机载LiDAR点云密度对DEM精度的影响

机载激光雷达技术(LiDAR)作为一项先进的遥感技术,是植被覆盖区DEM获取的重要手段之一,而不同地形坡度条件及点云密度对DEM产品质量有重要影响。本文以辽宁省某市的机载LiDAR数据为基础,选取5种不同地形坡度的点云数据,通过随机、等间距及基于曲率3种不同的点云抽稀方法,按照点云保留率为80%、60%、40%、20%和10%共5个不同梯度的抽稀倍数对原始点云进行抽稀简化处理,生成与之对应的DEM并对其进行精度评价,以此研究地形坡度、点云抽稀方法、抽稀倍数对DEM精度的影响。结果表明,DEM精度与地形坡度呈负相关关系,即RMSE随地形坡度升高不断增加;基于曲率的抽稀方法在地形坡度＞30°时,相较于其他两种方法RMSE较小,具有明显优势;40%的点云保留率是平衡DEM精度与数据存储效率的一个节点,当点云保留率<40%时,DEM的高程RMSE会迅速增大。该研究对于利用机载LiDAR进行大范围DEM生产具有一定的指导和借鉴意义。     

浙江省平地区域机载LiDAR数据处理及DEM制作实践

为了进行平地区域原基础测绘产品高程的更新,我省进行了针对平地区域的机载LiDAR测高项目,为了获取高精度的DSM和DEM成果,在实际生产中开展了机载LiDAR数据处理及DEM成果的制作方法研究。本文将利用TerraSolid软件,从LiDAR点云数据的高程精度控制、点云滤波分类要求和如何利用特征线进行无点云数据区域的DEM精度控制等关键技术方面进行研究。     

基于多尺度虚拟网格与坡度阈值的机载LiDAR点云滤波方法

点云滤波是机载LiDAR数据后处理的基础工作,本文提出一种基于多尺度虚拟网格与坡度阈值的机载LiDAR点云滤波方法。该方法采用类似影像金字塔的方式构建不同尺度即不同分辨率的虚拟网格,各级网格都以每个方格内最低点作为地面种子点,然后根据坡度阈值以分辨率由低到高的方式逐层对种子点进行平滑处理,最后以最高分辨率即最小尺度虚拟网格地面种子点作为基准种子点对整个数据集进行滤波处理。本文分别采用城区与郊区两块机载LiDAR数据进行了实验。实验表明,该方法能够有效地提取出地面点,运算效率也比较高,具有一定的实用价值。     

一种局部稀疏地面点云与已有DEM的融合方法

机载LiDAR采集的点云数据中会存在一些局部区域地面点稀疏的情况，利用这些稀疏地面点构建DEM时会出现“三角面片化”的问题，严重影响DEM的质量。为此，本文提出了一种局部稀疏地面点云与已有DEM的融合方法：将稀疏点云作为高精度控制点，在尽量保持原始DEM的地形形态特征的前提下，通过高斯核函数加权迭代插值算法对DEM进行高程局部改正，实现稀疏点云与DEM的一致性融合。试验分析表明，融合后的点云数据得到了较好的补充，由此构建的DEM地形形态自然，在精度上相对于融合前的稀疏地面点云有一定改善，在弱精度区域的可靠性有显著提升。     

基于Python的点云分类异常地面点自动探测方法

在应用LiDAR点云数据生产DEM过程中,由于滤波算法的局限性和人工编辑误操作,点云分类过程中会产生影响DEM精度的异常地面点.针对该问题,本文提出了一种基于Python语言的点云分类异常地面点自动探测的方法,通过实践验证了该方法的可行性和有效性,在大规模DEM生产中具有实际应用价值.     

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。     

机载LiDAR点云数据精细化滤波方法研究

针对机载LiDAR点云数据在自动化滤波过程中因建筑、植被底点剔除不完全导致DEM成果粗糙、等高线不平滑等问题,提出了一种精细化滤波方法。先对LiDAR点云数据进行滤波处理生成参照DEM,再利用同区域的正射影像辅助判别,选取需要滤波区域点云进行局部纠正;分别选取平坦区域和山地区域进行实验,并对精度验证和等高线成果进行了对比。实验结果表明,经过精细化滤波后的DEM和等高线成果在保证精度指标的前提下,成果质量明显提高。     

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...     

基于机载LiDAR点云数据构建复杂山区高精度DEM方法研究

为解决大范围复杂山区DEM生产困难的问题,提出利用机载LiDAR点云数据构建DEM.本文对机载LiDAR数据处理流程及其在复杂山区的具体应用进行分析,主要利用LiDAR数据处理软件对点云数据进行内业DEM生产并编辑最终得到符合项目要求的数字高程模型数据,结果证明该方法可行.     

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。     

机载LiDAR点云数据自动生成DEM的方法与精度评价

设计了一种点云数据快速处理自动生成DEM的算法,介绍了滤波结果的评价方法以及通过标准DEM评价内插的DEM整体精度的方法;并选用河北承德地区的机载激光LiDAR点云数据进行了实验。结果表明,数据处理结果具有较高的精度,为激光点云数据自动生成DEM提供了一种有效的技术途径。     

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。     

LiDAR点云的建筑物立面空洞修复

针对树木等遮挡造成的车载LiDAR建筑物立面点云空洞,该文提出了一种基于机载和车载LiDAR数据融合的建筑物点云修复方法,即在空-地LiDAR点云融合的基础上,基于提取的机载LiDAR建筑物外轮廓线,通过缓冲区分析实现车载LiDAR建筑物点云分割;借助轮廓线信息实现了邻近建筑物间的相似性判断,基于匹配后的相似建筑物点云和空洞探测方法,实现了建筑物立面点云空洞修复。最后通过实验数据验证了该方法的可行性。     

基于语义推理的城区机载LiDAR分割点云分类

目前,机载LiDAR系统获取的点云数据具有多回波的特性,回波特性可以揭示地物的类型信息。本文在排除粗差、首次回波和中间次回波后,对单次回波和尾次回波形成的点云子集进行基于3DHough变换分割和滤波处理以区分地面点和非地面点(包括墙面点),然后合并首次回波、中间次回波和非地面点再次进行点云分割,利用分割面片的尺寸大小、单次回波激光脚点比例、首次回波和中间次回波激光脚点比例等三个指标区分建筑物激光脚点和植被激光脚点。实验证明,上述方法可以很好地将点云数据分类为墙面点、地面点、建筑物点和植被点。     

机载LiDAR建筑物点云渐进提取算法

针对机载LiDAR建筑物点云提取过程中易受植被的影响的问题,本文提出了一种机载LiDAR建筑物点云的渐进提取算法。首先通过布料模拟滤波算法对地面点云与非地面点云进行区分,在此基础上利用最大类间方差法算法（Otsu）对非地面点云进行阈值分割,提取初始建筑物点云;然后根据点云的连通性对初始建筑物点云进行密度聚类分割（DBSCAN）,剔除离群噪声点;最后通过Alpha Shape算法实现建筑物点云的边缘提取。本文选取ISPRS官网提供的3组典型城区LiDAR点云数据进行试验,试验结果表明,本文算法可达到较好的建筑物点云提取效果。     

利用机载LiDAR数据提取与分析地裂缝

机载激光扫描可获取植被茂密地区的数字地形模型(DTM),但将其用于茂密植被覆盖区地裂缝提取方法的研究还不多见。以湖南冷水江市浪石滩为试验区,基于机载Li DAR的激光点云数据,研究了植被覆盖区地裂缝的提取方法,分析了地裂缝的微地貌特征。首先对离散的三维激光点云数据依次进行基于不规则三角网滤波、高程滤波及回波信息强度滤波提取地面点,以保留完整的微地貌微特征;然后构建不规则三角网,反距离加权内插生成数字高程模型(DEM),提取地裂缝识别参数,同时基于最小曲率对地裂缝进行线性探测,提取地裂缝的长度信息,且利用地裂缝剖面信息分析其微特征,结合识别参数分析地裂缝的稳定性。研究结果表明:利用机载Li DAR点云数据提取的地裂缝识别参数,能够确定地裂缝的位置、坡度坡向、长度和深度信息,有助于判定地裂缝的稳定性;在植被较为茂密、地面点密度稀疏的区域,保留一定的低矮植被所提取到的DEM能更好地保留地裂缝的微地貌特征。     

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%。     

机载LiDAR点云的双阈值自动提取断裂线方法

提出了一种基于机载LiDAR点云的双阈值断裂线自动提取方法.该方法首先将机载LiDAR地面点云数据按照高程重采样为距离图像,用双阈值方法提取出概略断裂线;再结合原始地面点云用基于平面对的分段构造法对概略断裂线进一步求精.实验表明,该方法能够比较精确地从机载LiDAR地面点云中自动提取出断裂线.     

基于Car(p,q)模型和数学形态学理论的LiDAR点云数据滤波

在分析现有的LiDAR点云数据后处理方法的基础上,本文提出了一种点云数据“分步”滤波方法。首先对LiDAR点云数据进行数学形态学“粗”滤波,得到“地面点假设”和“非地面点假设”。然后引入顾及因果关系的自回归模型（car）对两类点云数据假设进行模型化处理和假设检验,根据假设检验的结果判断地面点和非地面点,最终得到可靠的分类结果。与单纯的“最小二乘拟合预测法”或“数学形态学”方法相比,这种“分步”处理的思想用于LiDAR点云数据分类处理的结果更可靠。     

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.