一种复杂山区的点云植被自动快速滤除方法、系统及介质

技术领域

本发明涉及数据处理技术领域，具体涉及一种复杂山区的点云植被自动快速滤除方法、系统及介质。

背景技术

目前，已有一些方法用于植被点云的滤波。其中一种常见的方法是基于布料模拟滤波(Cloth Simulation Filtering，CSF)是一种基于简单物理过程的算法，其基本思想是：将一块虚拟的布料置于地形上方，在重力作用下布料会下降，假定布料十分柔软，那么这块布料将贴附在地物表面，最终布料的形状构成数字表面模型(Digital SurfaceModel，DSM)。如果事先将地形进行倒置，并且布料具备一定的硬度，则布料最终的形状构成高精度的数字高程模型。另一种方法是基于形态学操作的滤波方法，渐进数学形态学滤波主要利用数学形态学中的开运算操作，通过先腐蚀后膨胀的操作，可去除较小的目标。该算法首先对原始LiDAR点云进行规则格网化操作，通过比较开运算前后对应格网点的高程差与设定的阈值之间的关系，剔除大于阈值的点。通过线性或指数的方式扩大滤波窗口进行迭代计算，直至滤波窗口达到设定的最大值时结束运算。

这些现有方法在解决植被点云滤波问题时存在一些缺点。具体而言：

1.基于布料模拟滤波(CSF)的方法，虽然能够通过模拟物理过程来获取数字表面模型，但其依赖于假设的布料属性和硬度参数，对参数的选择敏感，容易产生误差。

2.基于形态学操作的滤波方法，通过开运算操作可以较好地去除较小的目标，但当植被点云中存在较大的噪声或遮挡时，可能会影响滤波结果的准确性。

3.渐进数学形态学滤波方法，通过迭代扩大滤波窗口进行计算，可以部分解决滤波窗口过小导致的信息丢失问题。然而，在处理复杂的植被场景时，可能需要设置更大的滤波窗口，从而增加计算复杂度和时间消耗。

以上这些方法在应对不同植被类型、噪声干扰和遮挡等情况时，可能存在一定的局限性。因此，需要进一步提高现有方法的准确性、鲁棒性和普适性，以满足更广泛的应用需求。

发明内容

本发明所要解决的技术问题是：当前的点云处理技术在处理植被点云数据时面临着一系列困难和限制，例如噪声、遮挡和复杂的几何结构；这些问题导致了植被点云数据的不准确性和不完整性，进而影响到相关应用领域的精度和效果。本发明目的在于提供一种复杂山区的点云植被自动快速滤除方法、系统及介质，基于现有的数据处理技术进行方法上的改进，先对点云数据进行初步过滤，再基于DBSCAN算法对初步过滤后的点云数据进行聚类，以自动、可靠的方式对点云中的植被进行滤波和分割，有效地克服了噪声、遮挡和复杂几何结构等问题，实现了更精确、完整的点云数据重建。

本发明通过下述技术方案实现：

本方案提供一种复杂山区的点云植被自动快速滤除方法，包括：

获取目标区域的点云数据；

对点云数据进行初步过滤：将点云数据分成多个块区，对每个块区分别进行高度限制、斜率限制和邻域限制；

基于DBSCAN算法对初步过滤后的点云数据进行聚类，最终得到目标区域过滤后的点云数据。

本方案工作原理：当前的点云处理技术在处理植被点云数据时面临着一系列困难和限制，例如噪声、遮挡和复杂的几何结构；这些问题导致了植被点云数据的不准确性和不完整性，进而影响到相关应用领域的精度和效果。本发明目的在于提供一种复杂山区的点云植被自动快速滤除方法、系统及介质，基于现有的数据处理技术进行方法上的改进，引入了块区限制，结合高度限制、斜率限制和邻域限制条件，先对点云数据进行初步过滤，再基于DBSCAN算法对初步过滤后的点云数据进行聚类，以自动、可靠的方式对点云中的植被进行滤波和分割，有效地克服了噪声、遮挡和复杂几何结构等问题，实现了更精确、完整的点云数据重建。

进一步优化方案为，所述将点云数据分成多个块区，包括方法：

将目标区域的点云数据投影成二维平面数据；

基于分块系数bc将二维平面数据分成mxn个块区：

其中，X

进一步优化方案为，所述对每个块区分别进行高度限制、斜率限制和邻域限制，包括方法：

S1，计算当前块区与邻域区块之间的最小高程差值Δz：

Δz＝P

其中，P

若Δz≤NT，则进入步骤S2，否则，将当前区块R

S2，获取当前区块R

S3，循环步骤S1-步骤S2，遍历每个区块得到初步过滤后的点云数据。

进一步优化方案为，所述高度限制包括方法：

判断高度A

进一步优化方案为，点云A的斜率slope计算方法包括：

根据下式计算点云A的斜率slope：

dz＝|A

进一步优化方案为，所述斜率限制包括方法：

判断点云A的斜率slope是否满足slope≤ST，ST表示斜率阈值；若是，则点云A满足斜率限制。

进一步优化方案为，所述基于DBSCAN算法对初步过滤后的点云数据进行聚类，包括方法：

基于DBSCAN算法按照密度对初步过滤后的点云数据进行聚类。

进一步优化方案为，所述基于DBSCAN算法对初步过滤后的点云数据进行聚类，还包括方法：在基于DBSCAN算法对初步过滤后的点云数据进行聚类时，获取各聚类类别中的点云数量，若当前类别中的点云数量少于数量阈值，则抛弃该类别中的所有点云。

本方案还提供一种复杂山区的点云植被自动快速滤除系统，用于实现上述的复杂山区的点云植被自动快速滤除方法，包括：

采集模块，用于获取目标区域的点云数据；

初步过滤模块，用于对点云数据进行初步过滤：将点云数据分成多个块区，对每个块区分别进行高度限制、斜率限制和邻域限制；

聚类过滤模块，用于基于DBSCAN算法对初步过滤后的点云数据进行聚类，最终得到目标区域过滤后的点云数据。

本方案还提供一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行可实现上述的一种复杂山区的点云植被自动快速滤除方法。

本发明与现有技术相比，具有如下的优点和有益效果：

本发明提供的一种复杂山区的点云植被自动快速滤除方法、系统及介质；基于现有的数据处理技术进行方法上的改进，引入了块区限制，结合高度限制、斜率限制和邻域限制条件，先对点云数据进行初步过滤，再基于DBSCAN算法对初步过滤后的点云数据进行聚类，以自动、可靠的方式对点云中的植被进行滤波和分割，有效地克服了噪声、遮挡和复杂几何结构等问题，实现了更精确、完整的点云数据重建。

附图说明

为了更清楚地说明本发明示例性实施方式的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。在附图中：

图1为复杂山区的点云植被自动快速滤除方法流程示意图；

图2为点云数据滤除过程示意图；

图3为原始点云示意图；

图4为点云分块示意图；

图5为区块过滤过程示意图；

图6为初步过滤后的地面点集合示意图；

图7为DBSCAN过滤后的地面点集合示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

当前的点云处理技术在处理植被点云数据时面临着一系列困难和限制，例如噪声、遮挡和复杂的几何结构；这些问题导致了植被点云数据的不准确性和不完整性，进而影响到相关应用领域的精度和效果。鉴于此，本发明提供以下实施例解决上述技术问题：

实施例1

本实施例提供一种复杂山区的点云植被自动快速滤除方法，如图1和图2所示，包括：

步骤一：获取目标区域的点云数据；

步骤二：对点云数据进行初步过滤：将点云数据分成多个块区，对每个块区分别进行高度限制、斜率限制和邻域限制；

步骤三：基于DBSCAN算法对初步过滤后的点云数据进行聚类，最终得到目标区域过滤后的点云数据。

所述将点云数据分成多个块区，包括方法：

将目标区域的点云数据投影成二维平面数据；

对于山区点云数据，直接进行植被滤除，算法存在困难。选择使用分块思想，将三维点云数据投影至X-Y平面，利用分块系数bc(block coefficient),分成m×n个块区：

其中，X

所述对每个块区分别进行高度限制、斜率限制和邻域限制，包括方法：

S1，计算当前块区与邻域区块之间的最小高程差值Δz：

Δz＝P

其中，P

若Δz≤NT，则进入步骤S2，否则，将当前区块R

该步骤主要是针对高度较高树木或输电线，其高度较高，通过高度限制筛除。

S2，获取当前区块R

所述高度限制包括方法：

判断高度A

点云A的斜率slope计算方法包括：

根据下式计算点云A的斜率slope：

dz＝|A

所述斜率限制包括方法：

判断点云A的斜率slope是否满足slope≤ST，ST表示斜率阈值；若是，则点云A满足斜率限制。

邻域限制，用于判断当前块区点云与周围是否存在明显断层；植被包含高大的树木、灌木丛等，电线杆等也类似与树木，它们明显特征是高度较高，高度限制能很好过滤此类点云；LiDAR高程最低点往往是地面点，所有按块区内高程最低点作为基准；同时植被中树木、电线杆往往趋于垂直，斜率较大，斜率限制能很好过滤此类点云。

S3，循环步骤S1-步骤S2，遍历每个区块得到初步过滤后的点云数据。

所述基于DBSCAN算法对初步过滤后的点云数据进行聚类，包括方法：

基于DBSCAN算法按照密度对初步过滤后的点云数据进行聚类。

所述基于DBSCAN算法对初步过滤后的点云数据进行聚类，还包括方法：在基于DBSCAN算法对初步过滤后的点云数据进行聚类时，获取各聚类类别中的点云数量，若当前类别中的点云数量少于数量阈值，则抛弃该类别中的所有点云。聚类时，由于离散点少且分布不均，可将类别少于数量阈值的点云抛弃，得到最终过滤后的点云。

初步过滤往往存在离散点，为解决离散点问题，采用经典的DBSCAN算法进行聚类。DBSCAN能够按密度进行聚类。聚类时，由于离散点少且分布不均，可将类别少于一定数量的点云抛弃，得到最终过滤后的点云。

实施例2

本实施例提供一种复杂山区的点云植被自动快速滤除系统，用于实现实施例1的复杂山区的点云植被自动快速滤除方法，包括：

采集模块，用于获取目标区域的点云数据；

初步过滤模块，用于对点云数据进行初步过滤：将点云数据分成多个块区，对每个块区分别进行高度限制、斜率限制和邻域限制；

聚类过滤模块，用于基于DBSCAN算法对初步过滤后的点云数据进行聚类，最终得到目标区域过滤后的点云数据。

实施例3

本实施例提供一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行可实现如实施例1的一种复杂山区的点云植被自动快速滤除方法。

实施例4

本实施例以地区为例，该地区点云图像如图3所示；

第一步为点云分块，如图4，该图为俯视视角分割，分成6×5块。

第二步，将每一区块进行过滤，包括邻域、高度与斜率限制。以其中一区块为例，将邻域阈值设置为10米，高度阈值设置为3米，斜率阈值设置为45度，如图5所示，左边该区块原始图，中间为过滤植被后图像，右边为植被图像。

第三步将每一区块过滤结果合并，在进行DBSCAN过滤。如图6，初步过滤结果中存在部分离散点，为原图中天线所留。如图7，经过DBSCAN过滤后结果。

在区块限制与区块合并时，采用多进程进行加速，达到点云植被的快速滤波。以该地区点点云为例，点云文件179MB，点云数量9395956。以采用多进程计算，时间约为3-4min；而以单进程计算，时间长达20h。

(1)使用分块思想将三维点云数据投影至平面，并利用分块系数进行处理。

(2)区块内进行高度限制、斜率限制和邻域限制，以过滤和识别植被点云。

(3)使用DBSCAN算法进行离散点过滤和点云聚类。

本实施例提供的块区限制：通过定义区块大小和计算高度、斜率等阈值，有效过滤崎岖地区中的植被点云。

本实施例提供的邻域限制：通过判断块区点云与周围的高程差值来识别明显的断层，并在后续处理中排除这些点云。

本实施例提供的计算流程：通过分块，对每一块再根据邻域、高度、坡度限制，再合并得到过滤点云，最后利用DBSCAN聚类进行过滤。

本发明引入了块区限制，结合高度、斜率和邻域等限制条件，对崎岖地区点云数据进行了全面的处理和过滤。同时，采用DBSCAN算法进行聚类，进一步优化最终的点云过滤效果。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。