基于自适应聚类分割与梯度补偿的多尺度网格拟合滤波方法及其在复杂地形点云处理中的应用

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：Multi-Scale Mesh Fitting Filtering Based on Adaptive Clustering Segmentation and Gradient Compensation

为解决点云滤波中阈值参数依赖性强、复杂地形适应性不足等问题，研究人员开展了基于自适应聚类分割与梯度补偿的多尺度网格拟合滤波研究。该方法通过改进聚类算法实现建筑物点云精准分离，结合网格拟合与梯度补偿模型动态调整高程阈值，在15组标准样本中平均总误差低至3.95%，显著优于传统滤波算法，为复杂场景高精度DEM构建提供了自适应技术方案。

　　

随着无人机遥感技术和激光雷达（LiDAR）技术的快速发展，点云数据已成为地形测绘、城市建模和灾害监测等领域的重要数据源。点云地面滤波作为点云数据处理的核心步骤，直接影响数字高程模型（DEM）的精度和后续应用的可靠性。然而，现有滤波方法面临两大挑战：一是对阈值参数依赖性强，需要人工调整参数以适应不同场景，导致地面点与非地面点误分或漏分；二是在地形起伏剧烈或建筑物密集区域，难以兼顾地形细节保留与地物点云准确分类，单一算法难以满足复杂场景的高精度处理需求。

针对上述问题，发表于《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》的研究提出了一种基于自适应聚类分割与梯度补偿的多尺度网格拟合滤波方法。该方法通过三个核心模块实现点云的精准滤波：数据预处理模块通过统计滤波去除噪声点云，并计算点云密度和法向量等空间特征属性；建筑物提取模块采用自适应聚类分割方法将具有相似空间特征的点云划分至同一簇，结合Delaunay三角网和点-线-面多维特征识别建筑物点云；网格拟合滤波模块通过构建梯度补偿模型动态调整高程阈值，结合二次斜率拟合过滤有效去除低矮植被等地物点云，最后通过边缘轮廓点校验修复缺失的地面点。

关键技术方法包括：（1）基于空间向量的自适应聚类分割，融合点云法向量和空间距离特征实现动态阈值调整；（2）基于点-线-面特征的建筑物判别，通过三角网构建、异常点提取和线性指数计算精准识别建筑物轮廓；（3）梯度补偿多尺度拟合滤波，采用双谐样条插值填补点云空洞，通过加权斜率网格计算和二次斜率拟合提升复杂地形适应性；（4）边缘轮廓点校验机制，基于聚类结果对边缘区域点云进行二次检查，避免地形特征丢失。

研究结果验证表明，在15组国际摄影测量与遥感学会（ISPRS）标准样本数据中，该方法在 urban（城市）和 rural（农村）场景下均表现出优越性能。自适应聚类分割实验显示，相较于DBSCAN和区域生长算法，该方法在相邻房屋和带状噪声区域能有效避免欠分割与过分割问题。梯度补偿拟合滤波分析表明，在包含贴地物体和斜坡地形的Samp51样本中，二次过滤后能有效分离近地面物体点云。多场景滤波误差统计显示，总误差（T.E.）控制在1.24%-9.53%之间，Kappa系数最高达97.10%，平均误差为3.95%，显著优于Sithole、Zhu等经典斜率滤波方法。在喀斯特地貌实测数据验证中，该方法生成的DEM地形特征保留完整，优于斜率滤波（SF）、布料模拟滤波（CSF）等主流方法。

讨论部分指出，该方法通过自适应聚类分割预先去除大尺度建筑物点云，避免了梯度补偿拟合滤波中因局部特征依赖导致的建筑物残留问题。参数敏感性分析表明，正常向量角阈值设为45°、建筑物高差阈值2.8m、异常点高差阈值0.2m时能达到最优滤波效果。计算效率测试显示，该方法在40000km²样本区域处理时间为21.512秒，具备中等计算效率，且基于网格法的设计具有并行计算优化潜力。

该研究的创新性在于将传统斜率滤波中的高差判别问题转化为点云与拟合网格的距离差计算，构建了基于网格坡度的动态阈值模型，解决了固定高差阈值难以适应网格内地形变化的技术瓶颈。未来研究将聚焦于开发基于特征识别的动态网格划分算法，构建融合高程概率密度、坡度变异系数的多维地形特征分析框架，进一步提升复杂场景下的滤波鲁棒性。该方法为高精度DEM构建提供了自适应技术支撑，在地理信息系统、遥感监测等领域具有广泛应用前景。