Chỉnh sửa đám mây điểm LiDAR để loại bỏ nhiễu / ngoại lệ hiện diện bên dưới và trên mặt đất?

Tôi có dữ liệu LiDAR "bẩn" chứa lợi nhuận đầu tiên và cuối cùng và cũng không tránh khỏi các lỗi dưới và trên mức bề mặt. (ảnh chụp màn hình)

Tôi có SAGA, QGIS, ESRI và FME trong tay, nhưng không có phương pháp thực sự. Điều gì sẽ là một quy trình công việc tốt để làm sạch dữ liệu này? Có một phương pháp tự động hoàn toàn hoặc bằng cách nào đó tôi sẽ xóa bằng tay?

Bạn dường như có ngoại lệ:

• i) dưới mặt đất;
• ii) trên mặt đất và theo chiều dọc giữa các đặc điểm thực tế trên mặt đất khác;
• iii) các điểm trên mặt đất có chiều cao lớn hơn tất cả các đối tượng quan tâm, ví dụ: các điểm gây ra bởi mây hoặc chim (điều này không được hiển thị trong hình, nhưng tôi cho rằng đó cũng có thể là trường hợp).

Đối với 'i', tùy chọn là sử dụng thuật toán bộ lọc mặt đất có thể tính đến 'lỗi ngớ ngẩn tiêu cực' để có được đám mây điểm mặt đất LiDAR sạch. Xem thuật toán phân loại độ cong đa biến (MCC) từ Evans và Hudak (2007). Nó được nói ở trang 4:

Những sai lầm tiêu cực là sự xuất hiện phổ biến trong dữ liệu LiDAR, điều này có thể được gây ra bởi sự tán xạ của các photon trong một xung laser được trả về. Sự tán xạ kéo dài thời gian để một xung laser phát ra trở lại cảm biến máy bay, làm tăng tính toán khoảng cách di chuyển, do đó gây ra lỗi đo trong đó độ cao bề mặt được ghi nhầm là nằm dưới các phép đo xung quanh. Cần lưu ý rằng các phương pháp phân loại độ cong có khả năng loại bỏ lợi nhuận hợp lệ xung quanh các lỗi ngớ ngẩn tiêu cực, có thể mở rộng các tạo tác cạnh xung quanh một sai lầm tiêu cực để tạo ra hiệu ứng bom ném bom khác biệt. Để giải quyết các sai sót tiêu cực, Haugerud và Harding đề nghị đặt tham số dung sai độ cong thành bốn lần kích thước ô được nội suy và chọn trả về vượt quá ngưỡng độ cong âm này. Tuy nhiên, cần lưu ý rằng trong một số trường hợp nhất định, lợi nhuận có vẻ là sai lầm tiêu cực có thể thực sự là lợi nhuận hợp lệ (ví dụ: hố sụt). Do đó, đề xuất trước để loại bỏ các sai lầm tiêu cực tiềm ẩn có thể được thực hiện như một vòng lặp mô hình cuối cùng tùy chọn để sử dụng theo quyết định của người dùng nếu cần.

Bên dưới có một bài đăng với một ví dụ về việc sử dụng MCC-LIDAR:

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

Khi bạn có đám mây điểm mặt đất LiDAR chính xác để tạo DEM chính xác, có thể bình thường hóa đám mây điểm và loại trừ các điểm nằm dưới bề mặt DEM (các điểm có giá trị âm). Sử dụng cùng một cách tiếp cận, cũng có thể giải quyết số điểm 'iii' loại bỏ các điểm trên một số ngưỡng cố định. Xem, ví dụ:

• Xóa các điểm bất thường trong * .lasd bằng ArcGIS cho Máy tính để bàn?

Sau đó, nó để lại cho chúng tôi 'ii', được giải quyết theo câu trả lời của AlecZ được đề xuất lasnoisetừ LAStools. Nó cũng sẽ xử lý 'iii', và có lẽ là một phần của 'i' (LAStools yêu cầu phải có giấy phép). Các công cụ khác được tạo riêng để kiểm tra / xóa các ngoại lệ đã được trích dẫn ở đây: filters.outlierCông cụ của PDAL trong câu trả lời của Charlie Parr có phần giải thích chi tiết về cách thức hoạt động của công cụ và với ưu điểm PDAL là một phần mềm miễn phí.

Sau đó, những gì còn lại từ quy trình tự động (nếu có ngoại lệ) có thể được xóa bằng tay. Ví dụ:

• (LAStools; ArcGIS Pro) Làm sạch các điểm LiDAR mà thuật toán phân loại bỏ lỡ?
• (QT Modeler) -> câu trả lời của auslander ).

_{Evans, Jeffrey S.; Hudak, Andrew T. 2007. Một thuật toán độ cong đa biến để phân loại LiDAR trả lại rời rạc trong môi trường có rừng . Giao dịch của IEEE về khoa học địa lý và viễn thám. 45 (4): 1029-1038.}

Tôi sẽ khuyên Pdal điểm thư viện dữ liệu abstratction. Tôi đã thành công khi sử dụng PDAL cho một vấn đề lọc tương tự. Tôi thích PDAL vì nó là nguồn mở, cung cấp hỗ trợ Python và giúp tôi dễ dàng tái tạo việc xử lý và theo dõi các tham số lọc của mình. Tôi cũng thích nó bởi vì nó có 'đường ống' nơi bạn có thể xâu chuỗi nhiều bước (ví dụ: cắt rồi lọc rồi xuất) và thực hiện chúng cùng một lúc. Lưu ý rằng nếu bạn có các đám mây điểm thực sự rất lớn, PDAL có thể không nhanh như một số giải pháp khác (LASTools, QTM, v.v.).

Bạn có thể giải quyết vấn đề về các điểm ngoại vi bằng đường ống PDAL tương tự như sau:

{
"pipeline": [
    "input_utm.las",
    {
        "type":"filters.crop",
        "bounds":"([401900,415650],[7609100,7620200])"
    },
    {
        "type":"filters.outlier",
        "method":"statistical",
        "mean_k":12,
        "multiplier":2.0
    },
    {
        "type":"filters.range",
        "limits":"Classification![7:7]"
    },
    {
      "filename":"output.tif",
      "resolution":1.0,
      "output_type":"mean",
      "radius":3.0,
      "bounds":"([401900,415650],[7609100,7620200])",
      "type": "writers.gdal"
    }
    ]
}

Đường ống này đọc trong LAS, cắt nó đến một phạm vi UTM được chỉ định, sau đó thực hiện bộ lọc đánh dấu tất cả các điểm ngoại vi, sau đó thực hiện bộ lọc thứ hai chỉ giữ lại các điểm không ngoại lệ (ví dụ cờ Phân loại! = 7), sau đó xuất sang độ phân giải GeoTIFF 1 m. Bộ lọc thống kê đang thực hiện tính toán khoảng cách trung bình lân cận gần nhất để kiểm tra xem một điểm có "quá xa" so với các lân cận của nó hay không và do đó là một ngoại lệ.

Từ tài liệu :

Vì OP không giới hạn các giải pháp cho nguồn mở, tôi đề xuất Trình tạo mô hình địa hình nhanh (Trình tạo mô hình QT ). Nó đòi hỏi phải có giấy phép. Tải đám mây điểm trong QT và về cơ bản bạn nghiêng nó để có chế độ xem hồ sơ bạn muốn, băng cao su cụm bạn muốn xóa và chỉ cần nhấn xóa.

Tôi đã có may mắn chỉ đơn giản là sử dụng một phương sai tiêu cự trên một raster nội suy. Sau đó, bạn gán các giá trị phương sai cho các điểm của mình và sử dụng ngưỡng để loại bỏ các phương sai cao cục bộ, thể hiện các mức khởi hành lớn từ ước tính nhân cục bộ.

Bạn phải chắc chắn rằng độ phân giải của bề mặt nội suy là một hạt đủ nhỏ để nó nắm bắt sự biến đổi cục bộ ở mức (các) điểm. Kích thước của kernel cũng sẽ có hiệu ứng nhưng đối với các ngoại lệ đơn lẻ, một cửa sổ 3x3 là đủ. Bạn có thể mất thêm một vài điểm nghe và ở đó, nhưng với phần mở rộng, bạn có nhiều dữ liệu để dự phòng.

Lastools cung cấp chính xác những gì bạn cần - tập lệnh tự động sẽ loại bỏ tất cả những điểm này cho bạn. Tuy nhiên, có một chi phí cấp phép cho điều đó, nhưng nếu đây là một quá trình bạn muốn nhanh chóng thực hiện như một nhiệm vụ thông thường, sử dụng tập lệnh lasnoise từ bộ công cụ của họ là một lựa chọn hoàn hảo.

Như @Andre Silva đã lưu ý, ArcGIS có bộ công cụ las, bạn có thể sử dụng sau khi chạy công cụ xử lý địa lý Tạo bộ dữ liệu LAS. Từ đó, bạn có thể vào bằng tay để phân loại lại hoặc xóa các điểm nhiễu này. Hạn chế là đó không phải là một quy trình trực quan hay hiệu quả như QT Modeler (được đề xuất bởi @auslander), có lẽ là chương trình tốt nhất để trực quan hóa / phân tích / thao tác các tệp las bằng tay và với chi phí giấy phép. ArcMap sẽ giới hạn số lượng điểm có thể nhìn thấy khi chỉnh sửa đám mây điểm của bạn, nghĩa là bạn có thể sẽ phải phóng to các khu vực có tiếng ồn, loại bỏ hoặc phân loại lại chúng, sau đó chuyển qua như một phần của quy trình dọn dẹp thủ công. Nhưng điều này sẽ hoàn thành công việc.

Như Andre Silva đã nói , MCC-LIDAR là một lựa chọn tốt để trích xuất các điểm cơ bản nhưng theo kinh nghiệm của tôi, nó sẽ gặp khó khăn nếu bạn có một điểm rất lớn (500 triệu điểm hoặc thậm chí ít hơn). Nói cách khác, nó sẽ trả về lỗi và sẽ không chạy thuật toán, ngay cả khi bạn thay đổi cài đặt (tham số tỷ lệ và độ cong). Ngoài ra, từ kinh nghiệm của tôi, nó giữ một số "sai lầm tiêu cực" trong dữ liệu.

Thay thế của tôi cho điều đó là đảo ngược pointcloud (các điểm bên dưới mặt đất sẽ đi lên và mặt đất phía trên sẽ đi xuống). Để có được điều này, tôi tải dữ liệu vào R và đảo chiều cao, sau đó chạy MCC-LIDAR và đảo ngược dữ liệu. Bạn có thể có thể làm điều này trong QGIS hoặc ArcGIS nhưng tùy thuộc vào kích thước của tập dữ liệu của bạn, có thể mất một chút thời gian để làm.

Các công cụ Pdal mặt đất cũng là một lựa chọn tốt vì nó hoạt động tốt hơn với các tập dữ liệu lớn hơn nhưng, một lần nữa, một số trong những điểm rống lên mặt đất vẫn sẽ được giữ. Đảo ngược bộ dữ liệu sẽ một lần nữa giúp giải quyết vấn đề này.

Đối với các điểm trên mặt đất, cách tiếp cận tốt nhất của tôi là làm sạch thủ công và công cụ nguồn mở tốt nhất mà tôi thấy để làm như vậy là trong CloudCompare. Bạn sẽ chọn Segmenttrong menu thanh trên cùng và bạn có thể xóa các điểm đã chọn hoặc tất cả các điểm khác. Tôi đã sử dụng LAStools trước đây ( lasviewcông cụ) cho việc này nhưng cách giao diện 3D hoạt động không thân thiện với người dùng.

Tôi là hỗ trợ kỹ thuật từ GreenValley International, công cụ Loại bỏ ngoại lệ trong phần mềm hàng đầu LiDAR360 của chúng tôi có thể được sử dụng để loại bỏ các lỗi này càng nhiều càng tốt và do đó cải thiện chất lượng dữ liệu.

Thuật toán trước tiên sẽ tìm kiếm các điểm lân cận của mỗi điểm trong vùng lân cận do người dùng xác định và tính khoảng cách trung bình từ điểm đến các điểm lân cận. Sau đó, độ lệch trung bình và độ lệch chuẩn của các khoảng cách trung bình này cho tất cả các điểm được tính toán. Nếu khoảng cách trung bình của một điểm đến các lân cận của nó lớn hơn khoảng cách tối đa (khoảng cách tối đa = trung bình + n * độ lệch chuẩn, trong đó n là một số nhiều do người dùng xác định), nó sẽ được coi là ngoại lệ và bị xóa khỏi bản gốc đám mây điểm.

Là một tùy chọn Nguồn mở, 3D Forest có một số công cụ hay để tự động lọc, cũng như các công cụ thủ công để dọn sạch các đám mây điểm. Bạn có thể phải thử với các tham số bộ lọc khác nhau để có được kết quả bạn cần. Mặc dù nó hướng tới các đám mây điểm rừng, nhiều công cụ hữu ích trong bất kỳ đám mây điểm nào.