¿Determinando el DEM de tierra desnuda a partir de un archivo LAS sin clasificar?

10

Tengo datos en formato LAS con valores RGB creados a partir de fotogrametría aérea utilizando un UAV. Estoy tratando de encontrar una solución para extraer el DEM de tierra desnuda de la nube de puntos.

He intentado SAGA, Fusion, MCC-LIDAR, pero parece que necesitan que el archivo LAS ya esté clasificado (que naturalmente no lo es). ¿Alguien puede señalarme en la dirección correcta con una breve explicación del proceso?

En general, necesitaría procesar alrededor de 100 puntos de molino a la vez (puede colocarlos en mosaico si es necesario).

user32307
fuente
MCC o Fusion no requieren que sus puntos sean clasificados. Sin embargo, el código del programa MCC llena el campo de clasificación. ¿Qué te llevó a creer que este es el caso? Podría tener un problema de versión con su archivo LAS que sería bueno identificar ahora.
Jeffrey Evans

Respuestas:

16

Generando DEM LiDAR a partir de nubes de puntos sin clasificar con:

MCC-LIDAR es una herramienta de línea de comandos para procesar datos LIDAR de retorno discreto en entornos forestales (Evans y Hudak, 2007).

Flujo de trabajo:

  • a) nube de puntos sin clasificar.
  • b) rendimientos del suelo clasificados.
  • c) DEM de tierra desnuda (raster).

ingrese la descripción de la imagen aquí


Creemos una situación hipotética para proporcionar un ejemplo con código.

MCC-LIDAR está instalado en:

C:\MCC

La nube de puntos LiDAR no clasificada (archivo .las) está en:

C:\lidar\project\unclassified.las  

La salida que será el DEM de tierra desnuda está en:

C:\lidar\project\dem.asc  

El siguiente ejemplo clasifica los retornos de tierra con el algoritmo MCC y crea un DEM de tierra descubierta con una resolución de 1 metro.

#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

Para comprender mejor cómo funcionan la (s) escala (s) y los parámetros del umbral de curvatura (t), lea: Cómo ejecutar MCC-LiDAR y; Evans y Hudak (2007).

Los parámetros deben calibrarse para evitar errores de comisión / etiquetado (cuando un punto se clasifica como perteneciente al suelo pero en realidad pertenece a vegetación o edificios). Por ejemplo:

ingrese la descripción de la imagen aquí

El MCC-LIDAR utiliza el método de interpolación Thin Plate Spline (TPS) para clasificar los puntos del terreno y generar el DEM de tierra descubierta.


Referencias

Para obtener más opciones sobre algoritmos de clasificación de puntos de base, consulte Meng et al. (2010):

Andre Silva
fuente
Lidar de MCC parece luchar con el número de puntos. Dice memoria insuficiente, intente un espacio de publicación más grande. Intenté la cuadrícula de 5 espacios posteriores a un espacio inicial de 1 m. Mi memoria es de 96 Gb en una estación de trabajo fuerte, por lo que no puede ser el problema.
user32307
@ user32307, vea esta publicación , que informa el mismo problema. La respuesta allí podría ayudarte.
Andre Silva
8

Creo que LasTools podría satisfacer sus necesidades, vea LASGround . La licencia es un poco divertida dependiendo de qué herramientas. Las herramientas se pueden descargar y evaluar antes de la compra; Además, el producto es relativamente barato.

Michael Stimson
fuente
7

He tenido buena suerte con el comando GroundFilter de FUSION (manual aquí ). No he tenido problemas para manejar 40 millones de puntos (sin clasificar), por lo que no esperaría un problema con 100 millones.

líber
fuente
2

Esto se puede hacer con un filtro de usando filtro morfológico simple (SMRF) o filtro morfológico progresivo (PMF) .

Rápido

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

Crea un archivo LAS comprimido de tierra desnuda con un tamaño de celda de 5 unidades de tierra utilizando PMF. ( documentos )

Para obtener más explicaciones, consulte la identificación de retornos de terreno utilizando el tutorial de segmentación ProgressiveMorphologicalFilter .

Más involucrado, usando SMRF

Un ejemplo de tubería que:

  • aplica el filtro SMRF, amplía la cellopción de tamaño a 2.0 (unidades del sistema de coordenadas) y un umbral de 0.75
  • selecciona solo los puntos de tierra recién clasificados ( 2es el valor estándar de LAS para tierra)
  • escribe la selección en un archivo de salida LAS sin comprimir (solo cambie la extensión a .laz para comprimir)

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

El archivo de parámetros JSON:

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

Extraer solo sobre el suelo

Este ejemplo a) clasifica en terreno / no terreno, b) agrega el atributo "Altura sobre el suelo", yc) exporta solo los puntos 2.0 (unidades del sistema de coordenadas) sobre el suelo.

{
    "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"
        }
    ]
}

Adaptado de Brad Chambers, https://lists.osgeo.org/pipermail/pdal/2017-July/001367.html

wilkie mate
fuente
He descubierto que ciertas geometrías de objetos estructurales (p. Ej., Edificios) se identifican bastante bien, pero los enfoques morfológicos funcionan bastante mal en áreas boscosas, particularmente con pendientes variables. Si los datos LIDAR se obtuvieron en un área urbana, sin duda recomendaría MF, pero otros algoritmos son mucho más efectivos dada la configuración física diferente.
Jeffrey Evans el
@JeffreyEvans, ¿puede explicar qué otros algoritmos ha encontrado que son mejores en entornos no urbanos? (y tal vez qué tipos de
áreas