分類精度的必要條件，而非充分條件，僅僅依靠高度特征達(dá)到分類點(diǎn)云的目的顯然是不合時(shí)宜的，這取決于不同的實(shí)驗(yàn)數(shù)據(jù)以及數(shù)據(jù)中各個(gè)地物的類別數(shù)量及比例。

表1 最優(yōu)分類結(jié)果與缺少某一類特征時(shí)的分類精度對比

表2 只有某一類特征參與分類時(shí)的分類精度對比

2.2 分類對濾波的影響

本文采取的分類方式是所有地物類型均參與分類，包括濾波后生成的地面點(diǎn)（在分類過程中設(shè)定為道路類），那么分類后的結(jié)果對濾波質(zhì)量會(huì)有怎樣的影響呢？圖5（a）是自動(dòng)TIN濾波后的局部區(qū)域顯示，圖中綠色矩形條框表示剖面寬度。圖5（b）是剖面顯示的濾波結(jié)果，圖5（c）是分類器分類后結(jié)果，其中歸一化高度特征是自動(dòng)濾波后得到的，并未經(jīng)人工編輯處理。

對比圖5（b）和圖5（c）可以看出，自動(dòng)TIN濾波算法在地形起伏地區(qū)的“尖頂”部出現(xiàn)了較大的Ⅰ類誤差，相當(dāng)數(shù)量的地面點(diǎn)被分成了非地面點(diǎn)，但是通過SVM分類器分類后，這種誤差得到了很大改善，圖5（b）中被漏分的地面點(diǎn)得到了較好的復(fù)原。綜合分析其中的原因，主要是由于在分類器中加入的HT特征對區(qū)分植被點(diǎn)和植被覆蓋下的地面點(diǎn)效果非常明顯，這對濾波產(chǎn)生的地面點(diǎn)遺漏誤差是一種有益的補(bǔ)償。圖6是TIN濾波以及分類器分類后局部DEM的三維模型，從圖6（a）可以看出，地形平坦地區(qū)的濾波效果近乎完美，但算法對于地面點(diǎn)的“過分割”造成了地形突變處過于平滑。而圖6（b）所示的分類后結(jié)果則很好地彌補(bǔ)了濾波帶來的地形描述缺陷，其對于地形“尖頂”部的描述更接近于真實(shí)地形［8］。值得注意的是，盡管圖6（b）中地形表面略顯粗糙（這是由于極少數(shù)非地面點(diǎn)被分成了地面點(diǎn)），但在本實(shí)驗(yàn)中可以認(rèn)為消除Ⅰ類誤差產(chǎn)生的收益遠(yuǎn)大于分類過程中產(chǎn)生的這種極小的Ⅱ類誤差。

圖5 分類器分類對濾波效果的影響

圖6 TIN濾波和分類后DEM三維模型對比

3 結(jié)束語

通過上述分析，可以得出如下有益結(jié)論：①點(diǎn)云濾波與分類是相互影響、又有一定內(nèi)在聯(lián)系的兩種不同的點(diǎn)云數(shù)據(jù)處理方法，兩者的算法實(shí)質(zhì)分屬兩種不同的體系。②正確看待點(diǎn)云濾波在分類中的地位和影響力。在分類器和特征提取選定的情況下，點(diǎn)云濾波質(zhì)量依然是對分類精度影響最大的因子，但是否能起到?jīng)Q定性作用依據(jù)不同的數(shù)據(jù)類型而有所變化，加強(qiáng)除高度特征外其他特征的提取研究同樣具有現(xiàn)實(shí)意義。③在地面點(diǎn)同時(shí)參與分類的情況下，點(diǎn)云濾波與分類并不是矛盾體。分類器分類對濾波結(jié)果確實(shí)能起到明顯地改善作用，尤其能夠減小濾波的Ⅰ類誤差，增強(qiáng)對特殊地形的描述能力。但是還應(yīng)注意到，這種分類同時(shí)也會(huì)帶來一定的Ⅱ類誤差，如何權(quán)衡兩種誤差帶來的利益得失應(yīng)依據(jù)不同的情況而定。

［1］李峰.機(jī)載LiDAR點(diǎn)云的濾波分類研究［D］.北京：中國礦業(yè)大學(xué)，2013.

［2］劉芳，張瓊，范文義，等.基于多元輔助信息的機(jī)載LiDAR點(diǎn)云數(shù)據(jù)濾波分類研究［J］.遙感信息，2012，27（3）：46－53.

［3］龔亮.機(jī)載LiDAR點(diǎn)云數(shù)據(jù)分類技術(shù)研究［D］.鄭州：信息工程大學(xué)，2011.

［4］尚大帥.機(jī)載LiDAR點(diǎn)云數(shù)據(jù)濾波與分類技術(shù)研究［D］.鄭州：信息工程大學(xué)，2012.

［5］CHANGCC，LIN C J.LIBSVM：alibrary for support vector machines［J］.ACM Transactions on Intelligent Systems and Technology，2011：1－27.

［6］CHANGCC，LIN C J.LIBSVM：alibrary for support vector machines［R］.Technical Report，Department of Computer Science，National Taiwan University，Initial Version：2001，Last Updated：May 20，2011.

［7］劉峰，龔健雅.基于3DLiDAR數(shù)據(jù)的城區(qū)植被識(shí)別研究［J］.地理與地理信息科學(xué)，2009，25（6）：5－8.

［8］董保根.機(jī)載LiDAR點(diǎn)云與遙感影像融合的地物分類技術(shù)研究［D］.鄭州：信息工程大學(xué)，2013.

A Preliminary View on Filtering and Classification for Airborne LiDAR Point Clouds

DONG Bao－gen1，LIANG Shi－bo2，LI Shen－fang2，ZHENG Jie2
（1.93920 Troops，Hanzhong723213；2.61206 Troops，Beijing100042）

Filtering and classification are two critical steps in the process of LiDAR point clouds.In view of the traditional misunderstandings，their different meanings are described briefly.Taking the classification of point clouds for instance，the dialectical relation between filtering and classification is proved，and some beneficial conclusions are gained.On the one hand，based on normalized height，a detailed analysis is provided for the impact of filtering on classification，and the influences are assessed objectively；on the other hand，based on the classification result，the method of reverse analysis is developed to intensively investigate the intrinsic relationship between the classification result and the two types of errors derived from filtering of point clouds.

airborne LiDAR；filtering；classification；normalized height；SVM

10.3969／j.issn.1000－3177.2015.06.013

TP751

A

1000－3177（2015）142－0067－04

2014－09－11

2014－12－24

董保根（1977—），男，博士，工程師，研究方向?yàn)檫b感圖像處理與機(jī)載LiDAR數(shù)據(jù)處理。

E－mail：dbg－999＠163.com