高程值ζι?和一个较大的高程值Zhigh。将高程值小于 Z1?和大于Zhlgh的激光雷达点的类别号标记为"7"，"7"代表了粗差点。
[0103] (4)建立kd-树空间索引
[0104] 对于类别号为"Γ的激光雷达点集，利用该点集的水平坐标信息建立二维的kd_ 树。
[0105] (5)识别低位粗差和高位粗差
[0106] 输入经验值k和η，其中k为邻近点的个数、η为高差标准差的倍数。对于任意一个类 别号为"Γ的激光雷达点，利用kd-tree空间索引寻找其最邻近的k个激光雷达点;计算该激 光雷达点与k个邻近激光雷达点的高程值的平均数^_@;另外，分别计算该激光雷达点与 k个邻近激光雷达点的高程值之差，计算k个高程值差的标准差σζ;如果该激光雷达点的高 程值与平均数之差的绝对值大于ησ ζ，则将该点类别号标记为"7"，"7"代表了粗差点。
[0107] 进一步地，所述步骤三具体包括以下步骤：
[0108] (1)估计法向量和残差
[0109] 该分割方法的流程图如图4所示。点云数据中，任意一点的法向量定义为该点及其 一定数量的k个三维空间中最邻近点确定的平面的法向量。对于类别号为"2"的激光雷达点 集，任何一点的k个最邻近点可以通过三维kd-树这种空间索引的方法求取。同时，三维空间 中一定数量的离散点确定的平面可以由特征值法(即主成分分析法)确定。同时特征值法中 获取的最小特征值，记为该点对应的残差。法向量和残差估计的具体过程包括：
[0110] 1)对于类别号为"Γ的激光雷达点集，建立其三维的kd-树空间索引；
[0111] 2)对每一个类别号为"Γ的激光雷达点，逐一利用kd-树空间索引求取其k个最临 近点。k的取值由用户输入，默认值为20;
[0112] 3)对于每一点及其k个最临近点，利用特征值法求取其拟合平面的方程，即确定每 一点的法向量Φ i及其残差h。
[0113] (2)进行区域生长
[0114] 区域生长过程与传统的基于图像的区域生长极其相似。两者都包含两个必要的因 素，邻接关系的确定和相似性的度量。其中，邻接关系由kd-树确定，相似性的度量包括邻接 点到种子平面的距离和邻接点与种子点的法向量角度差两个特征。区域生长的结果是，将 激光雷达点云划分为若干的对象，每个对象包含若干的激光雷达点。该区域生长的具体过 程包括：
[0115] 1)输入法向量间角度差异阈值α。角度差异阈值α的使用规则如下:对于当前要扩 张的种子点，利用kd-树求取其某一邻接点作为待处理的点。设当前种子点的法向量为h， 待处理的邻接点的法向量为七。如果待处理的邻接点与种子点之间法向量的点积| |aiaj| 小于阈值cosa，则将此点加入到种子点队列中，并作为新的种子点，继续判别其他的未处理 的点；否则，跳过该点，处理其他的未处理的点。
[0116] 2)输入给定距离阈值r。距离阈值r如果待处理的邻接点到种子点确定的种子平面 的距离小于阈值r，则将此点加入到种子点队列中，并作为新的种子点，继续判别其他的未 处理的点；否则，跳过该点，处理其他的未处理的点。
[0117] 3)检查类别号为"Γ的激光雷达点集包含的点的数量。如果数量为0,则到步骤7)。 否则，将全部类别号为"Γ的激光雷达点的状态记为"未被分割"。从"未被分割"的激光雷达 点集中，寻找出残差λ最小的点。以残差λ最小的点为种子点，将该点压入一个种子点的队 列，开始进行区域生长。
[0118] 4)生长的过程中，取种子点队列中第一个尚未被处理过的种子点，利用kd-tree求 取该种子点的k个最临近点。
[0119] 5)对于每一个临近点，逐一进行判别。如果该点已经被赋予分割号，则不予以处 理。进一步，如果该点已经在种子点的队列中，则不予以处理。接着，分别按照法向量间角度 差异和距离差异进行相似性的判别。如果该邻近点同时满足两个相似性的条件，则将该邻 近点加入到种子点队列中；否则，不予以处理。
[0120] 6)回到步骤4)，检查种子点队列中是否有未被处理过的点。如果有，则进入步骤 5);否则，将种子点队列中的所有点标记一个相同的分割号，且该分割号与已有的分割号不 同。然后，返回步骤3)。
[0121] 7)结束分割。
[0122] (3)赋予对象及相关激光雷达点初始的类别
[0123] 对于任意一个对象，检查其该对象包含的所有激光雷达点的数量。如果该对象包 含的所有激光雷达点的数量小于q(q为经验阈值），则将该对象包含的所有激光雷达点的类 别号标记为"3"，"3"代表了地物点。
[0124] 进一步地，所述步骤四具体包括以下步骤：
[0125] (1)统计对象的多回波比例
[0126] 以点云分割获取的对象为基本组织单元，统计每一个对象包含的激光雷达点的总 数量、多回波激光雷达点的数量以计算多回波的比例。目前，对于多回波机载激光雷达系统 而言，系统记录的回波信息包括单次回波（singular return)和多次回波（multiple returns)，二者的区别在于对同一束激光脉冲是否发生多次反射。即，当激光扫描仪发射的 激光脉冲接触到被测目标时，部分脉冲能量的反射信号会被系统接收并记录，而剩余的脉 冲能量继续传播，当遇到另一目标或原被测目标的另一部分时再次发生反射，直至能量消 耗殆尽。如果激光束只碰到一次目标且回波被接受纪录下来，则称此回波为单次回波;如果 发生多次反射、并使得机载激光扫描系统接收到多个反射信号即多次回波。现有的机载激 光雷达系统都具备记录2-5次(超过5次以上回波的概率几乎为零)多回波信息的能力。对于 多次回波，接收到的第一个回波信号被称为首次回波(f irst return/pu 1 se);接收到的最 后一个回波信号被称为尾次(末次）回波（last pulse);除首次和尾次回波外的中间的回波 信号被顺序编号，称为中间次回波（intermediate pulses)。研究发现，回波信息可以反映 被测目标的类型信息，继而可以辅助激光点云数据的滤波和分类。对于森林地区：单次回波 包含地面激光脚点和植被冠层的激光脚点；首次回波来自茂密且高大的植被冠层或靠近冠 层的枝叶；中间次回波多为高大植被的枝叶或低矮植被;而末次回波多是植被中间层次的 枝叶和地表反射得到的激光脚点。对于城区：单次回波数据主要来源于地表、人工建筑物 (包括立交桥和横跨河流的桥梁）的顶面或墙面、少量植被点；首次回波来源于植被的冠层 和人工建筑物(包括立交桥）的边缘；中间次回波主要来源于植被的枝叶和建筑物的立面； 而末次回波则主要来源于地表，也有部分是来源于复杂的建筑物屋顶和植被低矮层面的枝 叶。上述分析表明，无论对于森林地区还是城市区域，尾次回波和单次回波既可以来自地 面、又可以来自非地面目标;首次回波和中间次回波肯定来源于非地面目标，如植被、建筑 物边缘等。
[0127] (2)判别对象及相关激光雷达点的类别
[0128] 对于任意一个对象，如果其多回波比例大于50%，则将该对象包含的所有激光雷 达点的类别号标记为"3"，"3"代表了地物点。
[0129] 进一步地，所述步骤五具体包括以下步骤：
[0130] (1)提取对象的轮廓点及轮廓线
[0131]对于任意一个类别号标记为"Γ的对象，找出其包含的该对象包含的所有激光雷 达点，并建立这些点的不规则三角网（TIN)，如图5(a)所示。判断轮廓边缘只需分析各三角 形的相邻三角形的个数。通常一个三角形有3个三角形与之相邻，如果个数小于3,则该三角 形位于对象轮廓的边缘，提取相应轮廓点即可获得对象的初始轮廓点。如图5(b)所示，顺时 针依次搜索各初始轮廓点进一步生成对象的轮廓线，步骤如下：
[0132] 1)起始轮廓点确定:搜索所有初始轮廓点中x值最小的激光雷达点，如存在多个x 值相等的点，则取这些X值相等的点中y值最小的点作为起始轮廓点，如图5(b)中"点Γ所 示；
[0133] 2)第2个轮廓点确定：以"点Γ为起点、R为搜索半径，水平向左为起始搜索方向，沿 顺时针方向寻找下一个轮廓点，搜索半径R由点云平均间隔开始逐渐增大，直到在搜索范围 内找到第2个轮廓点（"点2"）；
[0134] 3)顺时针方向搜索下一个轮廓点：以"点2"为起点、R为搜索半径，从"点1"、"点2" 矢量方向的逆时针90°范围开始顺时针搜索下一个轮廓点，搜索半径逐渐增大（图5 (b)中搜 索半径由R1增大到R2)直到找到第3个轮廓点（"点3"）；
[0135] 4)重复类似的步骤3)，直到找到"点Γ则终止搜索，依次连接各轮廓点生成对象的 轮廓线。
[0136] (2)提取对象的骨架线及其骨架线附近的点
[0137] 基于上一步提取的对象轮廓线形成的多边形，提取该多边形的骨架线。在水平面 内，将该对象中距离骨架线在两倍点云平均间隔内、且不属于轮廓点的点标记为该对象的 "骨架线附近的点"。
[0138] (3)确定对象的特征点
[0139] 将对象的轮廓点和"骨架线附近的点"作为该对象的"特征点"。对象的"特征点"将 代替该对象参与后续运算。图6(a)展示了某对象涉及的激光雷达点云，同时