论文部分内容阅读
摘要 基于地面激光雷达扫描时配置的高分辨率相机所获取的影像数据，变换影像数据的颜色空间之后分别在色相通道和饱和度通道中根据阈值检测出绿色植被的分布区域，通过融合两个通道的阈值检测结果提高检测准确度，通过对检测区域进行腐蚀和膨胀运算消除检测区域中的数据噪点，最终通过二维检测区域和三维点云数据的配准实现滤除绿色植被所对应的点云数据。利用地面激光雷达实际测量的点云数据和影像数据开展试验，获得了较好的试验结果，表明方法有效可行。
关键词 地面激光雷达；点云；绿色植被；滤除
中图分类号 S126；TN958.98 文献标识码 A 文章编号 0517-6611（2014）16-05309-04
地面激光雷达具有使用方便、测量速度快、采集数据量大的特点，在近距离测量时可以达到非常高的精度，能够获取包含有扫描目标精细三维结构信息的点云数据。经过多年的发展，地面激光雷达技术日臻成熟，在许多领域都得到了广泛的应用，如地质学与地质分析[1-2]、城市规划[3]、林业与植被分析[4-5]等。由于地面激光雷达获取的信息中包含有精确细致的目标结构信息，常被用来重建目标结构进行规划设计[3]，或者分析目标的结构特点及变化[1-2]。地面激光雷达设备在采集目标数据时经常和高分辨率相机结合使用，以便能够在扫描目标形体结构的同时获取目标的纹理信息，实现对点云的着色。除此之外，地面激光雷达数据也可以和目标的其他光谱数据源进行融合开展相关研究工作[5]。地面激光雷达所获取的扫描点数据的疏密程度受到扫描时地面激光雷达和目标的位置关系和目标自身形体结构等因素的影响。
在野外扫描过程中，遇到扫描目标被树木遮挡或者被植被覆盖时，单次扫描经常无法避免绿植对目标数据采集的影响；在条件允许的情况下，可以通过在多个位置对目标进行多角度扫描，并对多次扫描结果进行拼接来获取目标较为完整的扫描结果。但不管是单次扫描，还是多次扫描，目标附近的绿色植物不但给目标点云数据的完整获取造成影响，还由于其自身被地面激光雷达扫描形成点云数据从而给目标数据的后续处理带来干扰。在大范围、近距离、高分辨率的模式下，地面激光雷达获取的点云数据量非常大，因此从扫描获取的点云数据中滤除绿色植被可以大大减少后期的数据处理工作量，提高点云数据的处理效率。
为了能够减少采集获得的点云数据中绿色植被的影响，笔者提出一种基于高分辨率影像数据的方法滤除点云数据中的绿植数据。高分辨率影像数据由地面激光雷达工作时配置的相机同步采集获得，在后期处理时可以通过将影像数据与点云数据配准，使得点云数据具有颜色信息，从而能够描述目标的纹理特征。首先对点云数据和影像数据的特点进行分析；之后提出方法将影像数据进行颜色空间变换，即从普通的RGB影像转换为HLS影像；然后根据色调和饱和度对影像中的绿色植被覆盖区域进行提取，并对提取区域进行二值图像的腐蚀运算和膨胀运算以消除噪点，然后依据提取结果对配准后的点云数据进行滤除处理；最后，采用地面激光雷达实测数据验证了方法的可行性和有效性，并给出相应的结论。
1 数据特点
1.1 点云数据特点 地面激光雷达设备通过向目标发射激光束测量回波时间，并参照扫描空间几何关系进行解算，可以获取激光束在目标上每个扫描点的位置信息，即点云数据。根据地面激光雷达在扫描时的设置，如垂直扫描步进角度、水平扫描步进角度、扫描距离等参数的大小，以及扫描目标的形体结构，可以获得稀疏变化有规律的目标的点云数据[6]。点云的疏密程度可以通过调节地面激光雷达扫描时的参数来进行控制，从而获得点间距高达厘米级甚至毫米级的高精度点云数据。地面激光雷达扫描直接获取的点云数据中包含目标上许多点的三维空间信息，因此能够描绘目标的三维结构。
1.2 影像数据特点 除了单纯地对目标进行建模和形体结构上的分析，许多领域还需要同时了解目标的颜色信息以便对目标能够进行更为全面的分析。与高分辨率数码相机一同使用，地面激光雷达可以获取目标的影像数据，从而为后期的目标模型提供丰富的影像信息。
当地面激光雷达可以在工作时通过在水平向旋转实现较大的水平视场角。而高分辨率数码相机需要通过拍摄多张目标影像才能拼接成与点云数据匹配的影像数据。许多地面激光雷达厂家提供专用软件可以完成影像数据与点云数据的配准，从而实现对点云的着色。虽然影像数据易于受到拍摄环境和相机设置的影响，但仍可以提供大量的扫描目标的纹理信息。
2 方法
2.1 方法概述 该研究的方法基于地面激光雷达在扫描时同步获取的影像数据进行分析，通过颜色空间转换方法将影像空间转换为HLS空间。在HLS空间中的H通道和S通道分别提取绿植区域，将两个通道得到的提取结果进行融合后再进行二值图像的腐蚀运算和膨胀运算，得到最终的绿色植被提取区域。通过已经标示绿色植被区域的影像和扫描点云配准生成带纹理的点云数据，然后滤除点云数据中的绿色植被点云。方法流程图如图1所示。
2.2 影像数据颜色空间转换 因为植被颜色基本为绿色，所以希望通过对识别绿色信息找到植被所对应的点云数据并进行滤除。地面激光雷达扫描时配备的高分辨率相机一般拍摄的图像数据格式是JPG格式的RGB图像。RGB颜色空间是目前应用非常广泛的颜色系统之一。在RGB颜色空间中，每个像素点的颜色信息都有红色、绿色和蓝色3个分
图1 方法流程量。RGB颜色空间可以用图2（a）所示的彩色立方体表示，每个像素的颜色由其在3个颜色分量的取值大小决定。
但是直接从RGB的3个分量通道中判断绿色不是很容易，因此考虑将RGB颜色空间转换到HLS颜色空间。HLS颜色空间中，H代表色相（Hue），L代表亮度（Lightness），S代表饱和度（Saturation）。HLS颜色空间可以用图2（b）所示的圆柱体表示。显然在HLS颜色空间中，亮度反映了颜色的明 在上述公式中，假设RGB的3个通道取值都是从0到1之间的实数，而max为其中最大值者，min为其中最小值者。而H是从0到360°的色相角，而S和L取值都位于0到1的区间。
2.3 绿色植被区域提取 在同一地区同一时间段内获取的扫描数据中，绿色植被的颜色差异较小，因此可以通过交互的方式选定H通道和S通道中的颜色阈值区间。通过在H通道和S通道中的阈值处理，可以分别获得影像中绿色植被覆盖的主体区域。对于两个通道中分别获得的结果进行区域融合，可以获得较为可靠的绿色植被覆盖区域。由于影像的质量受到外界环境的影响，因此可能存在颜色上的偏差，从而导致区域提取时在非绿色植被区域出现噪点和在绿色植被区域出现孔洞。
对于非绿色植被区域出现的噪点，可以采用二值图像的腐蚀运算进行消除。假设初步提取的区域为A，腐蚀运算所采用的结构元素为B，则可以将A被B腐蚀记为AΘB，并定义如下[8]：
对于绿色植被区域出现的孔洞，可以采用二值图像的膨胀运算进行填补。假设初步提取的区域为A，膨胀运算所采用的结构元素为B，则可以将A被B腐蚀记为AB，并定义如下[8]：
经过上述的区域融合、二值图像的腐蚀和膨胀，大大减少了提取区域中孔洞和噪点，最终提取出绿色植被区域的主体。
2.4 过滤点云数据 根据提取的绿色植被区域，可以将原始二维影像中的绿色植被区域改用特定的颜色信息标识（如影像中未曾出现的颜色）。通过地面激光雷达的自带软件，修改后的影像数据可与扫描点云数据配准生成带纹理的点云数据。因此，可以根据所标识的颜色信息对点云数据检索，检索到标识信息就将该点数据作为绿色植被点云数据删除，从而实现对绿色植被点云数据的剔除。
3 试验分析
3.1 试验数据 采用地面激光雷达野外扫描实测数据进行分析。由高分辨率相机拍摄的扫描区域对应的二维图像数据显示如图3（a）所示，带纹理的点云数据显示如图3（b）所示。从图3（a）可以看出，岩石附近生长的绿色植被遮挡了一部分岩石，对处理岩石的点云数据和对扫描数据进一步加工和分析造成了影响。
3.2 绿色植被区域提取结果 采用该研究所提出的方法对数据进行处理和分析。首先将影像数据由RGB颜色空间转换为HLS颜色空间。其次在H和S两个分量通道中进行阈值限定。根据分析，选用H通道的阈值在以绿色相角120°为中心的[85，155]范围内，而S通道的阈值限定在[0.35，1]。不难注意到，在H通道和S通道中所识别的绿色植被区域中，在影像下部的平坦部分有大量的噪点，但这部分从影像可以知道是没有绿色植被存在的。所以在对两个通道识别结果融合的基础上，可以通过形态学的开运算和闭运算处理滤除大量的噪点，从而得到最终的图4（c）所示绿色植被区域识别结果。经过处理的最终的的绿色植被区域识别模板已经基本包含了绿色植被的主要区域，并且在平坦地区滤除了大量噪点的影响。
3.3 绿色植被点云滤除结果 根据所识别出来的绿色植被对应区域，将该区域在影像中用黄色突出显示出来，如图5（a）所示。同时，将突出显示后的影像和点云数据进行配准，并将带颜色信息的点云数据显示在图5（b）中。显然，该研究提出的方法所提取的区域基本已经包含了绿色植被所对应的区域。但需要强调的是，由于扫描时地面激光雷达存在的穿透特性以及高分辨率数据相机在远处的曝光特性，会造成一些位于远处边界的绿色植被所对应的点云数据的颜色信息为白色，如图3（b）所示。因此，在最后滤除绿色植被信息的时候，可以通过同时滤除黄色和白色的方法来达到最终的滤波效果，如图5（c）所示。
4 结论
基于地面激光雷达扫描工作时获取的影像数据进行分析和处理，最终实现点云数据中绿色植被点云数据的滤除。该研究提出的方法首先将影像数据从RGB颜色空间变换到HLS颜色空间，然后根据影像中各点的色调和饱和度信息提取影像中绿色植被分布的区域，再将提取出绿色植被区域的二维影像和三维点云数据匹配，同时滤除绿色植被对应的点云数据。该研究提出的方法采用地面激光雷达数据进行了试验，方法切实可行，获得了较好的试验结果。但是，由于二维影像数据和三维点云数据匹配的过程中会存在插值运算，会造成后期的绿色植被点云滤除不够彻底的问题，这一问题会在后续试验中继续开展研究工作。
参考文献
[1] BCUKLEY S J，HOWELL J A，ENGE H D，et al.Terrestrial laser scanning in geology：Data acquisition，processing and accuracy considerations[J].Journal of the Geological Society，2008，165：625-638.
[2] ABELLN A，VILAPLANA J M，MARTNEZ J.Application of a long-range terrestrial laser scanner to a detailed rockfall study at Vall de N′ uria（Eastern Pyrenees，Spain）[J].Eng Geol，2006，88（3/4）：136-148.
[3] DOLD C，BRENNER C.Registration of terrestrial laser scanning data using planar patches and image data[J].International Archives of Photogrammetry，Remote Sensing and Spatial Information Sciences，2006，36（5）：78-83.
[4] LOVELL J L，JUPP D L B，NEWNHAM G J，et al.Measuring tree stem diameters using intensity profiles from ground-based scanning lidar from a fixed viewpoint[J].ISPRS Journal of Photogrammetry and Remote Sensing，2011，66（1）：46-55.
[5] BORK E W，SU J G.Integrating LIDAR data and multispectral imagery for enhanced classification of rangeland vegetation：A meta analysis[J].Remote Sens Environ，2007，111（1）：11-24.
[6] 汪沛.地面激光雷达扫描垂直立面的强度数据模拟[J].激光与光电子学进展，2012（8）：70-75.
[7] HSL and HSV[EB/OL].http：//en.wikipedia.org/wiki/HLS_color_space.
[8] RAFAEL C，GONZALEZ R C，WOODS R E.数字图像处理（MATLAB版）[M].阮秋琦，等，译.2版.北京：电子工业出版社，2008：255-259.
关键词 地面激光雷达；点云；绿色植被；滤除
中图分类号 S126；TN958.98 文献标识码 A 文章编号 0517-6611（2014）16-05309-04
地面激光雷达具有使用方便、测量速度快、采集数据量大的特点，在近距离测量时可以达到非常高的精度，能够获取包含有扫描目标精细三维结构信息的点云数据。经过多年的发展，地面激光雷达技术日臻成熟，在许多领域都得到了广泛的应用，如地质学与地质分析[1-2]、城市规划[3]、林业与植被分析[4-5]等。由于地面激光雷达获取的信息中包含有精确细致的目标结构信息，常被用来重建目标结构进行规划设计[3]，或者分析目标的结构特点及变化[1-2]。地面激光雷达设备在采集目标数据时经常和高分辨率相机结合使用，以便能够在扫描目标形体结构的同时获取目标的纹理信息，实现对点云的着色。除此之外，地面激光雷达数据也可以和目标的其他光谱数据源进行融合开展相关研究工作[5]。地面激光雷达所获取的扫描点数据的疏密程度受到扫描时地面激光雷达和目标的位置关系和目标自身形体结构等因素的影响。
在野外扫描过程中，遇到扫描目标被树木遮挡或者被植被覆盖时，单次扫描经常无法避免绿植对目标数据采集的影响；在条件允许的情况下，可以通过在多个位置对目标进行多角度扫描，并对多次扫描结果进行拼接来获取目标较为完整的扫描结果。但不管是单次扫描，还是多次扫描，目标附近的绿色植物不但给目标点云数据的完整获取造成影响，还由于其自身被地面激光雷达扫描形成点云数据从而给目标数据的后续处理带来干扰。在大范围、近距离、高分辨率的模式下，地面激光雷达获取的点云数据量非常大，因此从扫描获取的点云数据中滤除绿色植被可以大大减少后期的数据处理工作量，提高点云数据的处理效率。
为了能够减少采集获得的点云数据中绿色植被的影响，笔者提出一种基于高分辨率影像数据的方法滤除点云数据中的绿植数据。高分辨率影像数据由地面激光雷达工作时配置的相机同步采集获得，在后期处理时可以通过将影像数据与点云数据配准，使得点云数据具有颜色信息，从而能够描述目标的纹理特征。首先对点云数据和影像数据的特点进行分析；之后提出方法将影像数据进行颜色空间变换，即从普通的RGB影像转换为HLS影像；然后根据色调和饱和度对影像中的绿色植被覆盖区域进行提取，并对提取区域进行二值图像的腐蚀运算和膨胀运算以消除噪点，然后依据提取结果对配准后的点云数据进行滤除处理；最后，采用地面激光雷达实测数据验证了方法的可行性和有效性，并给出相应的结论。
1 数据特点
1.1 点云数据特点 地面激光雷达设备通过向目标发射激光束测量回波时间，并参照扫描空间几何关系进行解算，可以获取激光束在目标上每个扫描点的位置信息，即点云数据。根据地面激光雷达在扫描时的设置，如垂直扫描步进角度、水平扫描步进角度、扫描距离等参数的大小，以及扫描目标的形体结构，可以获得稀疏变化有规律的目标的点云数据[6]。点云的疏密程度可以通过调节地面激光雷达扫描时的参数来进行控制，从而获得点间距高达厘米级甚至毫米级的高精度点云数据。地面激光雷达扫描直接获取的点云数据中包含目标上许多点的三维空间信息，因此能够描绘目标的三维结构。
1.2 影像数据特点 除了单纯地对目标进行建模和形体结构上的分析，许多领域还需要同时了解目标的颜色信息以便对目标能够进行更为全面的分析。与高分辨率数码相机一同使用，地面激光雷达可以获取目标的影像数据，从而为后期的目标模型提供丰富的影像信息。
当地面激光雷达可以在工作时通过在水平向旋转实现较大的水平视场角。而高分辨率数码相机需要通过拍摄多张目标影像才能拼接成与点云数据匹配的影像数据。许多地面激光雷达厂家提供专用软件可以完成影像数据与点云数据的配准，从而实现对点云的着色。虽然影像数据易于受到拍摄环境和相机设置的影响，但仍可以提供大量的扫描目标的纹理信息。
2 方法
2.1 方法概述 该研究的方法基于地面激光雷达在扫描时同步获取的影像数据进行分析，通过颜色空间转换方法将影像空间转换为HLS空间。在HLS空间中的H通道和S通道分别提取绿植区域，将两个通道得到的提取结果进行融合后再进行二值图像的腐蚀运算和膨胀运算，得到最终的绿色植被提取区域。通过已经标示绿色植被区域的影像和扫描点云配准生成带纹理的点云数据，然后滤除点云数据中的绿色植被点云。方法流程图如图1所示。
2.2 影像数据颜色空间转换 因为植被颜色基本为绿色，所以希望通过对识别绿色信息找到植被所对应的点云数据并进行滤除。地面激光雷达扫描时配备的高分辨率相机一般拍摄的图像数据格式是JPG格式的RGB图像。RGB颜色空间是目前应用非常广泛的颜色系统之一。在RGB颜色空间中，每个像素点的颜色信息都有红色、绿色和蓝色3个分
图1 方法流程量。RGB颜色空间可以用图2（a）所示的彩色立方体表示，每个像素的颜色由其在3个颜色分量的取值大小决定。
但是直接从RGB的3个分量通道中判断绿色不是很容易，因此考虑将RGB颜色空间转换到HLS颜色空间。HLS颜色空间中，H代表色相（Hue），L代表亮度（Lightness），S代表饱和度（Saturation）。HLS颜色空间可以用图2（b）所示的圆柱体表示。显然在HLS颜色空间中，亮度反映了颜色的明 在上述公式中，假设RGB的3个通道取值都是从0到1之间的实数，而max为其中最大值者，min为其中最小值者。而H是从0到360°的色相角，而S和L取值都位于0到1的区间。
2.3 绿色植被区域提取 在同一地区同一时间段内获取的扫描数据中，绿色植被的颜色差异较小，因此可以通过交互的方式选定H通道和S通道中的颜色阈值区间。通过在H通道和S通道中的阈值处理，可以分别获得影像中绿色植被覆盖的主体区域。对于两个通道中分别获得的结果进行区域融合，可以获得较为可靠的绿色植被覆盖区域。由于影像的质量受到外界环境的影响，因此可能存在颜色上的偏差，从而导致区域提取时在非绿色植被区域出现噪点和在绿色植被区域出现孔洞。
对于非绿色植被区域出现的噪点，可以采用二值图像的腐蚀运算进行消除。假设初步提取的区域为A，腐蚀运算所采用的结构元素为B，则可以将A被B腐蚀记为AΘB，并定义如下[8]：
对于绿色植被区域出现的孔洞，可以采用二值图像的膨胀运算进行填补。假设初步提取的区域为A，膨胀运算所采用的结构元素为B，则可以将A被B腐蚀记为AB，并定义如下[8]：
经过上述的区域融合、二值图像的腐蚀和膨胀，大大减少了提取区域中孔洞和噪点，最终提取出绿色植被区域的主体。
2.4 过滤点云数据 根据提取的绿色植被区域，可以将原始二维影像中的绿色植被区域改用特定的颜色信息标识（如影像中未曾出现的颜色）。通过地面激光雷达的自带软件，修改后的影像数据可与扫描点云数据配准生成带纹理的点云数据。因此，可以根据所标识的颜色信息对点云数据检索，检索到标识信息就将该点数据作为绿色植被点云数据删除，从而实现对绿色植被点云数据的剔除。
3 试验分析
3.1 试验数据 采用地面激光雷达野外扫描实测数据进行分析。由高分辨率相机拍摄的扫描区域对应的二维图像数据显示如图3（a）所示，带纹理的点云数据显示如图3（b）所示。从图3（a）可以看出，岩石附近生长的绿色植被遮挡了一部分岩石，对处理岩石的点云数据和对扫描数据进一步加工和分析造成了影响。
3.2 绿色植被区域提取结果 采用该研究所提出的方法对数据进行处理和分析。首先将影像数据由RGB颜色空间转换为HLS颜色空间。其次在H和S两个分量通道中进行阈值限定。根据分析，选用H通道的阈值在以绿色相角120°为中心的[85，155]范围内，而S通道的阈值限定在[0.35，1]。不难注意到，在H通道和S通道中所识别的绿色植被区域中，在影像下部的平坦部分有大量的噪点，但这部分从影像可以知道是没有绿色植被存在的。所以在对两个通道识别结果融合的基础上，可以通过形态学的开运算和闭运算处理滤除大量的噪点，从而得到最终的图4（c）所示绿色植被区域识别结果。经过处理的最终的的绿色植被区域识别模板已经基本包含了绿色植被的主要区域，并且在平坦地区滤除了大量噪点的影响。
3.3 绿色植被点云滤除结果 根据所识别出来的绿色植被对应区域，将该区域在影像中用黄色突出显示出来，如图5（a）所示。同时，将突出显示后的影像和点云数据进行配准，并将带颜色信息的点云数据显示在图5（b）中。显然，该研究提出的方法所提取的区域基本已经包含了绿色植被所对应的区域。但需要强调的是，由于扫描时地面激光雷达存在的穿透特性以及高分辨率数据相机在远处的曝光特性，会造成一些位于远处边界的绿色植被所对应的点云数据的颜色信息为白色，如图3（b）所示。因此，在最后滤除绿色植被信息的时候，可以通过同时滤除黄色和白色的方法来达到最终的滤波效果，如图5（c）所示。
4 结论
基于地面激光雷达扫描工作时获取的影像数据进行分析和处理，最终实现点云数据中绿色植被点云数据的滤除。该研究提出的方法首先将影像数据从RGB颜色空间变换到HLS颜色空间，然后根据影像中各点的色调和饱和度信息提取影像中绿色植被分布的区域，再将提取出绿色植被区域的二维影像和三维点云数据匹配，同时滤除绿色植被对应的点云数据。该研究提出的方法采用地面激光雷达数据进行了试验，方法切实可行，获得了较好的试验结果。但是，由于二维影像数据和三维点云数据匹配的过程中会存在插值运算，会造成后期的绿色植被点云滤除不够彻底的问题，这一问题会在后续试验中继续开展研究工作。
参考文献
[1] BCUKLEY S J，HOWELL J A，ENGE H D，et al.Terrestrial laser scanning in geology：Data acquisition，processing and accuracy considerations[J].Journal of the Geological Society，2008，165：625-638.
[2] ABELLN A，VILAPLANA J M，MARTNEZ J.Application of a long-range terrestrial laser scanner to a detailed rockfall study at Vall de N′ uria（Eastern Pyrenees，Spain）[J].Eng Geol，2006，88（3/4）：136-148.
[3] DOLD C，BRENNER C.Registration of terrestrial laser scanning data using planar patches and image data[J].International Archives of Photogrammetry，Remote Sensing and Spatial Information Sciences，2006，36（5）：78-83.
[4] LOVELL J L，JUPP D L B，NEWNHAM G J，et al.Measuring tree stem diameters using intensity profiles from ground-based scanning lidar from a fixed viewpoint[J].ISPRS Journal of Photogrammetry and Remote Sensing，2011，66（1）：46-55.
[5] BORK E W，SU J G.Integrating LIDAR data and multispectral imagery for enhanced classification of rangeland vegetation：A meta analysis[J].Remote Sens Environ，2007，111（1）：11-24.
[6] 汪沛.地面激光雷达扫描垂直立面的强度数据模拟[J].激光与光电子学进展，2012（8）：70-75.
[7] HSL and HSV[EB/OL].http：//en.wikipedia.org/wiki/HLS_color_space.
[8] RAFAEL C，GONZALEZ R C，WOODS R E.数字图像处理（MATLAB版）[M].阮秋琦，等，译.2版.北京：电子工业出版社，2008：255-259.