python中怎么实现一个进步的形态滤波算法,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。
<编辑类="目录">机载激光雷达可以获取快速、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：
1.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”。
2.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. 进步的形态学滤波器
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。
