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。     

虚拟格网分类支持下的密集匹配点云布料模拟滤波

为了提高倾斜影像密集匹配点云滤波算法在地形复杂场景的精度、效率及自适应性,针对传统的布料模拟滤波算法的不足,本文提出了一种基于虚拟格网分类的布料模拟滤波方法。该方法首先构建带有缓冲区的虚拟格网;然后将虚拟格网按其范围内的点云坡度划分为平地、缓坡、陡坡3种类型;最后针对不同类型的虚拟格网,使用相应的布料参数进行布料模拟滤波,从而实现倾斜影像匹配点云在地形复杂场景中的点云滤波,与单一参数的布料模拟滤波进行对比试验。结果表明,基于虚拟格网分类的布料模拟滤波方法结果更接近于目视解译,该方法适合混合地形滤波。     

基于CSF的无人机影像数据点云滤波算法实现与应用

基于无人机影像匹配点云数据技术,提出利用布料模拟滤波算法(Cloth Simnlation Filter,CSF)进行点云滤波计算,结果表明:布料模拟滤波算法在点云滤波匹配过程中,仅需要对六个参数进行简单设定就可以达到预期的地面点和非地面点的滤波匹配效果,地面点的匹配误差率为4.9％,非地面点的误差匹配率为8.4％,总体误差匹配率为6.49％,表明布料模拟滤波算法匹配效果较好,匹配操作过程简单,具有较强的可操作性和可行性.     

面向多波束测深数据的双向布料模拟自动滤波算法

针对现有多波束测深数据的滤波算法需要人工干预且难以实现自动滤波的问题,在布料模拟滤波基础上,提出了一种基于双向布料模拟(bidirectional cloth simulation filtering, BCSF)的多波束测深数据滤波算法。首先,基于二次曲面（Levenberg-Marquardt）算法拟合构建传递式迭代趋势面,消除海底负异常数据;然后,构建BCSF修正模型,确定最终海底滤波面,解决海底凹凸地形或具有成簇噪点的复杂海域地形容易产生的过度滤波问题;最后,对分类海底点与非海底点的距离阈值进行了自适应优化与估计,进一步提高BCSF滤波结果的准确性。将所提算法应用于实测多波束测深数据,实验结果表明,与布料模拟滤波相比,所提算法不仅克服了过度滤波的缺陷,而且实验区域的整体测试数据的噪点剔除率从12.87%下降到0.76%,局部测试数据的噪点剔除率从15.29%下降到1.09%;与基于不确定度理论的多波束测深滤波相比,所提算法更加简洁,易于技术实现,人工干预很少,保留了更多的地形细节,具有较好的鲁棒性和应用前景。     

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。     

机载LiDAR点云自适应滤波算法

针对传统移动曲面拟合滤波算法难以使用单一且具有自适应性阈值滤波的问题,提出一种改进自适应阈值滤波算法.首先将点云格网化,利用混合最小二乘曲面拟合对多级移动曲面滤波算法进行部分优化;其次利用离散点云数据分布特征计算一级滤波阈值;最后计算格网中最大真实高程值与最小真实高程值之差,利用曲率极限点为该值设定一个自适应系数,对滤波阈值算法进行自适应改进后二级滤波.实验采用国际摄影测量和遥感学会(ISPRS)公布的激光雷达数据集验证算法,结果表明,该算法滤波总误差平均值达到6.26％,连续地形滤波总误差达到4％以下,可以较精确地区分地面点与地物点,精确度较高且适应性较强.     

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。     

车载激光扫描点云滤波方法研究

针对传统的点云滤波算法存在阈值单一、地面点提取准确低的问题,本文提出了一种改进自适应阈值滤波算法。首先通过对点云数据进行二维投影并进行格网化处理;其次通过格网内最低点进行混合最小二乘曲面拟合;最后通过一级滤波阈值与自适应阈值实现非地面点滤波。为了对本文提出的自适应阈值滤波算法的有效性进行检验,分别使用城市中心道路与郊区道路点云数据进行算法实验。结果表明,本文提出滤波算法对城市中心道路点云滤波结果的一类误差、二类误差、总误差分别为4.6%、2.3%、3.7%;对郊区道路点云滤波结果的一类误差、二类误差、总误差分别为5.4%、7.1%、6.5%。相比于传统的移动窗口滤波算法,本文滤波算法无论是一类误差、二类误差还是总误差均更低,可准确区分出地面点与非地面点,表现出了更好的点云滤波性能。     

基于点的多尺度形态学重建滤波方法EI北大核心CSCD

针对现有机载激光雷达(LiDAR)点云滤波算法难以准确分离复杂地形中地面点与地物点问题,提出了一种基于点的多尺度形态学重建滤波方法 PMMF (Point-based Multi-scale Morphological reconstruction Filter)。在初始尺度层次下,PMMF通过构建一种基于点的形态学重建对原始点云滤波,即先在掩膜点云约束下借助k邻域结构元素和高程缓冲区反复膨胀标记点云,获取潜在地面点;然后通过自适应坡度方法剔除潜在地面点中的非地面点,其中,坡度阈值随地形复杂度自适应变化。在上层滤波结果基础上,PMMF通过提升种子点选择的网格尺度重复上层滤波过程,直至结果收敛。以国际摄影测量与遥感学会(ISPRS)发布的15组基准数据为研究对象,将PMMF滤波结果与近5年(2016年—2020年)提出的15种滤波算法比较表明,PMMF有8组数据滤波效果占优,15组数据平均总误差和Kappa系数分别为2.71%和91.08%。使用4种不同地形特征的高密度机载LiDAR点云数据进一步验证PMMF的滤波效果,并将计算结果与简单形态学滤波(SMRF)、布料模拟滤波(CSF)、渐进加密三角网滤波(PTD)和多分辨率层次滤波(MHF)比较。结果表明,PMMF滤波性能最优,平均总误差为3.24%,较其他4种滤波方法分别减小了12.0%、59.1%、70.1%和53.2%。     

最小二乘曲面拟合的LiDAR数据滤波方法

机载激光扫描技术(LiDAR)可直接获取数字表面模型,但要获得高精度的数字地面模型(DTM)需要滤波去除地物点,这是一项十分复杂和耗时的工作。本文提出一种基于二次多项式的局部最小二乘拟合滤波算法,对数据进行规则格网化处理,对每个格网的数据进行局部最小二乘拟合滤波处理,并缩小格网大小迭代进行滤波。实验结果表明提出的方法能得到很好的效果。