python中怎么实现一个Progressive Morphological Filter算法

python中怎么实现一个Progressive Morphological Filter算法，很多新手对此不是很清楚，为了帮助大家解决这个难题，下面小编将为大家详细讲解，有这方面需求的人可以来学习下，希望你能有所收获。

1. 引言

机载LiDAR可以获取快速、低成本地获取大区域的高精度地形测量值。为了获取高精度DTM/DEM需要区分测量点中的地面点（由地面直接返回）及非地面点（建筑、车、植被）。众多学者采用了各种各样的方法来进行"点云地面点滤波"。（此篇博客中也进行了相关介绍，不再骜述）

2. Morphological Filters（形态学滤波）

 2.1 膨胀/腐蚀

膨胀/腐蚀是其中的两个基础操作，通俗的说膨胀/腐蚀可以扩大/减小特征的尺寸，并以此组合为开/闭操作。针对LiDAR测量点p(x, y, z)，高程 z 值在(x, y)处对应的膨胀操作可以定义为：

式中：(xp, yp, zp) 代表p点的相邻点，w为操作窗口(可以为一维“线”也可以为二维“矩形/圆/其他形状等”)。膨胀操作完成后会输出p点在窗口w内具有最大高程值的近邻点。
与之类似的，腐蚀操作为在p点窗口w内找到具有最低高程值的近邻点。可以通过下式进行定义：

了解膨胀/腐蚀这两个基础操作之后，可以通过对其进行简单组合来来形成开/闭操作，其中开操作为先进行腐蚀再进行膨胀操作，而闭操作为先膨胀再进行腐蚀。在LiDAR数据处理中使用了“开”操作，处理效果如下图中所示：

可以从图中得知：“虚线”是先进行“腐蚀”操作所形成的表面，这个表面剔除了“树木”点，但是大型建筑物却变得不完整。“实线”是对“腐蚀”操作结果进行“膨胀”操作所形成的表面，可以看出其又恢复了大型建筑的形状。基于此，我们可以知道，“开操作”具备去除地面上的细小地物，保留大型地物的能力，这种能力对于后续处理是非常重要的。

2.2 形态学滤波

上述的“开操作”只是去除了细小地物，保留了大型地物，并没有去除所有非地面点去除，而且仅仅通过一个“开操作”也不可能实现对复杂地表的提取。因此，怎么利用好“开操作”的能力进行下一步骤的提取是进一步提升的关键。
Kilian等人提出，可以在“开操作”处理后的结果中的每一个“窗口”内找到一个“最低点”，然后此窗口内的其他点若落在“最低点”的一个高程范围内则认为是地面点。这个高程范围通常根据机载LiDAR系统扫描的精度来定义，正常为20-30cm。
此方法中有两个方面对最后的结果好坏非常重要：

滤波窗口的尺寸，如果窗口尺寸设置的比较小，则可以很好的保留地面起伏的细节，但是只能去除像汽车、树木等细小地物，而对建筑物则去除效果较差（屋顶通常被认为是地面）。相反，若窗口尺寸设置的较大，则会过度去除一些“地面点”，例如，一条道路与一条小水沟相邻，若窗口尺寸大于道路的宽度，则道路可能就会被认为是非地面点（因为小水沟中的点高程较低，会被认为是窗口内的最低点，而道路点较高，被判断为非地面点）。此外，一些局部的小山丘、沙丘都极可能被“切除”。

建筑与树木在特定/局部区域的分布。

注：一个最理想的情况是我们可以设置一个“窗口”，这个“窗口”的尺寸可以足够小，能够保留地面细节。同时，还可以足够大，能够去除建筑、汽车、树木等地物。但是，这种理想情况在实际数据集中国并不存在。

为了解决这一问题，Kilian等人继续提出了可以通过改变窗口大小来多次进行滤波。每个点都被赋予一个与窗口大小相关的权重，窗口尺寸越大，点的权重越高。这种方法虽然得到了更好一些的效果，但是没有从"point level"进行区分地面点与非地面点。（"point level"区分的地面点与非地面点之后可以通过插值的方法使得DEM/DTM的生成效果更好。）

3. Progressive Morphological Filters

由上述2.2节中的分析可知，传统的形态学滤波很难通过一个固定大小的窗口去检测出各种尺寸变化的不同地物。这一问题可以通过逐渐改变窗口大小来解决。
如下图中所示，首先使用一个尺寸为l1的窗口来对原始数据进行开操作。由图中的“虚线”可以看出树木等尺寸小于l1的地物被去除，且地形特征中小于l1的部分被“切除”（山丘顶部高程被替换成了l1中的最小值），但是，尺寸大于l1的建筑物被保留了下来。接着，进行下一次迭代，窗口尺寸变为l2，对上一次的处理结果进行开操作处理，结果从“实线”中可以看出，l2大于建筑的尺寸，所以建筑也被去除，但同时山丘顶部被“切除”的范围更大。

需要注意的是： 通过逐渐增加窗口尺寸解决了去除不同大小地物的问题，但是又引入了"山丘"顶部等小于窗口尺寸的地形特征部分被“切除”的问题。

为了解决这一新出现的问题，可以通过引入一个高度差阈值来解决。建筑屋顶和地面点之间的高程差是“突变”（abrupt change），而地面高程是“渐变”（gradual change）。因此，二者之间高程变化中的明显区别可以帮助我们进行区分。假设dhp,1代表原始LiDAR测量值与在任意给定p点处第一次迭代表面之间的高程差，dhT,1代表高程差阈值，则如果dhp,1 ≤ dhT,1点p就被认为是地面点，反之如果dhp,1 > dhT,1就认为点p是一个非地面点。此后，令dhmax(t),1为当前迭代中初始地面点与滤波表面之间差值的最大值，则如果选取的dhT,1 > dhmax(t),1则所有的测量值都会保留。
在第二次迭代中假设上一次滤波表面和本次滤波表面的最大高程差为dhmax(t),2，则如果dhmax(t),2 < dhT,2,则高程差值在dhmax(t),2范围内的地面点都会被保留。类似的，假设在上次迭代和本次迭代之间建筑高程差值最小为dhmin(b),2（通常近似为建筑的高度），如果dhmin(b),2 > dhT,2，则建筑就会被移除。
通常设置dhT,k为研究区域第k次迭代中建筑物的最矮高程值。以dhT,k作为阈值，对于第k次迭代中的任意点p如果dhp,k < dhT,k则将其标记为地面点，反之为非地面点。通过这种方式，不同尺寸的建筑物（树）可以随着迭代窗口尺寸的增加逐步被去除。
综上所述，Progressive Morphological Filters的详细流程如下图所示：

我们可以对上图总结以下四个步骤：

1. 加载不规则点云，划分为规则网格，在每个网格中选取高程最低点（如果网格中没有点则根据最近邻点进行插值），构建最小高程表面。

2. 使用输入的初始滤波窗口尺寸、1）中获取的最小高程表面作为第一次迭代的参数进行第一次迭代。随后，在后续的迭代中，以前一次获取的滤波表面及3）中计算的滤波窗口尺寸作为输入。每次迭代的输出有两部分：a) 形态学滤波后得到的更加光滑的表面；b) 基于不同阈值所检测出来的非地面点。

3. 计算新的滤波窗口尺寸及不同的高程插值阈值。重复步骤2)、步骤3)直到窗口尺寸大于预设的最大窗口。

4. 基于去除非地面测量值的数据进行生成DEM/DTM。

注意：每一次迭代中的“开操作”实际都是作用在步骤1）所划分网格中的点，所以Progressive Morphological
Filters是"point level"来对LiDAR测量值进行滤波处理的。

3.1 参数计算(窗口尺寸/高程差阈值)

在上述步骤3）中我们要变化窗口尺寸 wk和高程差阈值 dhT,k两个参数的值，以进行下一次迭代，那么这两个值是怎么计算的呢？

3.1.1 窗口尺寸

首先是窗口尺寸 wk有两种计算方式，第一种是：

式中，k为迭代次数，b是初始窗口大小（由用户进行输入），最后+1是为了保证 wk为一个奇数，窗口对称。但是，如果一个研究区域具有非常大的地物，这种增加窗口尺寸速度太慢则会耗费较多时间。因此，可以使用第二种方式，通过指数增长来改变窗口大小，计算如下式：

同样的，式中k为迭代次数，b是初始窗口大小（由用户进行输入），这种方式的增长速度较第一种方式快很多。

3.1.2 高程差阈值

高程差阈值与研究区域的地形坡度密不可分，因此可以通过下式进行计算：

式中，dh0为初始高程差阈值，s为坡度，c为格网大小，dhmax为最大高程差阈值。

在城市区域，树木、汽车相对于建筑的尺寸小很多，所以通常是最后滤除建筑，最大高程差阈值dhmax可以设置为一个固定值（如最矮建筑物高度）。而在山区，主要的非地面点为植被，所以并没有必要设置固定的最大高程差阈值dhmax，于是dhmax通常被设置为测区内的最大高程差。

此外，坡度s通过第k次迭代的最大高程差dhmax(t),k，以及窗口尺寸wk进行计算，如下式所示：

3.2 参数输入/输出

3.2.1 参数输入

•  原始LiDAR点云数据，每个点都由(x, y, z)进行表示

• 划分格网大小c 参数b（计算窗口尺寸）

• 最大窗口尺寸（判断是否停止迭代）

• 地形坡度s

• 初始高程差阈值dh0

• 最大高程差值dhmax

3.2.1 参数输出

• 地面点

• 非地面点

 3.3 PCL官方示例代码

#include <iOStream>#include <pcl/io/pcd_io.h>#include <pcl/point_types.h>#include <pcl/filters/extract_indices.h>#include <pcl/segmentation/progressive_morphological_filter.h>intmain (int arGC, char** argv){  pcl::PointCloud<pcl::PointXYZ>::Ptr cloud (new pcl::PointCloud<pcl::PointXYZ>);  pcl::PointCloud<pcl::PointXYZ>::Ptr cloud_filtered (new pcl::PointCloud<pcl::PointXYZ>);  pcl::PointIndicesPtr ground (new pcl::PointIndices);  // Fill in the cloud data  pcl::PCDReader reader;  // Replace the path below with the path where you saved your file  reader.read<pcl::PointXYZ> ("samp11-utm.pcd", *cloud);  std::cerr << "Cloud before filtering: " << std::endl;  std::cerr << *cloud << std::endl;  // Create the filtering object  pcl::ProgressiveMorphologicalFilter<pcl::PointXYZ> pmf;  pmf.setInputCloud (cloud);  pmf.setMaxwindowsize (20);  pmf.setSlope (1.0f);  pmf.setInitialDistance (0.5f);  pmf.setMaxDistance (3.0f);  pmf.extract (ground->indices);  // Create the filtering object  pcl::ExtractIndices<pcl::PointXYZ> extract;  extract.setInputCloud (cloud);  extract.setIndices (ground);  extract.filter (*cloud_filtered);  std::cerr << "Ground cloud after filtering: " << std::endl;  std::cerr << *cloud_filtered << std::endl;  pcl::PCDWriter writer;  writer.write<pcl::PointXYZ> ("samp11-utm_ground.pcd", *cloud_filtered, false);  // Extract non-ground returns  extract.setNegative (true);  extract.filter (*cloud_filtered);  std::cerr << "Object cloud after filtering: " << std::endl;  std::cerr << *cloud_filtered << std::endl;  writer.write<pcl::PointXYZ> ("samp11-utm_object.pcd", *cloud_filtered, false);  return (0);}

看完上述内容是否对您有帮助呢？如果还想对相关知识有进一步的了解或阅读更多相关文章，请关注编程网Python频道，感谢您对编程网的支持。