一种面向测绘地理信息数据管理方法及系统与流程

本发明涉及数据处理领域，具体涉及一种面向测绘地理信息数据管理方法及系统。

背景技术：

1、当前，对测绘地理信息数据进行分析时，首先使用lidar技术即激光探测与测距技术，获取待测绘区域的点云数据。但由于采集过程中，存在信号干扰等异常原因，使得采集的数据中存在异常数据。因此，从所有点云数据中，获取异常数据。

2、由于反映地理信息的点云数据具备明显的复杂空间分布，使得采集的点云数据存在不均匀性分布，而点云密度的不均匀性，导致通过基于固定半径的聚类方法获取异常数据时，容易失效。而图结构能很好地适应这种密度变化，因此，当前多通过图扩散算法获取点云数据中的异常数据。

3、但是，通过图扩散算法获取点云数据中的异常点云数据时，只考虑了距离的影响，但在地理信息中平面距离信息与高度距离信息具备明显的各向异性以及不同地貌对应的多尺度特性，即未考虑地形特征。使得通过图扩散算法获取点云数据中的异常数据时，可能会将点云数据中存在的条带漂移的周期性系统误差忽略掉，导致获取的异常数据的准确性相对较低。

技术实现思路

1、本发明提供一种面向测绘地理信息数据管理方法及系统，以解决当前获取点云数据中的异常数据时，获取的异常数据的准确率相对较低的问题。

2、为了实现上述目的，本发明提供如下技术方案：

3、对待测绘区域进行扫描与测绘，得到若干点云数据；

4、根据每一点云数据周围的其他点云数据的分布，得到每一点云数据所处空间的地形复杂度与统计趋势方向；

5、根据每一点云数据所处空间的地形复杂度，得到每一点云数据的最终扩散尺度；

6、根据每一点云数据的最终扩散尺度，得到每一点云数据的最终邻近点云数据；根据每一点云数据与其最终邻近点云数据的欧氏距离、统计趋势方向，以及周围的点云数据的高程值分布，得到每一点云数据的每一最终邻近点云数据的关系权重；

7、根据每一点云数据与其每一最终邻近点云数据所处空间的地形复杂度、欧氏距离、对每一点云数据与其最终邻近点云数据周围的点云数据进行形态学操作后的高程值、每一点云数据与其每一最终邻近点云数据的高程值，以及每一点云数据的每一最终邻近点云数据的关系权重，得到每一点云数据的空间异常因子，以及每一点云数据的闭运算残差；

8、获取对待测绘区域进行测绘时的若干条扫描线；根据每一点云数据的空间异常因子、所处空间的地形复杂度、所在扫描线上的所有点云数据的闭运算残差，得到异常点云数据。

9、进一步地，所述根据每一点云数据周围的其他点云数据的分布，得到每一点云数据所处空间的地形复杂度与统计趋势方向的具体计算步骤为：

10、将所有点云数据中，落在以第个点云数据为圆心，以半径为米的水平投影所在的圆形平面内的点云数据，记为第个点云数据的初始邻近点云数据；其中，表示预设的半径值；

11、以所有点云数据中，最左下角的点云数据为原点，以水平向右为轴正方向，以竖直向前为轴正方向，以竖直向上为轴正方向，构建三维坐标系，得到每一点云数据的坐标；

12、根据每一点云数据与其每一初始邻近点云数据的欧氏距离，以及坐标差异，得到每一点云数据所处空间的统计趋势方向；

13、根据每一点云数据所处空间的统计趋势方向、每一点云数据与其每一初始邻近点云数据的欧氏距离，以及轴上的差异，得到每一点云数据所处空间的地形复杂度。

14、进一步地，所述根据每一点云数据与其每一初始邻近点云数据的欧氏距离，以及坐标差异，得到每一点云数据所处空间的统计趋势方向的具体计算步骤为：

15、

16、式中，表示第个点云数据所处空间的统计趋势方向，表示第个点云数据的初始邻近点云数据的数量，表示第个点云数据的第个初始邻近点云数据在轴上的值，表示第个点云数据在轴上的值，表示第个点云数据的第个初始邻近点云数据在轴上的值，表示第个点云数据在轴上的值，表示第个点云数据的第个初始邻近点云数据在轴上的值，表示第个点云数据在轴上的值，表示第个点云数据与其第个初始邻近点云数据的欧氏距离。

17、进一步地，所述根据每一点云数据所处空间的统计趋势方向、每一点云数据与其每一初始邻近点云数据的欧氏距离，以及轴上的差异，得到每一点云数据所处空间的地形复杂度的具体计算步骤为：

18、

19、式中，表示第个点云数据所处空间的地形复杂度，表示第个点云数据所处空间的统计趋势方向，表示以原点为起点以为终点得到的向量，表示以原点为起点坐标为(0,0,1)的点为终点得到的向量，表示向量中的点乘符号，表示sigmoid函数，表示第个点云数据的第个初始邻近点云数据在轴上的值，表示第个点云数据在轴上的值，表示第个点云数据与其第个初始邻近点云数据的欧氏距离，表示第个点云数据的初始邻近点云数据的数量。

20、进一步地，所述根据每一点云数据所处空间的地形复杂度，得到每一点云数据的最终扩散尺度的具体计算步骤为：

21、获取待测绘区域所属的地形类型与采集点云数据的机载lidar对地形变化的敏感度；

22、根据待测绘区域所属的地形类型，得到第一可调系数；

23、根据采集点云数据的机载lidar对地形变化的敏感度，得到第二可调系数；

24、根据第一可调系数、第二可调系数，以及第个点云数据所处空间的地形复杂度，得到第个点云数据的最终扩散尺度的具体计算公式如下：

25、

26、式中，表示第个点云数据的最终扩散尺度，表示预设的半径值，表示第个点云数据所处空间的地形复杂度，表示第一可调系数，表示第二可调系数，为以自然常数为底的指数函数。

27、进一步地，所述根据每一点云数据的最终扩散尺度，得到每一点云数据的最终邻近点云数据的具体计算步骤为：

28、将所有点云数据中，落在以第个点云数据为圆心，以半径为米的水平投影所在的圆形平面内的点云数据，记为第个点云数据的最终邻近点云数据；其中，表示第个点云数据的最终扩散尺度。

29、进一步地，所述根据每一点云数据与其最终邻近点云数据的欧氏距离、统计趋势方向，以及周围的点云数据的高程值分布，得到每一点云数据的每一最终邻近点云数据的关系权重的具体计算步骤为：

30、获取每一点云数据的高程值；

31、将所有点云数据中，落在以第个点云数据的第个最终邻近点云数据为圆心，以半径为米的水平投影所在的圆形平面内的点云数据，记为第个点云数据的第个最终邻近点云数据所处的第个初始局部区域内的点云数据；其中，表示第个点云数据的最终扩散尺度；

32、将以原点为起点，以第个点云数据的第个最终邻近点云数据所处空间的统计趋势方向为终点，得到的向量，记为；

33、获取第个点云数据的第个最终邻近点云数据的关系权重的具体计算公式如下：

34、

35、

36、

37、式中，表示第个点云数据的第个最终邻近点云数据的关系权重，表示第个点云数据的第个最终邻近点云数据的第一权重，表示第个点云数据的第个最终邻近点云数据的第二权重，表示第个点云数据与其第个最终邻近点云数据的欧氏距离，表示第个点云数据的最终扩散尺度，表示以原点为起点为终点得到的向量，表示以第个点云数据为起点，以第个点云数据的第个最终邻近点云数据为终点得到的向量，表示两个向量进行点乘后的结果，表示两个值之间取最大值的函数，为以自然常数为底的指数函数，表示向量与向量的夹角，表示向量与向量的夹角，表示正弦函数，表示第个点云数据与其所有最终邻近点云数据的高程值中的最小值，表示第个点云数据的第个最终邻近点云数据与其所处的第个初始局部区域内的所有点云数据的高程值中的最小值，表示绝对值函数。

38、进一步地，所述得到每一点云数据的空间异常因子的具体计算步骤为：

39、

40、

41、

42、式中，表示第个点云数据的空间异常因子，表示第个点云数据的第一异常因子，表示第个点云数据的第二异常因子，表示第个点云数据与其第个最终邻近点云数据的欧氏距离，表示第个点云数据的最终邻近点云数据的数量，表示第个点云数据的第个最终邻近点云数据的关系权重，表示第个点云数据所处空间的地形复杂度，表示第个点云数据的第个最终邻近点云数据所处空间的地形复杂度，表示第个点云数据的高程值，表示第个点云数据的第个最终邻近点云数据的高程值，表示对第个点云数据与其所有最终邻近点云数据组成的区域进行闭运算操作后第个点云数据处的高程值，表示对第个点云数据的第个最终邻近点云数据与其所处的第个初始局部区域内的所有点云数据组成的区域进行闭运算操作后，第个点云数据的第个最终邻近点云数据处的高程值，表示绝对值函数；

43、将所有点云数据中，落在以第个点云数据的第个最终邻近点云数据为圆心，以半径为米的水平投影所在的圆形平面内的点云数据，记为第个点云数据的第个最终邻近点云数据所处的第个初始局部区域内的点云数据；其中，表示第个点云数据的最终扩散尺度；

44、将，记为第个点云数据的闭运算残差。

45、进一步地，所述根据每一点云数据的空间异常因子、所处空间的地形复杂度、所在扫描线上的所有点云数据的闭运算残差，得到异常点云数据的具体计算步骤为：

46、将第个点云数据所在的扫描线，前后相邻的扫描线，记为第个点云数据所在的扫描线的相邻扫描线；

47、将第条扫描线上的所有点云数据的闭运算残差的均值，记为第条扫描线的闭运算整体残差值；

48、根据第条扫描线上的每一点云数据的闭运算残差，得到一个闭运算残差序列，将其记为第条扫描线的闭运算残差序列；

49、将第个点云数据所在的扫描线的闭运算残差序列内的每一闭运算残差，减去第个点云数据所在的扫描线的所有相邻扫描线的闭运算整体残差值的均值，得到第个点云数据所在的扫描线的更新残差序列；

50、对第个点云数据所在的扫描线的更新残差序列进行傅里叶变换，得到若干不同频率的正弦波，并将获取的所有频率的正弦波的幅度值的平方之和，记为第个点云数据的最终幅值；

51、获取第个点云数据的频域异常因子的具体计算公式如下：

52、

53、式中，表示第个点云数据的频域异常因子，表示第个点云数据所处空间的地形复杂度，表示第个点云数据的最终幅值，为以自然常数为底的指数函数；

54、根据每一点云数据的频域异常因子与空间异常因子，得到异常点云数据。

55、进一步地，所述根据每一点云数据的频域异常因子与空间异常因子，得到异常点云数据的具体计算步骤为：

56、对所有点云数据的空间异常因子从小到大排序，取相邻差值的绝对值的最大值，对应的两个空间异常因子中的最小值，作为第一空间异常阈值；

57、将空间异常因子大于第一空间异常阈值的点云数据，记为异常点云数据；

58、对所有点云数据的频域异常因子从小到大排序，取相邻差值的绝对值的最大值，对应的两个频域异常因子中的最小值，作为频域异常阈值；

59、将频域异常因子大于频域异常阈值的点云数据，记为异常点云数据。

60、本发明的技术方案的有益效果是：

61、1、本发明通过根据每一点云数据周围的点云数据的分布，构建反映局部地形起伏程度的地形复杂度指标，并基于该指标自适应地调整每一点云数据的最终扩散尺度。相比于传统固定半径邻域或固定尺度的图扩散方法，本发明能够在地形复杂区域如山地、陡坡采用较大邻域以保证足够的统计信息，在地形平坦区域如平原采用较小邻域以避免局部细节被平滑，从而克服了点云密度不均匀性和地形多尺度变化对异常检测的干扰，显著提高了异常点云数据的识别准确性。

62、2、本发明在计算最终邻近点云数据的关系权重时，不仅考虑了欧氏距离，还引入了局部统计趋势方向即顺坡方向，并通过向量点乘判断邻近点是否位于当前点的顺坡方向。只有顺坡方向的点被保留，逆坡方向的点因缺乏物理连续性被置零，有效避免了跨地形单元点之间的错误关联。同时，进一步结合坡向角度突变程度和局部高程最低值差异，对权重进行精细调整，使得权重分配更加符合真实地形连续性，减少了非连续地形单元之间的噪声干扰，提高了空间异常因子的可靠性。

63、3、本发明构建了空间异常因子，其中包含两项：第一项利用高程差与距离的比值；第二项引入形态学闭运算残差。两项协同作用，使得本发明能够同时有效识别凸起和凹陷两类典型地形异常，避免了单一高程差指标对凹陷异常响应不足的问题，全面提升了异常检测的覆盖面和灵敏度。

64、4、本发明利用机载lidar线扫描的固有结构，将每一点云数据归入其所在扫描线，并基于扫描线的闭运算残差序列进行中心化处理和傅里叶变换。通过计算功率谱幅度，有效识别传统方法容易忽略的条带偏移型系统误差，进一步提高了异常点云数据的检出率。