论文部分内容阅读
利用机载激光雷达(Light Detection And Ranging, LiDAR)点云数据生成数字高程模型(Digital Elevation Model, DEM),已成为空间科学领域中表达地面形态的最有效的方法之一。其高精度、高密度的特点使生成的DEM精度远远高于实际DEM工程精度需求。但其庞大的数据量直接影响着DEM的生产速度、数据存储速度和数据交互的难易程度。所以在满足DEM实际工程的精度要求的基础上,对裸露地表LiDAR点云数据进行有效抽稀,得到一个易于处理和操作的裸露地表DEM具有重要的工程实际意义。目前国内外很多学者都对LiDAR点云数据抽稀方法进行了研究,并取得了显著的效果,但如何更好的保留地形特征点仍然是研究中的重点与难点。此外,在尽量保留地形特征点的同时,保证能顾及到整体DEM精度的合理点位分布,是已有研究中忽视的一个问题。针对上述内容,本文主要开展了以下工作：(1)归纳、总结机载LiDAR点云数据滤波技术、粗差剔除方法,分析滤波后裸露地表点云残留粗差问题,并对机载LiDAR原始点云数据进行滤波后的粗差验证实验和粗差剔除实验；(2)归纳、总结国内外现有LiDAR点云数据抽稀算法,分析现有LiDAR点云数据抽稀算法存在的问题；(3)研究地形复杂度的概念以及描述地形的重要算子-坡度,提出坡度熵的概念以及用坡度熵量化局部地形复杂度的方法,最后提出基于坡度熵的LiDAR点云数据抽稀算法;(4)用已有的抽稀算法和基于坡度熵的抽稀算法,对平地、丘陵、山地数据分别实验,得出各个算法抽稀率和DEM精度的关系,通过各个抽稀算法在不同抽稀率下的所生成的DEM的精度进行对比分析评价；(5)用已有的抽稀算法和基于坡度熵的抽稀算法,以某应用比例尺之不同地形类型的DEM规范精度约束进行抽稀实验,验证了基于坡度熵的抽稀算法保留的数据点的位置和空间分布合理,抽稀率最高。研究表明：本文提出的基于坡度熵的抽稀算法不仅能很好地保留局部地形特征,也能很好地保留全局地形特征。在DEM实际工程精度约束下,该抽稀算法优于其它抽稀算法,压缩率更高。