基于紋理特征的LiDAR點(diǎn)云植被濾波方法研究

學(xué)士學(xué)位論文 論文題目： 基于紋理特征的LiDAR點(diǎn)云植被濾波方法研究作 者： 藍(lán)建航導(dǎo) 師： 董衛(wèi)華系別、年級(jí)： 地理學(xué)與遙感科學(xué)學(xué)院 2009級(jí)學(xué)科、專業(yè)： 地理科學(xué)完成日期： 2013年5月目錄摘要IVAbstractV1 引言61.1 研究背景及意義61.2 國(guó)內(nèi)外研究進(jìn)展81.2.1 植被濾波81.2.2 紋理特征分析121.3 研究目標(biāo)及內(nèi)容132 研究方法與技術(shù)路線142.1 技術(shù)路線142.2 LiDAR數(shù)據(jù)預(yù)處理142.2.1 異常點(diǎn)剔除142.2.2 LiDAR點(diǎn)云四叉樹(shù)網(wǎng)格組織152.2.3 LiDAR點(diǎn)云插值182.3 紋理特征值選取192.3.1 高程特征192.3.2 其它特征202.3.3 特征篩選202.4 植被濾波212.4.1 城市數(shù)字高程模型212.4.2 植被濾波213 實(shí)驗(yàn)過(guò)程與分析223.1 實(shí)驗(yàn)數(shù)據(jù)223.2 LiDAR點(diǎn)云預(yù)處理233.3紋理特征選取253.4 植被濾波273.4.1 地面濾波273.4.2 建筑濾波273.4.3 植被濾波283.5 精度檢驗(yàn)294 結(jié)論與展望30參考文獻(xiàn)31致謝35摘要本文針對(duì)LiDAR點(diǎn)云數(shù)據(jù)，提出一種基于共面性紋理特征的點(diǎn)云植被濾波方法。首先利用四叉樹(shù)網(wǎng)格配合插值圖像管理點(diǎn)云數(shù)據(jù)，使用基于坡度和高程的窗口自適應(yīng)方法來(lái)提取城市數(shù)字高程模型，再通過(guò)對(duì)比不同紋理特征間的相關(guān)性，選用擬合平面的相關(guān)系數(shù)、坡度、投影方面、凹凸方向作為植被濾波的紋理信息組合，最后配合LiDAR點(diǎn)云激光反射強(qiáng)度、回波次數(shù)實(shí)現(xiàn)植被濾波。研究結(jié)果表明：1）共面紋理特征可以反映地物形狀特征、植被回波次數(shù)多于地面和建筑，激光反射強(qiáng)度從大到小依次是植被、建筑、地面； 2）植被類型豐富，在共面性紋理特征總體表現(xiàn)為分布范圍廣、變化大，區(qū)別于地面或人工地物；3）本方法對(duì)樹(shù)木的濾波效果良好，但對(duì)于草坪、低矮灌木、藤蔓植物難以分割。關(guān)鍵詞：LiDAR，植被濾波，紋理特征，共面性AbstractThis paper proposes a new method based on coplanarity texture features to filter vegetation points from LiDAR point cloud. First, using a quad tree grid and an interpolated image to manage data. Second, use the slope and elevation-based adaptive window method to extract urban digital elevation models, and through the contrast between the texture features, the choice of fitting plane correlation coefficient , slope, projection, bump direction as vegetation filter combination of texture information, and finally with the LiDAR point cloud laser reflection intensity, echo the number of vegetation filtering. The results show that: 1) coplanar texture features can reflect the characteristics of the feature shape, vegetation echo times more than the ground and construction, the laser reflection intensity decreasing order of vegetation, buildings, ground; 2) rich vegetation types in total surface texture features overall performance for the distribution of a wide range of changes to distinguish it from the ground or artificial surface features; 3) the method of trees a good filtering effect, but for the lawn, low shrubs, vines difficult to separate.KEY WORDS：LIDAR, Vegetation filtering, Elevation Texture Features, Coplanarity371 引言1.1 研究背景及意義激光雷達(dá)掃描測(cè)距技術(shù)（Light Detection and Ranging）是從20世紀(jì)60年代發(fā)展起來(lái)的一門高新技術(shù)。LiDAR技術(shù)集全球定位系統(tǒng)（Global Position System, GPS）和慣性導(dǎo)航系統(tǒng)（Inertial Navigation System, INS）為一體，測(cè)量激光發(fā)射和接收時(shí)間間隔，計(jì)算發(fā)射點(diǎn)與目標(biāo)點(diǎn)之間的距離，從而獲得目標(biāo)點(diǎn)的三維信息。根據(jù)工作平臺(tái)的不同，激光雷達(dá)可以分為星載激光雷達(dá)、機(jī)載激光雷達(dá)和車載激光雷達(dá)三種類型，其尺度逐漸減小，采樣密度逐漸增大。其中，機(jī)載激光雷達(dá)是目前獲取地面點(diǎn)云數(shù)據(jù)，構(gòu)建精細(xì)尺度地表模型最為主要的數(shù)據(jù)源。根據(jù)數(shù)據(jù)類型的不同，激光雷達(dá)數(shù)據(jù)可分為離散型和全波型。離散型是通過(guò)發(fā)射小足跡（例如10cm）的激光束從而獲得每一點(diǎn)的三維信息，全波型是通過(guò)發(fā)射較大足跡（例如10m）的通量脈沖測(cè)量不同時(shí)間返回的通量強(qiáng)度。離散型數(shù)據(jù)位置精度，全波型數(shù)據(jù)信息豐富，應(yīng)用上各有優(yōu)劣。LiDAR技術(shù)是遙感技術(shù)領(lǐng)域的一場(chǎng)革命。同其它數(shù)據(jù)源相比，機(jī)載激光雷達(dá)數(shù)據(jù)的優(yōu)勢(shì)主要體現(xiàn)高精度、強(qiáng)穿透、密采樣、短周期。1）機(jī)載雷達(dá)具有極高的測(cè)量精度，不論是在水平方向還是在垂直方向上，精度都能達(dá)到分米級(jí)。張艷亭等人就Lair-LiDAR輕小型機(jī)載激光掃描儀的地面精度進(jìn)行了評(píng)價(jià)，平面精度大約在0.250.5m之間，高程精度大約在0.050.2m之間1。2）激光雷達(dá)具有極強(qiáng)的穿透性，能夠通過(guò)多次記錄多次回波，獲取地面信息，反應(yīng)地物的結(jié)構(gòu)信息，即使在比較密集的叢林中，也能起到比較好的效果。3）激光雷達(dá)的采樣密度一般在每平米幾個(gè)到幾十個(gè)點(diǎn)，能比較全面的獲得地面的特征信息。4）LiDAR數(shù)據(jù)速度更快，周期短，更加靈活，大大節(jié)約了測(cè)量成本。LiDAR數(shù)據(jù)空間分辨率高、能夠穿越林木遮擋，直接獲取地表的高程信息，在快速獲取高精度地表信息有很大優(yōu)勢(shì)。LiDAR技術(shù)最早應(yīng)用于數(shù)字高程模型（Digital Elevation Model, DEM）的提取2-5。隨著LiDAR技術(shù)的發(fā)展，研究人員已不滿足于單純提取地表高程信息，開(kāi)展了大量利用LiDAR數(shù)據(jù)提取地物的研究工作。在建筑物提取方向，有的單獨(dú)利用LiDAR點(diǎn)云提取建筑物信息6-8，有的結(jié)合遙感影像以提取建筑物9-11。在植被提取方向，有對(duì)森林參數(shù)反演進(jìn)行研究12, 13，或?qū)?shù)木結(jié)構(gòu)進(jìn)行建模從而區(qū)分植物類型14-16。除此之外，LiDAR技術(shù)還應(yīng)用于汽車跟蹤系統(tǒng)17，地震損失估算18，二氧化碳柱密度測(cè)定19等領(lǐng)域。作為一門高新技術(shù)，LiDAR技術(shù)在地球科學(xué)中發(fā)揮著重要作用，為解決問(wèn)題提供了一種全新的方法。植被信息的獲取是LiDAR技術(shù)的重要應(yīng)用方向。就陸地生態(tài)系統(tǒng)而言，森林是其重要組成部分。它在為人類提供林木資源、調(diào)節(jié)氣候、維持生物多樣性、維護(hù)生態(tài)平衡等方面發(fā)揮重要作用。目前我國(guó)為統(tǒng)計(jì)全國(guó)最新的森林資源信息，在全國(guó)建立了25萬(wàn)個(gè)固定樣地，采用人工作業(yè)的方式每五年進(jìn)行一次清查20。該方法耗時(shí)耗力，需要投入大量的人力物力，且清查周期長(zhǎng)。就城市生態(tài)系統(tǒng)而言，城市綠地是其自然生態(tài)系統(tǒng)的基礎(chǔ)部分，在改善環(huán)境質(zhì)量、美化景觀、維護(hù)城市生態(tài)平衡等方面起著重要作用21。城市綠地資產(chǎn)的清查與估算對(duì)城市規(guī)劃及生態(tài)建設(shè)有重要的意義。LIDAR技術(shù)是一種主動(dòng)遙感技術(shù)，可以獲得從森林冠層表面到林下地形之間詳細(xì)的三維結(jié)構(gòu)信息。LIDAR 與傳統(tǒng)的被動(dòng)光學(xué)遙感技術(shù)（例如航空攝影測(cè)量、陸地資源衛(wèi)星）和主動(dòng)雷達(dá)技術(shù)（例如合成孔徑雷達(dá)）相比，在森林冠層垂直結(jié)構(gòu)測(cè)量方面具有無(wú)可比擬的優(yōu)勢(shì)。被動(dòng)光學(xué)傳感器僅能獲取水平空間的二維影像，不能獲取三維結(jié)構(gòu)信息；極化干涉雷達(dá)雖然能夠測(cè)量植被的三維結(jié)構(gòu)信息，但目前機(jī)、星載的極化干涉 SAR 數(shù)據(jù)還都相當(dāng)難于獲取。由于LiDAR技術(shù)在估測(cè)森林參數(shù)上有獨(dú)特的優(yōu)勢(shì)，不僅能獲取林木的水平結(jié)構(gòu)，還得生成垂直結(jié)構(gòu)的冠層空間信息。利用LiDAR數(shù)據(jù)提取植被，LiDAR技術(shù)的一大應(yīng)用方向。趙峰等人總結(jié)了激光雷達(dá)數(shù)據(jù)在森林資源調(diào)查中的應(yīng)用，上取得了理想成果22。LiDAR技術(shù)提取植被的主要方向在通過(guò)濾波后的植被點(diǎn)云，提取樹(shù)木模型或植被參數(shù)，從而進(jìn)行樹(shù)種的判別和森林資產(chǎn)的估算，如圖1。植被參數(shù)的提取包括林區(qū)平均圖 1 LiDAR植被提取主要方向樹(shù)高23、林冠郁閉度24、生物量25等。樹(shù)木模型不僅包括利用單株樹(shù)木的點(diǎn)云數(shù)據(jù)建立單株樹(shù)木模型，還包括生成森林骨架場(chǎng)景的林木建模26。此外，Shijun Tang等人通過(guò)提取樹(shù)高、冠層面積、冠層等面積半徑、樹(shù)干大小等參數(shù)，以區(qū)分紅木、橡樹(shù)、道格拉斯冷杉27。在LiDAR點(diǎn)云的數(shù)據(jù)處理中，濾波（Filter）是指將點(diǎn)云數(shù)據(jù)具有某種特征的點(diǎn)云同非該特征的點(diǎn)云分開(kāi)的過(guò)程。一方面，它有別于將圖像中噪聲濾除的圖像濾波；另一方面，同對(duì)每個(gè)點(diǎn)屬性進(jìn)行判別的點(diǎn)云分類相比，濾波側(cè)重于某種屬性點(diǎn)云的挑選，可以看作是點(diǎn)云分類的特例。由于LiDAR點(diǎn)云濾波最早是針對(duì)地面點(diǎn)的提出的，常指地面點(diǎn)與非地面點(diǎn)的區(qū)分，非地面點(diǎn)通常包括建筑物、樹(shù)木、低矮植被。為更好得論述，本文針對(duì)濾波及相關(guān)概念作以下定義：l 點(diǎn)云（Points Cloud），LiDAR獲取的三維點(diǎn)集；l 濾波（Filter），將符合某些特征的點(diǎn)云從初始點(diǎn)云中提取出的過(guò)程；l 地面濾波（Ground Filter），將地面點(diǎn)從初始點(diǎn)云中提取出的過(guò)程；l 將植被點(diǎn)（Vegetation Filter），將植被點(diǎn)從初始點(diǎn)云中提取出的過(guò)程；l 濾波對(duì)象（Filter Target），濾波所提取的對(duì)象；l 濾波特征（Filter Property），在濾波中應(yīng)用到點(diǎn)云特征。有效的地面濾波可以良好的區(qū)分地面點(diǎn)及非地面點(diǎn)，其中地面點(diǎn)可用于生成高精度的數(shù)字高程模型（Digital Elevation Model），非地面點(diǎn)可用于進(jìn)一步提取相關(guān)地物。在LiDAR點(diǎn)云數(shù)據(jù)的處理及應(yīng)用中，地面濾波是一項(xiàng)基礎(chǔ)而關(guān)鍵的任務(wù)?？梢哉f(shuō)高效精確的地面濾波算法是LiDAR點(diǎn)云數(shù)據(jù)處理的基石。正如地面濾波對(duì)DTM構(gòu)建的重要性一樣，高效精確的將植被點(diǎn)云分離出來(lái)對(duì)植被的提取與建模也是至關(guān)重要的。植被提取是LiDAR技術(shù)應(yīng)用的重要方向，而植被濾波效果的好壞直接影響后續(xù)的處理。一方面，現(xiàn)有的植被濾波方法多在地面濾波的基礎(chǔ)上進(jìn)行，沒(méi)有很強(qiáng)的針對(duì)性。另一方面，單獨(dú)對(duì)植被濾波方法進(jìn)行分類的具體操作細(xì)節(jié)較少討論，增加了植被濾波的難度?？偠灾?，如何高效得進(jìn)行植被濾波，對(duì)應(yīng)用LiDAR數(shù)據(jù)提取植被有重要意義。1.2 國(guó)內(nèi)外研究進(jìn)展1.2.1 植被濾波植被濾波是指將點(diǎn)云數(shù)據(jù)中的植被點(diǎn)同非植被點(diǎn)分離開(kāi)，這一概念是對(duì)地面濾波的拓展。植被濾波方法主要分成兩類，一是在地面濾波的基礎(chǔ)上對(duì)植被點(diǎn)進(jìn)行判別，二是對(duì)原始LiDAR點(diǎn)云數(shù)據(jù)直接計(jì)算以達(dá)到分離植被的效果。下面將對(duì)這兩類方法進(jìn)行敘述。1.2.1 基于地面濾波的植被濾波LiDAR點(diǎn)云數(shù)據(jù)包括地面點(diǎn)和非地面點(diǎn)，其中非地面點(diǎn)主要包括植被、建筑物、墻體、橋梁、交通工具、電線等。濾波的主要思路是根據(jù)濾波特征的差異將濾波對(duì)象從初始點(diǎn)云中提取出來(lái)。由于植被濾波中有很多方法是基于地面濾波進(jìn)行的，所以有必要了解主要的地面濾波方法，并在此基礎(chǔ)上探討后續(xù)的植被濾波方法。（1） 地面濾波的主要方法已有研究中，學(xué)者提出眾多地面濾波方法。LiDAR點(diǎn)云數(shù)據(jù)類型、回波次數(shù)、點(diǎn)密度、預(yù)處理過(guò)程、迭代特征是濾波方法的重要考慮因素目前，LiDAR點(diǎn)云數(shù)據(jù)的地面濾波主要基于高程差異和坡度差異。一般認(rèn)為，相鄰地面點(diǎn)之間高差較小，而相鄰地面點(diǎn)和非地面點(diǎn)之間高差較大；相鄰地面點(diǎn)之間的坡度較小，而相鄰地面點(diǎn)和非地面點(diǎn)之間的坡度較大28。常用的地面濾波方法可以分成以下幾類。a. 基于插值的地面濾波（Interpolation-Based G-Filters）基于插值的地面濾波的主要思路是：首先根據(jù)初始點(diǎn)云插值擬合一個(gè)曲面，再計(jì)算每個(gè)點(diǎn)云高程同插值估算的高程差值，再通過(guò)閾值判定。Kraus等人29通過(guò)以距離和高程為權(quán)重的線性預(yù)測(cè)提取多木地帶的地面點(diǎn)。W Su等人30首先獲取特定大小窗口內(nèi)的最小值，再利用每個(gè)窗口的最小值通過(guò)二元二次多項(xiàng)式插值，最后設(shè)定閾值提取農(nóng)場(chǎng)地面點(diǎn)。論文31利用薄板樣條插值的同時(shí)逐步增加窗口大小，以解決窗口大小的選取問(wèn)題?；诓逯档牡孛鏋V波需要結(jié)合實(shí)際考慮選用的插值方法、窗口大小、閾值大小。這種地面濾波方法適合于坡度變化比較小的地區(qū)，對(duì)于地形起伏大的區(qū)域，該方法效果不佳32, 33。b. 基于形態(tài)學(xué)的地面濾波（Morphology-Based G-Filter）數(shù)學(xué)形態(tài)學(xué)可以解決物體形態(tài)及形態(tài)測(cè)量的問(wèn)題，形態(tài)學(xué)地面濾波在去除植被建筑等非地面點(diǎn)上取得成功。Kilian 34較早利用形態(tài)學(xué)移除非地面點(diǎn)，對(duì)給定窗口大小執(zhí)行開(kāi)運(yùn)算，檢測(cè)最小值，之后將與最小值的一定高度差內(nèi)的點(diǎn)選做地面點(diǎn)。Lohmann 35提出雙等級(jí)形態(tài)學(xué)地面濾波，Zhang K 36使用一種優(yōu)化的形態(tài)學(xué)地面濾波方法，給出窗口大小選擇的變化函數(shù)。典型的形態(tài)學(xué)處理包括侵蝕算法膨脹算法、開(kāi)運(yùn)算、閉運(yùn)算。對(duì)于LiDAR點(diǎn)云p(x,y,z)，膨脹算法定義如式1-1所示，侵蝕算法定義為如式1-2所示。 式1-1 式1-2是在指定大小搜索窗口w中的最大值，是在指定大小搜索窗口w中的最小值。開(kāi)運(yùn)算定義為先進(jìn)行侵蝕再膨脹，閉運(yùn)算則是先進(jìn)行膨脹再侵蝕。通過(guò)選擇適合的窗口大小，通過(guò)組合形態(tài)學(xué)處理，可以有效得剔除地面點(diǎn)。基于形態(tài)學(xué)的地面濾波方法，可以用小窗口較快得剔除植被點(diǎn)。對(duì)于建筑物，則采用重復(fù)漸大的窗口進(jìn)行剔除。在形態(tài)學(xué)地面濾波過(guò)程中，窗口的大小對(duì)于地面濾波的效果起到重要影響，如何選取合適的窗口大小，是進(jìn)行形態(tài)學(xué)地面濾波的關(guān)鍵問(wèn)題34。c. 基于幾何形態(tài)的地面濾波（Geometric-Shape-Based G-Filter）通過(guò)考慮地面點(diǎn)同非地面點(diǎn)的幾何形態(tài)的差異是地面濾波的另一個(gè)主要方向。常用的幾何形態(tài)包括最小值（Local Minimum）和坡度（Slope）兩種。基于最小值的地面濾波方法認(rèn)為地面點(diǎn)在其所屬鄰域內(nèi)是最小值。Sithole 37將同指定窗口大小中的最小值高程差小于一定閾值的點(diǎn)標(biāo)記為地面點(diǎn)。Vga C 38對(duì)這種算法進(jìn)行了拓展：提取表面單元的最低點(diǎn)，利用高程閾值去除非地面點(diǎn)，使用鄰域統(tǒng)計(jì)進(jìn)一步去除地面點(diǎn)。基于坡度的地面濾波方法認(rèn)為加上非地面目標(biāo)后的地表起伏狀況和自然地表起伏狀況是不同的33。該方法通過(guò)定義鄰近兩點(diǎn)之間的坡度值，如若地面點(diǎn)和其鄰近點(diǎn)的坡度小于給定的閾值，則將該點(diǎn)認(rèn)定為地面點(diǎn)，否則將該點(diǎn)定義為非地面點(diǎn)39。Jiping Liu16認(rèn)為平頂建筑物屋頂坡度同道路的坡度相近，用以往的坡度濾波難以區(qū)分，提出一種優(yōu)化模型，引入坡度相鄰性及高程作為限制條件，有效得解決了這一問(wèn)題?；谄露鹊牡孛鏋V波方法在坡度起伏幅度較為和緩區(qū)域能起到較好的濾波效果，但是，當(dāng)?shù)匦螐?fù)雜，變化大時(shí)，定義相鄰兩點(diǎn)之間的坡度的閾值很難，同時(shí)，相鄰兩點(diǎn)之間的坡度還受到距離的影響，如果LiDAR點(diǎn)云采樣空間分布不均勻，那么如何消除距離原因造成的角度的變化也是一個(gè)難點(diǎn)36。d. 基于分割聚類的地面濾波（Segment-and Cluster-based G-Filter）分割聚類是土地利用和土地覆蓋常用的分類方法，有些學(xué)者將該方法運(yùn)用在點(diǎn)云濾波上。Filin S 40利用高程、相鄰高程差、坡度等屬性將點(diǎn)云聚類分成四種類型。Jacobsen K 41利用e-cognition專家規(guī)則將LiDAR分成7種類型。Tvri D 42通過(guò)種子點(diǎn)進(jìn)行區(qū)域增長(zhǎng)，之后根據(jù)數(shù)學(xué)度量將其他點(diǎn)加入到增長(zhǎng)區(qū)域中。實(shí)驗(yàn)顯示，基于分割和聚類的地面濾波會(huì)擴(kuò)大非地面區(qū)域，點(diǎn)云的錯(cuò)分增加，對(duì)地物紋理的一致性有較大的要求。除了上述地面濾波方法外，還有一些較不常用的地面濾波方法。1）不同地物反射能力的不同，通過(guò)激光雷達(dá)反射能量的不同實(shí)現(xiàn)地面點(diǎn)和非地面點(diǎn)的分離43。由于激光雷達(dá)接收到的反射能量信噪比較低，需要經(jīng)過(guò)校準(zhǔn)后才能用于濾波之中，其處理過(guò)程相對(duì)復(fù)雜，仍需進(jìn)一步的研究。2）假定在裸露的地表是光滑無(wú)尖角的，因此有較強(qiáng)曲率的是非地面點(diǎn)。首先建立TIN，再將TIN轉(zhuǎn)化成曲率數(shù)據(jù)，之后進(jìn)行閾值比較，從而確定地面點(diǎn)44?；谌蔷W(wǎng)格的濾波本質(zhì)上是基于幾何形態(tài)濾波的一種，但由于其獨(dú)特的數(shù)據(jù)組織方式，常單獨(dú)分類。在所有的地面濾波方法中，如何自動(dòng)化選擇窗口大小及閾值大小一直是主要問(wèn)題。不恰當(dāng)?shù)拇笮?huì)引起地物點(diǎn)剔除不足或者地物點(diǎn)的過(guò)度保留。不同的地面濾波方法適用于不同的場(chǎng)景，基于插值的濾波簡(jiǎn)單易行，基于形態(tài)學(xué)的濾波適用于剔除植被，基于幾何形態(tài)的濾波在地表平緩區(qū)域發(fā)揮優(yōu)勢(shì)，基于分割聚類的方法對(duì)地物的均一性有較大要求。目前沒(méi)有一種地面濾波方法，適用于所有場(chǎng)景。（2） 植被濾波的后續(xù)處理林區(qū)中的LiDAR點(diǎn)只有地面點(diǎn)和林木點(diǎn)，將地面點(diǎn)提取出來(lái)之后剩下的便是地面點(diǎn)。根據(jù)這個(gè)思路，王永平45在LiDAR地面濾波的基礎(chǔ)上內(nèi)插成DEM，再比較各激光點(diǎn)與DEM的高程差，將大于0.2m的分為植被點(diǎn)。周淑芳46通過(guò)計(jì)算nDSM，再利用航空像片輔助目視差別，提取單木的LiDAR點(diǎn)。楊海全47等人在剔除地面點(diǎn)之后，對(duì)非地面點(diǎn)計(jì)算方差，方差大于指定閾值的點(diǎn)為植被點(diǎn)。在居民區(qū)，除了地面點(diǎn)還有建筑物，植被濾波相較林區(qū)更為復(fù)雜。李杰48等人利用方形結(jié)構(gòu)進(jìn)行開(kāi)運(yùn)算，過(guò)濾地面點(diǎn)和建筑點(diǎn)，最后得到植被點(diǎn)。1.2.1.2 不通過(guò)地面濾波的植被濾波（1）基于植被特征在這些非地面點(diǎn)中，植被點(diǎn)有兩個(gè)顯著特征。一是同一樹(shù)木的點(diǎn)幾乎不共面，二是同一樹(shù)木的點(diǎn)分布于不同的回波中。Jiping Liu16根據(jù)樹(shù)木點(diǎn)的非共同及多次回波特征，首先利用三維Hough變換進(jìn)行并以點(diǎn)到面的距離為約束條件進(jìn)行區(qū)域增長(zhǎng)分割，將點(diǎn)云分成許多同面區(qū)域。之后利用非共面區(qū)域的面積大小、回波次數(shù)、高程值對(duì)同屬性地物進(jìn)行分類。（2） 基于主動(dòng)輪廓模型法主動(dòng)輪廓模型是在由輪廓自身特征決定的內(nèi)部通量和圖像特征的外部通量共同作用下通量極小化的輪廓曲線，可用于邊緣檢測(cè)、運(yùn)動(dòng)跟蹤、圖像匹配、計(jì)算機(jī)視頻、三維重構(gòu)等圖像處理領(lǐng)域49。主要通過(guò)內(nèi)力約束形狀，外力引導(dǎo)行為，在不斷的運(yùn)動(dòng)中獲得最小通量的樣條。Weinacker 等人50通過(guò)局部最大值法確定輪廓起使位置，進(jìn)而利用主動(dòng)輪廓方法獲得植被輪廓，落于輪廓內(nèi)部?jī)?nèi)可認(rèn)為是植被點(diǎn)。Shijun Tang等人27根據(jù)點(diǎn)高度大小分成若干層LiDAR點(diǎn)云，對(duì)每一層LiDAR點(diǎn)云定義足夠在的起始輪廓，再進(jìn)行主動(dòng)輪廓收縮，獲得不同高度的植被點(diǎn)云。（3）基于支持向量模型根據(jù)植被同其他地物類型的不同，構(gòu)建顯著有效的點(diǎn)云特征，再根據(jù)該點(diǎn)云特征計(jì)算出不同分割單元的特征，從而達(dá)到區(qū)分植被同其他地物的目的。陳棟針對(duì)離散雷達(dá)系統(tǒng)數(shù)據(jù)，提取基于輻射、高程、局部平面、多次回波、特征值和曲率等六種特征，用SVM監(jiān)督分類#。1.2.2 紋理特征分析紋理是一種反映圖像中同質(zhì)現(xiàn)象的視覺(jué)特征，體現(xiàn)了物體表面共有的內(nèi)在屬性，包含了物體表面結(jié)構(gòu)組織排列的重要信息以及它們與周圍環(huán)境的聯(lián)系51, 52。由于紋理基元及其分布形態(tài)復(fù)雜多樣，人們對(duì)紋理的感覺(jué)和心理效果的想結(jié)合，很難用語(yǔ)言文字來(lái)描述53。為了對(duì)紋理的基本元素媽紋理基元（紋元）進(jìn)行描述，研究提取了主要的四種分析方法，包括統(tǒng)計(jì)分析方法、結(jié)構(gòu)分析方法、模型分析方法、頻譜分析方法。紋理分析在目標(biāo)識(shí)別與分析、紋理合成、圖像檢索、運(yùn)動(dòng)分析中都有長(zhǎng)足的應(yīng)用。隨著LiDAR技術(shù)的成熟，有學(xué)者將紋理分析方法應(yīng)用于LiDAR地物提取。張皓等人54基于灰度共生矩陣采用非監(jiān)督分類提取建筑物。喬紀(jì)綱等人55根據(jù)灰度共生矩陣采用精神網(wǎng)絡(luò)模型將地物分成建筑、水體、林地、草地、裸地等五種類型。Lucieer等人56根據(jù)局部二值特征（local binary pattern）結(jié)合區(qū)域增長(zhǎng)法LiDAR影像進(jìn)行分割?？偟脕?lái)說(shuō)，已有的植被濾波方法間缺少對(duì)比，植被濾波也作為植被輪廓、冠層高度模型、單木參數(shù)估測(cè)、單木三維模型等研究的部分內(nèi)容進(jìn)行，缺少深入研究。已有紋理分析提取LiDAR地物的研究中，專門針對(duì)植被特征的研究較少，多是建筑物或者整體LiDAR影像分類。植被由于其冠層形態(tài)（如非共面特征、斜率、熵值）、回波的多次穿透作用，同建筑物、水體、道路的紋理特征有較大區(qū)別。1.3 研究目標(biāo)及內(nèi)容植被濾波對(duì)LiDAR數(shù)據(jù)在植被提取的后續(xù)步驟上有重要作用。根據(jù)LiDAR點(diǎn)云計(jì)算不同的紋理特征，比較各種特征在區(qū)分植被上的效果，并將效果良好的紋理特征用于植被濾波。研究的主要內(nèi)容包括：l 構(gòu)建植被的紋理特征，比較紋理特征的適用性；l 保留效果良好的紋理特征，并利用該特征進(jìn)行植被濾波。2 研究方法與技術(shù)路線2.1 技術(shù)路線植被濾波總體技術(shù)路線如下圖所示，可分為三個(gè)部分。1）數(shù)據(jù)預(yù)處理。數(shù)據(jù)預(yù)處理的目的是剔除激光點(diǎn)云中的異常點(diǎn)，并生成對(duì)應(yīng)的柵格數(shù)據(jù)，利用四叉樹(shù)網(wǎng)格組織激光點(diǎn)云數(shù)據(jù)。2）紋理特征選取。計(jì)算并分析不同紋理特征分割植被的效果。3）植被濾波。利用紋理特征，選定閾值，進(jìn)行植被分割，對(duì)生成對(duì)應(yīng)的植被點(diǎn)云。圖 2 植被濾波總體技術(shù)路線圖2.2 LiDAR數(shù)據(jù)預(yù)處理2.2.1 異常點(diǎn)剔除異常點(diǎn)是指在LiDAR數(shù)據(jù)采集過(guò)程中，由于受到空中飛行物（如鳥(niǎo)類等）和地面水體以及地面多次反射的影響，會(huì)形成一些相對(duì)于周圍點(diǎn)而言異常高的點(diǎn)或異常低的點(diǎn)。由于異常點(diǎn)的高程一般遠(yuǎn)大于或遠(yuǎn)小于周圍點(diǎn)的高程，故可以根據(jù)周圍點(diǎn)的平均高程和方差來(lái)識(shí)別和剔除異常點(diǎn)。采用的公式如下： 式（2-1） 式（2-2） 式（2-3） 式（2-4）其中，為窗口內(nèi)第個(gè)點(diǎn)的高程，為窗口內(nèi)總的點(diǎn)數(shù)，為窗口內(nèi)所有點(diǎn)的平均高程，為窗口內(nèi)所有點(diǎn)的標(biāo)準(zhǔn)差，為常數(shù)，為正常點(diǎn)的最小高程，為正常點(diǎn)的最大高程。通過(guò)上述公式，選取一定的窗口大小和，將高程大于和高程小于的點(diǎn)作為異常點(diǎn)，從點(diǎn)云數(shù)據(jù)中剔除，然后移動(dòng)窗口，完成整個(gè)區(qū)域的粗差處理工作，獲得反映真實(shí)地表高低起伏信息的點(diǎn)云數(shù)據(jù)。2.2.2 LiDAR點(diǎn)云四叉樹(shù)網(wǎng)格組織LiDAR點(diǎn)云數(shù)據(jù)是由許多離散的三維點(diǎn)構(gòu)成的，如何對(duì)LiDAR數(shù)據(jù)進(jìn)行有效的組織組織，以支持快速索引、點(diǎn)云渲染和其它處理是十分重要的。目前對(duì)點(diǎn)云數(shù)據(jù)的組織與管理中常見(jiàn)的有規(guī)則格網(wǎng)、四叉樹(shù)、KD樹(shù)、KDB樹(shù)、BSP樹(shù)和R樹(shù)等。支曉棟等人57提出了一種基于四叉樹(shù)的LiDAR點(diǎn)云數(shù)據(jù)組織結(jié)構(gòu)，該方法首先計(jì)算根節(jié)點(diǎn)的外接矩形，計(jì)算四叉樹(shù)層數(shù)，利用堆棧結(jié)構(gòu)進(jìn)行四叉樹(shù)劃分。同傳統(tǒng)的遞歸四叉樹(shù)相比，該方法提高了索引構(gòu)建速度，可在數(shù)據(jù)查詢效率上有一定的降低。由于本文主要目的是研究植被濾波方法，點(diǎn)云數(shù)量并不龐大，主要要滿足兩大需求： 不同層次的網(wǎng)格對(duì)應(yīng)不同的窗口，窗口大小應(yīng)是可變的，窗口的起始位置也應(yīng)是可變的； 網(wǎng)格不僅是作為L(zhǎng)iDAR數(shù)據(jù)的管理結(jié)構(gòu)，還應(yīng)對(duì)每個(gè)網(wǎng)格內(nèi)所具有的屬性特征可拓展?；谝陨蟽牲c(diǎn)需求，本文提出一種方形四叉樹(shù)網(wǎng)格（Quad-tree Grid）來(lái)管理LiDAR點(diǎn)云數(shù)據(jù)。方形四叉樹(shù)網(wǎng)格包括根結(jié)點(diǎn)、子節(jié)點(diǎn)、葉節(jié)點(diǎn)三個(gè)層次。根結(jié)點(diǎn)對(duì)應(yīng)一塊方形區(qū)域，每個(gè)非葉節(jié)點(diǎn)又劃分為左上、右上、右下、左下四個(gè)子節(jié)點(diǎn)，葉節(jié)點(diǎn)是LiDAR點(diǎn)云數(shù)據(jù)的存儲(chǔ)單元。四叉樹(shù)網(wǎng)格的結(jié)構(gòu)如下圖所示，左邊是一個(gè)88m的LiDAR四叉樹(shù)網(wǎng)格，每個(gè)網(wǎng)格對(duì)應(yīng)右邊的結(jié)點(diǎn)層次結(jié)構(gòu)。圖 3 四叉樹(shù)網(wǎng)格結(jié)構(gòu)示意圖對(duì)于給定的葉節(jié)點(diǎn)大小w及根結(jié)點(diǎn)大小w2L，構(gòu)建四叉樹(shù)網(wǎng)格的方法如下圖所示。對(duì)于目標(biāo)區(qū)域的LiDAR點(diǎn)云，計(jì)算最小外接正方形的寬度W1，給定葉節(jié)點(diǎn)網(wǎng)格大小w，計(jì)算四叉樹(shù)層數(shù)L為滿足w2L=W1的最小整數(shù)，得到新的根節(jié)點(diǎn)網(wǎng)格大小為w2L。之后初始化根節(jié)點(diǎn)，再采用遞歸的方式生成整根樹(shù)。對(duì)于LiDAR點(diǎn)云中的每個(gè)點(diǎn)，計(jì)算其在四叉樹(shù)中對(duì)應(yīng)的葉節(jié)點(diǎn)索引，再將其插入到對(duì)應(yīng)的葉節(jié)點(diǎn)中。圖 4 LiDAR方格四叉樹(shù)網(wǎng)格生成流程圖四叉樹(shù)網(wǎng)格位置用左上角的坐標(biāo)（offsetX, offsetY）表示，子網(wǎng)格大小為L(zhǎng)eafSize，樹(shù)的層數(shù)為TreeLayer。每個(gè)網(wǎng)格有左上、右上、右下、左下四個(gè)子網(wǎng)格以及一個(gè)父網(wǎng)格。當(dāng)層數(shù)為0時(shí)代表此網(wǎng)格為葉節(jié)點(diǎn)網(wǎng)格，當(dāng)父網(wǎng)格為空時(shí)，代表此網(wǎng)格為根節(jié)點(diǎn)網(wǎng)格。對(duì)于坐標(biāo)為（x,y）的點(diǎn)，對(duì)應(yīng)葉節(jié)點(diǎn)網(wǎng)格的行列號(hào)為（Row,Column），計(jì)算方法見(jiàn)式4-1。Row=x-offsetXLeafSize;Column=y-offsetYLeafSize ; A：不大于A的最小整數(shù) 式（2-5）而獲得行列號(hào)為（R,C）的葉節(jié)點(diǎn)網(wǎng)格所對(duì)應(yīng)的第L層網(wǎng)格索引的方法和例子如下圖所示。圖 5 四叉樹(shù)網(wǎng)格搜索方法流程圖2.2.3 LiDAR點(diǎn)云插值同直接對(duì)三維點(diǎn)云紋理特征計(jì)算相比，通過(guò)對(duì)點(diǎn)云插值再計(jì)算可以提高計(jì)算效率。LiDAR點(diǎn)云插值主要面臨三個(gè)問(wèn)題。1）單元網(wǎng)格大??；2）如何利用一個(gè)像素的值來(lái)代替該像元對(duì)應(yīng)的激光點(diǎn)信息；3）對(duì)于采樣點(diǎn)的像元，如何賦值。單元網(wǎng)格大小的確定應(yīng)根據(jù)點(diǎn)云密度來(lái)確定。當(dāng)網(wǎng)格選取過(guò)大，會(huì)使過(guò)多的點(diǎn)云信息得不到反應(yīng)且面積小于網(wǎng)格大小的地物將會(huì)被剔除；當(dāng)網(wǎng)格選取過(guò)小，無(wú)效的空網(wǎng)格數(shù)據(jù)過(guò)多，使特征過(guò)度過(guò)分依賴于插值方法且增加數(shù)據(jù)處理量。利用網(wǎng)格值來(lái)代替網(wǎng)格對(duì)應(yīng)激光點(diǎn)信息時(shí)應(yīng)考慮具體的信息含義。LiDAR采集的數(shù)據(jù)主要有地面的高程、回波次數(shù)、反射能量強(qiáng)度。高程反映地物的高程信息、回波次數(shù)反映地物的穿透狀況、反射能量強(qiáng)度反映地物對(duì)激光通量光束的反射能力。高程及回波次數(shù)表征地物的形狀特征、反射能量強(qiáng)度表征地物的物理性質(zhì)。常用的位置度量值包括：最小值、最大值、平均值、中位數(shù)。假設(shè)地面點(diǎn)是水平線，三角形和正方形是地面上的地物，對(duì)于一定寬度的單元選擇最大值、最小值和平均值賦值。如下圖所示，使用最大值可以將地物包裹其中，使用最小值相當(dāng)于地物的內(nèi)核，使用均值會(huì)同地物相交。圖 6 一維場(chǎng)景下網(wǎng)格高程取不同位置度量值效果圖回波次數(shù)反映地物的土穿透能力。對(duì)于地面點(diǎn)和建筑物而言，LiDARi激光采集回波次數(shù)只有1次。而對(duì)于植被而言，激光對(duì)于稀疏的樹(shù)木冠層具有穿透作用，回波次數(shù)可達(dá)1次以上。為突出激光對(duì)不同地物的穿透能力，故應(yīng)采用各激光點(diǎn)的最大回波次數(shù)來(lái)對(duì)網(wǎng)格進(jìn)行賦值。反射能量強(qiáng)度反映地物的對(duì)激光能量反映的物理特征，是指激光束打到地物時(shí)在當(dāng)前截面反射的激光能量，不同地物的反射能力有所差異。故采用反射能量強(qiáng)度的均值來(lái)表征當(dāng)激光束打到當(dāng)前網(wǎng)格時(shí)返回的能量強(qiáng)度。空間插值方法按照不同的分類原則有不同的分法，根據(jù)其插值的基本假設(shè)和數(shù)學(xué)方法可以分為幾何插值方法（如反距離插值法）、統(tǒng)計(jì)插值方法（如趨勢(shì)面插值法）、空間統(tǒng)計(jì)插值方法（如克里金插值）、函數(shù)插值方法（如樣條函數(shù)插值）、隨機(jī)模擬插值方法（如人工神經(jīng)網(wǎng)絡(luò)方法）和綜合插值方法。考慮到網(wǎng)格賦值時(shí)并未考慮網(wǎng)格內(nèi)部激光點(diǎn)空間位置的差異性，故對(duì)網(wǎng)格進(jìn)行插值時(shí)選用最近鄰法減少對(duì)空間位置的依賴。2.3 紋理特征值選取紋理是一種反映圖像中同質(zhì)現(xiàn)象的視覺(jué)特征,體現(xiàn)了物體表面共有的內(nèi)在屬性，包含了物體表面結(jié)構(gòu)組織排列的重要信息以及它們與周圍環(huán)境的聯(lián)系51, 52。紋理特征體現(xiàn)的是該點(diǎn)或像素同其它點(diǎn)或像素的均一性或差異性。由于LiDAR點(diǎn)云是離散的三維點(diǎn)，不便直接計(jì)算紋理特征。Lucieer等人56將LiDAR點(diǎn)云插值成數(shù)據(jù)地表模型（Digital Surface Model）之后再計(jì)算紋理特征。本研究中采用最近鄰法對(duì)網(wǎng)格最大值進(jìn)行插值。特征值反映網(wǎng)格內(nèi)點(diǎn)云或網(wǎng)格間點(diǎn)云的均一性或差異性，而激光點(diǎn)主要記錄地表的高程信息、反射能量強(qiáng)度、回波次數(shù)。由于紋理特征值種類繁多，如何挑選有效的紋理特征進(jìn)行植被濾波是一個(gè)重要問(wèn)題。2.3.1 高程特征對(duì)于插值后的高程?hào)鸥駡D像I，設(shè)置給定的窗口大小w，遍歷每個(gè)像元，對(duì)對(duì)應(yīng)窗口內(nèi)的像元集P(x,y,z)計(jì)算高程特征。主要包括方差、最大坡度、平均坡度、擬合平面相關(guān)系數(shù)、擬合平面殘差、擬合平面坡度、擬合平面法向量投影方向。表所列的為高程紋理特征的計(jì)算方法及其意義。表 1 高程紋理特征列表序號(hào)紋理特征計(jì)算公式反映特征1方差i=1Nzi-zN-1反映高程均質(zhì)區(qū)域的輪廓2最大坡度Maxi,jNzi-zjxi-xj2+yi-yj2反映高程差異性，窗口內(nèi)高程變化越劇烈，值越大3平均坡度Meani,jNzi-zjxi-xj2+yi-yj2反映高程差異性，窗口內(nèi)高程變化越劇烈，值越大4平面相關(guān)系數(shù)根據(jù)最小二乘法計(jì)算而得58反映高程均勻性，窗口內(nèi)高程越均勻，值越大5平面殘差根據(jù)最小二乘法計(jì)算而得58反映高程差異性，窗口內(nèi)高程變化越劇烈，值越大6平面坡度對(duì)擬合平面：z=a*x+b*y+c平面坡度：cos-11/a2+b2+1反映高程差異性，窗口內(nèi)高程變化越劇烈，值越大7平面法向量投影方向?qū)M合平面：z=a*x+b*y+c投影方向：tan-1b,a反映高程區(qū)域朝向除上述描述的七種特征外，還增加了凹凸方向來(lái)表示該點(diǎn)與擬合平面的相對(duì)位置。8凹凸方向Z-z，z是該點(diǎn)在擬合平面的取值取值大于0向上凸，取值小于0向下凹2.3.2 其它特征除以上特征外，還用到反射能量強(qiáng)度、反射次數(shù)等信息。此外，在計(jì)算擬合平面后，比較原始高程及當(dāng)前高程值可以反映高程局部曲面的凹凸朝向，當(dāng)原始高程大于擬合高程，該點(diǎn)向上凸。當(dāng)原始高程小于擬合高程，該點(diǎn)向下凹。2.3.3 特征篩選在以上的紋理特征中，出現(xiàn)多個(gè)特征值反映同一特征的現(xiàn)象，為減少冗余，應(yīng)在相似的特征組中選擇一個(gè)典型特征作為代表。特征篩選的方法為計(jì)算兩兩特征間的相關(guān)系數(shù)，當(dāng)相關(guān)系數(shù)大于0.8時(shí)可認(rèn)為相似、當(dāng)相關(guān)系數(shù)大于0.9時(shí)可以只保留其中一個(gè)。2.4 植被濾波2.4.1 城市數(shù)字高程模型城市地面中的高程起伏小，地面道路可認(rèn)為是地面點(diǎn)，建筑、植被、車輛以及其他地物道路之上。此外建筑之間通常有道路連通，對(duì)于一個(gè)足夠大的窗口中高程最小的點(diǎn)常對(duì)應(yīng)著道路。根據(jù)城市地表坡度小、足夠大的區(qū)域間可保證取到道路地面點(diǎn)兩個(gè)特征，本文提出自適應(yīng)的城市數(shù)字地表模型的提取方法。自適應(yīng)地表模型提取算法為：1) 輸入數(shù)字表面模型DSM，搜索地面點(diǎn)的窗口大小W，地面點(diǎn)與窗口最小值窗口最小值的最大高差H，地面最大坡度Smax，初始化地面點(diǎn)種子點(diǎn)集Ps，地面點(diǎn)連通點(diǎn)集Pc；2) 遍歷高程?hào)鸥駡D像每一個(gè)像元，計(jì)算該點(diǎn)與窗口W內(nèi)的最低點(diǎn)高程差h，當(dāng)h5總正確率0.160.190.330.300.540.710.900.971.000.75圖 17 植被提取結(jié)果同遙感影像NDVI提取結(jié)果對(duì)比（a）植被提取結(jié)果 （b）對(duì)應(yīng)遙感影像圖 18 植被提取結(jié)果與原始影像對(duì)比對(duì)比圖18中的(a)和(b)，利用高程紋理特征的差異性配合點(diǎn)云激光反射強(qiáng)度、回波次數(shù)可以提取出大部分的植被，尤其是獨(dú)立了較高的樹(shù)木。精度對(duì)比結(jié)果說(shuō)明，基于共面性紋理特征的植被提取方法對(duì)較高的樹(shù)木（2m以上）有良好的提取效果，但對(duì)草坪、灌木的提取結(jié)果較差。此外，建筑與植被相鄰區(qū)域，由于建筑的共面性、坡度以及投影方向的不連通，導(dǎo)致建筑難以準(zhǔn)確提取出來(lái)，從而導(dǎo)致錯(cuò)分。總得來(lái)說(shuō)，城市植被提取的主要難點(diǎn)在于：1) 與建筑相交的植被；2) 低矮植被，如草坪、灌木以及建筑上的藤蔓植物難以提??；4 結(jié)論與展望本文針對(duì)LiDAR點(diǎn)云數(shù)據(jù)，提出一種基于共面性紋理特征的點(diǎn)云植被濾波方法。首先利用四叉樹(shù)網(wǎng)格配合插值圖像管理點(diǎn)云數(shù)據(jù)，使用基于坡度和高程的窗口自適應(yīng)方法來(lái)提取城市數(shù)字高程模型，再通過(guò)對(duì)比不同紋理特征間的相關(guān)性，選用擬合平面的相關(guān)系數(shù)、坡度、投影方面、凹凸方向作為植被濾波的紋理信息組合，最后配合LiDAR點(diǎn)云激光反射強(qiáng)度、回波次數(shù)實(shí)現(xiàn)植被濾波。研究結(jié)果表明：1）共面紋理特征可以反映地物形狀特征、植被回波次數(shù)多于地面和建筑，激光反射強(qiáng)度從大到小依次是植被、建筑、地面； 2）植被類型豐富，在共面性