关于机载LiDAR数据处理的几点心得体会

           首先声明一下，之所以开通这个博客，然后写点东西，真是有点被逼无奈的味道。想下载别人的资源，可是手头没分，不想再麻烦别人帮忙下载，索性自己动手，丰衣足食吧。

           在硕士期间，一直做机载LiDAR数据处理方面的相关算法研究。后来发现做着做着跑偏了，跑到三维数据后处理那一块了，基本和LiDAR没了关系，因为获取点云的方式，LiDAR只是其中一种。我也在想要不要看看影像匹配方面的东西哦。书归正传，步入正题，下面是目前关于机载LiDAR数据相关研究的热点问题：

           一 　波形分解

                波形分解是和LiDAR相关度最大的算法之一。机载LiDAR小光斑全波形数据的获取，给用户自己从原始波形中提取感兴趣信息提供了可能。适合做研究性的实验，实用化则还有一定的空间有待提升。PS：随着我国国产卫星的发射，在国内，星载激光测高仪的大光斑波形数据的分解可能是近期的热点，不过原理方法大同小异吧。

　　　二　DSM点云滤波

　　　　   机载LiDAR一开始的用途主要是获取高精度的DEM。但点云滤波这个问题，其实不只是机载LiDAR数据处理的难题，通过影像多视匹配也可以获取高密度DSM点云，也同样存在点云滤波的问题。目前的滤波算法对山区处理都处于疲软状态，城市地区适用性比较好的就是基于TIN迭代的滤波算法，但这种算法和数学形态学一样，对极低点噪声敏感。只利用点云的三维坐标信息来实现自动化滤波，适合做学术上面的研究探讨，而结合其他信息，如强度信息、与之对应高分影像中的光谱信息等，才是将滤波算法推向实用化的方向。

           三  点云与影像的配准

                如果点云是利用匹配的方法获取的，这个问题基本不存在了。而对于LiDAR点云来说，则是一个难点。假设直接利用空三来纠正影像的内、外方位元素，然后LiDAR点云的精度也是足够的，在配准精度要求不是特别高的情况下，我想也是可以不做这个配准的，另外既然RPC（有理函数模型）可以模拟相机的成像过程，代替这个配准的工作，可不可行，也是一个可以思考的地方。

          四  三维重建

               我总觉得，如果说三维重建，那应该得到的是三维模型，既然是模型那就有拓扑结构的，格网的，三角网的都行，总要有个结构啊。但是影像匹配方面所认为的三维重建就只是从而影像中把三维点给搞出来。要说的是基于机载LiDAR自动提取建筑物角点的方法并不成熟，研究可以，可以提取小范围的平顶房之类的角点，复杂一些可能就至少需要半自动的方式了。在对点云进行构网方面，二维Delaunay算法就别去研究和实现了，网上大把的成熟开源库，如CGAL，Triangle等。有兴趣的可以做做三维表面重建，如泊松重建、Power Crust之类的那种，不过不太容易哦。

         五 纹理映射

              纹理映射和点云与影像的配准是分不开的，如果配准的精度不高，纹理映射的效果也不会好，这是前提。纹理映射OpenGL是提供了处理的函数的，虽然我没具体看过，但我觉得功能不会多么强大，原理方面，最基本的无非就是数字微分纠正，难点在于遮蔽检测应该，不同角度拍摄的影像，都会对应不同区域的遮蔽，如何将这些遮蔽检测出来，在重采样的时候避开这些区域，是要考虑的关键问题。

          综上所述，从第二到第五其实与机载LiDAR关系都不是很紧密了，说明LiDAR其实只是提供点云的一种手段，与它相关的研究也都是在借鉴其他方面现有的方法。都是挂着LiDAR这种相对较新的概念做文章而已。做的更偏一点，更新一点的也许又会说LiDAR这种技术，国内已经做烂了，等等之类吧。但反过来又有一个问题，一味的所谓引领潮流，追求所谓的“新技术”，别人没做过的东东，而并不是在核心技术领域探求创新，这种“求新”的意义又到底有多大呢？