圖6(b)展示了 該對象的特征點。
[0140] 進一步地，所述步驟六具體包括以下步驟：
[0141] (1)建立格網索引
[0142] 對于類別號為"Γ的特征點集，首先根據點云數據在x、y方向的坐標范圍，構建一 個特征點集的最小包圍核。根據給定格網尺寸，即最大建筑物尺寸m，分別對特征點集在X、y 方向劃分正方形格網，對特征點集建立二維分塊格網索引結構。
[0143] (2)選擇初始種子點
[0144] 從每個格網單元格中選取格網中高程最低的特征點，同時將特征點所在對象包含 的所有特征點作為地面種子點、并將該對象和相關特征點的類別號標記為"2"，"2"代表了 地面點。圖7(a)展示了某機載激光雷達點云，圖7(b)展示了該激光雷達點云的分割效果，同 時圖7(c)展示了初始的種子點。
[0145] (3)構建初始種子點的三角網
[0146] 利用所有的地面種子點構建一個三角網，該三角網代表了該區(qū)域的初始數字高程 模型DEM。圖7(c)和圖7(d)分別展示了某機載激光雷達點云數據的初始種子點和這些種子 點構建的三角網。
[0147] (4)判別對象的類別
[0148] 對象類別的判別是一個迭代的過程，該過程涉及三個參數:最大角度閾值Θ、最大 距離閾值d和最大地形角度閾值t。
[0149] 1)迭代次數記為0。對于每一個待判別的類別為"Γ的特征點，找到該點落入的三 角形，計算該點到三角形構成的平面的距離及其該點到三角形三點的夾角、并找出三個夾 角中的最大角，如圖7(e)所示。
[0150] 如果同時滿足:距離小于最大距離閾值d、最大角小于最大角度閾值Θ，則認為該點 是地面點，將該點的類別號標記為"2"，"2"代表了地面點；否則，還要進一步判別(對當前的 特征點以距離最近的三角形頂點為中心進行鏡像，如圖7(f)所示。對鏡像點進行判別。如果 此鏡像點判斷為地面點，則仍然判斷此點為地面點、將該點的類別號標記為"2" ；否則，不修 改點的類別值）。繼續(xù)處理下一個類別為"Γ的特征點直至將所有的類別為"Γ的特征點遍 歷完畢。
[0151] 2)以對象為基本判別單元，統(tǒng)計該對象中"地面點"的比例。如果該比例大于50%， 將該對象和相關特征點的類別號標記為"2"，"2"代表了地面點；否則，將該對象和相關特征 點的類別號標記為"1"。
[0152] 3)將獲得的地面點插入三角網。迭代次數自增1。回到步驟1)繼續(xù)執(zhí)行直至迭代次 數達到的5則停止迭代。
[0153] (5)更新對象包含原始激光雷達點的類別
[0154] 將對象的類別賦值給其包含的原始激光雷達點，完成濾波。
[0155] 本發(fā)明創(chuàng)造性地提出了一種面向對象的機載激光雷達點云濾波方法，其特色是利 用對象的特征點替代對象包含的原始點進行面向對象的機載激光雷達點云濾波，提高了濾 波的精度。該方法創(chuàng)造性的將粗差剔除、點云分割、多回波分析、特征點提取、基于三角網漸 進加密的對象類別判別等五個步驟連接起來，形成了一套完整的面向對象的機載激光雷達 點云濾波的技術流程。
[0156] 如圖8所示，本發(fā)明進行面向對象的機載激光雷達點云濾波的數值計算流程如下：
[0157] (I)機載數據。加載機載激光雷達點云數據。
[0158] (II)粗差剔除。在進行濾波之前需要對激光點云數據進行預處理，去除極低局外 點。
[0159] (III)點云分割。對粗差剔除后的激光雷達點云，進行基于光滑表面生長的分割以 獲取對象。
[0160] (IV)回波分析。分析對象的多回波比例特征識別潛在的地物對象，并剔除地物對 象及其所包含的激光雷達點。
[0161] (V)提取對象的特征點。以每一個對象為處理單元，取出其該對象涉及的激光雷達 點，并獲取每一個對象的邊緣點和骨架線附近的點；利用邊緣點和骨架線附近的點組成該 對象的特征點集;該特征點集將代替該對象及其包含的原始激光雷達點，參與后續(xù)運算。
[0162] (VI)判別。進行格網劃分建立二維分塊格網索引結構;選擇初始種子點；構建初始 種子點的不規(guī)則三角網；迭代的通過特征點的判別確定對象的類別，并更新對象包含的原 始激光雷達點的類別。
[0163] 為了驗證上述提出的濾波方法的性能，本研究同時采用經典的三角網漸進加密方 法和本發(fā)明提出的方法，以ISPRS第三委員會機載激光雷達數據處理小組提供的專門用于 濾波算法測試數據作為實驗數據，通過定性和定量分析的手段比較兩種算法的性能。
[0164] ISPRS第III小組于2003年組織的濾波算法測試中，提供了一組數據集和參考數 據，用于定量的分析算法的濾波效果（數據來自：111^口 ：//?^^.(301]11]1188；[0113.18口18.0找/ wg3/index.html)。該數據集包含7個場景的點云數據，依次命名為：CStitel、CStite2、 05衍七63、05衍七64、05衍七65、05衍七66、05衍七67，如圖9(3)至圖9(8)所示。這7個場景的數據 為OptechALTM機載激光掃描儀獲取的Vaihingen/Enz和Stuttgart市的機載激光雷達點云 數據。其中的城區(qū)數據為Sitel-Site4,點間距為1.0至1.5m;山區(qū)為Site5-Site7,點間距為 2.0至3.5m。同時，在7塊測試數據中選取了 15個樣本數據(具體數據區(qū)位如圖9(a)至圖9(g) 所示），這些樣本數據經過人工處理，將激光腳點精確分類為地面點和非地面點這兩類。15 個樣本數據主要包括了不同地理環(huán)境中濾波可能遇到困難的情況，如粗差點的影響、復雜 的地物、地物與地面相連、斜坡上或低矮的植被、地形的不連續(xù)等，具體數據特征如表1所 示。利用本發(fā)明提出的濾波算法對這7個場景的數據做濾波實驗，利用15個參考樣本對濾波 結果進行了定性和定量分析，并與已有的三角網漸進加密濾波算法的結果進行了對比分 析。
[0165] ISPRS第三委員會機載激光雷達數據處理小組提出了濾波算法質量評價的兩種方 法:定性分析和定量分析。定性分析中，把對濾波后的結果疊加到原始數據上，通過誤差圖 進行可視化檢查、分析和評價。定量分析中，統(tǒng)計了三種類型的誤差，即Typel(地面點被誤 分為地物點的數量占地面點數量的比例）、Type Π (地物點被誤分為地面點的數量占地物點 數量的比例)和總誤差(被誤分的地面點和和地物點的總數據量占全部腳點數量的比例）， 見表3。
[0166] 表1參考數據的說明
[0167]
[0168] 表2定性分析的等級
[0169]
[0170]~表3定量分析的相應參數及其定義
[0171]
[0172] 注釋:表中，a，b，c，d是進行定量分析的基本參數，a代表參考點中是地面點并且濾 波算法也將其分類為地面點的地面點數量，b代表參考點中是地面點但濾波算法將其分類 為地物點的地面點數量，c代表參考點中是地物點而濾波算法將其分類為地面點的地物點 數量，d代表參考點中是地物點且濾波算法也將其分類為地物點的地物點數量;f，g，h，i分 析數據濾波前后的地面點和地物點組成情況，f是參考數據濾波前的地面點的比例，g是參 考數據濾波前的地物點的比例，h是濾波結果中地面點的比例，i是濾波結果中地物點的比 例，；Typel、Type Π 和Total是三類誤差;k反映了兩類誤差的偏離程度。本論文中，j = 0。
[0173] 表4兩種濾波方法參數的取值
[0174]
[0176]已有的三角網漸進加密濾波方法需要最大建筑物尺寸、最陡地形傾角、迭代角度、 迭代距離等四個參數。本發(fā)明提出的濾波方法，在已有方法所需四個參數基礎上增加了三 個參數，即鄰接點個數、距離閾值、角度差異閾值。每個場景的實驗中，兩種方法共有參數的 取值是相同的，本發(fā)明所需的額外三個參數的取值需要單獨確定。兩種方法在7個ISPRS提 供的實驗數據的濾波參數的取值情況，見表4。
[0177] 使用表4中列舉的參數，利用兩種濾波方法對上述7個實驗數據進行濾波。同時，從 ISPRS提供的7個場景的濾波結果中，分別選擇15個參考樣本數據具有相同坐標值的激光腳 點，并利用參考樣本的濾波結果評價15個相關區(qū)域的濾波效果，得到了三類誤差的統(tǒng)計表 5。另外，圖10(a)、（b)、（c)分別展示了兩種濾波方法的三種類型的誤差對比圖。
[0178] 表5經典的三角網濾波方法與本發(fā)明改進方法的誤差對比表(單位：％ )
[0179]
[0180]
[0181]從表5可以看出，已有的三角網漸進加密濾波方法和本發(fā)明提出的濾波方法（即表 5以及圖10(a)、圖10(b)和圖10(c)中所述的改進方法)都具有較強的魯棒性，能廣泛的適應 于城區(qū)和森林區(qū)域各種場景的濾波，且濾波的總誤差控制在33%以下，如圖10(c)所示。同 時，與經典的濾波方法相比，本發(fā)明的濾波方法具有更好的性能，能正確的識別更多的地面 點，尤其是地形陡變處的地面點，其I類誤差和總誤差顯著的低于經典濾波的相應誤差。15 個局部區(qū)域的濾波效果檢驗中，除samp21區(qū)域之外，其他14個區(qū)域中本發(fā)明濾波方法的I類 誤差顯著的低于已