Определение голой матрицы высот из несекретного файла LAS?

У меня есть данные в формате LAS со значениями RGB, созданными с помощью аэрофотограмметрии с использованием БПЛА. Я пытаюсь найти решение для извлечения голой ЦМР из облака точек.

Я пробовал SAGA, Fusion, MCC-LIDAR, но кажется, что им нужен файл LAS, который уже классифицирован (чего, естественно, нет). Кто-нибудь может указать мне правильное направление с кратким объяснением процесса?

Как правило, мне нужно обрабатывать около 100 точек за раз (можно при необходимости разбить их на плитки).

Генерация LiDAR DEM из несекретных облаков точек с:

• MCC-LIDAR - алгоритм классификации многомасштабной кривизны (MCC).
  _{( поддерживает версии LAS 1.1 до 1.3 )}

MCC-LIDAR - это инструмент командной строки для обработки данных LIDAR с дискретным возвратом в лесных средах (Evans & Hudak, 2007).

Процедура:

• а) несекретное облако точек.
• б) земля возвращается.
• в) голая ЦМР (растр).

Давайте создадим гипотетическую ситуацию для дальнейшего предоставления примера с кодом.

MCC-LIDAR устанавливается в:

C:\MCC

Неклассифицированное облако точек LiDAR (файл .las) находится в:

C:\lidar\project\unclassified.las  

Выход, который будет представлять собой матрицу высот, находится в:

C:\lidar\project\dem.asc  

В приведенном ниже примере классифицируется возврат по земле с помощью алгоритма MCC и создается голая матрица высот с разрешением 1 метр.

#MCC syntax: 
#command
#-s (spacing for scale domain)
#-t (curvature threshold)
#input_file (unclassified point cloud) 
#output_file (classified point cloud - ground -> class 2 and not ground -> class 1)
#-c (cell size of ground surface)
#output_DEM (raster surface interpolated from ground points)

C:\MCC\bin\mcc-lidar.exe -s 0.5 -t 0.07 C:\lidar\project\unclassified.las C:\lidar\project\classified.las -c 1 C:\lidar\project\dem.asc

Чтобы лучше понять, как работают масштаб (ы) и параметры порога кривизны (t), прочитайте: Как запустить MCC-LiDAR и; Эванс и Худак (2007).

Параметры должны быть откалиброваны, чтобы избежать ошибок при вводе / маркировке (когда точка классифицируется как принадлежащая земле, но фактически она принадлежит растительности или зданиям). Например:

MCC-LIDAR использует метод интерполяции тонких пластин (TPS) для классификации точек заземления и генерации матрицы высот на поверхности земли.

_{Ссылки:}

• _{Эванс, Джеффри С .; Hudak, Andrew T. 2007. Алгоритм кривизны с несколькими масштабами для классификации дискретного возврата LiDAR в лесных средах . IEEE Сделки по геонауке и дистанционному зондированию. 45 (4): 1029-1038.}

_{Для получения дополнительной информации об алгоритмах классификации наземных точек см. Meng et al. (2010):}

• _{Мэн, Х .; Currit, N .; Чжао, К. (2010). Алгоритмы наземной фильтрации данных бортовых LiDAR: обзор критических вопросов . Дистанционное зондирование, 2 (3), 833–860. DOI: 10.3390 / rs2030833}

Я думаю, что LasTools может удовлетворить ваши потребности, см. LASGround . Лицензия немного смешная в зависимости от того, какие инструменты. Инструменты могут быть загружены и оценены до покупки; Также продукт является относительно недорогим.

Мне повезло с командой FUSION (руководство здесь ) GroundFilter. У меня не было проблем с обработкой 40 миллионов баллов (неклассифицировано), поэтому я не ожидал бы проблемы с 100 миллионами.

Это можно сделать с помощью фильтра pdal с использованием алгоритмов простого морфологического фильтра (SMRF) или прогрессивного морфологического фильтра (PMF) .

Быстро

pdal ground --cell_size=5 --extract input.laz out-bare-earth.laz

Создает файл LAS со сжатием без заземления с размером ячейки 5 единиц заземления, используя PMF. ( документы )

Для более подробного объяснения см. Идентификацию возвратов основания с помощью учебника по сегментации ProgressiveMorphologicalFilter .

Более вовлечены, используя SMRF

Пример конвейера, который:

• применяет фильтр SMRF, увеличивает параметр cellразмера до 2,0 (единицы системы координат) и порог 0,75
• выбирает только недавно классифицированные точки заземления ( 2это стандартное значение LAS для земли)
• записывает выделение в несжатый выходной файл LAS (просто измените расширение на .laz для сжатого)

Команда: pdal pipeline "classify-ground-smrf.json"

Файл параметров JSON:

{
    "pipeline": [
        "inputfile.laz",
        {
            "type":"filters.smrf",
            "cell": "2.0",
            "threshold": "0.75"
        },
        {
            "type":"filters.range",
            "limits":"Classification[2:2]"
        },
        "out/smurf_classifed.las"
    ]
}

Извлекать только надземный

В этом примере а) классифицируется как земля / не земля, б) добавляется атрибут «Высота над землей», и в) экспортируются только точки 2.0 (единицы системы координат) над землей.

{
    "pipeline": [
        "input.laz",
        {
            "type": "filters.assign",
            "assignment": "Classification[:]=0"
        },
        {
            "type": "filters.smrf"
        },
        {
            "type": "filters.hag"
        },
        {
            "type": "filters.range",
            "limits": "HeightAboveGround[2:]"
        },
        {
            "filename":"above-ground.laz"
        }
    ]
}

Адаптировано из Брэда Чамберса, https://lists.osgeo.org/pipermail/pdal/2017-July/001367.html