一种机载LiDAR地面点云简化方法

摘要

本发明公开了一种机载LiDAR地面点云简化方法，包括：S1、对原始LiDAR地面点云数据进行预处理；S2、基于原始LiDAR地面点云数据，选择m个地形特征因子；S3、引入半变异函数，基于预处理后的原始LiDAR地面点云数据，确定各地形特征因子的空间自相关范围；S4、基于各地形特征因子的空间自相关范围，进行空间自相关性层次聚类，获得对应的聚类结果；S5、根据聚类结果，进行特征点选择，进而得到点云简化结果。本发明引用了聚类思想，在简化的过程中考虑了特征点空间分布上的合理性及地面点之间的地形相似特征性，最终实现了以较少点云构建高精度DEM，为地面点云简化提供了新思路。

权利要求

1.一种机载LiDAR地面点云简化方法，其特征在于，包括以下步骤：S1、对原始LiDAR地面点云数据进行预处理；

S2、基于原始LiDAR地面点云数据，选择L个地形特征因子；

S3、引入半变异函数，基于预处理后的原始LiDAR地面点云数据，确定各地形特征因子的空间自相关范围；

S4、基于各地形特征因子的空间自相关范围，进行空间自相关性层次聚类，获得对应的聚类结果；

S5、根据聚类结果，进行特征点选择，进而得到点云简化结果；

所述步骤S3具体为：

S31、对每个地形特征因子，构建对应的半变异函数；

其中，半变异函数y(h)为：

式中，y(h)为区域变化量的变异值，h为空间之后步距，Z(x)和Z(x+h)分别为区域化变量在空间位置x和x+h处的变量值，x为空间位置，E[·]为期望函数；

S32、设置半变异函数值为研究区域最大距离的一半，即；

式中，MaxDis为研究区域的最大距离，lag为步长，m为该步长下的分组数，floor为向下取整；

S33、使用球模型拟合半变异函数曲线来确定各地形特征因子的空间自相关范围；

其中，确定空间自相关范围时的限制条件为：

2.根据权利要求1所述的机载LiDAR地面点云简化方法，其特征在于，所述步骤S1中，进行预处理的方法具体为：A1、计算原始LiDAR地面点云数据中所有的点到各初始聚类中心Ci的欧氏距离；

其中，下标i＝1,2,...,K，为聚类获得的簇的序号；

A2、根据计算出的欧氏距离，将各原始LiDAR地面点云数据划分到距离其最近的簇中，直到原始LiDAR地面点云数据完成聚类，获得K个簇，完成预处理。

3.根据权利要求2所述的机载LiDAR地面点云简化方法，其特征在于，所述步骤S2具体为：S21、采用不规则三角网对原始LiDAR地面点云数据进行组织；

S22、在组织的不规则三角网中，计算各个地形特征因子之间的Spearman相关系数|R|；

S23、根据计算出的Spearman相关系数|R|，选择L个地形特征因子。

4.根据权利要求2所述的机载LiDAR地面点云简化方法，其特征在于，所述步骤S4具体为：将每一簇原始LiDAR地面点云数据中的地形特征因子对应的空间自相关范围的最小值作为聚类终止阈值，对每一簇分别进行层次聚类，得到聚类结果。

5.根据权利要求4所述的机载LiDAR地面点云简化方法，其特征在于，所述步骤S5具体为：S51、确定SACHCA算法的聚类结果中的每一簇与预处理得到的每一簇的对应关系；

S52、以SACHCA算法的聚类结果中的每一簇为对象，计算每一簇的平均坡度AvgSlo和对应预处理后的簇的平均坡度TavgSlo；

S53、根据平均坡度计算结果进行特征点采样，选择出SACHCA算法的聚类结果中所有簇中的特征点，作为点云简化结果。

6.根据权利要求5所述的机载LiDAR地面点云简化方法，其特征在于，所述步骤S53中，根据平均坡度计算结果进行采样时，按以下原则进行采样：a.若AvgSlo>TavgSlo，保留当前簇具有最大、最小高程的点作为特征点；

b.若AvgSlo

说明书

一种机载LiDAR地面点云简化方法

技术领域

[0001] 本发明属于点云简化技术领域，具体涉及一种基于空间自相关性层次聚类算法的机载LiDAR地面点云简化方法。

背景技术

[0002] 机载激光雷达(Light Detection And Ranging,LiDAR)能够在各种复杂环境下快速获取大面积、高密度、高精度的三维点云，目前已成为构建高精度数字高程模型(DEM)的重要技术手段之一。但这些高精度的三维点云模型中包含着大量的冗余数据，始终影响着后续数据处理的效率。因此需在保留原始地面点云基本地形特征的前提下，对海量的LiDAR点云数据进行简化。

[0003] 基于不同的地形特征因子，可将现有的LiDAR地面点云简化方法大致分为两种方法。第一种是基于单一特征因子的简化方法，该方法设置单一特征因子，以此来对描述点云的地形特征，进而实现点云的简化。这种方法大多能较大的保留原始模型特征；第二种是基于多特征因子的简化方法，该方法设置多个特征因子，例如曲率、曲率局部熵、坡度等，通过对其综合考虑，获取局部区域的地形复杂度，再根据不同地形复杂度设置不同的特征点采样规则，进而实现点云的简化。

[0004] 但是这两种方法通常以高程差、曲率、法向量、坡度、信息熵等地形特征因子为准则，基于先验知识或特定比例尺DEM规定的精度要求，主观设置点云的取舍阈值，制定采样规则实现点云简化。地形适应性较低。

发明内容

[0005] 针对现有技术中的上述不足，本发明提供的机载LiDAR地面点云简化方法解决了现有的三维点云数据在构建DEM时，存在的数据冗余问题。

[0006] 为了达到上述发明目的，本发明采用的技术方案为：一种机载LiDAR地面点云简化方法，包括以下步骤：

[0007] S1、对原始LiDAR地面点云数据进行预处理；

[0008] S2、基于原始LiDAR地面点云数据，选择m个地形特征因子；

[0009] S3、引入半变异函数，基于预处理后的原始LiDAR地面点云数据，确定各地形特征因子的空间自相关范围；

[0010] S4、基于各地形特征因子的空间自相关范围，进行空间自相关性层次聚类，获得对应的聚类结果；

[0011] S5、根据聚类结果，进行特征点选择，进而得到点云简化结果。

[0012] 进一步地，所述步骤S1中，进行预处理的方法具体为：

[0013] A1、计算原始LiDAR地面点云数据中所有的点到各初始聚类中心Ci的欧氏距离；

[0014] 其中，下标i＝1,2,...,K，为聚类获得的簇的序号；

[0015] A2、根据计算出的欧氏距离，将各原始LiDAR地面点云数据划分到距离其最近的簇中，直到原始LiDAR地面点云数据完成聚类，获得K个簇，完成预处理。

[0016] 上述进一步方案的有益效果为：使用K‑mean++算法将原始数据聚类成K个簇，以达到区域分块的目的，从而缩小了进行空间自相关范围分析的搜索范围。

[0017] 进一步地，所述步骤S2具体为：

[0018] S21、采用不规则三角网对原始LiDAR地面点云数据进行组织；

[0019] S22、在组织的不规则三角网中，计算各个地形特征因子之间的Spearman相关系数|R|；

[0020] S23、根据计算出的Spearman相关系数|R|，选择m个地形特征因子。

[0021] 上述进一步方案的有益效果为：选择有效且独立、相对全面的多个地形特征因子，有利于进行LiDAR地面点云聚类。

[0022] 进一步地，所述步骤S3具体为：

[0023] S31、对每个地形特征因子，构建对应的半变异函数；

[0024] 其中，半变异函数y(h)为：

[0025]

[0026] 式中，y(h)为区域变化量的变异值，h为空间之后步距，Z(x)和Z(x+h)分别为区域化变量在空间位置x和x+h处的变量值，Ε[·]为期望函数；

[0027] S32、设置半变异函数值为研究区域最大距离的一半，即；

[0028]

[0029] 式中，MaxDis为研究区域的最大距离，lag为步长，m为该步长下的分组数，floor为向下取整；

[0030] S33、使用球模型拟合半变异函数曲线来确定各地形特征因子的空间自相关范围；

[0031] 其中，确定空间自相关范围时的限制条件为：

[0032]

[0033] 上述进一步方案的有益效果为：设置变异函数在研究区域最大距离的一半，这样变异函数才有意义，并且使用球模型拟合半变异函数曲线来确定变程值。

[0034] 进一步地，所述步骤S4具体为：

[0035] 将每一簇原始LiDAR地面点云数据中的地形特征因子对应的空间自相关范围的最小值作为聚类终止阈值，对每一簇分别进行层次聚类，得到聚类结果。

[0036] 上述进一步方案的有益效果为：基于空间自相关层次聚类，得到了在空间中距离较近且具有一定地形特征相似性的聚类结果，即地形复杂度不高的聚类结果。

[0037] 进一步地，所述步骤S5具体包括以下分步骤：

[0038] S51、确定SACHCA算法的聚类结果中的每一簇与预处理得到的每一簇的对应关系；

[0039] S52、以SACHCA算法的聚类结果中的每一簇为对象，计算每一簇的平均坡度AvgSlo和对应预处理后的簇的平均坡度TavgSlo；

[0040] S53、根据平均坡度计算结果进行特征点采样，选择出SACHCA算法的聚类结果中所有簇中的特征点，作为点云简化结果。

[0041] 进一步地，所述步骤S53中，根据平均坡度计算结果进行采样时，按以下原则进行采样：

[0042] a.若AvgSlo>TavgSlo，保留当前簇具有最大、最小高程的点作为特征点；

[0043] b.若AvgSlo

[0044] 上述进一步方案的有益效果是：对地形表面特征复杂程度进行定量描述，有助于在点云简化过程中更好地衡量地面点在非空间要素上的相似性。

[0045] 本发明的有益效果为：

[0046] 本发明方法可以在保证高简化精度的同时完成对海量点云数据的大规模简化，减少了高精度的三维点云模型中含有的大量冗余数据，在保留原始地面点云基本地形特征的前提下，实现了以较少点云构建高精度EDM，为实际工程中EDM的分析和处理提供了一种有效且可靠的新方法。

附图说明

[0047] 图1为本发明提供的机载LiDAR地面点云简化方法流程图。

[0048] 图2为本发明实施例中两组实验数据预处理结果示意图。

[0049] 图3为本发明实施例中实验区域1地形的TIN模型Ⅰ示意图。

[0050] 图4为本发明实施例中实验区域1采样点空间分布Ι示意图。

[0051] 图5为本发明实施例中实验区域2地形的TIN模型Ⅱ示意图。

[0052] 图6为本发明实施例中实验区域2采样点空间分布Ⅱ示意图。

具体实施方式

[0053] 下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

[0054] 实施例1：

[0055] 如图1所示，一种机载LiDAR地面点云简化方法，包括以下步骤：

[0056] S1、对原始LiDAR地面点云数据进行预处理；

[0057] S2、基于原始LiDAR地面点云数据，选择m个地形特征因子；

[0058] S3、引入半变异函数，基于预处理后的原始LiDAR地面点云数据，确定各地形特征因子的空间自相关范围；

[0059] S4、基于各地形特征因子的空间自相关范围，进行空间自相关性层次聚类，获得对应的聚类结果；

[0060] S5、根据聚类结果，进行特征点选择，进而得到点云简化结果。

[0061] 本实施例的步骤S1中，进行预处理的方法具体为：

[0062] A1、计算原始LiDAR地面点云数据中所有的点到各初始聚类中心Ci的欧氏距离；

[0063] 其中，下标i＝1,2,...,K，为聚类获得的簇的序号；

[0064] A2、根据计算出的欧氏距离，将各原始LiDAR地面点云数据划分到距离其最近的簇中，直到原始LiDAR地面点云数据完成聚类，获得K个簇，完成预处理。

[0065] 在本发明中，点云数据预处理使用K‑Mean++算法将原始数据聚类成K个簇，以达到区域分块的目的，从而缩小了进行空间自相关范围分析的搜索范围。

[0066] 本实施例的步骤S2具体为：

[0067] S21、采用不规则三角网(Triangulated Irregular Network,TIN)对原始LiDAR地面点云数据进行组织；

[0068] S22、在组织的不规则三角网中，计算各个地形特征因子之间的Spearman相关系数|R|；

[0069] S23、根据计算出的Spearman相关系数|R|，选择m个地形特征因子。

[0070] 具体地，若|R|≤0.3表示地形特征因子间相关性微弱或不具备相关性，选择有效且独立、相对全面的m个地形特征因子，以便后续进行LiDAR地面点云距离。

[0071] 本实施例的步骤S3具体为：

[0072] S31、对每个地形特征因子，构建对应的半变异函数；

[0073] 其中，半变异函数y(h)为：

[0074]

[0075] 式中，y(h)为区域变化量的变异值，h为空间之后步距，Z(x)和Z(x+h)分别为区域化变量在空间位置x和x+h处的变量值，Ε[·]为期望函数；

[0076] S32、设置半变异函数值为研究区域最大距离的一半，即；

[0077]

[0078] 式中，MaxDis为研究区域的最大距离，lag为步长，m为该步长下的分组数，floor为向下取整；

[0079] S33、使用球模型拟合半变异函数曲线来确定各地形特征因子的空间自相关范围；

[0080] 其中，确定空间自相关范围时的限制条件为：

[0081]

[0082] 在上述过程中，设置变异函数在研究区域最大距离的一半，这样变异函数才有意义，并且使用球模型拟合半变异函数曲线来确定变程值。

[0083] 本实施例的步骤S4具体为：

[0084] 将每一簇原始LiDAR地面点云数据中的地形特征因子对应的空间自相关范围的最小值作为聚类终止阈值，对每一簇分别进行层次聚类，得到聚类结果。

[0085] 其中，聚类结果为基于空间自相关的层次聚类算法(SAHCA)得到的聚类结果。

[0086] 基于空间自相关层次聚类，得到了在空间中距离较近且具有一定地形特征相似性的聚类结果，即地形复杂度不高的聚类结果。

[0087] 本实施例的步骤S5具体为：

[0088] S51、确定SACHCA算法的聚类结果中的每一簇与预处理得到的每一簇的对应关系；

[0089] S52、以SACHCA算法的聚类结果中的每一簇为对象，计算每一簇的平均坡度AvgSlo和对应预处理后的簇的平均坡度TavgSlo；

[0090] S53、根据平均坡度计算结果进行特征点采样，选择出SACHCA算法的聚类结果中所有簇中的特征点，作为点云简化结果。

[0091] 具体地，步骤S53中，根据平均坡度计算结果进行采样时，按以下原则进行采样：

[0092] a.若AvgSlo>TavgSlo，保留当前簇具有最大、最小高程的点作为特征点；

[0093] b.若AvgSlo

[0094] 对地形表面特征复杂程度进行定量描述，有助于在点云简化过程中更好地衡量地面点在非空间要素上的相似性。

[0095] 实施例2：

[0096] 本实施例中设置两组不同形态地形特征的数据，对实验数据进行预处理，设置实验数据1的聚类数K＝60、实验数据2分聚类数K＝48，获得预处理结果如图2所示。之后利用软件GS+7.0的半变异函数分析功能，计算数据预处理后每一簇的变程值。根据设置的聚类终止阈值，使用SAHCA算法分别对两组数据进行层次聚类，得到SAHCA算法的聚类结果。以本文算法简化结果包含的点数N为阈值，选取前N个坡度值最大的点作为点云简化结果。使用基于K‑Means++聚类算法的点云简化算法(K‑Means++算法)、基于坡度的点云简化算法(Slope算法)与本文算法分别对三组实验数据进行实验，选区的实验数据1的区域地形TIN模型如图3所示，区域采样点的空间分布如图4所示。选区的实验数据2的区域地形TIN模型如图5所示，区域采样点的空间分布如图6所示。

[0097] 通过上述实施例可以看出，本发明从简化的高程精度来看，简化精度比K‑Means++算法、Slope算法高，简化效果最好，这是因为本发明引用了聚类思想，在简化的过程中考虑了特征点空间分布上的合理性及地面点之间的地形相似特征性，最终实现了以较少点云构建高精度DEM，为地面点云简化提供了新思路。