基于灰度体素结构分割模型的机载LiDAR3D滤波算法（测绘学论文）㊣精品文档值得下载

者可由节所述方案确定由图可知第个高斯分布对应地面目标，因此需首先确定其分布参数然后结合谷值和确定乘数并由此确定乘数，进而确定第个高斯分布的灰度范围为，即，。

同理可确定其它高斯分布的灰度分布范围。

避免灰度分布重叠后的各个高斯分布的灰度范围分别为斯，王彦兵，宫辉力，等机载点云数据的面角滤波算法地球信息科学学报，王丽英，王圣，徐艳，等结合体元数据结构的机载建筑物检测中国图象图形学报，张杰机载点云滤波及特征提取技术研究徐州中国矿业大学，孙美玲机载数据滤波及城区汽车目标检测方法研究成都西南交通大学，孙蒙，顾和和基于微分形态学断面的机载数据滤波新方法大地测量与地球动力学周晓明机载激光雷达点云数据滤波算法的研究与应用郑州解放军信息工程大学，赵泉华，石雪，王玉，等可变类空间约束高斯混合模型遥感图像分割通信学报，王丽英，赵元丁种灰度体素结构分割模型下的机载滤波算法地球信息科学学报，基金辽宁省教育厅科学技术研究项目。

这些区域包括了不同场景中滤波可能遇到的主要低，考虑到地面周围还有低矮植被，所以本文设臵高度差阈值为。

点云密度约为和点时的邻域尺度可以直接使用邻域，因为本文已证明邻域为滤波的最佳邻域尺度。

因此，本文提出的算法与地面的形态坡度及连续性无关，可适用于不同复杂度场景的地面目标提取，具有普遍性。

结论本文面向机载数据提出了种滤波算法。

算法首先将机载数据规则化为灰度体素结构，然后利用体素间的连通性和灰度相似性将其分割成多个连通区域，最后根据地面和其他目标间存在高差这特性提取与地面对应的连通区域。

该算法基于灰度体素结构设计，以连通区域分割理论为基础，综合利用了点云数据包含的高程及强度信息。

对比仅利用几何信息的滤波算法，其将强度信息用于滤波辅助决策，从而为地面和非地面目标的区分提供了更有效的信息，因而可适基于灰度体素结构分割模型的机载滤波算法测绘学论文表的在多个测试数据中误差低于的算法。

由表可知，提出的算法对比改进了个样本中的个样本精度提出的算法对比已有的精度最高的滤波算法精度相当，改进了个样本中的个样本精度。

鉴于目前利用数据集的均为分类算法分为建筑物树低矮植被天然地面及沥青地面等类，为了将提出的算法同上述算法参见链接，和的链接分别为做对比，本文在提出的算法基础上进步利用天然地面的激光反射强度值大于沥青地面的激光反射强度值这特性对者加以区分，进而统计上述检测的完整率正确率及质量并和已有算法做对比，如表所示。

其中，天然和沥青地面的区分细则为若已判做地面的连通区域的灰度连通区域内各个体素的强度均值大于阈值，则为天然地面，否则为沥青的地面真实数据，无法进行定量精度评价，因此该数据未被采用，图以为例进行展示。

其中，为被树木围绕的高层城市住宅为包含有独立房屋和许多周围树木的住宅区。

点云数据记录了多次回波及其强度信息，点云密度为点。

另外，该数据已被准确的分类为沥青地面自然地面建筑物植被等类别，可用其中的地面真实数据作为参考数据定量评价提出的算法的精度。

滤波过程及结果实验以和为例展示滤波过程及其结果，并对邻域尺度参数进行敏感性测试及分析。

首先，和经异常数据剔除空间范围确定体素分辨率计算格网划分点云映射及体素赋值等步骤处理得到灰度体素结构，如图所示。

其中，各步骤的处理结果见表。

可目视图获取各地物目标的灰度分布情况，并作为先验知识用于随后的体素值相似性准则确定。

基于数据对比，进而用类误差将地面点错分为非地面点比例，类误差将非地面点错分为地面点比例，及总误差错分的地面点的比例，等指标定量描述算法误差。

图构建所得灰度体素模型表灰度体素模型构建过程及结果由表可知数据集中，采用及邻域时，提出的算法的平均总误差分别为及。

也即，从总误差指标来看，点云密度为点时，邻域是最佳邻域尺度。

数据集中，采用及邻域时，提出的算法的平均总误差分别为及。

也即，从总误差指标来看，点云密度为点时，邻域是最佳邻域尺度。

邻域尺度的增加并不意味着总误差的必然降低。

提出的算法的思想是地面目标信息可以通过在灰度体素模型中定义的连通性和灰度相似度来传播。

以邻域为例，地面目标信息的传播只能由中心体素向上下或个基本方向传播。

由此导致采用邻域只能将平坦地区的地面体素合并到个连基于体素分割的滤波算法包括机载数据规则化灰度体素结构分割及地面目标检测个步骤。

机载数据规则化规则化就是将包含场景目标的空间范围依据体素分辨率划分成格网并依据格网单元即体素内激光点的强度属性对各个体素赋值为不同灰度等级的过程。

其中，空间范围由包围机载数据的轴向平行包围盒确定体素分辨率依据激光点间的平均点间距由式确定体素赋值方式如式所示，将数据中的各激光点映射到格网中，并对含有激光点的体素赋值激光点强度均值不含有激光点的体素赋值，进而把上述体素值离散化到，∙∙∙，得到体素灰度值。

式中为体素沿和方向的分辨率，是数据的，平面投影所得点集沿轴向最小外接矩形的面积为点数，式中取最小值点云和叉树应用于机载数据表达时均存在局限性栅格格网和为数据结构，用其表达点云将导致信息损失并进步影响滤波结果的完整性点云并未明晰表达激光点间的空间结构及拓扑信息，由此导致滤波算法设计困难效率低下叉树各节点的尺寸不，各节点间的邻接关系难以建立，这同样增加了算法设计的难度。

为了克服上述限制，采用种更为简单的真数据结构表达机载数据显得尤为重要。

同时，针对已有的滤波算法存在的无法适应复杂场景的问题，有必要开发个适应范围更广泛的算法以更好地处理复杂多变场景。

因此，本文提出了种基于灰度体素结构分割模型下的机载滤波算法。

该算法首先将机载数据规则化为灰度体素结构，其中灰度为各体素内激光点的平均强度值的离散化表示然后基于体素间的空间连通性和灰度相似，则可确定和，由此可确定第个高斯分布的灰度范围其中，乘数，。

同理可确定其它高斯分布的灰度范围，并记做，。

但是，相邻的高斯分布间可能存在重叠。

为了避免分布重叠且有利于后继的滤波处理，各高斯分布的范围分别设为，。

原因在于第个高斯分布对应地面目标该先验知识可通过目视灰度体素模型获取，第和第个高斯分布的灰度范围设臵均以第个为基准设臵以便准确地获取地面目标。

而第和第个高斯分布的分布重叠并未处理的原因在于算法目的在于分离地面目标，此处即使植被和建筑物被混分也不影响算法的滤波精度。

由此，前文所述的体素值相似性准则确定转换为了求取各个地物目标的灰度范围，图中的与接近条件等价于体素值位于第个体素所最后依据地面的高程特性检测地面对应的连通区域。

该算法的优势在于灰度体素结构的真特性使其具备完备表达点云的能力且该结构同时融合了机载数据的高程各体素间的邻接关系为高程接近的隐含表达和强度各体素依据其内的激光点强度赋值信息，有助于综合利用数据的所有信息从而提高滤波精度滤波算法。

利用地面目标在灰度体素结构中的空间上具有连通性灰度上表现出致性特性构建滤波模型，基于灰度体素结构分割模型针对复杂场景中地面的几何及辐射特征设计，明显优于仅利用地面几何信息的滤波算法，的设计，可用于更复杂场景的滤波应用。