點云數據是LiDAR的主要數據，尤其是早期的LiDAR數據處理都是針對點云數據進行的。機載LiDAR激光腳點的分布是按照時間序列進行采樣和存儲的，其在地面上的分布不是規則的，其空間分布呈現為離散的數據“點云”。這些點中，有些點位于真實地形表面上，有些位于不同的地物上（房屋、管線、煙囪等），還有些落在植被上（數木、灌木、草)等。

激光腳點分布

LiDAR點云數據中信息的分類提取，即點云數據的分類工作在整個 LiDAR數據后處理過程中占 60%-80%的工作量，但目前還沒有一種全能的方法能有效的提取復雜地形中的各種信息。且現有的分類算法的具體操作細節也由于版權問題極少公開，這也增加了分類算法研究的難度。機載LiDAR數據采集具有一定的盲目性，激光腳點的位置是隨機的，不能保證地形特征點和地物特征點能有數據，這給激光腳點性質的判別帶來了很大的困難，使機載LiDAR數據的分類很困難。

LiDAR點云數據的分類可分為一級分類和二級分類，一級分類主要指區分地面點和地物點，而二級分類是指在一級分類的基礎上對地物點集的再分類，主要分類類別包括有植被、建筑物、道路信息和電力線等等。一般的分類方法還停留在一級分類上。
國外 LiDAR點云的分類算法的研究起步較早，發展的分類方法理論基礎主要分成四類：基于坡度理論的分類方法、最小區域分類方法、基于面理論的分類方法和聚類/分割算法。
1、坡度理論
計算相異的兩點間的坡度值或高差，當這個坡度值或高差超過設定的閾值時，就認為其中的較高點就是地物點（如圖 2-27（a）所示）。這種理論的基礎是假設陡坡只會出現在地物數據集中。
2、最小區域理論

設定一個水平面，并在其垂直方向上設置一定區域作為緩沖區，包含在這個三維緩沖區域內的點都劃為地面點集（如圖2-27（b）所示）。

3、面理論
不同于最小區域理論，面理論選擇的面是一個由參數計算的不規則的面，在面上也設定一個緩沖區，包含在這個三維緩沖區域內的點劃為地面點集（如圖 2-27（c）所示）。
4、聚類/分割算法
用周圍鄰近區點域進行分類時，聚類/分割算法的理論依據是一個類中所有的點共同來描述一個完整的物體，而非物體中單獨的面（如圖2-27（d）所示）。聚類算法是由 Filin（2002） 和 Roggero（2002）提出，分割算法是由 Lee, Schenk 和 Sithole（2002）提出。

目前基于面理論的分類方法使用得最廣泛。依據模擬近似地面方法的不同，可以再將分類方法細分為兩種：
1、內插的分類方法
線性加權最小二乘內插模擬近似地面（Kraus and Pfeifer，1999）， 計算點到初始模擬面的高差。通常情況下，地物點到初始模擬面的高差為正，而地面點到初始模擬面的高差則為負。在重新計算近似地面時，正高差的權較小，甚至為負；負高差將獲取較大的權，甚至接近 1。將分級的概念融合到內插中可以得到一種新的分類方法（Pfeifer et al，2001）。進一步改進，用標準化最小二乘取代最小二乘得到另外一種新方法，但此方法需要預先獲取一些參數的值（Lee 和 Younan， 2003）。

2、基于數學形態學原理的分類方法

利用數學形態學的操作運算來獲取近似地面，如開運算。數學形態學的方法從概念上來講，是簡單易操作的。只要激光點云數據分辨率足夠好，開運算就能有效地剔除地面物信息。如果數據分辨率太低，就需要較大的操作窗口來提出地物信息，相應的一些地面突出特征也會被抹平（Qi Chen，2007）。

圖2-27 國外分類方法的分類原理示意圖
(a)坡度理論；(b) 最小區域理論；? 面理論；(d) 聚類/分割理論
[參考文獻] 王麗英. 機載LiDAR數據誤差處理理論與方法[M]. 測繪出版社, 2013

總結

以上是生活随笔為你收集整理的LiDAR点云数据及其处理的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。