基于最优邻域局部熵的点云精简算法

针对传统的点云精简算法中不能良好保留细节特征的问题,提出一种基于最优邻域局部熵的点云精简算法.首先利用点云局部邻域协方差矩阵的3个特征值构造的维度特征,构建局部邻域信息熵函数,其次依据局部熵值最小原则确定最优邻域,然后根据最优邻域下计算的特征值间的关系,以及局部信息熵来剔除平坦区域数据点.通过模拟数据和实例扫描数据精简实验,结果表明该方法能较好的保留细节特征.     

自适应最优邻域尺寸选择的点云法向量估计方法

为了削弱邻域尺寸选择对基于主成分分析(PCA)的点云法向量估计精度的影响,自适应处理尖锐特征点云,该文提出了自适应邻域的PCA点云法向量估计方法,利用点云局部邻域协方差矩阵,构建了局部邻域维度特征信息熵函数,根据熵函数最小准则,实现了点云自适应最优邻域的估计,在此基础上进行PCA法向量估计。分别对模拟点云和实测点云进行了法向量估计实验。实验结果表明,该文方法能够显著提高包含尖锐特征的点云法向量估计精度。     

地面激光雷达点云数据乔灌分离方法研究

针对当前基于地面激光雷达点云数据的乔灌分离方法在不同环境中很难准确地实现分离的问题,提出了一种粗分离和精分离相结合的方法：先对点云数据进行预处理;结合法向量和支持向量机对此进行粗分离;利用RANSAC算法拟合圆柱、结合格网点云数标准差变化筛选乔灌,以及基于点云数标准差的自适应DBSCAN进行最终的精分离。选取了8块不同生长环境的样地进行测试,其乔木提取株数准确率均高于93%。实验结果表明：该方法能够实现不同环境下的地面激光雷达点云高效准确地乔灌分离,并与现有的传统方法相比,其精度和效率更高、普适性更强,为后续植被参数、林木株数准确提取奠定了基础,具有广泛的应用前景。     

融合自适应最优邻域和卷积神经网络的三维点云分类

针对点云分类中提取单个点自身特征所需的邻域尺寸选择,以及低层次特征设计烦琐且表达地物属性能力较弱等问题,本文提出了一种自适应选择单点最优邻域尺寸及学习泛化能力更强的深层次特征的三维点云分类方法。首先基于自适应最优邻域尺寸选择获得每个点的最优局部邻域信息,继而基于局部邻域信息提取点云低层次特征;然后设计一种以待分类点低层次特征为输入的卷积神经网络模型,学习能反映目标地物内在属性的深层次特征并实现分类;最后采用拓普康公司三维点云数据集进行试验,该数据集通过一个配备TOPCON GLS-2200三维激光扫描仪的移动平台获得。试验结果表明,本文方法分类的总体精度达90.48%,优于文中其他点云分类方法。     

一种复杂背景下林木点云精细提取方法

针对地形变化较大、灌木多样等复杂林下主干提取效率低、精度不高等难点,该文提出一种复杂背景下林木点云精细提取方法.首先,进行地面点滤波并切片截取下层点云;然后,计算下层点云的法向量,提取法向量在Z轴的分量,循环剔除不满足条件的点;最后,循环具有噪声的基于密度聚类(DBSCAN)算法进行点云分割,实现林下主干点提取.以香格里拉为研究区,选择2景具有典型代表性的地基激光雷达样地点云数据进行试验,结果表明:研究中样地一提取精度90％,样地二提取精度95％,都取得较高精度.该方法能完整地提取林下主干点,对灌木与树干粘连等复杂环境下的林木提取具有较好的适用性.     

融合多特征深度学习的地面激光点云语义分割

针对当前点云语义分割研究对地面站激光点云特征利用不足、正确率较低的问题,该文提出了一种基于多尺度球形邻域特征的深度神经网络算法。该算法基于多尺度球形邻域计算的地面激光点云的粗糙度、高斯曲率,以及全方差、线性度等基于协方差的多种特征,结合XYZ坐标、RGB颜色、激光反射强度组成47维特征向量作为神经网络的输入,经过多组参数组合实验优化神经网络结构,最后通过softmax分类器输出每个点的类别。利用Semantic-3D测试集验证所提的深度神经网络模型,取得了较好的分类精度,总体正确率和平均交并比分别达到了86.6%和55.0%。实验结果表明,所提算法充分利用了地面站激光点云的特征,可有效提升语义分割的正确率。     

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。     

机载极化SAR 地物类型逐步精细分类研究

在机载高分辨率X波段雷达影像上,城市水体、水泥道路、裸露土壤等地物回波信号弱,具有较强的相似性.目前的H/Alpha-Wishart 、Freeman-Durden 等系列算法对这些地物的区分不理想.本文针对X波段的全极化数据,提出基于预分类再分割的方法,重新估计极化协方差矩阵;然后根据协方差矩阵的熵值与同极化通道相位差的标准差构建特征空间,利用阈值法方法进行特征空间分割,获取最终精细分类结果.实验证明,本文方法可以在高分辨率条件下对水体、水泥道路、裸露土壤进行较为精确的划分,总体分类精度优于80% 、Kappa 系数高于0.7 ,是一种有效的低后向散射地物精细分类方法.     

一种高压输电走廊机载激光点云分类方法

针对输电线路现有点云分类方法存在的分类效率较低及精度不高等问题,该文从高压输电走廊的地物分布特点出发,提出一种基于JointBoost的高压输电走廊点云分类方法。该方法将三维点云转换为二维影像并基于Hough变换在影像上检测输电走廊候选区域;对候选区域每个点定义并计算多尺度局部特征向量,包括高程特征、连通特征、张量特征和平面特征;根据多尺度局部特征用JointBoost分类器将待分类点云分为地面、植被、电力线和电力塔4类。实验数据表明,该方法能有效地减少高压输电走廊的点云处理数量,提高分类效率,且选取的多尺度特征能有效地表达输电走廊内地物的分布特点,具有较高的分类精度。     

基于深度残差网络的机载LiDAR点云分类

机载LiDAR点云的分类是利用其进行城市场景三维重建的关键步骤之一。为充分利用现有的图像领域性能较好的深度学习网络模型,提高点云分类精度,并降低训练时间和对训练样本数量的要求,本文提出一种基于深度残差网络的机载LiDAR点云分类方法。首先提取归一化高程、表面变化率、强度和归一化植被指数4种具有较高区分度的点云低层次特征;然后通过设置不同的邻域大小和视角,利用所提出的点云特征图生成策略,得到多尺度和多视角点云特征图;再将点云特征图输入到预训练的深度残差网络,提取多尺度和多视角深层次特征;最后构建并训练神经网络分类器,利用训练的模型对待分类点云进行预测,经后处理得到分类结果。利用ISPRS三维语义标记竞赛的公开标准数据集进行试验,结果表明,本文方法可有效区分建筑物、地面、车辆等8类地物,分类结果的总体精度为87.1%,可为城市场景三维重建提供可靠的信息。     

Automatic Tree Identification and Diameter Estimation Using Single Scan Terrestrial Laser Scanner Data in Central Indian Forests

Forest inventory parameters, primarily tree diameter and height, are required for several management and planning activities. Currently, Terrestrial Laser Scanning (TLS) is a promising technology in automated measurements of tree parameters using dense 3D point clouds. In comparison with conventional manual field inventory methods, TLS systems would supplement field data with detailed and relatively higher degree of accurate measurements and increased measurement frequency. Although, multiple scans from TLS captures more area, they are resource and time consuming to ensure proper co-registration between the scans. On the other hand, Single scans provide a fast and recording of the data but are often affected by occlusions between the trees. The current study evaluates potential of single scan TLS data to (1) develop an automatic method for tree stem identification and diameter estimation (diameter at breast height—DBH) using random sample consensus (RANSAC) based circle fitting algorithm, (2) validate using field based measurements to derive accuracy estimates and (3) assess the influence of distance to scanner on detection and measurement accuracies. Tree detection and diameter measurements were validated for 5 circular plots of 20 m radius using single scans in dry deciduous forests of Betul, Madhya Pradesh. An overall tree detection accuracy of 85 and 70% was observed in the scanner range of 15 and 20 m respectively. The tree detection accuracies decreased with increased distance to the scanner due to the decrease in visible area. Also, estimated stem diameter using TLS was found to be in agreement with the field measured diameter (R² = 0.97). The RMSE of estimated DBH was found to be 3.5 cm (relative RMSE ~20%) over 202 trees detected over 5 plots. Results suggest that single scan approach suffices the cause of accuracy, reducing uncertainty and adds to increased sampling frequency in forest inventory and also implies that TLS has a seemingly high potential in forest management.     

机载激光雷达平均树高提取研究

为了研究机载激光雷达(LiDAR)树高提取技术,以山东省泰安市徂徕山林场为实验区,于2005年5月进行了机载LiDAR数据获取和外业测量.通过对LiDAR点云数据的分类处理,分别得到了试验区的地面点云子集、植被点云子集和高程归一化的植被点云子集.基于高程归一化的植被点云子集计算了上四分位数处的高度,与实地测量的数据进行了比较,并结合中国森林调查规程进行了实用性分析.结果表明:对于较低密度的点云数据,使用分位数法可以较好地进行林分平均高的估计;机载激光雷达技术对树高估计是可行的,精度都高于87%,总体平均精度为90.59%,其中阔叶树的精度高于针叶树.该试验精度可以满足中国二类森林调查规程中平均树高因子的一般商品林和生态公益林的精度要求,对国有商品林小班的调查精度要求(5%)存在一点差距,需要在国有商品林区进一步开展验证工作.对本试验区而言,已经可以满足其作为森林公园生态公益林的调查要求.     

Classification of forest land attributes using multi-source remotely sensed data

The aim of the study was to (1) examine the classification of forest land using airborne laser scanning (ALS) data, satellite images and sample plots of the Finnish National Forest Inventory (NFI) as training data and to (2) identify best performing metrics for classifying forest land attributes. Six different schemes of forest land classification were studied: land use/land cover (LU/LC) classification using both national classes and FAO (Food and Agricultural Organization of the United Nations) classes, main type, site type, peat land type and drainage status. Special interest was to test different ALS-based surface metrics in classification of forest land attributes. Field data consisted of 828 NFI plots collected in 2008–2012 in southern Finland and remotely sensed data was from summer 2010. Multinomial logistic regression was used as the classification method. Classification of LU/LC classes were highly accurate (kappa-values 0.90 and 0.91) but also the classification of site type, peat land type and drainage status succeeded moderately well (kappa-values 0.51, 0.69 and 0.52). ALS-based surface metrics were found to be the most important predictor variables in classification of LU/LC class, main type and drainage status. In best classification models of forest site types both spectral metrics from satellite data and point cloud metrics from ALS were used. In turn, in the classification of peat land types ALS point cloud metrics played the most important role. Results indicated that the prediction of site type and forest land category could be incorporated into stand level forest management inventory system in Finland.     

机载LiDAR数据中电力线的自动提取与重建

为实现电力线走廊更加有效地巡检，本文设计了一套LiDAR点云数据中电力线自动提取与重建的方法。首先，利用改进的渐进形态学滤波剔除地面点，通过高差阈值与高程离散度分割，实现电力线点粗提取；然后，借助RANSAC直线检测，得到电力线直线模型，依靠密度检测，实现单根电力线点云精确聚类；此外，利用k-means算法完成分裂导线束间归类；最后，进行二次多项式限制的最小二乘拟合，生成电力线曲线模型。试验结果表明，使用该方法电力线点云提取的正确率达98%以上，非电力线点云误判率低至1%左右，电力线直线模型拟合误差在5 cm以下，曲线模型拟合误差在3 cm以下，完全满足实际工程需求。     

机载LiDAR点云数据降维与分类的随机森林方法

探索自动化的激光点云分类方法对于三维建模、城市土地分类、DEM制图等应用具有重要作用。考虑到现有的点云分类算法在提取依赖邻域结构的特征参数时面临邻域尺度的选择难、数据维度高、计算复杂,并且缺乏对分类特征参数的重要性评估和选择等问题,本文提出了基于随机森林的机载LiDAR点云数据降维与分类方法。在分析点云数据的高程、回波、强度等属性特征的基础上,提取归一化高度、高度统计量、表面特征、空间分布特征、回波特征及强度特征6大类特征参数,并构建多尺度特征参数,运用随机森林的特征选择算法对分类特征集进行优化,然后进行点云分类。试验结果表明,基于随机森林的特征选择方法可以有效地降低特征维度,并且使得总体分类精度达到94.3%（Kappa系数为0.922）,相比于使用全部特征分类和SVM分类方法而言,该方法的总体分类精度均有一定程度的提高;特征的重要性度量结果表明,归一化高度特征在点云分类中所起的作用最大。     

一种改进的RANSAC算法提取多模型圆弧特征点云

针对传统RANSAC算法迭代次数无上限及只能识别单个模型的局限,提出一种适用于扫描线式点云数据改进的RANSAC算法。对三维激光点云数据进行二维化处理,在RANSAC算法的基础上对局外点进行预剔除,计算过程中对迭代次数进行自适应调整,采用分次识别法实现多模型圆弧点云的提取。实例证明,文中算法能够有效地提取同一场景中的多模型圆弧点云,较传统算法具有明显优势。     

用地基激光雷达提取单木结构参数——以白皮松为例

以白皮松(Pinus bungeana Zucc)为研究对象,针对地基激光雷达TLS扫描的3维点云数据在单株木垂直方向的分布特征,提出了一种基于体元化方法的树干覆盖度变化检测方法,获取单木枝下高;然后根据获取的枝下高引入2维凸包算法获取垂直方向分层树冠轮廓,并计算树冠体积和冠幅;同时获取的单木参数还有胸径与树高。结果表明:单木枝下高的估测精度较高,R2与RMSE分别为0.97 m和0.21 m;胸径估测结果的R2与RMSE分别为0.79 cm和1.07 cm;采用逐步线性回归方法建立单木树冠体积与其他单木参数的相关关系,模型变量包括冠幅、叶子填充树冠长度和胸径,样本数为20,模型的R2与RMSE分别是0.967 m3和2.64 m3。本文方法能较准确地估测枝下高,TLS数据具有对树冠结构3维建模的潜力。     

基于密集匹配点云的DEM生产可行性研究

无人机倾斜摄影直接生产的成果通常包括三维模型、TDOM、DSM等,然而规划设计通常不能直接利用倾斜数据输出的DEM,需要辅以人工编辑。作为倾斜摄影影像处理的过程成果,密集匹配点云未得到充分利用。其与激光雷达点云具备相似的结构,且点云密度可自由选择,在不考虑数据量的情况下,密集匹配点云的点密度可数倍于激光雷达点云。此外,密集匹配点云无需单独赋色,即具有纹理信息, 对人工目视编辑自动分类后的地面点具有一定的辅助作用。本文对比分析了同一测区的密集匹配点云与激光雷达点云,验证了密集匹配点云用于房屋建筑区及稀疏林区地面点滤波并生产DEM的可行性。     

单变量特征选择的苏北地区主要农作物遥感识别

遥感识别多源特征综合和特征优选是提高遥感影像分类精度的关键技术。农作物遥感识别中,识别特征的相对单一和数量过多均会导致作物识别精度不理想。随机森林(random forests)采用分类与回归树(CART)算法来生成分类树,结合了bagging和随机选择特征变量的优点,是一种有效的分类方法。单变量特征选择(univariate feature selection)能够对每一个待分类的特征进行测试,衡量该特征和响应变量之间的关系,根据得分舍弃不好的特征,优选得到的特征用于分类。本文基于随机森林和单变量特征选择,利用多时相光谱信息、植被指数信息、纹理信息及波段差值信息,设计多组分类实验方案,对江苏省泗洪县的高分一号(GF-1)和环境一号(HJ-1A)影像进行分类研究,旨在选择最佳的分类方案对实验区主要农作物进行识别和提取。实验结果表明:(1)多源信息综合的农作物分类精度明显高于单一的原始光谱特征分类,说明不同类型特征的引入能改善分类效果;(2)基于单变量特征选择算法的优选特征分类效果最佳,总体精度97.07%,Kappa系数0.96,表明了特征优选在降低维度的同时,也保证了较高的分类精度。随机森林和单变量特征选择结合的方法可以提高遥感影像的分类精度,为农作物的识别和提取研究提供了有效的方法。     

基于实体化的地面点云建模技术

地面三维激光扫描点云密集,实体信息隐含,特征提取困难。根据原始点云数据的特点,提出对点云进行实体化处理,种子点生成技术可用于实体提取。完成点云实体化后,通过随机采样一致算法结合稳健估计方法,可更好地进行地物特征提取。由于现实客观世界的复杂性,采用一些先验性知识,可以减少人工处理过程,加快点云分类和实体建模速度。