一种地形自适应的规定密度机载LiDAR点云精简方法技术

本发明专利技术涉及一种地形自适应的规定密度机载LiDAR点云精简方法。首先对原始点云划分虚拟格网，并根据格网内地形起伏度和粗糙度，将格网划分成平坦区、粗糙区和非粗糙区三种不同的地表类型，然后对不同地表类型区域实行不同的抽稀策略，得到规定密度的点云。本发明专利技术针对不同地表类型区域采用不同的抽稀策略，能充分保留地形起伏关键点，防止局部密度过低和空洞的产生，避免出现关键点缺失导致的地面模型的失真。本发明专利技术参数设置简单，参数数量较少，且具有一定的地形自适应能力，可有效解决实际生产中同一区域内不同地表形态点云数据混杂导致的阈值设置困难的问题。实验证明本方法处理大数据量的点云数据速度快、精度高，能满足实际生产需求。生产需求。生产需求。

【技术实现步骤摘要】
一种地形自适应的规定密度机载LiDAR点云精简方法


[0001]本专利技术属于LiDAR数据处理与应用领域，特别是涉及一种地形自适应的规定密度机载LiDAR点云精简方法。

技术介绍

[0002]随着硬件技术的不断进步，获取的LiDAR点云数据密度已可达到每平方米几十个点。高密度的点云虽然有助于更细化地描述地形特征，但对于较平坦区域却带来了大量的数据冗余，这些冗余数据将直接影响数据存储、处理和显示速度的效率，使现有点云处理算法、软件受到挑战，同时也提高了对硬件的要求。点云抽稀是在确保满足生产精度或实际需求的基础上，对原始点云进行有规则地筛选，最大限度地精简点云数量。根据不同算法采用的规则，点云抽稀可归纳为随机采样算法和顾及地形特征的算法。随机采样算法主要包括基于规则格网的抽稀算法与基于系统的抽稀算法。前者将整个数据范围划分为很多的小格网，随机选择格网中一个数据点或几个数据点的平均值代替格网中的所有数据。后者是在加载原始点云时，设置采样间距N，取N个点云数据的第一个或随机从这N个点云中抽取一个数据点。两个算法同样简单快捷，但均不能很好地保留地形特征，降低了点云数据的精度。顾及地形特征的算法中，多采用高程、高差、曲率、坡度等参数。常见的有Pamelas提出的DDR(Data Density Reduction)抽稀算法、徐景中等人提出的基于点云离散度的抽稀算法、嫪志修等人提出的基于坡度的抽稀算法、杨明军等人提出的约束TIN节点抽稀法和侯文广等人提出在测地空间中采用泊松碟采样的抽稀算法等。在基于点云数据的测绘产品生产过程中，如何在减小点云数据量降低冗余的同时保留点云数据中的关键点、使点云数据精度达标成为研究的重点。

技术实现思路

[0003]本专利技术针对现有技术的不足，提供一种地形自适应的规定密度机载LiDAR点云精简方法。首先对原始点云划分虚拟格网，计算格网内地形起伏度，并依据地形起伏度阈值将格网划分为平坦区和非平坦区，然后对非平坦区格网计算格网地形粗糙度，根据设置的阈值进一步将其划分为粗糙区和非粗糙区，针对平坦区，采取指定密度的随机抽稀方法；针对非平坦区，计算格网内点云曲率，保留高曲率点和高程极值点，并根据保留的高曲率点和高程极值点数量与规定密度下单位格网所需点数量的大小关系，对非平坦区不同区域采用不同的抽稀策略，得到规定密度的点云。
[0004]为了达到上述目的，本专利技术提供的技术方案是一种地形自适应的规定密度机载LiDAR点云精简方法，包括以下步骤：
[0005]步骤1，建立二维格网点云索引；
[0006]步骤2，计算格网内地形起伏度；
[0007]步骤3，根据地形起伏度阈值α将格网划分为平坦区和非平坦区；
[0008]步骤4，针对非平坦区，计算格网内地形粗糙度；
[0009]步骤5，根据粗糙度阈值β，将非平坦地区进一步划分为粗糙区和非粗糙区；
[0010]步骤6，针对平坦区地表格网，依据指定密度计算出格网所需点数，采取随机降采样获得抽稀后的点云数据；
[0011]步骤7，针对非平坦区点云，计算格网内点云的曲率，保留高程极值点和高曲率点；
[0012]步骤8，根据步骤7保留的点数与规定密度下单位格网所需点数量的大小关系，对非平坦区不同区域采用不同的抽稀策略。
[0013]而且，所述步骤1中是根据点云数据的XY坐标将点云投影到二维平面，并划分规则格网，用格网的行列号实现点云数据的组织与管理。
[0014]而且，所述步骤2中地形起伏度是指局部范围的高程极大值与极小值之差，反映了局部范围的地形起伏，地形起伏度的计算方法如下：
[0015]d
H
＝H
max
‑
H
min
ꢀꢀ
(1)
[0016]式中，d
H
为局部范围的地形起伏度，H
max
、H
min
分别为局部范围内地面点的高程极大值和极小值。
[0017]而且，所述步骤3中是将格网内地形起伏度大于α的区域标记为平坦区，地形起伏度小于α的标记为非平坦区，α为经验值。
[0018]而且，所述步骤4中地表粗糙度表达的是局部地形的粗糙程度或者褶皱程度，以局部范围内各地面点的高程拟合误差为基础计算地表粗糙度，计算方法如下：
[0019][0020]式中，Rough为地表粗糙度，Z
i
为第i个点的实测高程，n为局部范围内的点个数，Z(x
i
,y
i
)为第i个点在二次曲面上的拟合高程，二次曲面可由格网内局部点云数据进行二次拟合得到，计算方式如下：
[0021]Z＝a0+a1x+a2y+a3x2+a4y2+a5xy
ꢀꢀ
(3)
[0022]式中，Z表示局部区域内点的高程，x和y为局部区域内点的平面坐标，a0、a1、a2、a3、a4和a5为二次曲面函数的系数。
[0023]对于数据冗余的格网区域，包含的点数一般大于6个，存在多余观测，因此采用最小二乘法求解，即拟合高程与实测高程误差的平方和最小，公式如下：
[0024][0025]式中，Z(x
i
,y
i
)为第i个点的拟合高程，Z
i
为第i个点的实测高程，n为局部范围内的点个数。
[0026]建立误差方程，并求解二次曲面函数的系数矩阵，公式如下：
[0027]V＝BX
‑
L
ꢀꢀ
(5)
[0028]其中，
[0029]X＝(B
T
B)
‑1B
T
L
ꢀꢀ
(6)
[0030]式中，V表示拟合高程与实测高程之间的误差矩阵，B表示公式(3)中各系数对应的坐标组合项，X为公式(3)中待求的二次曲面函数的系数矩阵，L为实测高程矩阵。
[0031]而且，所述步骤5中是将格网内地形粗糙度大于β的区域标记为粗糙区，地形粗糙度小于β的区域标记为非粗糙区，β为经验值。
[0032]而且，所述步骤7中局部高程极值点包括格网内高程极大值点和极小值点两个，可以利用根据离散点高程直接算出，高曲率点是曲率值大于阈值γ的点，γ为经验值，假设目标点P
i
＝(x
i
,y
i
,z
i
)
T
的协方差矩阵为CP
i
，则：
[0033][0034][0035]式中，为目标点及其邻域点的中心位置，N为目标点的邻域点个数，CP
i
为对称半正定矩阵。
[0036]对协方差矩阵进行特征值分解，得到三个特征值λ1、λ2、λ3(λ1≥λ2≥λ3)，及其对应的特征向量e1、e2、e3。e3为估算的法向量，λ3描述了曲面沿法向量方向的变化量，曲率curve的计算方式如下：
[0037][0038]虽然基于特征值估算的曲率本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种地形自适应的规定密度机载LiDAR点云精简方法，其特征在于，包括如下步骤：步骤1，建立二维格网点云索引；步骤2，计算格网内地形起伏度；步骤3，根据地形起伏度阈值α将格网划分为平坦区和非平坦区；步骤4，针对非平坦区，计算格网内地形粗糙度；步骤5，根据粗糙度阈值β，将非平坦地区进一步划分为粗糙区和非粗糙区；步骤6，针对平坦区地表格网，依据指定密度计算出格网所需点数，采取随机降采样获得抽稀后的点云数据；步骤7，针对非平坦区点云，计算格网内点云的曲率，保留高程极值点和高曲率点；步骤8，根据步骤7保留的点数与规定密度下单位格网所需点数量的大小关系，对非平坦区不同区域采用不同的抽稀策略。2.如权利要求1所述的一种地形自适应的规定密度机载LiDAR点云精简方法，其特征在于：所述步骤1是根据点云数据的XY坐标将点云投影到二维平面，并划分规则格网，用格网的行列号实现点云数据的组织与管理。3.如权利要求1所述的一种地形自适应的规定密度机载LiDAR点云精简方法，其特征在于：所述步骤2中地形起伏度是指局部范围的高程极大值与极小值之差，反映了局部范围的地形起伏，地形起伏度的计算方法如下：d
H
＝H
max
‑
H
min
ꢀꢀꢀꢀꢀ
(1)式中，d
H
为局部范围的地形起伏度，H
max
、H
min
分别为局部范围内地面点的高程极大值和极小值。4.如权利要求1所述的一种地形自适应的规定密度机载LiDAR点云精简方法，其特征在于：所述步骤3中是将格网内地形起伏度大于α的区域标记为平坦区，地形起伏度小于α的标记为非平坦区，α为经验值。5.如权利要求1所述的一种地形自适应的规定密度机载LiDAR点云精简方法，其特征在于：所述步骤4中地表粗糙度的计算方法如下：式中，Rough为地表粗糙度，Z
i
为第i个点的实测高程，n为局部范围内的点个数，Z(x
i
,y
i
)为第i个点在二次曲面上的拟合高程，二次曲面可由格网内局部点云数据进行二次拟合得到，计算方式如下：Z＝a0+a1x+a2y+a3x2+a4y2+a5xy
ꢀꢀꢀꢀꢀ
(3)式中，Z表示局部区域内点的高程，x和y为局部区域内点的平面坐标，a0、a...

【专利技术属性】
技术研发人员：赖旭东，吴怡凡，李咏旭，
申请(专利权)人：武汉大学，
类型：发明
国别省市：