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...     

改进的渐进加密三角网机载点云滤波方法

针对渐进加密三角网滤波算法在林区机载点云滤波中存在种子点选取困难和精度较低的问题,提出了一种适合林区点云数据的改进渐进加密三角网滤波方法。该方法首先使用去噪算法(SOR)对离群点进行剔除,然后采用布料模拟和局部薄板样条插值方法获取大量均匀可靠的地面种子点,最后利用改进的渐进加密三角网滤波方法进行滤波,迭代运算进而得到地面点。使用6组标准数据和3组林区数据进行实验,标准数据的平均总误差和Kappa系数分别为2.16%和84.96,林区数据的平均总误差为4.62%。实验结果表明,改进方法适用于复杂的林区机载点云滤波,且提高了滤波精度。     

面向对象的车载LiDAR点云滤波方法

针对经典的机载LiDAR点云数据滤波方法不适用于车载LiDAR点云数据滤波的问题,该文提出了一种基于点云分割的不规则三角网渐进加密滤波方法。首先,剔除粗差;然后,进行点云分割;最后,以分割对象为基本判别单元,迭代地进行地面对象的识别。采用两个场景的车载LiDAR点云进行滤波实验。实验结果表明,本文滤波方法的总误差明显小于经典的不规则三角网渐进加密滤波方法。     

车载LiDAR点云滤波的改进不规则三角网加密方法

针对当前城区车载LiDAR点云算法存在部分参数不易把握、需要多次人机交互、部分要素提取效果不好等问题,该文提出一种改进的TIN迭代加密滤波算法。首先,构建初始格网选取种子点,在选取种子点方面,采用邻域卷积和进行种子点的判断和虚拟种子点的构造;其次,进行TIN迭代加密滤波;最后根据滤波次数改变格网大小进行迭代滤波。采用SSW获取的北京城区某地点云数据进行试验,将实验结果与原始的TIN加密算法进行对比,并与其他两种滤波方法进行对比,结果表明,改进的方法能较好的适应城区情况,且能弥补其他方法的不足。     

面向对象的机载LiDAR点云滤波方法

本文提出了一种基于点云分割的机载LiDAR点云滤波方法。该滤波方法在经典的不规则三角网加密滤波方法增加了点云分割步骤。实验表明,与经典的不规则三角网渐进加密滤波方法相比,本文提出的滤波方法取得了更好的滤波效果,表现在具有更小的一类误差和总误差,尤其在正确识别地形陡变处的地面点方面具有显著的优势。     

基于TIN的LiDAR数据滤波算法研究

研究利用区域生长滤波算法将原始激光点云数据直接构建不规则三角网(TIN),并选择地面最低高程点作为初始种子点,根据设定的高差阈值对种子点的邻域进行区域生长滤波处理。通过对试验区机载LiDAR点云数据的滤波处理结果与基于坡度滤波和基于移动窗口的高程滤波算法进行对比分析,结果显示该方法具有一定的优越性。     

渐进三角网加密滤波辅助的布料模拟滤波

为了提高布料模拟滤波（CSF）算法处理复杂地形时的精度与适应性,本文提出了渐进三角网加密滤波辅助的布料模拟算法（CSFPTD）。该方法首先根据地面点云回波次数特点提取单、末次回波点云,以提高点云处理效率,在此基础上,采用渐进三角网加密滤波算法提取地面点,建立宏观反映复杂地形特征的粗数字地面模型（DTM）,对点云进行高程归一化处理,消除地形起伏对点云滤波结果的影响,最后CSF实现点云精细滤波。对CSFPTD算法与经典CSF算法进行了对比实验,其中,Ⅰ类误差由11.81%下降到7.48%,Ⅱ类误差由1.90%下降到1.23%,总误差由4.05%下降到2.58%。实验结果表明：CSFPTD算法在综合复杂地形下的滤波精度明显提高,提升了算法的地形适应性。     

基于不规则三角网的渐进加密滤波算法研究

在基于点云的地面变形分析中,往往会获取与地面变形监测无关的点云数据,如植被、建筑物和电力线等。为了更好的分析地面变形的程度,需要对非地面点进行剔除。本文应用了一种基于不规则三角网(TIN)的渐进加密滤波算法,并在TerraScan中对该算法进行验证。结果证明该算法非常适用于地表变形监测中滤波处理。     

基于TIN渐次加密的LiDAR点云数据滤波

传统的滤波算法通常是针对具有连续表面的简单区域来进行,因此带有一定的局限性,且不能解决复杂城区地形准确提取的难题。因此,本文提出了一种改进的基于TIN渐次加密的LiDAR点云数据滤波方法,该方法先对原始点云利用多尺度虚拟网格筛选地面种子点;然后,对种子点构建初始TIN表面,在此基础上进行向上加密;最后,得到的TIN三角网则为真实地形表面。实验结果表明,该方法能有效地滤除建筑物、植被和其他地物,并较好地保持地形特征。     

先验知识引导的车载激光扫描点云道路信息提取

文章研究利用先验知识从车载激光扫描点云数据中提取道路信息:使用改进的不规则三角网渐进加密滤波方法对点云滤波;将地面点投影到水平面上,利用行车轨迹提取道路主轴线;然后生成高程差分特征图像,以主轴线为基准进行平面生长获得道路面;并根据反射强度,进一步获得道路边界和道路标识线等信息.最后使用两景车载激光扫描点云数据验证了方法的可行性和有效性.     

多核处理器的机载激光雷达点云并行三角网渐进加密滤波方法

滤波是机载LiDAR点云数据处理的关键步骤之一,点云数据的海量化特性使得一般的串行化滤波处理方法无法满足快速成图的应用需求。提出一种基于多核计算技术的并行三角网渐进加密滤波方法,将串行方法中最耗时的三角网构建与脚点判别过程进行了并行化改造。三角网构建算法的并行化基于分治法实现,脚点判别算法的并行化采用一种随机分配策略将三角网划分为多个离散分布的三角形子集合来实现负载均衡。并行滤波方法在8核环境下多次渐进加密的实际加速比达到3.1左右。试验证明,该方法可以充分发挥多核计算优势,并且对不同分布形态点云数据具有良好的适应性。     

采用集成策略的电力线路机载LiDAR点云滤波

针对单一机载激光雷达点云滤波方法局限性较多的问题,该文在分析了多种常用LiDAR点云滤波算法的基础上,提出了适合复杂电力线路场景的点云滤波方法.该方法将布料模拟方法的地面种子点识别、与渐进加密三角网滤波方法的迭代的地面点判别重新进行了组合.并且,在布料模拟方法的地面种子点识别阶段,进行了两个改进:增加了多尺度、多方向的...     

知识引导下的城区LiDAR点云高精度三角网渐进滤波方法

针对城区LiDAR点云特点,提出一种基于知识的三角网渐进滤波方法：①对格网内插后的栅格数据进行面向对象分割;②采用迭代Otsu聚类手段对地面对象与非地面对象自动分离;③针对分类结果构建初始三角网,并自适应调整地面点判据参数,达到提高滤波质量目的。选用ALS50系统真实数据进行滤波实验,并与传统方法滤波结果进行精度评价,评价结果表明：基于知识的滤波方法能进一步提高点云滤波质量。     

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。     

结合形态学和TIN三角网的机载LiDAR点云滤波算法

针对传统不规则三角网滤波精度依赖于初始种子点选取的问题,提出一种结合形态学与不规则三角网的机载LiDAR点云滤波算法。首先采用KD树粗差剔除方法对异常点进行剔除,然后利用数学形态学滤波算法对粗差剔除后的点云进行粗滤波,最后采用改进的不规则三角网滤波算法对上述结果进行精滤波。三角网迭代滤波过程中每次对滤波得到的地面点进行整体构网,减少了构网次数以及离散点之间的相互影响。实验选取国际摄影测量与遥感协会提供的3组测试数据进行滤波,结果表明本文方法能够有效降低I类误差和II类误差,验证本文滤波算法的可靠性。     

融合形态学灰度重建与三角网分层加密的LiDAR点云滤波

形态学滤波与三角网加密滤波是从LiDAR点云中自动识别真实地面点的两种重要方法,本文分析了两种方法优劣性及其过程实施的特点,提出了一种融合形态学灰度重建与不规则三角网分层加密的点云滤波新策略:1首先对LiDAR点云实施Ⅰ类错误优先的形态学灰度重建初始滤波,并通过"非最小值抑制"将LiDAR点云标记为地面可靠点、地面可疑点、非地面可疑点三种类别;2依据形态学灰度重建迭代顺序对非地面可疑点进行分层标记;3利用地面可靠点构建初始三角网,对地面可疑点、非地面可疑点依次进行三角网加密滤波,并基于分层标记信息自适应调整地面点判据参数。ISPRS标准数据滤波实验结果表明,本方法滤波质量高且具有较好的通用性。     

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。     

基于统计数据选取种子点的LiDAR点云迭代滤波算法

经典的渐进三角网滤波算法在LiDAR点云数据处理中应用十分广泛,但其滤波精度很大程度上取决于种子点选取的正确率。本文针对这一问题,在渐进三角网加密算法基础上提出了一种基于小格网高程、均方差和点密度统计数据选取种子点的迭代滤波算法。实验结果表明,本文的迭代滤波算法可有效避免低点等非地面点对种子点选取的干扰,且滤波结果生成的DEM精度较高,具有一定的实用性。     

一种基于地形预分类的渐进加密点云滤波方法

经典的渐进加密三角网算法采用同一套参数难以在平地/山区混合的机载激光点云数据中取得良好的滤波结果。针对该问题,提出了一种改进的、基于地形预分类的渐进加密滤波方法。首先利用单一参数进行初次滤波,并根据滤波结果获取地形预分类结果;然后针对平地/山区地形特点,利用不同参数进行二次滤波,得到不同地形更精细的滤波结果;最后对不同地形的地面点进行合并,生成最终滤波结果。实验结果表明,基于地形预分类的渐进加密滤波方法生成的数字高程模型的均方根误差为1.733 m,显著优于经典方法。     

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。