基于高程突变过滤算法的LiDAR点云数据噪声点剔除研究-测绘-技术专栏-GIS空间站

摘要：针对LiDAR点云数据，利用Delaunay算法建立三角网，在此基础之上，提出基于邻近点搜索的高程突变过滤算法，对LiDAR点云数据进行噪声点剔除。采用Visual Basic编程实现本文方法，对LiDAR点云数据进行噪声点剔除实验，结果表明：基于邻近点搜索的高程突变的过滤算法能在一定程度上有效的剔除LiDAR点云数据的噪声点。

1 引言

机载激光雷达(LiDAR)是由激光扫描仪、全球定位系统(GPS)和惯性导航系统(INS)三部分组成，可以直接快速地获取地球表面的三维空间信息[1-2]。原始LiDAR 点云具有点密集度高、数据量大两大典型特点，并且在扫描过程中容易产生一定数量的噪声点，主要包括无穷远点(如天空)和杂质点(如树木，玻璃等)。这些点信息对数据处理与三维模型重建产生负面影响，因此需将这些无效点或干扰点去除。

LiDAR点云数据去噪处理是LiDAR点云数据过滤的基础，是点云数据过滤的其中一部分。任何基于光谱信息、回波次数、回波强度的点云数据过滤要在已经去噪的点云数据基础上进行。

本文在Delaunay三角网的基础上，根据点云特征点高程突变方面的特性用Visual Basic编程实现去噪处理。

2 LiDAR点云数据去噪处理

产生噪声点主要因素可分为三类：A：由被测对象表面因素产生的误差，比如表面粗糙程度、波纹、表面材质等，当被测量表面粗糙值较低或光泽比较亮时(如玻璃、金属等)，会使激光束在漫反射的同时发生较强的镜面反射而产生测量误差；B：由扫描系统引起的误差，如测量设备的精度、摄像机的分辨率，振动等等；C：偶然噪声或背景噪声，在扫描过程中由于偶然因素成为扫描数据的一部分(如飞鸟等运动物体、无回波信息的局部空洞)。噪声将直接影响地物识别、分类以及建筑物等模型重建的质量，容易导致重构曲线、曲面不光滑。

噪声点在高程突变方面表现出来的特性为目标点与其所有邻近点之间都具有明显的高程变化且幅度大。本文以LiDAR点云原始数据为基础，首先要构建Delaunay三角网，再依据三角网记录存储各点的拓扑关系，最后根据高程突变这一特点，进行噪声点的剔除。

2.1 构建Delaunay三角网及检索邻近点算法描述

Delaunay三角网是点云转换成TIN的一种常用表现形式，用来表示数字高程模型，表达空间离散点之间的邻近关系。在Delaunay三角网中两点邻近的判定条件也可以根据两点之间是否有边相连，因而，在Delaunay三角网中某点邻近点的数量等同于该点所关联边的数量[4-5]。

此过滤方法的关键在于如何从Delaunay三角网中获取各点之间的拓扑关系，即判定点与点之间是否相邻。本文中构建Delaunay三角网的算法为逐点插入法，逐点插入算法的基本步骤是：

（1）定义一个包含所有数据点的初始多边形

（2）在初始多边形中建立初始三角网，然后迭代以下步骤，直至所有数据点都被处理

（3）插入一个数据点P，在三角网中找出包含P的三角形t, 把P与t的三个顶点相连, 生成三个新的三角形

（4）用LOP算法优化三角网。

具体算法流程图如图1所示：

图1.构建Delaunay三角网流程图

在构建完Delaunay三角网的基础上，选取数据中第一点作为目标点，然后在Delaunay三角网中进行检索，检索以一个三角形为单位，如果目标点在此三角形中，则三角形的其余两点与目标点相邻，存入邻近点数组。如此对Delaunay三角网中的所有三角形进行检索，则在临近点数组中都为该目标点的临近点，再对临近点数组中的点进行剔除重复点的工作，由于构建的是三角网，则重复点的重复数不可能超过2个，这为剔除重复点提供了极大的方便。剔除重复点后的邻近点就是该目标点的所有邻近点。如此对构网的所有点进行检索邻近点的工作，检索邻近点流程图如图2所示。邻近点与目标点进行角度和高差的比较，在阈值之内的保留，超出阈值的剔除，剔除之后，进行重新构网。