地面lidar云数据去噪 (1).docx

《地面lidar云数据去噪 (1).docx》由会员分享，可在线阅读，更多相关《地面lidar云数据去噪 (1).docx（23页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、摘要地面lidar云数据去噪简述摘要随着经济社会的不断发展，空间技术信息随着高科技的发展不断提高，高科技技术的发展有关相关数据的获取与测量的要求更高，较为传统的技术有关测量技术与方法相对滞后，地面激光雷达系统因其精度高、速度快、具备一定穿透力，且直接获取地球表面的三维坐标，广泛用于获取大面积数字地面/ 高程模型。虽然地面激光雷达系统硬件在不断完善，系统集成的诸多问题得到较好解决， 但是数据处理相对滞后。国内外学者经大量研究，提出了许多点云数据去噪方法，流程复杂，效果并不是很好。为了克服以上缺点，论文在介绍地面激光雷达系统与点云的基础上，研究了点云的去噪、滤波及分类算法。 论文的主要研究内容概括

2、如下：1.介绍了地面三维激光雷达系统的组成,工作原理，主要技术指标以及国内当今市面上常见的激光扫描仪。2.介绍了点云噪声的分类，以及常见的处理方法。3.利用Geomagic studio进行了地面lidar点云数据的去噪处理。4.利用arcgis对去噪处理后的图像生成DEM。成都理工大学硕士学位论文AbstractWith the rapid development of spatial information technology, the requirements for geospatial data acquisition capabilities are constantly imp

3、roving. Traditional spatial information acquisition technologies have been unable to meet actual needs. Multi-platform and multi-sensor spatial information acquisition methods have attracted more and more attention. The laser radar system is widely used to acquire large-area digital ground/elevation

4、 models because of its high precision, high speed, and a certain penetrating power, and directly acquires the three-dimensional coordinates of the earths surface.Although the hardware of the ground lidar system is constantly improving, many problems of system integration are better solved, but the d

5、ata processing is relatively lagging. Domestic and foreign scholars have put forward a lot of point cloud data denoising methods through a lot of research, the process is complex, and the effect is not very good. In order to overcome the above shortcomings, on the basis of introducing the ground lid

6、ar system and point cloud, the paper studies the denoising, filtering and classification algorithms of point cloud. The main research contents of the thesis are summarized as follows:1. Introduced the composition, working principle, main technical indicators of the ground 3D laser radar system and t

7、he laser scanners commonly used in the market today.2. Introduced the classification of point cloud noise and common processing methods.3. Using Geomagic studio to perform denoising processing of ground lidar point cloud data.4. Use arcgis to generate DEM for the image after denoising.II一、 绪论1、研究背景激

8、光雷达主要用于测定目标相关的数据，是较为新型的非接触式的探测器。相关的研究可以追溯到20世纪60年代，但它只是在20世纪80年代之后。人们用它来获取三维数据。到20世纪90年代初，西方国家已经发展成商业化，直到今天它们一直在研究和发展。激光雷达系统是检测系统的电子，光学，机械，计算机和其他主题区域的组合。与传统的雷达传输微波不同，激光雷达发射激光。通过检测接收目标反射的激光信号，结合其方位角和仰角，可以通过计算得到目标的精确三维坐标信息。该运动允许激光雷达执行连续扫描，并且获得一组三维空间坐标数据，其被称为点云数据。其中，星载激光雷达被广泛用于探测全球气候变化。精确地数字模型与地模型获取，需要

9、通过地面激光雷达，地面激光雷达主要用于获取高精度数字城市道路和建筑物外立面信息，而地面激光雷达与地面和地面激光雷达系统相比，它可以获得地面目标的高精度，高水平的细节数据，主要用于地面景观测量，古建筑和文物保护，地形测量，矿山调查和变形监测。等待。激光雷达系统还可以与工业相机，GPS和惯性测量单元（IMU）采集系统相结合，以获得更全面的数据，从而解决长期存在的数字信息采集问题。激光点云数据的应用十分广泛,它可以在数字3D城市，3D地形收购，地籍调查，3D神器重建，电力库存等诸多行业需要绘图和建模的构造中。例如,由北京数字绿土公司开发的LiDAR360软件将激光雷达点云数据应用于林业调查规划。传统

10、的生态数据调查是特别难以收集数据，以及可用的结构信息是非常有限的。人类活动影响的主观因素对测量结果有很大的影响。以激光雷达进行相关数据的扫描与测量，其可以有效的获取森林相关参数及变量数据，生物量，森林资源，森林覆盖率快速推论;了解不同年龄的森林密度和树木状况,估算不同物种的数量;获得森林地面DEM,实现森林结构的自动提取和三维场景的重建,林业监测和管理。将全站仪与RTK数据采集模式应用在相关的地籍测量方面，首先，从人力角度考虑，需要投入量太大，其次，从物力角度考虑，成本颇高,结果只能以二维的方式呈现,使地籍测量很难向三维空间方向扩展。综上分析可知，将激光雷达应用在数据测量分析中，不仅节省了大量

11、的人力成本，同时也节省了一定的物力成本，有关数据的记录精确度较高。2、 研究目的与意义在数据测量过程中，无法避免的是人为因素，因此，在测量过程中，去除噪声痕迹是确保数据金准的主要因素。激光扫描法获得的数据在农业开发，城市规划，水利工程，林业检测，交通通讯，甚至军内等有着重要作用，为国民经济，社会科学与发展，提供极其重要的研究资料。所以我们要保证数据的准确性与精准度，所以点云数据的处理为首要条件，而去噪为点云数据处理的最重要的一环，而且国内点云数据去噪处理的方法与去噪处理的效果较为退后，本文将介绍几种常用的地面lidar点云数据去噪的方法并实验，对比其结果，分析各种去噪算法的优缺点，以及适用处理

12、点云数据的类型。3、lidar技术研究现状激光雷达原理的引入可以追溯到激光前的时间.在20世纪30年代，第一次尝试通过测量散射强度来测量上层大气中的空气密度, 距离探照灯。通过扫描远距离激光反射，获得了高度信息。1938年，通过其测量脉冲发射和信号检测之间的往返时间，建立发射机和接收机并置的装置，并主动推导出高度信息。 用于这种测量技术的激光雷达是米德尔顿和斯皮尔豪斯于1953年引进的激光雷达。在硬件开发方面，一些研究机构正在对高灵敏度的光电探测器，高精度惯性导航系统，以及高性能的激光源。基于原始863程序LiDAR空间信息采集技术的结果,应用电子学院中国工程物理研究院独立开发了一个可以放置在

13、多个平台上的系统。武汉大学季铮大师将LiDAR数据与高分辨率IKONOS卫星图像相结合。部分研究工作已经完成。齐红博士提出将几何相关的数据，及其属性数据点云数据。在虚拟网格的基础上,信息工程大学和罗伊萍医生研究了建立足点提取算法的多尺度形态滤波算法和非平衡支持向量机。长安大学赵旦开发了一款名为TopLidar的软件,可实现数学形态学过滤和手动交互式编辑。二、地面三维激光雷达系统及简述1、地面三维激光雷达工作原理类似于传统的微波雷达，雷达发送光束到目标，然后接收由目标返回的信号，并将其与所传送的信号相比较。不同的是激光雷达传播的是激光，速度更加快速，反应更加灵敏。综合分析其工作原理为首先将激光扫

14、描器发射到目标，其次根据激光接收与发射之间的时间差进行计算。来计算相应的测量点和扫描仪之间的距离，然后根据垂直角度方向和水平台阶角度值，真正的时间可以是实时的。计算测量点的三维坐标值，并记录在同一时间的反射激光信号的回声的强度值，并将其存储在用于记录和存储在存储装置。相应的处理后，提供被测量物体的三维几何模型和表面,反射特性。其主要步骤是：首先，在测距方面，使用激光依次获得仪器中心到目标的斜距；其次，获取的相关数据仪器将自动读取（水平角与垂直角）；再次，对目标的最终三维坐标进行求值；然后获得目标的反射率，其中以激光反射的强度来获取；最后，获取目标的RGB（频谱值）。2、地面三维激光雷达的系统的

15、组成1.激光雷达系统地面激光雷达系统包括：激光扫描单元，一个目标，一个电源和一个三脚架。以仪器为主进行数据测量相关坐标同时转换成三维空间数据，同时形成相关的点云数据。大多数仪器连接到一台笔记本电脑，并依靠扫描软件为数据接收器和控制台。注册目标可以与扫描中的其它定位设备，以及坐标变换和登记的步骤，通过几何中心完成使用。三脚架分为定心均衡功能，不具备此功能。前者可以直接在仪器链接坐标到地面坐标系统，并且不需要在扫描后的登记和坐标转换。通过相关数据及文献梳理可知，激光的发射相关单元是激光雷达信号的发射源，激光的发射单元以一定的波长和波形,通过光学天线发射定功率的激光。激光接收单元通过光学天线收集目标

16、的回波信号由光检测器转换成电信号。放大和信号处理后，得到的距离。单元是激光雷达接收器的主要部件。激光接收单元由前端光电检测器，信息后处理器，以及显示器和控制器三个子系统，其中，所述光电检测器和随后的信号处理器单元是激光雷达接收器的主要部件。激光雷达系统方框2.常见的激光扫描仪及其参数随着科技的急速进步，越来越多的厂家，生产商增多，激光扫描仪也在不断更新下面列举国内几种常用的激光扫描仪以及其参数： a. 中海达 LS300 b.Trimble TX8 C.Leica ScanStation P20d.Optech ILRIS-LR e. Faro Focus 3D x330 f.Riegl VZ

17、-6000表主流三维激光扫描仪的技术指标生产厂家Rigel中海达LeicaFaroOptech生产国家奥地利中国瑞士美国加拿大仪器型号VZ-6000LS300ScanStation P20focus 3D x330ILRIS-3D测距方法脉冲式脉冲式脉冲式相位式脉冲式测程6000m250m120m0.6m330m3000m视角360 60360 300360 270360 30040 40距离精度15mm150m25mm3mm50m2mm8mm100m角度精度157.5132.45扫描速度220000 点/秒14400 点/秒100 万点/秒97.6 万点/秒2000 点/秒处理软件Risca

18、n ProRealWorksSurveyCycloneFAROScout LTPolyWorks3、地面三维激光雷达测距原理首先，地面三维激光分为直接测量与间接时间测量，其中，直接时间测量主要是指在目标指标之间测量，根据测距过程所测量的对象，间接的时间测量依据激光信号调制，相位式测距是指对发射信号，与反发射信号间的连续的波测量往返时间，调频连续波测距是测量发射信号和反射信号调频连续波的频率变化来间接测量信号往返时间，也称为频差式测距（Frequency-shift）。脉冲式测距和相位式测距都是基于直接能量的检测，而频差式测距是基于相干检测。1. 脉冲式测距首先，脉冲式测距是对信号的往返进行测量

19、的方式，激光发射器以脉冲宽度小于50ns测量，其过程包括激光的整体发射，其次是激光的探测，时间的估计与时延的测量。测距的能力强与激光的发射力强是脉冲式的主要特色。2. 相位式测距相位式测距是以间接的测距为主，测量信号的往返时间，对于激光的回波的强度只有敏感，所以激光通常是通过调幅，即根据正弦定律的光的强度变化。如果调制光角频率为，和通过在距离L的往返行程所产生的相位延迟被测量为，则相应的时间t可表达为：在给定调制和标准大气条件下，频率c / (4 f) 是一个常数，此时距离的测量变成了测线所包含半波长个数的测量和不足半波长的小数部分的测量即测 N或 。相位式测距激光雷达原理4、地面三维激光雷达

20、主要技术指标地面激光扫描仪是整个系统的核心部分,其性能确定的点云数据的效率和质量，以及性能的特征是一系列指标。有关地面激光扫描仪的指标主要囊括以下几个方面：点精确度，距离和角度的分辨率，模型的准确性，激光波长，测量范围大，光点大小，扫描速度，测距方法，视场角，激光水平仪等。地面三维激光雷达数据采集流程：(1)扫描作业规划。对于大规模的,多角度的目标点云采集,划分好,不仅可以提高工作效率,同时也:它能够科学减少站点的数量,从而减少注册数量,减少点云数据的总体误差。扫描产业规划的基础包括获取数据,调查区域的具体情况,以及扫描设备的参数的目的。它还可以使用基于地面的3D激光扫描仪的对象直接执行低分辨

21、率快速扫描（粗加工）。将目标反映为规划基础草图。扫描操作规划主要包括扫描站的位置和所述目标的选择和布局的选择:1.扫描设站位置的选择。由于仪器的测量范围的限制,该布局的距离太近,且站的增加,这增加注册数量。配准误差的传输影响整个几何精度并影响工作效率。的距离设定太远,和每个目标的精度降低,这也影响了配准精度。为了不影响点云的准确性和最大化操作效率,扫描仪的最佳扫描距离可以被选择为用于设置站的参考。2.靶标的选取与布设。反射标记选择与实际扫描的要求相结合。如果需要精确的绝对坐标,平坦反射标记可以被用于执行地理与通过其它测量设备取得的几何中心坐标的转换。如果你只需要目标的三维模型,你可以选择球反光

22、标识。除了考虑剪接和错误传播的覆盖范围,反射标记布局还必须考虑点云注册。可靠性,避免线的条件。此外,为了实现自动登记,还需要避免等边三角形。靶的布局应与实际扫描目标的空间分布进行组合。对于小规模和小规模的目标,就必须确保目标在目标周围均匀分布,从而控制了登记错误。对于大规模和大范围的目标,布局应根据划分的工作表面上,以确保工作表面之间的有效拼接。(2)扫描数据的采集。按计划扫描指定区域。在扫描过程中,你可以使用控制软件或直接扫描描设备进行设置的方式设定扫描参数,包括扫描距离、扫描间隔(水平间隔和垂直间隔),重复的样本数,等等。根据扫描间隔尺寸设定，大间隔的过程称为粗扫描;的间隔小，并且所获取的

23、点云数据是更致密，这被称为精细扫描。扫描数据采集在这个过程中,你可以使用粗糙的扫描来获取扫描区域的草图,然后使用指定的区域中的草图。数据简化地面三维激光雷达具有诸如不连续覆盖（基于一定采样间隔的采样）和巨大数据量等缺点，尤其是其庞大的数据量，这导致大量的数据处理，数据传输和进一步的数据应用。后期。障碍。如果不执行必要的过滤并过滤掉冗余点云或样本以简化点云，则在空间和时间上处理是一项复杂的任务。当然，点云流线型工作是在物理结构允许的公差范围内完成的，否则有用的数据信息会丢失，特别是对于尖角，脊和曲率变化较大的区域。激光雷达的样本数据包含更多的冗余数据（例如结构的某个高度，只有边缘信息就足够了，但

24、激光雷达仍然根据设定的采样间隔提供立面和内部的高程。采样点信息），此些较为繁琐的数据有关整体模型的构建与测量没有太大的效果与作用，因此，有必要选择或设计相应的算法以简化激光雷达的点云数据。(4) 对数据的整体分割以较为客观的方式进行数据精简，但出现的过于复杂的数据集，经过相应的简化之后仍旧存在较多的问题，整体的数据处理较为棘手，因此，考虑将数据分块处理，最后进行匹配回复原始实体形状。(5) 三维重建主要的功工作原理是将分割之后的数据进行重新组合，并建构三维场景，同时生成相关的数据链接最后将获取的相关数据可以粘贴在重新建立的模型的表面。(6) 数据应用根据不同的目的,对三维重建模型或以上点云处理

25、的中间结果进行应用。譬如在进行实地考察与数据获取测量过程中，可以以数据分割获取相关的边界信息。三、点云数据及其特点1.三维坐标数据PP P点云数据的高程信息在其滤波和分类过程中不可或缺，LiDAR 系统的空间三维信息在预处理过程由 GPS 数据、IMU 数据和激光测距仪数据联合结算出来。如图，设 P 点为探测目标点，G(xG , yG , zG ) 为扫描仪中心点，通过脉冲测距得斜距 S ，由扫描线在扫描仪极坐标的竖直角q 和水平角a ，解算出目标点的地理参考坐标P(x , y , z ) 。ZXYZPSXGY实际应用中还需考虑一些系统误差和偶然误差。如激光扫描仪投影中心相对 GPS 天线相位

26、中心的位置偏差、IMU 相对 GPS 的位置误差等系统误差，由于外界环境、被测目标等变化引起的偶然误差，用来改正激光扫描获取的数据。2.回波信息回波强度信息理论上，不同地物对激光信号的反射率不同，则其对应的回波强度不同，如表 2-2 所列举常见地物的反射率，雪的反射率为 80%-90%、落叶树的反射率为 60%等。不同介质对激光的发射率材质反射率白纸接近 100%雪8090%白石块85%石灰石接近 75%棉纸60%落叶树60%常青树30%沥青17%木料25%光滑混凝土24%沙滩50%黑色橡皮轮胎2%激光的物体的反射的程度与许多因素有关，如波长，其自身的材料，并且平滑度。但是，回波强度的精度极大

27、地受入射角和大气衰减的影响激光的传播过程中的限制。类型的地球表面上的特征是复杂的和空间分布是不稳定的。该类型的，我们有反射强度的功能是有限的，并且反射是不稳定的季节性和环境的变化。因此，只有强度信息用于分类和特征鉴定。不是很可行。近年来，学者对点云的强度信息的研究主要是基于这样的事实，回波强度仅与地面介质中具有一致的测量条件的情况下，从而区分媒体属性来实现分类的目的。 回波次数信息当激光脚落在物体不能通过地面，屋顶等上穿透，单个回波被记录。当激光信号发射到地面物体（如树）具有多层分布，发生多次反射，并且形成多个回波，使多重回波的次数和多重回波的回波距离可以被检测和记录。从理论上讲，植被和其他功

28、能可以根据回声的数量来区分。多次回波示意图由于检测器不能连续记录回波信息，需要的是，两个障碍物之间的高度差大于相应的脉冲的波长更大，并且所述第二回声可以被检测到。市场上的许多地面激光雷达系统可以接收至少两个回波信号，有三个或四个相呼应。的五倍以上回波的概率是很小的。得到的回波数取决于测量区域的条件和激光的磨损。渗透性等。不在一个层次障碍撞击所有激光器可以形成多重回波和地面物体如电源线可以形成多重回波。因此，区分并且仅使用多重回波信息提取植被的方法是不完美的。需要其他手段结合起来。3、数据特点及常见的点云地物特征3.1lidar点云数据特点由于地面 LiDAR 系统与地面 LiDAR 系统在数据

29、扫描方式的不同，两者获取的数据相比也有一定的差异。地面 LiDAR 点云数据的数据特点如下：1.数据量大伴随着地面LiDAR 系统的进步，空间数据的获取能力得到了大量增强，将会采集到越来越高的精度和越来越密集的点云数据。当前商用系统所配置的激光扫描仪可达到55万点/秒，当然大量数据数据在满足精度需求的条件下，事后的数据处理也有很大负担。2.密度分布不均匀地面 LiDAR系统的点云数据分布类型为平均的点云分布特征， 所以我们采用线扫描的方法，采用脉冲发射激光记录地物到激光扫描仪中心的距离和此时扫描仪的转动角度。因为扫描仪扫描时为等角度扫描，造成的结果为，斜距较大的地方密度较小。当然，车辆的速度不

30、可能匀速不变也会造成采集点的密度不均，因此，系统采集的点云数据分布并不均匀。3.场景复杂地面激光雷达系统可以实现城市街道的高密度的测量，能识别一些小尺寸的物体，如花坛，低矮灌木等点群数据的所获取的特征点也增加，现场相对复杂，且目标是多种多样的。性增加分类提取工作的负担。在介绍 LiDAR 数据存储内容及格式之前，先介绍一下 LiDAR 的数据特点。相比传统测量和摄影测量， LiDAR 所获取的激光脚点点云数据有以下五个特点：（1） 在本质上，激光脚点云数据是矢量数据，其存储激光脚的三维坐标。具有相同的空间分辨率的激光雷达数据比图像数据大得多。（2） 由于激光雷达系统扫描具有一定的失明，所获取的

31、激光脚点云数据被离散几何分布。不同于图像数据的像素，数据相关性弱。（3） 当激光脉冲击中物体的表面时，它形成具有一定半径的点。当到达树林，有些景点是通过树叶和树枝在地上折射。当由树枝，树干反射的能量，和地面足以被记录为通过系统中的回波，且有，该系统能够解决，该脉冲将被记录多次回波脉冲之间的延迟差。记录期间接收到的第一回波被排序为1，和最后接收的回波被排序为n， 对回波信号进行排序，现阶段多数 LiDAR 系统都能接收至少 5 次以上回波。（4） 激光雷达系统还记录每个激光脚点的回波信号的强度的信息，而获取所述激光脚的三维坐标（距离）。由原始激光雷达系统记录的强度信息是由于设备太嘈杂和几乎没有使

32、用。随着不断提高的生产技术和系统集成，强度信息的精度也不断增加，这已经引起了越来越多学者的关注。处理强度信息的原理是一样的，传统的光学图像。大多数人更喜欢使用数字图像处理处理强度信息。（5） 由于系统扫描的工作原理，对被照明的物体的顶部激光脚点的数量比激光脚的一侧的数目大得多。因此，在所获得的激光脚点的点云数据的数据，的反应物体的顶部信息的数据是丰富和详细，并且侧相对较弱。3.2典型地物的点云数据特征目标地物点云数据特征道路（路面）空间分布规则，邻近点间高差小； 高程比其他地物类较低；一般贯穿整个扫描场景；起伏等特征变化较小，呈面状建筑物（墙体、屋顶）空间分布规则，呈立面垂直分布； 边缘点与邻

33、近地物点有较大高差； 建筑物成排分布植被（树冠、树干）呈不规则簇状分布，点集密集； 单独植被间存在一定间隔；与邻近点有一定高差；树冠呈伞状或锥形；车辆簇状分布；与邻近地面点有一定高差； 表面形状满足一定规则路灯杆状分布于道路两侧； 个体具有一定的高度； 个体点集分布密集4.点云数据组织方式巨量数据不仅消耗了计算机资源也导致了后续数据处理的困难，如何有效地组织管理离散的、散乱的点云数据是首要问题。建立点与点之间的拓扑关系、构建高效的点云空间索引有利于提高点云数据的搜索速度和处理效率，下面介绍几种常见的点云数据拓扑关系解放军信息工程大学硕士学位论文组织方式：（1） 规则网格对 LiDAR 离散的点

34、云数据进行规则网格化，通过内插实现。首先根据点云密度选择适当大小的网格，一般为了降低信息的损失，选择的网格间距略小于点云平均间隔。将此二维网格覆盖到点云数据上，每个点即落入划分的网格单元内，如图所示，利用所属网格的行列号对每个点建立网格索引。规则网格示意图这种将点云数据内插成网格点并进行编码的方法可有效地组织和管理低密度数据，数据组织方式简单且处理数据的效率高，但同时也带来了信息的冗余和损失，有时也会改变原始数据的分布。（2） 虚拟网格对原始离散点的内插虽然方便计算处理但造成信息冗余，消耗不少的存储空间和计算时间，由此引入虚拟网格的概念。虚拟网格的方法依然保留所有的点云数据，但不进行内插。如图

35、 2-10 所示，其基本思路是将待处理空间区域划分为很多长宽相等的竖直立体块， 每个数据点根据其平面坐标划分到对应的立体块，由此建立网格索引，进行快速拓扑邻接查询。立方块的长宽由点云密度决定、高度由该块所包含总点集的最大高程差决定，选取每个块中最小高程值的点构建初始表面模型。 虚拟网格示意图该方法不仅克服了规则网格信息冗余、运算效率低的特点，而且没有对原始的数据进行改变，保留了所有的点。且生成初始表面模型，定义了点的邻域，方便后续滤波等算法的执行。第 19 页（3） 不规则三角网对于地面不连续、地物类型复杂的地区，采用三角形网格模型能够很好地表达地物表面的起伏和物体的细节信息。其中 Delau

36、nay 三角网算法是比较常用的建网方法，能够有效地避免产生狭长三角形，且从任意数据开始建网都能保证唯一性。PdCApBTIN 构网示意图（vinas 的眼睛）改进的 TIN 算法：对待处理空间区域划分网格，选取每个网格最小高程点和四个角点作为地面种子点，构建初始的 TIN；计算每个数据点与其对应三角面片的距离，若满足距离阈值则加入地面点，重复迭代至满足要求为止。利用 TIN 组织离散的点云数据，能够很好地表达地物的几何属性，保持原始激光脚点的特征。不足之处就是构网比较复杂、耗时， 对于高程点变化剧烈的地区会产生严重的锯齿现象。（4）K-D 树K-D 树是二叉树的扩展，K 代表的是空间维数，每一

37、层用一个 K-1 维的超平面将 K 维空间分为上下或左右两部分，以此类推，直至结点中的点数小于设定的点数阈值完成划分。点云构建 K-D 树示意图K-D 树算法对大容量的点云数据仍然适用，不会造成“无点空间”的浪费，方便建立点云邻域、实现邻近点的查询且索引效率高。（5）Octree 树Octree 树（八叉树）的基本原理是对目标空间几何实体八等分，首先构建原始点云的最小外接包围盒作为根节点，对包围盒八等分成八个子长方体；自顶向下， 由子长方体的边长、所包围点云数据个数或者最大划分深度作为划分准则，判断该子立方体是否继续划分，直到满足划分准则停止划分。八叉树空间划分模型以下总结了几种点云数据组织方

38、式原理及优缺点，包括规则网格、虚拟网格、TIN 等，试验过程中根据不同的试验目的和条件选取相适用的数据组织方式。常见的几种点云数据组织方式组织方式原理优缺点规则网格将三维点云投影到二维平面选择网格间距划分、编码易于实现，处理效率高； 基于内插，数据冗余虚拟网格划分为长宽相等的立体块高度由网格的高差决定基于行列值对子块进行索引没有改变原始数据； 避免数据冗余；提高查询、搜索效率不规则三角网构建不重叠的三角网适用离散、不规则数据突出细节特征； 保留原始点云的形态；构网复杂、耗时K-D 树二叉树的扩展将根节点循环划分两子节点适用大容量数据； 方便建立点云邻域八叉树自顶向下划分点云立方体将根节点等分八

39、个子节点易实现、自动化程度高； 海量数据查询效率低四、点云噪声的分类41噪声数据简述随着社会的发展，三维激光扫描仪也在不断更新发展，同时，三维扫描仪有了进一步的发展与更新。在数据测量过程中，借助相关仪器我们可以获取更庞大的数据，但在数据获取过程中，由于人为因素及器材自身的问题，在测量过程中难免会有点云数据噪音，点云数据噪音不能精准的确定物体的实际位置，这对整体的测量效果与测量结果带来巨大的麻烦。因此，有关点云数据去噪是测量数据过程中的核心问题之一。当前在消除噪声的方法在测量数据过程中显得尤为重要，当前，较为成熟的去噪方法有拉普拉斯算子，根据算法的复杂性，拉普拉斯算子基于滤波算法中，简单的非迭代

40、法和优化为基础的方法：根据该特征保持和噪声扩散法，各向同性过滤和各向异性过滤：第三，根据该滤波器算的连续性，基于表面的方法装配和直接处理该点云数据的方法42噪声数据的来源数据测量过程中噪声的出现是不可避免的因素，因此，按照产生噪声的缘由来分，我们一般将其分为四类：1.第一种是仪器系统误差，其中囊括了仪器的缺乏性能的误差，还有仪器的内部相关系统。在测量时有关扫描仪的精度的问题，扫描的分辨率以及扫描角，其中数据包括系统误差以及随机误差。2.第二种主要源于被测目标影响产生的误差，通过相关分析，此方面因子主要囊括了扫描实体的材质结构，纹理、反射率、颜色等。3.第三种主要是测量过程中的偶然因素，比如不可

41、预测因素，包括行人来往车辆等的影响。4.第四种是由于在数据拼接过程中出现的拼接错误所产生的误差，精确度越低，误差点越大。43点云数据分布特征在处理点云数据的噪声点时，需要充分考虑采集到的激光点云数据的分布特征采用不同的去噪算法，进行点云数据去噪处理。激光点云数据的分布特征主要如下介绍：(1) 扫描线点云数据。将扫描线归纳成组组成点云数据，其中包含了三角的测量系统沿着相关直线扫描的数据，包括扫描结果获取的数据。(2) 阵列式点云数据。这些数据的点云的获得方式主要是将扫描的点云通过格网化内插得到。(3)其次是三角点化云数据，这些数据的整体形态以三角网状为主，呈现出有序的点云数据集。(4)散乱点云数

42、据。数据点因为没有明显的几何特征，呈现散乱无序的状态，包括随机扫描点云数据和激光点测量下的CMM系统获得的点云数据。对于有序的激光点云数据因其存在拓扑关系，采用平滑滤波的方法可以达到去噪处理的目的。整体分布处于散乱的点云数据，没有很好的建立相应的拓扑关系，采用常规的数据方式不适应，因此，有关散乱数据的拓扑管理的建立还缺乏较为科学的方式。五地面点云数据去噪1.去噪的几种理论方法介绍由激光扫描仪所得到的很多空间点的坐标为点云数据。点云样本可能包含由于干扰效应等原因引起的离群点和噪声点。我们第一步是从点云中滤除一些噪声，以下是主要的几种去噪方法：1.手动去噪手动切割点云数据或树点云数据来显示观测结果

43、。通过软件终端，直接从点云数据中选择点云数据，然后通过肉眼直接删除云数据。该方法适用于点云数据进行树叶和树干的切割。非扫描目标物体，如建筑物、道路、路标等，也可以通过软件帧选择的噪声点手动删除。2. KDTree去噪离散点云数据的去噪是基于KD树的最常用和有效的方法之一。该方法主要是基于点云数据集，通过计算点与领域散射点间距离的均值和标准差，如果领域中某些点的距离不在此区间，即噪声点。3.格网法去噪根据点云数据，在数据扫描过程中将水平角和垂直角增量划分为规则网格结构，中值点由点云数据之间的距离得到，通过判断云数据的点和中值之间的距离，确定它小于分辨率，它被认为是一个正常点，否则它被认为是一个噪

44、声点，需要删除。4.统计分析法去噪首先计算每个点到其最近邻点的平均距离及这些平均距离的均值以及标准差，因此，通过整体对比点到K个近距离平均值的差来进行确定，确定其范围值，倘若不在范围之内，则需要进行删除相应的数据。5.覆盖集去噪要删除单独的点或少数点簇，我们用小球覆盖点云，剔除只包含少于几个小点的球。这个过滤方案的一个更全面的版本是为每一点定义一个小球，然后拒绝那些球包含太少点的点。另一种可能额外的过滤方案，使用较大球的覆盖物删除点云的小分离部分来确定点云的连接分量，然后去掉包含太少覆盖集分量中的点。2.点云去噪实验本文采用Geomagic studio软件对lidar点云数据进行处理。lid

45、ar点云数据处理的流程如下流程图：点云数据处理原图与处理后图片比较与分析：实验图片分析：实验前图片比较模糊，点云数据的边缘信息凌乱，孤立噪声点大量分布在主要图片周围。实验图片分析：图片经过处理后，噪声得到了有效地抑制，特别是孤立的噪声点，图片变得较为平滑，但同时使得图像边缘变得平滑，没能好好地保护边界。六、 利用arcgis生成DEM图像DEM的全称是Digital Elevation Model，主要用于进行数据空间模型的构建与描述，其主要内容包含对地形与地貌的数学的表达式。其整体应用可以遍及整个地学领域，其整体的应用原理如下：1. 首先，在ArcMap中新建一个地图文档2. 添加三维点云数

46、据3. 其次，对空间整体进行分析，首先激活arcmap的扩展模块。下面激活“3D Analyst”扩展模块。4. 将【ArcToolbox】工具箱打开之后，在ArcToolbox中，总体的执行命令3D Analyst工具TIN管理创建TIN。5. 打开创建TIN工具后，在对话框中定义每个图层的数据使用方式，确定生成文件的名称及其路径。生成新的图层tin，在TOC(内容列表)中关闭除TIN和Erhai之外的其它图层的显示，设置TIN的图层（符号）得到如下的效果：6. 在【ArcToolbox】中，执行命令3D Analyst工具转换由TIN转出 TIN转栅格，指定相关参数：采样距离： CELLS

47、IZE 50，输出栅格的位置和名称:TinGrid如图：最后渲染过后生成的DEM数据如下：七、 结论地面激光雷达系统作为一种新型的主动式对地观测系统，地面激光雷达系统应用前景与发展引起了人们的巨大的兴趣与研究。虽然硬件设备已经逐渐发展成熟，系统集成的大部分重要问题也得到有效解决，但是点云数据滤波及分类处理在国际上还是处于研究与探讨进步阶段。现有的滤波及分类算法各有优缺，如何能快速、准确、全自动实现点云数据去早处理是现在地理信息的研究研究热点与难点。针对上述问题的存在，本文研究了点云数据的去噪、以及对去噪后数据的整理，对其生成了数字高程图像。全文主要工作总结如下：1. 探讨整理了点云数据的分类整理与简介。2. 对地面lidar点云数据进行了去噪滤波处