机载LIDAR及其数据处理

激光扫描技术（LightDetectionAndRanging,LIDAR）a．机载激光扫描b.地面激光扫描(RangeImage)灰度图像的像素值表示的是该点感光的强度或灰度；而对于距离图像而言，像素值则表示了扫描点的距离信息。可以直接记录一个距离值的标量，也可以记录下该点的三维坐标值机载LIDAR及其数据处理内容1.机载LIDAR基本知识及原理2.机载LIDAR应用领域3.机载LIDAR数据处理提供….•更好的屋顶面片信息•不规则的点•有限的信息光学影像vs.LiDAR提供….•丰富的信息•通常比较好的边界信息•阴影/遮挡OpticalImageryLiDARAirborneLIDAR(机载激光雷达)LIDAR是一种集激光,全球定位系统和惯性导航系统三种技术与一身的空间测量系统。是一种新型传感器，具有十分广泛的应用范围和应用前景。其应用已超出传统测量，遥感所覆盖的范围，成为一种独特的数据获取方式。已有十年的成功使用经验。激光测距基本原理目前激光测距主要采用计算光传输时间差的方式进行；但是，在高精度的测距时，只采用时间差计算距离难以保证精度。需要采用更为复杂的技术，如：干涉激光测量等。TheoryEquipmentPOS系统GPS惯性测量单元(IMU)激光器激光信号接收处理装置计算机飞机设备安装TestinstallationPartenaviaTopoSysCorp.数据处理datasourceGPSLaserIMUDGPSposition(WGS84)position&attitudeGPSref.transformationparametersKalmanfilterDGPSOTFx,y,z(easting,northing,elevation)localmetricsystemtwodatasets(first&lastecho)DEMregularmetricgridortho-imagesperflightstripRGB/NIRsortingparametersgriddingrangetoelevationorthocorrectionApplicationprocessingApplanixPOS系统计算坐标TopoSysCorp.AirborneLIDAR的特点能够提供密集的点阵数据(点间距可以小于1米);能够穿透植被的叶冠;不需要或很少需要进入测量现场;可同时测量地面和非地面层;数据的绝对精度在0.30米以内;24小时全天候工作;具有迅速获取数据的能力。数据源FirstreturnLastreturnLaserreturnshitvariouspartsofthecanopyMultiplereturnsLidarIntensityimagery:Magnitudeoftheresponses强度影像LidarDataGreyscaleIntensityImageCourtesy:强度与目标材质的关系国立汉城大学Jeong-HeonSong等Verticalbetterthan15cmat1,200mbetterthan35cmat3,000mHorizontalbetterthan1/2,000xaltitude精度ButtonvilleAirport,Toronto,Canada(FlightPathObstructionIdentification)应用领域DEM提取（尤其是森林地区）道路，电力线海岸测量城市建模海洋测量森林参数测量（树高，林木立方）DatasetofLondonDEMExtractionGroundPointsusingourModificationtoRobustInterpolation山区Kraus&Pfeifer98Road&PowerLineChannelHydraulics/FloodPlainMappingUrbanTransportation–ComplexStructuresLIDARUsedinTransportation•Routeassessment•Vegetationencroachmentassessment•Preventionofaccidentalpowerlinecut-off•Electricalloadassessment•Forestfireprevention•SafetyassessmentCoastlineofIslandSylt©AmtfürländlicheRäume海岸线保护©Amtf.Ländl.Räume,HusumIslandSylt,NorthSeaMonitoringoferosionofcliffs海岸线保护海岸线保护200020022000-2002Howitworks!Near-IR(1064nm)laserpulsesreflectedfromwatersurfaceGreenlaserpulses(532nm)reflectedfrombottomSHOALS水深量测ScanningHydrographicOperationalAirborneLidarSurveySHOALSBathymetricSurveyEntrancetoPearlHarbor,HI,USAFastestLowcostDowntownToronto数字表面模型(DSM)For3GWirelessCommunicationOptech.C.矢量数据采集和3D建模GeorgeVosselman2005E.Ahokas森林地区点云单棵树提取ForestPlantEvaluationWaveformLIDAR-波矢设备C.Hug.etal.,2004WaveformLIDARC.Hug.etal.,2004WaveformLIDARC.Hug.etal.,2004WaveformLIDARDataC.Hug.etal.,2004LIDAR数据处理预处理可视化地形提取建筑物检测建筑物重建森林信息提取预处理仪器检校条带拼接预处理-检校SensorOrientationGPSINSGPSandINSIntegrationIn-AirAttitudeInitializationCalibrationandOrientationofAirborneImageandLaserScanningDataUsingGPSandINS.PHDDissertation,HelenBurman.2000条带调整Filin,S.andG.Vosselman，2004RolfKatzenbeisser条带调整方法使用参考点地面控制点假设的参考点根据数据信息LIDAR数据误差恢复模型也为LIDAR数据调整提供了一定的理论依据。利用条带之间的重叠部分调整数据的通常做法为：寻找到相邻（或者交叉）条带上重叠区域中同一目标在不同条带上的数据和特征，通过分析这些数据的差别，从而确定误差大小，然后根据一定的规则对条带数据进行调整，使调整后的数据在某一个规则下达到最优，这个规则通常是使得条带间差异最小。点云数据可视化大量数据可视化的关键技术：1.如何在不影响绘制效果的前提下减少每一帧绘制的数据量2.如何快速将数据交给GPU绘制，减少GPU或CPU进行数据裁切的计算时间3.为了达到实用性，需要考虑如何在较短的时间内将原始数据重组为适合快速显示的结构。点云数据可视化点云可视化特点：1.点数多，数据量大（多达千万个点）。2.由于没有遮挡，各种流行的LOD算法难以应用。DEMExtractionSeePaper:Experimentalcomparisonoffilteringalgorithmsforbare-earthextractionfromairbornelaserscanningpointclouds(2004)GeorgeSithole,GeorgeVosselman分类Brenner&Haala,1999SegmentationwithgroundplanknownClassificationHaala&Brenner,1999ISODATAclassificationusingmulti-spectralimageandrangedata建模Brenner&Haala,1999交互编辑Brenner,1999Aninteractiveeditingtoolforsemi-automaticreconstructionDSM分割DSMImageSegmentationresult处理流程：具有多次反射LIDAR数据预处理（消除大误差）消除树丛（利用多次反射）分治实现线性预测法DEM检测删除地面点清除噪声和碎片得到建筑物点树丛点的消除两次回波相减消除树丛点基于线形预测的DEM提取线形预测是一种经典的LIDAR数据DEM提取算法，通过不断向初始较低的粗糙DEM中内插数据，不断细化而实现DEM的提取距离(KrausandPfeifer1998)基于线形预测的DEM提取但，城市地区DEM提取时，需注意一些问题：地面突然沉降导致算法失效。地铁入口处，水井等会导致LIDAR点急剧降低文件结构中点在空间分布的聚集大数据量的分治法处理地面突然沉降试验数据测试数据检测得到DEM边缘检测阶跃边缘检测实验比较传统边缘提取方法在LIDAR数据中效果顾及LIDAR特点的点云数据边缘点检测基于角度分解的离散点直线检测3.1实验比较传统边缘提取方法比较的内容：1.细小边缘的个数2.检测率3.坐标的准确程度LIDAR数据是一种距离图像，这些传统的边缘特征提取算法能不能用？算法：1.Sobel2.Prewitt3.Laplacian3.1测试数据内插后的距离图像实地测量的矢量图SobelPrewittLaplacianCannyEdisonSlopeAlg.aPtNO.ValNO.R.RateAcc.VPRSobel218715490.2191.0740.71Prew.214315790.2131.1150.73Lap.416333120.3601.2180.79Canny513248380.4741.1560.94Edison494449170.5501.0560.99Slope18845142020.569*0.75Acc.:检测到的边缘与实际边缘距离的标准差算法的性能比较表:3.1结果比较总的看来,Edison效果最佳,但所有算法的弱边缘检测效果都不好。★算法检测的边缘坐标与实际数值有一定偏差3.1造成偏差的原因分析X轴Z轴边缘提取算法获取的边缘位置真正的建筑物边缘位置真正的建筑物边缘位置边缘提取算法获取的边缘位置偏差可能原因有：1.LIDAR数据获取过程中由于遮挡导致数据空缺2.算法在边缘点选取时通常取构成梯度的中间点作为边缘点，在LIDAR数据中，应选取构成梯度的上边点。3.数据的噪声、内插和处理过程带来的误差。3.2顾及LIDAR特点的点云数据边缘点检测PcPnminmaxmaxminchPjumpedgelsddifddT计算每个点邻域内Z坐标差异pq1q2q3q4q5q6q7特征直线检测:基于角度分解3(0.2)*2.5()1argmaxiidiScoreescore1165432078d每个点局部方向XYdPq1q2q3q4L0.00.20.40.60.81.01.21.400.511.522.53权值函数曲线一个点对一条直线的贡献与点到直线的距离有关系角度分解结果优化优化内容：1.孤立点分类2.线段合并3.线段竞争4.规则化使检测到的特征线段满足平行垂直关系，更加符合建筑物常有的形态4.屋顶面片检测问题：1.复杂