基于机载LiDAR点云数据的城区道路提取

对于利用机载LiDAR点云数据提取城区道路提出一种新的思路。首先利用机载LiDAR点云数据的高程和强度属性对城区道路进行初始提取,获得初始道路点云;其次采用距离分割法和基于RANSAC算法的分割方法精化初始道路点云,有效剔除停车场等与道路相似的区域;最后采用数学形态学细化方法提取道路中心线。实验结果表明,该方法可以较正确和完整地提取城区道路。     

利用机载LiDAR点云数据提取城区道路

提出一种从机载LiDAR点云中提取城区道路的方法。首先,利用机载LiDAR点云的高程和强度属性,对末次回波点云进行去噪、滤波和分类后获取初始道路点云;然后使用基于边长和面积阈值的约束Delaunay不规则三角网方法精化初始道路点云;最后采用α-Shapes方法从精化后的道路点集中提取道路轮廓,并用数学形态学细化方法提取道路中心线。试验结果表明,该方法提取的城区道路正确率和完整性较高。     

利用偏度平衡自动提取机载LiDAR点云城区道路

针对机载LiDAR点云提取城区道路自动化程度低以及提取道路网不完整的问题,提出一种基于偏度平衡算法自动提取城区道路的方法。首先,计算末次回波点云中邻近点的坡度,依据城市道路设计标准选择坡度阈值,分离非地面点并获得初始道路点云;然后,利用偏度平衡算法计算出最优强度阈值,滤除非道路点,再结合道路与停车场的空间位置关系,通过点距精化初始道路点云;最后,对道路区域进行细化和平滑,得到道路中心线。通过定量分析及对比实验,该方法能够自动地从LiDAR点云中提取出较为完整的道路网。     

结合TIN约束与密度聚类的机载LiDAR道路点云提取

针对机载LiDAR道路点云提取过程中自动化提取困难,停车场、水泥地以及与道路相连的地面点难以去除等问题,提出一种三角网约束与密度聚类相结合的机载LiDAR道路点云提取方法。在已有滤波结果的基础上,该方法首先根据道路点云样本的强度信息提取初始道路点,建立Delaunay三角网,运用三角网边长约束精化初始道路点;然后,通过密度聚类算法提取连通性较好且密度较大的独立三角网;最后,采用数学形态学算法优化道路边缘,确定最终道路点。实验选取国际摄影测量与遥感协会提供的两组城市机载LiDAR点云数据进行道路点云提取,结果表明:本文算法可以较好地进行道路点云的自动提取,且对不同类型的道路具有良好的自适应性,验证了算法的可靠性。     

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。     

一种机载激光雷达道路点云的半自动提取方法

针对直接从LiDAR点云数据中提取道路信息比较困难的问题,文章提出了一种基于点云分割和区域生长的机载LiDAR数据道路点云提取方法:采用曲面生长法对点云进行分割,直接得到包含道路信息的曲面点集合;应用LiDAR数据的回波强度对分割结果中的道路进行强度标定,并采用区域增长的思想实现了道路的精细提取。实验表明,该方法能够高效、准确地提取道路点云,在路桥建模方面有较强的使用价值。     

基于层次分析和神经网络的机载LiDAR点云分类

在机载LiDAR点云数据处理中,由于机载雷达点云数据的离散性、不确定性等原因,导致点云分类上很难得到准确的结果。针对机载LiDAR点云数据分类问题,提出了基于层次分析和神经网络的机载LiDAR点云分类方法。根据机载LiDAR点云的数据特征以及不同地物的属性,采用层次分析法赋予每个点云一个二进制信号,然后采用后向传播神经网络(BP-ANN)对机载LiDAR点云数据分类。实验表明:这种方法能够从机载LiDAR独立数据源中分类出房屋、高大的树、低矮的树、道路等地物点云。     

基于渐进三角网的机载LiDAR点云数据滤波

机载LiDAR点云数据滤波是获取高精度数字高程模型的关键,也是目前LiDAR点云数据处理领域研究的重点和难点之一。提出了基于渐进三角网的机载LiDAR点云数据滤波方法,首先以规则格网和不规则三角网组织数据,采用区域分块法或数学形态学法选取种子地面点建立初始稀疏三角网,通过不断向上加密三角网提取地面点。试验结果表明,该算...     

机载LiDAR点云数据建筑物提取方法适应性研究

为解决机载LiDAR点云数据建筑物提取精度不高的问题,首先分析了现有的基于机载LiDAR点云数据的建筑物提取方法;然后综合地形、树木、建筑物密度等对建筑物提取的影响,以德国斯图加特市法伊英根的LiDAR点云数据为例进行了建筑物提取实验;最后对提取结果进行了定量精度评定。结果表明,基于影像的机载LiDAR点云数据建筑物提取精度为93.1%;而基于数学形态学图像的处理方法和基于Delaunay三角剖分的方法受建筑物形状和地形等限制较多,提取精度分别为87.6%和81.3%,说明基于影像的机载LiDAR点云数据建筑物提取方法的准确性较高,限制性条件较少。     

利用影像辅助LiDAR点云数据的建筑物提取方法研究

机载LiDAR作为一种新兴的对地观测技术,能够快速地获取地表三维信息。如何从海量LiDAR点云数据中提取建筑物是数据处理中的一项关键工作。本文结合LiDAR数据和航空影像的数据特点,提出了一种航空影像辅助的LiDAR点云建筑物提取方法,首先,采用面向对象方法从航空影像中提取建筑物的轮廓;然后,以建筑轮廓信息为参考,从LiDAR点云中提取建筑物的点云数据;最后,通过实验证明该方法的有效性与可行性。     

机载LiDAR数据处理与地物提取

介绍了机载LiDAR数据处理流程,分析了TerraSolid软件应用于LiDAR点云的地物提取方法,对复杂城区激光点云进行了地物提取试验研究,实现了植被、建筑物、水渠、地面点等地物的提取,制作了数字高程模型。     

影像与LiDAR数据信息融合复杂场景下的道路自动提取

城区的道路自动提取受场景复杂度的影响一直是极具挑战的任务,尤其是阴影和遮挡较严重地区的道路提取难度较大。结合LiDAR数据和高分辨率遥感影像,提出一种自动道路提取方法。该方法首先对滤波后的点云强度信息获取初始道路中线及道路关键点;将地面点云强度,离散度及高分辨率遥感影像光谱数据多重信息融合建立道路模型,并以优化后的道路关键点作为种子点利用动态规划计算模型最优解,进一步提取道路网。试验表明,该方法在城市复杂场景下的自动提取主要道路是有效的。     

面向滩涂DEM构建的机载LiDAR点云滤波方法

在基于激光点云构建DEM的过程中,用于区分地面点和非地面点的点云滤波处理至关重要。本文面向基于机载LiDAR点云的沿海滩涂DEM高精度的构建需求,提出了一种机载LiDAR点云的改进坡度滤波算法。首先,采用统计异常值剔除法(SOR)去除原始机载LiDAR点云数据中的噪声;然后,利用规则格网的坡度和高程阈值,设计了适用于滩涂点云数据的地面点坡度滤波方法;最后,选取如东市长沙港的滩涂机载LiDAR点云作为试验数据,构建滩涂DEM,并进行精度检验。试验结果表明,利用本文方法处理后的LiDAR点云构建的DEM精度满足国家与行业标准的要求。     

机载LiDAR点云数据的组合滤波算法研究

针对采用渐进式形态学滤波算法进行机载LiDAR点云滤波时存在的滤波效果不佳、地形特征保留不明显的问题,本文提出了一种改进不规则三角网的后处理滤波算法,构建组合式机载LiDAR点云滤波算法。该组合算法有效地结合了渐进式形态学滤波算法与改进TIN滤波算法的优势,首先采用渐进式形态学滤波算法对原始机载LiDAR点云数据进行处理,提取得到初始地面点;其次优化传统TIN滤波算法,以初始地面点及种子点构建TIN,通过连续迭代提取得到精细化地面点。为验证本文提出滤波算法的可靠性与优越性,选取宁波市某地2组机载LiDAR点云数据进行实验,结果表明,与较单一的渐进式形态学滤波算法、TIN滤波算法地面点提取结果相比较,本文改进滤波算法提取地面点的Ⅰ类误差、Ⅱ类误差及总误差均更低,且不受地形条件限制,具有较高的适应性,验证了本文提出改进滤波算法的可靠性与优越性。     

基于低空摄影测量的机载LiDAR点云修复方法

针对机载LiDAR点云存在数据缺失造成的空洞问题,研究利用低空摄影测量技术,探索机载LiDAR点云空洞修复的方法。利用低空摄影测量手段获取的遥感影像可以生成高精度的修复点云,并通过将修复点云融合到原始LiDAR点云中,实现对机载LiDAR点云空洞的修复。该方法操作简单、效率高,适用于大面积机载LiDAR点云数据的批量修复,能够为城市三维精细化建模提供重要的数据支撑。     

机载LiDAR点云提取城市道路网的半自动方法

针对从卫星和航空正射影像中手工提取道路的方法速度慢的问题,该文基于机载LiDAR点云的高程和反射强度信息,手工选取一定量的种子点,采用区域生长法分割出初始道路区域;在填充空洞和平滑预处理后,利用细化算法提取出道路中线;根据长度阈值剔除毛刺短分支,使用自动算法和手工结合的方法消除多余通路和环形通路;并跟踪连接成矢量道路线,根据抽稀算法移除大量的小弯曲拐点,最后平滑矢量道路线成道路网。在测试复杂场景下的城市LiDAR点云后,发现提取的道路网的完整率和正确率较高。     

基于地形变化检测的机载LiDAR滤波方法

LiDAR滤波是从其数据中提取数字地形模型(DTM)的一个主要步骤。当前的LiDAR滤波方法大都是通过单一的LiDAR点云数据来进行的,由于点云缺乏真实数据作参考,在滤波时可能会出现较大的误差。因此,提出一种基于地形变化检测的机载LiDAR滤波方法。首先将LiDAR点云数据与已有的DEM数据精确配准并统一到同一坐标系下,然后对LiDAR点云数据进行格网化组织,使LiDAR点云数据与DEM数据中相应的区域对应,最后把已有的DEM数据与LiDAR点云数据叠加进行滤波。为了验证该方法,采用城区和山区2种不同地形特点的数据分别进行试验。结果表明该方法能有效滤除城市和山地环境中的地物,并且保留地形的细节信息。     

机载LiDAR点云数据的建筑物重建研究

提出了利用机载LiDAR点云数据进行复杂平面建筑物重建的方法。首先,将提取出的建筑物点云聚类到不同的平面点集;然后,对各个平面点集进行平面拟合,采用平面相交确定平面边界,并解算出各平面边界角点的三维坐标,从而重建建筑物模型。某区域的机载LiDAR点云数据的实验结果表明,该方法能有效地重建出较复杂的平面建筑物。     

城区机载LiDAR点云的汽车提取与类型识别

针对机载LiDAR点云在智能交通和城市管理等应用中的汽车提取和类型识别问题,该文提出了基于动态时间规整算法的机载LiDAR点云的汽车提取和类型识别方法。先是采用附加汽车尺寸约束的区域生长算法来分离汽车点云,然后利用动态时间规整算法来评价点云分块纵剖面曲线与标准汽车纵剖面曲线的相似性来识别汽车,判定汽车类型。该方法能够有效提取停放在树下的车辆,判定汽车类型,排除非汽车分块。通过实际机载LiDAR点云数据的车辆识别实验对新方法进行验证,并和面向对象的汽车点云分析算法进行了比较,结果表明新方法准确率提高了10.8%。     

顾及城区机载LiDAR数据特征的配准算法

条带配准是点云数据处理的一个重要环节.文章介绍了经典ICP配准算法的基本原理;考虑到城区机载LiDAR数据中地物的组成、空间分布等特征,提出了一种ICP算法中对应点集的选择策略,并建立了城区机载LiDAR数据的自动配准流程.利用河南安阳试验场的真实点云数据进行配准实验,结果表明在不需要人工干预的情况下,可以很好地将条带数据拼接在一起,建立无缝点云数据.