简介：这是一份面向测绘、电力、林业及环境监测领域初学者与从业者的机载激光雷达技术入门课件，系统讲解LiDAR基本工作原理、硬件组成、数据预处理与点云生成流程，并涵盖DEM生成、目标提取及典型应用场景，内容由浅入深，适合作为课程教学或自学的配套讲义。资源为单个PPTX演示文稿，共1个文件，压缩包大小约8.27MB，版式清晰、图文结合，便于直接用于课堂展示或二次编辑。目前已有772人学习下载，受到相关领域用户的关注。通过学习本讲，读者能够快速理解机载激光雷达的设备构成与制造参数，掌握从原始激光测距数据到三维点云、再到DEM产品的完整处理链条，同时了解当前LiDAR数据处理的主要瓶颈与商业软件开发现状，有助于建立对机载激光雷达技术体系的整体认知，并为后续深入实操或项目应用打下基础。
1. 机载激光雷达数据处理的第一步：先搞清你在和什么数据打交道
做机载激光雷达的人都知道，这个标题最容易被低估的地方在于“组成”和“流程”四个字。一次航飞结束后，内业拿到的往往不是一张像样的图，而是一堆原始记录：激光回波文件、POS轨迹、影像、基站观测文件。机载激光雷达用激光测距配合定位定姿，把地表打成几亿个带坐标的离散点；但在解算完成之前，这些点连一个可靠的平面坐标都没有。它们最终能不能贴合地面，取决于两件事——系统组成是否完整、数据处理流程是否走得干净。这篇博文按这两个主题展开：从硬件组成开始讲，再把从原始记录到DEM产品的每一步说清楚。适合正在接触机载激光雷达数据的测绘、三维GIS和无人机行业工程师。看完之后，你应该能独立判断一套数据从进场到出图的完整路径，以及每一步该检查什么。
2. 机载激光雷达系统组成：五个部件各干什么
2.1 激光扫描仪：测距之外，它还负责把激光“铺”到地面
激光扫描仪是整套系统里最容易被直观理解的设备：发射激光脉冲，接收从地物反射回来的回波，记录发射到接收的时间差，再除以光速并折半，得到斜距。但只有这些还不够——一束激光只能打一个点，为了覆盖整条航带，扫描仪内部需要用摆动镜或旋转棱镜把激光束在垂直航向方向上扫开。这个扫开的幅度就是视场角 FOV。
FOV 直接决定单条航带的地面覆盖宽度。常见做法是在航高 500 米、FOV 60° 的条件下算一下：单侧覆盖约为 500×tan(30°)≈289 米，整条航带宽度约 577 米。FOV 加大，带宽变宽，但边缘入射角变大，点会更稀疏，测量精度也会下降。所以外业航飞设计并不会一味把 FOV 推大。
另一个关键参数是脉冲重复频率 PRF。PRF 越高，单位时间内发出的激光越多，单位面积上的点越密。点密度这个指标后面会反复出现，因为它几乎决定了能做什么产品：1 点/平方米拉出来的是地形骨架，20 点/平方米才能谈单木分割。
2.2 GNSS/IMU：数据处理里最绕不开的定位定姿单元
很多新人第一次接触机载激光雷达时，会默认“激光测的距离就是坐标”，这是最典型的一个误区。实际上飞机一直在运动，激光发射时刻的位置和姿态都是未知的。需要用 GNSS 记录天线相位中心的位置轨迹，用 IMU 记录飞机三个方向上的姿态角，再通过组合导航解算得到激光发射瞬间的外方位元素。这条轨迹和姿态在产品中通常称为 POS 数据，是点云解算的骨架。
IMU 的更新频率通常在 200 Hz 甚至更高，能细腻地描出飞机抖动；GNSS 提供绝对位置，精度在厘米量级，但更新频率低，还会在隧道、山谷等遮挡场景下丢星。两者通过卡尔曼滤波组合后，才能得到既连续又绝对的点云轨迹。做机载激光雷达数据处理流程的人，第一道质量关卡就是看 POS 解算有没有收敛、有没有跳变，而不是急着滤波。
2.3 相机与辅助记录设备：点云之外的另一路观测
现在的机载系统几乎都会挂一台工业相机。相机影像不参与定位，但可以给点云上色，也可以用来做正射影像、房屋纹理，以及在立体环境下目视检查植被、地物和电力线。少数系统还装了全波形记录仪，能把每个回波的完整波形存下来，供后续做波形分解和高精度林下地形提取。
辅助设备里最容易被忽略的是各部件的时间同步。GNSS、IMU、扫描仪各有各的时钟，解算点云时需要对时间标签做对齐。时间同步一旦出错，点云和轨迹会错位，经常表现为“整体倾斜”或者“航带边缘扭曲”。这类异常在软件界面里看不太明显，但要用重叠航带对比才能发现。
2.4 多次回波：理解机载激光雷达数据结构的钥匙
机载激光雷达数据里有一个对后续处理至关重要的字段：回波次数。当激光脉冲打到树冠时，一部分能量在树叶尖端返回，形成第一个回波；剩余能量继续往下，可能在中层枝叶再次返回，再往下才能打到地面。一次发射可以按时间顺序记录多个回波，常见的有“首次回波”“中间回波”和“末次回波”。
所以机载激光雷达并不是真的“穿透”植被，而是靠多次回波在地表缝隙中找到地面点。后续无论是做数字表面模型还是提取树高，都要用到这个字段。下表把系统的主要输出数据源列了出来，后面第三、四章的分析都以这些字段为基础。
| 系统部件 | 输出数据 | 参与数据处理流程的角色 |
|---|---|---|
| 激光扫描仪 | 距离、扫描角、回波次数与强度 | 点云解算的原始测量值 |
| GNSS 接收机 | 天线相位中心轨迹（低频率） | POS 解算的绝对位置约束 |
| IMU | 角速度、加速度（高频率） | 姿态连续插值和扰动改正 |
| 相机（可选） | 序列影像 | 点云着色、正射影像、目视检查 |
| 波形记录仪（可选） | 全波形文件 | 波形分解、精细分类 |
3. 机载激光雷达坐标解算：从激光测距到地面点坐标
3.1 测距的基本公式：光速和时间差的换算
激光测距的原理不需要讲得很玄。扫描仪记录激光脉冲从发射到接收的时间差 t，光速约 c≈3×10⁸ 米/秒，斜距就是 R = c × t / 2。除以 2 是因为这个时间差包含了下行的单程和上行的单程。
工程上更关心的是测距精度和量测范围。机载系统的测距精度一般能做到毫米到厘米级，量测范围则受发射功率、接收灵敏度、地表反射率和扫描角综合影响。高反射率地物（雪地、沙地）能让系统在更高航高下工作，黑色柏油路则容易丢回波。如果你的航带里某些区域稀疏得不像话，先别急着怀疑软件，先看地物反射率是不是太低。
3.2 定位方程：一个点坐标是怎么从天线位置推出来的
单点坐标的计算看起来像一段矩阵链，但逻辑很简单：GNSS 天线相位中心已经在航迹上有了坐标，现在需要把扫描仪测出的距离矢量从这个载体搬到地面上。整个链路可以写成一个合成公式：
P 地面点 = P 天线 + R(姿态) × R(扫描) × (测距矢量)
其中 P 天线来自 POS 解算，R(姿态) 由 IMU 的 roll、pitch、yaw 三个角构成，R(扫描) 由扫描镜角度决定，测距矢量则再乘上斜距 R。三个环节按时间对齐以后，每个激光点就能算出一个三维坐标。这一步通常由厂家软件完成，内部逻辑却是所有后处理的根基。
下面这段 Python 代码用来生成导航坐标系和机体坐标系之间常用的旋转矩阵，实际软件里用的就是同一套旋转关系。
import numpy as np def rotation_matrix(roll_deg, pitch_deg, yaw_deg): roll, pitch, yaw = np.deg2rad([roll_deg, pitch_deg, yaw_deg]) cr, sr = np.cos(roll), np.sin(roll) cp, sp = np.cos(pitch), np.sin(pitch) cy, sy = np.cos(yaw), np.sin(yaw) R = np.array([ [cy * cp, cy * sp * sr - sy * cr, cy * sp * cr + sy * sr], [sy * cp, sy * sp * sr + cy * cr, sy * sp * cr - cy * sr], [-sp, cp * sr, cp * cr] ]) return R # 示例：给出一组姿态角，得到用于点云方向改正的旋转矩阵 R = rotation_matrix(2.5, -1.0, 180.0) print(R.round(6))这段代码的角色是演示姿态旋转的数值规模：roll 和 pitch 哪怕只差 0.01°，在地面 500 米外也会把测距矢量末端平移 500×tan(0.01°)≈8.7 厘米。IMU 姿态角的稳定性和标定质量，直接影响最终点云在高差区域的贴合程度。
3.3 坐标投影：从大地坐标到平面坐标的最后一公里
激光点的解算结果通常先落到地心坐标系或当地切平面坐标系上，输出到用户手里时再转成通用横轴墨卡托投影或其它平面坐标。这里有个容易踩的坑：不同地区或不同历史项目可能用不同的椭球、基准和投影带，数据和数据之间做拼接时，必须先统一坐标参考系。
POS 解算本身也分实时解算和后处理解算。实时解算依赖机上通讯链路，精度低；后处理用基站数据或精密卫星轨道做差分解算，精度高。常见做法是回到办公环境做后处理，把航带重叠区的坐标差控制在厘米到分米级之后，再进入后续滤波。
提示：点云里每一个点的坐标误差，都是 GNSS 位置误差、IMU 姿态误差、激光测距误差和扫描角误差的合成。孤立地讨论“激光雷达精度”没有意义，要看整条误差链。
4. 机载激光雷达数据处理流程：从航飞记录到干净点云
4.1 标准流程怎么拆
一套完整的机载激光雷达数据处理流程，外业结束之后大概分七步：
- 原始记录完整性检查与基站数据核对；
- POS 组合导航解算，生成轨迹和姿态；
- 原始点云解算，把每条航带的点从距离值变成坐标；
- 航带平差，用重叠区域消除航带之间的系统差；
- 噪声点剔除，把飞鸟、低空颗粒物的异常点拿掉；
- 点云分类，分离地面点、植被点、建筑点和其它点；
- 产品输出，生成数字表面模型、数字高程模型和等高线。
前四步属于测量解算，第 5、6 步属于点云后处理。很多团队把决策重点放在第 6 步滤波算法上，实际更常见的精度事故往往出在第 2 步的 POS 质量上。所以后处理流程中第一件事，是把 POS 解算报告拿出来逐项看。
4.2 数据进场先检查什么
拿到原始数据后，第一件事不是跑自动处理，而是打开 POS 解算软件看一眼精度指标。重点看三处：
- GNSS 解类型：后处理差分是否固定到了整数模糊度，浮点解的时间段越长，越要警惕；
- IMU 概略轨迹与激光航迹是否一致，有无明显台阶或断裂；
- 相邻航带重叠区的高程差直方图，如果系统性偏移超过了预设阈值，说明原始数据存在系统差，需要回到航带平差处理。
这一步耗时不过十几分钟，但能拦下后面一整天的无效计算。产出物是一段处理日志，后续每个环节的验收都要和它做对照。
4.3 地面点提取：用 CSF 做一个能落地的滤波
点云分类有很多成熟算法：基于坡度的、基于数学形态学的、基于布料模拟的。工程上我喜欢先跑一遍布料模拟滤波（CSF），它把点云倒扣在一块“虚拟布料”上，布料贴合地形的部分就是地面点，悬空的部分则是建筑物和植被。它的参数直觉好理解，调起来也快。
下面是一段 PDAL 的 pipeline 配置，完成从原始点云到地面点的完整链路：
{ "pipeline": [ "input.laz", { "type": "filters.assign", "assignment": "Classification[:]=0" }, { "type": "filters.csf", "cloth_resolution": 0.5, "class_threshold": 0.5, "iterations": 500, "slope_smooth": false }, { "type": "filters.range", "limits": "Classification[2:2]" }, "ground.laz" ] }这个配置的意思是：先把所有点的分类字段清零，再用布料模拟把点云分成地面和非地面，最后用范围过滤器只保留分类值为 2 的地面点，写入 ground.laz。这里几个参数需要重点调：cloth_resolution 是布料的网格间距，值越小布料越精细，能贴合细微地形，但也越容易把低矮植被当成地面；class_threshold 是布料和点云之间的最大距离，小于这个距离就认为是地面；iterations 控制布料下降迭代次数，地形越陡、点越多，迭代次数要越大。初次跑一条代表性航带，把 cloth_resolution 设成 1.0 和 0.5 各跑一遍，对比边缘波形再定最终值。
跑完可以用 PDAL 的统计能力检查分类效果，命令行一行就够了：
pdal info ground.laz --statspdal info 会返回点云范围、点数和各维度分布。重点看 Density 表示的实际点密度，再和航飞设计值做对比，如果设计 5 点/平方米、实际只剩 0.8 点/平方米，说明分类参数太激进，把陡坡和低矮草地也滤掉了。
4.4 用 laspy 快速验证回波和分类是否合理
Linux 下也可以用 Python 直接读 LAS/LAZ，快速检查数据处理流程中每一步的字段状态。下面这段代码统计每个点所属的类别和回波数：
import laspy from collections import Counter las = laspy.read("ground.laz") class_counter = Counter(las.classification) return_counter = Counter(las.number_of_returns) print("分类统计:", dict(class_counter)) print("回波统计:", dict(return_counter)) print("点范围:", las.header.mins, las.header.maxs)一段地面点数据里，绝大多数点应当是分类 2，且回波次数为 1；如果出现大量分类 0 或者大比例多次回波，说明第 4.3 小节的滤波没有把植被点清理干净。这个检查建议放在每次分类之后、产品生成之前。laspy 的问题在于 LAZ 需要依赖 lazrs 或 laszip 后端，在 Windows 上装好以后一般不再有性能问题，数据量太大时可以先转成 LAZ 分块处理。
4.5 航带平差什么时候介入
如果重叠区高差一直超标，处理流程必须回到航带平差环节。通常的做法是以某个精度最高的航带作参考，解算其它航带和它的相对旋转、平移偏差。TerraSolid 的 TerraMatch、Riegl 的 RiPROCESS 里都有类似功能，两边都是通过重叠区域的点对求最小二乘解。
提示：航带平差解决的是航带之间的系统差，不是把单个航带内部噪声抹平。先保证噪声剔除，再做平差，顺序不能反。
5. 机载激光雷达精度控制：参数折算、误差分解与质量验收
5.1 航飞参数怎么折算成实际点密度
外业设计时最容易问的一句话是：这个项目要几点/平方米？点密度和航高、PRF、扫描频率、飞行速度有关。先用航高把带宽算出来，再用 PRF 除以扫描频率得到每个扫描周期内点数，最后用飞行速度和扫描频率折算航向方向上的扫描线间隔。举个例子：PRF 400 kHz，扫描频率 200 线/秒，单线就有 2000 个点；飞行速度 60 米/秒时相邻扫描线间距约 0.3 米。把这两个方向的点间距算一下，就能大概估算覆盖点数。
下表是几个常见参数的典型取值范围和它们对结果的直接影响。
| 参数 | 常见范围 | 主要影响 |
|---|---|---|
| 航高 | 300–3000 米 | 带宽、点密度、测距精度、遮蔽阴影 |
| 视场角 | 30°–75° | 带宽、边缘质量 |
| 脉冲重复频率 | 几十 kHz–1 MHz | 点密度、最大测距能力 |
| 扫描频率 | 几十–几百 Hz | 航向点间距 |
| 旁向重叠度 | 20%–40% | 航带拼接、最小飞行架次 |
5.2 三类误差：系统误差、随机误差与粗差
处理机载激光雷达数据的人，心里最好永远装着一张误差分解表。系统误差是反复出现、固定方向的偏差，比如扫描角零点偏移、测距常数加常数项、IMU 与激光扫描仪之间的安装角失调；随机误差来自 GNSS 噪声、IMU 漂移和大气扰动，特点是围绕真值上下起伏；粗差则是飞鸟、低空电线、虚假回波等造成的离群点。三类误差的应对方式完全不同：系统误差靠标定和航带平差，随机误差靠多次观测和滤波，粗差靠统计阈值直接剔除。
用 PDAL 做噪声剔除时，可以根据回波强度和邻域高程突变来筛选。统计窗口取 3×3 或 5×5 个栅格，某个点的高程比周围中位数高出一段较大倍数时，标记为粗差先删掉。注意别把高塔、高压线、悬崖顶这类真实地物误删，要结合回波次数和扫描角一起判断。
5.3 质量验收：别只盯 RMS
行业内通用的验收指标是检查点高程中误差、平面位置中误差和重叠航带一致性。前两个依赖外业布设的控制点，后一个只是纯数据内检。做内检最简单的方式，是把相邻航带的重叠区分别插值成 DEM，然后做差分统计。
gdal_calc.py -A strip01_dsm.tif -B strip02_dsm.tif \ --outfile=diff.tif --calc="A-B" --NoDataValue=-9999gdal_calc 的这段命令把两条航带的 DEM 逐像元相减，diff.tif 里均值接近 0 说明没有系统偏差，标准差反映随机误差的水平。如果均值明显偏移，优先回头查航带平差参数，而不是继续调滤波系数。RMS 小不代表数据没问题，RMS 小但均值偏大，说明误差都被系统差吃掉了一半。
5.4 数据处理流程里的三个常见误用
一是把分类滤波当成精度修复工具，地面点分类救不了系统差；二是用 DSM 代替 DEM，植被密集区的高程误差能到几米到十几米；三是忽视时间同步问题，导致高差看起来像是姿态偏差。这几个误用背后其实是同一件事：对误差来源判断错了。完整的数据处理流程，质量验收应该出现在每一大步之间，而不是最后一刻再集中算总账。
6. 机载激光雷达数据产品的正确用法：从地面点到行业成果
6.1 DSM、DTM、CHM 三兄弟怎么生成
分类完成后的点云，按不同组合插值就能得到不同产品：用首次回波或所有回波插值得到数字表面模型 DSM，保留地物真实表面；用地面点插值得到数字高程模型 DTM，这才是地形本身；两者相减得到冠层高度模型 CHM，是林业估测、单木分割和树高提取的基础。CHM 的计算就是栅格代数运算，DSM 减掉 DTM，剩下的高度就是地物高出地面的部分。
6.2 点云进场后的快速体检技巧
拿到一套新数据，我一般先用一段 Python 脚本做体检，不跑完整流程，只回答三个问题：点里有没有植被、有没有建筑、飞行质量稳不稳。
import numpy as np import laspy las = laspy.read("raw.laz") multi = las.number_of_returns > 1 first_z = las.z[(las.return_number == 1) & multi] last_z = las.z[(las.return_number == las.number_of_returns) & multi] if len(first_z) == 0 or len(last_z) == 0: print("无多次回波，纯裸地或城市平原") else: diff = first_z - last_z print("多次回波占比: %.2f%%" % (100 * multi.mean())) print("回波高差中位数: %.2f m" % np.median(diff)) print("回波高差 75 分位: %.2f m" % np.percentile(diff, 75))同一个激光脉冲的首次回波和末次回波，高度差如果普遍在 0.3 米以下，说明地表基本裸露；差值到一两米以上，说明有大面积植被或建筑等地物。多次回波占比超过 30% 时，林业项目可以判断数据可用，工程测绘项目则要考虑后续滤波压力。这个方法比画断面图快得多，也适合做批处理：把每一架次的数据都跑一遍，点位分布异常会直接暴露出来。
6.3 把最后一道检查放进数据处理流程
把这个快速体检固定成一个批处理脚本，接到数据处理流程最前面。每套数据进场后先出一份体检报告，多次回波占比、回波高差中位数、点密度异常航带一目了然。后处理做得再深入，也建议每隔几小时回到这套快速检查上，对比处理前后点位分布有没有意外变化。下一套数据来的时候，这个脚本就是你和外业之间最直接的对话方式。
本文还有配套的精品资源，点击获取
