Lidar360点云分类

这里我们以一个数据为例&＃xff0c;将一些分类的流程进行串起来。

2.1按属性分类

在刚拿到一个数据的时候&＃xff0c;我们首先将这个数据中的类别均置为未分类状态&＃xff0c;这样方便我们后续的操作。如下所示&＃xff1a;

1、首先&＃xff0c;在显示模式中&＃xff0c;将点云设置为“按类别显示”&＃xff0c;“未分类点”为这种白色点&＃xff0c;可以选中“EDL”渲染器增强轮廓感。

2、初始类别可以选中所有类别&＃xff0c;目标类别为这里选择“未分类点”&＃xff0c;属性选择“无”。

如果有其他需求&＃xff0c;可以选择其他属性&＃xff0c;如绝对高程&＃xff0c;它会根据我们设置的高程范围将初始点类置为目标类别

全部的目标类别&＃xff1a;

2.2孤立点分类

由于我这个数据存在许多孤立点&＃xff0c;所以就需要首先把它们分类出来&＃xff0c;具体操作步骤如图所示&＃xff1a;

下面是提取效果&＃xff0c;它的原理有点类似于ROR滤波&＃xff0c;即在一定区域内判断点数是否满足要求&＃xff0c;可能需要多次进行调参才能提取的比较理想&＃xff1a;

2.3地面点分类

Lidar360中提供了两种地面点分类功能&＃xff1a;渐进加密三角网与CSF。前者往往可以较为精确的提取出地面点&＃xff0c;它的使用性也比较强&＃xff0c;适用于一些陡坡&＃xff0c;但它很明显的一个缺点就是在大数据量面前&＃xff0c;如果想要把所有地面点均提取出来&＃xff0c;它的计算量又太大了&＃xff0c;因此很多软件就对其添加一些限制&＃xff08;如边长小于1停止构建三角形&＃xff09;&＃xff0c;所以使用该方法往往我们只能得到一层薄薄的地面点&＃xff0c;但这对于后续的分类以及dem的构建等以足够使用。CSF滤波已经在之前的博客中说过该方法&＃xff08;点云滤波处理(使用CloudCompare软件)&＃xff09;&＃xff0c;这里就不再赘述&＃xff0c;该方法可以尽可能的提取出所有地面点&＃xff0c;效率也很可观&＃xff0c;不过其对地形较为复杂的数据提取效果不甚理想。无论使用哪种方式&＃xff0c;都要保证无“低点”与孤立点的存在&＃xff0c;下面是这两种方式的提取过程&＃xff1a;

渐进加密三角网提取效果&＃xff1a;

csf地面点滤波提取效果&＃xff1a;

2.4建筑物分类

在提取到地面点之后就可以基于地面点来提取建筑物点云&＃xff0c;如下操作&＃xff1a;

提取效果&＃xff1a;

[1]https://www.lidar360.com/wp-content/LiDAR360-zh/ToolReference/Classify/Index.html