Классификация облака точек

Материал из Lidar wiki
Перейти к: навигация, поиск

Классификация облака точек - процесс назначения каждому измерению из всего набора лазерно-локационных данных метки класса объектов местности(поверхность земли, здания, провода ЛЭП, растительность и т.д.) из предопределенного конечного множества классов объектов местности.

Классификация точек земной поверхности

Множество алгоритмов выделения точек земной поверхности из исходного облака точек можно разделить на четыре группы: морфологические методы, прогрессивные фильтры, поверхностные методы и растровые методы.

Морфологические методы

Критерий классификации Воссельмана

Общий принцип морфологических фильтров заключается в следующем: исходное множество точек сканируется структурным элементом, представляющим собой, как правило, описание в той или иной форме допустимого превышения между соседними точками для определенного горизонтального расстояния между ними; точки, не удовлетворяющие данному критерию, отсеиваются, как не принадлежащие поверхности земли. Для того, чтобы определить параметры структурного элемента, производится "обучение" алгоритма на основе некоторых априорных данных или на основе массива данных с известной классификацией. Наиболее известным методом данной группы является метод Джорджа Воссельмана (George Vosselman), в котором точка считается принадлежащей поверхности земли, если максимальное превышение между данной точкой и соседними точками, принадлежащими анализируемой области, не превышают заданного значения, определенного на этапе обучения алгоритма. В дальнейшем данный алгоритм был модифицирован Джорджем Ситоль (George Sithole)?? с использованием различных параметров структурного элемента (превышения между точками) для различных характеристик земной поверхности.

Основным преимуществом морфологических методов является простота реализации, при этом они позволяют выделять точки земной поверхности с высокой степенью надежности, используя структурный элемент небольших размеров, если достаточно большое количество точек из общего массива данных принадлежат земной поверхности. В противном случае (большая часть измерений принадлежит зданиям, деревьям и инженерным сооружениям, низкая плотность сканирования) требуется использовать структурный элемент большого размера, что, в свою очередь, приводит к тому, что большая часть локальных неровностей рельефа будет сглажена. Данная проблема нашла свое решение в использовании структурных элементов разного размера. Например, в работе [1] автор применяет структурные элементы разного размера, начиная с самого маленького; в случае, если точка определяется как принадлежащая земле, ей назначается вес в зависимости от порядка структурного элемента; конечная классификация осуществляется на основе анализа всех точек с назначенными весами.

Прогрессивные методы

Прогрессивный метод классификации

Суть прогрессивных методов классификации в следующем: из общего массива лазерно-локационных данных выбираются отдельные точки, с высокой степенью достоверности принадлежащие земной поверхности, затем на основе этих точек выбираются остальные точки земли. В методе Аксельссона ??применяется следующий алгоритм: общий массив данных разбивается на отдельные блоки, в каждом из них выбирается точка с минимальной высотой, по этим точкам строится TIN-поверхность, которая в дальнейшем сгущается. В каждой итерации сгущения новая точка добавляется в существующую поверхность, если она удовлетворяет заранее определенным условиям, в качестве которых выступают угол между новой и существующей гранью сети триангуляции и расстояние от точки до существующей грани. Итерации заканчиваются, когда не остается точек, удовлетворяющих данному критерию.

Axelsson 2.png

Достоинством прогрессивных методов является высокая надежность классификации точек земли для естественного рельефа, однако она в значительной степени зависит от значения исходных данных, которые задаются человеком на основе опыта.

Поверхностные методы

В методах этой группы сначала по всем точкам строится поверхность, затем на основе различных критериев вычисляются отклонения поверхности от всех точек. Точки, лежащие выше вписанной поверхности либо не участвуют в последующей итерации, либо их вес уменьшается для последующей итерации. Автором [2] был предложен метод робастной фильтрации, в котором сначала строится поверхность по всем точкам, затем на основе вертикальных расстояний от точек до поверхности вычисляется вес каждой точки. Точкам, расположенным выше поверхности, присваивается маленький вес, точкам, лежащим ниже поверхности - большой. Затем происходит повторное построение поверхности с учетом назначенных весов точек, после чего веса точек вычисляются заново. Процесс классификации продолжается либо до достижения определенного количества итераций, либо до того момента, когда поверхности практически не изменяются между итерациями.

Растровые методы

В растровых методах исходное облако точек сначала конвертируется из нерегулярной точечной модели в регулярную с заданным размером ячейки, на основе которой строится одно или несколько растровых изображений. Цвет пикселей определяется на основе различных критериев, например, высота точки, количество точек, попавших в данную ячейку, минимальная/максимальная высота точек данной ячейки и т.д. К полученным растрам применяются методы анализа цифровых изображений, происходит выделение однородных областей и граней, анализ градиента, сглаживание и другие операции в зависимости от конкретного метода.

Преимуществом растровых методов является простота реализации; недостатком - потеря нерегулярной структуры исходных данных.