激光点云与航空影像融合分类

为了更好地利用激光点云数据和航空影像数据信息,改善影像分类效果,提出了将激光点云数据与航空影像进行融合分类,实现面向对象的融合分类方法。在航空影像的分水岭分割算法中加入激光点云高程信息计算梯度,然后结合两种数据源的特征,建立分层分类的规则集得到地物的分类结果。试验表明,激光点云的高程信息能够改善影像分割效果,也能将地面地物与非地面地物较好地区分,对建筑和植被的分类起到了有效作用。     

结合LiDAR点云和航空影像的建筑物三维变化检测

目的 针对传统建筑物变化检测方法没有考虑高程信息的缺点,提出了一种结合LiDAR点云数据和航空影像的建筑物三维变化检测方法,可同时提取建筑物高程变化信息和面积变化信息。首先将不同时期LiDAR点云分别生成数字表面模型(DSM);然后对不同时期的DSM进行差值、滤波和形态学操作得到DSM变化区,并根据共线方程将其反投影到航空影像中,再使用航空影像的光谱、纹理等信息排除树木等伪变化区的干扰;最后计算高程变化值和面积变化值。试验结果表明该方法能定量地提取高程和面积变化信息,提供更加全面准确的建筑物变化信息。     

面向对象的LiDAR数据多特征融合分类

针对单源遥感数据分类精度不高的问题,提出一种基于多特征融合的面向对象分类方法.该方法利用LiDAR点云数据的高程信息,并融合地物粗糙度特征,以及航空影像的地物光谱、形状和上下文信息等多种特征,再基于SVM分类器构建面向对象的分类方法,以提高城区环境下遥感数据分类的可靠性.试验表明,该方法可有效地提高城区地物的分类精度,且分类结果更符合人的视觉认知规律.     

激光雷达点云辅助的高分影像分水岭分割方法

针对分水岭分割方法用于高分辨率遥感影像分割时过分割现象严重,且分割精度会受"同谱异物"现象的影响等问题,该文提出了一种激光雷达(LiDAR)点云辅助的高分影像分水岭分割方法,该方法利用高分影像和LiDAR点云两种数据源指导分割的进行:首先根据点云滤波结果将高分影像分为地物、地面两幅分影像进行分割合并,保证地物与非地物的正确划分;然后对过分割现象,提出了分形网格演化算法结合点云高程特征的合并准则,得到整体分割结果。实验证明该方法能有效改善"同谱异物"地类的混淆现象,可为复杂城区提供更精确的地类分割结果。     

多源数据融合的DIM点云滤波及DEM生成

针对已有密集影像匹配(DIM)点云滤波算法通用性差,滤波效果受限于参数设置,且均未利用生成点云的影像信息等问题,该文提出一种融合多源数据的DIM点云滤波算法。首先融合影像和DIM点云高程多源信息;再引入新型分类器对融合影像进行分类,其分类结果作为知识引导用于点云滤波中,即将分类专题图与DIM点云叠加以过滤非地面点,实现点云滤波并生成数字高程模型;最后选用航空影像进行密集匹配和滤波实验。实验结果表明,利用该点云滤波算法生成的DEM与参考DEM呈现高度相关性,可大大减少生产DEM人工后处理的工作量。     

机载LiDAR制作高精度DEM的关键技术分析

介绍了LiDAR数据生产DEM处理流程,选取淮河某一区域的点云数据,重点研究自动滤波技术在高树植被区域、居民区域、光伏区域的滤波效果以及人工分类方法在低矮植被区域的分类效果,计算野外检测点,对DEM同名点高程中误差进行精度评定。实验结果表明,自动滤波技术对高树植被、房屋区域、光伏区域等区域点云,能高效、准确滤掉非地面点,保留真实地面点;人工分类手段用于低矮植被分类效果明显,有效解决了自动滤波在该类区域分类效果不佳的问题;野外检测点和DEM同名点高程中误差满足设计精度要求,以点云数据生产高精度DEM具有可行性。     

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。     

基于高程统计方法的机载LiDAR点云数据滤波

提出了一种基于高程统计的LiDAR数据滤波方法,该方法以高程分布统计量为依据,通过迭代的方法逐个滤除,是一种基于原始点云的非监督滤波算法。采用北京凤凰岭地区某块机载LiDAR数据进行实验,并做出了实验改进。实验表明,该方法能够准确有效地滤除地物点,既能较好地保持数据信息量与精度,又不依赖于其他数据源,是一种简单有效的滤波算法。     

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。     

一种顾及地形复杂度的LiDAR点云多尺度滤波方法

针对复杂地形区域的机载LiDAR数据滤波方法中自适应阈值设置问题,根据地形多尺度效应,提出一种自适应阈值的机载LiDAR点云多尺度滤波方法。该方法采用影像金字塔策略按分辨率从高至低逐级构建LiDAR点云分层格网,滤波过程则从最大尺度格网(顶层格网,最低分辨率)开始,采用局部统计分析的方法自适应地确定高差阈值,同时结合薄板样条内插出下层各格网控制点的高程值,直至最底层格网完成原始激光点云滤波。通过我国某山区城市复杂地形的LiDAR数据实验表明顾及地形复杂度的LiDAR点云多尺度滤波方法能够快速有效地提取高精度DEM,能够满足实际生产需求。     

一种基于空间网格的地物要素点云提取方法

LiDAR点云的分类提取是点云数据处理中的首要步骤。为了提高复杂场景中点云数据分类提取方法的适用性,文中根据三维数学形态学思想,提出一种基于地物空间形状特征的点云提取方法。方法首先建立网格索引,划分网格空间,进行点云数据组织,然后根据地物在网格空间中的形状特征设计出四种参数可控的空间网格算子,最后结合点云反射强度信息自动提取特定地物点云。通过对复杂场景中的铁路地物要素LiDAR点云中建筑、电力杆线、铁路轨道的提取和郊区机载LiDAR点云中的地面与建筑屋顶的提取,验证提取算法的适用性,为点云分类提取功能模块的程序设计提供便捷方法。     

支持向量机的建筑物激光脚点提取方法

本文提出了一种基于全色波段航空影像和激光雷达数据的建筑物检测方法.如何从激光点云数据中提取出建筑物激光脚点,是建筑物三维重建和轮廓提取的难点问题之一.植被密集区域以及与建筑物紧密相邻的树木的激光点很难与建筑物激光点区分开.本文利用支持向量机对单个激光点的特征进行两分类,特征向量包括激光点的高程、高程变化信息以及与激光点...     

信息向量机、相关向量机和支持向量机在机载LiDAR点云数据分类中的应用

机载LiDAR点云数据分类技术是LiDAR数据后处理的关键步骤。信息向量机、相关向量机及支持向量机可以在LiDAR点云数据分类中发挥重要作用。本文将三种分类器应用到点云数据分类中,通过实验验证了它们在点云数据分类中的性能,总结了它们在点云数据分类任务中的应用潜力。     

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...     

顾及空间上下文关系的JointBoost点云分类及特征降维

随着激光雷达技术的发展及广泛应用,点云数据的分类及理解成为了目前一个研究热点。本文研究了较复杂的电力线路走廊场景的点云自动分类方法,目标类别为地面、植被、建筑物、电力塔、电力线等。本文首先归纳、定义了点云分类所需的关键特征,并利用JointBoost实现地物分类;同时,考虑到点云数据量大,其分类速度较慢,本文结合地物空间上的相互关联关系,提出了一种序列化的点云分类及特征降维方法。该方法在保证分类精度的前提下,使分类所需特征维数降低,缩短了分类所需时间。实际的电力线路走廊的激光扫描点云数据分类实验证明本文研究的分类方法的有效性。     

利用样本生成方法进行机载多光谱LiDAR数据深度学习分类

机载多光谱LiDAR系统能够快速、准确地获取地物的空间几何和光谱信息,为地物覆盖分类和目标识别提供新的数据源。近年来,基于三维点云的深度学习算法取得了一系列突破性进展,然而直接将不规则的原始点云数据输入深度学习模型进行基于点的分类存在一定的困难。本文提出了一种基于FPS-KNN的样本生成方法,用于基于深度学习的机载多光谱LiDAR数据分类。该方法首先对输入数据进行归一化处理;然后利用最远点采样方法(FPS)和K近邻法(KNN)在输入数据中生成一系列规则大小的训练样本数据集。通过机载多光谱LiDAR数据的试验表明,该方法所生成的样本不仅符合卷积神经网络所要求的输入数据形式,而且能够确保对输入场景的完整覆盖。     

基于Car(p,q)模型和数学形态学理论的LiDAR点云数据滤波

在分析现有的LiDAR点云数据后处理方法的基础上,本文提出了一种点云数据“分步”滤波方法。首先对LiDAR点云数据进行数学形态学“粗”滤波,得到“地面点假设”和“非地面点假设”。然后引入顾及因果关系的自回归模型（car）对两类点云数据假设进行模型化处理和假设检验,根据假设检验的结果判断地面点和非地面点,最终得到可靠的分类结果。与单纯的“最小二乘拟合预测法”或“数学形态学”方法相比,这种“分步”处理的思想用于LiDAR点云数据分类处理的结果更可靠。     

面向对象的植被与建筑物重叠区域的点云分类方法

在分析LiDAR点云数据分类现状的基础上,针对植被与建筑物重叠区域分类困难的问题,提出了一种基于面向对象的点云分类方法.首先采用三角网渐进内插的滤波方法将点云分为地面点和非地面点,并得到DTM;然后对高出DTM一定高度的非地面点建立三角网,删除较长的三角网的边(地物间的边),从而将非地面点云分割成多个对象;再利用各个对象内的三角网坡度信息熵大小判断该对象属于植被或建筑物;最后对于难以区分的对象(植被与建筑物重叠区)根据建筑物几何规则形状延伸扩充,从而提高植被和建筑物重叠区的点云分类准确率.实验结果表明,该方法能够很好地区分建筑物和植被点,分类准确率达到87％.     

机载多光谱LiDAR数据的地物分类方法

机载多光谱LiDAR系统能够快速地获取大范围地表面上地物光谱和几何数据,并能够保证所获取的光谱与空间几何数据在空间和时间上相对完整和一致性。支持向量机（SVM）是一种基于小样本的学习方法,它避开了从归纳到演绎的传统分类过程。因此,本文提出了基于SVM多光谱LiDAR数据的地物目标分类方法。该方法首先将多个独立波段的LiDAR数据融合为单一的、包含多个波段信息的点云数据,然后将融合后的点云内插为距离影像和多光谱影像,最后利用SVM进行多光谱LiDAR数据的地物覆盖分类。通过对加拿大Optech公司的Titan机载多光谱LiDAR数据的试验证明：相对于传统的单波段LiDAR数据,多光谱LiDAR数据可以获得较好的地物分类精度;比较试验发现SVM分类方法适用于多光谱LiDAR数据的地物分类。     

正射影像辅助下的LiDAR点云构建DEM方法

提出了结合两类数据的DEM生成方法,该方法先将原始LiDAR点云自动滤波得出粗略地面点,经数据抽稀后提取地面关键点点集,再利用航迹文件和相机文件进行空三加密生成数字正射影像。在此基础上将粗分类点云与正射影像匹配,在少量人工干预下,对点云进行二次分类获得精确地面点点集,构建DEM。实验结果表明该方法是可行和有效的。