라이다 정확도 및 품질 향상 방법
2025 년 12 월 9 일다른 모든 상품이나 원자재와 마찬가지로, 라이다와 같은 포인트 클라우드 데이터의 품질은 파생 제품의 품질에 직접적인 영향을 미칩니다. 요구되는 기준에 미치지 못하는 위치 정확도를 가진 포인트 클라우드는 부정확한 디지털 지형 모델(DTM)을 생성하며 , 잘못 분류된 포인트는 추출된 벡터 특징을 왜곡시키고, 예상 고도 범위를 벗어나는 노이즈 포인트는 후속 분석이나 데이터 처리 워크플로를 손상시킬 가능성이 높습니다.
Global Mapper Pro® 는 포인트 클라우드 데이터의 편집, 필터링 및 전반적인 품질 향상을 위한 다양한 도구를 제공합니다 . 업데이트된 포인트 클라우드는 Pro의 광범위한 분석 도구 에서 활용하거나 , 최종 결과물 로 개선된 LiDAR 데이터를 생성하기 위해 내보낼 수 있습니다.
가져오기 중 필터링
Global Mapper에 포인트 클라우드 데이터를 가져오는 사용자는 파일을 불러오자마자 가져올 포인트를 지정할 수 있는 여러 옵션이 표시되는 것을 확인할 수 있습니다. 이러한 옵션에는 선택한 범위 내의 포인트만 불러오기, 가져온 포인트를 자르기, 로드 및 처리 시간 단축 등이 포함됩니다. 이러한 내장 필터링 기능은 편리하지만, 일반적으로 데이터셋 전체를 먼저 살펴보는 것이 가장 좋습니다. 불러오기 후 포인트 분포, 분류 및 전반적인 특성을 빠르게 검토하면 어떤 필터가 가장 신뢰할 수 있는 결과를 제공할지 결정하는 데 필요한 맥락을 파악할 수 있습니다.
LiDAR 가져오기 대화 상자는 지도 보기에서 데이터가 표시되기 전에 데이터를 필터링할 수 있는 다양한 옵션을 제공합니다.
메타데이터 접근
데이터셋을 평가하는 첫 번째 단계는 흔히 데이터셋을 살펴보는 것입니다. 포인트 클라우드가 관심 영역을 완전히 포함하고 있는지, 아니면 누락된 부분이 있는지 확인합니다. 3D 뷰어에서 볼 때 수직으로 솟아오른 부분이나 움푹 들어간 부분이 눈에 띄는지 살펴봅니다.
시각적 검사 외에도, 보다 신중한 품질 관리 단계는 제어 센터에서 레이어를 마우스 오른쪽 버튼으로 클릭하여 확인할 수 있는 레이어 메타데이터에서 시작됩니다. Global Mapper는 여기에서 고도 범위, 평균 포인트 밀도 및 간격, 수집 날짜, 기존 포인트 분류를 포함한 주요 세부 정보를 표시합니다. 이 스냅샷을 통해 데이터가 어떻게 수집되었고 어떤 내용을 포함하는지 즉시 파악할 수 있습니다.
이러한 맥락을 바탕으로, 부족한 부분을 수정하고, 분류를 개선하며, 포인트 클라우드의 전반적인 신뢰성을 강화하기 위한 구체적인 개선 단계를 진행할 수 있습니다.
라이다 정확도와 품질을 향상시키는 과정은 크게 편집과 필터링 두 가지 범주로 나뉩니다. 편집은 일반적으로 포인트의 특성을 업데이트하는 것을 의미하며, 필터링은 불필요하거나 오류가 있는 것으로 판단되는 포인트를 제거하는 것을 의미합니다. 이 두 가지 절차는 종종 동시에 적용됩니다.
포인트 클라우드 편집
포인트 클라우드 데이터를 다룰 때 가장 일반적인 단계 중 하나는 표면 유형을 나타내는 분류 값을 할당하거나 업데이트하는 것입니다. 일반적인 클래스에는 지면, 건물, 식생 등이 있습니다. 특히 사진측량을 통해 생성된 데이터 세트의 경우, 모든 포인트가 분류되지 않은 상태로 시작되는 경우가 많아 구조화된 분석을 수행하기 전에 의미 있는 클래스를 적용해야 합니다.
수동 분류
Global Mapper Pro에서는 수정할 점을 선택하고 툴바에 미리 구성된 분류 버튼을 사용하여 원하는 분류를 적용함으로써 수동으로 분류를 업데이트 할 수 있습니다 . 이 방법은 대규모 재분류에는 효율적이지 않지만, 특히 경로 프로파일 (단면) 보기에서 작업할 때 소규모 점 그룹에 대한 수정이나 빠른 편집에 적합합니다.
자동 분류
보다 효율적인 워크플로는 자동 분류 도구를 활용하는 것입니다 . 이 도구는 알고리즘을 사용하여 라이다 데이터를 분석하고 지면, 키 큰 초목이나 나무, 건물, 지상 유틸리티 케이블, 전봇대 등을 나타내는 점들을 감지합니다. 다른 객체는 분할 도구를 사용하여 수동으로 분류할 수 있습니다 . 이렇게 재분류된 점들은 이후 DTM 생성이나 특징점 추출에 사용할 수 있습니다. 포인트 클라우드가 분류되면 고도 격자 생성이나 나무를 벡터 특징으로 추출하는 등의 추가 분석을 쉽게 수행할 수 있습니다.
자동 분류 도구 세트는 포인트 클라우드를 분석하여 지면, 초목, 건물, 지상 유틸리티 라인 및 전봇대와 같은 특징을 식별합니다. 분할 도구를 사용하여 추가 객체를 분리하여 수동 검토를 수행할 수 있습니다 . 재분류된 포인트는 표면 모델 구축 또는 나무와 같은 자산을 특징 레이어로 추출하는 등의 후속 작업에 활용될 수 있습니다.
맞춤 분류
내장 모델 외에도 사용자 지정 포인트 클라우드 분류 도구를 사용하면 사용자가 자체 클래스를 정의하고 Global Mapper Pro가 이를 인식하도록 학습시킬 수 있습니다. 사용자가 일관된 특징을 나타내는 샘플 포인트를 제공하면 소프트웨어는 해당 포인트의 속성과 형상을 분석하여 분류 시그니처를 생성합니다. 이 시그니처는 사용자 지정 학습 모델의 기반이 됩니다.
X, Y, Z 값 편집
라이다 품질을 향상시킬 수 있는 또 다른 측면은 위치 정확도입니다. 데이터 세트가 참조 레이어 또는 다른 포인트 클라우드와 완벽하게 정렬되지 않을 경우, Global Mapper Pro는 3D 위치를 수정하는 데 사용할 수 있는 여러 도구를 제공합니다.
- 수동 오프셋: 전체 레이어를 X, Y, Z축을 따라 이동시키세요.
- 라이다 QC 도구: 점군을 기준점과 비교하고, 오차 발생 시 보고서를 생성하며, 필요한 경우 위치 조정을 수행합니다.
- Fit Lidar 도구: 겹치는 포인트 클라우드에 맞춰 포인트 위치를 조정하고 두 포인트 클라우드 간의 고도 차이를 시각화합니다. (더 자세한 안내는 다음을 참조하세요.) 관련 블로그를 참조하세요.)
- 이미지 보정 도구: 보정 워크플로를 사용하여 포인트 클라우드를 알려진 3D 지상 기준점에 맞춰 재정렬합니다.
각 방법은 적용된 보정을 반영하여 점의 좌표 또는 고도를 업데이트합니다. 포인트 클라우드 위치 정확도 향상에 대한 추가 지침은 이 문서를 참조하십시오.
포인트 클라우드 데이터 필터링
거의 예외 없이, 포인트 클라우드는 분석, 표면 생성 또는 특징 추출 워크플로를 시작하기 전에 필터링해야 합니다. 필터링 프로세스는 데이터의 지리적 범위 또는 더 일반적으로는 데이터의 고유 속성이나 특성을 기반으로 할 수 있습니다.
LiDAR 디스플레이 도구
버전 26.2에서 새롭게 개편된 LiDAR/지형 표시 컨트롤에는 포인트 필터 인터페이스 가 있어 LiDAR 포인트 클라우드든 사진측량 포인트 클라우드든 특정 기준을 충족하는 포인트를 빠르고 쉽게 확인할 수 있습니다. 필터링 가능한 속성은 포인트 메타데이터를 기반으로 자동으로 채워지고 계산되므로 고도, 강도 또는 RGB 값과 같은 기본 속성의 한계를 뛰어넘습니다. 히스토그램 슬라이더를 사용하여 사용자는 실시간으로 표시할 포인트를 신속하게 조정하여 데이터 세트를 정밀하게 제어할 수 있습니다. 필터링된 포인트는 화면에서 숨겨지지만 삭제되지는 않으며 언제든지 복원할 수 있습니다.
지리적 필터링
다른 벡터 데이터와 마찬가지로 포인트 클라우드도 미리 선택한 다각형 범위로 자를 수 있어 후속 처리 과정에서 중복을 제거하는 간단한 방법을 제공합니다. 이는 데이터 가져오기 과정에서 사용할 수 있는 필터링 옵션 중 가장 유용한 기능일 수 있지만, 데이터 로드 후에도 적용할 수 있습니다.
점들의 근접성을 필터링 기준으로 활용할 수도 있습니다. Global Mapper Pro의 간소화 도구는 정의된 밀도 또는 간격 요구 사항에 따라 점들을 제거하고, 인접한 점들 중에서 가장 높은, 가장 낮은 또는 가장 높은 평균 고도를 가진 점만 남깁니다. 이 기능은 특히 사진측량으로 생성된 고밀도 포인트 클라우드를 처리할 때 유용합니다.
마찬가지로, 모델 키 포인트 도구 도 포인트 클라우드를 간소화하지만, 데이터의 특징을 나타내는 데 필요한 최소한의 포인트로 포인트 클라우드를 줄이는 방식으로 작동합니다.
소음 제거
노이즈 포인트는 지정된 지역 내에서 정상 고도 범위를 벗어난 지점으로 정의됩니다. 노이즈 포인트는 데이터 수집 과정의 문제, 대상 지역의 물리적 이상 현상(예: 항공기 아래로 새가 날아가는 경우) 또는 기타 여러 가지 이유로 발생할 수 있습니다. Global Mapper Pro의 노이즈 식별 도구는 지정된 매개변수 및 고도 임계값을 기반으로 노이즈 포인트를 재분류하거나 즉시 제거 또는 삭제할 수 있습니다.
분류별 필터링
포인트 클라우드를 래스터 DTM으로 변환하는 과정의 첫 번째 단계는 필연적으로 지면으로 분류 되지 않은 포인트를 제거하는 것입니다 . 지면이 아니거나 분류되지 않은 포인트를 유지하면 지상 구조물이 포함된 표면이 생성되어 대상 지역의 지표면 형태를 제대로 반영하지 못하게 됩니다. 여기서 필터링은 간단한 클래스 선택 과정으로, 화면에 표시된 포인트에 적용하거나 그리딩 또는 표면 생성 과정 중에 적용할 수 있습니다. 어느 경우든, 결과 래스터 레이어의 픽셀에 할당된 고도는 포인트 클라우드에서 선택된 하위 집합을 기반으로 결정됩니다.
포인트 클라우드 내보내기
Global Mapper Pro는 다양한 편집 및 필터링 도구를 제공하지만, 이 문서에서 설명하는 개선 절차는 원본 파일이나 불러온 레이어에 자동으로 저장되지 않는다는 점에 유의해야 합니다. 포인트 클라우드 개선 절차의 결과를 파일로 저장하려면 해당 포인트 클라우드 형식으로 데이터를 내보내야 합니다. 새 레이어는 수정된 모든 포인트 특성을 상속받으며, 불필요한 포인트를 필터링하거나 삭제한 후 남은 포인트만 포함하게 됩니다.
Global Mapper Pro의 강력한 분석, 추출 및 표면 생성 도구는 지리공간 전문가들로부터 가장 많은 관심과 찬사를 받는 것은 당연합니다. 그러나 이러한 과정에서 Pro의 편집 및 필터링 도구가 수행하는 중요한 역할 또한 간과할 수 없습니다. 원자료의 품질이 좋을수록 최종 결과물의 품질도 향상됩니다.
Global Mapper Pro와 LiDAR 정확도 도구에 대해 더 자세히 알아보시려면 14일 무료 평가판을 다운로드하고 지금 바로 데모를 요청하세요 ! 더 궁금한 사항은 저희에게 문의해 주세요.
이 블로그 글이 도움이 되셨다면, 라이다 정확도와 품질 향상에 유용한 다른 자료들도 살펴보세요.
