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。     

基于体素栅格的建筑物三维激光点云数据抽稀方法

为了提升三维激光点云数据处理、存储、运算效率,对基于体素栅格的三维激光建筑物点云抽稀方法进行了研究。通过提取原始三维激光点云空间位置和法向量作为体素栅格存贮数据的主要信息;以三维激光点云最大外包矩形构建最大体素,并依据点云位置不断地进行空间划分,直至阈值范围内,从而实现点云数据的高效组织与管理。对体素栅格内的点云依据设定空间半径阈值检索种子点周边点云,剔除体素栅格中阈值内点云,保留种子点云,从而实现了三维激光点云数据抽稀,有效压缩了三维激光点云数据。并通过实验验证了该方法可以有效降低三维激光点云数据冗余,为海量三维激光点云数据的存储与应用等方面的研究提供参考。     

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。     

大规模点云数据的二维与三维混合索引方法

为提高点云查询效率和按需提取数据,提出一种二维与三维混合索引的大规模点云数据管理方法。采用二维四叉树和三维最小外包盒结构管理原始点云,以3D-R树管理多站点云,利用对象关系数据库管理全部点云模型和相关属性数据。利用古建筑大规模点云数据在微机上实现了点云模型的数据存储与可视化。结果表明本方法能够管理超过10 GB级的点云模型数据和十亿级有效点,数据可视化效率较高。     

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。     

十进制线性四叉树的点云数据格网索引方法研究

三维激光点云数据是海量三维点的集合,导致数据量庞大,组织和管理困难,不仅增加了系统负荷,而且大大降低了点云数据后续处理效率。该文针对海量点云数据的组织与管理中遇到的加载和显示效率低、建立索引困难、不能实时动态显示等问题,提出了基于十进制线性四叉树的点云数据格网索引方法,该方法用四叉树结构分割点云数据和用SQL Server数据库存储,采用Morton码或矩形区域对点云数据进行分块空间索引,结合空间索引和数据库的优势对点云数据进行高效、动态、智能管理。实验结果表明,该方法较好地解决海量点云数据的组织与管理效率低下,不能实时动态显示的问题。     

基于格网化LIDAR点云数据坡度滤波方法的研究

LIDAR数据是目前生产DEM/DSM最为理想的数据源,利用机载激光雷达获取DEM/DSM数据是机载激光雷达最为直接的应用。本文提出了一种将LIDAR点云数据格网化与坡度滤波相结合的点云分类方法,该方法将数据格网化的概念用于LIDAR点云数据的预处理,避免了LIDAR点云数据内插或者平滑造成的信息损失,并且引入坡度突变对格网化处理后的LIDAR点云数据进行第二次地面点的选取,提高了LIDAR点云数据分类的效果。     

基于NoSQL的机载LiDAR海量点云数据分布式存储

机载LiDAR点云数据是遥感大数据的重要组成部分,其海量化的趋势日益显著。本文设计并实现了基于NoSQL的海量机载LiDAR点云分布式存储模型,解决了海量机载LiDAR点云数据的高效存储问题。通过建立基于虚拟格网与线性八叉树的海量机载LiDAR点云数据组织结构,设计了基于虚拟格网号与Morton码的海量机载LiDAR点云数据标识唯一编码;提出了基于HBase的海量机载LiDAR点云数据存储策略,实现了键值和表结构的优化设计;最终实现了海量机载LiDAR点云数据的高效存储和快速查询。     

基于特征点的点云压缩方法研究

针对现有点云数据,在VC++平台下,提出一种基于特征点的压缩方法,实现点云数据的抽稀,其中试验数据采用扫描数据以及美国斯坦福大学试验点云数据。经试验表明,该方法能够实现点云的抽稀,减少点云的数据量,提高点云后期处理的效率。     

边缘系数建筑物雷达点云数据简化方法

针对基于LiDAR点云数据进行建筑物自动重建中存在的数据冗余问题,该文设计了一种定量描述激光点位于地物边缘区几率大小的指标——边缘系数,并据此提出了基于边缘系数的建筑物LiDAR点云数据简化方法。该方法利用激光点与其邻域点的位置、数量及分布计算该点的边缘系数,通过试验分析确定边缘系数的阈值并对点云数据进行分割,最后保留建筑物边缘区域的点,实现点云数据的简化。实验表明,该方法在对点云数据进行高效压缩的同时有效保留了位于地物边缘处的点云,有助于提高海量点云数据处理能力和建筑物重建效率。     

影像密集匹配点云的单体化提取

以倾斜影像密集匹配点云数据为研究对象,提出了一种快速提取建筑物单体点云模型的方法。首先通过过滤地面点云数据以实现地物分离,采用高程频率直方图确定植被点云的高程区间并予以剔除。然后采用基于密度的聚类分析算法对剩余建筑物顶部点云进行了聚类。最后根据每栋独立建筑物屋顶点云的坐标范围,从原始点云数据中提取了每栋独立建筑物的完整点云,实现了对于倾斜影像密集匹配点云的单体化提取。     

基于EPS平台的地面三维激光扫描点云数据处理方法探讨

三维激光扫描技术是通过大量密集的扫描点,以模拟形式体现目标实体对象表面丰富的形体信息,不能获取的点云数据直接读取目标对象的矢量化信息,并进行点云数据处理。笔者在工作中,以EPS2008软件平台为基础,利用VBScript脚本进行二次开发,实现了点云数据分层提取、点云线状地物提取、点云特征轮廓提取、点云数据断面提取和点云高程提取等功能。本文针对已经实现的功能进行探讨,指出每种方法的特点和应用范围。     

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。     

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。     

基于KD树的点云数据自适应屏幕精度高效显示方法北大核心CSCD

海量激光点云数据的快速显示是目前一个技术瓶颈。本文提出一种基于KD树的点云数据自适应屏幕精度的高效显示方法,采用类似LOD的技术将点云进行KD树的组织,并在KD树节点上引入屏幕精度的概念,在点云数据显示时,计算KD树节点在屏幕上的投影范围,进而决定其是否显示点云细节。试验证明,该算法在显示大规模点云数据时,由于通过KD树自适应屏幕精度调度点云数据使绘制点的数据量大大减少,从而大大加快了点云的显示速度。     

基于KD树的点云数据自适应屏幕精度高效显示方法

海量激光点云数据的快速显示是目前一个技术瓶颈,本文提出一种基于KD树的点云数据自适应屏幕精度的高效显示方法,采用类似LOD的技术将点云进行KD树的组织,在KD树节点上引入屏幕精度的概念,在点云数据显示的时,计算KD树节点在屏幕上的投影范围,进而决定其是否显示点云细节。经实验证明,该算法在显示大规模点云数据时,由于通过KD树自适应屏幕精度调度点云数据使绘制点的数据量大大减少,从而大大加快了点云的显示速度。     

基于栅格的点云数据的边界探测方法

分析三维激光扫描点云的数据特征,得到一种将三维点云数据转换为深度图像形式后提取边界的方法。通过原始点云数据扫描线分组分行使点云数据实现X,Y方向数据的规格化,以Z方向代表深度,将规则的点云数据转换为图像形式。采用图像边界提取方法——Canny算子来提取边缘信息,并将其转换到三维空间中显示出来。实验表明,基于栅格的点云数据的边界探测方法能快速实现三维点云边界的提取与显示,可应用在基于边界特征的点云配准、点云的角点检测、点云的三维建模等后续处理工作中。     

车载LiDAR海量点云数据管理与可视化研究

为了支持车载移动激光扫描点云数据的高效管理与快速可视化,提出了一种适用于车载海量点云的数据组织方法。该方法将原始点云数据分段后生成轨迹信息用于快速索引,分别对每段数据建立基于八叉树结构的LOD（levels of detail）索引,并采用多线程动态调度技术实现基于视点的海量点云渲染与漫游,显著提高了车载点云数据的调度效率。实验结果证明该点云数据组织方法是一种适合车载点云数据的高效管理方法。     

Trimble Realworks在点云数据真三维建模中的应用

三维激光扫描技术是近年来出现的新技术,其应用取决于点云数据的建模质量。将点云数据导入Trimble Realworks,经过数据配准、点云降噪、模型创建、曲面构建等处理,生成三维模型,并将三维模型与点云模型进行比较。试验表明,采用Trimble Realworks软件进行点云数据三维建模,大大提高了建模质量。     

机载激光雷达点云数据质量评价体系分析与探讨

结合机载LiDAR数据的特点,着重分析了点云数据的质量评价体系.从原始的激光点云数据和点云数据产品两方面出发,通过明确评价指标,着重从定量的角度论述了如何对激光点云数据进行质量评价,为相关评价机制的完善提供了有益的参考.