激光雷达是一种方兴未艾的测量技术。基于搭载平台类型，可以细分为星载、机载、地面、车载、背包、船载LiDAR等。其中，机载LiDAR测量技术较为常见，主要用于获取被测量区域的高精度、高分辨率的数字高程模型、数字表面模型、电力巡线、林业资源调查、城市三维模型制作等。本文中的超高密度机载LiDAR点云，主要指密度大于100个点/平方米的机载LiDAR点云。
一、机载LiDAR点云滤波的概念和必要性
机载激光雷达（LiDAR）设备作业中，激光扫描过程是盲目的，即激光脉冲既可能打在地面上，又可能打在建筑物、桥梁、电力线、灯塔、车辆等人工地物或者植被上。因此，获取的机载LiDAR点云数据中既有地面点，又有地物点。
在机载LiDAR点云处理和信息提取领域，滤波指从原始的、未分类的机载LiDAR点云中分离出地面点的过程，如图1所示。它是生成数字高程模型（DEM）、分类、目标识别和三维重建的基础和必经的步骤。
图1 机载激光雷达滤波处理示意图
在LiDAR点云数据处理中，滤波占有极其重要的位置，不仅滤波识别的地面点可直接用于生成数字高程模型、归一化数字表面模型等产品，而且滤波被通常认为是点云数据处理和信息提取的基础和必经的环节。主要缘由在于，机载LiDAR点云数据分类往往采用了分层分类的思路，即首先把点云数据中的地面点和非地面点分离开、并利用地面点生成DEM；然后，基于地物点到DEM的高度特征（即归一化数字表面高程）进行地物点的进一步细分类，按照归一化数字表面高程特征可以依次分为低矮植被、中等高度植被、高植被、电力线等。可见，滤波是点云分类和其他后续应用的基础。
二、既有的机载LiDAR点云滤波方法概述
目前，已经提出了多种机载LiDAR点云滤波方法。根据滤波的概念和原理，文献[1]将现有滤波算法分为4种，基于面的滤波、基于坡度的滤波、基于聚类分割的滤波、基于最小块的滤波。经ISPRS Working Group III/3实验评价，相较于其它滤波方法，基于面的滤波方法可以取得较好的滤波效果。其中，Axelsson 提出的不规则三角网渐进加密[2]应用最为广泛。
鉴于不规则三角网渐进加密具有优良的滤波精度和普适性，该方法是被业界普遍熟知的滤波方法。但是，不规则三角网渐进加密滤波的提出者仅仅是提供了一个可供参考的框架、并未公开算法的细节；文献[3]提供了更多的细节信息，可供参考。
三、“不规则三角网渐进加密”算法基本原理和算法实现
3.1基本原理
Axelsson[2]提出了不规则三角网渐进加密（见图2），但算法细节极少。我们团队率先重现并实现了该算法，细节信息可参考文献[3]。该算法首先将测区分块，选取测区内每一块的最低点作为种子点，利用种子点构建一个初始三角网，该三角网代表了该测区的粗略的地形。然后，依据一定的准则判别其他的激光脚点（见图2（b）），并将符合判别准则的点插入到三角网中、优化三角网使其更精确的表达测区的地形。该判别准则为：待定点到最近三角面片的距离以及待定点与最近三角形顶点的连线与该三角面片的夹角均小于所设定的阈值。对于不符合条件的点，采用了镜像技术做进一步判断（见图2（c））。该滤波过程通过三角形迭代加密进行，当没有新的点加入三角网时运算结束。
（a）初始网格的划分和不规则三角形构建
（b）角度和距离的判别
（c）镜像点技术
图2 不规则三角网渐进加密的示意图
3.2本软件特色滤波算法的基本原理
为了更好的服务于高密集无人机LiDAR 点云数据的滤波，“点云催化剂/点云智绘”软件中设计了一种既能继承“不规则三角网渐进加密”算法的优势、又体现高密度点云的特色、且显著降低效率的滤波算法，即基于对象基元的不规则三角网渐进加密（Multiple-Primitives-based TPD，MPTPD）方法。它有三点新意：（1）使用多基元、而非单一的基元参与运算，其中的多基元包括点、对象、关键点等三种类型，且在不同的阶段使用不同类型的基元；（2）使用关键点的代替对象参与判别，即，在核心判别步骤中，使用对象的关键点替代对象进行运算以提高效率；（3）使用了一种简单、快捷的关键点检测算法。特别指出，本文的一个“对象”指“点云分割后具有同一标号的点集”，“关键点”又是对象点集的一个子集。即，关键点本质上仍然是原始点云中的点，而非额外创造的，但是关键点具有特殊性。另外，处理一个“对象”，可以通过处理该对象包含的点集来实现，也可以通过处理“关键点”来实现。算法的基本原理如图3所示，具体的文献可参考文献[4]。
（a）某机载LiDAR点云数据
（b）点云分割的结果
（c）对象关键点提取的结果
（d）基于关键点的对象类别判别的结果
图3 点云催化剂中滤波方法的关键步骤处理效果示意图
3.3 无参数化的点云滤波
为了更好的普及无人机LiDAR在地形测绘中的应用，本文软件还推出了“一键式山区/平原精细地形提取（无参版）”，率先实现了无需任何参数干预的无人机LiDAR点云滤波。
四、一键式超高密度机载LiDAR点云“精细地形提取模块”使用说明
“点云催化剂/点云智绘”软件为了服务超高密度的机载LiDAR点云滤波，实现了3.2节介绍的滤波算法、并将该算法与其他功能组合，形成了一键式超高密度机载LiDAR点云 “山区精细地形提取模块”、“平原精细地形提取模块”，其中，一键式超高密度机载LiDAR点云“山区精细地形提取模块”的界面如图4所示。
其中，一键式超高密度机载LiDAR点云“山区精细地形提取模块”、“平原精细地形提取模块”两个模块仅仅是默认的参数不同、而没有本质的算法的差别。从字面意思看，一键式“山区精细地形提取模块”适合山区的点云滤波、“平原精细地形提取模块” 适合平原地区的点云滤波。但是，可以通过调整参数使两者完全一致。所以，用户精通软件之后，可以自己自由使用两者中的任何一个。
下面以一键式超高密度机载LiDAR点云“山区精细地形提取模块”为例，进行说明。
（a）全局
（b）局部放大图
图4点云催化剂软件中超高密度机载LiDAR点云“山区精细地形提取模块”位置及界面
4.1首次使用超高密度机载LiDAR点云“一键式山区精细地形提取（有参版）”过程说明
第一步：打开“点云催化剂·云祥”软件。
第二步：将待处理的las文件（列表）加入当前工程。
用户可以选择下述任何一种方式打开las文件，且共有四种方式可供用户选择：
（1）选中一个或者多个las文件，按住鼠标左键，将文件拖入“点云催化剂·云祥”软件界面；
（2）菜单“文件/打开las文件（可多选）”，位置如下图
（3）工具栏中的“打开las文件（可多选）”工具，如下图所示。
（4）界面上的按钮
用户可以使用上述任何一种方式来选中待处理的las文件。另外，用户可使用界面上的其他工具来确定最终待处理的所有las文件。
第三步：使用一键处理。
有两种方式使用“一键式地形提取”：
（1）菜单“超高密度机载点云（大疆L1）行业应用/山区精细地形提取/一键式山区地形精细提取（有参版）”
2）“山区精细地形提取”工具栏，，点击最下面一项。
如果用户在界面上无法找到，可以通过点击菜单“工具栏切换\山区精细地形提取（禅思L系列）工具栏”，加载该工具栏，相关菜单位置如下图所示：
第四步：结果可视化。“一键式山区精细地形提取（有参版）”采用批处理的方式处理完所有的las文件，处理完成，采用“点云催化剂·云图”软件打开las文件进行可视化。
4.2超高密度机载LiDAR点云“一键式山区精细地形提取（有参版）模块”功能介绍
工程应用中， “一键式山区精细地形提取”集成了“las文件点密度统计”、“类别重置”、“粗差剔除”、“面向滤波的探面（3D平面/光滑曲面生长）”、“地面点识别（山区版）”等5个功能。具体包括：
“las文件点密度统计”。近似统计单位水平面积上的激光雷达脚点个数。该功能由计算机全自动完成，无需用户的任何干预。
“类别重置”。各个硬件厂家在生成点云数据时，默认的点云初始类别各式各样。“点云催化剂/点云智绘”软件中，首先默认将所有点的类别设置为“1”。该工具的参数界面如图5所示。
“孤立点检测（对象基元版）”。点云数据中，往往存在粗差，包括飞点、低点、孤立点等多种类型。鉴于目前点云的密度越来越高，“点云催化剂/点云智绘”借助该工具实现粗差识别。该工具仅仅考虑点云的局部密度特征，将识别的粗差点的类别默认设置为“7”。该工具的参数界面如图6所示。
“面向滤波的探面（3D平面/光滑曲面生长）”。使用了一种探面算法，从点云中将平面或者光滑的曲面检测出来。该工具的参数界面如图7所示。
“地面点识别（山区版）”。该方法采用了一种特殊的不规则三角网渐进加密滤波，将识别的地面点的类别默认设置为“2”。如图8所示，该工具涉及若干参数。其中，最重要的参数是“最大建筑物尺寸”。建议，山区的“最大建筑物尺寸”设置为30、40、或者50m；农村居民地的“最大建筑物尺寸”设置为60、70或者80m；城区的“最大建筑物尺寸”设置为100m以上。用户可以点击场景类型进行“最大建筑物尺寸”的初步设置。
图 5“点云催化剂/点云智绘”软件中的“类别重置”工具界面
图6“点云催化剂/点云智绘”软件中的“孤立点检测（对象基元版）”工具界面
图7“点云催化剂/点云智绘”软件中的“面向滤波的探面（3D平面/光滑曲面生长）” 工具界面
图 8“点云催化剂/点云智绘”软件中的“地面点识别（山区版）”工具界面
4.3首次使用超高密度机载LiDAR点云“一键式山区精细地形提取模块（无参版）”过程说明
“山区精细地形提取模块（无参版）”参考4.1部分即可。需要指出，该版本不需要改变任何参数。
五、一键式“精细地形提取模块”使用常见问题
5.1对电脑硬件配置的需求
该模块对GPU没有任何特殊要求，对CPU没有较高的要求、但CPU性能越高越好，另外对内存有较高的要求：
8G内存处理1G以下单个las文件
16G内存处理2G以下单个las文件
32G内存处理4G以下单个las文件
64G内存处理15G以下单个las文件
5.2如何修改一键式“精细地形提取模块”参数？
用户可以修改上述“类别重置”、“粗差剔除”、“面向滤波的探面（3D平面/光滑曲面生长）”、“地面点识别（山区版）”中的参数达到修改 “一键式精细山区地形提取”的目的。
以“地面点识别（山区版）”为例 ，修改参数值后，点击界面上的“取消”或对话框窗口右上角“叉号”按钮，可将参数保存到“一键式地形提取”。
5.3如何完善滤波结果？
（1）是否构选“面向滤波的探面（3D平面/光滑曲面生长）”中的“使用多核并行”的复选框
“使用多核并行”的复选框默认是钩选的，这样跑得更快；但是为了获取更好的分类精度，建议把“使用多核并行”的复选框，钩掉对号。
（2）如何“地面点识别（山区版）”设置“最大建筑物尺寸”
“地面点识别（山区版）”中，“最大建筑物尺寸”是极其关键的一个指标。如果一个区域内，用户初步估计最大的建筑物尺寸为190m，则将“最大建筑物尺寸”修改为200.0m。或者，将“场景类型”设置为“大城市”。
需要指出的是，“最大建筑物尺寸”这个参数取值一定要比实际场景中的最大的建筑物尺寸大，但不要差别太大。本算法中，“最大建筑物尺寸”这个参数取值越大，越耗费时间。
（3）如何光滑地面
需要特别说明的是，如果滤波的结果中存在较多的毛刺，可以使用菜单“基于点基元的点云分类/平滑地面点”功能进行地面的光滑、去毛刺，如图9所示。该功能可以多次使用，直至用户满意为止。
图 9“点云催化剂/点云智绘”软件中的“平滑地面点”工具界面
六、试验数据及结果
如图10所示，使用某即将发售的平民化无人机激光雷达设备获取的某丘陵地区的点云密度为697个点/平方米，在有效面积为0.592平方公里的情况，las1.2格式点云数据大小为14.2G、包含426421871个点。
（a）按高程着色的整个测区点云可视化
（b）经过点云滤波后利用地面点生成的DEM
（c）按高程着色的局部区域点云可视化
（d）经过点云滤波后利用地面点生成的DEM
图10 某即将发售的激光雷达系统获取点云提取的高分辨率林下地形信息
七、结论
大众化、平民化的一键处理模式使机载LiDAR点云滤波应用变的更加简单化、流程化、智能化。目前，“点云催化剂·云祥”设置的一键式“精细地形提取”模块，用户无需关注任何参数，就可以出一个相对理想的、全自动处理的初步结果；而且允许用户修改相关的参数取值，直至得到一个用户满意的结果为止。
参考资料：
[1] Sithole, G. Vosselman, Experimental comparison of filter algorithms for bare-Earth extraction from airborne laser scanning point clouds [J], ISPRS J. Photogramm. Remote Sens. 2004, 59(1):85–101.
[2]Axelsson P. Processing of laser scanner data-algorithms and applications [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 1999, 54: 138—147.
[3] X. Lin, J. Zhang, Segmentation-based filtering of airborne LiDAR point clouds by progressive densification of terrain segments[J], Remote Sens. 2014, 6 (2): 1294– 1326.
[4]林祥国, 张继贤, 宁晓刚, 段敏燕, 臧艺. 融合点、对象、关键点等3种基元的点云滤波方法[J]. 测绘学报, 2016, 45(11): 1308-1317.