一種機(jī)載點(diǎn)云數(shù)據(jù)局部漏洞自動(dòng)修復(fù)方法

周?chē)?guó)新　楊輝山　孟蕾　王康康

摘要：受地形起伏與山體遮擋等因素影響，機(jī)載點(diǎn)云數(shù)據(jù)有時(shí)存在局部數(shù)據(jù)缺失現(xiàn)象。在山體遮擋嚴(yán)重的區(qū)域，點(diǎn)云數(shù)據(jù)局部漏洞嚴(yán)重影響高精度DEM數(shù)據(jù)的質(zhì)量。針對(duì)機(jī)載點(diǎn)云數(shù)據(jù)中存在的局部漏洞，提出一種融合DEM的機(jī)載點(diǎn)云數(shù)據(jù)局部漏洞自動(dòng)修復(fù)方法。首先，對(duì)原始點(diǎn)云數(shù)據(jù)進(jìn)行濾波得到地面點(diǎn)云，提出一種多尺度模板滑動(dòng)的漏洞區(qū)域檢測(cè)算法識(shí)別點(diǎn)云數(shù)據(jù)中的局部漏洞區(qū)域;進(jìn)而，針對(duì)點(diǎn)云局部漏洞，結(jié)合既有的DEM數(shù)據(jù)進(jìn)行漏洞修補(bǔ)。該算法在最大化保持原始地貌形態(tài)特征的基礎(chǔ)上，最小化插值點(diǎn)云數(shù)據(jù)與漏洞區(qū)域邊界點(diǎn)云數(shù)據(jù)的幾何位置偏差。最后，采用實(shí)際采集的機(jī)載激光點(diǎn)云數(shù)據(jù)進(jìn)行實(shí)驗(yàn)分析。實(shí)驗(yàn)結(jié)果表明，漏洞修復(fù)后的點(diǎn)云數(shù)據(jù)高程中誤差為0.353米，滿足生產(chǎn)1：1000比例尺高精度DEM的需求。相比于修復(fù)前點(diǎn)云數(shù)據(jù)生成的DEM數(shù)據(jù)，數(shù)據(jù)質(zhì)量了有了較大的提升，且修復(fù)后的點(diǎn)云數(shù)據(jù)保持了原始地形走勢(shì)和地貌形態(tài)特征。

關(guān)鍵詞：機(jī)載激光雷達(dá);點(diǎn)云數(shù)據(jù)漏洞;數(shù)字高程模型;修復(fù);地形特征

中圖分類(lèi)號(hào)：TN958.98 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2019）06-0048-04

0 引言

機(jī)載激光雷達(dá)（Light Detection And Ranging，LiDAR）技術(shù)是一種主動(dòng)對(duì)地觀測(cè)技術(shù)，能夠快速獲取大范圍地表三維點(diǎn)云數(shù)據(jù)，具有受天氣影響小、采集速度快、數(shù)據(jù)生產(chǎn)周期短、數(shù)據(jù)精度高、部分穿透植被等特點(diǎn)。目前，機(jī)載LiDAR技術(shù)已經(jīng)成為測(cè)繪領(lǐng)域生產(chǎn)數(shù)字高程模型（Digital Elevation Model，DEM）的重要技術(shù)手段[1]，在電力巡檢、林業(yè)資源調(diào)查、城市三維建模等領(lǐng)域[2-4]也有著廣泛的應(yīng)用。然而，受測(cè)區(qū)環(huán)境、飛行時(shí)間、掃描系統(tǒng)等諸多因素影響，在實(shí)際工況下獲取的機(jī)載LiDAR點(diǎn)云中可能存在數(shù)據(jù)缺失。在禁飛區(qū)、陡峭山體遮擋區(qū)，系統(tǒng)無(wú)法獲取相應(yīng)的激光腳點(diǎn)，導(dǎo)致點(diǎn)云數(shù)據(jù)中存在局部漏洞。數(shù)據(jù)漏洞對(duì)點(diǎn)云數(shù)據(jù)產(chǎn)品質(zhì)量尤其是DEM產(chǎn)品精度有重要的影響，有時(shí)會(huì)使得點(diǎn)云數(shù)據(jù)不能滿足高精度DEM生產(chǎn)的要求。重飛或補(bǔ)飛會(huì)增加時(shí)間和經(jīng)濟(jì)成本，且無(wú)法解決禁飛區(qū)、山體遮擋等因素產(chǎn)生的漏洞。因此，需要采用其它技術(shù)方法修復(fù)點(diǎn)云數(shù)據(jù)漏洞。

針對(duì)點(diǎn)云漏洞修復(fù)問(wèn)題，很多學(xué)者展開(kāi)了深入研究。文獻(xiàn)[5]采用空間投影得到3個(gè)方向的二維坐標(biāo)，并利用支持向量機(jī)進(jìn)行回歸分析，得到缺失點(diǎn)的3維坐標(biāo)，修復(fù)漏洞。文獻(xiàn)[6]在對(duì)點(diǎn)云數(shù)據(jù)建立三角格網(wǎng)的基礎(chǔ)上，搜索漏洞邊界并根據(jù)漏洞內(nèi)部邊界的夾角關(guān)系進(jìn)行三角化填充。文獻(xiàn)[7]通過(guò)解算模型參數(shù)對(duì)漏洞進(jìn)行插值，修補(bǔ)點(diǎn)云漏洞區(qū)域。文獻(xiàn)[8]研究了不同類(lèi)型的點(diǎn)云缺失數(shù)據(jù)的最優(yōu)空間插值方案。文獻(xiàn)[9]識(shí)別漏洞區(qū)域鄰域點(diǎn)的高程鄰域點(diǎn)及低程鄰域點(diǎn)，通過(guò)直線相交的方法確定待修補(bǔ)點(diǎn)的坐標(biāo)，利用最鄰近插值的方法確定待修補(bǔ)點(diǎn)的高程值。

上述研究方法都是利用原始點(diǎn)云數(shù)據(jù)對(duì)自身漏洞進(jìn)行的插值處理，不適用于山區(qū)地形的點(diǎn)云漏洞修復(fù)。本文提出一種融合DEM數(shù)據(jù)的機(jī)載激光點(diǎn)云漏洞自動(dòng)修復(fù)方法。采用多尺度模板滑動(dòng)的漏洞檢測(cè)算法對(duì)濾波后的激光點(diǎn)云進(jìn)行漏洞識(shí)別，并對(duì)漏洞區(qū)域既有的DEM數(shù)據(jù)進(jìn)行密度自適應(yīng)的離散化采樣?；诼┒磪^(qū)域鄰近的激光腳點(diǎn)對(duì)DEM點(diǎn)進(jìn)行高程改正，得到漏洞填補(bǔ)點(diǎn)的三維坐標(biāo)，實(shí)現(xiàn)點(diǎn)云漏洞修復(fù)。

1 點(diǎn)云數(shù)據(jù)局部漏洞修復(fù)方法

本文提出的機(jī)載激光點(diǎn)云漏洞修復(fù)方法流程如圖1所示。首先，采用基于不規(guī)則三角網(wǎng)的點(diǎn)云濾波算法濾除非地面點(diǎn);其次，利用多尺度模板滑動(dòng)的漏洞檢測(cè)算法進(jìn)行漏洞識(shí)別，確定點(diǎn)云中漏洞的位置與區(qū)域邊界;然后，針對(duì)點(diǎn)云數(shù)據(jù)局部漏洞區(qū)域，結(jié)合DEM數(shù)據(jù)進(jìn)行點(diǎn)云數(shù)據(jù)局部漏洞的修復(fù)。

1.1 基于多尺度模板滑動(dòng)的點(diǎn)云數(shù)據(jù)漏洞自動(dòng)檢測(cè)

通過(guò)點(diǎn)云數(shù)據(jù)濾波，可以濾除大量非地面點(diǎn)，減少點(diǎn)云數(shù)據(jù)處理量，同時(shí)可以更加合理的利用地面激光點(diǎn)對(duì)DEM點(diǎn)云進(jìn)行高程改正。目前LiDAR點(diǎn)云濾波已經(jīng)有很多比較成熟的算法，如數(shù)學(xué)形態(tài)學(xué)濾波算法、迭代線性最小二乘內(nèi)插算法、基于不規(guī)則三角網(wǎng)的濾波算法、移動(dòng)曲面擬合算法[10]等。本方法采用基于不規(guī)則三角網(wǎng)的濾波算法[11]，對(duì)原始LiDAR點(diǎn)云數(shù)據(jù)進(jìn)行濾波，并通過(guò)人工檢查、編輯初始濾波結(jié)果，得到地面激光點(diǎn)。

采用基于多尺度模板滑動(dòng)的漏洞檢測(cè)算法對(duì)地面激光點(diǎn)數(shù)據(jù)進(jìn)行漏洞識(shí)別。具體方法為：

（1）格網(wǎng)標(biāo)識(shí)。首先將地面激光腳點(diǎn)投影至XY坐標(biāo)平面，并根據(jù)點(diǎn)云平面坐標(biāo)范圍建立格網(wǎng)，根據(jù)點(diǎn)云平均點(diǎn)間距確定格網(wǎng)邊長(zhǎng);然后判斷各個(gè)格網(wǎng)內(nèi)是否存在激光腳點(diǎn)，若不存在激光腳點(diǎn)，則將該格網(wǎng)標(biāo)記為空像元，格網(wǎng)屬性值記為0，反之格網(wǎng)屬性記為1，全部標(biāo)記完成后得到二值化的標(biāo)識(shí)格網(wǎng)。

（2）基于大尺度模板滑動(dòng)的漏洞區(qū)域定位。利用較大尺度（如100*100或50*50格網(wǎng)邊長(zhǎng)）的模板窗口對(duì)二值化的標(biāo)識(shí)格網(wǎng)進(jìn)行遍歷，計(jì)算模板內(nèi)空像元的總面積，若空像元面積大于設(shè)定閾值T1，則將模板對(duì)應(yīng)區(qū)域記作漏洞區(qū)域。利用大尺度模板窗口，能夠快速對(duì)漏洞區(qū)域進(jìn)行定位，同時(shí)可以減少部分點(diǎn)云稀疏區(qū)域?qū)β┒礄z測(cè)的干擾，提高漏洞檢測(cè)的精度。但單一的大尺度模板，對(duì)漏洞邊緣區(qū)域的檢測(cè)效果不好。針對(duì)此問(wèn)題，考慮采用多尺度模板對(duì)漏洞檢測(cè)結(jié)果進(jìn)行優(yōu)化。

（3）基于小尺度模板滑動(dòng)的漏洞邊緣精細(xì)化。利用小尺度（如25*25或10*10或5*5格網(wǎng)邊長(zhǎng)）模板口對(duì)大尺度模板初步定位的漏洞區(qū)域進(jìn)行遍歷，計(jì)算模板內(nèi)空像元的總面積，若空像元面積大于設(shè)定閾值T2，則將模板對(duì)應(yīng)區(qū)域記作漏洞區(qū)域。與大尺度模板檢測(cè)結(jié)果相比，小尺度模板檢測(cè)的漏洞邊緣更加精細(xì)，去除了很多大尺度模板檢測(cè)出的非漏洞區(qū)域。單一大尺度模板則容易造成漏洞“外擴(kuò)”，即檢測(cè)結(jié)果比真實(shí)的漏洞范圍要大很多。單一小尺度模板的檢測(cè)結(jié)果容易出現(xiàn)漏洞“碎片化”現(xiàn)象，即很多小范圍的地面點(diǎn)稀疏區(qū)域被當(dāng)作漏洞。采用“先大尺度模板定位，后小尺度模板優(yōu)化”的處理策略，可以有效彌補(bǔ)單一尺度模板的不足，自動(dòng)檢測(cè)出點(diǎn)云漏洞區(qū)域。

1.2 保持地形特征的點(diǎn)云數(shù)據(jù)漏洞修復(fù)

既有的DEM數(shù)據(jù)能夠反映真實(shí)的地形走勢(shì)與地貌形態(tài)特征，可以作為輔助數(shù)據(jù)源對(duì)點(diǎn)云漏洞區(qū)域進(jìn)行修復(fù)。首先對(duì)DEM數(shù)據(jù)進(jìn)行密度自適應(yīng)的離散采樣。計(jì)算激光點(diǎn)云數(shù)據(jù)的平均點(diǎn)密度與平均點(diǎn)間距，采用雙線性內(nèi)插方法對(duì)柵格DEM數(shù)據(jù)進(jìn)行重采樣，重采樣后的DEM格網(wǎng)間距與激光點(diǎn)云的平均點(diǎn)間距一致。將重采樣后的DEM數(shù)據(jù)離散化，提取格網(wǎng)點(diǎn)三維坐標(biāo)，得到DEM點(diǎn)云數(shù)據(jù)。利用檢測(cè)出的漏洞區(qū)域?qū)EM點(diǎn)云數(shù)據(jù)進(jìn)行約束，得到漏洞區(qū)域內(nèi)的DEM離散點(diǎn)。漏洞區(qū)域內(nèi)的離散點(diǎn)保持了漏洞區(qū)域內(nèi)部真實(shí)的地形走勢(shì)與地貌形態(tài)特征，可以作為參照的漏洞修復(fù)點(diǎn)。

由于數(shù)據(jù)源獲取方式、采集時(shí)間等多種因素影響，同一平面位置的DEM點(diǎn)與激光腳點(diǎn)之間存在高程差異，且不同位置的高程差異值不同。因此，直接將漏洞區(qū)域內(nèi)的DEM點(diǎn)作為漏洞修復(fù)點(diǎn)，會(huì)造成漏洞邊緣區(qū)域的地形不連貫。針對(duì)此問(wèn)題，提出利用漏洞區(qū)域鄰近的激光腳點(diǎn)對(duì)DEM點(diǎn)高程進(jìn)行加權(quán)改正的方法。具體為：

（1）搜索DEM點(diǎn)的鄰域LiDAR點(diǎn)，計(jì)算高程差值。假設(shè)點(diǎn)PG為高程待改正的DEM點(diǎn)，搜索與該點(diǎn)歐氏距離小于設(shè)定閾值dT的鄰近LiDAR點(diǎn)，記作PLi（i=1，2…n），并記錄PLi中各點(diǎn)與PG之間的歐氏距離及高程差值，分別記作di（i=1，2…n）和dHi（i=1，2…n）。

（2）計(jì)算DEM點(diǎn)的高程改正值。根據(jù)高程待改正的PG點(diǎn)原始高程、PG鄰域LiDAR點(diǎn)PLi與PG點(diǎn)高程差值dHi，采用反距離加權(quán)方法計(jì)算出PG點(diǎn)的高程改正值CHG。計(jì)算公式如公式（1）所示：

（1）

公式（1）中，為PLi中第i個(gè)LiDAR點(diǎn)占的權(quán)重，計(jì)算方法采用反距離加權(quán)方法，如公式（2）所示：? ? ? ? ? ? ? ? ? （2）

漏洞區(qū)域內(nèi)的DEM點(diǎn)的高程得到改正后，可作為漏洞修復(fù)點(diǎn)，與激光點(diǎn)云數(shù)據(jù)組成漏洞修復(fù)后的點(diǎn)云數(shù)據(jù)。

2 實(shí)驗(yàn)與結(jié)果分析

2.1 實(shí)驗(yàn)數(shù)據(jù)

為驗(yàn)證本文方法的有效性，選取實(shí)際采集的兩組山區(qū)機(jī)載LiDAR點(diǎn)云數(shù)據(jù)進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)數(shù)據(jù)1由Riegl LMS-Q780采集，平均點(diǎn)密度約為11點(diǎn)/m2，既有的DEM格網(wǎng)間距為2m。實(shí)驗(yàn)數(shù)據(jù)1為山地地形，采用人工裁剪的方式，模擬點(diǎn)云漏洞。模擬點(diǎn)云漏洞可對(duì)漏洞修復(fù)效果進(jìn)行定量評(píng)價(jià)。實(shí)驗(yàn)數(shù)據(jù)2由Riegl LMS-Q1560采集，平均點(diǎn)密度約為20點(diǎn)/m2，既有的DEM格網(wǎng)間距為2m。實(shí)驗(yàn)數(shù)據(jù)2為山地地形，存在真實(shí)的局部漏洞。實(shí)驗(yàn)所用計(jì)算機(jī)配置：CPU為Inter（R）Core（TM） i5-7200U @2.5GHz 2.70GHz，內(nèi)存8G，Windows10系統(tǒng)，利用C++編程實(shí)現(xiàn)本文算法。實(shí)驗(yàn)數(shù)據(jù)如圖2所示。

2.2 實(shí)驗(yàn)結(jié)果及分析

實(shí)驗(yàn)數(shù)據(jù)1中采用人工裁剪點(diǎn)云的方法模擬點(diǎn)云漏洞。以裁剪掉的點(diǎn)云作為檢查點(diǎn)，可定量評(píng)價(jià)點(diǎn)云漏洞修補(bǔ)的效果，驗(yàn)證算法的有效性。實(shí)驗(yàn)數(shù)據(jù)1得到的點(diǎn)云漏洞修補(bǔ)結(jié)果如圖3所示。

觀察圖3（b）、（c）及（d），漏洞區(qū)域得到有效地檢測(cè)和修補(bǔ)。圖3（d）對(duì)修補(bǔ)效果進(jìn)行了放大顯示，修補(bǔ)后的數(shù)據(jù)在漏洞區(qū)域得到了較為密集的地面點(diǎn)，且位于漏洞邊緣的填補(bǔ)點(diǎn)與鄰近LiDAR點(diǎn)之間沒(méi)有階躍現(xiàn)象和間隔過(guò)大現(xiàn)象，表明漏洞修補(bǔ)的效果較好。

實(shí)驗(yàn)數(shù)據(jù)2中存在若干真實(shí)的點(diǎn)云局部漏洞，對(duì)比漏洞修補(bǔ)后的點(diǎn)云生產(chǎn)的DEM，分析漏洞修補(bǔ)的效果。實(shí)驗(yàn)數(shù)據(jù)2得到的點(diǎn)云漏洞修復(fù)結(jié)果及局部DEM效果如圖4所示。

圖4表明，點(diǎn)云漏洞修復(fù)的目視效果較好。對(duì)比漏洞修復(fù)前后的DEM可以發(fā)現(xiàn)，局部漏洞修復(fù)前生產(chǎn)的DEM在漏洞區(qū)域會(huì)存在較嚴(yán)重的“面片化”現(xiàn)象，地形過(guò)渡不自然、不流暢;漏洞修復(fù)后該區(qū)域的地形更自然，貼近自然的地貌形態(tài)特征。

2.3 定量評(píng)價(jià)

為定量評(píng)價(jià)漏洞修復(fù)效果，針對(duì)實(shí)驗(yàn)數(shù)據(jù)1，對(duì)比漏洞區(qū)域中原始激光腳點(diǎn)高程與填補(bǔ)點(diǎn)的高程，計(jì)算其中誤差，計(jì)算方法如公式（3）所示：? ? ? ? ? ? ? ? ? ? ? ? ? （3）

公式（3）中，為高程中誤差，為漏洞區(qū)域原始地面激光腳點(diǎn)個(gè)數(shù)，為漏洞區(qū)域原始的地面激光腳點(diǎn)高程，為漏洞區(qū)域修補(bǔ)后的高程（根據(jù)修補(bǔ)區(qū)域內(nèi)臨近高程點(diǎn)內(nèi)插）。漏洞區(qū)域未裁剪前共存在1210個(gè)激光腳點(diǎn)，實(shí)驗(yàn)統(tǒng)計(jì)結(jié)果如圖5及表1所示。

觀察圖5及表1，漏洞修復(fù)前后的點(diǎn)云高程差值及中誤差均在分米級(jí)，且高差在0.3米以內(nèi)的點(diǎn)占絕大比重，驗(yàn)證了融合DEM數(shù)據(jù)的機(jī)載激光點(diǎn)云漏洞自動(dòng)修復(fù)方法的可行性。實(shí)驗(yàn)結(jié)果中還存在一些高差大于0.5米的點(diǎn)，分析原因，位于漏洞中心區(qū)域的點(diǎn)，距離LiDAR點(diǎn)較遠(yuǎn)，其高程基本與既有DEM點(diǎn)高程一致。本方法得到的點(diǎn)云滿足生產(chǎn)1：1000比例尺DEM的點(diǎn)云數(shù)據(jù)高程中誤差要求（山地）[12]。總體而言，本文方法可以有效修補(bǔ)點(diǎn)云數(shù)據(jù)漏洞，較為合理的利用既有的DEM信息恢復(fù)漏洞區(qū)域的地形。點(diǎn)云漏洞修補(bǔ)的效果主要依賴既有的DEM產(chǎn)品質(zhì)量及漏洞檢測(cè)的結(jié)果。

3 結(jié)語(yǔ)

本文提出一種融合DEM數(shù)據(jù)的機(jī)載激光點(diǎn)云漏洞自動(dòng)修復(fù)方法。首先采用多尺度模板滑動(dòng)檢測(cè)算法對(duì)濾波后的激光點(diǎn)云進(jìn)行漏洞檢測(cè)，并對(duì)漏洞區(qū)域既有的DEM數(shù)據(jù)進(jìn)行密度自適應(yīng)的離散化采樣。基于漏洞區(qū)域鄰近的激光腳點(diǎn)對(duì)DEM點(diǎn)進(jìn)行高程改正，得到漏洞填補(bǔ)點(diǎn)的三維坐標(biāo)，實(shí)現(xiàn)點(diǎn)云漏洞修復(fù)。實(shí)驗(yàn)表明該方法能夠有效修補(bǔ)漏洞區(qū)域，恢復(fù)漏洞區(qū)域地形。本文方法結(jié)果比較依賴漏洞檢測(cè)結(jié)果及既有的DEM數(shù)據(jù)質(zhì)量，后續(xù)將進(jìn)一步優(yōu)化漏洞檢測(cè)算法，獲得更貼近真實(shí)漏洞的檢測(cè)結(jié)果。

參考文獻(xiàn)

[1] 蔣桂美，聶倩，陳小松.利用機(jī)載激光點(diǎn)云數(shù)據(jù)生產(chǎn)DEM的關(guān)鍵技術(shù)分析[J].測(cè)繪通報(bào)，2017（6）：90-93.

[2] 彭勁松，許俊，李娟.無(wú)人機(jī)載激光測(cè)量系統(tǒng)在電力上的應(yīng)用[J].測(cè)繪通報(bào)，2018（4）：152-154.

[3] 劉浩，張崢男，曹林.機(jī)載激光雷達(dá)森林垂直結(jié)構(gòu)剖面參數(shù)的沿海平原人工林林分特征反演[J].遙感學(xué)報(bào)，2018（5）：872-888.

[4] 田奇丁，陸玉明，宗婷婷，等.基于激光雷達(dá)技術(shù)在城市三維建筑模型中的分析應(yīng)用[J].北京測(cè)繪，2016（2）：91-93.

[5] 蔣剛.基于SVM和空間投影的點(diǎn)云空洞修補(bǔ)方法[J].計(jì)算機(jī)工程，2009（22）：269-271.

[6] 陳相，童小華.基于三角格網(wǎng)的點(diǎn)云空洞修補(bǔ)算法及精度研究[J].測(cè)繪通報(bào)，2013（4）：1-3.

[7] 蔡香玉，楊林，呂海洋.基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的機(jī)載LiDAR點(diǎn)云空洞填補(bǔ)方法[J].南京師范大學(xué)學(xué)報(bào)（工程技術(shù)版），2017（3）：57-62.

[8] 王麗英，夏玉紅，徐艷，趙元丁.一種機(jī)載LiDAR點(diǎn)云缺失數(shù)據(jù)的填補(bǔ)方法[J].測(cè)繪通報(bào)，2018（10）：27-31.

[9] 黃帥.機(jī)載LiDAR點(diǎn)云數(shù)據(jù)缺失區(qū)域的邊界檢測(cè)和修補(bǔ)技術(shù)研究[D].天津大學(xué)，2018.

[10] 隋立春，張熠斌，張碩，陳衛(wèi).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.

[11] Axelsson P. DEM generation from laser scanner data using adaptive TIN models[J]. International Archives of Photogrammetry and Remote Sensing，2000，33（B4/1）：110-117.

[12] 國(guó)家測(cè)繪局.CH/T 8024-2011機(jī)載激光雷達(dá)數(shù)據(jù)獲取技術(shù)規(guī)范[S].北京：測(cè)繪出版社，2012.

An automatic Inpainting Method for Airborne LiDAR Point Cloud Data Local Holes

ZHOU Guo-xin1， YANG Hui-shan1， MENG Lei1， WANG Kang-kang2

（1.Land and Resources Technology Center of Guangdong Province， Guangzhou Guangdong? 510075;

2.School of Remote Sensing and Information Engineering， WuHan University，WuHan Hubei? 430079）

Abstract：Topographic relief and mountain shelter may cause local data loss in Airborne LiDAR point cloud data. Point cloud data hole seriously affect the quality of high-precision DEM . For the data blanks in the airborne LiDAR point cloud data， an automatic inpainting method by fusing digital elevation model is proposed. Firstly， the original point cloud data is filtered to extract the ground points， and the region analysis algorithm based on multi-scale template sliding is used to detect the location of data blanks. Then combining the existing DEM data to deal with the local holes in the point cloud. This algorithm minimizes the geometric position deviation between interpolated point cloud data and point cloud data in the hole on the basis of maximizing the original morphological features. The experimental results show that the root mean square error of point cloud elevation after inpainting data blanks is 0.353 m， which meets requirement for 1：1000 DEM production， and the restored point cloud maintains the real topographic trend and morphological features.

Key words：airborne LiDAR; data blanks in the point clouds; digitial elevation model; inpainting; topographic features