2. BackgroundThis section presents

2. Background
This section presents a survey of existing methods for LiDAR data
processing. The state of the art in both LiDAR ground filtering and
DTM interpolation is presented.
2.1. Ground filtering algorithms
Ground filtering algorithms fall into four major classes: (1)
slope based, (2) interpolation based, (3) mathematical morphology
based, and (4) hybrid ground filters. A brief overview of these algorithms,
which from this point on may also be simply referred to as
filters, is given below.
2.1.1. Slope-based filters
Slope based filters work by comparing the slope between two
adjacent points to a pre-determined threshold value. The assumption
they make is that the slope (and hence the height) between
two adjacent ground points is smaller than the slope between a
ground point and a non-ground point. Hence, if the slope between
two points is larger than the threshold value, the point with a higher
altitude value is considered to be a non-ground point. An exam ple of a slope based filter is that proposed by Vosselman (2000).
The algorithm compares the height difference between two points
as a function of their distance apart against the acceptable height
difference. A point is regarded as a ground point only if there is
no other point such that the height difference between the two
points, computed as a function of their distance apart, is larger
than the allowed maximum.
Several studies have compared the performance of ground filtering
algorithms (e.g., Sithole and Vosselman, 2004; Liu, 2008;
Meng et al., 2010). These studies show that slope-based algorithms
work well with LiDAR data from relatively flat terrain but perform
poorly with data from complex and steep terrain. One reason for
the poor performance is the fact that in steep terrain the height
or slope between two ground points can be higher than the predetermined
threshold value, which causes many ground points to
be misclassified as non-ground. Moreover, determining a good
slope threshold may prove to be a very difficult task. To overcome
these difficulties, several adaptive filters have been proposed. For
example, to overcome the problem of determining a threshold, Sithole
(2001) proposed a modified slope-based filter in which the
threshold varied with the slope of the terrain. Using this approach
fewer ground points were misclassified.
2.1.2. Interpolation-based filters
While most slope-based algorithms work with two data points
at a time, interpolation-based filters operate on all points in the
data set at once. These filters are iterative algorithms which work
by fitting a surface on the data and iteratively filtering points based
on their residuals from the fitted surface. In the first iteration, an
averaging surface is fit into the data and the residuals of the data
points relative to the surface are computed. Ground points are
more likely to have negative residuals, so they are given more
weight in subsequent iterations. Kraus and Pfeifer (1998) were
the first to propose this approach. Their algorithm is based on linear
prediction, whereby in the first iteration all points are given
equal weights. A special function is used to compute weights for
each point based on their residuals. In each iteration, points with
large negative residuals are given maximum weights and thus they
attract the computed surface towards themselves. Points with
medium residuals get smaller weights and therefore have little
influence on the computed surface.
Like slope-based filters, interpolation-based filters perform
poorly in steep terrain. A similar method based on thin plate spline
surface interpolation has, however, been found to yield good results
in steep terrain. Mongus and Z˘alik (2012) have recently proposed
a ground filtering algorithm in which a thin plate spline
interpolated surface is used iteratively to approximate the ground
surface. The approach uses residuals of points from the surface in
each iteration with a gradually decreasing window size to filter
ground points.i While test results showed that the algorithm can
cope well with steep terrain, the results also showed that the algorithm
did not perform well with the low point densities commonly
found in forest data sets.
2.1.3. Mathematical-morphology-based filters
Mathematical-morphology-based filters are based on the concept
of mathematical morphology used in digital image analysis.
Unlike slope-based and interpolation-based filters, which work
on the original LiDAR data, filters based on mathematical morphology
transform the LiDAR data into digital images before performing
actual filtering. Filtering is done using morphological operations
such as opening and closing (Chen et al., 2007; Zhang et al., 2003).
These filters are simple and easy to implement and perform relatively
well in filtering surface objects, such as buildings, provided
that the data contain a high density of ground points. However, the
filters perform poorly with low point density in the data and steep terrains (Sithole and Vosselman, 2004; Liu, 2008; Meng et al.,
2010).
2.1.4. Hybrid filters
Some filtering algorithms do not directly fall into any of the
above classes. They either use a different approach to filtering or
make use of a combination of techniques used in other filters.
For example, Kobler et al. (2006) proposed a two-stage algorithm
whereby in the first stage negative outliers are removed using
some existing filtering algorithm (e.g., morphological filter) and
most non-ground points are then removed using a slope-based filter.
This stage produces partially filtered data which enters the second
stage of the algorithm. In the second stage, elevations at
unsampled locations are estimated from repeated independent
estimates of elevation samples taken from sampled points. By
combining different filtering methods, the algorithm performed
better than the individual filters.
2.2. DTM interpolation algorithms
With the exception of morphology-based filters, ground filtering
algorithms produce irregularly distributed ground points.
Interpolation is used with these points to estimate ground elevation
at places where measurements are missing. Interpolation
algorithms can be categorized based on the following criteria
(Ali, 2004): (1) exact or inexact (2) deterministic or stochastic,
and (3) local or global.
Exact interpolation algorithms produce DTM surfaces which pass
through every original data point, while approximative interpolation
methods produce surfaces which do not pass through every
original data point but rather follow the general trend in the data.
Examples of exact interpolation algorithms are inverse distance
weighting (IDW) and spline interpolation. An example of an inexact
interpolation algorithm is trend functions (surfaces). Deterministic
interpolation algorithms assume that every data point has influence
at an unsampled location that is inversely proportional to
its distance from the location. Stochastic algorithms, on the other
hand, make use of geostatistics to estimate a surface with some level
of uncertainty. Local interpolation algorithms use only neighboring
data points to estimate a value at an unsampled location,
while global algorithms use the entire data set to estimate values
at unsampled locations. Examples of commonly used interpolation
algorithms in DTM generation include inverse distance weighting
(IDW) (exact, deterministic, local), Kriging (approximative, global,
stochastic), and cubic splines (exact, local, deterministic) (Ali,
2004; Liu, 2008).
The choice of an interpolation algorithm to be implemented depends
on several factors, including the quality of data and required
level of accuracy. For example, IDW offers high accuracy but only
when data density is high.

ผลลัพธ์ (ไทย) 1:

2. พื้นหลังส่วนนี้นำเสนอการสำรวจวิธีการที่มีอยู่สำหรับข้อมูล LiDARการประมวลผล ทันสมัยทั้ง LiDAR ดินกรอง และการนำเสนอสอดแทรก DTM2.1. อัลกอริทึมการกรองล่างอัลกอริทึมกรองล่างตกชั้นสี่หลัก: (1)โดยใช้ความชัน สัณฐานวิทยาทางคณิตศาสตร์ (3) (2) สอดแทรกอยู่ไฮบริดตาม และ (4) ดินกรอง ภาพรวมโดยย่อของอัลกอริทึมเหล่านี้ซึ่งจากจุดนี้อาจเป็นเพียงหรือที่เรียกว่าการกรอง รับด้านล่าง2.1.1. ความชันตามตัวกรองความชันตามตัวกรองที่ทำงาน โดยการเปรียบเทียบความชันระหว่างสองจุดติดค่าขีดจำกัดที่กำหนดไว้ล่วงหน้า อัสสัมพวกเขาทำคือความชัน (และดังนั้นความสูง) ระหว่างสองจุดอยู่ติดพื้นดินมีขนาดเล็กกว่าความชันระหว่างการจุดล่างและจุดไม่ใช่พื้นดิน ดังนั้น ถ้าความลาดชันระหว่างสองจุดที่มีขนาดใหญ่กว่าขีดจำกัดค่า จุด มีมากค่าความสูงถือเป็นจุดไม่ใช่พื้นดิน เปิ้ลสอบการกรองตามลาดเป็นที่เสนอ โดย Vosselman (2000)อัลกอริทึมการเปรียบเทียบความแตกต่างสูงระหว่างสองจุดเป็นฟังก์ชันของระยะทางความห่างกันกับความสูงเป็นที่ยอมรับความแตกต่าง จุดถือเป็นการจุดดินเมื่อมีใครชี้เช่นความสูงความแตกต่างระหว่างสองจุด คำนวณเป็นฟังก์ชันของระยะทางที่ห่างกัน มีขนาดใหญ่กว่าสูงสุดที่อนุญาตหลายการศึกษาได้เปรียบเทียบประสิทธิภาพของกรองล่างอัลกอริทึม (เช่น Sithole และ Vosselman, 2004 หลิว 2008เมง et al., 2010) การศึกษานี้แสดงที่ความชันตามอัลกอริทึมแต่ทำงานกับข้อมูลจาก LiDAR จากภูมิประเทศค่อนข้างแบนไม่ดีกับข้อมูลจากสภาพภูมิประเทศที่ซับซ้อน และสูงชัน เหตุผลหนึ่งสำหรับประสิทธิภาพต่ำคือ ความจริงที่ว่า ใน steep ภูมิประเทศความสูงหรือความชันระหว่างจุดล่างสองสามารถสูงกว่าที่กำหนดไว้ค่าขีดจำกัด ซึ่งทำให้ภาคพื้นดินหลายจุดในการได้งานเป็นไม่ใช่พื้นดิน นอกจากนี้ กำหนดดีขีดจำกัดความชันอาจพิสูจน์ให้เป็นงานยากมาก การเอาชนะปัญหาเหล่านี้ กรองหลายแบบอะแดปทีฟได้รับการเสนอชื่อ สำหรับตัวอย่าง การเอาชนะปัญหาของการกำหนดขีดจำกัด Sithole(2001) เสนอแก้ไขความชันตามตัวซึ่งการขีดจำกัดแตกต่างกัน มีความลาดชันของภูมิประเทศ ใช้วิธีการนี้จุดดินน้อยมีงาน2.1.2 การแทรกข้อความโดยใช้ตัวกรองขณะที่สุดลาดตามอัลกอริทึมทำงานจุดข้อมูลที่สองที่ใช้สอดแทรกกรองมีคะแนนทั้งหมดในการข้อมูลชุดในครั้งเดียว อัลกอริทึมซ้ำซึ่งทำงานเป็นตัวกรองเหล่านี้โดยพื้นผิว ในข้อมูล และซ้ำ ๆ กรองตามจุดในการค่าคงเหลือจากพื้นผิวจัด ในการเกิดซ้ำครั้งแรก การหาค่าเฉลี่ยที่พื้นผิวอยู่พอดีเป็นข้อมูลและค่าคงเหลือของข้อมูลมีคำนวณคะแนนที่สัมพันธ์กับพื้นผิว พื้นดินคะแนนแนวโน้มที่จะมีค่าคงเหลือติดลบ พวกเขาจะได้รับเพิ่มเติมน้ำหนักต่อมาซ้ำ Kraus และ Pfeifer (1998)ครั้งแรกเสนอวิธีการนี้ อัลกอริทึมของพวกเขาอยู่บนเส้นตรงทำนาย โดยในการเกิดซ้ำครั้งแรก จุดได้น้ำหนักเท่ากัน ใช้เพื่อคำนวณน้ำหนักสำหรับฟังก์ชันพิเศษแต่ละจุดตามค่าคงเหลือของพวกเขา เนื่อง จุดด้วยค่าคงเหลือติดลบขนาดใหญ่ได้น้ำหนักสูงสุด และทำให้พวกเขาดึงดูดผิวคำนวณต่อตัวเอง สถานที่ค่าคงเหลือขนาดกลางรับน้ำหนักมีขนาดเล็ก และมีน้อยดังนั้นอิทธิพลในพื้นที่การคำนวณเช่นความชันตามตัวกรอง กรองตามแทรกแทรงทำงานในภูมิประเทศที่สูงชัน วิธีการคล้ายคลึงกันตามแผ่นบาง ๆ เหมือนแทรกแทรงผิวได้ อย่างไรก็ตาม การพบเพื่อผลลัพธ์ที่ดีในภูมิประเทศที่สูงชัน Mongus และ Z˘alik (2012) ได้นำเสนอเมื่อเร็ว ๆ นี้พื้นดินที่กรองอัลกอริทึมที่เหมือนแผ่นบางพื้นผิวการสใช้ซ้ำ ๆ ประมาณพื้นพื้นผิว วิธีการใช้ค่าคงเหลือคะแนนจากพื้นผิวในเนื่อง ด้วยขนาดหน้าต่างค่อย ๆ ลดเพื่อกรองพื้นดิน points.i ในขณะที่ผลการทดสอบพบว่า อัลกอริทึมที่สามารถรับมือกับสภาพภูมิประเทศที่สูงชัน ผลยังพบว่าอัลกอริทึมการไม่ได้ทำดีกับความหนาแน่นจุดต่ำทั่วไปพบในป่าค่า2.1.3. คณิตสัณฐานวิทยาใช้ตัวกรองคณิตสัณฐานวิทยาการกรองขึ้นอยู่กับแนวคิดของสัณฐานวิทยาทางคณิตศาสตร์ที่ใช้ในการวิเคราะห์ภาพดิจิตอลซึ่งแตกต่างจากตัวกรอง ตามแทรกแทรง และ ตามลาด ที่ทำงานข้อมูล LiDAR เดิม ตัวกรองตามสัณฐานวิทยาคณิตศาสตร์แปลงข้อมูลจาก LiDAR เป็นภาพดิจิตอลก่อนดำเนินการการกรองเกิดขึ้นจริง กรองเสร็จใช้การดำเนินงานของเช่นการเปิด และปิด (Chen et al., 2007 จางและ al., 2003)ตัวกรองเหล่านี้จะง่าย และง่ายต่อการใช้ และดำเนินการค่อนข้างในการกรองผิววัตถุ เช่นอาคาร บริการดีว่า ข้อมูลที่ประกอบด้วยความหนาแน่นสูงของพื้นดินจุด อย่างไรก็ตาม การตัวกรองทำงานอย่างไม่ มีจุดต่ำความหนาแน่นในข้อมูลและสูงชัน terrains (Sithole และ Vosselman, 2004 หลิว 2008 เมง et al.,2010)2.1.4 การผสมกรองบางอัลกอริทึมที่กรองไม่ตรงตกใด ๆเหนือชั้นด้วย พวกเขาใช้วิธีที่แตกต่างกันกับการกรอง หรือทำให้ใช้การรวมกันของเทคนิคที่ใช้ในตัวกรองอื่น ๆตัวอย่าง Kobler et al. (2006) เสนอมีสองอัลกอริทึมโดยในระยะแรก outliers เป็นค่าลบจะถูกเอาออกโดยใช้บางที่มีอยู่กรองอัลกอริทึม (เช่น สัณฐานกรอง) และคะแนนไม่ใช่ล่างสุดแล้วถูกเอาออกโดยใช้ตัวกรองตามลาดระยะนี้ให้ข้อมูลบางส่วนถูกกรองที่ป้อนที่สองขั้นตอนของอัลกอริทึมการ ในขั้นตอนสอง elevations ที่มีประเมินตำแหน่ง unsampled จากอิสระซ้ำประเมินตัวอย่างยกมาจากจุดตัวอย่าง โดยรวมวิธีการกรองต่าง ๆ ขั้นตอนวิธีการดำเนินการbetter than the individual filters.2.2. DTM interpolation algorithmsWith the exception of morphology-based filters, ground filteringalgorithms produce irregularly distributed ground points.Interpolation is used with these points to estimate ground elevationat places where measurements are missing. Interpolationalgorithms can be categorized based on the following criteria(Ali, 2004): (1) exact or inexact (2) deterministic or stochastic,and (3) local or global.Exact interpolation algorithms produce DTM surfaces which passthrough every original data point, while approximative interpolationmethods produce surfaces which do not pass through everyoriginal data point but rather follow the general trend in the data.Examples of exact interpolation algorithms are inverse distanceweighting (IDW) and spline interpolation. An example of an inexactinterpolation algorithm is trend functions (surfaces). Deterministicinterpolation algorithms assume that every data point has influenceat an unsampled location that is inversely proportional toits distance from the location. Stochastic algorithms, on the otherhand, make use of geostatistics to estimate a surface with some levelof uncertainty. Local interpolation algorithms use only neighboringdata points to estimate a value at an unsampled location,while global algorithms use the entire data set to estimate valuesat unsampled locations. Examples of commonly used interpolationalgorithms in DTM generation include inverse distance weighting(IDW) (exact, deterministic, local), Kriging (approximative, global,stochastic), and cubic splines (exact, local, deterministic) (Ali,2004; Liu, 2008).The choice of an interpolation algorithm to be implemented dependson several factors, including the quality of data and requiredlevel of accuracy. For example, IDW offers high accuracy but onlywhen data density is high.

ผลลัพธ์ (ไทย) 2:

2.
พื้นหลังในส่วนนี้จะนำเสนอผลการสำรวจวิธีการที่มีอยู่สำหรับข้อมูลLiDAR
การประมวลผล รัฐของศิลปะทั้งในการกรอง LiDAR
พื้นดินและการแก้ไขDTM จะนำเสนอ.
2.1 พื้นกรองขั้นตอนวิธีการขั้นตอนวิธีการกรองพื้นตกอยู่ในสี่ชั้นที่สำคัญคือ (1) ความลาดชันตาม (2) การแก้ไขตาม (3) ลักษณะทางสัณฐานวิทยาทางคณิตศาสตร์ที่ใช้และ(4) ฟิลเตอร์ไฮบริดพื้นดิน ภาพรวมคร่าวๆของขั้นตอนวิธีเหล่านี้ซึ่งจากจุดนี้ก็อาจจะเป็นเพียงแค่เรียกว่าฟิลเตอร์ได้รับด้านล่าง. 2.1.1 ตัวกรองความลาดชันตามการทำงานของตัวกรองตามความลาดชันโดยการเปรียบเทียบความลาดชันระหว่างสองจุดที่อยู่ติดกับค่าเกณฑ์ที่กำหนดไว้ล่วงหน้า สมมติฐานที่พวกเขาทำให้เป็นที่ลาดชัน (และด้วยเหตุนี้สูง) ระหว่างสองจุดพื้นดินที่อยู่ติดกันมีขนาดเล็กกว่าความลาดชันระหว่างที่จุดพื้นดินและเป็นจุดที่ไม่ใช่พื้นดิน ดังนั้นหากความลาดชันระหว่างสองจุดมีขนาดใหญ่กว่าค่าเกณฑ์ชี้มีสูงกว่าค่าระดับความสูงจะถือเป็นจุดที่ไม่ใช่พื้นดิน เปิ้ลสอบของความลาดชันตามตัวกรองที่เสนอโดย Vosselman (ที่ 2000). ขั้นตอนวิธีการเปรียบเทียบความแตกต่างที่ความสูงระหว่างสองจุดเป็นหน้าที่ของระยะทางของพวกเขาออกจากกันกับความสูงที่ได้รับการยอมรับความแตกต่าง จุดที่ได้รับการยกย่องเป็นจุดพื้นดินเฉพาะในกรณีที่มีไม่มีจุดอื่น ๆ เช่นที่แตกต่างความสูงระหว่างสองจุดคำนวณเป็นฟังก์ชั่นของระยะทางของเขาต่างหากที่มีขนาดใหญ่กว่าสูงสุดที่อนุญาต. การศึกษาหลายแห่งได้มีการเปรียบเทียบประสิทธิภาพของการกรองพื้นดินอัลกอริทึม (เช่น Sithole และ Vosselman 2004; หลิว 2008. เม้ง, et al, 2010) การศึกษาเหล่านี้แสดงให้เห็นว่าขั้นตอนวิธีการลาดชันที่ใช้งานได้ดีกับข้อมูล LiDAR จากภูมิประเทศที่ค่อนข้างแบน แต่ทำไม่ดีกับข้อมูลจากภูมิประเทศที่ซับซ้อนและสูงชัน เหตุผลหนึ่งที่ทำให้ผลการดำเนินงานที่น่าสงสารคือความจริงที่ว่าในภูมิประเทศที่สูงชันความสูงหรือความลาดชันระหว่างจุดสองจุดบนพื้นดินอาจจะสูงกว่าที่กำหนดไว้ค่าเกณฑ์ซึ่งเป็นสาเหตุของจุดที่พื้นดินจำนวนมากที่จะได้รับการแบ่งที่ไม่ใช่พื้นดิน นอกจากนี้ยังมีการกำหนดที่ดีเกณฑ์ลาดชันอาจพิสูจน์ให้เป็นงานที่ยากมาก เพื่อเอาชนะปัญหาเหล่านี้กรองปรับตัวหลายได้รับการเสนอ สำหรับตัวอย่างเช่นในการเอาชนะปัญหาของการกำหนดเกณฑ์ที่ Sithole (2001) ได้เสนอตัวกรองที่ลาดชันตามการปรับเปลี่ยนซึ่งในเกณฑ์ที่แตกต่างกันมีความลาดชันของภูมิประเทศ ใช้วิธีนี้น้อยลงจุดที่พื้นดินถูกแบ่ง. 2.1.2 ตัวกรองการแก้ไขตามขณะที่ส่วนใหญ่ขั้นตอนวิธีการลาดชันที่ใช้ทำงานร่วมกับสองจุดข้อมูลในช่วงเวลาที่ตัวกรองการแก้ไขตามการใช้งานในทุกจุดในข้อมูลการตั้งค่าในครั้งเดียว ตัวกรองเหล่านี้เป็นขั้นตอนวิธีการซ้ำที่ทำงานโดยการปรับพื้นผิวบนข้อมูลและซ้ำจุดกรองตามบนที่เหลือของพวกเขาจากพื้นผิวติดตั้ง ซ้ำในครั้งแรกซึ่งเป็นพื้นผิวเฉลี่ยคือพอดีกับข้อมูลและที่เหลือของข้อมูลที่จุดเมื่อเทียบกับพื้นผิวที่จะคำนวณ จุดที่พื้นดินมีแนวโน้มที่จะมีเหลือเชิงลบเพื่อให้พวกเขาจะได้รับมากขึ้นน้ำหนักในการทำซ้ำที่ตามมา Kraus และ Pfeifer (1998) เป็นครั้งแรกที่จะนำเสนอวิธีการนี้ ขั้นตอนวิธีการของพวกเขาจะขึ้นอยู่กับการเชิงเส้นทำนายโดยในครั้งแรกย้ำทุกจุดจะได้รับน้ำหนักเท่ากัน ฟังก์ชั่นพิเศษที่ใช้ในการคำนวณน้ำหนักสำหรับแต่ละจุดบนพื้นฐานของเหลือของพวกเขา ในแต่ละซ้ำจุดที่มีเหลือในเชิงลบที่มีขนาดใหญ่จะได้รับน้ำหนักสูงสุดและทำให้พวกเขาดึงดูดพื้นผิวคำนวณต่อตัวเอง จุดที่มีเหลือกลางรับน้ำหนักขนาดเล็กและดังนั้นจึงมีเล็ก ๆ น้อย ๆ ที่มีอิทธิพลบนพื้นผิวการคำนวณ. เช่นเดียวกับตัวกรองความลาดชันที่ใช้ตัวกรองการแก้ไขตามที่ดำเนินการได้ไม่ดีในภูมิประเทศที่สูงชัน วิธีการที่คล้ายกันขึ้นอยู่กับแผ่นบาง ๆ เส้นโค้งการแก้ไขพื้นผิวได้แต่การค้นพบเพื่อให้ผลลัพธ์ที่ดีในภูมิประเทศที่สูงชัน Mongus และZ˘alik (2012) ได้เสนอเมื่อเร็ว ๆ นี้ขั้นตอนวิธีการกรองพื้นดินซึ่งในบางเส้นโค้งแผ่นพื้นผิวหยันถูกนำมาใช้ซ้ำที่ใกล้เคียงกับพื้นผิว วิธีการใช้ที่เหลือของจุดจากพื้นผิวในแต่ละซ้ำกับขนาดของหน้าต่างค่อยๆลดลงในการกรองpoints.i พื้นดินในขณะที่ผลการทดสอบแสดงให้เห็นว่าอัลกอริทึมสามารถรับมือได้ดีกับสภาพภูมิประเทศที่สูงชันผลยังพบว่าอัลกอริทึมไม่ได้ดำเนินการอย่างดีด้วยความหนาแน่นจุดต่ำทั่วไปที่พบในชุดข้อมูลป่า. 2.1.3 คณิตศาสตร์-สัณฐานตามตัวกรองคณิตศาสตร์-สัณฐานตามตัวกรองจะขึ้นอยู่กับแนวคิดของสัณฐานวิทยาทางคณิตศาสตร์ที่ใช้ในการวิเคราะห์ภาพดิจิตอล. ซึ่งแตกต่างจากความลาดชันที่ใช้และตัวกรองการแก้ไขตามที่ทำงานกับข้อมูล LiDAR เดิมกรองขึ้นอยู่กับลักษณะทางสัณฐานวิทยาคณิตศาสตร์เปลี่ยนข้อมูล LiDAR เป็นภาพดิจิตอลก่อนที่จะดำเนินการกรองที่เกิดขึ้นจริง การกรองจะทำโดยใช้การดำเนินงานทางสัณฐานวิทยาเช่นการเปิดและปิด (Chen et al, 2007;.. Zhang et al, 2003). ตัวกรองเหล่านี้จะง่ายและง่ายต่อการใช้และดำเนินการค่อนข้างดีในวัตถุพื้นผิวกรองเช่นอาคารให้ว่าข้อมูลมีความหนาแน่นสูงของจุดพื้นดิน อย่างไรก็ตามการกรองทำงานได้ไม่ดีมีความหนาแน่นของจุดต่ำสุดในข้อมูลและภูมิประเทศที่สูงชัน (Sithole และ Vosselman 2004; หลิว 2008. เม้ง, et al, 2010). 2.1.4 กรองไฮบริดบางขั้นตอนวิธีการกรองไม่ได้โดยตรงตกอยู่ในใด ๆ ของชั้นเรียนดังกล่าวข้างต้น พวกเขาทั้งสองใช้วิธีการที่แตกต่างกันในการกรองหรือใช้ประโยชน์จากการรวมกันของเทคนิคที่ใช้ในการกรองอื่น ๆ . ตัวอย่างเช่น Kobler et al, (2006) ได้เสนอขั้นตอนวิธีการสองขั้นตอนโดยในค่าผิดปกติเชิงลบขั้นตอนแรกจะถูกลบออกโดยใช้อัลกอริทึมการกรองที่มีอยู่บางส่วน(เช่นกรองก้าน) และจุดที่ไม่ใช่พื้นดินส่วนใหญ่จะถูกลบออกแล้วใช้ตัวกรองความลาดชันตาม. ขั้นตอนนี้ผลิตกรองบางส่วน ข้อมูลที่เข้ามาในสองขั้นตอนของอัลกอริทึม ในขั้นตอนที่สองระดับที่สถาน unsampled ประมาณซ้ำอิสระจากการประมาณการของตัวอย่างที่นำมาจากการยกระดับจุดเก็บตัวอย่าง โดยรวมวิธีการกรองที่แตกต่างกันขั้นตอนวิธีการดำเนินการที่ดีกว่าตัวกรองของแต่ละบุคคล. 2.2 DTM ขั้นตอนวิธีการแก้ไขด้วยข้อยกเว้นของตัวกรองสัณฐานวิทยาที่ใช้กรองพื้นขั้นตอนวิธีการผลิตการกระจายไม่สม่ำเสมอจุดพื้นดิน. การแก้ไขจะใช้กับจุดเหล่านี้ในการประเมินระดับความสูงจากพื้นดินที่สถานที่ที่วัดจะหายไป แก้ไขขั้นตอนวิธีการสามารถแบ่งตามเกณฑ์ดังต่อไปนี้(อาลี, 2004): (1) แน่นอนหรือไม่แน่นอน (2) กำหนดหรือสุ่มและ(3) ประเทศหรือทั่วโลก. ขั้นตอนวิธีการแก้ไขที่แน่นอนผลิตพื้นผิว DTM ซึ่งผ่านการผ่านจุดข้อมูลทุกเดิมในขณะที่การแก้ไข approximative วิธีการผลิตพื้นผิวที่ไม่ผ่านทุกจุดข้อมูลเดิม แต่ทำตามแนวโน้มทั่วไปในข้อมูล. ตัวอย่างของขั้นตอนวิธีการแก้ไขที่ถูกต้องเป็นระยะทางตรงกันข้ามน้ำหนัก (IDW) และการแก้ไขเส้นโค้ง ตัวอย่างของไม่แน่นอนขั้นตอนวิธีการแก้ไขคือฟังก์ชั่นเทรนด์ (พื้นผิว) กำหนดขั้นตอนวิธีการแก้ไขคิดว่าจุดข้อมูลทุกคนมีอิทธิพลที่สถานที่unsampled ที่จะแปรผกผันกับระยะห่างจากสถานที่ ขั้นตอนวิธีการสุ่มในอื่น ๆมือให้ใช้ในการประมาณการ Geostatistics พื้นผิวที่มีความบางระดับของความไม่แน่นอน ขั้นตอนวิธีการแก้ไขท้องถิ่นใช้เฉพาะที่อยู่ใกล้เคียงจุดข้อมูลในการประมาณค่าที่ตั้ง unsampled, ในขณะที่ทั่วโลกขั้นตอนวิธีการใช้ข้อมูลทั้งหมดตั้งในการประมาณค่าในสถานที่ unsampled ตัวอย่างของการที่ใช้กันทั่วไปการแก้ไขขั้นตอนวิธีการในการผลิต DTM รวมน้ำหนักระยะผกผัน (IDW) (ที่แน่นอนกำหนดท้องถิ่น) Kriging (approximative ทั่วโลกสุ่ม) และเส้นโค้งลูกบาศก์ (แน่นอนท้องถิ่นกำหนด) (อาลี2004; หลิว 2008). ทางเลือกของขั้นตอนวิธีการแก้ไขที่จะดำเนินการขึ้นอยู่กับปัจจัยหลายประการรวมถึงคุณภาพของข้อมูลและที่จำเป็นต้องใช้ระดับของความถูกต้อง ยกตัวอย่างเช่น IDW มีความแม่นยำสูง แต่เมื่อความหนาแน่นของข้อมูลสูง

ผลลัพธ์ (ไทย) 3:

2 . พื้นหลัง
ส่วนนี้นำเสนอวิธีการสำหรับการประมวลผลข้อมูลสำรวจของที่มีอยู่
ไลด้า รัฐของศิลปะทั้งในดินและในการกรอง LIDAR DTM า
.
2.1 . ขั้นตอนวิธีขั้นตอนวิธีการกรองกรองพื้นดิน
ตกสี่ประเภทหลัก : ( 1 )
ความชันตาม ( 2 ) ( 3 ) การใช้โครงสร้างทางคณิตศาสตร์
ตาม ( 4 ) และกรองดินผสมภาพรวมโดยย่อของขั้นตอนวิธีการเหล่านี้
ซึ่งจากจุดนี้อาจเป็นเพียงแค่เรียกว่า
ตัวกรองจะได้รับด้านล่าง .
2.1.1 . ใช้ตัวกรองตัวกรองตามความลาดชัน
งานโดยเปรียบเทียบความลาดชันระหว่างที่อยู่ติดกันสอง
จุดที่กำหนดไว้ล่วงหน้าของค่า อัสสัมชัญ
พวกเขาให้เป็นที่ลาดชัน ( และดังนั้น ความสูงระหว่าง
)สองจุดพื้นดินที่อยู่ติดกันมีขนาดเล็กกว่าความลาดชันระหว่างพื้นดินและพื้นดิน
จุดที่ไม่ใช่จุด ดังนั้น ถ้าความชันระหว่าง
สองจุดมีขนาดใหญ่กว่าค่าเกณฑ์จุด ด้วยมูลค่าสูงกว่าระดับความสูง
ถือว่าไม่ใช่พื้นดินจุด กรองตามสอบ ple ของความลาดชันที่เสนอโดย vosselman ( 2000 ) .
ขั้นตอนวิธีการเปรียบเทียบความสูงระหว่างสองจุด
เป็นฟังก์ชันของระยะทางของพวกเขาแยกกับความสูงต่างกัน
ที่ยอมรับได้ จุดที่ถือว่าเป็นจุดเดียว หากมีพื้น
ไม่จุดอื่น ๆเช่นที่ความสูงระหว่างสอง
จุด คำนวณเป็นฟังก์ชันของระยะทางของพวกเขาออกจากกัน มีขนาดใหญ่กว่าได้รับอนุญาตสูงสุด
.
หลายการศึกษาเปรียบเทียบประสิทธิภาพของขั้นตอนวิธีการกรอง
พื้น ( เช่น sithole vosselman และ ,2004 , หลิว , 2008 ;
เมิง et al . , 2010 ) การศึกษาเหล่านี้แสดงให้เห็นว่าความชันตามขั้นตอนวิธี
ทำงานได้ดีกับข้อมูล LIDAR จากภูมิประเทศที่ค่อนข้างแบน แต่แสดง
ไม่ดีด้วยข้อมูลจากที่ซับซ้อน และ ภูมิประเทศที่สูงชัน เหตุผลหนึ่งสำหรับ
ประสิทธิภาพที่ดีคือความจริงที่ว่าในภูมิประเทศ ความสูงหรือความลาดชัน
ระหว่างสองพื้นดินจุดสามารถสูงกว่าเกณฑ์ที่กำหนดไว้ล่วงหน้า
ค่าซึ่งสาเหตุพื้นดินหลายจุด

จะ misclassified เป็นบนพื้นดิน นอกจากนี้ การกำหนดเกณฑ์ลาดดี
อาจพิสูจน์ให้เป็นงานที่ยาก เพื่อเอาชนะปัญหาเหล่านี้
, ตัวกรองแบบต่าง ๆ ได้ถูกเสนอขึ้นมา สำหรับ
ตัวอย่าง เพื่อเอาชนะปัญหาการกำหนดเกณฑ์ , sithole
( 2001 ) ได้เสนอการใช้ตัวกรองที่
ความลาดชันเกณฑ์ตามความลาดของภูมิประเทศ การใช้วิธีการนี้ มีจุด misclassified พื้นดิน
.
2.1.2 . การใช้ตัวกรอง
ในขณะที่ส่วนใหญ่ความลาดชันขั้นตอนวิธีการทํางานตามด้วยสองจุดข้อมูล
ครั้ง ตัวกรองการใช้ผ่าตัดทุกจุดใน
ชุดข้อมูลในครั้งเดียว ตัวกรองเหล่านี้จะใช้ซ้ำซึ่ง
โดยการปรับผิวบนและกรองข้อมูลซ้ำจุดตามค่าของพวกเขาจากการติดตั้ง
บนพื้นผิว ในรูปแรกเป็น
เฉลี่ยพื้นผิวพอดีกับข้อมูลและความคลาดเคลื่อนของข้อมูล
จุดเทียบกับพื้นผิวจะคํานวณ จุดดิน
น่าจะมีความคลาดเคลื่อนเชิงลบดังนั้นพวกเขาจะได้รับน้ำหนักมากขึ้น
ในตามมาซ้ำ .และ เคราส์ ไฟเฟอร์ ( 1998 ) ได้เสนอวิธีการ
ครั้งแรกนี้ ขั้นตอนวิธีการของพวกเขาจะขึ้นอยู่กับตรงคำทำนาย
ซึ่งในรูปแรก ทุกจุดจะได้รับ
น้ำหนักที่เท่ากัน เป็นฟังก์ชันพิเศษที่ใช้เพื่อคำนวณน้ำหนัก
แต่ละจุดขึ้นอยู่กับค่าของพวกเขา ในแต่ละซ้ำ จุดที่มีค่าเป็นลบจะได้รับน้ำหนักมาก

สูงสุด และดังนั้นจึงดึงดูดคำนวณพื้นผิวต่อตนเอง คะแนนกับค่ารับน้ำหนักปานกลาง

มีขนาดเล็กและดังนั้นจึงมีอิทธิพลน้อยในการคำนวณพื้นผิว เช่นตัวกรองตัวกรอง
ลาดตามการใช้แสดง
ไม่ดีในภูมิประเทศที่สูงชัน วิธี ที่คล้ายกันอยู่ในบางจานสลัก
พื้นผิวการแก้ไขได้ อย่างไรก็ตาม พบว่าผลผลิต
ผลลัพธ์ที่ดีในภูมิประเทศที่สูงชัน