地形自适应车载LiDAR点云滤波

针对车载LiDAR点云进行地面点滤波时,基于常规TIN、坡度等滤波算法不能根据局部地形变化自动调整阈值的问题,该文结合城市点云特征和地形起伏度,提出地形自适应的车载LiDAR点云滤波方法。该方法通过引入地形自适应参数进行区域增长阈值的动态调整,实现地面点、非地面点的自动精确滤波。通过实测数据试验,结果表明该方法可适用于车载LiDAR城市点云中地面点和非地面点的较精确分类,解决低矮浅丘、低矮灌木等地物点不容易正确分类的问题。     

基于Otsu方法点云粗分类的渐进三角网滤波算法研究

针对传统渐进三角网滤波方法需要针对不同的地形条件频繁调整滤波参数,并且对低矮地物滤波效果较差等问题,结合图像分割中的Otsu方法,提出一种基于Otsu方法点云粗分类的渐进三角网滤波算法。在对原始点云数据粗分类的基础上,以点云类别属性引导滤波过程。实验结果表明,方法简单可行,可以有效地控制低矮点被误分类成地面点的可能性,提高滤波处理结果的准确性。     

一种应用于城市区域的自适应形态学滤波方法

数学形态学滤波是从激光雷达数据中识别地面点、创建数字高程模型的一种重要方法,在应用中取得了较好的效果,但也具有一些明显不足。在分析现有方法优劣及城市地形特点的基础上,提出一种应用于城市环境的自适应形态学滤波算法。该方法采用分层识别策略：首先通过分割得到地面主体部分;之后利用正规化高度值寻找其余地面区域;最后估计地物覆盖区域地面点取值。采用三个不同分辨率、不同地形/地物特点的数据集进行了实验,结果表明该方法能有效识别地面和地物点,并解决了窗口尺寸限制、粗差误判等问题。     

基于机载LiDAR点云滤波的矿区DEM构建方法

机载Li DAR数据是进行矿山高植被覆盖区地面塌陷调查的有效工具。利用湖南某矿区的机载Li DAR点云数据,提出了一种基于区域分割的渐进三角网滤波构建DEM的方法。首先,对原始机载Li DAR点云数据进行重新组织,以提高邻域点计算效率;其次,结合高程差计算区域统计值,按照地形情况分割测区内的地面点和非地面点,利用地面点构建初始稀疏TIN模型;然后,通过计算其他点与TIN的距离,渐进加密三角网,提取地面点;最后,剔除孤立点,生成格网间距为1 m的DEM。研究结果表明:基于区域分割的渐进三角网滤波构建的DEM能够较为精细地表达地形信息,特别在高植被覆盖区域,能够提取出高精度的真实地表DEM,可更加准确地表达出矿区高植被覆盖区的地表塌陷位置和范围等信息。     

基于机载点云数据的智能化成图方法研究

为了提高机载点云数据生产大比例尺地形图的自动化程度,减少人工作业工作量,提出了一种基于机载点云数据的半自动化成图方法。该方法先对原始点云数据进行滤波处理,再将其划分为地面点云和非地面点云。对于地面点云可自动提取等高线并生成高程点;对于非地面点云,先进行分割、分类处理提取建筑物、高架桥等典型地物,再进一步提取其边界,完成制图。该方法能有效完成地形图生产中等高线、高程点、建筑物等要素的自动提取,而其他地形要素还需根据正射影像补充提取。     

LiDAR测量点云融合影像的分块滤波方法

针对现有LiDAR地面点滤波算法对复杂地形地物适应性不强的问题,本文提出了一种融合点云与地面影像分块滤波的方法。首先,将地面影像与点云匹配,使点云从影像中获取更多的光谱纹理信息。然后,分析地物光谱、林地相对密度、点云高程特征、地面DSM模型及其坡度,并基于决策级融合将原始点云切割成若干独立的区块。最后,根据每块区域不同的多元细节特征,对IPTD滤波算法进行改进并利用搜索法优化参数,得到最优且稳健的结果。利用滤波后的总地面点通过插值算法得到的DEM模型和相关试验验证了本文算法的优越性。     

基于车载激光点云数据的行道树提取方法

针对道路车载激光扫描点云数据中行道树与其他地物相互遮掩,存在杆状物分类困难的情况,本文提出了一种基于车载激光扫描数据的行道树自动提取方法。首先,构建格网并地形点云滤波,提取非地面点,从而提升后续算法的运算效率;其次,在非地面点的基础上构建空间体元进行邻域分析,提取树干点云,同时建立树冠分层点云投影面积理论,提取得到树冠点云;最后,使用改进分割算法进一步修正树冠点云归属,实现行道树的单体化。使用两组不同类型道路点云数据进行实验,结果显示本文算法提取行道树的平均提取完整率与正确提取率分别为90.73%、91.22%,较对比方法具有一定优势,为行道树的高效、快速、准确提取提供了新的思路。     

倾斜影像中提取高精度DEM的方法研究

针对传统航空影像获取的DSM在立面及局部地面、建筑物屋顶空间信息的不足,获取高精度DEM较为困难的问题,提出了基于倾斜影像提取高精度DEM的方法。首先对倾斜影像获取的点云DSM结构进行分析,得出了DSM具有几何约束特点,能够在城区很好地区分地面点和地物点;然后指出对DSM滤波处理是获取高精度数字高程模型（DEM）的关键技术,提出了基于法向量差值区域生长分割TIN的滤波方法;最后选取吉林省敦化市的倾斜影像数据进行了滤波试验和算法验证。试验结果表明,该方法能够快速、有效地滤除不同尺寸的建筑物、植被和其他地物,获取高精度DEM。     

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。     

基于聚类与重构的河流区域滤波方法

研究河流区域水体点云的分布特征与相互关系,提出基于特征聚类的点云分割与基于LLE算法的邻近点点云重构滤波方法。通过统计网格内点云的特征参数,进行点云分割并滤除水面点,再利用LLE算法的邻近点构建约束条件进行点云重构,分离近岸船只点云与岸堤点云的边缘,最后利用船只点云的独立性进行二值连通域标记与滤除,从而实现河流区域的点云滤波。实验表明,该方法能够滤除90%以上的水面点云与大部分船只点云。     

一种改进的LiDAR数据过滤方法

Lidar的数据过滤是数据预处理的重要步骤,也是获取高精度数字高程模型的关键。现有很多典型的过滤算法都是基于地面种子点逐渐恢复地面的,比如自适应TIN过滤法、迭代线性预测法,分层恢复过滤法等。初始地面种子点选择的好坏将直接反映到过滤结果的精度上,尤其是对丘陵地区的地形恢复,影响更大。本文对基于种子点的TIN三角网加密法(TS过滤算法)进行了深入剖析,并在种子点选择方法上提出了一种基于移动窗口法和最小残差法的混合式种子点选择方法,有效地提高丘陵地区地形恢复的准确度。     

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。     

基于两级格网的LiDAR数据组织与改进坡度滤波

提出一种基于双层格网与改进坡度滤波方法.该方法实现对原始数据的两级格网化,在一级网格中选出地面种子点,在此基础上利用二级网格进行地面点选取,不仅提高了运算效率还可以剔除粗差.在改进坡度滤波算法中,对传统滤波算法进行改进,提出3个坡度阈值,有效克服传统坡度滤波算法在地形起伏较大的地方可能发生的错误.试验结果表明,该算法计...     

密集低矮植被区LiDAR点云地面滤波算法

针对地形复杂且低矮植被茂密的矿区LiDAR点云特点,本文提出了一种基于坡度信息并结合平面拟合的地面滤波算法。该方法采用二级格网法逐级选取地面种子点,在每个一级格网中,利用地面种子点通过最小二乘拟合法进行平面拟合并构建地面模型,最后达到区分地面点和非地面点的效果。与传统坡度法和布料模拟法的对比试验表明,该方法能够有效滤除密集低矮灌木,以及较好地保留较大坡度地形。     

基于无人机影像密集匹配点云的传统村落地面点提取及DEM生成——以湘西德夯村为例

目前,针对利用无人机技术在山地起伏大、山体植被密集区域,难以获取地面点及DEM等问题,本文提出了一种结合布料模拟算法和改进的局部最大值算法,利用树顶点、树高等植被信息,提取地面点,进而生成整个区域的DEM的方法。以中国传统村落德夯村为例,利用植被系数和高程信息将点云分割为植被密集区和非植被密集区两个部分。在非植被密集区,通过布料模拟算法和改进的局部最大值算法分别提取地面点和树顶点,计算平均树高;在植被密集区,通过该区域的树顶点推算得到植被密集区的近似地面点,最终将两部分的地面点云进行TIN插值得到该地区的DEM。试验结果表明,利用此方法生成的DEM均方根误差,在非植被密集区达0.037 m,植被密集区可达1.606 m,整体平均误差达1.492 m,总体精度较好,基本可以满足村落尺度空间分析的需求。     

以窗口化和地形坡度为基础的植被茂密区域点云滤波算法

三维激光扫描仪获得经典地貌的点云数据,需进行滤波剔除地面植被。由于植被茂密区域点云密集或遮挡,地面点极少,无法拟合出地形表面,这部分植被点很难剔除。针对植被茂密区域点云数据的特点,本文提出以窗口化和地形坡度为基础的植被茂密区域点云滤波算法,认为非地形坡度引起的高程差异的两相邻点中,较高的点为非地面点。试验结果表明,本文算法可以很好地去除植被茂密区域中低矮的植被点,保留真实的地面点,提高了植被茂密区域点云滤波的处理精度。     

利用机载LIDAR双次回波高程之差分类激光脚点

机载LIDAR技术已经引起了测绘界的浓厚兴趣,有可能给测绘领域带来一场新的技术革命。机载LI-DAR技术的硬件设备在国外已相对成熟,而机载LIDAR的数据后处理算法仍然处于研究发展阶段,还有诸多问题没有得到解决,其关键之一就是机载LIDAR数据的滤波与分类。本文首先对已有的滤波分类方法进行了综合评价,并指出了各自的局限。然后提出利用两次回波信号的高程数据来实现对机载LIDAR数据的分类。首次分类后得到植被激光脚点点集和地面及房屋激光脚点点集。而房屋上的激光脚点要高出地面上的激光脚点数米之多,简单利用阈值法就可以进一步分类出房屋激光脚点和地面激光脚点。也可以先经过滤波处理将地面激光脚点去掉,然后利用两次回波信号的高程数据来分类自然植被激光脚点和人工地物激光脚点。实验证明所提方法简单有效,算法简单实用,特别适用于分类植被激光脚点。     

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。