《Artificial Intelligence in Geosciences》:An adaptable hybrid method for lossless airborne lidar data compression
编辑推荐:
激光探测与测距(LIDAR)点云提供高精度空间数据,但带来了显著的存储和传输挑战,通常每平方公里超过1GB。本文介绍了一种新颖的无损LiDAR数据压缩层次化框架,旨在通过三阶段方法解决这些问题:类感知分割、自适应算法选择和层次化压缩。该框架首先使用基于径向基函
激光探测与测距(LIDAR)点云提供高精度空间数据,但带来了显著的存储和传输挑战,通常每平方公里超过1GB。本文介绍了一种新颖的无损LiDAR数据压缩层次化框架,旨在通过三阶段方法解决这些问题:类感知分割、自适应算法选择和层次化压缩。该框架首先使用基于径向基函数(RBF)核的支持向量机(SVM)分类器将点云划分为语义类(例如,地面、植被、建筑物),从而实现利用类内冗余的针对性压缩。自适应算法选择阶段采用基于密度的匹配器为每个类选择最优压缩算法,确保在不同点密度和地形类型下的效率。最后,层次化压缩合并特定类的压缩文件,并应用WinRAR进行二次压缩以提高效率。在十个公开可用的基准LiDAR数据集上评估,所提出的方法始终优于最先进的无损压缩技术,如LASzip,实现了高密度点云压缩至原始大小的12.76%,低密度点云压缩至22.51%。虽然压缩和解压时间高于某些替代方案,但该框架优越的存储节省和完美保真度使其成为大规模LiDAR数据归档和交换的理想选择。
LiDAR(Light Detection and Ranging,激光探测与测距)点云数据以高精度空间信息著称,但每平方公里数据量常超过1 GB,给存储和传输带来巨大挑战。现有压缩方法(如LASzip)虽广泛用于机载LiDAR数据,但采用统一策略,未能充分利用不同点类(如地面、植被、建筑物)的语义冗余,导致压缩效率受限。为此,研究人员在《Artificial Intelligence in Geosciences》上发表论文,提出一种三阶段层次化无损压缩框架,旨在通过类自适应编码提升压缩性能。该框架在十个公开基准LiDAR数据集(包括Strathalbyn、Kilauea Volcano、Yosemite Rim Fire和South Napa Earthquake等区域)上测试,高密度点云压缩至原始大小的12.76%,低密度点云压缩至22.51%,每点存储需求分别降至31和45比特,显著优于LASzip等现有方法,但压缩和解压时间略长,适用于大规模归档与交换场景。
关键技术方法包括:1)基于支持向量机(SVM)与径向基函数(RBF)核的类感知分割器,将点云划分为ASPRS标准类(如地面、植被、建筑物);2)自适应算法选择模块,采用密度匹配器(阈值55 pt/m
2)为每个类选择最优压缩算法(如LASzip用于高密度点云);3)层次压缩阶段,先对各分类文件独立压缩,再通过WinRAR进行二次合并压缩。样本来源为十个公开可用的基准LiDAR数据集,涵盖不同地理特征和点密度。
研究结果按原文小标题总结如下:
**4.1 数据集**:采用四个地点的十个区域,包括Strathalbyn(澳大利亚)、Kilauea Volcano、Yosemite Rim Fire和South Napa Earthquake,覆盖高低密度(0.35–109.49 pt/m
2)和多种类(地面、植被、建筑物、噪声等),确保通用性。
**4.2 评估标准**:定义压缩比(压缩后文件大小/原始大小)、压缩时间(压缩起止时间差×10
?3秒)、解压时间(解压起止时间差×10
?3秒)和每点比特数(BPP,压缩文件比特数/点数)四个指标。
**4.3 实验设置**:将SVM分类器与PointNet、PointNet++、DGCNN三种深度学习模型对比,在相同训练框架(PyTorch,50 epoch,Adam优化器,学习率0.001,权重衰减1e-4,批量大小4)下,对七个类别的LiDAR点云进行分类性能评估。
**4.4 结果**:通过多组实验验证框架性能。首先,分类器比较显示,SVM在高密度区域平均准确率0.922,低密度区域0.820,均优于深度学习方法,尤其在高密度区域(如Area 4达0.98)和低密度区域(如Area 5达0.89)表现出稳定性和鲁棒性,而DGCNN等模型在低密度区域显著下降。其次,消融实验对比五种压缩配置(LASzip、LasCompress、LidarCompress、LASzip+WinRAR及所提方法),结果表明所提方法在低密度和高密度区域均获得最低压缩比(12.76%和22.51%)、最高压缩因子(7.97和4.71)和最低BPP(31和45),但压缩和解压时间高于LASzip。最后,定性可视化显示,所提方法重建的点云在几何结构上与原图一致,无失真。
讨论部分指出,所提框架在压缩效率上优于传统方法,但多步过程(如分类拆分与合并)增加了时间开销,因此实时应用中可省略WinRAR步骤以平衡效率。结论部分翻译如下:本文提出了一种新颖的LiDAR数据压缩框架,利用类自适应编码提高效率。该框架包括三个阶段:1)类感知分割,将点云划分为基于固有特征(如地面、植被)的不同类,从而利用类特定统计信息改进压缩;2)自适应算法选择,根据每个类的独特统计属性选择最合适的压缩算法,最大化压缩效率;3)层次压缩,先独立压缩每个类,再合并以进一步提高效率。通过利用类结构,该框架在压缩性能上优于传统方法,为大规模LiDAR数据集的存储、传输和处理效率带来显著优势。在十个公开基准LiDAR数据集上的广泛实验表明,所提方法在所有测试案例中均优于其他压缩方法。平均而言,高密度点云文件被无损压缩至原始大小的12.76%,低密度点云为22.51%。在每点比特数方面,所提方法同样最佳,高密度和低密度点云分别需要31和45比特。所提方法的主要限制在于多步压缩(如类拆分与合并),导致压缩和解压时间更长。在压缩和解压时间方面,LASzip算法在所有测试案例中均超越其他方法。