文章目录

• 人机交互性更好、智能分类效果更佳的PCA4.2版本，发布

人机交互性更好、智能分类效果更佳的PCA4.2版本，发布

经过近5个月的精细打磨，点云智绘（PCA）4.2版本终于研发完成并发布了，如图1所示。PCA4.2版本在“可视化效果、人机交互、点云金字塔编辑、智能处理结果精度”等四个方面又有了跨越式的进步。

图1 点云智绘（PCA）·云图4.2版本界面

1．新增了“基于点云金字塔的可视化与人工交互编辑”模块，实现了海量点云的可视化与编辑
通过“打开las文件询问是否生成金字塔文件”的方式，实现了las格式点云与自研的oct格式点云金字塔的任意转换；进一步优化点云金字塔浏览效果，提高了点云浏览的流畅度，解决了海量点云数据浏览与编辑卡顿的问题；设置了“滤波、分类”两种模式，通过“以任意一点为中心实时获取瓦片”、预先“生成瓦片、选择指定瓦片”等多种瓦片方式获取剖面点云或者TIN，实现了对剖面点云或者TIN模型的类别属性修改，可实时同步更新oct点云金字塔、las点云的类别属性，如图2所示；另外，新增了oct格式、与las格式点云的互相转换功能。

图2 “基于点云金字塔的可视化与人工交互编辑”模块界面

2．优化了“一键式高山、山区、丘陵精细地形提取（无参版）”算法，显著增强了植被茂密、激光雷达植被穿透能力弱、山脊陡峭区域的地面点识别能力
在植被覆盖度高、高大树木密不透光的地区，机载激光雷达通常获取的地面点较少、或者极其稀疏。在地面点稀疏的情况下，即使存在少量的地面点，这些地面点也很容易被已有的商业软件误认为是噪点、而导致无法获取完整的地面点（形成大面积的地面点空洞，如图3（a）所示）、无法生成高精度的DEM产品（如图3（c）所示）。

4.2版本中，进一步完善了“一键式高山、山区、丘陵精细地形提取（无参版）”算法，优化后的算法可全自动识别出更多的地面点（如图3（b）所示）、进而全自动生成更优质的DEM产品（如图3（d）所示），但需要额外花费约10%的更多时间成本。在本试验中，与4.1版本的结果相比，4.2版本提取的地面点数量多21.5%，地面点的数量有了显著的增加。

（a）4.1版本获取的地面点

（b）4.2版本获取的地面点

（c）4.1版本获取的地面点生成的DEM

（c）4.2版本获取的地面点生成的DEM
图3 植被茂密山区精细地形提取的效果对比

另外，对于激光雷达穿透性较好、地面点数量较多的区域，使用新版的PCA软件提取地面点构造的数字高程模型（DEM）更逼近真实的地形地貌，前后的对比效果如图4（a）和（b）所示。表现为：地形断裂处具有更多的地面点使得DEM的陡坎陡崖更加完整，山脊线山谷线的完整度更高、DEM更逼真，平地的毛刺更少、DEM更加光滑。

（a）4.1版本生成的DEM

（b）4.2版本生成的DEM
图4 植被稀疏山区精细地形提取的效果对比

3.提升了“一键式平原机载点云精细地形（无参版）”地面点和非地面点的区分度，降低了将大型建筑物房顶误识别为地面点的概率

“一键式平原机载点云精细地形（无参版）”的位置如图5（a）所示。
老版本的“一键式平原机载点云精细地形（无参版）”容易将大型的建筑物房顶点误识别为地面点，降低了滤波的精度，如图5（b）所示。4.2版本中，进一步优化了该算法，显著的降低了“将大型的建筑物房顶点误识别为地面点”的概率，，如图5（c）所示，但时间花费没有变化。

（a）“一键式平原机载点云精细地形（无参版）”的位置

（b）老版本中的地面点识别结果

（c）4.2版本中的地面点识别结果
图5 “一键式平原机载点云精细地形（无参版）”降低了将大型建筑物误识别为地面点的可能性

4.全面优化了“大疆L1行业应用点云分类”模块，进一步提升了“建筑物立面”的识别精度、显著提高了“建筑物与邻近植被点”的区分效果
进步体现在一下几点：
（1）点云分类中，同步优化了“一键式平原机载点云精细地形（无参版）”的地面点与非地面点区分效果。
（2）完善了点云分类的算法，提高了建筑物立面的识别精度，如图6所示。

（a）老版本中的建筑物识别结果

（b）4.2版本中的建筑物识别结果
图6 “点云分类”提升了建筑物的分类效果

（3）解决了“按点到地面高度分类”界面中参数调整报错的问题
老版本中，“按点到地面高度分类”界面中调整参数时，容易提示出现参数取值错误。4.2版本中已经解决了该bug，如图7所示。

图7 PCA4.2版本中可随意修改“按点到地面高度分类”界面中参数取值

（4）全面优化了建筑物识别与植被识别算法，大幅提高了建筑物与周边植被（尤其是悬挂在建筑物房顶智商的植被）的区分度
图8中所示，无论是农村居民点、还是城镇，无论是我国的南方、还是北方，均存在建筑物周边种植有大量树木、平房房顶被高大树木树冠覆盖的情况。此时，该类场景的激光雷达点云分类是一个世界级难题。
自问世以来，PCA软件采用创新性的技术流程已经提出了一套比较好的点云分类方案，但老版本中仍然存在容易将靠近建筑物的植被误识别为建筑物的问题。新版的4.2软件中，进一步革新了识别算法，在建筑物与周边植被区分方面取得了显著的进步，如图8（a）、（b）、（c）所示。

（a）PCA4.2版本的农村居民点机载LiDAR点云分类结果

（b）PCA4.2版本的农村居民点机载LiDAR点云分类结果

（c）PCA4.2版本的城镇机载LiDAR点云分类结果

（d）PCA4.2版本的山区无人机载LiDAR点云分类结果
图8 PCA4.2版本的机载LiDAR点云分类效果

5．新增了“修复las文件头信息”功能
云祥中，新增了“修复las文件头信息”工具，位置如图9所示，可以更新与las文件中点云集不配套的头信息，比如包围盒范围、总点数、各类别的点数等。

图9 新增的“修复las文件头信息”工具位置

6.其他更新
（1）解决了“云祥”密度计算中对部分小数据量点云陷入死循环的问题；
（2）优化“云图”中DEM、DSM生成算法，解决了由于包围盒信息不准确导致DEM、DSM内插失败的问题；
（3）“云图”中湖泊置平允许导入已有的多边形数据；
（4）完善了“云图”点云可视化效果，较好的解决了放大过程中点云显示色调变暗的问题；
（5）精简了“云图”工具栏、隐藏了部分不常用的工具。