一种新颖的密集图像匹配点云滤波算法，结合了可见光技术与渐进式三角剖分不规则网格密集化方法，用于高精度监测采矿引起的地面沉降 作者：张明珠（Mingmei Zhang），何一博（Yibo He），胡振祺（Zhenqi Hu），王睿（Rui Wang），周大伟（Dawei Zhou）

《Remote Sensing》：A Novel Dense Image Matching Point Cloud Filtering Algorithm Integrating Visible Light and Progressive Triangulated Irregular Network Densification for High-Accuracy Mining Subsidence Monitoring Mingmei Zhang, Yibo He, Zhenqi Hu, Rui Wang and Dawei Zhou

　　**亮点**

主要的发现是什么？提出了一种新的DIM点云过滤方法，称为H-PTD。该方法整合了可见光信息，以优化PTD的初始地面种子选择，克服了仅依赖几何信息的局限性，从而能够高精度地提取矿区地表沉降数据。通过使用交叉矩阵和DEM差异将H-PTD与五种经典方法进行比较，结果显示H-PTD方法在不同的坡度矿区地形中具有更高的过滤精度和更强的地形适应性。

主要发现的意义是什么？通过显著提高植被覆盖矿区表面点的提取精度，H-PTD为矿区地表沉降监测提供了更可靠的技术支持，这对于有效的土地复垦和生态重建至关重要。成功地将颜色信息应用于点云过滤不仅扩展了无人机技术在复杂矿区环境中的应用潜力，还促进了其在环境监测和可持续发展领域的深入应用。

**摘要**

有效监测矿区的地表损伤对生态恢复至关重要。由于无人机（UAV）成本低廉且操作简便，已被广泛用于获取地表沉降数据。无人机捕获的图像可以生成密集的图像匹配（DIM）点云，经过筛选后，可以用于创建变形分析所需的数字高程模型（DEM）。现有的过滤算法主要依赖于点云的空间几何特征，很少利用颜色信息，这在植被覆盖区域限制了其精度。为了解决这个问题，本研究提出了H-PTD方法，该方法结合了可见光和渐进式三角不规则网 densification（PTD）。首先，根据HSV空间中的H值选择初始地面种子点。然后构建三角不规则网（TIN），并通过评估目标点与相邻三角面之间的关系进行迭代 densification，从而准确区分地面和非地面部分。在三个地形数据集上测试，并与五种经典方法进行比较，结果显示H-PTD交叉矩阵的总误差控制在2.9%到7.8%之间，总体上低于8%。DEM差异的标准差约为0.02米。与其他方法相比，H-PTD显示出更高的过滤精度和更好的地形适应性，使其在矿区监测中更具前景，并为基于无人机的沉降检测提供了更可靠的工具。

**1. 引言**

根据2025年世界能源统计回顾[1]，全球煤炭产量在2024年达到历史最高点（182 EJ），超过了2023年创下的前一个峰值。中国是最大的煤炭生产国，占全球煤炭产量的51.7%。在中国，由于煤层储存条件，大多数煤炭是从地下矿井中提取的[2]。西部矿区是主要的煤炭生产基地[3]。中国西部的地形复杂，包含许多山脉。煤炭的特点是埋藏深度浅、煤层厚、周围岩石硬度低以及表层沙土层厚。在大规模和高强度采矿过程中，容易导致不同规模的地表沉降，产生大裂缝，导致土壤松动、植被破坏、土壤水分含量变化等问题，最终对地表环境造成损害[4]。因此，准确快速地监测地表沉降数据、提取地表沉降信息并分析地表沉降损伤程度尤为重要[5]。

当前的监测方法包括传统的大地测量[6]、GNSS[7]、InSAR[8]以及基于3D点云的技术[9]。传统的大地测量方法具有高精度。然而，由于中国西部矿区辽阔，地表沉降往往超出采矿工作面的范围。如果使用这种方法获取区域变形信息，则需要设置大量测量点，这需要大量的工作，并且只能获得离散单点的沉降值，难以全面反映地表变形的空间分布特征[10]。GNSS静态测量的精度可以达到毫米级别，广泛用于矿区关键区域的高精度点监测。但其高精度依赖于相对较长的观测时间[11]。此外，西部矿区大多位于山区，某些地区的卫星信号容易被地形遮挡，导致数据质量下降甚至丢失，这对连续和全面覆盖的沉降监测造成了一定的限制。InSAR技术能够监测大规模、连续和微小的地表变形，在矿区沉降监测领域取得了许多成功案例。然而，在西部地形起伏较大的山区，其应用效果常常受到几何失真、时间和空间去相关性和大气干扰等因素的影响。特别是在植被覆盖密集的区域，保持一致性非常具有挑战性，可能导致变形信息计算精度降低或局部去相关[12,13]。相比之下，基于3D点云的技术具有非接触式测量、高效、抗环境干扰能力强以及能够获取大面积点云数据等优点[14]。点云可以通过过滤处理生成高质量DEM产品[15]。通过比较多个DEM，可以在复杂地形和植被覆盖条件下提取连续的地表沉降信息[16]，这在一定程度上弥补了GNSS点观测的不足和InSAR的一致性限制。与LiDAR技术相比，无人机由于其低成本和易用性成为了获取点云数据的主要技术手段[17]。无人机拍摄的图像数据可用于生成密集的图像匹配（DIM）点云，经过过滤后可以生成高精度的DEM[18]。因此，过滤算法的质量直接决定了DEM和地表沉降的精度[19]。

LiDAR点云和DIM点云除了包含点云的空间信息外，还具有不同的特征属性：LiDAR点云还包含强度和回声等信息[20]，而DIM点云包含颜色信息[21]。目前，过滤算法的研究主要集中在LiDAR点云上，各种方法已经成熟。然而，针对DIM点云的过滤算法的研究相对较少[20]。在实践中，为机载点云数据设计的算法经常直接应用于DIM点云。由于这两种点云数据之间的差异，这种处理方法会降低DIM点云的过滤精度[22]。因此，利用DIM的颜色信息进行点云过滤已成为当前的研究热点。Yu等人[23]使用布料模拟过滤进行几何粗过滤，然后利用过绿指数和密度聚类来消除剩余的植被和建筑物点云；?troner等人[24]系统测试了各种RGB植被指数在点云植被去除中的效果，确认过绿指数在单一材料点云中表现更好。这些方法大多将颜色信息视为独立的后期处理步骤或辅助分类特征，没有深入整合到经典几何过滤框架的核心过程中。因此，本研究以当前主流机载点云过滤算法中的最优算法为基础框架，结合DIM点云的颜色信息进行针对性改进，实现了在同一框架中整合颜色先验和几何约束。

此时，我们需要从主流过滤算法中选择最优的算法，并将其作为本文算法的基础框架。2003年，国际摄影测量与遥感学会（ISPRS）对八种经典LiDAR点云过滤算法在各种场景下进行了数据测试。结果显示，渐进式三角不规则网 densification（PTD）具有最高的稳定性和最强的适用性，在所有过滤算法中排名第一[25]。因此，我们选择的最优算法是PTD，该算法由Axelsson于2000年首次提出[26]。PTD的主要思想是通过网格划分点云，使用每个网格中的最低点作为地面种子点，建立TIN，并通过确定其他点来不断加密TIN。为了确保选定的初始种子点是地面点，PTD的种子选择方法根据点云中最大建筑物的大小设置网格边长，这需要预先了解点云的信息[27]。同时，PTD仅选择每个网格中的最低点作为种子点。如果建筑物的大小相对于点云较大，将导致选定的种子点较少，从而建立粗糙的初始TIN，严重影响未知点的确定精度[28]。总之，初始种子点的选择是影响PTD精度的主要因素。因此，我们利用DIM点云的特点研究了PTD的初始种子选择方法。

DIM点云的一个显著特点是它们包含光学（可见光）信息，而机载点云数据中缺少这些信息[21]。因此，本文提出了一种过滤算法，通过利用HSV颜色空间中的色调（H）值来改进PTD的种子点选择方法，称为H-PTD。具体步骤如下：首先从DIM点云中选择多个地面样本点，然后为样本点和整个DIM点云的H值（在HSV颜色空间中）生成直方图。根据样本点的H值范围确定初始地面种子点。接下来，使用这些种子点构建TIN。最后，根据每个候选点与最近三角面的垂直距离和角度进行迭代评估，以确定其是否应被分类为新的地面点。这个过程不断进行，逐步加密三角网络，直到不再添加新的地面点。这种种子点选择方法不仅确保了初始种子的精度，还保证了足够数量的数据点。这导致了更密集的三角网络，从而提高了地面点保留的精度。

总之，为了全面研究中国西部矿区地下采矿对地表造成的损害程度，解决传统测量方法效率低的问题，并克服InSAR和GNSS技术在西部矿区精度有限的问题，本研究鉴于西部矿区的复杂环境特性，提出了一种适合无人机获取的DIM点云特性的过滤算法，即H-PTD。该方法不仅有助于地表监测和准确识别矿区中的损伤信息，还为这些地区的土地复垦和生态重建提供了基础地理空间数据。

本文的其余部分组织如下：第2节重点介绍所提出算法的步骤和两种精度评估方法。第3节描述了数据来源、数据处理结果，并通过与其他方法的比较展示了所提方法的优越性。第4节分析了不同方法的性能，检验了所提方法对大规模矿区数据的适用性，并探讨了其在其他领域的应用潜力和局限性。第5节总结了提出的算法，包括最重要的实验结果、意义、局限性以及未来研究方向。

**2. 材料与方法**

2.1. 算法描述
2.1.1. HSV颜色空间
点云的颜色空间主要包括RGB和HSV[29]。RGB 是红、绿、蓝三种颜色以不同比例混合而成的，这些颜色之间存在很强的相关性且不均匀[30]，并且其对光照的抵抗力较差[31]。HSV 由三个组成部分构成：色相（Hue）、饱和度（Saturation）和亮度值（Value），每个组成部分之间不会相互干扰。在后续处理中选择了一个组成部分，且不受其他组成部分的影响[32]。同时，HSV 更接近人眼的颜色感知。由于扫描仪获取的物体颜色信息不可避免地会受到环境和光照的影响，因此从这些信息重建的模型会存在一定的失真。为了减少这种影响，在实验中仅使用 H 值来区分颜色差异[33]。本文仅列出了将 RGB 转换为 HSV 中 H 值的公式[34]，如下所示：
(1)
其中代表三种颜色中的最大值，代表三种颜色中的最小值。
2.1.2. 算法步骤
本文提出的算法是对 PTD 中初始地面种子点选择方法的改进，简称为 H-PTD。H-PTD 算法的技术路线图如图 1 所示。H-PTD 的主要步骤如下：
(1) 在 DIM 点云中选择多个地面样本点。通过结合样本点和 DIM 点云的 H 值直方图，获得地面点 H 值的范围，从而得到初始地面种子点。
(2) 构建不规则三角形网络。基于初始地面种子点构建不规则三角形网络。
(3) 确定未知点。遍历所有待处理点，在三角网中找到每个未知点最接近的三角形。根据某些规则，决定是否添加地面点来确定未知点。具体的判断规则如下：如图 2 所示，和 是初始地面种子点，构建了一个三角形。是未知点。到该三角形的距离为。连接 和 的线与三角形平面的角度分别为、和。如果、、和都低于阈值，则将未知点添加到地面点中。
2.2. 过滤精度评估方法
过滤算法的精度评估是衡量其过滤质量的标准。本研究评估过滤算法精度的方法包括交叉矩阵和 DEM 对比。
2.2.1. 交叉矩阵
Sithole 和 Vosselman 在 2004 年提出了一种生成交叉矩阵的方法来评估过滤结果的质量。近年来，学者们采用了这种方法。交叉矩阵表如表 1 所示。点云的总点数为，参考数据中的地面点数为，非地面点数为。过滤结果中的地面点数为，非地面点数为。有四种可能的过滤结果：
1. 正确分类的地面点数为。
2. 参考数据中被视为非地面点的地面点数为。
3. 将参考数据中的非地面点视为地面点数。
4. 正确分类的非地面点数为 [36,37]。
表 1. 交叉矩阵表（单位为点）。
可以看出，只可能存在第二种和第三种错误，分别称为 I 型错误（丢弃真实错误）和 II 型错误（存储错误）。这两种错误统称为总错误。错误值越小，过滤效果越好，算法的可用性越强。计算公式如下：
(6)
其中代表 I 型错误（丢弃真实错误）。
(7)
其中代表 II 型错误（存储错误）。
(8)
其中代表总错误。
2.2.2. DEM 对比
交叉矩阵用于计算单个点云的错误。然而，在实际应用中，点云过滤主要用于 DEM 生成。鉴于此，用户更关心 DEM 的质量和可用性，而不是单个点云的过滤结果。因此，分析过滤结果生成的 DEM 与参考 DEM 之间的差异也是验证过滤方法可行性的重要指标[38]。本研究使用插值方法生成 DEM 数据，计算过滤后的 DEM 与参考 DEM 之间的差异，并得到高度差的最大值、最小值、平均值和标准差[39]。
3. 数据与结果
3.1. 实验数据与实验环境
3.1.1. 实验数据
本研究的研究区域位于内蒙古自治区伊金霍洛旗林镜地区，属于东胜煤田的南部。这是一个现代化、高产、高效的煤矿，建于 2009 年，2011 年开始生产。该矿的设计年产能为 500 万吨。矿区道路与包头市的环路、109 国道、210 国道、213 省道和保福路相连。连接宝西铁路线的万利矿区通江川铁路穿过煤矿的北部。本实验使用配备了 SONYA5100 DSLR 相机（SONY，日本东京）的 TrimbleUX5 无人驾驶飞行器进行航空测量系统来收集现场图像数据。根据对测量区域周围环境和交通条件的调查，将地面分辨率设置为 0.06 米。根据地面分辨率和飞行高度的公式[40]，本实验的无人机飞行高度设置为 230 米。根据无人机摄影测量的相关标准和规范，航向重叠率为 60–80%，侧向重叠率为 40–80%[4]。当地形有起伏时，必须增加重叠率以防止图像失真并提高图像匹配的精度。因此，最好将飞行路径参数设置为 80% 或更高[3]。考虑到高重叠率可能导致数据冗余问题，本实验中航向和侧向重叠率均设置为 80%。
本研究使用 Pix4Dmapper4.4.12（Pix4D S.A.，瑞士普里利）处理无人机数据并生成 DIM 点云。选择了三种具有不同特征的实验数据来验证 H-PTD 的可行性。实验数据的统计信息如表 2 所示。图 3a–c、图 4a–c 和图 5a–c 分别显示了 ED-1、ED-2 和 ED-3 的正面视图、斜视图和俯视图。
表 2. 实验数据信息统计（单位为点）。
为了在后续内容中比较各种方法的精度，我们通过视觉解释从三种实验数据中获取了地面点作为参考地面数据。结果如图 6 所示。
3.1.2. 实验环境
所有实验均在配备 Intel (R) Core (TM) i5-6400 处理器（24 GB 内存）（微软公司，美国华盛顿州雷德蒙德）的 Windows 10 系统上进行。代码使用 MATLAB R2023b 编写。3D 点云数据的显示使用 CloudCompare v2.13。DEM 的生成和显示均在 ArcMap10.5 中完成。
3.2. H-PTD 过滤结果
3.2.1. 初始地面种子点的选择结果
每组实验数据的 H 值直方图分别绘制在图 7a、c、e 中。可以观察到每个直方图中都有多个峰值和低谷，每个低谷代表不同的特征。图 7. H 值直方图（纵坐标单位为点；颜色从蓝色到绿色再到黄色再到红色，表示 H 值逐渐增加）。在每个实验数据集中，选择了 200 个地面样本点，并绘制了每个样本点的 H 值直方图，如图 7b、d、f 所示。以 ED-1 为例，超过 90% 的地面样本点的 H 值在 0–50 和 300–360 的范围内。因此，这两个范围被认为是初始地面种子点的 H 值范围。ED-1 到 ED-3 的初始地面种子点选择结果如图 8a–c 所示。与实验数据相比，大部分地面点可以被有效提取。
3.2.2. 过滤结果
在获得初始地面种子点后，通过后续步骤（如构建不规则三角形网络、确定目标点和加密三角形网络）得到 ED-1 到 ED-3 的 H-PTD 算法过滤结果，如图 9a–c 所示。与图 6 相比，可以从图 9 看出 H-PTD 能够有效提取地面数据。在 ED-1 的空洞周围有一些颜色较深的点，这些点属于植被边缘。这些数据与地面点的连接波动较小，因此 H-PTD 将其视为地面点。ED-2 左上角的颜色较深的数据不是植被，而是植被留下的阴影。这表明它可以有效地提取波动较小的阴影数据。ED-3 显示出明显的波动趋势，但 H-PTD 也能很好地提取地面数据。
3.3. 方法比较与分析
3.3.1. 其他方法
为了验证 H-PTD 算法的效果，选择了以下方法进行精度评估：织物模拟过滤（CSF）[41]、形态学过滤（MF）[42]、移动表面过滤（MCF）[43]、坡度过滤（SF）[44] 和渐进式 TIN 密度（PTD）[26]。每种方法基于的原理不同，所需参数也各不相同。具体参数设置和推荐值可以在相关文献中找到[45,46]。经过实验调试后，各种过滤方法的参数设置如表 3 所示。
3.3.2. H-PTD 的过滤结果
从五种经典方法和 H-PTD 得到的 ED-1 到 ED-3 的过滤结果分别显示在图 10a–f、图 11a–f 和图 12a–f 中。
图 10. ED-1 的过滤结果。
图 11. ED-2 的过滤结果。
图 12. ED-3 的过滤结果。
3.3.3.精度评估 跨矩阵
每种滤波方法的结果都与参考地面点数据进行了逐点比较，并提取了两种类型的错误判断点云：一种是参考地面点中被误判为非地面点的点（对应于第一类错误），另一种是参考非地面点中被误判为地面点的点（对应于第二类错误）。上述错误判断点云的空间分布分别显示在图13a–f、图14a–f和图15a–f中，其中红色点代表前者，蓝色点代表后者。

图13. ED-1中每种滤波方法导致的错误判断点云的空间分布。
图14. ED-2中每种滤波方法导致的错误判断点云的空间分布。
图15. ED-3中每种滤波方法导致的错误判断点云的空间分布。
CSF在平坦区域的准确率较高，但在陡坡区域的准确率较低。在ED-1的左下角、ED-2的左上角以及ED-3中波浪较大的区域，地面点云数据未被保留，导致大量空洞的出现。对于植被区域，该算法的提取较为保守，保留了一部分植被数据。MF与CSF类似，在陡坡区域的准确率也较低。即使在平坦区域，也无法提取所有地面点，例如ED-1的左上角和ED-2的下部。对于植被区域，可能会出现某些区域被过度去除而某些区域被去除不足的情况。MCF无差别地以块状形式删除边缘区域数据。植被区域未被完全去除，处于基本保存的状态。SF提取了大部分地面数据，但在靠近植被的区域和坡度较大的区域则没有提取到数据。植被区域被很好地去除，但也存在被错误显示或删除的情况。PTD未能有效提取地面点数据，这表明该算法只是对点云数据进行了稀疏处理，并未进行过滤。H-PTD能够有效提取地面数据，但在植被与地面交界处有时会将非地面点误判为地面点。

跨矩阵误差的统计值列在表4中，条形图显示在图16中。

根据图16可以看出，CSF在平坦区域的误差相对较低，进一步说明CSF适用于平坦区域。与CSF类似，MF在陡坡区域也有较大误差，但在平坦区域的准确率也不如CSF。MCF的第一类误差相对较低，而第二类误差相对较高。在平坦区域（ED-1）中，总误差最大。SF的滤波效果良好且相对稳定，三个实验数据集中的总误差约为20%。PTD的第一类误差和总误差相对较高，而第二类误差相对较低，这可能是因为实验数据中的非地面点数量较少，因此被判断为地面点的非地面点数量较少，导致第二类误差较低。总体而言，滤波效果较差。H-PTD的第一类误差在3%到7%的范围内稳定；第二类误差的范围较宽，介于1.7%到11.2%之间（ED-3的误差较高）；总误差控制在2.9%到7.8%之间，整体低于8%。H-PTD的滤波效果最佳，各种实验数据中的误差最小，且具有较强的鲁棒性，适用于多种地形。

DEM比较
本文使用ArcMap10.5根据各种方法得到的滤波结果生成DEM。ED-1到ED-3的DEM结果分别显示在图17a–g、图18a–g和图19a–g中。

为了进一步分析各种方法的优点和缺点，计算了参考DEM与滤波方法DEM之间的差异。ED-1到ED-3的DEM差异结果分别显示在图20a–f、图21a–f和图22a–f中。除ED-3中CSF和MF的DEM差异结果外，大多数其他方法的DEM差异结果都在-0.1到0.1的范围内。DEM差异结果为负值的区域（蓝色区域）主要位于植被区域，其中MCF和PTD的差异最为明显；DEM差异结果为正值的区域（红色区域）主要位于较陡的坡度上，其中CSF和MF的差异最为明显。这与从跨矩阵分析获得的精度结果一致。与坡度较大的ED-2和ED-3相比，SF在平坦区域的DEM差异结果较差，保留的部分位于-0.1以下或-0.1以上，这部分数据位于植被较少的区域。与其他方法相比，H-PTD在三个实验数据集中的DEM差异大多在-0.1到0.1之间，表明其准确率较高。

表5列出了DEM差异的特征值，基于绝对值绘制了条形图（见图23）。

在ED-1中，各种方法的有效性最高。随着坡度的增加，DEM的整体效果逐渐降低。CSF和MF在三个实验数据集中的标准差始终最高，表明这两种方法生成的DEM效果不佳。MCF和PTD的最小值和最大值的绝对值相对较高，而平均值的绝对值和标准差相对较低。SF在实验数据中的标准差较低（为3），表明该方法能够实现令人满意的滤波效果。H-PTD的特征值绝对值最小，标准差约为0.02米，表明该方法生成的DEM与参考DEM最为接近。

4. 讨论
4.1. 各种滤波方法的比较与分析
4.1.1. 五种经典方法的比较分析
根据本研究中的实验数据，基于算法原理分析了各种滤波方法的优点和缺点：
(1) CSF在平坦区域可以获得良好的结果；然而，随着坡度的增加，准确率会下降。这是因为CSF从上到下覆盖了翻转后的点云虚拟结构。由于重力的作用，结构会发生变形并形成相反的数字高程模型。在平坦区域，结构颗粒能够更好地附着在地面上，从而获得更好的滤波效果。在陡峭地形中，结构颗粒难以同时附着在坡顶和谷底，导致部分结构悬空或穿透；因此，高海拔的地面点被错误地分类为非地面点。
(2) MF依赖于固定大小的形态学结构元素进行开运算。一旦窗口大小固定，就难以适应不同规模的地形和地形起伏。如果窗口大小过大，则无法很好地保留地面细节特征，而非地面点却被保留了下来。这需要根据经验和数据特征不断进行实验调整。因此，在跨矩阵误差分析中，MF同时包含了第一类和第二类错误。
(3) 仅从视觉观察来看，MCF在过滤三组实验数据时的表现较差。然而，从跨矩阵误差分析结果来看，ED-1在平坦区域的误差最大。可能的原因是ED-1中非地面点的数量占比最高，达到47%，因此在单点误差分析中准确率较低。
(4) 尽管SF算法在三个数据集中的总误差均低于25%，但在处理高程不连续点时存在系统性缺陷——这些点经常被错误地识别为非地面点并被排除。这种现象在DEM差异结果中尤为明显：尽管点云层面的跨矩阵误差不明显，但被错误删除的地面点在地形重建过程中形成了局部空洞，从而降低了DEM的连续性和准确率。
(5) PTD算法根据网格边长将点云划分为规则网格，并选择每个网格中的最低点作为初始地面点。因此，提取的地面点云数据覆盖了整个实验数据区域。滤波结果只是降低了数据密度，并未真正提取地面点。PTD在跨矩阵分析中的准确率较低，但在DEM比较中的准确率较高。这可能是因为实验数据中的地面点数量较多，因此生成的DEM与参考DEM的差异较小，DEM差异的特征值也较小。
(6) H-PTD在PTD框架的基础上，对HSV颜色空间的H分量引入了阈值约束以扩展初始地面种子点。与PTD相比，H-PTD的初始地面种子点数量增加了。这一改进直接带来了两个性能提升：首先，初始TIN更接近真实表面，减少了需要判断的点数和后续迭代中的误判概率；其次，高程误差的标准差降至约0.02米，表明DEM重建的局部平滑性和整体准确率都显著提高。
(7) 基于深度学习的滤波方法分析
本文提出的H-PTD算法属于基于几何规则和颜色先验的传统滤波方法。其核心在于利用HSV颜色空间的信息优化地面种子点的选择策略。近年来，基于深度学习的地面过滤方法发展迅速。例如，?troner结合了多尺寸体素立方体（MSVC）和深度神经网络来保留地面点[47]；Chen提出了语义一致性-卷积神经网络（SC-CNN）来提高复杂地形中点云过滤的准确率[48]；Wen对原始点云进行局部采样，然后使用TransGF网络进行分类[49]。这些方法在特征学习能力和适应复杂场景方面表现出显著的优势，但也面临几个常见问题：首先，它们依赖于大规模的、逐点标注的训练数据，而为采矿区等特殊场景获取高质量的标注数据成本极高。其次，模型的跨场景泛化能力有限。当测试区域的地形类型或点云密度与训练集显著不同时，准确性可能会显著下降。第三，它们需要较高的GPU计算能力和内存资源，这限制了它们在实地实时处理场景中的应用。第四，与传统几何过滤方法相比，深度学习模型的计算效率较低，算法更复杂，这使得在计算能力有限或时效性要求高的环境中推广其使用变得困难。相比之下，本文提出的H-PTD算法不需要训练数据，具有明确的几何可解释性，并且可以在普通计算平台上高效运行。同时，它能够在较小的区域内实现高精度的地面点提取（H-PTD的总误差稳定在2.85%到7.80%之间）。这一结果表明，在西部采矿区这种标注数据稀缺且计算能力有限的应用场景中，带有颜色先验的几何过滤方法仍然具有不可替代的实用价值。未来的研究可以考虑使用H-PTD提取的高置信度地面点作为深度模型的弱监督训练样本，以实现这两种方法的互补优势。

4.1.3 基于颜色信息的过滤方法比较分析
尽管基于颜色的过滤方法在特定场景中取得了良好的结果，但其在西部采矿区复杂地表环境中的适用性仍面临重大挑战。?troner等人[24]提出了一种纯颜色植被指数过滤方法，该方法仅依赖RGB植被指数（如过度绿色指数）来消除植被点。该方法的有效性基于颜色信息能够唯一且稳定地识别植被的能力。然而，西部采矿区的地表覆盖类型非常多样，包括裸土、煤堆、岩石、阴影区域和人造结构。这些特征与植被的光谱特性有显著差异，但在特定光照条件下它们也可能表现出相似的绿色成分，或者植被本身可能因季节变化而失去绿色特征，这使得固定植被指数阈值难以准确应用。此外，该方法没有考虑非植被特征的处理策略，对于采矿区常见的低矮建筑、煤堆和裸土，仅依赖颜色指数无法实现有效分离，限制了其在采矿区全要素地表建模中的应用。Yu等人[23]针对建筑物提取进行了研究，首先使用布料模拟过滤进行大致分离，然后使用过度绿色指数消除植被，最后使用密度聚类提取建筑物。该方法在城市或平坦区域具有一定的适用性，但当应用于西部采矿区的地表过滤任务时，可能会遇到以下问题：布料模拟过滤对地形坡度敏感，实验中的总误差范围从20.49%到66.19%（ED-3的第一类错误率为72.22%），并且大量地面点无法通过颜色或聚类步骤恢复。

与上述方法不同，本文提出的H-PTD算法将颜色信息放在过滤过程的开始阶段，即在选择地面种子点的初始阶段，仅使用H分量的色调阈值来筛选出高置信度的裸土区域作为种子点。这种设计有两个优点：首先，使用裸土色调作为选择基础确保了初始种子点的高置信度，降低了来源错误的风险；其次，TIN迭代加密阶段完全依赖于几何标准，颜色信息不再介入后续过程，避免了光线和地面对象光谱变化的干扰。这种策略通过利用颜色信息改善了过滤的起点，同时避免了其不确定性对最终结果的干扰，在西部采矿区复杂地表条件下展现出更强的鲁棒性和适用性。

4.2 基于大规模测试数据集的H-PTD方法适用性研究
由于需要手动选择地面点作为参考数据来评估H-PTD过滤算法的性能，本研究中选择的实验数据具有范围狭窄和数据量小的特点。这意味着实验数据的地形简单，地形高度变化较小。尽管本研究尽可能选择了具有不同地形高度变化和植被类型的实验数据，但仍与大规模数据存在一定差异。然而，对于H-PTD方法来说，在数据范围较大且地形更复杂的情况下，地面点的H值分布可能不明显，这会导致初始地面种子点选择的准确性降低，进一步降低H-PTD的过滤精度。因此，有必要确定本研究中的算法是否适用于大规模采矿区环境。因此，在本节中，选择了某 mining 区2018年6月和2019年4月整个工作面的地表数据作为研究对象。使用Tianbao UX5无人机测量系统和SONY A5100单反相机对某个 mining 区的工作面进行了现场图像采集。经过数据处理和H-PTD过滤算法后，获得了两个时期的DIM点云过滤结果。图24a–c和图25a–c分别显示了第一阶段和第二阶段DIM点云数据的前视图、俯视图和立视图。

总体而言，两组数据中保留了更多的地面点，且删除的非地面点相对较少。此外，第二组数据的过滤结果中出现了更多的空洞。这是因为第一组数据是在6月获得的，而第二组数据是在9月获得的，9月份的植被高度明显高于6月份；因此，过滤算法删除了更多的植被。因此，去除植被点后，过滤结果在视觉上表现为空洞。图表显示，两个时期数据的南部空洞区域比北部更大，这也表明采矿区南部的地表植被较多。然而，由于实验区域范围较大，无法详细观察过滤结果。因此，在本研究中选择了一个区域内具有不同地表元素的小场景来展示过滤结果。场景1的地表元素包括山坡、树木和灌木；场景2包括山坡和低矮植被；场景3包括工厂和低矮植被；场景4包括平坦地面和低矮植被。小场景的位置图使用第一组DIM点云在图26中显示。图26. 4个小场景的位置图。图27、图28、图29、图30、图31、图32、图33和图34分别显示了两组数据的四种场景的过滤结果。为了更好地展示过滤结果，图27a–c、图28a–c、图29a–c、图30a–c、图31a–c、图32a–c、图33a–c和图34a–c展示了前视图、俯视图和立视图。图27. 第一堆数据的第一个阶段场景1的过滤结果。图28. 第二一堆数据的第一个阶段场景1的过滤结果。图29. 第一堆数据的第一个阶段场景2的过滤结果。图30. 第二一堆数据的第二个阶段场景2的过滤结果。图31. 第一堆数据的第一个阶段场景3的过滤结果。图32. 第二一堆数据的第二个阶段场景3的过滤结果。图33. 第一堆数据的第一个阶段场景4的过滤结果。图34. 第二一堆数据的第二个阶段场景4的过滤结果。在场景1中，左下角的蓝色天花板被提取为地面点，因为它与周围地形没有起伏。在场景2中，DIM点云和过滤结果显示，尽管H-PTD能够识别植被，但在较陡的坡度上仍会丢失一些数据。在场景3中，建筑物位于地面以上，因此H-PTD过滤算法可以去除它们，只保留周围的地面数据。从DIM点云可以看出，场景3不仅包括位置几乎不移动的建筑物，还包括不断移动的汽车。右侧中间部分显示了汽车的位置；因此，两组数据并不完全一致。然而，从过滤结果来看，H-PTD算法可以去除地面上方的汽车并保留地面位置。尽管在场景4的过滤结果中保留了一些植被，但从前视图可以看出，这些植被区域基本上与地表高度一致。保留这些植被区域意味着保留了大部分地面数据，这对于生成DEM产品和计算地表沉降具有一定的意义。总体而言，四个场景的地表元素各不相同，但过滤效果良好，都能去除地表以上的植被和建筑物。

4.3 H-PTD算法的局限性
尽管H-PTD算法在本研究的实验区域表现优异，但它对颜色信息的依赖构成了该方法的主要限制。具体来说，初始地面种子点的选择基于H分量直方图的经验阈值（推荐范围是0–50和300–360）。该阈值是根据实验数据中裸土和植被色调的分布模式统计分析得出的。然而，在以下情况下，这个预设阈值可能失效：1. 照明条件发生严重变化：在不同季节、不同时间和不同天气条件下，同一对象的H值可能会发生变化，导致固定阈值无法准确捕捉目标地表覆盖类型；2. 地表覆盖类型存在显著差异：当研究区域包含煤堆（亮度低、饱和度低）、大面积阴影（色调失真）或特殊岩石暴露区域时，H分量的可分离性会显著降低。

为了初步评估H-PTD算法的跨场景适用性，我们在第4.2节选择了一个大规模的采矿区整个工作面的场景数据集（包括2018年6月和2019年4月两个时期）进行独立验证。点云数据包括斜坡、树木、灌木、低矮植被、工厂和平坦地面等。工作面的某些部分面积较大，没有手动提取参考地面点云数据，我们没有对其他过滤方法进行定量比较。然而，从结果的主视图和俯视图中可以看出（见第4.2节），过滤效果非常好。这表明该方法在不调整阈值的情况下仍具有一定的泛化能力。然而，应当指出的是，当研究区域扩展到具有显著不同地貌类型的新采矿区时，重新校准H值阈值可能是一个必要的预处理步骤。4.4 H-PTD在其他相关领域的适用性本研究使用来自西部采矿区的不同坡度和范围的三维点云（DIM point cloud）验证了H-PTD过滤算法的有效性，证明了该算法能够有效保留地面点数据并构建高精度的数字地形模型（DEM）。基于这一表现，H-PTD算法在需要准确提取地面点的其他领域显示出应用潜力。该技术已广泛应用于城市规划、自然资源调查和地质灾害监测等多个领域[50]。地质灾害由于其突发性，对人类生命和财产安全以及社会和经济发展有着重大影响[51]。根据2025年中国统计年鉴[52]的数据，2024年中国共发生了5719起地质灾害，其中滑坡事件3316次，占比57.98%[52]。在中国西南部地区，如四川和湖南等省份的山区，滑坡频发[53]。由于该地区独特的地质和地形条件，植被覆盖率较高[54]。使用无人机进行滑坡监测时，由于植被的遮挡，往往难以早期识别地表变形；因此，从三维点云中准确分离地面点和植被点是实现可靠地形重建和灾害识别的关键[55]。本研究通过实验数据验证了H-PTD在陡峭山地复杂场景中的优越性：其I型错误率为6.14%，II型错误率为11.16%，总错误率为6.68%，生成的地形模型差异的标准差约为0.02米。与其他比较方法相比，H-PTD在植被覆盖的陡峭地形中仍保持了高精度，证明了该方法适用于实际任务，如西南地区的滑坡监测，并为地质灾害领域的空间分析提供了有效的技术支持。5. 结论针对西部采矿区复杂地形和植被覆盖条件下三维点云的过滤问题，本文提出了一种结合可见光颜色信息和渐进式三角网格加密技术的H-PTD过滤算法。与仅将颜色信息用作后处理手段或辅助分类特征的现有过滤方法不同，H-PTD直接将HSV颜色空间中的H分量嵌入到渐进式三角网格加密框架的初始地面点选择阶段，实现了颜色先验和几何约束在同一框架中的整合。这一策略有效增加了初始地面点的数量，使初始不规则的三角网格更接近真实地表形态，并为后续迭代加密提供了更可靠的几何参考。通过与CSF、MF、MCF、SF及原始PTD等经典过滤算法的对比实验，H-PTD在三种不同地形复杂性的实验区域中表现出最佳的综合性能：总误差稳定在2.9%至7.80%之间，地形模型差异的标准差约为0.02米。上述结果表明，H-PTD算法在提高地面点识别准确性的同时，有效抑制了复杂地形条件下常见的过度过滤和局部凹陷问题，具有较高的鲁棒性和适用性。H-PTD算法的实际应用价值显著，生成的高质量地形模型可以为多个关键领域提供可靠的数据基础。在城市规划和建设中，它可以用于详细的地形建模；在环境监测和评估中，它可以准确追踪生态恢复区的表面微变化；在地质灾害预防和应急救援中，该算法能够有效穿透低植被遮挡，灵敏捕捉滑坡等灾害的早期地表变形信号，为风险预警和紧急决策提供关键信息。然而，H-PTD也存在一定的局限性。初始地面点选择取决于H值直方图的经验阈值（本文推荐的范围为0–50和300–360），这一阈值是基于本文实验数据统计分析得出的。当应用于光照条件显著不同或地表覆盖类型完全不同的新调查区域时，可能需要重新校准上述预设阈值，这在一定程度上影响了算法的自动化程度。未来，我们将探索一种基于场景特征的自适应方法来选择初始地面点，以减少对手动选择参数的依赖。