點雲處理

減少使用地面雷射掃描所面臨的遮蔽問題，也因此車載雷射掃描其掃描所需的 外業時間較地面雷射掃描短(Tao, 2000; Dold and Brenner, 2006; Vaaja et al., 2011;

Puente et al., 2012)。

而現今點雲結構化主要有三類，分別為不規則三角網(triangulated irregular network, TIN)、網格式(raster)、掃描關係。其中，不規則三角網通常於處理的 過程中不經內插處理，因此較不易喪失其資料精度，然而此方式需另外儲存點、

線、面之空間關係，因此使其資料結構較為複雜，亦有處理效率不佳之情形 (Axelsson, 1999) 。

而網格式結構化則是將點雲以二維或三維之網格方式記錄其結構化之關係，

再依其網格之相鄰性供後續處理。其中，二維網格化之方式為將點雲以 xy 平面 將其網格化(Priestnall et al., 2000; Wang and Hsu, 2007)(如圖 4(a))，而三維網格 化則可再細分成多層(multi-layer)二維網格處理(Wang et al., 2008)(如圖 4(b))與 三維網格經編號後搜尋鄰近點(王淼等，2005；羅英哲及曾義星，2009；王淼，

8

2011)。而隨演算法與電腦運算效率改善，漸發展以三維網格為基礎之結構化方 式，如：八分樹與 k 維樹(k-Dimensional Tree, k-D tree)(林耿帆，2012) 。

(a)二維網格化 (修改至林耿帆(2012))

(b) 多層二維網格投影 (修改至 Wang et al.(2008)) 圖 4 點雲網格結構化方式示意圖

除前述兩種結構化之方式，亦可透過其掃描關係行點雲結構化，如利用掃 描剖面或線來記錄點雲中點位之關係(Manandhar and Shibasaki, 2001; Zhao and Shibasaki , 2003; Lehtomäki et al., 2010)，並供後續萃取之應用，如圖 5 所示，

Lehtomäki et al.(2010)利用掃描剖面偵測車載點雲中之桿狀物圖示。

(a) 雷射掃描系統 (b) 掃描剖面與車 行方向之關係

(c) 掃描剖面與圓桿地物之關係

圖 5 Lehtomäki et al.(2010)利用掃描剖面偵測車載點雲中之桿狀物圖示

9

二、 點雲濾除

在點雲掃描的過程，會掃描與目標無關之資訊(含雜訊)，因此需要將這類 點濾除，此過程稱為點雲濾除。以地面雷射掃描為例，於 Douillard et al. (2011) 研究結果顯示，若於點雲分割前先濾除地面點，將有助於後續點雲分割之成果。

此外，於空載雷射掃描中，Vosselman(2000)與 Sithole(2001)使用以斜率為基礎 的濾除方式(slope based filter)應用於都市區點雲前處理過程之中。而於車載雷射 掃描中，Pu et al.(2011)、Yokoyama et al.(2011)、Ishikawa et al.(2013)、Masuda et al.(2013)等研究皆將車載點雲中地面點濾除後，其餘之非地面點供後續圓桿地 物偵測與萃取。

三、 點雲分割

由於點雲資料量相當龐大，因此藉由點與點之間的相關性(coherence)與鄰 近性(proximity)，將點雲群聚或分割成較小的資料集(dataset)，本文稱為點群，

此處理過程稱為點雲分割(王淼，2011；林耿帆，2012)，如圖 6 所示。經分割 後之點雲依據其分割後獨立點群特性，可將其應用於後續之分類、萃取與辨識。

而影響點雲分割演算法之因素分別為相關性與鄰近性準則、資料結構與處 理資料的方法(王淼，2012)。以歐幾里得距離(Euclidean distance)與光譜距離 (spectral distance)進行點雲分割為例，如圖 7 所示，可見於不同準則下將產生 不同點雲分割成果。

10

(a) 目標物 (b) 點雲資料

(c) 點雲分割 (d)獨立點群

圖 6 點雲分割(林耿帆，2012)

(a)以歐幾里得距離特性分割點雲

(b)以光譜距離特性分割點雲

圖 7 不同類型距離之點雲分割(林耿帆，2012)

11

根據王淼(2011)文章中將點雲分割的方法分成三大類，分別為群聚法 (clustering)、區域成長法(region growing)、分割與合併法(split-and-merge)。其中，

群聚法、區域成長法有相似的策略，皆會計算區域表面的法向量(normal vector)，

其中的區域表面則由點位與其鄰近點位決定。為了計算區域表面之鄰近關係，

經常使用 k 鄰近搜尋法(k-nearest neighborhood search, k-NN search)與球鄰近搜 尋法(fixed distance neighborhood search, FDN search)用於判斷點位之相鄰關係 (王淼，2011；Li, 2013)。其中 k 鄰近法主要是搜尋鄰近 k 個點，並計算對應的 局部特徵。此鄰近搜尋的方式較不受點雲密度的影響，如圖 8；而球鄰近法則 是給予搜尋半徑，並且將搜尋半徑內之點視為鄰近點，並計算對應的局部特徵，

此鄰近搜尋的方式較易受點雲密度的影響，如圖 9。

(a)固定搜尋點數(點密度低) (b)固定搜尋點數(點密度高) 圖 8 k 鄰近搜尋法(賴泓瑞，2009)

(a)固定搜尋半徑(點密度低) (b)固定搜尋半徑(點密度高) 圖 9 球鄰近搜尋法(賴泓瑞，2009)

12

除計算區域表面之法向量外，分割過程中亦會使用幾何特徵描述點群，如 平面(plane)、球面(spherical surface)、圓柱(cylinder)、平滑面(smooth surface)等 (Vosselman and Maas, 2010; 林耿帆，2012)。上述之幾何特徵可使用 3D 霍夫轉 換(3D Hough transform)方式獲取，之後藉由表面成長(surface growing)或相鄰元 素分析(connected component analysis)等方法將點雲分割 (Vosselman et al., 2004)。

於群聚法中，會於特徵空間(feature space)中將具有相似特徵的點群聚一起 (Filin, 2004)，然而群聚後的點群可能不具相鄰性，因此需要根據相鄰性準則將 其分開。

區域成長法於處理的過程中，除了點位於特徵空間之相似程度外，亦考慮 點位之相鄰特性(Hoover et al., 1996; Vosselman et al., 2004)。此方式透過選取部 分具相關性且具鄰近性之點群作為起始種子(seed)並且搜尋其鄰近點位，若鄰近 點位滿足所設定的相似準則時，則會與該種子點群群聚，並且重複這樣的步驟 直到所有的點位處理完成。

第三種方法為分割與合併法(Wang and Tseng, 2010)，此方法不需要設定初 始相關性的條件，而在處理的過程中，根據分割與合併的條件設定其相關性與 關研究僅有 Pu et al.(2011)、Yokoyama et al.(2013)、Yang and Dong(2013)、

Ishikawa et al.(2013)。其中，Pu et al.(2011)則嘗試辨識人造圓桿地物(man-made