基于机载LiDAR点云滤波的矿区DEM构建方法

机载Li DAR数据是进行矿山高植被覆盖区地面塌陷调查的有效工具。利用湖南某矿区的机载Li DAR点云数据,提出了一种基于区域分割的渐进三角网滤波构建DEM的方法。首先,对原始机载Li DAR点云数据进行重新组织,以提高邻域点计算效率;其次,结合高程差计算区域统计值,按照地形情况分割测区内的地面点和非地面点,利用地面点构建初始稀疏TIN模型;然后,通过计算其他点与TIN的距离,渐进加密三角网,提取地面点;最后,剔除孤立点,生成格网间距为1 m的DEM。研究结果表明:基于区域分割的渐进三角网滤波构建的DEM能够较为精细地表达地形信息,特别在高植被覆盖区域,能够提取出高精度的真实地表DEM,可更加准确地表达出矿区高植被覆盖区的地表塌陷位置和范围等信息。     

基于CSF的无人机影像数据点云滤波算法实现与应用

基于无人机影像匹配点云数据技术,提出利用布料模拟滤波算法(Cloth Simnlation Filter,CSF)进行点云滤波计算,结果表明:布料模拟滤波算法在点云滤波匹配过程中,仅需要对六个参数进行简单设定就可以达到预期的地面点和非地面点的滤波匹配效果,地面点的匹配误差率为4.9％,非地面点的误差匹配率为8.4％,总体误差匹配率为6.49％,表明布料模拟滤波算法匹配效果较好,匹配操作过程简单,具有较强的可操作性和可行性.     

一种改进布料模拟滤波的地面点云提取方法

针对传统布料模拟滤波应用在城市竣工测绘中地面点云提取准确性较差的问题，提出了一种基于法线微分的布料模拟滤波算法。该方法先对输入的稠密点云进行预处理，以实现点云降采样和去噪；利用布料模拟滤波对预处理后的点云进行初步的地面提取；最后通过引入法线微分算子，过滤限定阈值外的向量域以分割出目标尺度对应的地面点与非地面点，从而实现地面点云的精确提取。实验结果表明：与渐进形态学滤波和传统的布料模拟滤波相比，该方法能够有效地将地面点与非地面点区分开，实现在大范围复杂城市竣工测绘场景下地面点云的精确提取。     

机载LiDAR建筑物点云渐进提取算法

针对机载LiDAR建筑物点云提取过程中易受植被的影响的问题,本文提出了一种机载LiDAR建筑物点云的渐进提取算法。首先通过布料模拟滤波算法对地面点云与非地面点云进行区分,在此基础上利用最大类间方差法算法（Otsu）对非地面点云进行阈值分割,提取初始建筑物点云;然后根据点云的连通性对初始建筑物点云进行密度聚类分割（DBSCAN）,剔除离群噪声点;最后通过Alpha Shape算法实现建筑物点云的边缘提取。本文选取ISPRS官网提供的3组典型城区LiDAR点云数据进行试验,试验结果表明,本文算法可达到较好的建筑物点云提取效果。     

利用机载LiDAR点云提取复杂城市建筑物面域

机载LiDAR技术为探测建筑物提供了大量三维点云坐标.为了能从植被中有效识别建筑物面域,首先利用渐进式TIN加密法识别非地面点云,经过移除低于地面3 m的点云和孤立点云后生成菲地面点云的二值化格网,依据自定义的分割算子打断建筑物和植被间的可能连接;然后通过区域生成算法以高差阈值来聚类二者的面域,并使用大坡度密度阈值来提取建筑物的面域;最后使用形态学闭算子填充面域孔洞并平滑其边缘.选取3个典型的复杂城市区域进行测试,结果显示,各区域的提取质量与完成率均高于91％,表明该算法能够达到自动识别建筑物的目的.     

密集低矮植被区LiDAR点云地面滤波算法

针对地形复杂且低矮植被茂密的矿区LiDAR点云特点,本文提出了一种基于坡度信息并结合平面拟合的地面滤波算法。该方法采用二级格网法逐级选取地面种子点,在每个一级格网中,利用地面种子点通过最小二乘拟合法进行平面拟合并构建地面模型,最后达到区分地面点和非地面点的效果。与传统坡度法和布料模拟法的对比试验表明,该方法能够有效滤除密集低矮灌木,以及较好地保留较大坡度地形。     

复杂地形DSM的地面点识别及DEM提取

目前,基于数字地表模型(DSM)提取数字高程模型(DEM)的研究多以平坦地区为研究对象,且精度较低。本文提出了一种基于区域生长的DEM提取算法,该算法以区域生长算法为基础,采用最大类间方差法(OTSU)实现区域生长中种子点、生长准则和终止条件的自适应选择。该方法不仅可从平坦地区和地形复杂的山区的DSM中识别地面点和提取DEM,且能有效解决区域生长算法将地面和地面附着物(本文中地面附着物以高架道路为例)识别为同一类的问题。与附近最小值法进行试验对比,结果表明,本文算法能够较好地提高DEM提取精度,识别地面点的制图精度达90%以上,可靠性和稳定性较强。     

一种局部稀疏地面点云与已有DEM的融合方法

机载LiDAR采集的点云数据中会存在一些局部区域地面点稀疏的情况，利用这些稀疏地面点构建DEM时会出现“三角面片化”的问题，严重影响DEM的质量。为此，本文提出了一种局部稀疏地面点云与已有DEM的融合方法：将稀疏点云作为高精度控制点，在尽量保持原始DEM的地形形态特征的前提下，通过高斯核函数加权迭代插值算法对DEM进行高程局部改正，实现稀疏点云与DEM的一致性融合。试验分析表明，融合后的点云数据得到了较好的补充，由此构建的DEM地形形态自然，在精度上相对于融合前的稀疏地面点云有一定改善，在弱精度区域的可靠性有显著提升。     

以窗口化和地形坡度为基础的植被茂密区域点云滤波算法

三维激光扫描仪获得经典地貌的点云数据,需进行滤波剔除地面植被。由于植被茂密区域点云密集或遮挡,地面点极少,无法拟合出地形表面,这部分植被点很难剔除。针对植被茂密区域点云数据的特点,本文提出以窗口化和地形坡度为基础的植被茂密区域点云滤波算法,认为非地形坡度引起的高程差异的两相邻点中,较高的点为非地面点。试验结果表明,本文算法可以很好地去除植被茂密区域中低矮的植被点,保留真实的地面点,提高了植被茂密区域点云滤波的处理精度。     

利用双向布料模拟的机载建筑物点云提取

针对现有机载激光扫描数据的建筑物提取方法过程复杂且易受植被干扰的问题,本文提出了一种利用双向布料模拟策略的建筑物提取方法。首先在正向布料模拟滤波的基础上,构建归一化数字表面模型提取过高建筑物,并采用反向布料模拟,从其余地物点中粗提取建筑物顶面点云;然后进行穿透性分析,并结合形态学操作进一步剔除错提的植被点;最后,以包含顶面点云的三维格网为种子格网,根据格网之间的邻接关系和内部点云几何特征进行约束生长,获取完整建筑物点云。试验结果表明,在复杂场景中,该方法能够有效避免植被的干扰,快速提取建筑物点云,具有提取精度高、计算时间少的优点。     

ICESat-2机载试验点云滤波及植被高度反演

新一代星载激光雷达卫星ICESat-2将采用多波束微脉冲光子计数技术,并进行高程剖面式的对地观测。由于该点云数据具有背景噪声大、密度低并呈线状分布等特点,传统的点云滤波算法并不适用,研究新的点云滤波算法十分必要。本文以ICESat-2的机载模拟器MABEL数据为例,首先介绍了微脉冲光子计数激光雷达的基本原理和数据特点,并针对高程剖面点云提出基于局部距离统计和最小二乘局部曲线拟合的点云滤波算法;然后,对美国加利福尼亚州Sierras-Forest地区MABEL试验中532 nm通道的光子点云进行滤波处理,并利用识别的地面点插值得到3 m分辨率的线状DEM,进而估算了该区域美国云杉的平均树高;最后,对该滤波算法进行精度评价,并分析了误差来源及其对DEM精度和树高反演精度的影响。结果表明:(1)该算法整体精度达97.6%,能有效剔除绝大部分噪声点且对地形起伏具有较强的自适应能力;(2)误分噪声点影响了滤波过程中局部地形的拟合,而滤波过程中的分类误差将降低DEM和树高反演的精度。     

基于密集匹配点云的DEM生产可行性研究

无人机倾斜摄影直接生产的成果通常包括三维模型、TDOM、DSM等,然而规划设计通常不能直接利用倾斜数据输出的DEM,需要辅以人工编辑。作为倾斜摄影影像处理的过程成果,密集匹配点云未得到充分利用。其与激光雷达点云具备相似的结构,且点云密度可自由选择,在不考虑数据量的情况下,密集匹配点云的点密度可数倍于激光雷达点云。此外,密集匹配点云无需单独赋色,即具有纹理信息, 对人工目视编辑自动分类后的地面点具有一定的辅助作用。本文对比分析了同一测区的密集匹配点云与激光雷达点云,验证了密集匹配点云用于房屋建筑区及稀疏林区地面点滤波并生产DEM的可行性。     

虚拟格网分类支持下的密集匹配点云布料模拟滤波

为了提高倾斜影像密集匹配点云滤波算法在地形复杂场景的精度、效率及自适应性,针对传统的布料模拟滤波算法的不足,本文提出了一种基于虚拟格网分类的布料模拟滤波方法。该方法首先构建带有缓冲区的虚拟格网;然后将虚拟格网按其范围内的点云坡度划分为平地、缓坡、陡坡3种类型;最后针对不同类型的虚拟格网,使用相应的布料参数进行布料模拟滤波,从而实现倾斜影像匹配点云在地形复杂场景中的点云滤波,与单一参数的布料模拟滤波进行对比试验。结果表明,基于虚拟格网分类的布料模拟滤波方法结果更接近于目视解译,该方法适合混合地形滤波。     

对渐进三角网点云数据滤波算法的改进

针对渐进三角网滤波算法（PTD）进行拓普康LiDAR点云数据处理过程中易将地物点误判为地面点的缺陷，本文提出两种改进方法。一种是采用局部坡度拟合法对PDT算法进行改进，将点云数据按高程值与拟合坡面法求解的拟合高程值的差由小到大进行排序，将为地面点可能性更大的点优先判定，从而获取更加精确的TIN；另一种是引入薄板样条曲线（TPS）插值法，对PTD算法进行改进，将PTD中候选点判断参数改为TPS法中的弯曲能量增长值，从而减少误判。结果表明，使用以上两种改进算法，综合考虑第1类误差和第2类误差影响，在大部分地形特征下比传统PTD算法表现更优，对低矮植被、桥、斜坡等特殊地物的滤波效果更佳。     

LiDAR测量点云融合影像的分块滤波方法

针对现有LiDAR地面点滤波算法对复杂地形地物适应性不强的问题,本文提出了一种融合点云与地面影像分块滤波的方法。首先,将地面影像与点云匹配,使点云从影像中获取更多的光谱纹理信息。然后,分析地物光谱、林地相对密度、点云高程特征、地面DSM模型及其坡度,并基于决策级融合将原始点云切割成若干独立的区块。最后,根据每块区域不同的多元细节特征,对IPTD滤波算法进行改进并利用搜索法优化参数,得到最优且稳健的结果。利用滤波后的总地面点通过插值算法得到的DEM模型和相关试验验证了本文算法的优越性。     

Image classification-based ground filtering of point clouds extracted from UAV-based aerial photos

With the advent of unmanned aerial vehicles (UAVs) for mapping applications, it is possible to generate 3D dense point clouds using stereo images. This technology, however, has some disadvantages when compared to Light Detection and Ranging (LiDAR) system. Unlike LiDAR, digital cameras mounted on UAVs are incapable of viewing beneath the canopy, which leads to sparse points on the bare earth surface. In such cases, it is more challenging to remove points belonging to above-ground objects using ground filtering algorithms generated especially for LiDAR data. To tackle this problem, a methodology employing supervised image classification for filtering 3D point clouds is proposed in this study. A classified image is overlapped with the point cloud to determine the ground points to be used for digital elevation model (DEM) generation. Quantitative evaluation results showed that filtering the point cloud with this methodology has a good potential for high-resolution DEM generation.     

一种基于分割的机载LiDAR点云数据滤波

针对当前滤波算法在处理地形不连续区域或存在复杂建筑物区域时容易过分＂腐蚀＂地形并难以去除一些低矮植被的不足,提出了一种基于分割的机载LiDAR点云滤波算法。首先,对原始点云基于地表连续性进行分割;然后,在移除点数目较小的粗差点集之后采用对分割点集建立缓冲区的方法,区分地面和非地面点集;在较大地物经过迭代分割基本移除之后,使用约束平面的方法移除高度较小的地表附着物以实现滤波。实验结果表明,与经典滤波算法相比,该算法提高了地面点的分类精度,在滤除地物信息的同时能有效地保留地形特征。     

布料模拟法无人机倾斜摄影建筑点云提取

受布料模拟滤波思想的启发，本文提出一种基于无人机倾斜摄影密集匹配点云的建筑提取新方法。该方法引入布料模拟进行建筑顶面的初步识别，通过模拟布料下落过程，分析布料与对应密集匹配点云之间的作用，确定布料由重力下降后所停留的位置作为建筑顶面的初步识别，然后通过密度聚类算法进行建筑区分，从而实现建筑物顶面的单体化提取。通过实测数据进行试验，结果表明，该方法能取得较好的效果，为基于密集匹配点云的建筑物提取提供一种新思路。