基于激光點(diǎn)云批量化自動(dòng)濾波分類技術(shù)研究

李小娟 蘇春耀

（河南省測(cè)繪院，河南 鄭州 450003）

1 引言

隨著科學(xué)技術(shù)的發(fā)展和人們生活水平的提高，實(shí)景三維建設(shè)越來(lái)越受到人們關(guān)注。地形級(jí)實(shí)景三維是城市級(jí)和部件級(jí)實(shí)景三維的承載基礎(chǔ)。點(diǎn)云數(shù)據(jù)具有獲取快速、離散分布、快速更新的特性，同時(shí)附有高程、位置、強(qiáng)度等信息，數(shù)據(jù)間無(wú)拓?fù)湎嚓P(guān)性，是地形級(jí)實(shí)景三維場(chǎng)景建設(shè)的重要數(shù)據(jù)資源。點(diǎn)云獲取主要依靠激光掃描設(shè)備，但無(wú)論是機(jī)載激光掃描設(shè)備還是車載激光掃描設(shè)備，測(cè)繪外業(yè)生產(chǎn)的成本都要遠(yuǎn)高于高分辨率航空或衛(wèi)星影像，所以，利用無(wú)人機(jī)影像生成密集點(diǎn)云是一種新的制圖和三維重建方法，從經(jīng)濟(jì)成本和效率考慮，大面積無(wú)人機(jī)影像生成的密集點(diǎn)云要優(yōu)于由地面激光掃描（TLS）生成的點(diǎn)云。

國(guó)內(nèi)對(duì)影像匹配生成點(diǎn)云的研究主要集中于影像與LiDAR 點(diǎn)云的匹配融合，對(duì)影像生成的密集點(diǎn)云與LiDAR 點(diǎn)云的比較研究較少，主要還是定性分析[1]。目前行業(yè)內(nèi)使用的點(diǎn)云濾波算法有基于數(shù)據(jù)形態(tài)學(xué)的濾波算法、基于不規(guī)則三角網(wǎng)的濾波算法、基于布料模擬的濾波算法和最小二乘曲面濾波算法等。在數(shù)據(jù)處理軟件方面，一般采用TerraScan 軟件建立濾波規(guī)則并提取地面點(diǎn)，利用拉普拉斯算法進(jìn)行平滑處理，并結(jié)合區(qū)域邊界進(jìn)行接邊融合等處理，形成精度可靠、自然平滑的DEM 數(shù)據(jù)，用于地形級(jí)實(shí)景三維地理場(chǎng)景更新[2]。但這種分類多為人工和半自動(dòng)方式，數(shù)據(jù)解譯的自動(dòng)化程度低，導(dǎo)致點(diǎn)云利用率下降，制約了激光點(diǎn)云在實(shí)景三維城市建設(shè)中的應(yīng)用。在實(shí)施過(guò)程中基于數(shù)字影像匹配（DIM）生成的密集點(diǎn)云數(shù)據(jù)，開(kāi)展基于深度學(xué)習(xí)的自動(dòng)分類方法研究，從而解決了批量點(diǎn)云信息濾波分類的技術(shù)難題，并研建一套智能化點(diǎn)云批量化自動(dòng)濾波分類的工具[2]，極大程度地改變了內(nèi)業(yè)的作業(yè)模式，提高了生產(chǎn)效率，節(jié)約了生產(chǎn)成本。

2 關(guān)鍵技術(shù)

由于激光雷達(dá)采集到的每個(gè)點(diǎn)云數(shù)據(jù)，都是由被測(cè)物體的實(shí)際位置生成的三維點(diǎn)云坐標(biāo)，因此點(diǎn)云數(shù)據(jù)的誤差相對(duì)較小，但得到的數(shù)據(jù)量特別大，并且這些點(diǎn)云數(shù)據(jù)中含有噪聲，會(huì)導(dǎo)致一些不可忽視的問(wèn)題，例如點(diǎn)云數(shù)據(jù)雜亂無(wú)章、信息數(shù)據(jù)冗余等。

實(shí)驗(yàn)選取無(wú)人機(jī)獲取的高分辨率遙感影像數(shù)據(jù)，將數(shù)字影像匹配（DIM）生成密集點(diǎn)云所具有的影像信息，經(jīng)內(nèi)業(yè)數(shù)據(jù)處理和空三計(jì)算等步驟后，輸出實(shí)景三維模型、正射影像、三維點(diǎn)云等產(chǎn)品。然后將航空影像和DIM 點(diǎn)云作為數(shù)據(jù)源，采用不規(guī)則三角網(wǎng)（triangulatedirregular network，TIN）濾波算法，建立集數(shù)據(jù)重分類、分離孤立點(diǎn)、分離低點(diǎn)、分離地面點(diǎn)、地面點(diǎn)中分離植被點(diǎn)等步驟于一體的宏處理程序，分離出DIM 點(diǎn)云數(shù)據(jù)中的地面點(diǎn)和非地面點(diǎn)。為了節(jié)約人力投入成本，通過(guò)建立新的系統(tǒng)構(gòu)架及任務(wù)調(diào)度算法，用集群計(jì)算機(jī)數(shù)據(jù)并行處理，將所有數(shù)據(jù)處理環(huán)節(jié)進(jìn)行整合聯(lián)通，實(shí)現(xiàn)批量點(diǎn)云數(shù)據(jù)一鍵自動(dòng)化濾波分類，并生成DEM 數(shù)據(jù)產(chǎn)品[3]。

2.1 集群運(yùn)算網(wǎng)格處理技術(shù)的策略

對(duì)于航空遙感影像的并行處理，不少學(xué)者都在潛心研究，但大多是基于專門(mén)的并行計(jì)算機(jī)，對(duì)于集群式自動(dòng)化運(yùn)算的研究并不多見(jiàn)，而并行計(jì)算機(jī)價(jià)格昂貴。研究采用計(jì)算機(jī)集群方式，將一組松散集成的計(jì)算機(jī)軟件或硬件連接起來(lái)，高度緊密地協(xié)作完成計(jì)算工作。在某種意義上，它們可以被看作一臺(tái)計(jì)算機(jī)。同樣，網(wǎng)格計(jì)算屬分布式計(jì)算，是一種與集群計(jì)算相關(guān)的技術(shù)。運(yùn)用在網(wǎng)格上，數(shù)據(jù)資源則可實(shí)現(xiàn)動(dòng)態(tài)管理，并可根據(jù)需求切換到網(wǎng)格中。所以選用網(wǎng)格技術(shù)分模塊對(duì)航攝遙感大數(shù)據(jù)進(jìn)行批量同步處理。

為更好地操控網(wǎng)絡(luò)的分布式任務(wù)管理，采用面向?qū)ο蟮募喝蝿?wù)實(shí)時(shí)索引方法，從數(shù)據(jù)讀取到成果輸出，整個(gè)過(guò)程通過(guò)任務(wù)表掛接目錄方式進(jìn)行訪問(wèn)處理。數(shù)據(jù)處理的任務(wù)模塊設(shè)在系統(tǒng)后臺(tái)，通過(guò)集群任務(wù)表的實(shí)時(shí)記錄把控?cái)?shù)據(jù)處理細(xì)節(jié)，作業(yè)人員只需根據(jù)集群任務(wù)表掌握數(shù)據(jù)處理進(jìn)度。集群任務(wù)表不僅索引數(shù)據(jù)的整個(gè)處理模塊，還利用數(shù)據(jù)并行運(yùn)算方式，調(diào)動(dòng)多臺(tái)計(jì)算機(jī)同時(shí)訪問(wèn)服務(wù)器，在互不影響的情況下，把大的任務(wù)化解成若干個(gè)相同的子任務(wù)，同時(shí)處理。這樣在內(nèi)業(yè)生產(chǎn)中，不僅能保證數(shù)據(jù)產(chǎn)品輸出質(zhì)量，還可進(jìn)行批量化、智能化快速處理，滿足新型基礎(chǔ)測(cè)繪的大測(cè)區(qū)數(shù)據(jù)生產(chǎn)需求。集群任務(wù)表運(yùn)算參數(shù)如圖1 所示，實(shí)時(shí)處理進(jìn)度如圖2 所示。

圖1 集群任務(wù)表運(yùn)算參數(shù)重置

圖2 集群任務(wù)表實(shí)時(shí)處理進(jìn)度顯示（綠色為已完成，紅色為未完成）

2.2 BM 算法提取精細(xì)視差

目前，大多數(shù)無(wú)人機(jī)攝影測(cè)量系統(tǒng)采用非量測(cè)相機(jī)對(duì)地拍攝，像片像幅較小、序列影像數(shù)量較多。在低空攝影時(shí)，由于無(wú)人機(jī)飛行高度低，姿態(tài)不穩(wěn)定，航拍影像會(huì)存在較大變形，導(dǎo)致無(wú)人機(jī)影像密集匹配比較困難。無(wú)人機(jī)航拍影像通過(guò)空三后只能得到稀疏的點(diǎn)云數(shù)據(jù)，無(wú)法細(xì)膩刻畫(huà)地表的三維形態(tài)，因此通過(guò)密集匹配技術(shù)得到數(shù)字表面模型（Digital Surface Model，DSM）。影像密集匹配算法是在恢復(fù)影像序列方位元素基礎(chǔ)上，逐像素匹配建立對(duì)應(yīng)關(guān)系，獲取可描述左右影像像素之間匹配關(guān)系的視差圖[4]。通過(guò)無(wú)人機(jī)航拍影像視差圖融合生成DSM 研究核線影像立體匹配得到的視差圖，根據(jù)已知方位元素，對(duì)匹配像素進(jìn)行前方交會(huì)，恢復(fù)三維位置信息，生成密集三維點(diǎn)云。視差圖像點(diǎn)代表的視差值通過(guò)三角測(cè)量原理轉(zhuǎn)換成深度值或高程值，此視差圖可被轉(zhuǎn)換為深度圖或高程分布圖。對(duì)無(wú)人機(jī)航拍影像生成DSM 方法進(jìn)行了研究，采用BM 算法（Boyer-Moore 算法）提高匹配效率，最后通過(guò)多視影像聯(lián)合平差與多視影像密集匹配技術(shù)，利用視差像方融合方法生成某實(shí)驗(yàn)區(qū)DSM，DSM 數(shù)據(jù)經(jīng)處理后可作為實(shí)際生產(chǎn)的重要數(shù)據(jù)基礎(chǔ)[4]。

2.3 多視影像密集匹配灰度點(diǎn)云的研究

影像匹配是攝影測(cè)量的基本問(wèn)題之一，多視影像具有覆蓋范圍大、分辨率高等特點(diǎn)。但傾斜影像密集匹配點(diǎn)云處理技術(shù)研究相對(duì)較少。傾斜影像密集匹配點(diǎn)云具有分布不均勻、地物邊界模糊、表面粗糙、數(shù)據(jù)冗余大等特點(diǎn)，因而傳統(tǒng)的激光掃描點(diǎn)云處理算法在傾斜影像密集匹配點(diǎn)云處理時(shí)的適用性較低。研究目的是在匹配時(shí)充分考慮冗余信息，快速準(zhǔn)確地獲取多視影像上的同名點(diǎn)坐標(biāo)，進(jìn)而獲取地物的三維信息。

采用的密集點(diǎn)云快速提取方法具體包括以下步驟 ：

（1）數(shù)據(jù)準(zhǔn)備，數(shù)據(jù)具體包括傾斜航空攝影獲取的多視影像數(shù)據(jù)、空三加密后的影像外方位元素、傾斜航攝儀相機(jī)參數(shù)信息，其中多視影像數(shù)據(jù)包括元數(shù)據(jù)，內(nèi)含影像分辨率、影像投影坐標(biāo)。

（ 2）在步驟1 的多視影像數(shù)據(jù)中的垂直影像上，按照城市三維建模精細(xì)化的實(shí)際需求建立坐標(biāo)格網(wǎng)，坐標(biāo)格網(wǎng)中每個(gè)格網(wǎng)單元的大小不小于影像分辨率，所述影像分辨率與步驟1 的影像分辨率相同。

（3）將多視影像轉(zhuǎn)換為灰度圖像，并通過(guò)高斯濾波對(duì)灰度圖像進(jìn)行平滑處理。

（4）在灰度圖像中，計(jì)算各目標(biāo)像素點(diǎn)的灰度值與其鄰域像素點(diǎn)的灰度值，并將兩者進(jìn)行比較形成差值，多個(gè)差值構(gòu)成一個(gè)數(shù)值范圍，在該范圍內(nèi)確定閥值A(chǔ) 的大小，然后判斷各目標(biāo)像素點(diǎn)的灰度值與其鄰域像素點(diǎn)的灰度值的差值是否大于閥值A(chǔ)，如果是，則將該目標(biāo)像素點(diǎn)提取作為候選角點(diǎn)，否則，直接舍去。

（5）計(jì)算步驟4 中候選角點(diǎn)的角點(diǎn)響應(yīng)函數(shù)（CRF）值，判斷該候選角點(diǎn)的角點(diǎn)響應(yīng)函數(shù)（CRF）值是否大于預(yù)先設(shè)定的閥值B，如果是，則將該候選角點(diǎn)提取作為特征點(diǎn)，否則，直接舍去。

（6）匹配同名點(diǎn)，選擇參考影像和搜索影像，將參考影像上的特征點(diǎn)按核線幾何約束條件在搜索影像上尋找同名點(diǎn)。

（7）生成種子點(diǎn)，利用步驟1 的數(shù)據(jù)進(jìn)行初始匹配，獲取種子點(diǎn)。

（8）區(qū)域擴(kuò)散，即種子點(diǎn)擴(kuò)散，內(nèi)插生成待定點(diǎn)的空間坐標(biāo)和法向量，得到相對(duì)密集的點(diǎn)云，使其均勻密集地分布在規(guī)則格網(wǎng)上。

（9）粗差剔除，通過(guò)多片前方交會(huì)嚴(yán)密解方式以及最小二乘思想，剔除點(diǎn)云粗差點(diǎn)，并判斷格網(wǎng)單元是否計(jì)算完畢，如果是，則進(jìn)入步驟10，否則，回到步驟8 繼續(xù)進(jìn)行區(qū)域擴(kuò)散。

（10）生成密集點(diǎn)云，構(gòu)建TIN 建立三維模型。

2.4 點(diǎn)云自動(dòng)濾波分類處理

從傾斜影像密集匹配點(diǎn)云特點(diǎn)出發(fā)，通過(guò)底層開(kāi)發(fā)直接讀取點(diǎn)云數(shù)據(jù)的統(tǒng)計(jì)指標(biāo)信息，如點(diǎn)密度、點(diǎn)云坐標(biāo)最小值和最大值、標(biāo)準(zhǔn)差，根據(jù)統(tǒng)計(jì)指標(biāo)信息設(shè)置最大最小高程，進(jìn)行高程異常濾波處理，自動(dòng)濾除最大最小高程之外的點(diǎn)云，通過(guò)均值方差迭代濾波參數(shù)設(shè)置進(jìn)行批量均值方差迭代高程異常濾波，再進(jìn)行批量粗分類，提取出植被、道路、房屋、水體等非地面點(diǎn)和地面點(diǎn)，實(shí)現(xiàn)點(diǎn)云高效濾波，并生成高精度DEM。地表覆蓋精細(xì)分類、植被與建筑物提取分類、不同類別提取、生成的DEM 分別如圖3 到圖6 所示。

圖3 地表覆蓋精細(xì)分類

圖4 植被與建筑物提取分類

圖5 不同類別提取效果

實(shí)驗(yàn)針對(duì)復(fù)雜城市場(chǎng)景，采用一種改進(jìn)的深度圖像區(qū)域生長(zhǎng)分割和基于鄰域語(yǔ)義信息合并地面點(diǎn)的濾波算法。首先，根據(jù)密集匹配點(diǎn)云特點(diǎn)，用平面點(diǎn)云密度自適應(yīng)設(shè)置虛擬格網(wǎng)尺寸；其次，基于坡度濾波思想，估計(jì)區(qū)域生長(zhǎng)條件閾值；最后，針對(duì)封閉區(qū)域地面點(diǎn)，沿實(shí)驗(yàn)區(qū)域建筑物主、次方向分析鄰域語(yǔ)義信息，實(shí)現(xiàn)地面點(diǎn)完整分割。實(shí)驗(yàn)表明，該算法對(duì)地物底部邊緣不清晰、密度不同的數(shù)據(jù)表現(xiàn)出較好的適應(yīng)性，人工交互少，濾波效果理想、速度快，可改善密集匹配點(diǎn)云部分地物底部邊緣不清晰引起錯(cuò)分和區(qū)域生長(zhǎng)無(wú)法分割建筑物非連通區(qū)域的問(wèn)題。

3 結(jié)語(yǔ)

本次研究圍繞密集匹配點(diǎn)云的數(shù)據(jù)結(jié)構(gòu)特點(diǎn)、高程精度評(píng)價(jià)、濾波、建筑物提取等問(wèn)題展開(kāi)。點(diǎn)云濾波是當(dāng)前三維重建技術(shù)領(lǐng)域的研究熱點(diǎn)，也是許多無(wú)人駕駛應(yīng)用數(shù)據(jù)處理過(guò)程中至關(guān)重要的一步。在環(huán)境測(cè)繪、無(wú)人駕駛等領(lǐng)域，由于道路地形錯(cuò)綜復(fù)雜、地貌廣闊以及被掃描物體表面反射率的差異，激光雷達(dá)設(shè)備采集到的點(diǎn)云數(shù)據(jù)常常帶有許多噪聲，并且在數(shù)據(jù)采集過(guò)程中由于建筑物與障礙物遮擋，幀與幀之間的點(diǎn)云數(shù)據(jù)重疊率較低，這直接影響后續(xù)的三維場(chǎng)景重建與無(wú)人駕駛系統(tǒng)最終的決策。因此，對(duì)激光雷達(dá)的點(diǎn)云數(shù)據(jù)處理研究就顯得非常重要。