面向机载激光雷达点云生成数字高程模型的超级点驱动鲁棒插值滤波

《Optics & Laser Technology》:Superpoint-driven robust interpolation filtering for DEM generation from airborne LiDAR point clouds

【字体: 大 中 小 】 时间:2026年10月24日 来源:Optics & Laser Technology 4.6

编辑推荐:

   摘要传统点云滤波方法的局限性,包括分类精度次优以及对陡峭地形适应性差,在数字高程模型(DEM)生产的复杂场景中尤为突出。为应对这些挑战,本文提出了一种超点驱动的鲁棒插值滤波(SPRIF)方法。所提出的方法首先将原始点云分割为超点和散点,然后应用鲁棒平面拟合以确保每个超点的内部

  

摘要

传统点云滤波方法的局限性,包括分类精度次优以及对陡峭地形适应性差,在数字高程模型(DEM)生产的复杂场景中尤为突出。为应对这些挑战,本文提出了一种超点驱动的鲁棒插值滤波(SPRIF)方法。所提出的方法首先将原始点云分割为超点和散点,然后应用鲁棒平面拟合以确保每个超点的内部同质性。接着,引入一种纵横向剖面策略,从超点中精确提取地面种子点。在此基础上,开发了一种地形特征感知的鲁棒薄板样条模型以生成参考地面。最后,使用多尺度滤波框架结合地形自适应阈值,从超点和散点中选择地面点。在三个公开可用的大规模点云上的实验表明,SPRIF实现了最低的平均总误差,相较于九种代表性滤波方法中表现最佳的方法降低了27.1%。此外,在具有复杂地形特征的私有数据集上的评估显示,SPRIF实现了0.082 m的GNSS派生DEM均方根误差和0.064 m的平均绝对误差,准确率相比代表性方法分别提高了至少2.4%和3.0%。

引言

目前,机载激光雷达被公认为是生成高精度数字高程模型(DEM)的关键技术,因为激光脉冲可以穿透植被冠层的间隙,到达地面并捕获详细的三维地形结构。然而,原始激光雷达点云天然包含地面与非地面返回的混合。因此,准确分离地面点——通常称为地面滤波——是生成可靠数字高程模型(DEM)的关键且不可或缺的步骤[1]。
在过去二十年间,已提出了大量的地面滤波算法[2]。根据其底层滤波策略,这些方法可大致分为五类:基于坡度[3]、基于分割[4]、基于形态学[5]、基于插值[6]以及基于深度学习的方法[7]。基于坡度的方法假设相邻地面点之间的地形变化相对较小,可以通过评估相邻点之间的坡度差异来选择地面点。尽管这些方法计算效率高,但它们对滤波阈值较为敏感,因此难以适应地形变化剧烈的区域[3]。基于分割的滤波方法将点云聚类为同质区域,随后利用几何和拓扑特征提取地面簇。然而,其滤波性能严重依赖于分割过程的质量[2]。基于形态学的滤波方法因其相对较高的计算效率而受到广泛关注[8]。这些方法通常通过对网格化点云施加形态学开运算来去除非地面点,但其性能显著受到结构元素选择的影响[7]。基于插值的滤波器利用显式数学公式构建参考地面,然后根据点到该表面的距离对点进行分类[9]。通过利用比其他滤波策略更丰富的上下文信息,这些方法往往能取得良好效果[10]。然而,当应用于大规模数据集时,其计算效率较低,且在陡峭区域保留地形细节的能力有限[1]。基于深度学习的滤波器通过学习点云的几何特征来自动区分地面点。其关键优势在于对复杂场景具有强大的适应能力以及端到端学习相关特征的能力。然而,这些方法通常受限于对大型标注数据集的严重依赖以及可解释性和泛化能力有限[11]。
为克服上述局限性,本文提出了一种超点驱动的鲁棒插值滤波(SPRIF)方法。本文的主要贡献包括以下三个方面:
  • •
    基于超点的点云表示:将原始点云组织为一组超点和一组散点。这种表示方式将大规模、不规则分布的数据浓缩为语义连贯的处理原语,减少了后续滤波步骤中涉及的处理单元数量。
  • •
    鲁棒的地面种子提取:设计了一种纵横向剖面策略来识别初始地面种子点。通过交叉验证从这些正交剖面中识别的地面点,提高了种子集的可靠性,从而提升了后续派生的参考面的精度。
  • •
    用于参考面的地形特征感知鲁棒插值:开发了一种地形特征感知的鲁棒插值方法来生成参考地面。它通过动态调整的平滑参数保留地形特征,同时引入一种加权方案来抑制被误分类的非地面点的影响。
本文其余部分的组织结构如下。第2节回顾了点云滤波方法。第3节详细阐述了所提出的SPRIF方法。第4节描述了用于评估SPRIF性能的实验。第5节呈现了SPRIF与一些代表性滤波算法之间的比较评估。第6节分析了实验结果,第7节给出了结论。

章节摘要

基于坡度的滤波器

基于坡度的滤波方法通过评估相邻点之间的坡度差异来区分地面点和非地面点。当坡度超过预定义阈值时,较高的点被分类为非地面点。早期方法通过评估局部最大坡度来执行地面分类[12]。然而,由于这类方法高度依赖于阈值的设置,它们在复杂地形中的适用性往往受到限制。为提高适应性

方法

SPRIF由三个主要阶段组成:超点分割、地面种子提取和地面点分类(图1)。具体而言,首先将原始点云划分为一组超点和一组散点。然后通过正交纵向-横向剖面策略从超点中提取初始地面种子。最后,提出了一种地形特征感知的鲁棒TPS插值滤波方法,从候选集

数据集

本研究采用了一个超大规模且场景多样的地面滤波数据集OpenGF,由[62]提出,以评估所提出方法的性能。OpenGF数据集覆盖广阔的空间区域和多样的地形类型,以大数据量、异质性土地覆盖类别和显著的地形起伏为特征(图7和表1)。这些特性使其能够有效代表复杂

OpenGF数据集

SPRIF涉及三个关键参数,即一维窗口大小(L)、初始滤波阈值(t0)和地面网格分辨率(h)。表2总结了最优参数配置及相应的滤波精度。结果表明,SPRIF在各种大规模场景中表现出持续强劲的性能,平均总误差为3.42%,平均Kappa系数为92.27%。相应的标准差分别为1.53%和

消融实验

为进一步评估SPRIF核心贡献的有效性,包括(i)超点驱动处理、(ii)扫描线剖面法地面种子提取、(iii)自适应TPS插值以及(iv)基于RANSAC和残差统计的鲁棒超点细化,在OpenGF的三个数据集上进行了一系列消融实验(图17)。结果表明,SPRIF在所有测试中均实现了最低总误差

结论

在激光雷达派生DEM生产的背景下,传统点云滤波方法在不同现实环境中往往难以表现一致,导致地形适应性有限、复杂区域误差率高以及计算效率低。为克服这些局限性,本文提出了一种超点驱动的鲁棒插值滤波(SPRIF)方法,用于机载激光雷达点云。以超点作为地面种子提取的基本单位

CRediT作者贡献声明

Jinda Hao:数据整理。Chuanfa Chen:撰写——审阅与编辑,方法论。Yanyan Li:撰写——审阅与编辑。Mingliang Luo:资源。

基金资助

本工作得到了中国国家自然科学基金(批准号:42571501、42271438)、中国山东省自然科学基金(批准号:ZR2024MD040)以及四川科技计划项目(项目编号:2026YFHZ0107)的支持。

利益冲突声明

作者声明,他们没有已知的竞争性经济利益或个人关系可能影响本文所报告的工作。

致谢

在本文准备过程中,作者使用了ChatGPT来增强可读性和语言。使用后,作者对内容进行了彻底的审查和编辑,并对已发表的工作承担全部责任。
Jinda Hao|Chuanfa Chen|Yanyan Li|Mingliang Luo
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号