地面和地物点云分离的滤波方法

一、参考博客

点云地面点滤波(Cloth Simulation Filter, CSF)“布料”滤波算法介绍：https://blog.csdn.net/wxc_1998/article/details/107206075  CSF官方简介：http://ramm.bnu.edu.cn/projects/CSF/ 有cloudcompare用法

点云地面点滤波-progressive TIN densification(PTD)算法介绍：https://blog.csdn.net/wxc_1998/article/details/106888252

点云地面点滤波(Progressive Morphological Filter)算法介绍（PCL库）：https://blog.csdn.net/wxc_1998/article/details/107010826

      CloudCompare点云体积计算方法：https://www.cnblogs.com/codeAndlearn/p/12317673.html

---

二、参考文献：

滤波相关文献记录

文献	内容	年份/被引次数
[1]赵四能,张静海,杨映泉,王利党. 基于布料模拟的点云滤波算法应用分析研究	对航空摄影获取的密集点云进行CSF，并用cloudcompare生成Delaunay三角网。	2017/2
[2]张昌赛,刘正军,杨树文,左志权.基于LiDAR数据的布料模拟滤波算法的适用性分析[J]	CSF算法的原理，参数的解释等。	2017/19
[3]李特.布料模拟滤波方法在铁路勘测LiDAR中的应用[J].铁道勘察,2020,46(05):13-17.	对比试验了CSF、形态学、TIN三种算法的优劣； 形态学滤波算法和基于 TIN 的滤波算法均能搜索到地面点，但搜到的地面点较稀疏，并夹杂低植被点。	2020/0
[4]郑津津,于洋洋,周洪军.基于布料模拟滤波和随机森林的点云分类算法[J].工业控制计算机,2020,33(02):90-92.	通过CSF生成地面点云，并利用其进行高程归一化（效果看起来不错，但没看懂）	2020/0
[5]于洋洋. 机载激光雷达点云滤波与分类算法研究[D].中国科学技术大学,2020.	学位论文，故有各种点云分割、滤波算法的总结，对CSF、形态学、TIN三种算法的详细介绍。（and还是没太看懂那个归一化）	2020/0
[6]蔡尚书. 车载激光点云地面滤波与道路识别方法研究[D].山东科技大学,2017.	学位论文，用CSF对车载点云地面进行分离效果不佳（把立面的低矮部分误判为陡峭的地形）；改进了渐进形态学滤波方法。	2017/4

---

[1]赵四能,张静海,杨映泉,王利党. 基于布料模拟的点云滤波算法应用分析研究[A]. 云南省测绘地理信息局、云南省测绘地理信息学会.云南省测绘地理信息学会2017年学术年会论文集[C].:云南省科学技术协会,2017:5.

地物点云滤波 方法比较

方法	对比
数字形态学滤波	人工选取坡度阈值，方块效应，滤波效果依赖于滤波窗口的选择。
基于坡度的滤波算法	计算量大，速度慢
基于不规则三角网TIN	采用二维邻域搜索，计算量大，复杂度高。对高大建筑物和植被滤波效果好，灌木丛和低矮地面物体效果差。
小波分层滤波	先进行分层，选择分割窗口的尺度，下一层判断受到上一层的影响。
布料模拟滤波	简单明了参数少，运算快，自适应性强。很好的保留微地形，尤其对于平坦区域的滤波效果更好，比较适用于城市区域。对既有陡峭又有平坦区域的滤波较不理想。

[2]张昌赛,刘正军,杨树文,左志权.基于LiDAR数据的布料模拟滤波算法的适用性分析[J].激光技术,2018,42(03):410-416.

CSF 算法主要包括的参量: （1）格网分辨率表示两个邻近节点之间的距离; （2）硬度控制布料的松紧程度，硬度越高，布料越紧致，共分 3 个级别，平坦地形硬度为 1 ，略微起伏地形硬度为 2，陡峭地形硬度为 3 ; 陡坡拟合因子是一个可选参量，用于边坡后处理 。 （3）距离阈值，用于地面点和非地面点的最终分类，通常设置为 0.5m 即可满足绝大部分数据的滤波要求; （4）迭代次数，通常设为 100～150 以内即可满 足滤波要求，可默认100。

[6]蔡尚书. 车载激光点云地面滤波与道路识别方法研究[D].山东科技大学,2017.

传统的渐进式数学形态学激光点云地面滤波方法主要是针对机载激光点云数据进行的，因此对车载激光点云数据进行地面滤波时存在一定的缺陷。（相对于机载数据，车载数据由于地物遮挡原因，数据中的空白格网问题尤为突出，并且由于周围数据损失较为严重；车载数据中存在大量的地物立面信息，使用传统的方法（高差或坡度）对激光点云进行非地面点滤除时，对低矮地物的滤除效果欠佳。）

---

三、实验部分

1、小数据进行测试 

（1）csf 参数：steep slope； slope processing； cloth resolution：0.5， iterations：700， classification threshold：3.2。

地面点：18868   非地面点：19142

（2）渐进形态参数：最大窗口：20，斜度：1，初始距离：0.5，最大距离：3

地面：18667   非地面点：19343  时间消耗：195544ms~=3.26min

左边地面点云中有房屋的地方是空缺的，但地面的数据有一部分被分割为地面数据。对比滤波效果，在分割出的点数相近的情况下，在细节部分，CSF分割的更精确些。

2、对大型建筑点云进行地面滤波

点数42061886

（1）csf 滤波参数: relief；2.0；500；0.5

地面点：点数：20846539，地面点占45.56%

非地面点：21215347

时间：2.1s

所用雷达点云数据量较大在千万级，滤波速度较快。由于设置的距离阈值为0.5m，故分离出的地面点云上显然还有一部分地面以上的点。

（2）渐进形态：

3、对森林点云进行进行地面滤波

（1）CSF滤波参数：relief；0.1；500；0.4

地面92192 非地面382077

 

（2）渐进形态：

地面92097 非地面382172

---

四、DEM、DTM和DSM的区别

链接：https://www.cnblogs.com/rainbow70626/p/7087622.html

DTM（Digital Terrain Model）：数字地面模型是利用一个任意坐标系中大量选择的已知x、y、z的坐标点对连续地面的一个简单的统计表示，或者说，DTM就是地形表面形态属性信息的数字表达，是带有空间位置特征和地形属性特征的数字描述。地形表面形态的属性信息一般包括高程、坡度、坡向等。

DEM(Digital Elevation Matrix)：数字高程模型是一定范围内规则格网点的平面坐标（X，Y）及其高程（Z）的数据集，它主要是描述区域地貌形态的空间分布，是通过等高线或相似立体模型进行数据采集（包括采样和量测），然后进行数据内插而形成的。DEM是对地貌形态的虚拟表示，可派生出等高线、坡度图等信息，也可与数字正射影像图（DOM）或其它专题数据叠加，用于与地形相关的分析应用，同时它本身还是制作DOM的基础数据。

DSM(Digital slope Model)：数字表面模型是指包含了地表建筑物、桥梁和树木等高度 的地面高程模型。和DSM相比，DEM只包含了地形的高程信息，并未包含其它地表信息，DSM是在DEM的基础上，进一步涵盖了除地面以外的其它地表信息的高程。在一些对建筑物高度有需求的领域，得到了很大程度的重视。