Correctie en filtering MLM

Het doel van MLM is om een zo nauwkeurig mogelijke 3D-opname van de buitenruimte te maken (zie figuur A). Figuur A Kleurenweergave MLM-data van deel 1e Havendwarsstraat in LisseVergroot afbeelding Daarom blijven (in tegenstelling tot het AHN) alle datapunten behouden in het eindproduct. Overigens wordt het MLM-principe ook binnenshuis gebruikt, bijvoorbeeld bij het inmeten van een ruimte voor het plaatsen van een keuken. Maar dan is sprake van een statische sensor in plaats van een mobiele. Net als bij AHN worden bij MLM eerst de ritgegevens gebruikt om alle datapunten van een opnamesessie te corrigeren op de bewegingen van het voertuig, zoals hoogteverschillen en verdraaiingen. Ook hier worden voor de correctie afzonderlijk ingemeten paspunten gebruikt om de ingemeten puntenwolk op de juiste hoogte te brengen. Binnen de bebouwde kom worden hiervoor vaak de hoogten van de gemeentelijke rioolputdeksels gebruikt (mits nauwkeurig bekend). In tegenstelling tot AHN vindt bij de eerste oplevering geen verregaande controle of filtering van de datapunten plaats, omdat de puntenwolk als geheel het eindproduct vormt. De gebruiker moet zelf een verdere classificatie (laten) uitvoeren voor toepassing in rioleringsmodellering. Maaiveldmodel Voor water-op-straatsimulaties is een model van het maaiveld nodig. Dit betekent dat de punten die behoren tot (de gewenste delen van) het maaiveld uit de dataset geselecteerd moeten worden. Dit vraagt om een serie van opeenvolgende classificaties, doorgaans op basis van statistische analyses. Vanwege de zeer grote hoeveelheid datapunten kunnen de huidige beschikbare analyses in de gebruikte softwarepakketten een MLM-bestand niet altijd voor 100% filteren. Volledig automatische filtering zou voor MLM leiden tot een onacceptabel verlies aan punten of zou er juist voor zorgen dat foutieve data behouden blijven. Als de laser bijvoorbeeld een kolk in is geschoten, kunnen daardoor honderden meetpunten ontstaan met een ongewenste hoogte (geen maaiveld). Maar honderden punten worden statistisch gezien niet als afwijking gedetecteerd. Daarom is vrijwel altijd nog een zekere handmatige opschoning nodig om ook de laatste restjes ongewenste datapunten te verwijderen. Deze opschoning wordt meestal in een en dezelfde opdracht als deinwinning uitgevoerd en levert dan voor de gebruiker geen extra werk op.