从分类TLS点云中提取建筑足迹：点云清理方法评估

《Geomatics》：Building Footprint Extraction from Classified TLS Point Clouds: Evaluation of Point Cloud Cleaning Methods

　　

地面激光扫描（Terrestrial Laser Scanning, TLS）是一种在城市环境中获取空间数据的有效方法，而最终几何输出的质量受后续点云处理的显著影响。本文重点分析从分类TLS点云中自动提取建筑足迹的精度，着重强调数据清理方法的作用。研究区域位于?iar nad Hronom市中心，研究人员使用TLS监测城市结构。为进行详细分析，研究人员选取了三个对象——一栋公寓楼、一个车库和一栋工业建筑——它们代表了不同的几何复杂度水平。为模拟真实处理条件，研究人员使用了从不同软件（Leica Cyclone 3DR、Trimble RealWorks和LiDAR360）获得的分类结果，利用标准指标如精度（Precision）、召回率（Recall）和F1分数（F1-score）评估其质量。这些分类结果也作为包含典型误差（如点簇、建筑附近的植被或误分类的地形要素）的输入场景。随后，研究人员对这些数据集应用了选定的点云清理方法，具体包括统计离群值移除（statistical outlier removal）、噪声滤波（noise filter）和标签连通分量（label connected components）。通过对比从大地测量获得的参考数据，评估了提取建筑足迹的精度。结果表明，仅靠自动分类不足以获得准确的建筑足迹，数据清理起着决定性作用。例如，在公寓楼案例中，统计滤波将面积从1052 m2减少至约854 m2（参考值：706 m2），并显著提高了位置精度（质心偏移从0.455 m降至0.077 m）。类似地，对于工业建筑，面积从215 m2减少至约165 m2（参考值：148 m2），同时保持了正确的角点数量。相比之下，噪声滤波方法被证明可靠性较低，因为移除高达25–30%的点通常并未改善足迹几何形状。这些结果强调了系统性的点云清理作为自动建筑足迹提取中关键步骤的重要性，并表明即使数据含有噪声，合理选择方法组合也能显著提高精度。本文还为地理信息学应用中的高效TLS数据处理提供了实用指导。

### 论文解读：从分类TLS点云中提取建筑足迹——点云清理方法评估

#### 研究背景与问题

数字城市、三维城市建模及空间规划决策对高精度、实时更新的空间数据需求日益增长。地面激光扫描（Terrestrial Laser Scanning, TLS）作为一种非接触式技术，能够快速获取高密度点云，但在数据处理中，点云分类后的噪声、误分类点（如植被、孤立物体被错误归入建筑类）会显著影响后续几何特征提取，尤其是建筑足迹边缘的准确性。现有研究多聚焦于分类精度或足迹提取本身，但对分类后点云清理如何影响几何精度缺乏系统评估。因此，本研究旨在系统探讨不同点云清理方法对自动建筑足迹提取精度的影响，并识别在真实分类误差条件下保证稳健结果的处理流程。

#### 研究内容与意义

研究人员在斯洛伐克?iar nad Hronom市中心开展实验，选取三类典型建筑（公寓楼、车库、工业建筑）作为样本，通过TLS获取点云数据，并使用三种不同软件（Leica Cyclone 3DR、Trimble RealWorks、LiDAR360）进行自动分类，生成包含典型误差的输入场景。随后应用统计离群值移除、噪声滤波和标签连通分量三种清理方法，提取建筑足迹并与大地测量参考数据对比。研究发现，自动分类单独不足以获得准确足迹，而适当的点云清理可显著提升几何精度，尤其统计离群值移除和标签连通分量效果最佳。该研究填补了分类后清理环节对几何精度影响的空白，为城市环境下的自动足迹提取提供了可复现的方法框架。论文发表在《Geomatics》。

#### 关键技术方法

研究人员采用以下主要技术方法：（1）**TLS数据采集**：使用Leica RTC360扫描仪从66个站点采集点云，经Leica Cyclone REGISTER 360配准和地理参考，平均均方根误差（RMSE）0.016 m；（2）**点云分类**：分别在Leica Cyclone 3DR、Trimble RealWorks和LiDAR360软件中执行全自动分类，生成9个输入场景，并利用精度（Precision）、召回率（Recall）和F1分数（F1-score）量化分类质量；（3）**点云清理**：应用统计离群值移除、噪声滤波和标签连通分量三种方法，系统探索参数范围（如邻居数20–60、标准差阈值0.5–2.0、搜索半径0.1–0.5 m、最小分量大小）；（4）**足迹提取与正则化**：使用CloudCompare的Fit 2D多边形工具提取足迹，再通过ArcGIS Pro的Regularize Building Footprint工具进行可选的正则化处理，确保几何一致性。

#### 研究结果

**5.1 分类结果的定量评估**
通过对比手动分类参考数据，评估三种软件的分类精度。结果显示所有软件F1分数均高于0.93，其中公寓楼在Leica Cyclone 3DR中达到0.994，车库在LiDAR360中达到0.947，工业建筑各软件结果相近（0.932–0.935）。但即使高精度下仍存在孤立点、植被点或建筑元素（如阳台）的误分类，这些误差构成后续分析的输入场景。

**5.2 分类对建筑足迹提取的影响**
从分类点云提取足迹（未进行清理），发现分类质量直接影响足迹精度。公寓楼面积从参考值705.862 m2增至1052.374 m2（Leica Cyclone 3DR），角点从4个增至22个，Hausdorff距离达4.01 m；车库影响较小，面积从142.952 m2增至189.434 m2，角点保持4个；工业建筑面积从148.173 m2增至215.624 m2，角点增至18个，Hausdorff距离达4.71 m。结果表明，即使高分类精度，复杂几何物体仍存在显著偏差，仅靠参数调整无法消除误差，需引入清理方法。

**5.3 点云清理方法对足迹提取精度的影响**
应用三种清理方法后，对公寓楼，统计离群值移除将面积从1052.374 m2降至853.585 m2，质心偏移降至0.077 m；标签连通分量将面积降至846.397 m2，角点恢复至4个，Hausdorff距离从4.01 m降至1.95 m；噪声滤波效果最差（面积仍达936.501 m2）。对车库，统计离群值移除将面积降至155.029 m2（Trimble RealWorks），质心偏移0.098 m，但噪声滤波和标签连通分量效果有限，因误分类点与建筑直接相连。对工业建筑，统计离群值移除将面积从215.624 m2降至164.906 m2（Leica Cyclone 3DR），质心偏移0.250 m，并保持12个角点；标签连通分量在LiDAR360中效果显著，面积降至172.573 m2，Hausdorff距离从4.71 m降至0.99 m；噪声滤波再次失败，导致角点增至29个。结果证实，移除点比例并非关键，方法的选择性消除能力决定最终几何精度。

#### 讨论与结论

讨论部分指出，分类精度指标（Precision、Recall、F1-score）与足迹几何精度并非严格线性关系，清理阶段成为决定性环节。不同错误类型（孤立簇、植被、直接相连的误分类点）对清理方法响应各异：统计离值移除和标签连通分量表现稳健，噪声滤波因过度移除建筑点而不可靠。研究局限性包括样本量有限（三类建筑）和参数依赖特定软件，但受控实验设计提供了系统评估框架。未来需扩展至更多建筑类型，探索自适应或混合清理方法。

**结论翻译**：本文聚焦于城市环境中从TLS点云提取建筑足迹的精度分析，特别强调应用于分类点云的数据清理的作用。研究在?iar nad Hronom市中心选取三个类型学上不同的对象进行，参考值通过独立的大地测量获得。使用Precision、Recall和F1-score评估分类，主要服务于模拟真实输入条件。结果表明，分类质量本身并非足迹精度的决定性因素，后续点云清理阶段起关键作用。研究证实，适当选择的清理方法——尤其是统计离群值移除和标签连通分量——能显著减少分类误差的影响，改善提取足迹的几何特征。同时证明，移除点的比例并非关键，重要的是根据几何相关性进行选择。基于所得结果，可以得出结论：本文主要目标已实现。研究系统性地展示了不同清理方法对足迹提取精度的不同影响，并识别出即使在真实分类误差存在下也能保证稳健结果的方法。本文的贡献在于将分类、清理和足迹提取综合集成，尤其关注作为决定性处理步骤的清理阶段。结果具有实际应用价值，特别是在GIS中创建精确足迹图层、城市结构制图或数字孪生等应用中。未来研究可扩展分析对象集、优化清理参数，并集成机器学习方法或多源空间数据组合。