01滤波方法总述
目前对LiDAR数据的滤波方法很多，并且由于对地面点和非地面点的理解概念或者思路不同，研究人员从而设计出不同的滤波算法。有些算法可直接应用于不规则分布的点集，有些方法需将原始点集重采样为规则格网，以利用成熟的图像处理技术；从对点的处理方式上看，有些算法是考察单点与单点，有些是单点与点集或者点集与点集等。有些滤波算法通过量测某种不连续测度；各种滤波算法基于各种不同的假设前提，如坡度、平面、表面和分割等；有些算法的处理方式是一次单步完成，有些是通过迭代处理，这也意味着它们分别在准确性与速度方面的劣势。
02滤波算法比较
尽管目前存在众多的滤波方法，但缺乏统一、规范的比较。为此，在2003年，国际摄影测量与遥感协会（ISPRS）第三委员会的机载LiDAR数据处理小组组织了滤波算法的测试。测试中，提供了8个数据集，这些数据覆盖了城区、农村区域和森林地区，有八种滤波算法参加了测试，算法的作者分别为：Elmqvist、Sohn、Axelsson、Pfeifer、Brovelli、Roggero、Wack/ Wimmer、Sithole/Vosselman。Sithole 和 Vosselman(2004)在测试报告中，对比了八种不同滤波算法在不同场景中的滤波结果，对滤波算法做出了比较详细的分析和比较，旨在研究现存滤波算法的特点，影响滤波结果的因素和存在的问题。测试结果表明参与比较的滤波算法，对于不太复杂的场景（坡度平缓，只包含小型建筑物，植被稀疏，能采集到大量地面点的区域）表现普遍较好，但当处理复杂场景时其可靠性明显下降。
03滤波算法的难点
可见，由滤波方法全自动分离地面点与非地面点是非常困难的，尤其是大区域地形复杂数据。目前已有的滤波算法还没有达到全自动、无误差及适用各种的场景，主要是由以下几方面原因（如图5-7）
1、地物的大小不一
现实世界种的地物的尺寸大小不一。就建筑物而言，尽管大部分建筑物尺寸相当，但复杂场景中，既有超大型的建筑物，又有非常低矮的建筑物。同样，植被的大小也是千变万化。
已有的滤波算法中，大部分给地物的尺度设定了上限，如Axelsson的不规则三角网渐进加密算法、Zhang Keqi的渐进数学形态学滤波算法。因此**，如果场景中有超大型的地物，超过了处理窗口的大小就不会被完全滤除掉。**
2、地物的高低不一
现实世界种的地物的高度同样也高低不一。**既有高大的建筑物，又有非常低矮的植被和车辆。像车辆这种由十几个或更少的激光脚点组成的地物与地面点非常接近，以至于很难将其从地面中剥离出来；同样，对于低矮植被等也难以滤除。
3、地物的形状不一
同样，地物的形状/结构也是千变万化。**城区滤波的主要难点在于地物的多样化及结构复杂性。复杂性主要表现在地物的形状、结构及位置复杂，如图5-7所示。
4、部分地物附着于地表
陡坡上的建筑物屋顶，其高程与周围的地表的高程相近；横跨河流或公路的人工桥；跨越沟壑的人工或非人工的斜面结构。斜坡上的植被及低矮植被，由于和地面点高差不是很大，很难进行区分。
5、不连续地形
通常，地形不会突然的改变，但在**陡砍、山崖处，地形却会陡然的改变。**因此，在一些地形有断裂的地方或是尖锐的山脊处，一些基于高差的滤波算法会像剔除地物点一样把高程突变处的地形点剔除掉。
6、粗差
机载LiDAR数据中存在着粗差。既有孤立的粗差点，又有成簇的粗差。粗差的存在对假设最低点为地面点的滤波效果有着显著的负面影响。
04总结
由于上述地理现象的复杂性，决定了在很长的一段时间内，机载LiDAR数据的滤波将是机载LiDAR相关研究的一个重要方向之一。基于此，笔者提出了一种基于数学形态学测地重建的滤波方法。同时，我们发现，已有的滤波方法忽视了数据本身内部的粗差对后续滤波的负面影响，并且，对机载LiDAR数据隐含的多回波信息在滤波中应用的研究也不深入。
（a）超大型的建筑物
（b）车辆和低矮的植被
（c）形状不规则和形状复杂的建筑物
（d）依附地表的立交桥
（e）地形断裂区域
图5-7 地物的复杂性示意图
[参考文献] 王丽英. 机载LiDAR数据误差处理理论与方法[M]. 测绘出版社, 2013