点云滤波算法比较：优化方案

目前，对滤波效果的评价方法有两种：定量分析和目视判定。目视判定是一种传统的判别方法，通过目视方法来对滤波前后的DSM 进行解译，尤其是在分析大型地物和植被的滤除效果上，经常使用目视判定来对其进行判定。2003 年，ISPRS(国际摄影测量与遥感学会)对现有的滤波算法的滤波效果进行了评价，组织专家选取了8 组不同地形条件和不同地物特征的点云数据，并用不同的滤波算法对该数据集进行滤波处理。然后用人工分类方式对样本做了精确的分类。最后，通过研究对比，发布了权威的滤波算法测试报告。定量分析的判别方式主要包括：三类误差评价、Kappa 系数和DEM 插值分析(罗依萍，2010)。

为能够更直观地用数学方法来表达评价标准，研究者引用混淆矩阵来表示滤波结果。对样本区域的所有数据进行统计，比较计算其滤波后分类与真实地类间的混淆程度。如表11-2 所示为混淆矩阵。

表11-2　混淆矩阵(马云栋，2015)

在滤波过程中，只将地面点和非地面点进行分类，所以其混淆矩阵如表11-3 所示。

表11-3　地面点与非地面点混淆矩阵(马云栋，2015)

(www.xing528.com)

表11-3 中，a 和b 分别是正确分类的地面点和地物点，b 和c 是误分点的个数，e 和f是参考样本中地面点和地物点的个数，g 和h 是滤波后地面点和地物点数。

三类误差评价是依据错分类的脚点数所占某一类型点集总数的比例设定的。第Ⅰ类误差(T1)是被误分为地物点的地面点占所有地面点的比例，第Ⅱ类误差(T2)是被误分为地面点的地物点占所有地物点的比例，第Ⅲ类(TA)是错分点占整个数据的比例，分别表示为：

Kappa 系数是一种广泛应用于遥感数据分类精度评定的参数。其在点云滤波中的表达式为：

式中，P 为象元总数；PKK为混淆矩阵对角线元素的值；PK+为真实象元个数；P+K为分类结果中某类像元的个数。当Kappa=1 时，表示与分类结果完全一致，当Kappa=-1 时，表示完全不一致。