基于水平截面法的树木点云精细分割研究

本文提出了水平截面法精细分割树木点云的方法。首先根据点云数据在XOY平面内建立二维格网,求取每个格网内点云数据高度的均值,根据格网内点云数据的高度阈值滤除地面点云和低矮地物点云数据;其次对滤除地面和低矮地物的点云运用八邻域算法提取树木点云,运用水平截面法对树木分层处理,求取每一层树木点云的轮廓线;再次将轮廓线连成多边形,求取多边形的最小外接圆的圆心,运用最小二乘直线拟合算法对各层圆心进行直线拟合,根据拟合直线与地面的交点,可以求取树木的精确位置;最后根据距离最近的原理,对树木进行了精细分割。实验表明:本文研究的方法可以较好的实现树木点云的提取,避免了传统方法设置参数过多的弊端。     

基于水平截面法的树木点云提取方法

本文提出了一种基于水平截面法的树木点云提取方法。首先联合三维格网和二维格网滤除地面和低矮地物的点云数据。其次运用水平截面法截取距地面一定高度的树干,将其投影到二维平面,利用八邻域算法进行聚类,根据聚类后的每一类树干点云数据,运用AlphaShape算法求取各个树干的轮廓线,将轮廓线的点连成多边形求取最小外接圆圆心即是该树的位置。最后利用树木的位置坐标和平面两点间的距离公式,依据最近距离原则遍历滤波后的点云,完成树木的分割。实验表明该方法可以较好地实现树木的提取,避免了传统树木提取方法中过度依靠经验值并且设置参数过多的弊端。     

基于三维激光扫描的植被覆盖边坡监测

针对植被覆盖边坡难以获取高精度地面点云数据,导致精确监测边坡地表变形较为困难的问题,本文提出了一种利用布设在边坡体上的传感器获取表面点云数据以提取边坡变形的方法。布设在边坡上的GNSS天线整流罩外形是半径逐渐变化的球形设备,利用点云切片拟合出圆心坐标和半径,通过拟合残差和验后中误差评估点云精度,实现质量控制。通过两期半径的对比,实现同名点匹配,根据两期圆心坐标达到点式监测的目的;根据边坡上的台阶及雨量计的外围设备实现面式监测。实测数据表明,三维激光扫描与GNSS的监测结果一致,可以提取毫米级别的变形。     

改进后圆心定位算法

圆心定位是摄影测量学中常用的关键技术,圆形人工标志的检测和定位算法有中值法、质心法等。由于中值法和质心法容易受到噪声影响,会对定位圆心带来干扰,在一些领域应用中受到限制。基于此,提出一种改进的自适应阈值质心法圆心定位算法,统计圆形标志的像素数,排除由噪声影响造成的非圆形目标的干扰,同时记下边缘点位置。利用计算出的圆心位置和统计的边缘位置得到圆形目标的大小。实验表明,该算法能够成功定位圆心和半径并排除噪声的干扰。     

八叉树索引的三维点云数据压缩算法

针对现有的三维点云简化算法普遍存在运行效率较低、内存消耗大、处理时间过长等问题,该文利用八叉树索引的速度优势和点云数据空间分割的逻辑结构,并结合三维点云网格简化算法高效的优势,提出一种基于八叉树索引的三维点云简化算法。该算法基本满足点云简化的理想标准,计算快速、运行时间短。利用实测大雁塔数据对各种三维点云压缩算法进行比较,结果表明该文提出的新算法对点云数据的压缩简化效率和压缩率较现有算法均有较大提高。     

基于机载LiDAR点云的道路提取方法研究

道路是建设数字交通和数字城市的重要组成部分,也是空间地理信息的重要元素。针对传统遥感技术提取道路效率低、自动化程度不高以及易受周围环境影响等问题,基于无人机搭载LiDAR测量系统获取的某城郊结合区的点云数据,提出一种点云数据预处理、道路点云分级提取和道路边界提取算法。该算法首先对获取的LiDAR点云原始数据进行去噪处理,再结合曲面拟合滤波和点云几何特征提取包含道路在内的地面点云,然后利用点云的强度信息初提取道路点云,针对与道路材质相似的停车场等地物点云,在构建TIN的基础上,使用边长和面积约束进一步对道路点云进行精提取,最后使用α-shape算法对道路边界进行提取,并利用算法对实测的点云数据进行道路提取,以准确率和误分率对本文算法进行定量分析,结果表明提出的道路提取算法能够快速准确地提取道路点云。     

利用三维激光扫描技术进行万寿寺塔变形监测

针对传统测量方法在古塔遗址变形监测中存在过程复杂、精度较低等问题，本文采用三维激光扫描技术进行变形监测，提出了一种基于最小二乘的塔体倾斜度计算方法。该方法首先提取出每层塔体的轮廓点云，然后根据最小二乘原理拟合出每层塔体的圆心，最后对其每层圆心进行线性拟合提取塔体中轴线，进而计算塔体倾斜量。以西安万寿寺古塔为例，较传统监测方法，本文算法能够快速计算出塔体的倾斜度，有效提升了工作效率。     

融合k-means聚类和Hausdorff距离的散乱点云精简算法

针对点云精简算法在处理点云数据时特征保留不完整和对小曲率点云精简造成数据空洞的问题,提出了一种融合k-means聚类和Hausdorff距离的点云精简算法。该算法在八叉树算法的基础上构建点云数据的拓扑关系,首先计算所有点云数据点的主曲率,然后计算点云数据点主曲率的Hausdorff距离,根据精简目标要求设定Hausdorff距离阈值,实现点云特征提取,最后对非特征区域进行k-means聚类提取特征点,并将两次提取的特征点融合得到精简结果。实验结果表明,该算法能较完整地保留模型的特征信息,并能避免形成空洞现象。     

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。     

基于kd-tree的建筑物散乱点云平面分割

应用kd-tree快速确定散乱点云数据中某一个点的邻域,不需要先验地知道点云数据之间的拓扑(邻接)关系,使得建筑物点云平面分割算法更一般化,应用面更广。根据建筑物平面特征的先验信息,并采用高效数据结构,优化了平面分割算法,给出了散乱点云平面分割的实现和相应结果,说明了基于kd-tree的建筑物散乱点云平面分割算法的有效性。