基于纹理特征的LiDAR点云植被滤波方法研究——学士论文

学士学位论文 论文题目： 基于纹理特征的LiDAR点云植被滤波方法研究作 者： 导 师： 系别、年级： 地理学与遥感科学学院 学科、专业： 地理科学完成日期： 目录摘要IVAbstractV1 引言61.1 研究背景及意义61.2 国内外研究进展81.2.1 植被滤波81.2.2 纹理特征分析121.3 研究目标及内容132 研究方法与技术路线142.1 技术路线142.2 LiDAR数据预处理142.2.1 异常点剔除142.2.2 LiDAR点云四叉树网格组织152.2.3 LiDAR点云插值182.3 纹理特征值选取192.3.1 高程特征192.3.2 其它特征202.3.3 特征筛选202.4 植被滤波212.4.1 城市数字高程模型212.4.2 植被滤波213 实验过程与分析223.1 实验数据223.2 LiDAR点云预处理233.3纹理特征选取253.4 植被滤波273.4.1 地面滤波273.4.2 建筑滤波273.4.3 植被滤波283.5 精度检验294 结论与展望30参考文献31致谢35摘要本文针对LiDAR点云数据，提出一种基于共面性纹理特征的点云植被滤波方法。首先利用四叉树网格配合插值图像管理点云数据，使用基于坡度和高程的窗口自适应方法来提取城市数字高程模型，再通过对比不同纹理特征间的相关性，选用拟合平面的相关系数、坡度、投影方面、凹凸方向作为植被滤波的纹理信息组合，最后配合LiDAR点云激光反射强度、回波次数实现植被滤波。研究结果表明：1）共面纹理特征可以反映地物形状特征、植被回波次数多于地面和建筑，激光反射强度从大到小依次是植被、建筑、地面； 2）植被类型丰富，在共面性纹理特征总体表现为分布范围广、变化大，区别于地面或人工地物；3）本方法对树木的滤波效果良好，但对于草坪、低矮灌木、藤蔓植物难以分割。关键词：LiDAR，植被滤波，纹理特征，共面性AbstractThis paper proposes a new method based on coplanarity texture features to filter vegetation points from LiDAR point cloud. First, using a quad tree grid and an interpolated image to manage data. Second, use the slope and elevation-based adaptive window method to extract urban digital elevation models, and through the contrast between the texture features, the choice of fitting plane correlation coefficient , slope, projection, bump direction as vegetation filter combination of texture information, and finally with the LiDAR point cloud laser reflection intensity, echo the number of vegetation filtering. The results show that: 1) coplanar texture features can reflect the characteristics of the feature shape, vegetation echo times more than the ground and construction, the laser reflection intensity decreasing order of vegetation, buildings, ground; 2) rich vegetation types in total surface texture features overall performance for the distribution of a wide range of changes to distinguish it from the ground or artificial surface features; 3) the method of trees a good filtering effect, but for the lawn, low shrubs, vines difficult to separate.KEY WORDS：LIDAR, Vegetation filtering, Elevation Texture Features, Coplanarity371 引言1.1 研究背景及意义激光雷达扫描测距技术（Light Detection and Ranging）是从20世纪60年代发展起来的一门高新技术。LiDAR技术集全球定位系统（Global Position System, GPS）和惯性导航系统（Inertial Navigation System, INS）为一体，测量激光发射和接收时间间隔，计算发射点与目标点之间的距离，从而获得目标点的三维信息。根据工作平台的不同，激光雷达可以分为星载激光雷达、机载激光雷达和车载激光雷达三种类型，其尺度逐渐减小，采样密度逐渐增大。其中，机载激光雷达是目前获取地面点云数据，构建精细尺度地表模型最为主要的数据源。根据数据类型的不同，激光雷达数据可分为离散型和全波型。离散型是通过发射小足迹（例如10cm）的激光束从而获得每一点的三维信息，全波型是通过发射较大足迹（例如10m）的通量脉冲测量不同时间返回的通量强度。离散型数据位置精度，全波型数据信息丰富，应用上各有优劣。LiDAR技术是遥感技术领域的一场革命。同其它数据源相比，机载激光雷达数据的优势主要体现高精度、强穿透、密采样、短周期。1）机载雷达具有极高的测量精度，不论是在水平方向还是在垂直方向上，精度都能达到分米级。张艳亭等人就Lair-LiDAR轻小型机载激光扫描仪的地面精度进行了评价，平面精度大约在0.250.5m之间，高程精度大约在0.050.2m之间1。2）激光雷达具有极强的穿透性，能够通过多次记录多次回波，获取地面信息，反应地物的结构信息，即使在比较密集的丛林中，也能起到比较好的效果。3）激光雷达的采样密度一般在每平米几个到几十个点，能比较全面的获得地面的特征信息。4）LiDAR数据速度更快，周期短，更加灵活，大大节约了测量成本。LiDAR数据空间分辨率高、能够穿越林木遮挡，直接获取地表的高程信息，在快速获取高精度地表信息有很大优势。LiDAR技术最早应用于数字高程模型（Digital Elevation Model, DEM）的提取2-5。随着LiDAR技术的发展，研究人员已不满足于单纯提取地表高程信息，开展了大量利用LiDAR数据提取地物的研究工作。在建筑物提取方向，有的单独利用LiDAR点云提取建筑物信息6-8，有的结合遥感影像以提取建筑物9-11。在植被提取方向，有对森林参数反演进行研究12, 13，或对树木结构进行建模从而区分植物类型14-16。除此之外，LiDAR技术还应用于汽车跟踪系统17，地震损失估算18，二氧化碳柱密度测定19等领域。作为一门高新技术，LiDAR技术在地球科学中发挥着重要作用，为解决问题提供了一种全新的方法。植被信息的获取是LiDAR技术的重要应用方向。就陆地生态系统而言，森林是其重要组成部分。它在为人类提供林木资源、调节气候、维持生物多样性、维护生态平衡等方面发挥重要作用。目前我国为统计全国最新的森林资源信息，在全国建立了25万个固定样地，采用人工作业的方式每五年进行一次清查20。该方法耗时耗力，需要投入大量的人力物力，且清查周期长。就城市生态系统而言，城市绿地是其自然生态系统的基础部分，在改善环境质量、美化景观、维护城市生态平衡等方面起着重要作用21。城市绿地资产的清查与估算对城市规划及生态建设有重要的意义。LIDAR技术是一种主动遥感技术，可以获得从森林冠层表面到林下地形之间详细的三维结构信息。LIDAR 与传统的被动光学遥感技术（例如航空摄影测量、陆地资源卫星）和主动雷达技术（例如合成孔径雷达）相比，在森林冠层垂直结构测量方面具有无可比拟的优势。被动光学传感器仅能获取水平空间的二维影像，不能获取三维结构信息；极化干涉雷达虽然能够测量植被的三维结构信息，但目前机、星载的极化干涉 SAR 数据还都相当难于获取。由于LiDAR技术在估测森林参数上有独特的优势，不仅能获取林木的水平结构，还得生成垂直结构的冠层空间信息。利用LiDAR数据提取植被，LiDAR技术的一大应用方向。赵峰等人总结了激光雷达数据在森林资源调查中的应用，上取得了理想成果22。LiDAR技术提取植被的主要方向在通过滤波后的植被点云，提取树木模型或植被参数，从而进行树种的判别和森林资产的估算，如图1。植被参数的提取包括林区平均图 1 LiDAR植被提取主要方向树高23、林冠郁闭度24、生物量25等。树木模型不仅包括利用单株树木的点云数据建立单株树木模型，还包括生成森林骨架场景的林木建模26。此外，Shijun Tang等人通过提取树高、冠层面积、冠层等面积半径、树干大小等参数，以区分红木、橡树、道格拉斯冷杉27。在LiDAR点云的数据处理中，滤波（Filter）是指将点云数据具有某种特征的点云同非该特征的点云分开的过程。一方面，它有别于将图像中噪声滤除的图像滤波；另一方面，同对每个点属性进行判别的点云分类相比，滤波侧重于某种属性点云的挑选，可以看作是点云分类的特例。由于LiDAR点云滤波最早是针对地面点的提出的，常指地面点与非地面点的区分，非地面点通常包括建筑物、树木、低矮植被。为更好得论述，本文针对滤波及相关概念作以下定义：l 点云（Points Cloud），LiDAR获取的三维点集；l 滤波（Filter），将符合某些特征的点云从初始点云中提取出的过程；l 地面滤波（Ground Filter），将地面点从初始点云中提取出的过程；l 将植被点（Vegetation Filter），将植被点从初始点云中提取出的过程；l 滤波对象（Filter Target），滤波所提取的对象；l 滤波特征（Filter Property），在滤波中应用到点云特征。有效的地面滤波可以良好的区分地面点及非地面点，其中地面点可用于生成高精度的数字高程模型（Digital Elevation Model），非地面点可用于进一步提取相关地物。在LiDAR点云数据的处理及应用中，地面滤波是一项基础而关键的任务。可以说高效精确的地面滤波算法是LiDAR点云数据处理的基石。正如地面滤波对DTM构建的重要性一样，高效精确的将植被点云分离出来对植被的提取与建模也是至关重要的。植被提取是LiDAR技术应用的重要方向，而植被滤波效果的好坏直接影响后续的处理。一方面，现有的植被滤波方法多在地面滤波的基础上进行，没有很强的针对性。另一方面，单独对植被滤波方法进行分类的具体操作细节较少讨论，增加了植被滤波的难度。总而言之，如何高效得进行植被滤波，对应用LiDAR数据提取植被有重要意义。1.2 国内外研究进展1.2.1 植被滤波植被滤波是指将点云数据中的植被点同非植被点分离开，这一概念是对地面滤波的拓展。植被滤波方法主要分成两类，一是在地面滤波的基础上对植被点进行判别，二是对原始LiDAR点云数据直接计算以达到分离植被的效果。下面将对这两类方法进行叙述。1.2.1 基于地面滤波的植被滤波LiDAR点云数据包括地面点和非地面点，其中非地面点主要包括植被、建筑物、墙体、桥梁、交通工具、电线等。滤波的主要思路是根据滤波特征的差异将滤波对象从初始点云中提取出来。由于植被滤波中有很多方法是基于地面滤波进行的，所以有必要了解主要的地面滤波方法，并在此基础上探讨后续的植被滤波方法。（1） 地面滤波的主要方法已有研究中，学者提出众多地面滤波方法。LiDAR点云数据类型、回波次数、点密度、预处理过程、迭代特征是滤波方法的重要考虑因素目前，LiDAR点云数据的地面滤波主要基于高程差异和坡度差异。一般认为，相邻地面点之间高差较小，而相邻地面点和非地面点之间高差较大；相邻地面点之间的坡度较小，而相邻地面点和非地面点之间的坡度较大28。常用的地面滤波方法可以分成以下几类。a. 基于插值的地面滤波（Interpolation-Based G-Filters）基于插值的地面滤波的主要思路是：首先根据初始点云插值拟合一个曲面，再计算每个点云高程同插值估算的高程差值，再通过阈值判定。Kraus等人29通过以距离和高程为权重的线性预测提取多木地带的地面点。W Su等人30首先获取特定大小窗口内的最小值，再利用每个窗口的最小值通过二元二次多项式插值，最后设定阈值提取农场地面点。论文31利用薄板样条插值的同时逐步增加窗口大小，以解决窗口大小的选取问题。基于插值的地面滤波需要结合实际考虑选用的插值方法、窗口大小、阈值大小。这种地面滤波方法适合于坡度变化比较小的地区，对于地形起伏大的区域，该方法效果不佳32, 33。b. 基于形态学的地面滤波（Morphology-Based G-Filter）数学形态学可以解决物体形态及形态测量的问题，形态学地面滤波在去除植被建筑等非地面点上取得成功。Kilian 34较早利用形态学移除非地面点，对给定窗口大小执行开运算，检测最小值，之后将与最小值的一定高度差内的点选做地面点。Lohmann 35提出双等级形态学地面滤波，Zhang K 36使用一种优化的形态学地面滤波方法，给出窗口大小选择的变化函数。典型的形态学处理包括侵蚀算法膨胀算法、开运算、闭运算。对于LiDAR点云p(x,y,z)，膨胀算法定义如式1-1所示，侵蚀算法定义为如式1-2所示。 式1-1 式1-2是在指定大小搜索窗口w中的最大值，是在指定大小搜索窗口w中的最小值。开运算定义为先进行侵蚀再膨胀，闭运算则是先进行膨胀再侵蚀。通过选择适合的窗口大小，通过组合形态学处理，可以有效得剔除地面点。基于形态学的地面滤波方法，可以用小窗口较快得剔除植被点。对于建筑物，则采用重复渐大的窗口进行剔除。在形态学地面滤波过程中，窗口的大小对于地面滤波的效果起到重要影响，如何选取合适的窗口大小，是进行形态学地面滤波的关键问题34。c. 基于几何形态的地面滤波（Geometric-Shape-Based G-Filter）通过考虑地面点同非地面点的几何形态的差异是地面滤波的另一个主要方向。常用的几何形态包括最小值（Local Minimum）和坡度（Slope）两种。基于最小值的地面滤波方法认为地面点在其所属邻域内是最小值。Sithole 37将同指定窗口大小中的最小值高程差小于一定阈值的点标记为地面点。Vga C 38对这种算法进行了拓展：提取表面单元的最低点，利用高程阈值去除非地面点，使用邻域统计进一步去除地面点。基于坡度的地面滤波方法认为加上非地面目标后的地表起伏状况和自然地表起伏状况是不同的33。该方法通过定义邻近两点之间的坡度值，如若地面点和其邻近点的坡度小于给定的阈值，则将该点认定为地面点，否则将该点定义为非地面点39。Jiping Liu16认为平顶建筑物屋顶坡度同道路的坡度相近，用以往的坡度滤波难以区分，提出一种优化模型，引入坡度相邻性及高程作为限制条件，有效得解决了这一问题。基于坡度的地面滤波方法在坡度起伏幅度较为和缓区域能起到较好的滤波效果，但是，当地形复杂，变化大时，定义相邻两点之间的坡度的阈值很难，同时，相邻两点之间的坡度还受到距离的影响，如果LiDAR点云采样空间分布不均匀，那么如何消除距离原因造成的角度的变化也是一个难点36。d. 基于分割聚类的地面滤波（Segment-and Cluster-based G-Filter）分割聚类是土地利用和土地覆盖常用的分类方法，有些学者将该方法运用在点云滤波上。Filin S 40利用高程、相邻高程差、坡度等属性将点云聚类分成四种类型。Jacobsen K 41利用e-cognition专家规则将LiDAR分成7种类型。Tvri D 42通过种子点进行区域增长，之后根据数学度量将其他点加入到增长区域中。实验显示，基于分割和聚类的地面滤波会扩大非地面区域，点云的错分增加，对地物纹理的一致性有较大的要求。除了上述地面滤波方法外，还有一些较不常用的地面滤波方法。1）不同地物反射能力的不同，通过激光雷达反射能量的不同实现地面点和非地面点的分离43。由于激光雷达接收到的反射能量信噪比较低，需要经过校准后才能用于滤波之中，其处理过程相对复杂，仍需进一步的研究。2）假定在裸露的地表是光滑无尖角的，因此有较强曲率的是非地面点。首先建立TIN，再将TIN转化成曲率数据，之后进行阈值比较，从而确定地面点44。基于三角网格的滤波本质上是基于几何形态滤波的一种，但由于其独特的数据组织方式，常单独分类。在所有的地面滤波方法中，如何自动化选择窗口大小及阈值大小一直是主要问题。不恰当的大小会引起地物点剔除不足或者地物点的过度保留。不同的地面滤波方法适用于不同的场景，基于插值的滤波简单易行，基于形态学的滤波适用于剔除植被，基于几何形态的滤波在地表平缓区域发挥优势，基于分割聚类的方法对地物的均一性有较大要求。目前没有一种地面滤波方法，适用于所有场景。（2） 植被滤波的后续处理林区中的LiDAR点只有地面点和林木点，将地面点提取出来之后剩下的便是地面点。根据这个思路，王永平45在LiDAR地面滤波的基础上内插成DEM，再比较各激光点与DEM的高程差，将大于0.2m的分为植被点。周淑芳46通过计算nDSM，再利用航空像片辅助目视差别，提取单木的LiDAR点。杨海全47等人在剔除地面点之后，对非地面点计算方差，方差大于指定阈值的点为植被点。在居民区，除了地面点还有建筑物，植被滤波相较林区更为复杂。李杰48等人利用方形结构进行开运算，过滤地面点和建筑点，最后得到植被点。1.2.1.2 不通过地面滤波的植被滤波（1）基于植被特征在这些非地面点中，植被点有两个显著特征。一是同一树木的点几乎不共面，二是同一树木的点分布于不同的回波中。Jiping Liu16根据树木点的非共同及多次回波特征，首先利用三维Hough变换进行并以点到面的距离为约束条件进行区域增长分割，将点云分成许多同面区域。之后利用非共面区域的面积大小、回波次数、高程值对同属性地物进行分类。（2） 基于主动轮廓模型法主动轮廓模型是在由轮廓自身特征决定的内部通量和图像特征的外部通量共同作用下通量极小化的轮廓曲线，可用于边缘检测、运动跟踪、图像匹配、计算机视频、三维重构等图像处理领域49。主要通过内力约束形状，外力引导行为，在不断的运动中获得最小通量的样条。Weinacker 等人50通过局部最大值法确定轮廓起使位置，进而利用主动轮廓方法获得植被轮廓，落于轮廓内部内可认为是植被点。Shijun Tang等人27根据点高度大小分成若干层LiDAR点云，对每一层LiDAR点云定义足够在的起始轮廓，再进行主动轮廓收缩，获得不同高度的植被点云。（3）基于支持向量模型根据植被同其他地物类型的不同，构建显著有效的点云特征，再根据该点云特征计算出不同分割单元的特征，从而达到区分植被同其他地物的目的。陈栋针对离散雷达系统数据，提取基于辐射、高程、局部平面、多次回波、特征值和曲率等六种特征，用SVM监督分类#。1.2.2 纹理特征分析纹理是一种反映图像中同质现象的视觉特征，体现了物体表面共有的内在属性，包含了物体表面结构组织排列的重要信息以及它们与周围环境的联系51, 52。由于纹理基元及其分布形态复杂多样，人们对纹理的感觉和心理效果的想结合，很难用语言文字来描述53。为了对纹理的基本元素妈纹理基元（纹元）进行描述，研究提取了主要的四种分析方法，包括统计分析方法、结构分析方法、模型分析方法、频谱分析方法。纹理分析在目标识别与分析、纹理合成、图像检索、运动分析中都有长足的应用。随着LiDAR技术的成熟，有学者将纹理分析方法应用于LiDAR地物提取。张皓等人54基于灰度共生矩阵采用非监督分类提取建筑物。乔纪纲等人55根据灰度共生矩阵采用精神网络模型将地物分成建筑、水体、林地、草地、裸地等五种类型。Lucieer等人56根据局部二值特征（local binary pattern）结合区域增长法LiDAR影像进行分割。总得来说，已有的植被滤波方法间缺少对比，植被滤波也作为植被轮廓、冠层高度模型、单木参数估测、单木三维模型等研究的部分内容进行，缺少深入研究。已有纹理分析提取LiDAR地物的研究中，专门针对植被特征的研究较少，多是建筑物或者整体LiDAR影像分类。植被由于其冠层形态（如非共面特征、斜率、熵值）、回波的多次穿透作用，同建筑物、水体、道路的纹理特征有较大区别。1.3 研究目标及内容植被滤波对LiDAR数据在植被提取的后续步骤上有重要作用。根据LiDAR点云计算不同的纹理特征，比较各种特征在区分植被上的效果，并将效果良好的纹理特征用于植被滤波。研究的主要内容包括：l 构建植被的纹理特征，比较纹理特征的适用性；l 保留效果良好的纹理特征，并利用该特征进行植被滤波。2 研究方法与技术路线2.1 技术路线植被滤波总体技术路线如下图所示，可分为三个部分。1）数据预处理。数据预处理的目的是剔除激光点云中的异常点，并生成对应的栅格数据，利用四叉树网格组织激光点云数据。2）纹理特征选取。计算并分析不同纹理特征分割植被的效果。3）植被滤波。利用纹理特征，选定阈值，进行植被分割，对生成对应的植被点云。图 2 植被滤波总体技术路线图2.2 LiDAR数据预处理2.2.1 异常点剔除异常点是指在LiDAR数据采集过程中，由于受到空中飞行物（如鸟类等）和地面水体以及地面多次反射的影响，会形成一些相对于周围点而言异常高的点或异常低的点。由于异常点的高程一般远大于或远小于周围点的高程，故可以根据周围点的平均高程和方差来识别和剔除异常点。采用的公式如下： 式（2-1） 式（2-2） 式（2-3） 式（2-4）其中，为窗口内第个点的高程，为窗口内总的点数，为窗口内所有点的平均高程，为窗口内所有点的标准差，为常数，为正常点的最小高程，为正常点的最大高程。通过上述公式，选取一定的窗口大小和，将高程大于和高程小于的点作为异常点，从点云数据中剔除，然后移动窗口，完成整个区域的粗差处理工作，获得反映真实地表高低起伏信息的点云数据。2.2.2 LiDAR点云四叉树网格组织LiDAR点云数据是由许多离散的三维点构成的，如何对LiDAR数据进行有效的组织组织，以支持快速索引、点云渲染和其它处理是十分重要的。目前对点云数据的组织与管理中常见的有规则格网、四叉树、KD树、KDB树、BSP树和R树等。支晓栋等人57提出了一种基于四叉树的LiDAR点云数据组织结构，该方法首先计算根节点的外接矩形，计算四叉树层数，利用堆栈结构进行四叉树划分。同传统的递归四叉树相比，该方法提高了索引构建速度，可在数据查询效率上有一定的降低。由于本文主要目的是研究植被滤波方法，点云数量并不庞大，主要要满足两大需求： 不同层次的网格对应不同的窗口，窗口大小应是可变的，窗口的起始位置也应是可变的； 网格不仅是作为LiDAR数据的管理结构，还应对每个网格内所具有的属性特征可拓展。基于以上两点需求，本文提出一种方形四叉树网格（Quad-tree Grid）来管理LiDAR点云数据。方形四叉树网格包括根结点、子节点、叶节点三个层次。根结点对应一块方形区域，每个非叶节点又划分为左上、右上、右下、左下四个子节点，叶节点是LiDAR点云数据的存储单元。四叉树网格的结构如下图所示，左边是一个88m的LiDAR四叉树网格，每个网格对应右边的结点层次结构。图 3 四叉树网格结构示意图对于给定的叶节点大小w及根结点大小w2L，构建四叉树网格的方法如下图所示。对于目标区域的LiDAR点云，计算最小外接正方形的宽度W1，给定叶节点网格大小w，计算四叉树层数L为满足w2L=W1的最小整数，得到新的根节点网格大小为w2L。之后初始化根节点，再采用递归的方式生成整根树。对于LiDAR点云中的每个点，计算其在四叉树中对应的叶节点索引，再将其插入到对应的叶节点中。图 4 LiDAR方格四叉树网格生成流程图四叉树网格位置用左上角的坐标（offsetX, offsetY）表示，子网格大小为LeafSize，树的层数为TreeLayer。每个网格有左上、右上、右下、左下四个子网格以及一个父网格。当层数为0时代表此网格为叶节点网格，当父网格为空时，代表此网格为根节点网格。对于坐标为（x,y）的点，对应叶节点网格的行列号为（Row,Column），计算方法见式4-1。Row=x-offsetXLeafSize;Column=y-offsetYLeafSize ; A：不大于A的最小整数 式（2-5）而获得行列号为（R,C）的叶节点网格所对应的第L层网格索引的方法和例子如下图所示。图 5 四叉树网格搜索方法流程图2.2.3 LiDAR点云插值同直接对三维点云纹理特征计算相比，通过对点云插值再计算可以提高计算效率。LiDAR点云插值主要面临三个问题。1）单元网格大小；2）如何利用一个像素的值来代替该像元对应的激光点信息；3）对于采样点的像元，如何赋值。单元网格大小的确定应根据点云密度来确定。当网格选取过大，会使过多的点云信息得不到反应且面积小于网格大小的地物将会被剔除；当网格选取过小，无效的空网格数据过多，使特征过度过分依赖于插值方法且增加数据处理量。利用网格值来代替网格对应激光点信息时应考虑具体的信息含义。LiDAR采集的数据主要有地面的高程、回波次数、反射能量强度。高程反映地物的高程信息、回波次数反映地物的穿透状况、反射能量强度反映地物对激光通量光束的反射能力。高程及回波次数表征地物的形状特征、反射能量强度表征地物的物理性质。常用的位置度量值包括：最小值、最大值、平均值、中位数。假设地面点是水平线，三角形和正方形是地面上的地物，对于一定宽度的单元选择最大值、最小值和平均值赋值。如下图所示，使用最大值可以将地物包裹其中，使用最小值相当于地物的内核，使用均值会同地物相交。图 6 一维场景下网格高程取不同位置度量值效果图回波次数反映地物的土穿透能力。对于地面点和建筑物而言，LiDARi激光采集回波次数只有1次。而对于植被而言，激光对于稀疏的树木冠层具有穿透作用，回波次数可达1次以上。为突出激光对不同地物的穿透能力，故应采用各激光点的最大回波次数来对网格进行赋值。反射能量强度反映地物的对激光能量反映的物理特征，是指激光束打到地物时在当前截面反射的激光能量，不同地物的反射能力有所差异。故采用反射能量强度的均值来表征当激光束打到当前网格时返回的能量强度。空间插值方法按照不同的分类原则有不同的分法，根据其插值的基本假设和数学方法可以分为几何插值方法（如反距离插值法）、统计插值方法（如趋势面插值法）、空间统计插值方法（如克里金插值）、函数插值方法（如样条函数插值）、随机模拟插值方法（如人工神经网络方法）和综合插值方法。考虑到网格赋值时并未考虑网格内部激光点空间位置的差异性，故对网格进行插值时选用最近邻法减少对空间位置的依赖。2.3 纹理特征值选取纹理是一种反映图像中同质现象的视觉特征,体现了物体表面共有的内在属性，包含了物体表面结构组织排列的重要信息以及它们与周围环境的联系51, 52。纹理特征体现的是该点或像素同其它点或像素的均一性或差异性。由于LiDAR点云是离散的三维点，不便直接计算纹理特征。Lucieer等人56将LiDAR点云插值成数据地表模型（Digital Surface Model）之后再计算纹理特征。本研究中采用最近邻法对网格最大值进行插值。特征值反映网格内点云或网格间点云的均一性或差异性，而激光点主要记录地表的高程信息、反射能量强度、回波次数。由于纹理特征值种类繁多，如何挑选有效的纹理特征进行植被滤波是一个重要问题。2.3.1 高程特征对于插值后的高程栅格图像I，设置给定的窗口大小w，遍历每个像元，对对应窗口内的像元集P(x,y,z)计算高程特征。主要包括方差、最大坡度、平均坡度、拟合平面相关系数、拟合平面残差、拟合平面坡度、拟合平面法向量投影方向。表所列的为高程纹理特征的计算方法及其意义。表 1 高程纹理特征列表序号纹理特征计算公式反映特征1方差i=1Nzi-zN-1反映高程均质区域的轮廓2最大坡度Maxi,jNzi-zjxi-xj2+yi-yj2反映高程差异性，窗口内高程变化越剧烈，值越大3平均坡度Meani,jNzi-zjxi-xj2+yi-yj2反映高程差异性，窗口内高程变化越剧烈，值越大4平面相关系数根据最小二乘法计算而得58反映高程均匀性，窗口内高程越均匀，值越大5平面残差根据最小二乘法计算而得58反映高程差异性，窗口内高程变化越剧烈，值越大6平面坡度对拟合平面：z=a*x+b*y+c平面坡度：cos-11/a2+b2+1反映高程差异性，窗口内高程变化越剧烈，值越大7平面法向量投影方向对拟合平面：z=a*x+b*y+c投影方向：tan-1b,a反映高程区域朝向除上述描述的七种特征外，还增加了凹凸方向来表示该点与拟合平面的相对位置。8凹凸方向Z-z，z是该点在拟合平面的取值取值大于0向上凸，取值小于0向下凹2.3.2 其它特征除以上特征外，还用到反射能量强度、反射次数等信息。此外，在计算拟合平面后，比较原始高程及当前高程值可以反映高程局部曲面的凹凸朝向，当原始高程大于拟合高程，该点向上凸。当原始高程小于拟合高程，该点向下凹。2.3.3 特征筛选在以上的纹理特征中，出现多个特征值反映同一特征的现象，为减少冗余，应在相似的特征组中选择一个典型特征作为代表。特征筛选的方法为计算两两特征间的相关系数，当相关系数大于0.8时可认为相似、当相关系数大于0.9时可以只保留其中一个。2.4 植被滤波2.4.1 城市数字高程模型城市地面中的高程起伏小，地面道路可认为是地面点，建筑、植被、车辆以及其他地物道路之上。此外建筑之间通常有道路连通，对于一个足够大的窗口中高程最小的点常对应着道路。根据城市地表坡度小、足够大的区域间可保证取到道路地面点两个特征，本文提出自适应的城市数字地表模型的提取方法。自适应地表模型提取算法为：1) 输入数字表面模型DSM，搜索地面点的窗口大小W，地面点与窗口最小值窗口最小值的最大高差H，地面最大坡度Smax，初始化地面点种子点集Ps，地面点连通点集Pc；2) 遍历高程栅格图像每一个像元，计算该点与窗口W内的最低点高程差h，当h5总正确率0.160.190.330.300.540.710.900.971.000.75图 17 植被提取结果同遥感影像NDVI提取结果对比（a）植被提取结果 （b）对应遥感影像图 18 植被提取结果与原始影像对比对比图18中的(a)和(b)，利用高程纹理特征的差异性配合点云激光反射强度、回波次数可以提取出大部分的植被，尤其是独立了较高的树木。精度对比结果说明，基于共面性纹理特征的植被提取方法对较高的树木（2m以上）有良好的提取效果，但对草坪、灌木的提取结果较差。此外，建筑与植被相邻区域，由于建筑的共面性、坡度以及投影方向的不连通，导致建筑难以准确提取出来，从而导致错分。总得来说，城市植被提取的主要难点在于：1) 与建筑相交的植被；2) 低矮植被，如草坪、灌木以及建筑上的藤蔓植物难以提取；4 结论与展望本文针对LiDAR点云数据，提出一种基于共面性纹理特征的点云植被滤波方法。首先利用四叉树网格配合插值图像管理点云数据，使用基于坡度和高程的窗口自适应方法来提取城市数字高程模型，再通过对比不同纹理特征间的相关性，选用拟合平面的相关系数、坡度、投影方面、凹凸方向作为植被滤波的纹理信息组合，最后配合LiDAR点云激光反射强度、回波次数实现植被滤波。研究结果表明：1）共面纹理特征可以反映地物形状特征、植被回波次数多于地面和建筑，激光反射强度从大到小依次是植被、建筑、地面； 2）植被类型丰富，在共面性纹理特征总体表现为分布范围广、变