LIDAR滤波(作业)

Repetitive interpolation:A robust algorithm for DTM generation from Aerial Laser Scanner Data in forsted terrain
Andrej Kobler

重复内插：一种从航空雷达数据中生成森林地区DTM的稳健算法

文中阐述了一种新的算法——重复内插(repetitive interpolation,REIN)，是从航空雷达点云中提取DTM。这种算法可用于其他滤波算法难以处理的陡峭的林区，因为它们无法区分地表和植被表面反射回的点。REIN既可生成矢量格网的DTM亦可生成TIN这种结构。在处理前，需利用现有的部分进行初始滤波，以消除所有的异常值并除去部分off-ground点(这是不需要的)。REIN利用了冗余的经初始滤波的点云(FPC, filtered point cloud)以减轻剩余off-ground点的影响。对初始滤波的点云进行多次独立随机采样，每次可在单个DTM位置上进行插值获取地面高程估计。由于每个DTM位置的高程估计的分布下限值是极易受异常值的影响。真实地面高程可以通过全局均值偏移加到下限值上来估计。下限值是由数据估计的。随机采样是REIN独一无二的特点，当其他滤波方式固定后，总是在特殊情况下会产生滤波误差。而REIN由于是随机采样，那么这些误差不可能在每个采样中都出现，在最后计算DTM高程时消除掉。通过REIN的并行计算减少处理时间是可行的。REIN在一个2公顷的实验区经过验证，(这个区域)包括了由混合森林覆盖的陡峭的起伏区域。Optech ALTM 1020雷达用于实验，其中，航高为距地面260~300米，扫描间隔为0.3个mrad，获取的点云密度是8.5个/平方米。DTM的水平分辨率是1m，DTM的中误差在0.16m到0.37m之间，这取决于REIN的采样率和所用的采样数目，最低误差是在进行4次采样且用23%的采样率时。

1 Introduction
    简单介绍LIDAR成像机制，即垂直航线方向发射脉冲，通过摆动或旋转镜子以及飞机的向前移动来获取地表面的点云。
    其与RADAR的区别主要在于他的footpoint远小于RADAR,且精度要高于RASAR。
    LIDAR的后向散射机制是漫反射。区分从地面反射回的点和物体表面返回的点的过程就称为滤波(filtering)。
    多路径效应获得的点要低于地面。
    滤波一般是针对全局的，这些参数并不是对所有区域都适用，那么常常需要人工干预以调整参数。
    本文提供的方法是为了生成高稳健性的DTM，尽管可能点较为稀疏且分布较差。
2  The state of the art in lidar filtering
    除《机载LiDAR数据滤波方法评述》中提出的三种方法以外，这里还有一种是基于segments的滤波，即对于不同高程进行分类，Nardinocchi利用区域增长，将点分为主要的几类。有点类似于光学里面的影像分割，不过这种仅仅是针对高程来进行的，而光学针对的是灰度。

3 The REIN algorithm

在浓密林区以及地形起伏区域一般算法不适用的原因有：滤波前的有更大的误差(由只有部分信号到达地面而造成的信噪比降低，以及坡度造成的水平误差增大)；低矮植被和下层木会降低点云的密度，分类的时候会增加分类的不确定性。故本文提出的方法为针对两阶段的方案：

① 第一阶段滤掉所有的异常值并除去部分off-ground点(如 morphological 滤波)

② 在后续的滤波和DTM生成阶段是利用已滤波过的点云来生成的。由地面回波内插出的DEM格网或TIN的独立DTM点上，使用多重地面高程估计，故称这种方法为“Repetitive interpolation”。这些高程估计都是从滤波后点中的多个独立的样本生成的，本文中TIN用于计算DTM点的高程。

REIN应用的两大前提：①大部分off-ground回波信号被滤除；②在进行第二部操作之前必须没有outliers残留。

第一步即通过平均点距平均高程面的距离，移除所有的粗差点(通过移除的比例控制)。第二步，从最低点开始，检查其k个最邻近点，如果一堆点的倾斜度大于了倾斜度阈值，那么剔除较高的点。倾斜度阈值仅略大于最大坡度，这样避免处理掉高程变化较大的部分。误差带是指裸露地表的缓冲区域，主要由LIDAR测距误差、LIDAR扫描角误差、直接定位误差和草地以及低矮植被引起的误差。

REIN的基本思想就是利用冗余的初始滤波点云去减少非地面点的残差的效应，而真实的XY平面中的地面高程可以通过重复独立估计近似得到。在迭代过程中，每个FPC点都作为节点生成TIN，经过重复多次内插，即可得到每个DTM位置的高程估计，真实高程获取是基于以下两点：

① 较低的边界不易受异常值的影响，另一方面，假设这些已经移除掉了，那么将不会有影响。那么对于密林地区，低的边界与真实地面相比，或多或少地会还有常数偏差。

② 在采样率不是太低且仅包含极少的异常值点的假设下，主要的分布边界和误差边界相匹配。那么即可建立一个全局性的位移gmo，即分布的较低的边界和真实地面之间的差值。

REIN的主要参数为“采样大小”(samplesize,每个FPCs中的点的数目)和”采样次数”(numsample，迭代的次数)。