基于一体化聚类滤波的机载LiDAR数据DTM提取.docx

基于一体化聚类滤波的机载LiDAR数据DTM提取
摘要
本文针对机载LiDAR数据DTM提取问题，提出了一种基于一体化聚类滤波的方法。通过对机载LiDAR点云数据进行数据预处理和特征提取，将数据进行分类处理。采用一体化聚类滤波对不同分类的数据进行去噪，最后通过插值方法得到DTM。实验结果表明，该方法能够有效地提取出DTM，并且在去除噪声的同时保留了地形细节。
关键词：一体化聚类滤波；机载LiDAR；DTM提取
引言
随着现代化技术的快速发展，机载激光雷达（LiDAR）成为地形数据获取的一种常用技术。机载LiDAR可以获取高分辨率的三维地表数据，但是在大范围区域内对地貌信息进行提取时，需要生成数字地形模型（DTM）以便于地形分析和建模。DTM的精度对于地形分析和建模至关重要。然而，机载LiDAR采集的数据不光整齐，受到噪声的影响，因此直接提取DTM的精确性和可靠性受到很大限制。
为了克服这些局限性，本文提出了一种基于一体化聚类滤波的机载LiDAR数据DTM提取方法。该方法通过数据预处理和特征提取将数据进行分类处理，再使用一体化聚类滤波对不同分类的数据进行去噪，最后通过插值方法得到DTM。实验结果表明，该方法能够有效地提取出DTM，并且在去除噪声的同时保留了地形细节。
方法
1.数据预处理
对于机载LiDAR点云数据，首先需要对原始数据进行预处理，包括点云数据的去重和去除离群点。第一步，对采集到的LiDAR点云数据进行去重操作。由于机载激光雷达采样频率高，很多情况下会有多个激光脉冲同时击中同一个点上。这种情况会在点云数据中形成密度较高的点，导致数据量增加。因此需要将这些数据去重，只保留一个点的坐标和反射强度。
第二步，对所有点进行离群点去除。离群点是指点云数据中与其它数据点相比相距较远的孤立点或噪声点。这些点除了对基于数据统计的算法造成影响之外，往往没有意义。我们可以使用均值距离去掉离群点。均值距离算法认为，一个点是离群点，当它的距离超过所有点到它的平均距离的3倍时。在离群点去除后，点云数据变得更加整齐，干扰信号也得到了消除。
2.特征提取
机载LiDAR采样得到的点云数据足够大，因此如何有效地提取特征变得至关重要。本文中，对LiDAR点云数据的特征提取采用距离和正常向量。针对每个点，确定它在周围最近的k个点的位置，其中k取决于所需要的精度。一旦这些点确定，就可以进行正常向量计算，从而得到表征点云数据性质的点特征。
3.数据分类和聚类滤波
根据特征，将点云数据进行分类处理。将同类的点云数据分到一个组中，减少了数据的计算量和时间。对于分类后的数据使用一体化聚类滤波进行去噪，消除噪音点和孤立点，以达到更好的去噪效果。一体化聚类滤波算法是一种适用于点云数据去噪问题的常用算法。该算法通过对点云数据进行间隔均衡和加权滤波来降低噪声级别。滤波器的主要思想是将噪声点周围的区域（邻域）聚合并用高斯函数进行插值，然后用这个被插值的点替换原始点。
4.插值操作
获取过滤后的点云数据后，需要进行插值操作，以对点云的不规则形状进行填充和利用相邻点之间的关系来填充缺失区域。插值方法有很多，常用的有TIN插值方法和基于网格的插值方法。本文采用基于网格的插值方法。该方法假定函数在网格内具有自由度，因此可以使用插值算法将数据点变成具有均匀间隔的网格点，从而生成DTMs。
实验结果
本文提出的方法在不同数据集上进行了测试，并与现有方法进行了比较。从结果来看，在提取DTMs时，该方法具有良好的去噪效果，同时能够保留地形细节。在与现有方法的比较中，本文结合的一体化聚类滤波与传统的基于正常向量的滤波和TIN插值方法相比，具有更好的效果。
结论
本文提出了一种基于一体化聚类滤波的机载LiDAR数据DTM提取方法，通过对点云数据的预处理和特征提取，将数据进行分类处理，采用一体化聚类滤波对不同分类的数据进行去噪，最后通过插值方法得到DTM。实验结果表明，该方法能够有效地提取出DTM，并且在去除噪声的同时保留了地形细节。未来，我们将把该方法应用于更多的数据集中，并对提取的DTM进行更深入的分析和研究。