지상과 지하에 존재하는 소음 / 이상 치를 제거하기 위해 LiDAR 점 구름을 편집 하시겠습니까?

첫 번째와 마지막 반환을 포함하는 "더러운"LiDAR 데이터가 있고 표면 수준과 그 아래의 필연적으로 오류가 있습니다. (스크린 샷)

SAGA, QGIS, ESRI 및 FME가 있지만 실제 방법은 없습니다. 이 데이터를 정리하는 좋은 워크 플로우는 무엇입니까? 완전 자동화 된 방법이 있습니까 아니면 어떻게 든 수동으로 삭제합니까?

특이 치가있는 것 같습니다.

• i) 지표면 아래;
• ii) 지표면 위와 지상 위의 다른 지형지 물 중에서 수직으로;
• iii) 위의 모든 관심 대상보다 높이가 높은 지상 지점 (예 : 구름이나 새로 인한 것) (그림에는 표시되어 있지 않지만 사실 일 수도 있음)

'i'의 경우 옵션은 '부정적 실수'를 고려하여 깨끗한 LiDAR 접지점 클라우드를 얻을 수있는 접지 필터 알고리즘을 사용하는 것입니다. Evans and Hudak (2007)의 MCC (Multiscale Curvature Classification) 알고리즘을 참조하십시오. 4 페이지에 나와 있습니다.

음의 흠집은 LiDAR 데이터에서 일반적으로 발생하며, 이는 반환 된 레이저 펄스에서 광자의 산란에 의해 발생할 수 있습니다. 산란은 방출 된 레이저 펄스가 항공기 센서로 돌아 오는 시간을 연장하여 이동 거리 계산을 팽창시켜 표면 높이가 주변 측정 값보다 낮은 것으로 잘못 기록되는 측정 오류를 유발합니다. 곡률 분류 접근법은 음의 실수에 대한 유효 수익을 잠재적으로 제거 할 수 있으며, 이는 음의 실수 주변의 가장자리 아티팩트를 확장하여 뚜렷한 "폭탄 분화구"효과를 생성 할 수 있습니다. 음수 오류를 해결하기 위해 Haugerud와 Harding은 곡률 공차 매개 변수를 보간 셀 크기의 4 배로 설정하고이 음의 곡률 임계 값을 초과하는 수익을 선택하도록 제안했습니다. 그러나 특정 상황에서 음의 실수로 보이는 반품은 실제로 유효한 반품 (예 : 싱크 홀) 일 수 있습니다. 따라서, 잠재적 네거티브 블로 더를 제거하기위한 전술 한 제안은 필요한 경우 사용자의 판단에 따라 선택적인 마지막 모델 루프로서 구현 될 수있다.

아래에는 MCC-LIDAR 사용에 대한 예가있는 게시물이 있습니다.

• 분류되지 않은 LAS 파일에서 베어 어스 DEM을 결정합니까?

정확한 DEM을 만들기 위해 정확한 LiDAR 그라운드 포인트 클라우드가 있으면 포인트 클라우드를 정규화 하고 DEM 표면 아래에있는 포인트 (음수 값이있는 포인트)를 제외 할 수 있습니다. 동일한 접근 방식을 사용하여 일부 고정 임계 값을 초과하는 포인트를 제거하는 포인트 번호 'iii'을 처리 할 수도 있습니다. 예를 들어 :

• ArcGIS for Desktop을 사용하여 * .lasd에서 이상 점을 삭제 하시겠습니까?

그런 다음 Liitools에서 추천 하는 AlecZ의 답변으로 해결되는 'ii' lasnoise를 남겨 둡니다. 또한 'iii'및 아마도 'i'의 일부도 처리합니다 (LAStools에는 라이센스가 필요함). 특이점을 확인 / 제거하기 위해 특별히 작성된 다른 도구가 여기에 인용되었습니다. Charlie Parr의 답변에 있는 PDAL의 filters.outlier도구 는 도구의 작동 방식에 대한 자세한 설명이 있으며 PDAL은 무료 소프트웨어라는 이점이 있습니다.

그런 다음 자동화 프로세스에서 남은 항목 (이상 치가있는 경우)을 수동으로 제거 할 수 있습니다. 예를 들면 다음과 같습니다.

• (LAStools; ArcGIS Pro) 분류 알고리즘이 누락 된 LiDAR 포인트를 청소합니까?
• (QT Modeler)-> auslander 's answer ).

_{에반스, 제프리 에스; Hudak, Andrew T. 2007. 삼림 환경에서 이산 리턴 LiDAR을 분류하기위한 멀티 스케일 곡률 알고리즘 . 지구 과학 및 원격 감지에 대한 IEEE 트랜잭션. 45 (4) : 1029-1038.}

PDAL 에 포인트 데이터 요약 라이브러리를 추천 합니다. 비슷한 필터링 문제로 PDAL을 사용하여 성공했습니다. PDAL은 오픈 소스이기 때문에 Python 지원을 제공하며 처리를 재현하고 필터링 매개 변수를 쉽게 추적 할 수 있도록하기 때문에 PDAL을 좋아합니다. 또한 여러 단계를 함께 연결하고 (예 : 자르기 후 필터링 한 후 내보내는) '파이프 라인'이있어 한 번에 실행할 수 있기 때문에 마음에 듭니다. 실제로 큰 포인트 클라우드가있는 경우 PDAL은 다른 솔루션 (LASTools, QTM 등)만큼 빠르지 않을 수 있습니다.

다음과 유사한 PDAL 파이프 라인을 사용하여 외부 지점 문제를 해결할 수 있습니다.

{
"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"
    }
    ]
}

이 파이프 라인은 LAS를 읽고 지정된 UTM 범위로 자르고 모든 외부 지점에 플래그를 지정하는 필터를 수행 한 다음 외부 외부 지점 만 유지하는 두 번째 필터를 수행합니다 (예 : 분류 플래그! = 7). 1m 해상도 GeoTIFF. 통계 필터는 가장 가까운 인접 평균 거리 계산을 수행하여 점이 이웃과 너무 멀리 떨어져 있는지 여부와 이상 치를 테스트합니다.

로부터 문서 :

OP가 솔루션을 오픈 소스로 제한하지 않았으므로 Quick Terrain Modeler ( QT Modeler )를 제안 합니다. 라이센스가 필요합니다. QT에 포인트 클라우드를로드하면 기본적으로 원하는 프로파일 뷰를 얻고, 제거하려는 클러스터를 고무 밴드로 묶고 삭제를 누르십시오.

보간 된 래스터에서 단순히 초점 분산을 사용하는 것이 행운이었습니다. 그런 다음 분산 값을 포인트에 할당하고 임계 값을 사용하여 로컬 커널 추정치에서 크게 벗어난 것을 나타내는 로컬로 높은 분산을 제거합니다.

보간 표면의 해상도가 점 수준에서 국소 적 변화를 포착 할 수있을 정도로 작은 입자인지 확인해야합니다. 커널의 크기도 영향을 미치지 만 단일 특이 치의 경우 3x3 창이 충분합니다. 몇 가지 추가 포인트를 듣고들을 수 있지만 lidar를 사용하면 여분의 데이터가 충분합니다.

Lastools는 필요한 것을 정확하게 제공합니다. 자동 스크립트는 이러한 모든 사항을 제거합니다. 라이센스 비용이 있지만, 이것이 프로세스 인 경우 정기적 인 작업으로 신속하게 수행하려는 경우 툴셋에서 lasnoise 스크립트 를 사용하는 것이 가장 좋습니다.

@Andre Silva가 언급했듯이 ArcGIS에는 las 툴셋이 있으며,이 툴셋은 Create LAS Dataset 지오 프로세싱 툴을 실행 한 후에 사용할 수 있습니다. 여기에서 이러한 노이즈 포인트를 다시 분류하거나 삭제하기 위해 수동으로 들어갈 수 있습니다. 단점은 QT Modeler (@auslander가 제안한 것)만큼 직관적이거나 효과적이지 않은 프로세스인데, 아마도 las 파일을 수동으로 시각화 / 분석 / 조작하기위한 최상의 프로그램이며 라이센스 비용도 있습니다. ArcMap은 포인트 클라우드를 편집 할 때 표시되는 포인트 수를 제한합니다. 즉, 노이즈가있는 영역을 확대하고 제거 또는 재 분류 한 다음 수동 정리 프로세스의 일부로 이동해야합니다. 그러나 이것은 일을 끝낼 것입니다.

으로 안드레 실바가 말했다 , MCC-LIDAR는 접지 포인트를 추출 할 수있는 좋은 옵션입니다하지만 당신은 (더 적은 5 억 점 이상) 매우 큰 점 구름이있는 경우 내 경험에서, 그것은 투쟁 할 것이다. 즉, 설정 (스케일 및 곡률 매개 변수)을 변경하더라도 오류를 반환하고 알고리즘을 실행하지 않습니다. 또한 내 경험에 따르면 데이터의 일부 "음성 실수"를 유지합니다.

이에 대한 나의 대안은 포인트 클라우드를 뒤집는 것입니다 (지점 아래가 위로 올라가고 지반이 내려갑니다). 이것을 얻으려면 데이터를 R에로드하고 높이를 뒤집은 다음 MCC-LIDAR를 실행하고 데이터를 다시 반전시킵니다. QGIS 또는 ArcGIS에서이 작업을 수행 할 수 있지만 데이터 세트의 크기에 따라 시간이 오래 걸릴 수 있습니다.

PDAL 툴 그라운드 는 더 큰 데이터 세트에서 더 잘 작동하기 때문에 좋은 옵션이지만, 아래의 포인트 중 일부는 여전히 유지됩니다. 데이터 세트를 뒤집 으면이 문제를 해결하는 데 도움이됩니다.

위의 요점에 대한 최선의 접근 방식은 수동 청소이며 내가 찾은 최고의 오픈 소스 도구는 CloudCompare 내에 있습니다. Segment상단 바 메뉴에서 선택 하면 선택한 점을 제거하거나 다른 점을 모두 제거 할 수 있습니다. 나는 이것을 위해 ( lasview도구) 전에 LAStools를 사용 했지만 3D 인터페이스가 작동하는 방식은 사용자 친화적이지 않습니다.

저는 주력 소프트웨어 인 LiDAR360 의 이상치 제거 도구 인 GreenValley International의 기술 지원을 통해 이러한 오류를 최대한 제거하여 데이터 품질을 향상시킬 수 있습니다.

알고리즘은 먼저 사용자 정의 이웃 내에서 각 점의 인접 점을 검색하고 해당 점에서 인접 점까지의 평균 거리를 계산합니다. 그런 다음 모든 점에 대한 이러한 평균 거리의 평균 및 표준 편차가 계산됩니다. 인접 지점까지의 점의 평균 거리가 최대 거리보다 큰 경우 (최대 거리 = 평균 + n * 표준 편차, 여기서 n은 사용자 정의 배수 임) 이상치로 간주되어 원래에서 제거됩니다. 포인트 클라우드.

오픈 소스 옵션 인 3D Forest 에는 자동으로 필터링 할 수있는 유용한 도구와 점 구름을 청소하는 수동 도구가 있습니다. 필요한 결과를 얻으려면 다른 필터 매개 변수를 사용해야 할 수도 있습니다. 포레스트 포인트 클라우드를 중심으로하지만 많은 툴이 포인트 클라우드에 유용합니다.