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。     

三维有限元分析的LIDAR点云噪声剔除算法

提出一种基于三维有限元分析的LIDAR点云典型噪声剔除算法。该算法首先采用空间六面体模型对原始LIDAR点云进行有限单元剖分;其次依据基于邻接关系的推理规则进行噪声单元与非噪声单元聚类;最后进一步选择更精细剖分阈值迭代剔除低矮噪声。采用国际主流机载LIDAR系统所获取的点云数据进行相关算法对比实验,结果表明三维有限元分析剔噪算法具有更好效果。     

三维激光点云的降噪算法对比研究

点云降噪是数据预处理中的一项基本操作,并且噪声滤除的效果将直接影响后期点云分割、配准、识别等操作成果的质量。受扫描环境及仪器影响,扫描生成的点云不可避免地会产生噪声点,必须借助点云降噪算法方能剔除。统计滤波与半径滤波是点云去噪中的常用方法,可有效地滤除离散点。本文基于PCL实现两种滤波算法,并对试验点云数据进行降噪处理,以验证滤波算法的有效性,最终分析参数设定对滤波效果的影响及对比两种滤波结果质量。     

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。     

利用 LiDAR 点云提取有地形约束的光滑海岸线

针对传统海岸线提取算法误差大、在地形突变区域形变大的缺点,提出了一种基于离散 LiDAR 点云提取有地形约束海岸线的方法.首先,通过离散点云构建约束三角网,减少内插规则格网的误差并且保证海岸线不穿越地形结构;其次,进行顾及地形结构的点云高程修正,在数据源上缓解海岸线的平滑问题;最后采取二次多项式法消除毛刺,利用动态阈值张力样条函数内插生成光滑海岸线.     

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。     

多尺度点云噪声检测的密度分析法

当前机载激光雷达数据和影像匹配得到的点云是密集点云数据的两类主要来源,但都不可避免存在着噪声点。本文提出一种新的点云去噪算法,可适用于这两类数据中所包含的噪声点的去除。算法主要包括两步:第1步利用多尺度的密度算法去除孤立噪声和小的簇状噪声;第2步利用三角网约束将第1步中误检测为噪声的点重新归为正常点。针对真实数据进行了剔噪试验,结果表明本文提出的基于密度分析的多尺度噪声检测算法对孤立噪声和簇状噪声都有较为效,且对于质量较差的影像匹配点云的检测也能有效处理。本文算法检测率达到97%以上。     

剔除无人机影像BRISK特征误匹配点对算法

针对BRISK特征检测算法在遥感影像中匹配时同名点对冗余度高和全局性差等特点,考虑BRISK特征检测算法能获取大量无人机遥感影像特征点,Delaunay三角网算法能够利用影像的BRISK特征点的粗匹配点对构建三角网,本文综合两种算法的优点,提出了一种结合BRISK特征检测算法和Delaunay三角网算法的剔除无人机遥感影像误匹配点对方法。该方法利用两张影像的BRISK粗匹配特征点构建Delaunay三角网,利用遍历两张影像三角网中的三角形相似度剔除错误匹配点对,并利用摄影不变量原理进一步剔除误匹配点对,提高了两张影像的精度;对比分析了Delaunay三角网的射影不变量算法,RANSAC算法分别剔除原始影像组、加入椒盐噪声影像组及旋转影像组的BRISK特征误匹配点对的效果。试验结果表明,3组影像分别利用结合BRISK特征和Delaunay三角网的射影不变量算法的无人机遥感影像匹配方法获得的正确特征匹配点对冗余度低、全局性优。     

三维激光扫描数据的单木树冠体积精确计算

针对现存单木树冠体积计算方法不能剔除树冠外部较大空隙以及树冠边界提取粗糙的问题,该文在对生长算法改进的基础上,提出了基于过滤三角网的树冠边界精确提取算法,确定了树冠最优分层间距与过滤阈值,实现了树冠体积的准确计算。该方法在对扫描的单木树冠点云数据进行拼接和过滤后,进行等间隔分层处理获取其切片点云,然后采用过滤三角网算法生成符合树冠实际情况的边界,再通过计算的切片面积获取各层点云间的体积,最终累加各层点云体积得到树冠体积的精确值。对校内树冠三维激光扫描实测数据进行计算与分析,结果表明过滤三角网算法提取的树冠边界能顾及树冠外部存在的空隙现象,进而得到准确的树冠体积值;此外,过滤三角网算法对树冠点云数据的密度要求远低于体元法,具有较高的算法稳定性。     

离散点生成不规则三角网

三角网是地学建模中最为基本的一种网络,由离散点生成不规则三角网是三角网生成过程中遇到的一种非常普遍的情况。本文研究离散点生成不规则三角网的逐点内插算法及实现过程中需要注意的若干问题,详细阐述由离散点数据如何逐步生成不规则三角网并给出了实现结果。     

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。     

机载LiDAR点云时间纹理信息航带重叠区消冗

机载LiDAR获取的完整测区点云数据中包含了丰富的信息,同时也伴随着大量冗余数据,本文提出基于机载LiDAR点云时间纹理信息的航带重叠区消冗方法。首先按点云时间信息划分航带,再按点云纹理信息提取航带边缘,接着提取高地物遮挡空洞,最后去除重叠区冗余数据。实验结果表明,该方法无需航线信息辅助,并能在保留遮挡空洞区域点云的同时,高效地去除航带重叠区中精度较低的点云。     

车载激光扫描点云中建筑物边界的快速提取

以车载激光扫描点云数据为研究对象,提出一种由粗到细且快速获取点云中建筑物3维位置边界的方法。首先,通过分析格网内部点云的空间分布特征(平面距离、高程差异和点密集程度等)确定激光扫描点的权值,采用距离加权倒数IDW(Inverse Distance Weighted)内插方法生成车载激光扫描点云的特征图像。然后,采用阈值分割、轮廓提取与跟踪等手段提取特征图像中的建筑物目标的粗糙边界。最后,对粗糙边界内部的建筑物目标点云进行平面分割,提取建筑物的立面特征并构建立面不规则三角网TIN(Triangulated Irregular Network),并在建筑物先验框架知识条件下自动提取建筑物的精确3维位置边界。     

一种自适应的坡度阈值地面点云分割方法

针对城市道路斜坡地形场景中地面欠分割或过分割的问题,提出了一种自适应的激光雷达地面分割算法。首先将激光点云按照水平角度分辨率进行有序组织,然后求取同一水平角度下前后扫描圈间激光点云的距离和局部坡度,最后采用自适应水平距离、局部高度和全局高度阈值区分地面点和非地面点。结合40线激光雷达进行多场景实例分析,结果表明本文算法分割的准确率更高,处理每帧数据均用时约1ms,满足无人驾驶汽车的实时性需求。提出了一种自适应的激光雷达地面分割算法,实现了对激光雷达地面点云的准确分割。     

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...     

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。     

机载LiDAR点云数据中电力线的提取方法研究

提出了一种基于机载LiDAR点云数据的电力线提取方法。首先在进行LiDAR数据滤波的基础上,分离地面点与非地面点;然后针对非地面点采取一种基于角度的滤波方法,分离非地面点中的植被点与电力线点,对电力线点,采用二维Hough变换进一步分离各条电力线点;最后使用双曲余弦函数模型,对单条电力线进行曲线拟合。实验结果表明,该方法能够从LiDAR点云数据中较完整地提取出电力线点,电力线点提取正确率达96.2%,并能够对电力线走廊进行三维重建。