【深度学习|地学应用】LiDAR（Light Detection and Ranging）数据详解

【深度学习|地学应用】LiDAR（Light Detection and Ranging）数据详解

【深度学习|地学应用】LiDAR（Light Detection and Ranging）数据详解

---

---

欢迎宝子们点赞、关注、收藏！欢迎宝子们批评指正！
祝所有的硕博生都能遇到好的导师！好的审稿人！好的同门！顺利毕业！

大多数高校硕博生毕业要求需要参加学术会议，发表EI或者SCI检索的学术论文会议论文。详细信息可关注VX “学术会议小灵通”或参考学术信息专栏：https://fighting.blog.csdn.net/article/details/147527145

---

前言

• LiDAR（Light Detection and Ranging）是一种利用激光脉冲测距来获取地物三维点云的高精度测绘技术。
• 它既能穿透植被获取地形高程，又能反映建筑、植被与地表结构，被广泛应用于地形测绘、林业监测、城市规划、考古发掘和自动驾驶等领域。
• 下面先从 LiDAR 数据的获取与处理流程做简要介绍，再罗列常用的开源和商业软件，最后给出 Python 示例代码，帮助快速上手点云处理。

起源与发展

初期概念与军事应用

• 1930年，E. H. Synge 提出“用强大聚光灯探测大气”理念，为后来的 colidar（coherent light
  detecting and ranging）奠基。
• 1961年，Hughes Aircraft 推出首个 colidar 原型，用于卫星跟踪（“Colidar Mark II”激光测距仪，射程11 km，精度4.5 m）。
• 1971年，RCA 的激光高度计随阿波罗15号登陆月球，首次展示太空测高能力。

商用与科研扩展

• 1970–80年代，LiDAR在气象测量和地形制图中铺开，NCAR用于云层和大气监测。
• 2000年，德克萨斯大学团队（NCALM）制作全球首个考古 LiDAR 高程模型，开辟密林下文物探测新领域。

LiDAR 数据获取与处理

不同平台数据获取

• 机载 LiDAR：固定翼飞机或直升机搭载，适合大范围高程与森林监测。
• 地面激光扫描（TLS）：静态三维扫描仪，用于桥梁、隧道等精细建模。
• 移动 LiDAR：车载或背包式系统，适合道路、管线与城市街景采集。
• 无人机 LiDAR：UAV 携载，灵活机动，覆盖小区域高分辨率航测。

核心组件

• 激光发射器：产生短脉冲或连续波激光；波长常见 905 nm 与 1550 nm。
• 回波检测器：测量激光返回时间与强度。
• GNSS/IMU：提供实时位置与姿态，用于精确地理配准。

预处理

• 点云配准：利用 GNSS/IMU 数据或基于特征的配准算法，将多航线或多视角数据对齐。
• 去噪滤波：剔除由云雾、飞行抖动等引入的异常点。
• 坐标转换：将激光测距时间转换为 XYZ 三维坐标，并投影到地图参考坐标系。

点云分类与分割

• 地面/非地面分离：根据高度和局部平面特征识别地面点，生成数字高程模型（DEM）。
• 植被/建筑物提取：基于回波强度、多回波信息或机器学习算法，对点云进行语义分类。

衍生产品生成

• 数字高程/表面模型（DEM/DSM）：DEM 仅保留裸地高程；DSM 包含地物顶面高度。
• 点云特征提取：构建坡度、曲率、植被高度、林分冠层宽度等衍生变量。

数据处理流程

• 原始点云生成：将脉冲时间转换为距离，合成 3D 点位。
• 去噪与滤波：剔除飞行器振动和云雾噪声。
• 点云配准与拼接：多次航线或视角间对齐。
• 分类与分割：利用高度、回波强度或机器学习将地面、植被、建筑分离。
• 数字高程/表面模型：从已分类点云提取 DEM/DSM/DTM。

常用 LiDAR 数据处理软件

软件名称	类型	主要功能	备注
PDAL	开源库	点云读取/写入、滤波、配准、转换、管道化处理	命令行 & Python 绑定 turn0search0
LAStools	半开源工具集	LAS/LAZ 格式转换、噪声移除、分类、DEM 生成	高速 C++ 实现
CloudCompare	开源桌面应用	可视化、配准、分割、点云与网格距离计算、统计分析	跨平台 GUI
Open3D	开源库	点云/网格操作、可视化、重建算法、深度学习接口	Python/C++
TerraScan	商业软件	点云分类、地面提取、管线建模、体积计算	与 MicroStation 集成
Terrasolid	商业插件套件	机载/地面 LiDAR 专业处理，支持 Bentley 产品	高级建模与分析
LP360	商业插件	ArcGIS 平台点云可视化、编辑、分析	集成 ESRI
FME	商业 ETL 工具	点云转换、过滤、空间分析、工作流自动化	支持多种数据源

Python 示例：用 PDAL 和 Open3D 处理 LiDAR 点云

1. 用 PDAL 读取、滤波并写入

import pdal
import json

# 定义 PDAL 管道：读取 LAS、应用统计滤波、写出 LAZ
pipeline = {
    "pipeline": [
        "input.las",
        {
            "type": "filters.outlier",
            "method": "statistical",
            "mean_k": 8,
            "multiplier": 2.5
        },
        "output.laz"
    ]
}

# 执行
p = pdal.Pipeline(json.dumps(pipeline))
p.execute()
metadata = p.metadata
print(metadata)

2. 用 Open3D 可视化并地面分割

import open3d as o3d
import numpy as np

# 读取点云
pcd = o3d.io.read_point_cloud("input.las")

# 可视化
o3d.visualization.draw_geometries([pcd], window_name="原始点云")

# 地面分割：基于 RANSAC 平面拟合
plane_model, inliers = pcd.segment_plane(distance_threshold=0.2,
                                         ransac_n=3,
                                         num_iterations=1000)
ground = pcd.select_by_index(inliers)
nonground = pcd.select_by_index(inliers, invert=True)

ground.paint_uniform_color([0, 1, 0])      # 地面：绿色
nonground.paint_uniform_color([1, 0, 0])   # 非地面：红色

# 可视化分割结果
o3d.visualization.draw_geometries([ground, nonground],
                                  window_name="地面/非地面分割")

主要应用领域

• 地形测绘与地质调查：高精度地形模型辅助洪水风险与滑坡监测。
• 林业与生态监测：估算林分高度、密度及碳存储。
• 城市与基础设施规划：三维建模、日照分析与智慧城市资产管理。
• 考古学：揭示植被覆盖下的古代遗迹，如玛雅城市、亚马逊古城。
• 自动驾驶与机器人：实时环境感知与避障。

优缺点分析

优点

• 高精度与高分辨率：厘米级精度，直接测高，无需光学匹配。
• 穿透植被：多回波能力揭示地面、植被层次结构。
• 全天候：不受可见光照限制，夜间或阴天皆可作业。

缺点

• 成本高昂：设备与运营费用大，数据存储与处理要求高。
• 气象依赖：雨、雪、雾等降低回波信号质量。
• 数据体量大：复杂点云处理和长周期存档挑战存储和计算资源。

未来趋势

• 多波长与全波形LiDAR：捕获更丰富的光学信息与散射特性。
• 小型化与低成本传感：助力UAV与地面机器人普及化。
• 云端与AI驱动处理：借助深度学习实现自动化分类、语义分割与快速可视化。
• 多传感器融合：与光学、雷达SAR、摄像头等数据整合，提升智能感知与分析能力。

通过上述介绍与示例，可以迅速了解 LiDAR 数据的获取、处理流程，以及常用的开源和商业软件工具，并用 Python 代码完成点云的读取、滤波、分割和可视化。