下载文档原格式
激光扫描技术的点云滤波与数据处理方法随着科技的不断发展，激光扫描技术逐渐成为了测绘、建筑、制造等领域中不可或缺的工具。
激光扫描通过发送激光束来获取目标物体表面的散射光，并将其转化为点云数据，从而实现对三维空间的精确测量和重构。
然而，在实际的应用过程中，激光扫描技术所得到的点云数据中常常存在一些噪声和无效点，这就需要对点云数据进行滤波和处理，以提高数据质量和准确性。
点云滤波是激光扫描技术中非常重要的一步，其目的是在保留目标物体几何形状和结构的前提下，消除多余的噪声点和无效点。
常用的点云滤波方法包括统计滤波、半径滤波、体素滤波等。
统计滤波是一种基于统计学原理的滤波方法，其核心思想是利用点云数据的统计特性来判断噪声点和有效点。
常用的统计滤波方法有高斯滤波和中值滤波。
高斯滤波通过计算每个点的邻域点的加权平均值来滤除噪声点，而中值滤波则通过将每个点的邻域点排序，然后取中值来消除噪声点。
统计滤波方法适用于小范围的噪声去除，但对于存在大范围噪声的点云数据效果有限。
半径滤波是一种基于点云数据密度的滤波方法，其核心思想是通过计算每个点的邻域点的数量来判断噪声点和有效点。
半径滤波方法根据用户设定的半径参数，对每个点的邻域点进行统计，若邻域点数量小于一定阈值，则判定该点为噪声点。
半径滤波方法能够有效地去除局部密度不均匀的噪声点，但对于尺度变化较大的场景效果可能较差。
体素滤波是一种基于点云数据分割的滤波方法，其核心思想是将点云数据划分为一个个小的体素，通过对每个体素内的点进行统计来判断噪声点和有效点。
体素滤波方法可以有效地滤除大范围的噪声点，但对于细节信息的保留较差。
除了点云滤波之外，激光扫描技术中的点云数据还需要进行数据处理，以提取出目标物体的特征和信息。
常用的点云数据处理方法包括特征提取、曲面重构和点云匹配等。
特征提取是指从点云数据中提取出有意义的特征信息，常用的特征包括表面法向量、曲率、高斯曲率等。
特征提取可以用于目标物体的识别、分割和配准等应用，是点云数据处理中非常重要的一步。
点云滤波参数点云滤波是三维点云处理中常用的技术，它通过对点云数据进行滤波处理，去除噪声和无效点，提取出有效的目标信息。
在点云处理过程中，选择合适的滤波参数对于获取高质量的点云数据非常重要。
本文将介绍几种常用的点云滤波参数及其作用。
一、体素滤波（Voxel Grid Filter）体素滤波是一种基于体素（Voxel）的滤波方法，它将点云数据划分为一个个小的立方体单元，然后对每个立方体内的点进行处理。
体素滤波的参数主要包括体素大小（Voxel Size）和滤波方式（Filter Method）。
体素大小决定了立方体单元的边长，较小的体素可以保留更多细节信息，但计算量较大；较大的体素可以加快计算速度，但会丢失一些细节。
滤波方式通常有平均值滤波（Mean Filter）、最近邻滤波（Nearest Neighbor Filter）和高斯滤波（Gaussian Filter）等。
二、半径滤波（Radius Outlier Removal Filter）半径滤波是一种基于点云密度的滤波方法，它以每个点为中心，在一定半径范围内计算点的密度，并根据设定的阈值判断该点是否为离群点。
半径滤波的参数主要包括搜索半径（Radius）和密度阈值（Density Threshold）。
搜索半径决定了用于计算密度的邻域范围，较小的搜索半径可能无法准确判断密度，较大的搜索半径可能将多个目标点合并为一个。
密度阈值用于判断点的密度是否低于设定的阈值，从而确定离群点。
三、法向滤波（Normal Estimation and Orientation Filter）法向滤波是一种基于法向信息的滤波方法，它利用点云中每个点的法向信息，对点云进行滤波处理。
法向滤波的参数主要包括法向估计方法（Normal Estimation Method）和法向方向（Normal Orientation）。
法向估计方法用于计算每个点的法向量，常用的方法有最小二乘法（Least Squares）和基于协方差矩阵的方法等。
点云滤波原理点云滤波是三维点云处理中的重要步骤，用于去除噪声、减少数据量、提高点云质量。
它可以理解为对点云数据进行平滑处理，以便更好地获取目标物体的形状和结构信息。
本文将介绍点云滤波的基本原理和常用方法。
点云滤波的基本原理是通过分析点云数据的特征，将噪声点从有效点云中去除，从而得到更加干净和精确的点云数据。
点云通常由大量的点组成，每个点都包含了三维坐标信息。
然而，在实际采集过程中，由于传感器的误差、环境干扰等原因，点云中会包含大量噪声点，这些噪声点对后续的点云处理和分析造成影响。
为了去除噪声点，点云滤波方法通常可分为两大类：基于空间的滤波和基于特征的滤波。
基于空间的滤波方法主要利用点云中点之间的空间关系进行滤波。
常见的方法包括体素滤波、半径滤波和统计滤波等。
体素滤波将点云空间划分为小立方体，通过统计每个立方体内点的数量来判断是否为噪声点。
半径滤波则是以每个点为中心，在一定半径范围内统计邻近点的数量，若数量小于设定阈值，则判断为噪声点。
统计滤波则是通过计算每个点与邻近点之间的距离，基于统计原理判断是否为噪声点。
另一类是基于特征的滤波方法，这类方法主要通过分析点云中的特征信息来滤除噪声点。
其中最常用的方法是法线滤波和曲率滤波。
法线滤波是根据每个点周围的法线方向来判断是否为噪声点，若法线方向发生明显变化，则判定为噪声点。
曲率滤波则是通过计算每个点的曲率来判断是否为噪声点，曲率较小的点通常为平滑部分，而曲率较大的点则为边缘或角点。
除了以上方法，还有一些高级滤波方法如高斯滤波、形态学滤波和统计学滤波等，这些方法在特定应用场景下具有较好的滤波效果。
需要根据实际需求选择合适的滤波方法，以达到最佳的滤波效果。
总结起来，点云滤波是三维点云处理中的关键步骤，它能够去除噪声、减少数据量、提高点云质量。
通过分析点云数据的特征，点云滤波方法能够将噪声点从有效点云中去除，从而得到更加干净和精确的点云数据。
基于空间的滤波和基于特征的滤波是常用的滤波方法，而高级滤波方法能够在特定场景下提供更好的滤波效果。
点云数据处理中的滤波方法与应用技巧探究概述：点云数据是一种重要的三维信息获取方式，广泛应用于计算机视觉、机器人导航、地理信息系统等领域。
然而，由于系统噪声、物体表面反射等原因，点云数据中常常包含大量的离群点和噪声，这对于后续的数据处理和分析工作造成了很大的困扰。
因此，滤波方法的应用成为点云数据处理中的一项重要任务。
一、点云数据的滤波方法：1. 统计滤波法统计滤波法是指通过统计点云数据的各项统计特性来实现滤波的方法。
常见的统计滤波方法有均值滤波、中值滤波和高斯滤波等。
均值滤波是一种最简单的滤波方法，通过计算邻域内点云数据的平均值来滤除噪声，但由于没有考虑点云数据的空间关系，导致滤波结果可能造成边缘模糊。
中值滤波则通过选择邻域内点云数据的中值作为滤波结果，能够有效地消除离群点，但对于密集噪声的处理效果较差。
高斯滤波则通过利用高斯函数来实现滤波，能够有效地保护点云数据的边缘信息。
2. 迭代最近点滤波法迭代最近点滤波法（Iterative Closest Point, ICP）是一种常用的点云数据配准算法，可以被用于滤除点云数据中的噪声。
ICP算法通过不断迭代寻找两个点云间的最优转换矩阵，从而实现点云数据的匹配和配准。
在匹配过程中，ICP算法会将距离较大的点云判定为离群点，从而实现噪声过滤的功能。
3. 自适应滤波法自适应滤波法是一种根据点云数据的属性自动调整滤波半径的滤波方法。
该方法通过分析点云数据的领域属性（如曲率、法线等）来判断每个点的重要程度，并根据重要程度来确定滤波半径大小。
通过自适应滤波法，可以保留点云数据中的细节信息，同时滤除噪声。
二、滤波方法的应用技巧：1. 滤波方法的选择在应用滤波方法时，需要根据实际情况选择适当的滤波方法。
例如，若需要尽量保留点云数据的细节信息，可以使用自适应滤波法；若只需要简单地滤除噪声，均值滤波或中值滤波即可。
2. 滤波参数的调整滤波方法中的参数设置对滤波结果有重要影响。
3d点云常用算法3D点云常用算法引言：随着三维感知技术的发展，点云数据作为一种重要形式的三维数据得到了广泛应用。
点云是由大量的离散点构成的，每个点都具有坐标和属性信息。
然而，由于点云数据的特殊性，处理和分析点云数据是一项具有挑战性的任务。
为了有效地处理点云数据，一些常用的算法被广泛应用于点云处理领域。
本文将介绍几个常用的3D点云算法，包括点云滤波、点云配准和点云分割。
一、点云滤波算法点云滤波是点云预处理的重要环节，用于去除点云中的噪声和异常点，从而提高后续处理算法的可靠性和效果。
常见的点云滤波算法包括高斯滤波、中值滤波和统计滤波等。
高斯滤波通过对点云中的每个点进行加权平均来平滑点云数据，适用于去除高频噪声。
中值滤波通过计算邻域内点的中值来替代当前点的值，适用于去除孤立的离群点。
统计滤波则通过计算邻域内点的统计特征来判断当前点是否为噪声点，适用于去除整体分布不符合正态分布的噪声。
二、点云配准算法点云配准是将多个点云数据在同一坐标系下进行对齐的过程。
点云配准算法可以分为刚体配准和非刚体配准两类。
刚体配准是假设点云之间存在刚体变换关系，通过计算变换矩阵将点云对齐。
常见的刚体配准算法包括最小二乘法、Iterative Closest Point (ICP) 和Procrustes分析等。
非刚体配准则是假设点云之间存在非刚体变换关系，通过局部变形模型将点云进行配准。
常见的非刚体配准算法包括Thin Plate Spline (TPS) 和Moving Least Squares (MLS) 等。
三、点云分割算法点云分割是将点云数据划分为多个部分的过程，每个部分代表一个语义区域或对象。
点云分割可以分为基于几何特征和基于属性特征的方法。
基于几何特征的点云分割算法通过计算点云的曲率、法向量或曲率变化等几何属性，将点云分割为不同的部分。
常见的基于几何特征的点云分割算法包括基于曲率的分割、基于法向量的分割和基于区域生长的分割等。
三维点云方向常用算法三维点云是由大量的三维坐标点组成的数据集合，常见于计算机视觉和机器人领域。
在处理三维点云数据时，需要进行一系列的算法处理，以实现不同的功能和应用。
本文将介绍几种常用的三维点云方向算法，包括点云滤波、点云配准和点云分割。
一、点云滤波点云滤波是对原始点云数据进行处理，去除噪声和无效点，以得到更准确、更干净的点云数据。
常见的点云滤波算法有统计滤波、高斯滤波和基于距离的滤波。
1. 统计滤波：统计滤波是根据点云中的统计特性来进行滤波，常用的统计特性包括点的密度、距离和法向量等。
通过设定合适的阈值，可以去除离群点和噪声点，保留有效的点云信息。
2. 高斯滤波：高斯滤波是利用高斯函数对点云进行平滑处理，以减小噪声的影响。
通过设置合适的标准差，可以控制平滑的程度，保留点云的细节信息。
3. 基于距离的滤波：基于距离的滤波是根据点与其周围点之间的距离来进行滤波。
通过设定距离阈值，可以去除与周围点距离过远的点，从而去除离群点和噪声点。
二、点云配准点云配准是将多个点云数据进行对齐，以实现点云的融合或对比分析。
常见的点云配准算法有ICP（Iterative Closest Point）算法、特征点匹配和全局优化算法。
1. ICP算法：ICP算法是一种迭代的点云配准算法，通过不断迭代优化点云的刚体变换参数，使得两个点云之间的对应点之间的距离最小。
ICP算法适用于刚体变换的配准问题，但对初始对齐的要求较高。
2. 特征点匹配：特征点匹配是通过提取点云中的特征点，并寻找两个点云中相对应的特征点，从而实现点云的配准。
常见的特征点包括角点、边缘点和表面法向量等。
3. 全局优化算法：全局优化算法是在初始对齐的基础上，通过优化点云之间的刚体变换参数，使得整个点云数据集的配准效果更好。
常见的全局优化算法包括最小二乘法和非线性优化算法。
三、点云分割点云分割是将点云数据集中的点划分为不同的部分或对象，以实现对点云数据的分类和识别。
点云数据滤波方法综述摘要:本文介绍了点云滤波的基本原理,对异常点检测问题的特点、分类及应用领域进行了阐述,同时对异常点检测的各种算法进行了分类研究与深入分析,最后指出异常点检测今后的研究方向。
关键词:点云滤波离群点1 网格滤波问题目前网格的光顺算法已经得到广泛研究。
网格曲面光顺算法中最经典的算法是基于拉普拉斯算子的方法[1]。
通过求取网格曲面的拉普拉斯算子,并且对网格曲面迭代使用拉普拉斯算法,可以得到平滑的网格曲面。
这种算法的本质是求取网格曲面上某点及其临近点的中心点,将该中心点作为原顶点的新位置。
Jones等根据各顶点的邻域点来预测新顶点位置,该方法的优点是不需要进行迭代计算。
但是上述两种方法的缺点是经过平滑处理后,得到的网格模型会比原来的网格模型体积变小,并且新的模型会出现过平滑问题,也就是原有的尖锐的特征会消失。
为了克服这两个问题,Wu等提出一种基于梯度场的平滑方法,该方法区别于前述的基于法向或顶点的平滑方法,而是通过求解泊松方程来得到平滑的网格曲面。
等提出一种保持原有特征的网格曲面滤波算法,这种滤波方法的目的在于提高滤波后模型的可信度;Fan等提出一种鲁棒的保特征网格曲面滤波算法,这种算法基于以下原则:一个带有噪声的网格曲面对应的本原的曲面应该是分片光滑的,而尖锐特征往往在于多个光滑曲面交界处[2]。
2 点云滤波问题以上网格曲面光顺算法都需要建立一个局部的邻域结构,而点云模型中的各个点本身缺乏连接信息,因此已有的网格光顺算法不能简单的推广到点云模型上来,如果仅仅简单地通过最近邻等方式在点云数据中引入点与点之间的连接关系,那么取得的光顺效果很差。
所以,相对于网格模型来说,对点云模型进行滤波光顺比较困难,而且现有针对点云模型的滤波算法也较少。
逆向工程中广泛采用的非接触式测量仪为基于激光光源的测量仪。
其优点在于能够一次性采集大批量的点云数据,方便实现对软质和超薄物体表面形状的测量,真正实现“零接触力测量”。
三点相关滤波（Three-point correlation filter）是一种信号处理方法，主要用于消除噪声、提取信号特征和进行模式识别等。
该方法的基本原理是通过三个点的相关性来描述信号的变化趋势，从而实现滤波效果。
在三点相关滤波中，通常选取三个点作为参考点，这些点可以是信号中相邻的三个数据点，也可以是其他特定的点。
通过计算这三个点的相关性，可以得到一个滤波器系数，该系数用于描述信号的变化趋势。
然后，根据该滤波器系数对信号进行滤波处理，从而消除噪声或提取信号特征。
三点相关滤波的实现方式可以根据具体的应用场景和需求进行选择。
例如，可以使用滑动窗口的方式实现动态滤波，也可以使用固定窗口的方式实现静态滤波。
同时，还可以根据不同的需求选择不同的滤波器类型，如线性滤波器、非线性滤波器等。
总之，三点相关滤波是一种简单而有效的信号处理方法，具有广泛的应用前景。
在实际应用中，可以根据具体的需求选择合适的实现方式和滤波器类型，以获得更好的滤波效果。
点云数据在形状检测和分类、立体视觉、运动恢复结构、多视图重建中都有广泛的使用。
点云的存储、压缩、渲染等问题也是研究的热点。
随着点云采集设备的普及、双目立体视觉技术、VR和AR的发展，点云数据处理技术正成为最有前景的技术之一。
PCL是三维点云数据处理领域必备的工具和基本技能。
1. 点云滤波（数据预处理）点云滤波，顾名思义，就是滤掉噪声。
原始采集的点云数据往往包含大量散列点、孤立点点云滤波的主要方法有：双边滤波、高斯滤波、条件滤波、直通滤波、随机采样一致滤波、VoxelGrid滤波等，这些算法都被封装在了PCL点云库中。
2. 点云关键点我们都知道在二维图像上，有Harris、SIFT、SURF、KAZE这样的关键点提取算法，这种特征点的思想可以推广到三维空间。
从技术上来说，关键点的数量相比于原始点云或图像的数据量减小很多，与局部特征描述子结合在一起，组成关键点描述子常用来形成原始数据的表示，而且不失代表性和描述性，从而加快了后续的识别，追踪等对数据的处理了速度，故而，关键点技术成为在2D和3D 信息处理中非常关键的技术。
常见的三维点云关键点提取算法有：ISS3D、Harris3D、NARF、SIFT3D，其中NARF算法是用的比较多的。
3. 特征和特征描述如果要对一个三维点云进行描述，光有点云的位置是不够的，常常需要计算一些额外的参数，比如法线方向、曲率、纹理特征等等。
如同图像的特征一样，我们需要使用类似的方式来描述三维点云的特征。
常用的特征描述算法有：法线和曲率计算、特征值分析、PFH、FPFH、3D Shape Context、Spin Image等。
PFH：点特征直方图描述子，FPFH：跨苏点特征直方图描述子，FPFH是PFH 的简化形式。
4. 点云配准点云配准的概念也可以类比于二维图像中的配准，只不过二维图像配准获取得到的是x，y，alpha，beta等仿射变化参数，三维点云配准可以模拟三维点云的移动和旋转，也就是会获得一个旋转矩阵和一个平移向量，通常表达为一个4×3的矩阵，其中3×3是旋转矩阵，1*3是平移向量。
点云滤波方法的实现步骤
嘿，咱今儿个就来讲讲点云滤波方法的实现步骤哈！这可真是个有
趣又有点复杂的玩意儿呢！
你想啊，点云就像是一堆星星点点的小秘密，散布在一个空间里。
而我们要做的呢，就是把这些小秘密整理得干干净净、清清爽爽的。
第一步呢，就好像是给这些点云洗个澡，把那些明显的杂质给去掉。
就好比你洗衣服，得先把大泥巴块儿啥的给拣出来吧。
这一步就是把
那些特别突出的、不和谐的点给剔除掉。
第二步呢，就有点像给它们来个分类整理啦。
把相似的点归到一块儿，让它们找到自己的小伙伴。
这可不是个简单的事儿哦，得仔细着
点儿呢。
第三步呀，就像是给这些整理好的点云来个美容，让它们变得更加
光滑、好看。
把那些小锯齿啊、小疙瘩啊都给抹平咯。
第四步呢，是检查检查有没有遗漏的小问题呀。
就跟你做完作业得
检查一遍似的，可不能马虎哟！
你说这是不是很有意思呀？就好像在玩一个拼图游戏，要把这些点
点都拼成一幅美丽的图画。
哎呀，想想看，如果没有这些滤波方法，那点云不就乱成一团麻啦？那可不行，咱得把它们弄得清清楚楚、明明白白的。
这每一步都得认真对待呀，不能有丝毫的马虎。
就像盖房子，要是基础没打好，那房子不就摇摇欲坠啦？
所以说呀，点云滤波方法的实现步骤可太重要啦！咱得好好琢磨琢磨，把这个技术掌握得透透的。
这样以后遇到什么点云问题，咱都能轻松搞定啦！你说是不是这个理儿呀？。
点云形态学滤波
摘要：
1.点云形态学滤波的概述
2.点云形态学滤波的基本原理
3.点云形态学滤波的应用领域
4.点云形态学滤波的前景与挑战
正文：
点云形态学滤波是一种在计算机视觉和图形学中广泛应用的技术，主要用于处理点云数据，通过去除噪声、提取特征等操作，从而改善点云数据的质量，提高后续处理和分析的效率。
点云形态学滤波的基本原理是利用形态学的基本操作，如膨胀、腐蚀、开运算和闭运算等，对点云数据进行处理。
通过这些操作，可以有效地去除噪声、消除孤立点、提取边缘和凸包等特征。
形态学滤波的关键是选择合适的形态学操作和参数，以达到最佳的滤波效果。
点云形态学滤波在许多领域都有广泛的应用，如三维重建、场景理解、机器人导航等。
在三维重建中，点云形态学滤波可以用于去除噪声，提高点云数据的可用性；在场景理解中，形态学滤波可以帮助提取物体的边缘和凸包，提高语义分割的准确性；在机器人导航中，滤波后的点云数据可以提供更清晰的环境信息，提高导航精度。
尽管点云形态学滤波在许多领域都取得了显著的成果，但仍然面临着一些挑战。
首先，如何选择合适的形态学操作和参数是一个关键问题，需要根据具
体的应用场景和数据特点进行优化。
其次，点云数据的规模通常很大，形态学滤波的计算量也相应较大，如何提高滤波速度也是一个重要的研究方向。
最后，随着深度学习等新技术的发展，点云形态学滤波如何与这些技术相结合，进一步提高处理和分析效率，也是一个值得关注的问题。
总之，点云形态学滤波作为一种有效的点云处理技术，在许多领域都取得了显著的成果。
点云滤波算法
点云滤波是一种有效的三维数据处理算法，它可以帮助研究人员去除噪声和其他类型的异常信息，以有效和准确地识别出感兴趣的目标点或形状。
点云滤波算法是应用计算机技术对目标特征之间分组，具有丰富的形式和技术，在几乎所有的三维数据处理任务中都很有用，这无疑也增加了计算繁琐性。
点云滤波算法一般使用空间坐标系统(如平面坐标，球面坐标，极坐标)来测量数据的空间关系，根据空间关系来滤波噪音和离群点。
它可以提取偏离规律的密集或合理的空间位置的点，以便识别感兴趣的形状，有效识别出复杂环境中的目标。
点云滤波算法常用的滤波技术是空间域滤波，其基本思想是比较当前点与其邻域（比如其所属网格）中的其他点之间的差异。
空间域滤波常用的算法有KNN、体素算法、基于密度的聚类等，根据距离的不同，可以给噪声和离群点分出不同的分类，有效清除影响结果的信息。
另一种常用的滤波方法是投影滤波，它假定一个点的投影的结构是规律的，然后提取相同规律的投影特征，根据特征来反映点的结构分布和密度，以此来抑制噪声和离群点，更有利于目标提取和分类。
总之，点云滤波算法在三维数据处理中功能十分重要，有效的滤波技术可以帮助研究人员提取有价值的信息，准确地识别出感兴趣的目标。
激光雷达点云数据滤波算法综述滤波对象及目的：通过机载激光雷达快速获取高精度三维地理数据，对它所获取的点云数据的滤波过程就是将LIDAR点云数据中的地面点和非地面点分离的过程。
滤波方法：对数学形态学的滤波算法、基于坡度的滤波法、基于ＴＩＮ的LIDAR点云过滤算法、基于伪扫描线的滤波算法、基于多分辨率方向预测的LIDAR点云滤波方法。
（一）LIDAR数据形态学滤波算法：（1）离散点云腐蚀处理。
遍历LIDAR点云数据，以任意一点为中心开ｗ×ｗ大小的窗口，比较窗口内各点的高程，取窗口内最小高程值为腐蚀后的高程（2）离散点膨胀处理。
再次遍历LIDAR点云数据，对经过腐蚀后的数据用同样大小的结构窗口做膨胀。
即以任意一点为中心开ｗ×ｗ大小的窗口，此时，用腐蚀后的高程值代替原始高程值，比较窗口内各点的高程，取窗口内最大高程值为膨胀后的高程（3）地面点提取。
设Z p是p点的原始高程，ｔ为阈值，在每点膨胀操作结束时，对该点是否是地面点作出判断。
如果ｐ点膨胀后的高程值和其原始高程值Z p之差的绝对值小于或等于阈值ｔ，则认为ｐ点为地面点，否则为非地面点该算法有两种滤波方式：一种是按离散点进行滤波，一种是按格网滤波。
（1）按离散点滤波：是对每个激光点进行腐蚀和膨胀操作各一次，结构窗口内数据的选取按距离来量度。
（2）按格网滤波：指将每个格网看成一个“像素”，按照数字图像处理中取邻域的方法来开取结构窗口。
腐蚀时，格网的“像素值”即为ｗ×ｗ邻域所包含格网的最小高程值；膨胀时，格网的“像素值”即为ｗ×ｗ邻域所包含格网的最大高程值。
优缺点：总体上，数学形态学算法存在的主要问题是坡度阈值的人工选取和细节地形的方块效应。
如果阈值设定太大，可能保留一些低矮的地物目标，设定太小，则可能削平地形特征。
现在各种阈值的选取一般根据研究者的经验设定，或者根据地形特征设定的，没有考虑全局的特征因素，不具有普适性。
测绘技术中的点云处理方法随着科技的不断发展和进步，测绘技术也在不断创新和演进。
其中，点云处理方法成为了测绘技术中的重要组成部分。
点云是通过激光雷达或摄影测量等设备获取的大量离散点数据，它广泛应用于三维建模、地理信息系统以及数字化文化遗产保护等领域。
本文将介绍几种常见的点云处理方法，包括点云滤波、点云配准、点云分割和点云重建。
点云滤波是点云处理的首要任务。
由于采集设备的不完美性或环境干扰等原因，点云中常常存在一些噪声和无用信息。
点云滤波的目的是去除这些干扰项，提取出有效和准确的数据。
常见的点云滤波方法包括统计滤波、高斯滤波和中值滤波等。
统计滤波通过计算邻域点之间的统计特征，去除与周围点相比明显异常的点。
高斯滤波则通过将点云中的点与高斯函数进行卷积来实现平滑效果。
而中值滤波则通过计算邻域点的中值来替代原始数据，有效地去除了离群点。
点云配准是将多个点云数据进行对齐和拼接的过程。
在实际应用中，我们通常需要获取不同角度或位置的点云信息，然后将它们融合成一个完整的三维模型。
点云配准的任务就是找到多个点云之间的对应关系，然后根据对应关系进行坐标转换，实现点云的对齐。
点云配准方法有很多种，包括特征点匹配、迭代最近点（ICP）算法、基于几何特征的方法等。
特征点匹配通过在点云中提取显著的几何特征，然后通过匹配这些特征点来实现配准。
而ICP算法则通过迭代优化的方式，将两个点云的最近点之间的距离最小化。
基于几何特征的方法则通过提取点云的形状特征，如法向量和曲率等，来实现配准。
点云分割是将点云数据划分为不同的物体或局部区域的过程。
点云数据通常包含多个物体或场景的信息，通过对点云进行分割，可以实现对不同物体的识别和提取。
点云分割方法有很多种，如基于聚类的方法、基于法向量的方法和基于颜色的方法等。
基于聚类的方法通过计算点云之间的距离和相似性，将相互之间距离较近的点划分为同一个类别。
基于法向量的方法则通过计算点云中每个点的法向量，将法向量相似的点划分为同一个区域。
matlab 点云滤波算法Matlab点云滤波算法点云滤波是三维点云处理中常用的一种技术，主要用于去除点云中的噪声，平滑点云数据，提取有效信息等。
Matlab作为一种强大的数学计算软件，提供了丰富的函数和工具箱，可以方便地实现点云滤波算法。
点云滤波的基本原理是通过对点云数据进行采样和加权计算，将噪声点和无效点进行滤除，从而得到更加干净和有效的点云数据。
下面将介绍几种常见的点云滤波算法及其在Matlab中的实现。
1. 体素滤波体素滤波是一种基于体素的滤波方法，将点云空间划分为一个个小的立方体单元，对每个单元内的点进行统计和处理。
体素滤波可以有效地去除点云数据中的离群点和噪声，平滑点云数据。
在Matlab 中，可以使用pointCloud对象和pcdownsample函数实现体素滤波，具体步骤如下：（1）将点云数据转换为pointCloud对象：使用pointCloud函数将点云数据转换为pointCloud对象，方便后续操作。
（2）设置体素大小：通过设置体素大小来控制滤波的程度，体素大小越小，过滤效果越明显。
（3）进行体素滤波：使用pcdownsample函数对pointCloud对象进行体素滤波，得到滤波后的点云数据。
2. 半径滤波半径滤波是一种基于点云中每个点周围邻域范围内点的统计信息进行滤波的方法。
对于每个点，通过计算其周围邻域内点的距离来判断其是否为噪声点或无效点，进而进行滤除或保留。
在Matlab中，可以使用pointCloud对象和pcdenoise函数实现半径滤波，具体步骤如下：（1）将点云数据转换为pointCloud对象：使用pointCloud函数将点云数据转换为pointCloud对象。
（2）设置滤波半径：通过设置滤波半径来控制滤波的范围，半径越大，保留的点越多。
（3）进行半径滤波：使用pcdenoise函数对pointCloud对象进行半径滤波，得到滤波后的点云数据。
3. 网格滤波网格滤波是一种基于点云数据的网格化表示进行滤波的方法。
点云滤波原理点云滤波是一种用于处理三维点云数据的方法，可以通过去除噪声、平滑曲面和提取特征等操作，从而改善点云数据的质量和可视化效果。
在计算机视觉、机器人学和虚拟现实等领域中，点云滤波被广泛应用于物体识别、地图构建和环境感知等任务。
点云是由大量离散的三维点组成的数据集合，每个点都包含了坐标信息和可能的其他属性，例如颜色、法向量和强度等。
然而，由于采集设备的限制或环境干扰等原因，点云数据往往受到噪声的影响，存在着大量的离群点或不规则形状。
因此，在点云处理过程中，滤波操作是必不可少的。
点云滤波的核心思想是通过对点云数据进行采样或重构，从而得到更干净和平滑的点云。
一般来说，点云滤波可以分为两类：基于采样的滤波和基于重构的滤波。
基于采样的滤波方法主要通过降低点云数据的密度来减少噪声。
常见的采样方法包括随机采样、体素格网采样和球面采样等。
随机采样是最简单的方法，它通过从原始点云中随机选择一部分点来实现降采样。
体素格网采样将点云空间划分为小的立方体单元，然后在每个单元中选择一个代表性的点作为采样结果。
球面采样则是在点云表面上按照一定的规则选择采样点，以保持点云的表面特征。
基于重构的滤波方法则通过对点云数据进行曲面重构来平滑点云，从而去除噪声。
常见的重构方法包括基于网格的重构和基于插值的重构。
基于网格的重构方法将点云数据转化为网格结构，然后通过对网格上的点进行插值计算得到平滑的曲面。
基于插值的重构方法则根据点云数据的拓扑结构和特征属性，通过插值函数对点云进行重构，从而平滑点云。
除了噪声的去除和点云的平滑，点云滤波还可以用于特征提取。
例如，通过计算点云的法向量、曲率或表面特征等属性，可以识别出点云中的物体或表面特征。
这些特征提取方法在三维物体识别、环境感知和地图构建等任务中起着重要作用。
点云滤波是一种处理三维点云数据的关键技术。
通过去除噪声、平滑曲面和提取特征等操作，可以改善点云数据的质量和可视化效果。
在计算机视觉、机器人学和虚拟现实等领域中，点云滤波被广泛应用于物体识别、地图构建和环境感知等任务。
pcl 点云平滑滤波算法
PCL（点云库）是一个用于点云处理的开源库，提供了许多点云平滑滤波算法。
点云平滑滤波的目的是去除噪声并平滑点云数据，以便进行后续的特征提取、分割或重建等操作。
下面我将介绍几种常见的PCL点云平滑滤波算法：
1. StatisticalOutlierRemoval，这是一种基于统计学的离群点移除算法，它通过计算每个点周围邻域的统计特征（如平均距离和标准差）来识别和移除离群点。
2. MovingLeastSquares，这是一种基于最小二乘法的平滑滤波算法，它通过拟合局部曲面来对点云进行平滑处理，适用于曲面重建和光滑曲面拟合。
3. VoxelGrid，这是一种基于体素格的下采样方法，它通过将点云数据划分为体素格并计算每个体素格中的平均值来实现平滑滤波和降采样。
4. BilateralFilter，这是一种双边滤波算法，它考虑了空间距离和属性相似性两个因素，能够在保持边缘信息的同时进行平滑
滤波。
5. MLS（Moving Least Squares），这是一种基于最小二乘法的平滑滤波算法，它通过拟合局部曲面来对点云进行平滑处理，适用于曲面重建和光滑曲面拟合。
以上列举的几种算法都是PCL中常用的点云平滑滤波算法，它们可以根据具体应用场景和需求进行选择和调整。
需要根据具体的点云数据特点和处理目标来合理选择和使用这些算法，以达到最佳的平滑滤波效果。
希望这些信息能对你有所帮助。
点云形态学滤波【实用版】目录1.点云形态学滤波的概述2.点云形态学滤波的基本原理3.点云形态学滤波的方法4.点云形态学滤波的应用5.点云形态学滤波的优缺点正文【提纲】1.点云形态学滤波的概述点云形态学滤波是一种基于形态学理论的点云数据处理方法。
它通过对点云数据进行腐蚀和膨胀操作，以达到去除噪声、滤除细节、简化模型等目的。
这种方法在三维扫描、计算机视觉和机器人领域有着广泛的应用。
2.点云形态学滤波的基本原理点云形态学滤波的基本原理是利用形态学操作对点云数据进行处理。
其中，腐蚀操作是通过去除点云中的特定区域来实现滤波；而膨胀操作则是通过连接点云中的邻近点来实现滤波。
这两种操作可以根据不同的需求进行组合，以达到最佳的滤波效果。
3.点云形态学滤波的方法点云形态学滤波的方法主要包括以下几种：（1）基于距离的滤波方法：该方法根据点云中点的距离来判断是否需要进行滤波。
距离较大的点被认为是噪声，需要被滤除。
（2）基于密度的滤波方法：该方法根据点云的密度分布来判断是否需要进行滤波。
密度较低的区域被认为是噪声，需要被滤除。
（3）基于模型的滤波方法：该方法根据预先构建的模型来对点云进行滤波。
通过将点云与模型进行比较，可以识别出点云中的噪声，并将其滤除。
4.点云形态学滤波的应用点云形态学滤波在许多领域都有广泛的应用，包括：（1）三维扫描：通过对扫描得到的点云数据进行滤波，可以提高三维模型的质量，去除扫描过程中产生的噪声。
（2）计算机视觉：通过对图像中的点云数据进行滤波，可以提高图像的质量，去除图像中的噪声。
（3）机器人领域：通过对激光雷达获取的点云数据进行滤波，可以提高机器人导航和定位的精度。
5.点云形态学滤波的优缺点点云形态学滤波具有以下优缺点：优点：（1）能有效去除点云中的噪声，提高数据质量。
（2）方法简单，易于实现，计算复杂度较低。
（3）适用于不同类型的点云数据。
缺点：（1）对于具有复杂结构的点云，滤波效果可能不理想。
融合点、对象、关键点等3种基元的点云滤波方法林祥国;张继贤;宁晓刚;段敏燕;臧艺【摘要】Primitive,being the basic processing unit,is one of the key factors to determine the accuracy and efficiency of point cloud filtering.Triangular irregular network (TIN)progressive densification (TPD) and object-based TIN progressive densification (OTPD)are two existing filtering methods,but single primitive is employed by them.A multiple-primitives-based TIN progressive densification (MPTPD)filtering method is proposed.It is composed of three key stages,including point cloudsegmentation,extraction of key points of objects,the key-points-based judging of the objects.Specifically,point,object and the key points are the primitive of the above three stages respectively.Four testingdatasets,including two airborne LiDAR and two photogrammetric point clouds,are used to verify the overall performances of the above three filtering methods.Experimental results suggest that the proposed MPTPD has the best overall performance.In the viewpoint of accuracy,MPTPD and OTPD have the similar accuracy.Moreover, compared with the TPD,MPTPD is able to reduce omission errors and total errors by 22.07% and8.44%respectively.In the viewpoint of efficiency,under most of the cases,TPD is the highest,MPTPD is the second,and OTPD is the slowest.Moreover,the total time cost of MPTPD is only 57.93% of the one of OTPD.%基元是影响点云滤波精度和效率的关键因素之一.本文提出了一种基于多基元的三角网渐进加密(MPTPD)滤波方法.它包括点云分割、对象关键点提取、基于关键点的对象类别判别3个主要阶段,且3个阶段的基元分别为点、对象、关键点.使用了4景机载激光雷达和摄影测量点云数据对MPTPD、三角网渐进加密(TPD)、基于对象的三角网渐进加密(OTPD)3种滤波方法进行了性能测试.试验表明,MPTPD方法具有整体上最优的性能：在精度方面,MPTPD 与 OTPD 两种方法的精度相当, MPTPD方法的一类误差 I、总误差 T比 TPD的相应误差分别低约22．07％和8．44％；在效率方面,多数情况下 TPD、MPTPD、OTPD 方法的效率依次降低,且 MPTPD 的平均耗时是 OTPD 平均耗时的57．93％.【期刊名称】《测绘学报》【年(卷),期】2016(045)011【总页数】10页(P1308-1317)【关键词】滤波;激光雷达点云;摄影测量点云;对象;三角网【作者】林祥国;张继贤;宁晓刚;段敏燕;臧艺【作者单位】中国测绘科学研究院，北京 100830;中国测绘科学研究院，北京100830;中国测绘科学研究院，北京 100830;中国测绘科学研究院，北京 100830;中国测绘科学研究院，北京 100830【正文语种】中文【中图分类】P237随着激光雷达(light detection and ranging，LiDAR)[1]测量、多视影像密集匹配[2]技术的完善和行业应用的深入，点云滤波的重要性日益突出。
点云形态学滤波引言点云形态学滤波是一种在三维空间中对点云数据进行形态学操作的方法。
它通过结构元素和形态学操作来改变点云的形状和结构，以达到去噪、平滑和特征提取等目的。
本文将对点云形态学滤波的原理、方法和应用进行全面、详细、完整且深入地探讨。
点云的基本概念在介绍点云形态学滤波之前，我们首先需要了解点云的基本概念。
点云是由大量离散的点组成的三维数据集合，每个点都有坐标和属性信息。
点云可以由激光雷达、摄像头等传感器获取，广泛应用于计算机图形学、机器人视觉、三维重建等领域。
形态学滤波的基本原理形态学滤波是一种基于形态学操作的图像处理方法，它利用结构元素在图像上进行腐蚀、膨胀等操作，改变图像的形状和结构。
在点云形态学滤波中，我们可以将点云看作是离散的三维图像，通过类似的操作来改变点云的形态。
形态学滤波的基本原理可以概括为以下几个步骤： 1. 定义结构元素：结构元素是一个小的形状，在滤波过程中用于对点云进行操作。
常见的结构元素包括球体、立方体等。
2. 对点云进行膨胀操作：膨胀操作可以将结构元素沿着点云表面进行扩张，使得点云的形状更加平滑。
这可以通过将结构元素与点云进行相交运算来实现。
3. 对点云进行腐蚀操作：腐蚀操作可以将结构元素沿着点云表面进行收缩，使得点云的形状更加细节化。
这可以通过将结构元素与点云进行相减运算来实现。
4. 结合膨胀和腐蚀操作：通过多次迭代膨胀和腐蚀操作，可以改变点云的形状和结构，达到滤波的效果。
常见的点云形态学滤波方法在实际应用中，有许多不同的点云形态学滤波方法可供选择。
下面介绍几种常见的方法：1. 体素网格滤波体素网格滤波是一种基于体素网格的点云滤波方法。
它将点云划分为一系列小的体素，然后利用形态学操作对每个体素进行滤波。
通过调整体素的大小和形状，可以控制滤波的效果。
2. 泊松重建滤波泊松重建滤波是一种基于泊松重建算法的点云滤波方法。
它通过对点云进行重建，然后利用形态学操作对重建结果进行滤波。
㊀２０１６年１１月A c t aG e o d a e t i c ae tC a r t o g r a p h i c aS i n i c a N o v e m b e r,２０１６㊀㊀第４５卷㊀第１１期测㊀绘㊀学㊀报V o l．４５,N o．１１引文格式:林祥国,张继贤,宁晓刚,等．融合点㊁对象㊁关键点等３种基元的点云滤波方法[J]．测绘学报,２０１６,４５(１１):１３０８Ｇ１３１７．D O I:１０．１１９４７/j．A G C S．２０１６．２０１６０３７２．L I N X i a n g g u o,Z HA N GJ i x i a n,N I N G X i a o g a n g,e ta l．F i l t e r i n g o fP o i n tC l o u d sU s i n g F u s i o no fT h r e eT y p e so fP r i m i t i v e sI n c l u d i n g P o i n t s,O b j e c t sa n d K e y P o i n t s[J]．A c t aG e o d a e t i c ae tC a r t o g r a p h i c aS i n i c a,２０１６,４５(１１):１３０８Ｇ１３１７．D O I:１０．１１９４７/j．A G C S．２０１６．２０１６０３７２．融合点㊁对象㊁关键点等３种基元的点云滤波方法林祥国,张继贤,宁晓刚,段敏燕,臧㊀艺中国测绘科学研究院,北京１００８３０F i l t e r i n g o fP o i n tC l o u d sU s i n g F u s i o no fT h r e eT y p e so fP r i m i t i v e s I n c l u d i n g P o i n t s,O b j e c t sa n dK e y P o i n t sL I NX i a n g g u o,Z H A N GJ i x i a n,N I N GX i a o g a n g,D U A N M i n y a n,Z A N GY iC h i n e s eA c a d e m y o f S u r v e y i n g a n dM a p p i n g,B e i j i n g１００８３０,C h i n aA b s t r a c t:P r i m i t i v e,b e i n g t h eb a s i c p r o c e s s i n g u n i t,i s o n eo f t h e k e y f a c t o r s t od e t e r m i n e t h ea c c u r a c y a n de f f i c i e n c y o f p o i n t c l o u d f i l t e r i n g．T r i a n g u l a r i r r e g u l a r n e t w o r k(T I N)p r o g r e s s i v ed e n s i f i c a t i o n(T P D) a n do b j e c tＧb a s e dT I N p r o g r e s s i v ed e n s i f i c a t i o n(O T P D)a r et w oe x i s t i n g f i l t e r i n g m e t h o d s,b u ts i n g l e p r i m i t i v e i s e m p l o y e db y t h e m．Am u l t i p l eＧp r i m i t i v e sＧb a s e dT I N p r o g r e s s i v ed e n s i f i c a t i o n(M P T P D)f i l t e r i n g m e t h o d i s p r o p o s e d．I t i s c o m p o s e do f t h r e e k e y s t a g e s,i n c l u d i n gp o i n t c l o u d s e g m e n t a t i o n,e x t r a c t i o no f k e y p o i n t s o f o b j e c t s,t h e k e yＧp o i n t sＧb a s e d j u d g i n g o f t h eo b j e c t s．S p e c i f i c a l l y,p o i n t,o b j e c t a n d t h ek e y p o i n t sa r et h e p r i m i t i v eo ft h e a b o v et h r e es t a g e sr e s p e c t i v e l y．F o u rt e s t i n g d a t a s e t s,i n c l u d i n g t w o a i r b o r n e L i D A Ra n d t w o p h o t o g r a m m e t r i c p o i n t c l o u d s,a r eu s e d t ov e r i f y t h eo v e r a l l p e r f o r m a n c e so f t h e a b o v e t h r e e f i l t e r i n g m e t h o d s．E x p e r i m e n t a l r e s u l t s s u g g e s t t h a t t h e p r o p o s e dM P T P Dh a s t h eb e s t o v e r a l l p e r f o r m a n c e．I nt h ev i e w p o i n to fa c c u r a c y,M P T P D a n d O T P D h a v et h es i m i l a ra c c u r a c y．M o r e o v e r, c o m p a r e dw i t h t h eT P D,M P T P D i sa b l e t o r e d u c eo m i s s i o ne r r o r sa n d t o t a l e r r o r sb y２２．０７％a n d８．４４％r e s p e c t i v e l y．I n t h ev i e w p o i n to fe f f i c i e n c y,u n d e rm o s to f t h ec a s e s,T P Di s t h eh i g h e s t,M P T P Di s t h e s e c o n d,a n dO T P D i s t h es l o w e s t．M o r e o v e r,t h e t o t a l t i m ec o s t o fM P T P D i so n l y５７．９３％o f t h eo n eo f O T P D．K e y w o r d s:f i l t e r i n g;L i D A R p o i n t c l o u d;p h o t o g r a m m e t r i c p o i n t c l o u d;o b j e c t s;t r i a n g u l a r i r r e g u l a r n e t w o r k F o u n d a t i o n s u p p o r t:T h eN a t i o n a l N a t u r a l S c i e n c e F o u n d a t i o n s o f C h i n a(N o．４１３７１４０５);T h e F o u n d a t i o n f o r R e m o t eS e n s i n g Y o u n g T a l e n t sb y t h e N a t i o n a l R e m o t e S e n s i n g C e n t e r o f C h i n a;T h e B a s i c R e s e a r c h F u n d o f t h eC h i n e s eA c a d e m y o f S u r v e y i n g a n dM a p p i n g(N o．７７７１６１１０３)摘㊀要:基元是影响点云滤波精度和效率的关键因素之一.本文提出了一种基于多基元的三角网渐进加密(M P T P D)滤波方法.它包括点云分割㊁对象关键点提取㊁基于关键点的对象类别判别３个主要阶段,且３个阶段的基元分别为点㊁对象㊁关键点.使用了４景机载激光雷达和摄影测量点云数据对M P T P D㊁三角网渐进加密(T P D)㊁基于对象的三角网渐进加密(O T P D)３种滤波方法进行了性能测试.试验表明,M P T P D方法具有整体上最优的性能:在精度方面,M P T P D与O T P D两种方法的精度相当, M P T P D方法的一类误差I㊁总误差T比T P D的相应误差分别低约２２．０７％和８．４４％;在效率方面,多数情况下T P D㊁M P T P D㊁O T P D方法的效率依次降低,且M P T P D的平均耗时是O T P D平均耗时的５７．９３％.关键词:滤波;激光雷达点云;摄影测量点云;对象;三角网中图分类号:P２３７㊀㊀㊀㊀文献标识码:A㊀㊀㊀㊀文章编号:１００１Ｇ１５９５(２０１６)１１Ｇ１３０８Ｇ１０基金项目:国家自然科学基金(４１３７１４０５);遥感青年科技人才创新资助计划;中国测绘科学研究院基本第１１期林祥国,等:融合点㊁对象㊁关键点等３种基元的点云滤波方法科研业务费(７７７１６１１０３)㊀㊀随着激光雷达(l i g h td e t e c t i o na n dr a n g i n g, L i D A R)[１]测量㊁多视影像密集匹配[２]技术的完善和行业应用的深入,点云滤波的重要性日益突出.本文的点云涉及机载L i D A R点云和航空㊁航天多视立体影像密集匹配的点云等３种类型.在点云处理和信息提取领域,滤波是指区分点云中的地面点和非地面点的过程[１,３],它是生成数字高程模型(D E M)㊁分类㊁目标识别和三维重建的基础和必经的步骤[４].文献[１,４Ｇ５]对目前众多点云滤波方法进行了系统的介绍.其中,有代表性的方法有三角网(t r i a n g u l a r i r r e g u l a r n e t w o r k,T I N)渐进加密(T I N p r o g r e s s i v e d e n s i f i c a t i o n,T P D)[６Ｇ７]㊁分层稳健线性内插[８]㊁坡度滤波[９]㊁数学形态学滤波[１０]㊁基于聚类/对象的滤波[１１Ｇ１２]等.已有方法中涉及的基元(基本处理单元)有点[６Ｇ７]㊁对象[１１Ｇ１２]㊁体素[１３]或剖面[１４]等多种类型;且后３种基元具有一定的共性,本质上是点基元的一种集合和再组织方式,本文仅关注其中的对象.由于点易受粗差㊁地形断裂的负面影响,而对象比点更能增强点云处理效果[１５],因此基于对象的点云滤波方法[１６Ｇ２１]是研究的一个热点.然而,与基于点的滤波方法相比,尽管基于对象的滤波方法可以在一定程度上提高滤波精度,但是也存在效率低下的问题[２１].文献[２２]提出基于多实体的点云分类方法,在分类的不同阶段使用不同的实体以实现更优的分类效果.借鉴上述策略,本文设计一种既能继承基于对象方法的优势㊁又不显著降低基于点方法的效率的滤波技术,即同时提高基于点的T P D 方法[６]精度和基于对象的三角网渐进加密(o b j e c tＧb a s e dT P D,O T P D)方法[２１]效率,本文称之为基于多基元的三角网渐进加密(m u l t i p l eＧp r i m i t i v e sＧb a s e dT P D,M P T P D)方法.它有３个创新点:①使用多基元㊁而非单一的基元参与运算,其中多基元包括点㊁对象㊁关键点等３种类型,且在不同阶段使用不同类型的基元;②使用关键点代替对象参与判别,即在核心判别步骤中,使用对象的关键点替代对象进行运算以提高效率;③提出一种简单㊁快捷的关键点检测算法.特别指出,本文的一个 对象 指 点云分割后具有同一标号的点集 , 关键点 又是对象点集的一个子集,即关键点本质上仍然是原始点云中的点,而非额外创造的,但是关键点具有特殊性.另外,处理一个 对象 ,可以通过处理该对象包含的点集来实现,也可以通过处理 关键点 来实现.１㊀本文的滤波方法M P T P D方法包括基于表面生长的点云分割㊁对象关键点提取㊁基于关键点的对象类别判别等３个主要步骤.整体技术框架如图１所示;图２展示了某一点云各个处理步骤的效果,文中数字 １ 代表 非地面点类 ,数字 ２ 代表 地面点类.图１㊀本文方法的整体技术流程图F i g．１㊀T h ew h o l ew o r k f l o wo f t h e p r o p o s e dm e t h o d １．１㊀基于表面生长的点云分割点云分割是对点云数据中每个点按照一定的判别规则进行标号的过程.分割后,满足同一规则的点集被赋予同一标号,且每一点集称为一个对象.本文判别的是３D空间中邻近且共平面的点.另外,不满足上述判别规则的孤立点㊁邻近点数目不足的点㊁共平面性差的点亦会被标号.鉴于表面生长[２３]算法具有所需参数少㊁分割效果好㊁普适性好的特点,本文使用它对点云进行分割,其主要步骤如下.第１步,估计法向量和残差,处理过程如下.(１)加载点云数据,并将所有点的类别标记为 １ ㊁标号状态记为 未分割 ,设共计有n 个点.(２)建立点云的三维k dＧt r e e[２４]空间索引.(３)逐一处理每一个点,即对第i(i＝０,２, ,n－１)个点,首先利用k dＧt r e e求取其k个最临近点,然后利用特征值法[２５]求当前点及k个邻近点构成点集的拟合平面方程,即可确定第i个９０３１N o v e m b e r ２０１６V o l ．４５N o ．１１A G C Sh t t p :ʊx b ．s i n o m a ps ．c o m 点的法向量φi 及其残差λi .第２步,进行区域生长.图２展示了表面生长过程.该过程需要设定两个参数,包括法向量间角度差异阈值α㊁距离阈值r .其中,α的使用规则为:对于当前要扩张的种子点,利用k d Ｇt r e e 查询其某一邻接点作为待处理的点,设当前种子点的法向量为αi ,待处理的邻接点法向量为αj ,且αi 和αj 均为单位法向量;如果待处理的邻接点与种子点之间法向量的点积αiαj 小于阈值c o s α,则将该待处理的邻接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点;反之,则跳过该待处理的邻接点,处理其他的未处理点.r 的使用规则为: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给定距离阈值r ,则将该待处理的邻接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点;反之,则跳过该待处理的邻接点,处理其他的未处理点.具体处理如下.图２㊀表面生长过程的示意图F i g ．２㊀I l l u s t r a t i o no f t h e s u r f a c e g r o w i n gpr o c e s s (１)记 区域标记号 从０开始.(２)检查 未分割 点集中点的数量,如果数量为０,则转到步骤(６);否则,接着从 未被分割 的点集中,寻找出残差λ最小的点,以该点为种子点并将该点压入一个种子点的队列,且将该点的处理状态标记为 未处理 ,开始进行区域生长.(３)取种子点队列中第一个 未处理 的种子点,利用k d Ｇt r e e 求取该种子点的k 个最临近点.(４)逐一对于每一个临近点进行判别.如果临近点已经被赋予分割号,则不予以处理;另外,若临近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的规则进行当前种子点和该邻近点的相似性判别.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;反之,如果该邻近点没有同时满足两个相似性的条件,则不予以处理.邻近点判别完毕后,将该种子点的处理状态标记为 已处理.(５)顺序检查种子点队列中是否有 未处理 的点.如果有,返回步骤(３);否则,将种子点队列中的点集的标号记为 区域标记号 ,状态记为 已分割 ,同时 区域标记号 自增１,清空种子点队列后返回步骤(２).(６)结束.经过上述分割后,任意一点被划到一个对象,但是部分对象的点的数量较少.个别情况下,一个对象仅仅包含一个点.图３(a)展示了某机载L i D A R 点云数据,图３(b)展示了其分割效果,其中地面点被聚为若干个对象,多数地面对象包含点的数量较多;一个建筑物可以被聚为一个或者若干个对象,这与其类型㊁点云密度㊁精度等多个因素有关;孤立的植被点㊁粗差点也往往被分割为一个对象.图３㊀本文提出滤波方法的关键步骤处理效果示意图F i g ．３㊀I l l u s t r a t i o no ft h e p r o c e s so ft h e p r o po s e d f i l t e r i n g me t h o d １．２㊀对象关键点的提取本文的关键点包括外轮廓点㊁内特征点㊁最高点和最低点.第１步,计算每个对象包含点的数量.如果数量不大于经验阈值４,则将该对象的点集记为对象的关键点.反之,进入第２步.第２步,识别每个对象的关键点.图４展示了某对象关键点检测的主要过程.提取的基本原理是仅利用某一对象点集的水平坐标信息生成T I N .该T I N 中,处于边缘的三角形仅有两个三角形通过边相邻;而处于非边缘的三角形有３个０１３１第１１期林祥国,等:融合点㊁对象㊁关键点等３种基元的点云滤波方法三角形通过边相邻.因此,可以通过一个三角形的一边为邻边的邻接三角形的数量来判断该三角形是否处于边缘.处于边缘的三角形涉及的３个顶点记为 外轮廓点 ,如图４(b )所示.接着,删除该T I N 中的短边,并以删除短边后的T I N 为索引进行连通区域分析(c o n n e c t e dc o m p o n e n t a n a l ys i s ).则该对象被分割为若干子对象.若子对象包含的点的数量大于经验阈值４,则该子对象的点集被认为是 内特征点 ,如图４(c)所示.注意上述关键点无需有序排列,这与A l ph a s h a p e [２６]算法有着显著的差别.第２步具体内容如下.(１)建立某一对象的二维T I N .(２)检测 外轮廓点 .通过上述邻接三角形数量的规则识别 外轮廓点 ,如图４(b )所示.(３)删除短边.假设输入原始点云的平均点间距为g (单位:m ),且g 已知.删除T I N 中二维边缘长度小于经验阈值３g 的边.(４)检测 内特征点 .通过上述连通区域分析获取的子对象包含点的数量的规则识别 内特征点 ,如图４(c)所示.(５)检测最高点㊁最低点.另外,外轮廓点㊁内特征点㊁最高点㊁最低点不可重复.如有重复,则只保留其中一个.图４(a )展示了某一地面对象包含３２１９９８个点,其外轮廓点㊁内特征点和关键点分别如图４(b )㊁(c )和(d )所示,图４(d )只包含１９８７５个点.从图４(a )和(d )中的D E M 看,尽管构建D E M 的点的数量差别悬殊,但是D E M 的表达效果却趋于一致.对两个D E M ,不仅最高㊁最低值一致,且相应像素值之差的绝对值的平均值和标准差分别为０．０５和０．０１,这反映了提取的关键点既能显著地减少点的数量㊁又能逼近真实的对象原始形态.另外,图２(c )展示了图２(a )中点云的关键点检测结果,其中原始点云包含８２６４１６个点㊁而关键点只包含６４２５７个点,关键点数量只占原始点数量的７．７８％.图４㊀对象关键点检测的示意图F i g ．４㊀I l l u s t r a t i o no f d e t e c t i o no f t h ek e yp o i n t s o f a no b je c t １．３㊀基于关键点的对象类别判别经典T P D 方法的运算过程中,T I N 构建和点类别判别占整个滤波时间的比重很大[２７].本文采用关键点替代对象的目的是能同时显著地减少参与T I N 构建的㊁参与判别的点的数量以提高效率,又可使构建的T I N 尽可能地逼近区域真实的D E M 以确保精度.本节是一个迭代过程.共涉及４个参数:最大建筑物长度b (单位:m )㊁最大角度阈值θ(单位:ʎ)㊁最大距离阈值d (单位:m )和最大地形角度阈值t (单位:ʎ).具体过程如下.第１步:格网划分.求点云在X O Y 平面上的最小外包矩形,并在X O Y 平面上对该最小外包矩形进行格网划分㊁且格网的尺寸为b ˑb .１１３１N o v e m b e r２０１６V o l．４５N o．１１A G C S h t t p:ʊx b．s i n o m a p s．c o m第２步:将全部对象处理状态均标记为 未处理 .第３步:选择初始地面种子点.逐一选择每一个格网的地面种子点.即对每一个格网,找到格网中高程值最低的点所在的对象.如果对象的面积小于４．００m２,则继续找到高程值次低的点所在的对象直至找到面积大于４．００m２的对象.将该对象的关键点作为该格网的地面种子点,且该对象的类别被标记为 ２ ㊁处理状态被标记为 已处理 .第４步:构建初始地面种子点的T I N.该T I N代表该区域初始的D E M.第５步:迭代的判别对象类别.子步骤包括: (１)迭代次数记为０.(２)以对象为基本处理单元,逐一通过每一个 未处理 对象的关键点的判别,实现该对象类别的判别.对每一个 未处理 对象逐一判别其 未处理 关键点,找到该关键点落入的三角形,计算该关键点到三角形构成的平面的距离及该关键点到三角形３点的夹角,并找出３个夹角中的最大角.进行下述判别:如果同时满足距离小于d㊁最大夹角小于θ,则认为该关键点是地面点,将该关键点的类别号标记为 ２ ,处理状态标记为 已处理 ,继续处理下一个 未处理 关键点;否则,检查三角形构成的平面的倾角,进行下述判别:如果倾角小于,继续处理下一个 未处理 关键点;反之,将当前关键点以所在三角形的最高点为中心做一个镜像点(参考文献[６,１２]),且该镜像点的高等于该关键点.对该镜像点进行类似的判别.如果该镜像点被判别为 ２ ,则将该关键点的类别号标记为 ２ ,处理状态标记为 已处理 ;继续处理下一个 未处理 关键点.判别完毕,统计该对象的关键点的数量㊁关键点属于地面点的比例.如果该比例大于５０％,将该对象的处理状态标记为 已处理 ,类别为 ２ ;否则,将该对象的处理状态重新标记为 未处理 ,类别为 １ .(３)利用新识别的属于地面点的关键点更新T I N,同时迭代次数自增１.(４)重复上述步骤(１)至(３),继续执行直至迭代次数达到经验阈值５,或者没有新识别的地面点则停止迭代.２㊀试验与分析基于V i s u a l S t u d i o２０１０C＋＋集成开发环境实现了本文提出的M P T P D方法,同时对T P D[６]㊁O T P D[２１]两种方法进行性能比较,上述３种方法均采用串行计算,未采用并行计算技术.其中,T P D包括低位粗差点剔除和１．３节描述的５个主要步骤,其基元为点;O T P D包括１．１节和１．３节两个相似部分,其基元为对象.为了增加效率的可比性,尽管３种滤波方法的基元的不同,但相似步骤涉及的算法一致.试验平台的配置: T h i n k P a d W５２０笔记本,C P U为I n t e l酷睿i７Ｇ２７６０QM２．４G H z,内存２．９８G B,装配W i n d o w s X P系统.２．１㊀试验数据及结果本文共使用了４个场景的点云开展试验(图５),它们的基本信息见表１.前两个场景的点云为开放的机载L i D A R数据;后两个为摄影测量点云,其中,第３个场景的原始影像由T r i m b l e G e r m a n y G m b H公司免费提供㊁点云由中国测绘科学研究院的P i x e l G r i d软件生成,第４个场景的点云由德国宇航局免费提供.另外,试验数据１为国际摄影测量与遥感协会第三委员会提供的测试数据C S i t e１,该数据位于德国,如图５(a)所示;试验数据２由I E E E G R S LF u s i o nC o n t e s t２０１３提供,该数据位于美国休斯敦大学附近,本文截取了原始点云的一部分,如图５(b)所示;试验数据３对应的斜影像由天宝公司A O S系统获取,该数据位于德国柏林市和波茨坦市附近,本文截取了由影像生成的摄影测量点云的一部分,如图５(c)所示;试验数据４由G e o E y eＧ１的立体影像对生成,该数据位于德国的慕尼黑市,本文截取了该摄影测量点云的一部分,如图５(d)所示.对４个试验数据进行滤波时,使用的相关参数的值见表２.其中,T P D㊁O T P D和M P T P D ３种方法对１．３节的参数b㊁θ㊁d㊁t采用了相同的参数值,O T P D和M P T P D两种方法对１．１节的参数k㊁d㊁r采用了相同的参数值.鉴于篇幅的原因未展示３种方法的滤波结果.后续试验分析表明３种滤波方法均能正确地区分多数的地面点和非地面点,且O T P D和M P T P D两种方法的滤波效果相当㊁并优于T P D方法的滤波效果.２．２㊀精度评价本文采用文献[４]中的一类误差I(将地面点２１３１第１１期林祥国,等:融合点㊁对象㊁关键点等３种基元的点云滤波方法错分为非地面点的数量占地面点数量的比例)㊁二类误差I I(将非地面点错分为地面点的数量占非地面点数量的比例)和总误差T(错分点数量占全部点数量的比例)３个指标定量衡量滤波精度.同时,使用了人工半自动解译的方式识别了４个试验数据的地面点和非地面点,并将每个试验数据的人工识别结果作为真值计算滤波方法的误差.４个试验数据的３类误差值见表３.图５㊀４个试验数据F i g．５㊀T h e f o u r t e s t i n g d a t a s e t s㊀㊀表３中,T P D方法的Ⅰ㊁Ⅱ㊁T３类误差的平均值分别为２７．０９％㊁２．２７％和１２．５２％,O T P D方法相关误差的平均值分别为４．９６％㊁２．７５％和４．０４％,M P T P D方法相关误差的平均值分别为５．０３％㊁２．７８％和４．０８％.数字说明O T P D方法与M P T P D方法的各类误差均十分接近.且,一类误差I和总误差T均呈现T P D＞O T P DʈM P T P D的趋势,而二类误差I I呈现T P D＜O T P DʈM P T P D的趋势.另外,M P T P D和O T P D两种方法的一类误差I㊁总误差T的平均值比T P D的分别低约２２．１０％㊁８．４６％,而两种方法的二类误差I I的平均值比T P D的高约０．４９％.可见,与T P D相比,M P T P D和O T P D两者会轻微地提高二类误差I I,但会显著地降低一类误差I㊁总误差T.可知,O T P D和M P T P D两种方法的滤波精度相当㊁且高于T P D方法的滤波精度.表１㊀４个试验数据的基本信息T a b．１㊀T h e f u n d a m e n t a l i n f o r m a t i o no f t h e f o u r t e s t i n g d a t a s e t s试验数据点云类型点数/个长/mˑ宽/m平均点间距/m是否有粗差地形类型１机载L i D A R１３６６４０８１１００．７１ˑ７０１．４６０．６９有城区与森林２机载L i D A R２３３５０４８１０８７．４７ˑ８８９．５１０．６４有城区３航空影像匹配２０４４４４７６５５．１２ˑ６２４．３９０．４４有城区４卫星影像匹配２４９７６３８１０１１．８５ˑ１０３５．８５０．５０有城区表２㊀４个试验数据中３种滤波方法的相关参数取值T a b．２㊀T h e v a l u e s o f t h e i n p u t p a r a m e t e r s o f t h e t h r e e f i l t e r i n g m e t h o d s f o r t h e f o u r t e s t i n g d a t a s e t s方法T P D O T P D和M P T P D参数b/m t/(ʎ)θ/(ʎ)d/m k/点α/(ʎ)r/m 试验数据１２０８０．００６．００１．４０２０３０．０００．５０试验数据２㊁３㊁４６０８８．００６．００１．４０２０１０．０００．５０３１３１N o v e m b e r ２０１６V o l ．４５N o ．１１A G C Sh t t p :ʊx b ．s i n o m a ps ．c o m 表３㊀４个试验数据中３种滤波方法３类误差的统计值T a b ．３㊀T h ev a l e so ft h r e et y pe so fe r r o r so ft h et h r e ef i l t e r i ng m e th o d s f o r t h e f o u r t e s ti n g da t a s e t s 试验数据误差类型T P D /(％)O T P D /(％)M P T P D /(％)１Ⅰ３４．７４１１．３５１１．３６Ⅱ２．３９４．２１４．１６T１７．９２７．６４７．６２２Ⅰ２２．４６６．８１６．９８Ⅱ３．０２０．７９０．７７T１３．３５４．０４４．０７３Ⅰ２３．７１１．２９１．３３Ⅱ１．８０５．７４５．８１T９．４０４．２０４．２６４Ⅰ２７．４５０．３９０．４３Ⅱ１．８７０．２４０．３６T９．４００．２８０．３８２．３㊀效率评价本文采用时间花费来衡量滤波效率.为此,分别记录了３种方法对４个试验数据进行滤波的各个阶段耗时及总耗时,具体的统计数据见表４.其中,将滤波过程划分为５个阶段:低位粗差点剔除㊁基于表面生长的点云分割(１．１节)㊁对象关键点提取(１．２节)㊁基于关键点的对象类别判别(１．３节)前３步和后两步,在表４中分别称为阶段１㊁阶段２㊁阶段３㊁阶段４㊁阶段５.表４的统计数据表明,在４个试验数据中,有３个出现了３种滤波方法的总效率均呈现T P D＞M P T P D＞O T P D 的规律.以试验数据３为例,T P D ㊁M P T P D ㊁O T P D３种方法的总耗时由少到多依次为约２９９s ㊁４１５s ㊁８６６s .但在第１个试验数据中,M P T P D 的效率高于T P D ㊁O T P D .整体上,T P D 效率最高,M P T P D 次之,O T P D 最低.表４还表明T P D ㊁M P T P D ㊁O T P D３种方法在每个试验数据上的总耗时平均分别为２４８．７６s㊁３５５．２６s ㊁６１３．３０s .如果以效率最慢的O T P D 的基准,T P D 和M P T P D 的效率分别是O T P D 的２．４７倍㊁１．７３倍.而且,表４还表明每种滤波方法的各个阶段的耗时的比例也有着显著的差别,表现为:(１)T P D 方法中,阶段１㊁阶段４和阶段５这３个阶段的耗时占总耗时比例的平均值分别为８４．６１％㊁６．４４％㊁８．９５％,可见,阶段１和阶段５这两个阶段占了T P D 方法总耗时的绝大部分比例,其中粗差剔除的相关比例最大㊁且点云中的粗差越复杂相应的比例越大.例如,试验数据１的粗差多且多样,粗差剔除的时间花费占总时间花费的９５．１９％,是４个试验数据中比例最大的,这是在第１个试验中M P T P D 的效率高于T P D 的原因.(２)O T P D 方法中,阶段２㊁阶段４㊁阶段５等３个阶段的耗时占总耗时比例的平均值分别为４５．６２％㊁１０．１９％㊁４４．８７％.可见,O T P D 的３个阶段中,除了第２个阶段外,其他两个阶段均比较耗时㊁且占总耗时的比例相当.(３)M P T P D 方法中,阶段２㊁阶段３㊁阶段４㊁阶段５等４个阶段的耗时占总耗时比例的平均值分别为７５．４７％㊁２０．８６％㊁２．８７％㊁０．８０％.可见,M P T P D 的４个阶段中,前两个阶段的累计耗时占了总耗时的绝大部分,而后两个阶段的累计耗时占总耗时的比例极小.这是M P T P D 与O T P D尽管在阶段２的耗时相同㊁但是M P T P D 的总耗时显著的低于O T P D 的原因.另外,表４展示了一个很有兴趣的现象.３种滤波方法均有阶段４㊁阶段５两个阶段,但由于基元的不同导致两个阶段(尤其是阶段５)的效率有着显著差别.例如,第４个试验数据中,T P D 和O T P D 两种方法的阶段４的耗时分别为９．４５s㊁１０９．７０s ,但M P T P D 的相应耗时仅为７．７８s ;T P D ㊁O T P D ㊁M P T P D３种方法在阶段５的耗时分别为１３．７９s ㊁３４２．６４s ㊁２．０９s ,即M P T P D 方法在此阶段的耗时仅为T P D 的１５．１６％㊁O T P D 的０．６１％.其他３个试验数据亦表现出类似的规律.这证明了基元对滤波效率有着显著的影响,M P T P D 方法的关键点显著提高了其后续阶段的效率.但是,与T P D 方法相比,M P T P D 方法的点云分割和关键点提取耗费了较多的时间,因此该方法的整体效率低于T P D 方法.２．４㊀分析与讨论文献[４]指出T P D 方法对具有不同场景复杂度的点云数据均具有较高的滤波精度.本文的统计数据表明,T P D 方法的总误差T 平均值约１２．５２％,精度较高,符合既有结论.另外,表２表明T P D 方法所需的４个参数的取值对场景的变化不是很敏感,且具有显著的物理意义,根据实际情况微调参数取值即可.但T P D 方法存在对低位粗差㊁地形断裂敏感的问题,因此该滤波方法仍然存在一定的误差.表３表明T P D 方法的一类误差I 平均值约２７．０９％,显著地高于其他两种滤波方法的相关误差值.O T P D 方法是对T P D 方法的改进,具有对４１３１第１１期林祥国,等:融合点㊁对象㊁关键点等３种基元的点云滤波方法低位粗差㊁地形断裂不敏感的优势,但是比较耗时.统计数据表明,与T P D 相比,O T P D 方法的一类误差I ㊁总误差T 比T P D 的分别低约２２．１３％㊁８．４８％,但耗时是T P D 的２．４７倍.本文提出的M P T P D 方法,既有与O T P D 方法相当的滤波精度,又有更高的效率.统计数据表明,M P T P D 方法与O T P D 方法的一类误差Ⅰ㊁二类误差Ⅱ㊁总误差T 的差值绝对值分别为０．０７％㊁０．０３％㊁０．０４％,但是M P T P D 方法的平均耗时却仅有O T P D 方法的约５８％.与O T P D 方法的滤波精度相当㊁但效率显著提升的原因在于,M P T P D 方法中的关键点既能逼近原始点云的三维形态㊁又能显著地减少参与后续判别的计算量.另外,与T P D 方法相比,M P T P D 和O T P D 两种方法需要额外的３个参数.但是,表２表明４个试验数据中k 和r 两个参数的取值可相同,而α的取值在３个试验数据亦相同.这表明额外的３个参数亦 具有显著的物理意义,根据实际情况微调参数取值即可.表４㊀４个试验数据中３种滤波方法的时间花费T a b ．４㊀T h e t i m e c o s t s o f t h e t h r e e f i l t e r i n g m e t h o d s f o r t h e f o u r t e s t i n g da t a s e t s 试验数据方法阶段１耗时/s 阶段２耗时/s 阶段３耗时/s 阶段４耗时/s 阶段５耗时/s 总耗时/s １T P D２６１．１３ＧＧ５．３４７．８５２７４．３２O T P D Ｇ１７１．２６Ｇ５９．２７１３５．２９３５６．８２M P T P D Ｇ１７１．２６４７．７８４．２１１．３７２２４．６２２T P D １７９．４０ＧＧ３４．７７３３．８４２４８．０４O T P D Ｇ２３７．４５Ｇ３５．８８１６１．４８４３３．８１M P T P D Ｇ２３７．４５５５．３４１７．１３２．９４３１２．８６３T P D２５１．７０ＧＧ１３．０３３３．９７２９８．７０O T P D Ｇ３１６．２０Ｇ１８．３９５３１．０６８６５．６５M P T P D Ｇ３１６．２０８４．０５１０．２３４．９８４１５．４６４T P D１５０．７２ＧＧ９．４５１３．７９１７３．９６O T P DＧ３４４．５７Ｇ１０９．７０３４２．６４７９６．９１M P T P D Ｇ３４４．５７１１３．６３７．７８２．０９４６８．０７３㊀结㊀论点云是一种新型的数据源,其数据处理方法亟待研究.滤波是点云数据处理的一个必要的关键环节.目前,多数滤波方法采用单一的基元,但采用单一基元的滤波方法很难平衡滤波精度和滤波效率.为此,本文提出了M P T P D 方法,该方法在滤波的不同阶段采用了不同的基元.其涉及的基元包括点㊁对象㊁关键点等３种,且滤波的基本原理与T P D ㊁O T P D 方法相似.采用４个有代表性的点云数据进行了试验.试验表明,M P T P D方法具有整体上最优的性能.其中,精度方面,M P T P D 与O T P D 两种方法的精度相当,M P T P D 方法的一类误差I ㊁总误差T 比T P D 的相应误差低分别约２２．０７％㊁８．４４％;效率方面,多数情况下T P D ㊁M P T P D ㊁O T P D 方法的效率依次降低,但少数情况下M P T P D 的效率最高,且M P T P D 的平均耗时是O T P D 平均耗时的５７．９３％.笔者下一步的研究围绕两个方面开展:①采用并行计算技术提高滤波效率;②探索多基元的点云分类.参考文献:[１]㊀黄先锋,李卉,王潇,等．机载L i D A R 数据滤波方法评述[J ]．测绘学报,２００９,３８(５):４６６Ｇ４６９．HU A N G X i a n f e n g ,L I H u i ,WA N G X i a o ,e ta l ．F i l t e r A l go r i t h m s o fA i r b o r n eL i D A R D a t a :R e v i e w a n dP r o s Ｇp e c t s [J ]．A c t aG e o d a e t i c ae tC a r t o g r a ph i c aS i n i c a ,２００９,３８(５):４６６Ｇ４６９．[２]㊀王竞雪,朱庆,王伟玺．多匹配基元集成的多视影像密集匹配方法[J ]．测绘学报,２０１３,４２(５):６９１Ｇ６９８．WA N G J i n g x u e ,Z HU Q i n g,WA N G W e i x i ．A D e n s e M a t c h i n g A l g o r i t h mo fM u l t i Ｇv i e wI m a geB a s e d o n t h e I n Ｇt e g r a t e d M u l t i p l e M a t c h i n g P r i m i t i v e s [J ]．A c t a G e o d a e t i c a e t C a r t o g r a ph i c a S i n i c a ,２０１３,４２(５):６９１Ｇ６９８．[３]㊀张小红．机载激光雷达测量技术理论与方法[M ]．武汉:武汉大学出版社,２００７．Z HA N G X i a o h o n g ．T h e o r i e s ,M e t h o d s o f A i r b o r n e L i D A R T e c h n i q u e [M ]．W u h a n :W u h a n U n i v e r s i t y P r e s s ,２００７．５１３１。
