Xác định DEM trần đất từ ​​tệp LAS chưa được phân loại?


10

Tôi có dữ liệu ở định dạng LAS với các giá trị RGB được tạo từ phương pháp chụp ảnh trên không bằng UAV. Tôi đang cố gắng tìm một giải pháp để trích xuất DEM trái đất từ ​​đám mây điểm.

Tôi đã thử SAGA, Fusion, MCC-LIDAR, nhưng có vẻ như họ cần tệp LAS đã được phân loại (điều này tự nhiên không phải vậy). Bất cứ ai có thể chỉ cho tôi đi đúng hướng với một lời giải thích ngắn gọn về quá trình?

Nói chung, tôi sẽ cần xử lý khoảng 100 điểm mỗi lần (có thể xếp chúng nếu cần).


MCC hoặc Fusion không yêu cầu điểm của bạn được phân loại. Mã chương trình MCC tuy nhiên, điền vào trường phân loại. Điều gì khiến bạn tin rằng đây là trường hợp? Bạn có thể gặp vấn đề về phiên bản với tệp las của mình, điều này rất tốt để xác định ngay bây giờ.
Jeffrey Evans

Câu trả lời:


16

Tạo DEM LiDAR từ các đám mây điểm chưa được phân loại với:

MCC-LIDAR là một công cụ dòng lệnh để xử lý dữ liệu LIDAR trả về rời rạc trong môi trường có rừng (Evans & Hudak, 2007).

Quy trình làm việc:

  • a) đám mây điểm không được phân loại.
  • b) lợi nhuận mặt đất được phân loại.
  • c) DEM trần trụi (raster).

nhập mô tả hình ảnh ở đây


Hãy tạo một tình huống giả định để cung cấp thêm một ví dụ với mã.

MCC-LIDAR được cài đặt trong:

C:\MCC

Đám mây điểm LiDAR chưa được phân loại (tệp .las) nằm trong:

C:\lidar\project\unclassified.las  

Đầu ra sẽ là DEM trần trụi nằm ở:

C:\lidar\project\dem.asc  

Ví dụ dưới đây phân loại trả về mặt đất với thuật toán MCC và tạo DEM trần trụi với độ phân giải 1 mét.

#MCC syntax: 
#command
#-s (spacing for scale domain)
#-t (curvature threshold)
#input_file (unclassified point cloud) 
#output_file (classified point cloud - ground -> class 2 and not ground -> class 1)
#-c (cell size of ground surface)
#output_DEM (raster surface interpolated from ground points)

C:\MCC\bin\mcc-lidar.exe -s 0.5 -t 0.07 C:\lidar\project\unclassified.las C:\lidar\project\classified.las -c 1 C:\lidar\project\dem.asc

Để hiểu rõ hơn cách các tham số tỷ lệ và ngưỡng độ cong (t) hoạt động, hãy đọc: Cách chạy MCC-LiDAR và; Evans và Hudak (2007).

Các thông số cần được hiệu chỉnh để tránh các lỗi hoa hồng / nhãn (khi một điểm được phân loại là thuộc về mặt đất nhưng thực tế nó thuộc về thảm thực vật hoặc các tòa nhà). Ví dụ:

nhập mô tả hình ảnh ở đây

MCC-LIDAR sử dụng phương pháp nội suy Spline Tấm mỏng (TPS) để phân loại các điểm mặt đất và tạo ra DEM trần trụ.


Người giới thiệu:

Để biết thêm tùy chọn về các thuật toán phân loại điểm mặt đất, xem Meng et al. (2010):


MCC flipar dường như chiến đấu với số điểm. Nó nói không đủ bộ nhớ, hãy thử khoảng cách bài lớn hơn. Tôi đã thử lưới khoảng cách bài 5 từ khoảng cách ban đầu 1m. Bộ nhớ của tôi là 96Gb trên một máy trạm mạnh để có thể không phải là vấn đề.
user32307

@ user32307, xem bài đăng này , báo cáo vấn đề tương tự. Câu trả lời có thể giúp bạn.
Andre Silva

8

Tôi nghĩ rằng LasTools có thể phù hợp với nhu cầu của bạn, xem LASGround . Giấy phép là một chút buồn cười tùy thuộc vào công cụ. Các công cụ có thể được tải xuống và đánh giá trước khi mua; sản phẩm cũng tương đối rẻ


7

Tôi đã có may mắn với lệnh GroundFilter của FUSION (hướng dẫn tại đây ). Tôi không gặp vấn đề gì khi xử lý 40 triệu điểm (chưa được phân loại), vì vậy sẽ không xảy ra sự cố với 100 triệu điểm.


2

Điều này có thể được thực hiện với bộ lọc bằng thuật toán Bộ lọc hình thái đơn giản (SMRF) hoặc Bộ lọc hình thái tiến bộ (PMF) .

Nhanh chóng

pdal ground --cell_size=5 --extract input.laz out-bare-earth.laz

Tạo một tệp LAS nén đất trần với kích thước ô đơn vị 5 mặt đất bằng PMF. ( tài liệu )

Để biết thêm giải thích, hãy xem phần Xác định trả về mặt đất bằng cách sử dụng hướng dẫn phân đoạn ProgressiveMorphologicalFilter .

Tham gia nhiều hơn, sử dụng SMRF

Một ví dụ về đường ống dẫn :

  • áp dụng bộ lọc SMRF, mở rộng celltùy chọn kích thước lên 2.0 (đơn vị hệ tọa độ) và ngưỡng 0,75
  • chỉ chọn các điểm mặt đất mới được phân loại ( 2là giá trị tiêu chuẩn LAS cho mặt đất)
  • ghi lựa chọn vào tệp đầu ra LAS không nén (chỉ cần thay đổi phần mở rộng thành .laz để nén)

Chỉ huy: pdal pipeline "classify-ground-smrf.json"

Tệp tham số JSON:

{
    "pipeline": [
        "inputfile.laz",
        {
            "type":"filters.smrf",
            "cell": "2.0",
            "threshold": "0.75"
        },
        {
            "type":"filters.range",
            "limits":"Classification[2:2]"
        },
        "out/smurf_classifed.las"
    ]
}

Chỉ trích xuất trên mặt đất

Ví dụ này a) phân loại thành mặt đất / không mặt đất, b) thêm thuộc tính "Chiều cao trên mặt đất" và c) chỉ xuất các điểm 2.0 (đơn vị hệ tọa độ) trên mặt đất.

{
    "pipeline": [
        "input.laz",
        {
            "type": "filters.assign",
            "assignment": "Classification[:]=0"
        },
        {
            "type": "filters.smrf"
        },
        {
            "type": "filters.hag"
        },
        {
            "type": "filters.range",
            "limits": "HeightAboveGround[2:]"
        },
        {
            "filename":"above-ground.laz"
        }
    ]
}

Chuyển thể từ Brad Chambers, https://lists.osgeo.org/pipermail/pdal/2017-July/001367.html


Tôi đã thấy rằng một số dạng hình học đối tượng cấu trúc nhất định (ví dụ: các tòa nhà) được xác định khá tốt nhưng các phương pháp hình thái thực hiện khá kém ở các khu vực có rừng, đặc biệt là có độ dốc thay đổi. Nếu dữ liệu khai thác được thu thập ở khu vực thành thị, tôi chắc chắn sẽ đề xuất MF nhưng, các thuật toán khác hiệu quả hơn nhiều với các cài đặt vật lý khác nhau.
Jeffrey Evans

@JeffreyEvans bạn có thể giải thích về những thuật toán khác mà bạn thấy là tốt hơn trong các thiết lập ngoài đô thị không? (và có lẽ những loại phi đô thị, ví dụ như rừng, núi, ...)
matt wilkie
Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.