一种基于三维格网的机载激光雷达点云去噪方法与流程

本发明涉及一种依据点云中各点的空间邻域关系，在三维格网的空间划分依据下实现海量点云数据的去噪处理，尤其是基于三维格网的机载激光雷达点云去噪方法。

背景技术：
：

随着三维激光扫描技术的高速发展，人们可以很容易获取真实世界中物体的表面三维点云数据，因此三维点云数据模型被广泛应用于虚拟现实、逆向工程、城市建模等。机载激光雷达在扫描过程中获取海量点云数据中有大量的非地表点被获取,可能是大气中的杂质、飞鸟或者极大低于地表等误差点，一般将这些点称为噪声点。在雷达点云数据滤波处理之前必须将这些噪声点滤除，噪声点的存在会使原始点云数据生成的数字地表模型(DTM)产生极大的误差，同时在运用多数点云滤波的过程中会误把许多极大低于地表的噪声点误判为地表点，造成滤波结果的严重错误。另外噪声点对后续的大规模点云分层渲染、地物识别提取、建筑物建模及密集匹配所得同名点云的后续处理精度(如影像匹配、地物识别等)都会造成较大影响，这使得机载激光雷达获取点云的去噪处理变得至关重要。

目前三维地面点云数据的噪声粗差主要体现在高程值上,其显著特征就是比周围的点有很大的相对高程,呈现出孤立的奇异值。主要有两种,即高位粗差(high outlier)和低位粗差(low outlier),从存在形式来说,粗差分为成簇的粗差和孤立的粗差。成簇的粗差一簇一簇的形式成群出现,孤立的粗差以孤立的点形式存在。国内外许多学者对点云去噪进行了一定的研究:Spiros对已有的粗差剔除方法进行了归类总结,将其分为五类,即基于分布、深度、聚类思想、距离以及密度的粗差剔除方法。基于分布的粗差剔除方法，如聂建辉在《计算机辅助设计与图形学学报》2011第9期P1526-1532提出了《散乱点云离群点的分类识别算法》，根据曲面变化度的局部离群系数(Surface Variation based on Local Outlier Factor，SVLOF)将离群点进行分类、去除，曹爽在东南大学学报(自然科学版)2013第z2期P351-354中提出了《基于特征选择的双边滤波点云去噪算法》，对噪声进行分类，计算特征点与非特征点的双边滤波因子，避免出现双边滤波过光顺的现象，但需要较长时间来确定特征选择。这些算法对于有统计规律的数据是很有效，不过由于点云的数据模型是很难估计,其应用有一定的局限性。基于深度的粗差剔除，需要计算数据集的几何图形和维凸壳的不同图层,位于最外层的点云认为是粗差,这种算法受到数据维数的限制。基于聚类的粗差剔除，张巧英在《地理空间信息》2011第6期P101-104刊登的《密度聚类算法在连续分布点云去噪中的应用》提出了基于密度聚类算法的连续分布点云去噪算法，是将数据分成多个聚类,被排除在聚类外的数据认为是噪声点。基于密度的粗差剔除，朱俊峰在《测绘学报》2015第3期P282-291提出了《多尺度点云噪声检测的密度分析法》，运用局部点的密度情况进行区分噪声，该算法需要指定一定范围的最小数目和密度,该方法以某一点为中心,计算该邻域范围内的激光脚点密度,若小于给定的阈值则认为该点是粗差。上述的噪声点剔除算法都有各自的优缺点,基本都可以剔除部分的粗差,偶尔会因一些特殊的噪声点,判断失效。

技术实现要素：
：

本发明的目的就在于针对上述现有技术的不足，提供一种对地形扫描产生的离散及成簇噪声点去除的基于三维格网的机载激光雷达点云去噪方法。

机载激光LiDAR点云处理的首要步骤是点云数据中噪声点的去除，这对后续点云滤波处理有很大的影响。点云中的噪声可以认为是其高程偏离“邻域”范围内的点“较远”的点，因此点云噪声检测的关键就在于邻域的确定和阈值的选择。本发明通过对点云数据的空间三维格网化使每个立方栅格内部点之间具有空间索引属性，依据空间三维格网之间的空间邻域关系判断格网内的点是否为噪声点，根据平均点间距为参考确定格网具体大小。

本发明的目的是通过以下技术方案实现的：

一种基于三维格网的机载激光雷达点云去噪方法，包括以下步骤：

A、依据点云数据点平均点间距确定格网间距；

B、建立点云的三维格网；

C、以点云建立的三维格网为依据建立外围空间索引格网；

D、统计索引格网内各栅格中包含点的个数；

E、设定索引结构窗口；

F、以结构窗口为基本单元遍历索引格网，查找仅含有一个数据点的立方栅格；

G、根据结构窗口索引结果判断离散噪声点；

H、去除被判定离散噪声点的数据点；

I、重新统计索引格网内格栅中包含的点的个数；

J、随机选取索引栅格作为种子栅格；

K、进行扩散运算；

L、剔除第一次扩散运算中所标记的种子栅格，再次选取新的种子栅格进行扩散运算，直到所有有点栅格都被标记为止；

M、统计各次扩散运算涉及的数据点个数，保留含点最多的点云，将其他数据点判定为成簇噪声点；

本方法对空间三维格网的构建是以平均点间距为参考，可以对任意稀疏程度的点云数据进行运算。但由于当前计算机硬件的限制，当对海量点云数据进行处理时会出现内存溢出或效率低下等问题，会严重消耗系统资源导致系统无反应或者消耗大量时间。

由于三维格网是以点云整体布局进行切分得到的，而非以噪声点本身为中心进行判别，所以当噪声点距离点云主体过近或与地表物体混在一起时判断可能失效。

有益效果：本发明充分利用以三维格网为划分依据构造的点云中各点的空间邻域关系，对各类数据点以不同规则进行排查，去除离散及成簇噪声点。以点云整体进行分割而不以点为参考对象，简化了空间索引的构建规则和次数；对离散噪声点判别时，通过查找特殊值立方栅格进行而非整体遍历依次判断；对成簇噪声点判别时优先去除离散噪声点，防止离散噪声点被进行扩散运算增加运算冗余；以平均点间距作为格网边长参考可以更加有效精确的选取阀值，控制去噪精度。通过实验表明，该方法不同于传统的去噪方法，以建立空间三维格网的方式进行，总体上提高了运算速率，能够有效地控制去噪精度，达到了预期效果，为机载激光雷达点云去噪提供了新的思路。

附图说明：

图1一种基于三维格网的机载激光雷达点云去噪方法流程图

图2三维格网切分示意图

图3索引格网与结构窗口三维示意图

图4种子立方栅格一组扩散运算二维示意图

图5噪声判别准确率与格网间距系数关系图

图6点云去噪效果图

具体实施方式：

下面结合附图和实验实例对本发明做进一步的详细说明。

一种基于三维格网的机载激光雷达点云去噪方法，包括以下步骤：

A、依据点云数据点平均点间距确定格网间距；

B、建立点云的三维格网；

C、以点云建立的三维格网为依据建立外围空间索引格网；

D、统计索引格网内各栅格中包含点的个数；

E、设定索引结构窗口；

F、以结构窗口为基本单元遍历索引格网，查找仅含有一个数据点的立方栅格；

G、根据结构窗口索引结果判断离散噪声点；

H、去除被判定离散噪声点的数据点；

I、重新统计索引格网内格栅中包含的点的个数；

J、随机选取索引栅格作为种子栅格；

K、进行扩散运算；

L、剔除第一次扩散运算中所标记的种子栅格，再次选取新的种子栅格进行扩散运算，直到所有有点栅格都被标记为止；

M、统计各次扩散运算涉及的数据点个数，保留含点最多的点云，将其他数据点判定为成簇噪声点；

实施例1

一种基于三维格网的机载激光雷达点云去噪方法，包括以下步骤：

A本发明采用了ISPRS发布的参考数据用作实验数据,分别选取了3组不同的点云数据进行实验；

B对选取数据进行切割已达到实验要求，样本1和样本2都选取的是地形起伏的林地点云，点云点数、密度分别为：34496(1.785个/平方米)、25311(1.089个/平方米)，样本3选取的是地形平坦的村镇点云数据，点云点数、密度为：179451(15.385个/平方米)，且各个点云中都包含了不同数量的离散噪声点及成簇噪声点。

C依据点云数据点平均点间距及相关参数确定格网间距；

D对点云数据外接长方体的x,y,z方向进行切分，以空间六面体为基本单元建立点云的三维格网；

E在点云外接长方体外围包绕一层立方栅格，防止结构窗口进行空间索引操作时出现越界；

F统计索引格网内各栅格中包含点的个数；

G以被索引立方栅格为中心和周围包围的26个立方栅格构成索引结构窗口；

H以结构窗口为基本单元遍历索引格网，查找仅含有一个数据点的立方栅格；

I判断该立方栅格周围26个立方栅格中是否有点，如果不含有其他数据点则判定该点为离散噪声点；

J重新统计索引格网内栅格中包含的点的个数，更新原有值；

K随机选取索引栅格中任意包含数据点个数大于等于1的立方栅格，作为种子栅格；

L进行扩散运算，索引种子栅格周围26个立方栅格，将包含有数据点的栅格增设为种子栅格，直到种子栅格的数量不再增加为止；

M剔除第一次扩散运算中所标记的种子栅格，再次选取新的种子栅格进行扩散运算，直到所有有点栅格都被标记为止；

N统计各次扩散运算涉及的数据点个数，保留含点最多的点云，将其他数据点判定为成簇噪声点。