地灾与建筑损毁的无人机与地面LiDAR协同观测及评估

点云平面分割的目的是将点云聚类成空间上独立的面状单元。常用的点云平面分割算法有区域增长法（RG）、霍夫变换法（HT）和随机抽样一致性算法（RANSAC）。

其中，区域增长法对种子点的选取要求较高，对点云中的噪声鲁棒性差；霍夫变换法对分割参数的选取敏感，针对低空影像重建点云，受其坐标尺度变化的影响，较难设置合理的分割参数；随机抽样一致性算法具有分割速度快和对分割参数设置要求低的优点，且对点云的噪声具有较强的鲁棒性。为此，本研究采用随机抽样一致性算法进行点云面分割，提取建筑物的平面信息，具体步骤如下。

利用随机抽样一致性算法进行点云平面分割步骤：

算法描述：

采用随机抽样一致性算法将建筑物点云分割成大小不同的面状单元。

输入：

点云数据PCSet；拟合模型（平面P）及其参数：

n——拟合平面模型所需要的最小点数；

k——拟合平面模型所需的最多迭代次数；

t——判断点是属于拟合平面的距离阈值；

d——距离平面最近且用来评估拟合平面质量的点数。(www.xing528.com)

输出：

一系列由点聚类成的分割单元Segset={Seg1，Seg2，…，Segi}。

注：Segi表示用来拟合第i个平面用到的点集；同时输出的还有拟合平面的模型参数和其拟合误差（Fischler和Bolles，1981）。

算法步骤：

步骤1：从PCSet中随机抽取n个样本拟合模型P。

步骤2：选取剩余点云PCSet/n中到P距离<t的点与n组成新的样本集n∗，称为内点集或平面P的一致性集。

步骤3：判断：若n∗中点的个数>d，则对n∗重新拟合新的平面模型P；反之，重复步骤1、步骤2，直到满足步骤3的判断条件。

步骤4：对步骤1～步骤3迭代k次，选出包含点数最多的一致性点集作为某平面的拟合点，完成一个Segi的分割过程。

步骤5：迭代步骤1～步骤4，直到屋顶的Segset全部分割完成。