图6(b)展示了 该对象的特征点。
[0140] 进一步地，所述步骤六具体包括以下步骤：
[0141] (1)建立格网索引
[0142] 对于类别号为"Γ的特征点集，首先根据点云数据在x、y方向的坐标范围，构建一 个特征点集的最小包围核。根据给定格网尺寸，即最大建筑物尺寸m，分别对特征点集在X、y 方向划分正方形格网，对特征点集建立二维分块格网索引结构。
[0143] (2)选择初始种子点
[0144] 从每个格网单元格中选取格网中高程最低的特征点，同时将特征点所在对象包含 的所有特征点作为地面种子点、并将该对象和相关特征点的类别号标记为"2"，"2"代表了 地面点。图7(a)展示了某机载激光雷达点云，图7(b)展示了该激光雷达点云的分割效果，同 时图7(c)展示了初始的种子点。
[0145] (3)构建初始种子点的三角网
[0146] 利用所有的地面种子点构建一个三角网，该三角网代表了该区域的初始数字高程 模型DEM。图7(c)和图7(d)分别展示了某机载激光雷达点云数据的初始种子点和这些种子 点构建的三角网。
[0147] (4)判别对象的类别
[0148] 对象类别的判别是一个迭代的过程，该过程涉及三个参数:最大角度阈值Θ、最大 距离阈值d和最大地形角度阈值t。
[0149] 1)迭代次数记为0。对于每一个待判别的类别为"Γ的特征点，找到该点落入的三 角形，计算该点到三角形构成的平面的距离及其该点到三角形三点的夹角、并找出三个夹 角中的最大角，如图7(e)所示。
[0150] 如果同时满足:距离小于最大距离阈值d、最大角小于最大角度阈值Θ，则认为该点 是地面点，将该点的类别号标记为"2"，"2"代表了地面点；否则，还要进一步判别(对当前的 特征点以距离最近的三角形顶点为中心进行镜像，如图7(f)所示。对镜像点进行判别。如果 此镜像点判断为地面点，则仍然判断此点为地面点、将该点的类别号标记为"2" ；否则，不修 改点的类别值）。继续处理下一个类别为"Γ的特征点直至将所有的类别为"Γ的特征点遍 历完毕。
[0151] 2)以对象为基本判别单元，统计该对象中"地面点"的比例。如果该比例大于50%， 将该对象和相关特征点的类别号标记为"2"，"2"代表了地面点；否则，将该对象和相关特征 点的类别号标记为"1"。
[0152] 3)将获得的地面点插入三角网。迭代次数自增1。回到步骤1)继续执行直至迭代次 数达到的5则停止迭代。
[0153] (5)更新对象包含原始激光雷达点的类别
[0154] 将对象的类别赋值给其包含的原始激光雷达点，完成滤波。
[0155] 本发明创造性地提出了一种面向对象的机载激光雷达点云滤波方法，其特色是利 用对象的特征点替代对象包含的原始点进行面向对象的机载激光雷达点云滤波，提高了滤 波的精度。该方法创造性的将粗差剔除、点云分割、多回波分析、特征点提取、基于三角网渐 进加密的对象类别判别等五个步骤连接起来，形成了一套完整的面向对象的机载激光雷达 点云滤波的技术流程。
[0156] 如图8所示，本发明进行面向对象的机载激光雷达点云滤波的数值计算流程如下：
[0157] (I)机载数据。加载机载激光雷达点云数据。
[0158] (II)粗差剔除。在进行滤波之前需要对激光点云数据进行预处理，去除极低局外 点。
[0159] (III)点云分割。对粗差剔除后的激光雷达点云，进行基于光滑表面生长的分割以 获取对象。
[0160] (IV)回波分析。分析对象的多回波比例特征识别潜在的地物对象，并剔除地物对 象及其所包含的激光雷达点。
[0161] (V)提取对象的特征点。以每一个对象为处理单元，取出其该对象涉及的激光雷达 点，并获取每一个对象的边缘点和骨架线附近的点；利用边缘点和骨架线附近的点组成该 对象的特征点集;该特征点集将代替该对象及其包含的原始激光雷达点，参与后续运算。
[0162] (VI)判别。进行格网划分建立二维分块格网索引结构;选择初始种子点；构建初始 种子点的不规则三角网；迭代的通过特征点的判别确定对象的类别，并更新对象包含的原 始激光雷达点的类别。
[0163] 为了验证上述提出的滤波方法的性能，本研究同时采用经典的三角网渐进加密方 法和本发明提出的方法，以ISPRS第三委员会机载激光雷达数据处理小组提供的专门用于 滤波算法测试数据作为实验数据，通过定性和定量分析的手段比较两种算法的性能。
[0164] ISPRS第III小组于2003年组织的滤波算法测试中，提供了一组数据集和参考数 据，用于定量的分析算法的滤波效果（数据来自：111^口 ：//?^^.(301]11]1188；[0113.18口18.0找/ wg3/index.html)。该数据集包含7个场景的点云数据，依次命名为：CStitel、CStite2、 05衍七63、05衍七64、05衍七65、05衍七66、05衍七67，如图9(3)至图9(8)所示。这7个场景的数据 为OptechALTM机载激光扫描仪获取的Vaihingen/Enz和Stuttgart市的机载激光雷达点云 数据。其中的城区数据为Sitel-Site4,点间距为1.0至1.5m;山区为Site5-Site7,点间距为 2.0至3.5m。同时，在7块测试数据中选取了 15个样本数据(具体数据区位如图9(a)至图9(g) 所示），这些样本数据经过人工处理，将激光脚点精确分类为地面点和非地面点这两类。15 个样本数据主要包括了不同地理环境中滤波可能遇到困难的情况，如粗差点的影响、复杂 的地物、地物与地面相连、斜坡上或低矮的植被、地形的不连续等，具体数据特征如表1所 示。利用本发明提出的滤波算法对这7个场景的数据做滤波实验，利用15个参考样本对滤波 结果进行了定性和定量分析，并与已有的三角网渐进加密滤波算法的结果进行了对比分 析。
[0165] ISPRS第三委员会机载激光雷达数据处理小组提出了滤波算法质量评价的两种方 法:定性分析和定量分析。定性分析中，把对滤波后的结果叠加到原始数据上，通过误差图 进行可视化检查、分析和评价。定量分析中，统计了三种类型的误差，即Typel(地面点被误 分为地物点的数量占地面点数量的比例）、Type Π (地物点被误分为地面点的数量占地物点 数量的比例)和总误差(被误分的地面点和和地物点的总数据量占全部脚点数量的比例）， 见表3。
[0166] 表1参考数据的说明
[0167]
[0168] 表2定性分析的等级
[0169]
[0170]~表3定量分析的相应参数及其定义
[0171]
[0172] 注释:表中，a，b，c，d是进行定量分析的基本参数，a代表参考点中是地面点并且滤 波算法也将其分类为地面点的地面点数量，b代表参考点中是地面点但滤波算法将其分类 为地物点的地面点数量，c代表参考点中是地物点而滤波算法将其分类为地面点的地物点 数量，d代表参考点中是地物点且滤波算法也将其分类为地物点的地物点数量;f，g，h，i分 析数据滤波前后的地面点和地物点组成情况，f是参考数据滤波前的地面点的比例，g是参 考数据滤波前的地物点的比例，h是滤波结果中地面点的比例，i是滤波结果中地物点的比 例，；Typel、Type Π 和Total是三类误差;k反映了两类误差的偏离程度。本论文中，j = 0。
[0173] 表4两种滤波方法参数的取值
[0174]
[0176]已有的三角网渐进加密滤波方法需要最大建筑物尺寸、最陡地形倾角、迭代角度、 迭代距离等四个参数。本发明提出的滤波方法，在已有方法所需四个参数基础上增加了三 个参数，即邻接点个数、距离阈值、角度差异阈值。每个场景的实验中，两种方法共有参数的 取值是相同的，本发明所需的额外三个参数的取值需要单独确定。两种方法在7个ISPRS提 供的实验数据的滤波参数的取值情况，见表4。
[0177] 使用表4中列举的参数，利用两种滤波方法对上述7个实验数据进行滤波。同时，从 ISPRS提供的7个场景的滤波结果中，分别选择15个参考样本数据具有相同坐标值的激光脚 点，并利用参考样本的滤波结果评价15个相关区域的滤波效果，得到了三类误差的统计表 5。另外，图10(a)、（b)、（c)分别展示了两种滤波方法的三种类型的误差对比图。
[0178] 表5经典的三角网滤波方法与本发明改进方法的误差对比表(单位：％ )
[0179]
[0180]
[0181]从表5可以看出，已有的三角网渐进加密滤波方法和本发明提出的滤波方法（即表 5以及图10(a)、图10(b)和图10(c)中所述的改进方法)都具有较强的鲁棒性，能广泛的适应 于城区和森林区域各种场景的滤波，且滤波的总误差控制在33%以下，如图10(c)所示。同 时，与经典的滤波方法相比，本发明的滤波方法具有更好的性能，能正确的识别更多的地面 点，尤其是地形陡变处的地面点，其I类误差和总误差显著的低于经典滤波的相应误差。15 个局部区域的滤波效果检验中，除samp21区域之外，其他14个区域中本发明滤波方法的I类 误差显著的低于已