TFRSUB:一种用于保留地形特征并平衡空间均匀性的方法,旨在简化激光雷达地面点云的数据处理
《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》:TFRSUB: A terrain-feature retention and spatial uniformity balancing method for simplifying LiDAR ground point clouds
【字体:
大
中
小
】
时间:2025年12月31日
来源:ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING 12.2
编辑推荐:
陈传发|杨子明|潘洪明|李彦彦|郝金达山东科技大学测绘与地理信息学院,中国青岛摘要由于数据冗余和简化过程中的地形特征退化,高密度LiDAR点云的处理在生成数字高程模型(DEM)时面临显著的计算挑战。为了解决这个问题,本研究提出了一种地形特征保留与空间均匀性平衡(TFRSUB)方法
陈传发|杨子明|潘洪明|李彦彦|郝金达
山东科技大学测绘与地理信息学院,中国青岛
摘要
由于数据冗余和简化过程中的地形特征退化,高密度LiDAR点云的处理在生成数字高程模型(DEM)时面临显著的计算挑战。为了解决这个问题,本研究提出了一种地形特征保留与空间均匀性平衡(TFRSUB)方法,该方法整合了三项关键创新:(i)距离-几何协同指数(DGSI),结合了正交偏差距离和点采样间隔,以减少边界收缩伪影;(ii)复合地形因子(CTF),综合多种地形参数来表征多样的地形特征;(iii)基于簇的高斯过程回归(GPR)框架,使用CTF进行迭代特征点选择,优化地形保真度与点分布均匀性之间的权衡。在六个保留比率下,对八个高分辨率LiDAR地形点云进行评估,TFRSUB在精度上显著优于七种现有方法,DEM均方根误差减少了9.22%–64.70%,平均绝对误差减少了7.80%–61.34%,坡度误差减少了16.43%–76.88%,平均曲率误差减少了28.12%–81.35%。这些结果表明,TFRSUB是一种既能保持地形保真度又能应对计算存储挑战的LiDAR点云简化方案。
引言
近年来,光探测与测距(LiDAR)技术彻底改变了大规模数字高程模型(DEM)的生成方式,其在数字地形分析和机器人导航中的应用日益广泛(Liu等人,2022年;Qin等人,2023年)。然而,处理密集LiDAR点云所需的巨大计算和存储资源给地形表面重建带来了重大挑战(Arav等人,2022年;Fan和Atkinson,2019年)。因此,点云简化已成为大规模DEM生产工作流程中的关键预处理步骤(Chen等人,2022年;Chen等人,2023a)。
现代点云简化方法大致分为两类:基于网格的方法和基于点的方法(Wu等人,2024年)。基于网格的方法首先从点云构建网格,然后根据预定义的几何或拓扑标准对这些网格进行简化(Li等人,2024年)。然而,从大规模LiDAR点云生成高保真度网格会带来极高的计算成本。相比之下,基于点的方法直接对点进行处理,通过量化各个位置的显著性来避免中间网格的生成。这一根本优势使得基于点的方法成为现代点云处理的主流。然而,传统的特征重要性指标主要针对3D对象设计,应用于2.5D地形点云时往往存在明显局限性。这种领域不兼容性推动了特定于地形的简化方法的发展(Chen等人,2023a;Chen等人,2023c;Wang等人,2022a)。尽管取得了这些进展,但仍存在重大挑战,尤其是边界伪影的产生和细微地形特征的减弱。
为了解决这些挑战,本文提出了一种地形特征保留与空间均匀性平衡(TFRSUB)方法。我们的方法通过三项主要创新推动了该领域的发展:
•距离-几何协同指数(DGSI):设计了一种新的双组分指标,结合了正交偏差距离(反映局部几何保真度)和点采样距离(确保空间均匀性),从而优先选择关键边界点,并实现密度自适应控制,减轻了传统方法中固有的等高线收缩伪影。
•复合地形因子(CTF):我们通过加权整合多个基本地形参数来构建CTF。这种协同组合能够全面表征多样的地形特征,有效克服了单一参数无法捕捉各种地形特征的局限性。
•基于簇的高斯过程回归(GPR)优化:我们开发了一种基于簇的GPR优化方法,使用CTF作为预测属性进行迭代特征点选择,实现了地形特征保留与简化点云空间分布均匀性之间的最佳平衡,避免了地形细节的严重丢失。
本文的其余部分结构如下:第2节对基于点的简化方法进行了全面回顾。第3节详细阐述了TFRSUB方法。第4节使用八个多平台LiDAR数据集,将提出的方法与七种现有方法进行了比较评估。第5节讨论了本文的贡献,第6节总结了全文。
章节摘录
相关工作
根据操作框架,现代基于点的简化方法可分为六类:随机简化、均匀简化、分割引导简化、迭代细化、公式驱动简化和基于地形知识的优化。
随机简化方法根据预先指定的保留比率(即简化后保留的点百分比)对点云进行概率子采样。这种方法适用于高密度、均匀分布的点云
方法论
TFRSUB包括三个主要阶段(图1):初始特征点识别、复合地形因子(CTF)合成和基于簇的迭代优化。具体来说,首先识别位于点云边界关键位置和局部高程极值处的一组初始特征点。随后,通过加权整合多个基本地形参数生成CTF。最后,提出了一种基于簇的迭代方案来选择
数据集
为了评估TFRSUB的有效性,使用了八个高密度LiDAR地面点云。这些数据集涵盖了多种采集平台,包括机载LiDAR(ALS)、地面激光扫描(TLS)和无人机(UAV)LiDAR,以及各种地形特征,如沟渠、山脊、山谷、悬崖和陡坡(图9)。表1提供了这些数据集的一些关键统计信息。
参数调整
TFRSUB包含三个主要参数:用于选择边界特征点的距离-几何协同指数(DGSI)容忍度(DGth),用于选择局部极值点的K-均值簇控制比率(l),以及用于基于GPR优化的候选特征簇数量(T)。为了评估这些参数对TFRSUB精度的影响,我们在不同的数据保留比率下使用八个数据集进行了全面测试,同时调整其中一个参数的值,保持其他参数不变。
消融研究
TFRSUB的卓越性能主要源于三项方法创新:(i)用于边界特征保留的DGSI,(ii)用于地形特征表征的CTF,以及(iii)用于特征点选择的基于簇的GPR。为了定量评估这些创新在TFRSUB框架内的性能,我们在不同数据保留比率下对Data4进行了系统性的消融研究。基线配置(包含所有贡献的TFRSUB)
结论
本研究提出了地形特征保留与空间均匀性平衡(TFRSUB)方法,这是一种专门设计用于同时解决地形特征保留和点云密度降低双重挑战的新方法。在六个保留比率下,对八个高密度LiDAR地形点云的全面评估表明,TFRSUB在统计上显著优于七种现有基准方法。具体来说,所提出的
CRediT作者贡献声明
陈传发:撰写 – 审稿与编辑,撰写 – 原稿,方法论,资金获取。杨子明:可视化,软件,数据管理。潘洪明:验证。李彦彦:撰写 – 审稿与编辑,撰写 – 原稿。郝金达:验证。
利益冲突声明
作者声明他们没有已知的可能会影响本文工作的竞争性财务利益或个人关系。
致谢
本工作得到了国家自然科学基金(资助编号:42271438;42571501)和山东省自然科学基金(资助编号:ZR2024MD040)的支持。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号