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。     

一种改进的渐进加密三角网点云滤波算法

针对渐进加密三角网滤波算法中初始不规则三角网对地形近似模拟的精度问题,该文提出了一种改进的渐进加密三角网滤波算法。该方法利用扩展局部极小值法,在包含点云的格网中提取待定种子点,并采用最邻近插值法获取不包含点云的格网高程;然后设定阈值来判断局部薄板样条插值的邻域高差,确定最终种子点;最后构建初始不规则三角网并迭代加密。结果表明,该方法能提高地面种子点提取的准确率,并进一步提高点云滤波的质量。     

结合形态学和TIN三角网的机载LiDAR点云滤波算法

针对传统不规则三角网滤波精度依赖于初始种子点选取的问题,提出一种结合形态学与不规则三角网的机载LiDAR点云滤波算法。首先采用KD树粗差剔除方法对异常点进行剔除,然后利用数学形态学滤波算法对粗差剔除后的点云进行粗滤波,最后采用改进的不规则三角网滤波算法对上述结果进行精滤波。三角网迭代滤波过程中每次对滤波得到的地面点进行整体构网,减少了构网次数以及离散点之间的相互影响。实验选取国际摄影测量与遥感协会提供的3组测试数据进行滤波,结果表明本文方法能够有效降低I类误差和II类误差,验证本文滤波算法的可靠性。     

采用集成策略的电力线路机载LiDAR点云滤波

针对单一机载激光雷达点云滤波方法局限性较多的问题,该文在分析了多种常用LiDAR点云滤波算法的基础上,提出了适合复杂电力线路场景的点云滤波方法.该方法将布料模拟方法的地面种子点识别、与渐进加密三角网滤波方法的迭代的地面点判别重新进行了组合.并且,在布料模拟方法的地面种子点识别阶段,进行了两个改进:增加了多尺度、多方向的...     

面向对象的车载LiDAR点云滤波方法

针对经典的机载LiDAR点云数据滤波方法不适用于车载LiDAR点云数据滤波的问题,该文提出了一种基于点云分割的不规则三角网渐进加密滤波方法。首先,剔除粗差;然后,进行点云分割;最后,以分割对象为基本判别单元,迭代地进行地面对象的识别。采用两个场景的车载LiDAR点云进行滤波实验。实验结果表明,本文滤波方法的总误差明显小于经典的不规则三角网渐进加密滤波方法。     

知识引导下的城区LiDAR点云高精度三角网渐进滤波方法

针对城区LiDAR点云特点,提出一种基于知识的三角网渐进滤波方法：①对格网内插后的栅格数据进行面向对象分割;②采用迭代Otsu聚类手段对地面对象与非地面对象自动分离;③针对分类结果构建初始三角网,并自适应调整地面点判据参数,达到提高滤波质量目的。选用ALS50系统真实数据进行滤波实验,并与传统方法滤波结果进行精度评价,评价结果表明：基于知识的滤波方法能进一步提高点云滤波质量。     

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。     

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。     

多核处理器的机载激光雷达点云并行三角网渐进加密滤波方法

滤波是机载LiDAR点云数据处理的关键步骤之一,点云数据的海量化特性使得一般的串行化滤波处理方法无法满足快速成图的应用需求。提出一种基于多核计算技术的并行三角网渐进加密滤波方法,将串行方法中最耗时的三角网构建与脚点判别过程进行了并行化改造。三角网构建算法的并行化基于分治法实现,脚点判别算法的并行化采用一种随机分配策略将三角网划分为多个离散分布的三角形子集合来实现负载均衡。并行滤波方法在8核环境下多次渐进加密的实际加速比达到3.1左右。试验证明,该方法可以充分发挥多核计算优势,并且对不同分布形态点云数据具有良好的适应性。     

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。     

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。     

Filtering airborne LiDAR data by embedding smoothness-constrained segmentation in progressive TIN densification

Progressive TIN densification (PTD) is one of the classic methods for filtering airborne LiDAR point clouds. However, it may fail to preserve ground measurements in areas with steep terrain. A method is proposed to improve the PTD using a point cloud segmentation method, namely segmentation using smoothness constraint (SUSC). The classic PTD has two core steps. The first is selecting seed points and constructing the initial TIN. The second is an iterative densification of the TIN. Our main improvement is embedding the SUSC between these two steps. Specifically, after selecting the lowest points in each grid cell as initial ground seed points, SUSC is employed to expand the set of ground seed points as many as possible, as this can identify more ground seed points for the subsequent densification of the TIN-based terrain model. Seven datasets of ISPRS Working Group III/3 are utilized to test our proposed algorithm and the classic PTD. Experimental results suggest that, compared with the PTD, the proposed method is capable of preserving discontinuities of landscapes and reducing the omission errors and total errors by approximately 10% and 6% respectively, which would significantly decrease the cost of the manual operation required for correcting the result in post-processing.     

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...     

一种改进的LiDAR点云TIN迭代滤波算法

采用了设定最大内插距离和最大内插角度两个阌值,根据滤波次数动态调整了其值以达到最佳滤波效果,实现并改进了TIN迭代滤波算法。     

一种基于分割的机载LiDAR点云数据滤波

针对当前滤波算法在处理地形不连续区域或存在复杂建筑物区域时容易过分＂腐蚀＂地形并难以去除一些低矮植被的不足,提出了一种基于分割的机载LiDAR点云滤波算法。首先,对原始点云基于地表连续性进行分割;然后,在移除点数目较小的粗差点集之后采用对分割点集建立缓冲区的方法,区分地面和非地面点集;在较大地物经过迭代分割基本移除之后,使用约束平面的方法移除高度较小的地表附着物以实现滤波。实验结果表明,与经典滤波算法相比,该算法提高了地面点的分类精度,在滤除地物信息的同时能有效地保留地形特征。     

一种渐进加密三角网LIDAR点云滤波的改进算法

传统滤波算法常常是针对某些特定的具有连续表面的区域来进行,带有一定的局限性。这样不能解决对诸如斜坡、密集植被等复杂地区进行真实准确地形提取的难题。本文提出了一种融合区域增长方法的LIDAR点云数据的滤波方法。该方法在对原始点云数据进行预处理的基础上,生成一个松散的TIN,通过迭代生成加密的TIN,其中通过采用两次区域增长的滤波方法,实现原始地形的提取。最后通过对复杂典型数据的对比实验验证了文中所提出的改进方法的有效性和准确性。     

多尺度区域生长点云滤波地表拟合法

针对经典的迭代三角网加密算法(PTD)过度侵蚀地形、误差累积的问题,提出了一种基于区域生长的多尺度滤波方法。该方法引入了金字塔策略建立不同层次的点云结构,以上层种子点为基准对下层种子点进行处理:先通过不规则三角网滤除非地面点,然后依据局部地形设置动态阈值,以表面拟合区域生长算法增长受侵蚀的地面种子点,循环迭代逐渐逼近真实地面。通过对ISPRS提供的15个基准数据集进行测试,第Ⅰ、Ⅱ类误差以及总误差分别为2.40%、3.67%、2.84%,Kappa系数为93.74%。结果表明,该算法具有更强的性能,可以获得理想的地面模型。