C4 Filtering and Classification of Point Clouds/第4章 点云的滤波与分类
05.25-06.01点云数据的过滤—4.1Filtering of point cloud data
4.1.1课堂记录
为什么机载激光雷达是唯一可行的能够获取森林影像的方式？
只要森林不是完全覆盖，存在缝隙，机载激光雷达测量系统的激光扫描光束能部分地穿过植被覆盖空隙到达地面，并反射回去被系统接收到，从而可以直接获取大量真实地面的激光脚点数据（类比于光穿过森林时的景象，阴影即为覆盖区，光亮即为缝隙区）。
; point cloud filtering 和 classification的小知识？
- 过滤（地形点与非地形点）与分类（植被和人造建筑）本质上就是区分不同类型的点
- 过滤是从激光点云中提取数字地形高程模型(DTM/DEM)，需要解决的核心问题是如何将地形点与非地形点分开，去除非地形点
- 分类为了提取城市建筑数据，核心问题是利用非地形激光点来区分植被和人工建筑点
过滤和分类应满足的条件？
- 滤波时，重要的地形特征，如山脊、山谷、沟壑等，应尽可能保存完整
- 分类应尽量减少错误，包括弃真（第一类错误：舍弃属于地形表面的激光脚点）与纳伪（第二类错误：接受不属于地形表面的激光脚点）
过滤的主要方法是什么，请总结各种方法的原理与基本内容或注意事项等内容？
数学形态法、移动窗口拟合法、迭代线性最小二乘内插法、基于可靠最小值的滤波方法
数学形态法
- 方法：在移动窗口的帮助下，窗口的最低点被认为是地形点。与已确定的地形点相比，每一个在一定范围内有高差的点也被认为是一个地形点。该滤波根据移动窗口的大小进行加权，以便该过程可以在不同大小的窗口中重复。
- 方法流程的简单总结：
- 找出最低点
- 利用最低点来判断其他点是否为地形点
- 这种方法存在的问题：如果窗口选的小，选取的即使是最低点可有很大的可能是非地形点（纳伪）；如果窗口选的大，选取的最低点是非地形点的可能性大大减小，但此时因为地形起伏而引起的两点之间的高差的范围也会变大，容易将一些即使是地面点但是与参考点的高程差因为大于容许范围而被舍弃（弃真）
移动窗口拟合法
- 方法：利用大尺度移动窗口查找最低点，计算拟合一个粗略的地形模型，然后基于第一步得到的模型过滤掉高程差超过给定阈值的所有点，计算出更准确的DEM。
- 为什么要计算拟合一个粗略的地形模型？ 基于很多最低点拟合出来地形模型，假设地形连续且平滑作为约束条件，这个过程会处理或剔除一些不符合条件的最低点，最后将整个地形模型作为基准来判断其他点是不是地面点。
- 方法流程的简单总结：
- 找出所有最低点，建立粗地形模型
- 过滤掉高程差超过给定阈值的点
- 计算出更准确的DEM
- 这种方法存在的问题：窗口大小和预定义阈值的大小会影响分类结果，具体描写如下。
- 如果使用小型窗口，则大型建筑物上的点可能被判定为地形点；如果窗口太大，可能会平滑或移除一些小的不连续的地形部分的点
- 如果阈值过大，会有很多植被点被划分为地形点；如果阈值太小，则可能会平滑或移除地形的一些小的不连续部分
- 滤波参数的设置取决于调查区域的实际地形条件。对于平原、丘陵和山区，应设置不同的滤波参数以得到可靠的结果
迭代线性最小二乘内插法
- 方法：DEM内插以及数据过滤同时进行。其核心思想就是基于地物点的高程比对应区域地形表面激光脚点的高程高，线性最小二乘内插后，每个激光脚点的高程的拟合残差（相对于拟合后的地形参考面）不服从正态分布，高出地面的地物脚点的高程的拟合残差都为正值，且残差较大，该方法需要迭代进行。
- 方法流程的简单总结：
- 利用所有激光脚点等权计算拟合面
- 根据插值后的残差分布直方图自适应确定权函数的参数
- 计算出每个观测值的权值
- 根据各个观测值的权值进行拟合面计算
- 权为0的被剔除点的检验
- 利用新的拟合面迭代重复以上过程
- 这种方法存在的问题：
- 该方法假设地形特征局部水平或点均匀分布，在地形陡然起伏的地方不适用
- 为了保留倾斜地形的地面点，在滤波的过程中，需要不断调整滤波参数，以适应不同的地形类型特征，参数设置复杂
- 该方法需迭代进行，迭代次数一般为3～4次，计算时间长
- 大面积的穿透率低的灌木丛可能被处理为真实地面；通常大型建筑物不能被完全过滤掉；会出现负的粗差，这就意味着有些激光脚点的高程值比对应地面点的高程还要低
- 该方法相对于其他方法的优势：
- 能很好地获得地形趋势面
- 该方法既可以直接利用原始数据进行，也可以对数据进行预先初步的分类
- 容易进行自动处理
- 通过调权还可以剔除残差值特别大的粗差观测值
- 由该方法获取的数字地面模型的质量较高
基于可靠最小值的滤波方法
- 方法：在选择合适的滤波窗口后，该窗口中的地形点的选择不仅要通过选择数据点的最小高程来确定，而且要考虑到最小高程点的不可靠性，还需要进行多次筛选和验证。
- 方法流程的简单总结：计算数据点的平均高程和最小高程，并验证最小值的可靠性。
- 选取可靠的最小值的方法：计算数据点的平均高程和最小高程，并根据这两者差值的绝对值是否可靠（判断是否在限差范围内，研究发现，点云数据高程值在一定窗口内的统计变化呈正态分布，所以这个限差一般设定为两倍或三倍中误差范围）来验证该最小值的可靠性，考虑到平均值容易受极端数据影响，可以采用中位数来代替平均值。
; 4.1.2课堂作业
迭代线性最小二乘内插法讲前思考，将所有的点用来拟合一个面，这个面大致会处于一个什么位置，画出简图并讨论。为什么这个问题对于理解迭代线性最小二乘内插法很重要？
黑色线为拟合的面，满足所有点到此面的距离的平方和最小。从图中我们可以看出，这个拟合的面大致高于地面点而低于非地面点，故地面点与非地面点到这个面的有向距离一般符号相反，一般设置地面点到面的距离为负，非地面点到面的距离为正。这样拟合出的平面会得到不同的有向距离，利用这个距离来处理地面点与非地面点。
对于第二个问题：地面点残差值是负的，有符号区分，而且残差值的频数分布满足一定的统计规律，可以使用抗差估计的方法迭代定权。
; point cloud filtering 和 classification的区别是什么？Filtering主要利用了什么信息来区分地面点和非地面点，依据是什么？有什么局限性？
05.25原回答
- point cloud filtering用来区分地形点与非地形点，classification是利用非地形激光点来区分自然植被和人造建筑
- Filtering主要利用了高程与高差信息来区分地面点和非地面点。依据是如果相邻两点之间距离较近，而两点之间高差较大，则较高的点位于地形表面的可能性较小，同时综合考虑两个地面点之间的距离越远，地形变化形成的高差越大，在判断是否为地形点时支持”距离增大，阈值增大”的原则
- 目前主要存在两种错误：弃真（第一类错误：舍弃属于地形表面的激光脚点）与纳伪（第二类错误：接受不属于地形表面的激光脚点）
最小二乘迭代线性滤波为什么需要迭代？为什么需要选取可靠最小值？可以通过什么方法选取？
06.01原回答
- 用所有激光脚点的高程观测值按等权计算出初步的曲面模型，该曲面实际上是界于真实地面（DTM）或地物覆盖面（DSM）之间的一个曲面，所以需要进一步重新定权迭代将这个面无限的向DSM推进
- 在选择合适的滤波窗口后，该窗口中的地形点的选择不仅要通过选择数据点的最小高程来确定，而且要考虑到最小高程点的不可靠性，还需要进行多次筛选和验证
- 计算数据点的平均高程和最小高程，并根据这两者差值的绝对值是否可靠（判断是否在限差范围内，研究发现，点云数据高程值在一定窗口内的统计变化呈正态分布，所以这个限差一般设定为两倍或三倍中误差范围）来验证该最小值的可靠性，考虑到平均值容易受极端数据影响，可以采用中位数来代替平均值
4.1.3课堂提问
- 前面让大家回答了，滤波依据的主要信息是什么？ 高程差
- 高程差是一个单一的信息量，是不是能保证得到可靠的滤波结果？ 不能，所以我们还需要给它加上约束条件，这是后面要讲的方法的关键
- 假设激光信号经过多次反射回到接收机，数据会怎么样？ 偏大，多次反射会使信号的传播路径，也就是实测的距离变长，最终会使得根据这些点估计位置时远离观测中心点，若本身低于观测中心，会使目标点的高程比实际值更小，导致位置更低
4.1.4课后作业
设激光信号经过多次反射回到接收机，数据会怎么样？ 偏大，多次反射会使信号的传播路径，也就是实测的距离变长，最终会使得根据这些点估计位置时远离观测中心点，若本身低于观测中心，会使目标点的高程比实际值更小，导致位置更低
4.1.4课后作业
选取上述的4种滤波方法中的一种，编写滤波程序实现该方法，并测试所给的点云数据能达到一种什么样的结果，编程语言不限，需要提交的成果有：代码、滤波处理结果，比较分析报告
Original: https://blog.csdn.net/warma12138/article/details/125431951
Author: 单子沐
Title: 第4章 点云的滤波与分类 4.1点云数据的过滤
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/666214/
转载文章受原作者版权保护。转载请注明原作者出处！