水庫庫區融合點云漏洞邊界提取方法

李朝輝,彭剛躍

(河南省水利勘測設計研究有限公司,河南 鄭州 450000)

0 引言

科技的發展極大地推動了測繪技術的進步,隨著多波束測深系統和機載LiDAR技術的廣泛應用,測繪的作業方式逐漸從效率低下的點測量模式過渡到效率高、覆蓋面廣的面測量模式,這為構建高精度的水庫DEM模型提供了可能[1-4]。但由于地形條件限制、作業時間不同等多方面原因,在融合多波束測深數據和機載LiDAR數據時存在點云漏洞,導致構建的高精度DEM不完整。

針對上述點云漏洞問題,常規的手段是通過人工判斷并進行加點,但在進行人工加點之前需要準確確定出漏洞的位置和范圍。為構建完整可靠的水庫DEM模型,介紹了一種點云邊界提取方法。該方法可準確定位出融合點云的漏洞位置和范圍,方便后續的漏洞點補充[5-7]。

1 點云邊界提取方法

由于點云數據是三維離散數據,直接通過點云數據對邊界進行檢測較為復雜,通常采用的方法為根據點與各個領域點之間的鄰接關系,基于邊緣密度、梯度等特征確定該點是否為邊界點,但計算過程較為復雜,水庫庫區采用激光雷達和多波束測深得到的點云數據密度不均勻,難以采用上述方式實現。

水庫庫區通常處于山區,其周邊地形不平坦,為了適應庫區地形,本文進行點云數據的邊界提取時,采用最小二乘法對選取的點云數據進行擬合,得到擬合平面后再將點云投影到平面上實現點云數據的降維,在降維后點云的基礎上再根據k鄰域內點云數據的邊緣特征提取邊界,其流程[8-11]如圖1所示。

圖1 點云邊界提取流程圖Fig.1 Flowchart of point cloud boundary extraction

1.1 點云降維處理

點云降維處理的步驟為：

圖2 降維處理示意圖Fig.2 Schematic of dimensionality reduction processing

通過降維處理后,得到圖2所示的投影坐標。

1.2 邊緣特征計算

邊緣特征計算是通過計算投影后的p點與k鄰域內其他點q的方位角夾角,將夾角的最大值作為邊緣特征值[14-15]。邊緣特征計算原理示意圖如圖3所示。

圖3 邊緣特征計算原理示意圖Fig.3 Schematic of edge feature calculation principle

計算步驟為：

1)計算p點到其他點q的方位角;

2)將所有方位角按照大小進行排序,并計算相鄰方位角的差值,其中,最大方位角和最小方位角之間的夾角計算方法為：

β=αpq1-αpq7+360°

(1)

3)對方位角夾角進行排序,返回最大值作為該點p的邊緣特征值;

4)設置閾值σ,若邊緣特征值大于σ則認為該點p是邊界點;

5)對點云中所有點進行上述計算,重復點云降維處理和邊緣特征計算步驟,直到全部計算完畢[16-17]。

1.3 算法實現

在點云邊界的提取過程中,主要工作是點云數據的降維處理和邊緣特征值的計算,具體算法實現過程如下：

1)輸入點云數據,存儲點云坐標信息;

2)根據平面方程,代入所有點云,采用最小二乘法建立誤差方程式,并計算平面方程中的參數;

4)通過前文所述的計算步驟,對每個點進行計算,完成后得到整個點云數據的邊緣特征集。

2 實例驗證

試驗數據采用河南省某水庫庫區的數據,地形條件為山地與峽谷,山區海拔高約600～1 000 m,地形起伏較大,岸邊陡峭;水庫水深約50 m,庫區底部較為平坦。數據采集時間為2022年6月份,植被較為茂密,機載激光雷達采用Riegl VUX-120高精度激光雷達掃描儀,搭配Novatel公司的慣導系統,水下數據采用華測導航研發的無人船搭載NORBIT多波束測深系統,激光雷達系統在作業時水位低,多波束測深系統在作業時水位高,兩個系統采集的數據存在部分重疊。

采用飛馬無人機管家對激光雷達數據進行處理,通過點云解算和航帶平差后,得到岸上部分點云數據,采用Hydro Survey軟件對無人船數據進行處理,通過平滑、插值等處理后,得到水下部分的無人船點云數據。從數據中可以看出,點云數據存在一定的漏洞,如圖4所示。

圖4 融合點云漏洞實例Fig.4 Examples of loopholes of mixed point clouds

經過分析,產生漏洞的原因主要是多波束測深系統或激光雷達系統無法完整地掃描到目標導致,將數據進行融合后構建的DEM存在漏洞。采用本文方法,使用Python軟件編程實現,設置k值為50,閾值σ為90度,對選取的兩塊點云數據進行處理,得到點云漏洞邊界,提取結果如圖5所示。

圖5 點云漏洞邊界提取結果Fig.5 Edge extraction results of point cloud loopholes

從圖5可以看出,采用本文方法對點云進行處理時,提取出的邊界與實際邊界較為相符,但對于點云密度不均勻的區域會出現少量與實際不符的情況。采用本文方法對整個數據進行提取,共識別出78處點云漏洞,與人工識別和判斷出的邊界進行對比,將符合結果分為相符、基本相符、不相符,得到如表1所示的結果。

表1 提取邊界與實際邊界相符性統計表

根據提取邊界與實際邊界相符性統計表可以看出,采用本文方法提取出的邊界整體與實際情況較為相符,僅有3處與實際不符,主要原因是這幾處點云密度不均勻。由此可以看出,本文采用的方法提取出的點云邊界較為可靠。

3 結束語

為構建完整可靠的水庫庫區DEM模型,需要將水下數據和陸地數據進行融合。針對機載LiDAR與多波束測深數據融合后出現的漏洞問題,介紹了一種基于k鄰域內點云邊緣特征的邊界提取方法。通過對算法和原理進行分析,并采用水庫庫區的實例數據進行計算和提取,與實際邊界進行對比。實例證明,本文方法提取出的邊界與實際邊界較為相符,提取結果可靠。