地面激光点云强度噪声的三维扩散滤波方法

为提高点云数据质量,对点云强度进行滤波的同时保持边缘和细节特征,针对地面激光扫描点云的数据特点,研究建立了点云强度三维扩散滤波方程。深入分析扩散尺度在扩散滤波中的作用,利用信噪比作为滤波质量的定量评价方法,通过统计试验和对比试验,证明本文方法在点云强度滤波中具有较好效果。     

一种多尺度自适应点云坡度滤波算法

点云坡度滤波算法原理简单、易于实现,为进一步提升坡度滤波算法的自适应性,提出了一种多尺度自适应点云坡度滤波算法.首先,在数据预处理的基础上引入虚拟网格对点云数据进行分割;然后,利用距离加权的方式逐次计算网格点的坡度角,结合k均值聚类和正态分布自适应确定滤波阈值;最后,使用多尺度策略逐级缩小网格尺寸实现点云数据的精细滤波...     

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。     

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。     

基于数学形态学算法的机载LiDAR点云数据快速滤波

机载LiDAR点云数据滤波是LiDAR数据处理领域研究的重点和难点之一.针对LiDAR点云数据量大的特点,以规则格网组织数据,按离散点或格网移动结构窗口,提出基于数学肜念学算法的LiDAR点云数据快速滤波方法,并详细介绍滤波的方法和流程.试验结果表明,该算法计算速度快,滤波效果好.最后选取两组小同区域的点云数据进行实验,并给出滤波前后的数字表面模型和局部断面图.     

机载激光雷达点云滤波算法分析与比较

机载点云数据在城市三维建模、DEM提取中应用广泛,而机载点云滤波是这些应用的基础。因此,这里对机载点云滤波算法设计所依据的地面特征和滤波结果的精度评定方法作了总结,并对现有滤波算法进行了分类描述。最后着重对滤波算法做了直观的对比分析,为后续点云数据滤波处理研究提供参考。     

基于双边滤波的点云数据预处理方法

目前,三维激光扫描仪已经广泛应用于三维建模、变形分析等领域。其中,点云数据的平滑滤波是点云预处理的核心问题,制约着三维激光扫描仪的应用。本文通过对双边滤波原理进行分析,将其应用到点云数据的平滑滤波过程中。通过实验数据验证,双边滤波可以有效地降低点云数据的噪声水平,具有广泛的应用价值。     

TLS三维点云聚类滤波算法应用研究

现有地面三维激光扫描点云数据滤波算法较少,针对地形复杂区域的点云滤波效果更是不甚理想,因此对二维聚类算法进行改进,提出三维点云聚类滤波算法,并对其在地形复杂区域的TLS数据滤波中的应用进行研究。以重庆鸡冠岭危岩体的TLS数据为例,分别采用曲率平滑滤波方法和文中提出的点云聚类滤波方法处理,并对两种方法处理过的数据进行形变量计算和分析。实验证明,针对植被覆盖茂密、地形复杂的山体,该方法的点云滤波效果较好,且处理速度有较大提升,能为点云后期形变量计算提供较好的基础。     

基于三角网滤波检验的KD树粗差剔除法

针对机载Li DAR点云数据的粗差剔除和滤波,直接关系到后续数据处理的精度,本文运用KD树组织数据建立三维索引,快速查找并计算目标点与k个最近邻点的平均距离,根据距离阈值判断并剔除粗差点。实验选取3种典型测区的点云数据进行实验,分别采用形态学粗差剔除法和本文粗差剔除法对3组点云数据进行粗差剔除,并采用渐进不规则三角网滤波法对原始点云数据及两种粗差剔除结果进行滤波,对结果进行对比分析。结果验证,本文方法能有效剔除点云粗差,提高后续滤波结果的精度。     

DBSCAN聚类和改进的双边滤波算法在点云去噪中的应用

采用基于密度的DBSCAN聚类算法对点云数据进行去噪处理，然后通过改进的双边滤波方法进行光顺处理实现点云平滑效果，最终的结果不仅有效去除了噪声点，还保留了点云模型的特征。以沈阳民国时期代表性的建筑——沈阳金融博物馆为试验模型进行试验，结果表明：通过DBSCAN聚类算法处理后得到的点云数据，再经改进的双边滤波处理所得到的数据远远比原点云数据直接运用改进的双边滤波处理得到的数据精度高，点云去噪效果更好。     

单体建筑物点云数据的CSF净化处理

从场景整体点云数据中提取单体建筑物的点云是建筑物单体三维建模的基础。然而，现有点云提取方法在提取建筑物点云数据时往往包含部分植被、地面等非建筑数据点，不利于建筑物对象建模。针对该问题，本文提出使用CSF方法对初步提取的建筑物点云数据进行净化处理。该方法首先将场景点云数据投影生成点云图像，根据图像特征初步提取单体建筑物点云数据；然后对获得的单体建筑物点云数据采用CSF方法进行净化处理，可以获得较为纯净的单体建筑物点云数据。本文以南京师范大学仙林校区部分区域为研究对象对该方法进行了验证。结果表明，该方法可以较好地对建筑物点云数据进行净化，得到较为纯净的单体建筑物点云数据，为基于点云数据的建筑物单体模型构建打下了良好的基础。     

面向复杂山地的机载LiDAR与无人机影像融合应用

本文针对LiDAR点云与无人机影像数据特征的优缺点,利用LiDAR点云与无人机DOM影像融合,将影像数据光谱信息赋给LiDAR点云数据,使其不仅具备精准的空间结构信息,还能得到清晰的纹理信息。为验证融合数据应用的可行性与数据提取的准确性,对融合前后的点云数据进行地面点提取与DEM构建。试验表明：将无人机影像的光谱信息赋给LiDAR点云数据,可以实现LiDAR点云数据从四维度表达到七维度的拓展,融合后点云数据具有清晰的纹理信息,地物类型判读更加容易,地面点分离完整;通过DEM模型的对比分析,融合后点云数据构建的DEM模型表达更加接近真实地表。研究结果为多源点云数据的深化应用提供了一定的技术方法支持作用。     

最小割与深度学习联合优化的室内粘连点云分割方法

随着数字城市的发展,城市三维模型重建对三维点云结构化的需求与精度要求越来越高。如何有效准确地分割室内语义模型与三维重构是当前研究的热点问题。点云分割分类是室内点云结构化的重要基础,如何将粘连点云构件进行准确分割并用于室内点云结构化,是当前城市建模的难点。本文提出了一种面向室内粘连点云数据的分割分类方法。首先,利用深度学习网络处理室内点云数据;其次,对点云数据进行标签分类,得到目标标签点云;然后,利用欧氏算法对目标点云进行聚类分割,通过室内语义构件包围盒信息计算各目标中心点坐标与水平半径;最后,利用点云最小割实现室内粘连点云的准确分割。利用3组室内场景中获取的数据对分割方法的精度及有效性进行了验证。结果表明,该分割优化方法具有较高的精度与数据完整性。     

基于扫描模式的点云修复技术研究

在现有3维激光扫描点云数据基础上,本文在VC＋＋平台下,对点云数据进行了处理,实现了点云数据的修复,其中数据采用美国斯坦福大学试验点云数据。经实验表明,程序能够实现点云的修复,减少了外业扫描过程中因遮挡引起的点云缺失。     

Cyclone在数字校园三维激光点云数据预处理中的应用

为了高效获取精确的数字校园地形图的测量数据,通过Leica ScanStation P40对校园进行三维激光点云数据采集,并结合Cyclone中的去噪模型对点云数据进行去噪,利用“六自由度”方法和ID号对标靶进行拟合,在一定约束条件下完成点云数据的坐标匹配、拼接以及优化,得到统一坐标系下的点云数据。结果表明:优化后的点云数据精度可达到6 mm。可见处理后的点云数据能够满足数字校园地形图的高精度要求。     

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。     

一种基于室内点云数据的建筑墙线提取

针对室内点云数据无结构化属性、数据间无连接、不承载语义信息且数据点密度高的特点,结合建筑物点云几何特征和室内导航需求,通过数据降维简化建筑几何特征提取的复杂性,提出一种基于室内点云数据提取建筑物墙线的方法。该方法首先通过向特定方向投影,利用点云密度直方图完成天花板面、地板面和房间墙面的初步分割;然后将房间墙面点云数据向地面投影,生成点云分布矩阵并将其转化为二值图,利用Hough变换算法提取直线,并利用直线方程求取交点得到备选墙线;最后将备选墙线和墙线点云二值图进行叠加从而获取最终建筑墙线。     

改进的分层点云数据压缩算法

针对传统点云压缩算法主要对小型物件的小数据量精细点云进行压缩,在大型地物的海量数据压缩方面存在压缩时间长、效率低的不足,提出了一种改进的分层点云数据压缩算法。基于大型地物点云空间结构特点将分层压缩算法的速度优势和距离压缩算法的高效优势相结合,解决了传统压缩算法在大型地物点云压缩方面的不足,实现了海量点云的快速高效压缩。西安市大雁塔三维激光点云压缩实验结果表明:该算法可以快速地完成海量点云的压缩,较之传统压缩算法极大地缩短了压缩时间,提高压缩效率。     

复杂城区车载激光扫描点云分层路段定位与数据纠正实验研究

高精度的车载点云数据是实现各种城市地物要素提取的前提,但在复杂城市环境下车载作业时信号遮挡、衰减和多径效应频繁发生,进而造成点云数据精度严重降低,如何对复杂环境下的点云数据进行分析和纠正就显得至关重要。现有的质量分析方法多从测距误差、仪器安装误差和数据处理误差方面出发,虽然可以在一定程度上改化数据,但在如何快速定位出分层路段以及复杂城区道路纠正方面缺乏深入研究。城区交通状况复杂、高楼林立以及树木密集等不利条件影响数据精度,因此文中研究三维点云数据分层路段快速定位方法以及分层点云纠正技术,以提升点云数据精度与质量。试验结果表明该方法能够快速定位到质量不佳的路段,研究成果可为复杂城区环境下点云数据质量提升提供一定借鉴。     

融合反射强度图像的地铁隧道点云自动配准

针对地铁隧道点云数据特征点少、在大视角点云数据间配准拼接时出现精度差、效率低等问题，本文以提高配准效率及精度作为出发点，以目前主流的ICP算法为基础，首先将激光点云按中心投影方式生成反射强度图像并以此作为配准源，采用规则格网分割提取匹配，建立均匀分布的同名点；然后利用反射强度图像上的同名点与点云之间的一一对应关系，完成视角点云间的初配准；最后在初次配准的基础上，采用KD树改进算法进行点云数据的精细配准。试验结果表明，本文在实现点云数据自动配准的同时，提高了地铁隧道点云数据的配准效率及精度。