CN103390169B - 一种车载激光扫描点云数据的城市地物分类方法 - Google Patents

Abstract

本发明提供了一种车载激光扫描点云数据的城市地物分类方法，主要分为两大步骤：结合行车轨迹数据，对原始车载激光扫描点云数据进行道路面滤波，将道路面点云数据与其他地物点云数据分离开；将所得其他地物点云数据进一步识别为不同的地物类型。在道路面滤波算法中，本发明结合行车轨迹数据，并引入直方图统计分析方法，大大提高了城市环境中道路面滤波算法的自适应程度、自动化程度以及精确度；在其他地物分类算法中，本发明改进了基于最大高程值的点云特征图像分类法，并利用元胞自动机技术修正被误分的点云数据，为车载激光扫描点云数据分类算法提供了一种新的思路和方法。

Description

一种车载激光扫描点云数据的城市地物分类方法

技术领域

本发明涉及车载激光雷达技术领域，尤其涉及车载激光扫描点云数据的分类方法。

背景技术

20世纪70年代，美国航天局（NASA）研发了激光雷达测量技术（LIDAR，LightDetection And Ranging），为获取空间信息提供了一种全新的技术手段。到20世纪80年代，德国斯图加特大学将激光雷达技术与及时定位定姿***结合，以飞机作为载体，成功研发机载激光雷达测量***（ALSS，Airborne Laser Mapping System）。在20世纪80年代末，以车辆作为搭载平台的车载移动测量***（MMS，Mobile Mapping System）研制成功。该技术提供了一种可靠、灵活、高效的方式，实现了快速采集道路及道路两旁相关地物的高精度三维数据。然而，原始的车载激光扫描点云数据实际上就是杂乱无章的海量三维坐标点集合，包含了道路、建筑物、树木、立杆等各种地物，数据体量大。因此，在对车载激光扫描点云数据进行进一步处理或三维建模之前，如果能够将其准确的分类，将会大大提高后续数据处理的效率和精度。

相较于车载激光扫描点云数据，针对机载激光扫描点云数据的分类方法研究更加成熟。例如：《一种机载激光雷达点云数据的自动分类方法》（申请号：200910272643.0）、《一种机载激光点云数据的快速滤波方法》（申请号：201110337099.0）、《种机载激光点云数据的智能化滤波方法》（申请号：201210350254.7），上诉三个发明专利针对机载激光点云数据均提出了相应的滤波方法以及分类方法。但是由于作业方式不同，车载激光扫描点云数据与机载激光扫描点云数据的差异较大，因此无法将机载激光扫描点云数据的分类方法直接运用在车载激光扫描点云数据上。

近些年，国内外诸多学者针对车载激光扫描点云数据先后提出了一些分类方法。但是这些方法的自适应程度较低，通常需要手动设定较多阈值，针对城市复杂环境中的车载激光扫描点云数据无法实现高效、精确的分类。

发明内容

本发明的目的在于解决现有技术中所存在的问题，结合车载激光扫描***的行车轨迹数据，并引入直方图统计分析、元胞自动机等技术，以提高当前车载激光扫描点云数据分类方法的自动化程度、效率以及精确度。

本发明所提供的技术方案包括一种车载激光扫描点云数据的城市地物分类方法，包含以下步骤：

步骤1，结合行车轨迹数据，对原始车载激光扫描点云数据进行道路面滤波，将道路面点云数据与其他地物点云数据分离开，包括以下子步骤，

步骤1.1，根据行车轨迹数据，沿行车轨迹方向，以每个行车轨迹节点作为中心点，构建矩形滤波窗口，对落在矩形滤波窗口内的数据进行直方图统计分析确定道路面阈值范围，得到初步道路面点云数据；

步骤1.2，对步骤1.1所得到的初步道路面点云数据从距离和角度两个维度进行分析，按照扫描线排列的方式进行整理，标记初步道路面点云数据中每一个道路面数据点所属的扫描线编号；

步骤1.3，对经步骤1.2扫描线整理后所得到的道路面点云数据按照扫描线编号顺序进行逐扫描线分析，包括对每条扫描线，依次计算该扫描线中每个道路面数据点与其前后相邻两道路面数据点的高程差，如果两个高程差均超出预设高程差阈值，则将该道路面数据点作为杂点剔除；从步骤1.1所得到的初步道路面点云数据剔除杂点后，保留的道路面数据点作为最终的道路面点云数据，从原始车载激光扫描点云数据中剔除最终的道路面点云数据后，得到其他地物点云数据；

步骤2，将步骤1所得其他地物点云数据进一步识别为不同的地物类型，包括以下子步骤，

步骤2.1，以每个行车轨迹节点作为中心点，根据预设构建圆形区域，根据步骤1.3所得结果搜索落在圆形区域中的道路面点云数据，依次计算每个圆形区域中所有道路面数据点的平均高程值并作为相应行车轨迹节点处的道路面高程值；

步骤2.2，遍历计算其他地物点云数据中每一个数据点分别与所有行车轨迹节点的水平距离，选取与当前所遍历数据点距离最近的行车轨迹节点，将当前所遍历的数据点的高程值与步骤2.1所得相应行车轨迹节点附近道路面高程值作差，得到其他地物点云数据中每个数据点相对于附近道路面的相对高程值；

步骤2.3，根据预设采样间隔，构建水平面矩形规则格网，将经步骤2.2高程改正后所得到的其他地物点云数据投影到水平面矩形规则格网中，统计落在每个格网单元中所有数据点的最大高程值并作为该格网单元的特征值，生成点云特征图像；

步骤2.4，通过预设类别阈值进行初步分类，得到每个格网单元对应所属类别的编号，构成其他地物初步分类结果；

步骤2.5，对经步骤2.4所得到的其他地物初步分类结果，运用元胞自动机进行预设次数的演变，得到最终的其他地物分类结果。

而且，步骤1.1包括以下子步骤，

步骤1.1.1，根据原始车载激光扫描点云数据所覆盖的范围，构建二维空间规则格网索引，计算每一个数据点所属格网单元编号并生成索引文件；

步骤1.1.2，遍历行车轨迹节点，依次构建矩形滤波窗口，根据索引文件搜索落在矩形滤波窗口中的所有数据点；

步骤1.1.3，对步骤1.1.2所得到的矩形滤波窗口内所有数据点的高程值进行直方图统计分析，统计方式如下，

以当前矩形滤波窗口内最低数据点的高程作为起点，根据预设区间长度从低到高进行分区，设分为n个区间，依次统计落在每个区间中的点数，并从低到高依次对n个区间进行编号为0，1，2，…，n-1；挑选出点数最多的5个区间，并确定这5个区间所对应的区间编号；

对这5个区间号按照从小到大的顺序进行排列，以点数最多的区间MaxBin为中心，分别向上、向下遍历剩余4个区间，挑选出剩余4个区间中与MaxBin依次相邻的区间，形成一个连续区间段；

检查连续区间段内最小区间编号是否为0，

如果为0，则将该连续区间段作为道路面阈值范围，将落入该连续区间段内的数据点认定为道路面数据点，得到初步道路面点云数据；

如果不为0，则将该连续区间段以及低于该连续区间段的所有区间段作为道路面阈值范围，将该连续区间段内的数据点以及低于该连续区间段的所有数据点均认定为道路面数据点，得到初步道路面点云数据。

而且，步骤2.5中元胞自动机的构建规则为，元胞为经步骤2.4初步分类后的格网单元，每个元胞的状态值为格网单元的类别编号，元胞空间为经步骤2.4初步分类后的所有格网单元构成的集合；

每次演变对元胞空间中所有的元胞按照所设定的元胞自动机规则遍历1次，所述元胞自动机规则包括如下子步骤，

步骤a，判别当前元胞的状态值S是否为0，如果为0则不进行后续判别并保持该状态值，如果不为0则继续后续步骤b；

步骤b，统计当前元胞的Moore邻居内所有状态值的个数sum_type，如果存在某个状态值k的个数sum_k大于4，则将当前元胞的状态值更改为k并结束对该元胞的判别，如果不存在则继续后续步骤c；

步骤c，统计当前元胞的Moore邻居内所有状态值得到最大状态值S_max，如果S_max比当前元胞状态值S大则将当前元胞的状态值更改为S_max，否则保持不变。

本发明提供的技术方案结合了道路面滤波和其他地物分类。在道路面滤波算法中，本发明结合行车轨迹数据，并引入直方图统计分析方法，大大提高了城市环境中道路面滤波算法的自适应程度、自动化程度以及精确度；在其他地物分类算法中，本发明改进了基于最大高程值的点云特征图像分类法，并利用元胞自动机技术修正被误分的点云数据，为车载激光扫描点云数据分类提供了一种新的思路和方法。

附图说明

图1为本发明实施例的整体流程图；

图2为本发明实施例的道路面滤波流程图；

图3为本发明实施例的道路面矩形滤波窗口构建示意图；

图4为本发明实施例的基于行车轨迹数据的移动窗口滤波流程图；

图5为本发明实施例的其他地物分类流程图；

图6为本发明实施例的基于点云特征图像法的其他地物初步分类流程图；

图7为本发明实施例的Moore型邻居模型，即八邻域邻居模型。

具体实施方法

本发明技术方案可采用计算机软件技术实现自动运行流程。为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述。

参照图1，本发明实施例提供了一种车载激光扫描点云数据的城市地物分类方法，包括：

步骤1，结合行车轨迹数据，对原始车载激光扫描点云数据进行道路面滤波，将道路面点云数据与其他地物点云数据分离开；

步骤2，将步骤1剔除道路面点云数据后所得到其他地物点云数据进一步识别为建筑物、立杆、树木以及其他地物类型等不同的地物类型。

进一步作为优选的实施方式，参照图2，所述步骤1包括：

步骤1.1，基于行车轨迹的移动矩形滤波窗口滤波算法：根据行车轨迹数据，沿行车轨迹方向，以每个行车轨迹节点作为中心点，构建矩形滤波窗口，对落在该移动矩形滤波窗口内的数据进行直方图统计分析，以确定道路面阈值范围，得到初步道路面点云数据。

参照图3，实施例矩形滤波窗口的构建方法具体为：

沿行车轨迹方向，以每个行车轨迹节点作为中心点，构建矩形滤波窗口。对于每个行车轨迹节点O，构建该行车轨迹节点O到其后相邻行车轨迹节点A的向量可以得到垂直的向量矩形滤波窗口的相邻两边则分别平行于方向和方向。在矩形滤波窗口中，平行于方向的边长长度length为平行于方向的边长长度width只要大于道路面宽度即可，如图中行车轨迹节点O左右各扩展至-width/2、+width/2。具体实施时，本领域技术人员可自行根据具体道路情况预设width取值，本实施例中width取40米。

进一步作为优选的实施方式，参照图4，所述步骤1.1包括：

步骤1.1.1，根据原始车载激光扫描点云数据所覆盖的范围，构建二维空间规则格网索引，建议设格网边长为矩形滤波窗口边长width的二分之一，即20米。遍历原始车载激光扫描点云数据，计算每一个数据点所属格网单元编号i和j，生成索引文件。其中，i代表水平方向格网单元编号，j代表竖直方向格网单元编号，i和j的取值范围取决于原始车载激光扫描点云数据所覆盖的范围。在步骤1.1.2中搜索矩形滤波窗口中数据点时，运用该索引文件可以大大提升运算效率。

步骤1.1.2，遍历行车轨迹节点，依次构建矩形滤波窗口，搜索落在矩形滤波窗口中的所有数据点。具体搜索方法为：

首先，确定行车轨迹节点route_k在步骤1.1.1中所构建的格网空间中的格网单元grid_ij。假设与原始车载激光扫描点云数据所对应的行车轨迹节点有p个，则k的取值范围为1,2,3，…，p，k代表当前运算的行车轨迹节点的编号。

然后，为了加快搜索效率，读取步骤1.1.1中所生成的格网文件，搜索格网单元grid_ij以及grid_ij的八邻域空间，参照图7，即grid_(i-1)(j-1)，grid_(i-1)j，grid_(i-1)(j+1)，grid_i(j-1)，grid_i(j+1)，grid_(i+1)(j-1)，grid_(i+1)j，grid_(i+1)(j+1)。对上述九个格网单元中的数据点，依次计算每个数据点到和的距离d_OA和d_OB，如果d_OA小于width并且d_OB小于length，则该点即落在矩形滤波窗口内。遍历完成，即可确定落在矩形滤波窗口中的所有数据点。

步骤1.1.3，对步骤1.1.2所得到的矩形滤波窗口内所有数据点的高程值进行直方图统计分析。具体统计方式为：以当前矩形滤波窗口内最低数据点的高程作为起点，根据预设区间长度进行分区，本领域技术人员可以自行预设取值。实施例中0.1米作为区间长度，设共有n个区间。依次统计落在每个区间中的点数，直到覆盖该矩形滤波窗口中的最大高程值。从低到高依次对n个区间进行编号为0，1，2，…，n-1。挑选出点数最多的5个区间，并确定这5个区间所对应的区间编号。对这5个区间号按照从小到大的顺序进行排列，以点数最多的区间MaxBin为中心，分别向上、向下遍历剩余4个区间，挑选出剩余4个区间中与MaxBin依次相邻的区间，即与点数最多区间高程相邻的区间，形成一个连续区间段。比如，点数最多的5个区间按照编号从小到大依次为0、1、2、3、5，其中点数最多的区间编号MaxBin为2，向上遍历1、0，0、1、2依次相邻，向下遍历3、5，2、3相邻，但3、5不相邻；则0、1、3均为与MaxBin依次相邻的区间。挑选完成之后，检查该连续区间段内最小区间编号是否为0：如果为0，则将该连续区间段作为道路面阈值范围，将落入该连续区间段内的数据点即认定为道路面数据点（即道路面点）；如果不为0，则将该连续区间段以及低于该连续区间段的所有区间段作为道路面阈值范围，即除了将该连续区间段内的数据点认定为道路面数据点之外，将低于该连续区间段的所有数据点均认定为道路面数据点，得到初步道路面点云数据。

步骤1.2，对步骤1.1所得到的初步道路面点云数据从距离和角度两个维度进行分析，将其按照扫描线排列的方式进行整理，标记初步道路面点云数据中每一个道路面数据点所属的扫描线编号。

在存储车载激光扫描点云数据的文件中，点记录一般是按照车载激光扫描***采集时间先后进行排列的。依次读取点云数据文件中的点记录，分别计算距离和角度。这里，“距离”指分别计算初步道路面点云数据中每一个点与其后一相邻点的距离distance；“角度”指将初步道路面点云数据中每一个点与其前后两相邻点分别构成向量，计算该两向量的夹角angle。

分别设定距离阈值和角度阈值，如果某一点同时满足distance大于所设定距离阈值，angle小于所设定角度阈值，则将该点认定为扫描线的端点。具体实施时，本领域技术人员可自行根据具体道路情况预设距离阈值和角度阈值，本实施例中距离阈值设为5米，角度阈值设为90度。

步骤1.3，对经步骤1.2扫描线整理后所得到的道路面点云数据，按照扫描线编号顺序进行逐扫描线分析。对每条扫描线，依次计算该道路面扫描线中每个道路面数据点与其前后相邻两道路面数据点的高程差，并设定阈值，如果两个高程差均超出阈值，则认定其为“杂点”，将其剔除掉。具体实施时，本领域技术人员可自行预设高程差阈值，本实施例中高程差阈值设为0.2米。对于扫描线端点，则只需判断该端点与其相邻一点的高程差，如果大于0.2米，即认定该端点为“杂点”，并将其剔除掉。从步骤1.1所得到的初步道路面点云数据剔除杂点后，保留的道路面数据点即最终的道路面点云数据。从原始车载激光扫描点云数据中剔除最终的道路面点云数据后，得到其他地物点云数据。

进一步作为优选的实施方式，参照图5，所述步骤2包括：

步骤2.1，参照图6，以每个行车轨迹节点作为中心点，设置一个较小的半径，构建圆形区域，根据步骤1.3所得结果搜索落在圆形区域中的道路面点云数据，依次计算每个圆形区域中所有道路面数据点的平均高程值，将其作为该行车轨迹节点处的道路面高程值。具体实施时，半径取值可由本领域技术人员预先设定，建议通过取值使以每个行车轨迹节点为圆心构建的圆形区域中的道路面数据点个数大于10。本实施例中，半径取值为1米。

步骤2.2，参照图6，遍历经步骤1剔除道路面点云数据后所得到的其他地物点云数据，依次计算其他地物点云数据中每一个数据点分别与所有行车轨迹节点的水平距离。经过比较，选取与当前所遍历数据点距离最近的行车轨迹节点，将当前所遍历的数据点的高程值与步骤2.1计算得到的该行车轨迹节点附近道路面高程值作差，实现高程改正，得到其他地物点云数据中每个数据点相对于其附近道路面的相对高程值，以避免道路面起伏所带来的分类误差和影响。

步骤2.3，参照图6，根据预设采样间隔构建水平面矩形规则格网，将经步骤2.2高程改正后所得到的其他地物点云数据投影到水平面矩形规则格网中，根据其他地物点云数据中每个数据点相对于附近道路面的相对高程值统计落在每个格网单元中所有数据点的最大高程值，将其作为该格网单元的特征值，从而生成点云特征图像。构建水平面矩形规则格网为现有技术，水平面即指大地坐标系的XOY平面，本发明不予赘述。具体实施时，建议采样间隔取一个较小的值，比如0.1米，以避免将本属于不同地物的点云数据划分在同一格网单元中。通过步骤2.1至2.3所提供改进的最大高度值法，生成点云特征图像。

步骤2.4，通过阈值分割进行其他地物初步分类：参照图6，具体实施时，可针对具体城市环境中不同的地物类型预先设定其高程阈值，比如建筑物、立杆、树木，并为每一类地物进行编号，设共有t类地物，用0表示没有点云数据分布的格网单元，按照从低到高的顺序依次编号为0，1，2，…，t。运行本步骤时，对步骤2.3生成的点云特征图像以每个格网单元为单位，通过阈值分割进行初步分类，将其划分为建筑物、立杆、树木以及其他地物等，并将与其所属类别对应的编号赋给每个格网单元，得到其他地物初步分类结果。

步骤2.5，对经步骤2.4所得到的其他地物初步分类结果，运用元胞自动机原理进行一定次数的演变，每次演变对元胞空间中所有的元胞按照所设定的元胞自动机规则遍历1次，以修正被误分的格网单元值，提高分类结果的准确度，降低可能由于在步骤2.3中采样间隔设置不当所带来的影响。针对地物相互之间比较独立，相互邻接较少的情况，可以进行较多次数的演变，以保证演变充分。而针对地物之间存在较多相邻或相接的情况，元胞自动机演变次数可经过试验进行确定：演变次数过少，会造成演变不充分；演变次数过多，则会造成演变过度。本实施例中，建议演变50次，得到最终的其他地物分类结果。

本实施例中，元胞自动机的构建规则为：

（1）元胞：经步骤2.4初步分类结果后的格网单元，每个元胞的状态值为对应格网单元的类别编号，元胞状态值的取值范围即为步骤2.4中所确定的地物类型编号0，1，2，…，t；

（2）元胞空间：经步骤2.4初步分类结果后的所有格网单元集合；

（3）邻居：Moore型邻居模型，即八邻域邻居模型；

本实施例中，元胞自动机规则具体为：

步骤a，判别当前元胞的状态值S是否为0，如果为0则不进行后续判别并保持该状态值，如果不为0则继续后续步骤b；

步骤b，统计当前元胞的Moore邻居内所有状态值的个数sum_type，如果存在某个状态值k的个数sum_k大于4，则将当前元胞的状态值更改为k并结束对该元胞的判别，如果不存在则继续后续步骤c；

步骤c，统计当前元胞的Moore邻居内所有状态值得到最大状态值S_max，如果S_max比当前元胞状态值S大则将当前元胞的状态值更改为S_max，否则保持不变。

以上所述的具体实施例，对本发明的技术方案进行了进一步详细说明，仅是用以说明本发明的具体实施案例而已，并非用以限定本发明的可实施范围。熟悉本领域的技术人员在不违背本发明所指示的精神与原理下所完成的一切等效变形、替换或修饰，仍包含在本发明权利要求所限定的范围内。

Claims (1)

1.一种车载激光扫描点云数据的城市地物分类方法，其特征在于，包含以下步骤：

步骤1，结合行车轨迹数据，对原始车载激光扫描点云数据进行道路面滤波，将道路面点云数据与其他地物点云数据分离开，包括以下子步骤，

步骤1.1，根据行车轨迹数据，沿行车轨迹方向，以每个行车轨迹节点作为中心点，构建矩形滤波窗口，对落在矩形滤波窗口内的数据进行直方图统计分析确定道路面阈值范围，得到初步道路面点云数据；包括以下子步骤，

步骤1.1.1，根据原始车载激光扫描点云数据所覆盖的范围，构建二维空间规则格网索引，计算每一个数据点所属格网单元编号并生成索引文件；

步骤1.1.2，遍历行车轨迹节点，依次构建矩形滤波窗口，根据索引文件搜索落在矩形滤波窗口中的所有数据点；

步骤1.1.3，对步骤1.1.2所得到的矩形滤波窗口内所有数据点的高程值进行直方图统计分析，统计方式如下，

以当前矩形滤波窗口内最低数据点的高程作为起点，根据预设区间长度从低到高进行分区，设分为n个区间，依次统计落在每个区间中的点数，并从低到高依次对n个区间进行编号为0，1，2，…，n-1；挑选出点数最多的5个区间，并确定这5个区间所对应的区间编号；

对这5个区间号按照从小到大的顺序进行排列，以点数最多的区间MaxBin为中心，分别向上、向下遍历剩余4个区间，挑选出剩余4个区间中与MaxBin依次相邻的区间，形成一个连续区间段；

检查连续区间段内最小区间编号是否为0，

如果为0，则将该连续区间段作为道路面阈值范围，将落入该连续区间段内的数据点认定为道路面数据点，得到初步道路面点云数据；

如果不为0，则将该连续区间段以及低于该连续区间段的所有区间段作为道路面阈值范围，将该连续区间段内的数据点以及低于该连续区间段的所有数据点均认定为道路面数据点，得到初步道路面点云数据；

步骤1.2，对步骤1.1所得到的初步道路面点云数据从距离和角度两个维度进行分析，按照扫描线排列的方式进行整理，标记初步道路面点云数据中每一个道路面数据点所属的扫描线编号；

步骤1.3，对经步骤1.2扫描线整理后所得到的道路面点云数据按照扫描线编号顺序进行逐扫描线分析，包括对每条扫描线，依次计算该扫描线中每个道路面数据点与其前后相邻两道路面数据点的高程差，如果两个高程差均超出预设高程差阈值，则将该道路面数据点作为杂点剔除；从步骤1.1所得到的初步道路面点云数据剔除杂点后，保留的道路面数据点作为最终的道路面点云数据，从原始车载激光扫描点云数据中剔除最终的道路面点云数据后，得到其他地物点云数据；

步骤2，将步骤1所得其他地物点云数据进一步识别为不同的地物类型，包括以下子步骤，

步骤2.1，以每个行车轨迹节点作为中心点，根据预设构建圆形区域，根据步骤1.3所得结果搜索落在圆形区域中的道路面点云数据，依次计算每个圆形区域中所有道路面数据点的平均高程值并作为相应行车轨迹节点处的道路面高程值；

步骤2.2，遍历计算其他地物点云数据中每一个数据点分别与所有行车轨迹节点的水平距离，选取与当前所遍历数据点距离最近的行车轨迹节点，将当前所遍历的数据点的高程值与步骤2.1所得相应行车轨迹节点附近道路面高程值作差，得到其他地物点云数据中每个数据点相对于附近道路面的相对高程值；

步骤2.3，根据预设采样间隔，构建水平面矩形规则格网，将经步骤2.2高程改正后所得到的其他地物点云数据投影到水平面矩形规则格网中，统计落在每个格网单元中所有数据点的最大高程值并作为该格网单元的特征值，生成点云特征图像；

步骤2.4，通过预设类别阈值进行初步分类，得到每个格网单元对应所属类别的编号，构成其他地物初步分类结果；

步骤2.5，对经步骤2.4所得到的其他地物初步分类结果，运用元胞自动机进行预设次数的演变，得到最终的其他地物分类结果，

元胞自动机的构建规则为，元胞为经步骤2.4初步分类后的格网单元，每个元胞的状态值为格网单元的类别编号，元胞空间为经步骤2.4初步分类后的所有格网单元构成的集合；

每次演变对元胞空间中所有的元胞按照所设定的元胞自动机规则遍历1次，所述元胞自动机规则包括如下子步骤，

步骤a，判别当前元胞的状态值S是否为0，如果为0则不进行后续判别并保持该状态值，如果不为0则继续后续步骤b；

步骤b，统计当前元胞的Moore邻居内所有状态值的个数sum_type，如果存在某个状态值k的个数sum_k大于4，则将当前元胞的状态值更改为k并结束对该元胞的判别，如果不存在则继续后续步骤c；

步骤c，统计当前元胞的Moore邻居内所有状态值得到最大状态值S_max，如果S_max比当前元胞状态值S大则将当前元胞的状态值更改为S_max，否则保持不变。