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。     

平原地区机载激光雷达数据的抽稀算法分析

目前，机载激光雷达点云数据在测绘行业中的应用还存在较多的瓶颈。为了使机载激光雷达点云数据更好地服务等值线等数据的生产，发挥其高效和高精度的优势，本文归纳、总结了国内外现有的LiDAR点云数据抽稀算法，并通过对比分析现有LiDAR点云数据抽稀算法存在的优缺点，如系统抽稀、格网抽稀、TIN抽稀和坡度抽稀等算法，结合平原地区激光点云在实际生产中的应用，研究了更适合平原地区点云数据的抽稀方法，通过大量的数据测试和试生产。结果表明，该方法可以在应用项目精度约束下保证数据质量，减少了后期数据处理应用的难度，提升了后续成果数据的质量，提高了作业生产效率，对机载激光雷达点云数据在测绘行业中的应用推广具有重要的现实意义。     

利用样本生成方法进行机载多光谱LiDAR数据深度学习分类

机载多光谱LiDAR系统能够快速、准确地获取地物的空间几何和光谱信息,为地物覆盖分类和目标识别提供新的数据源。近年来,基于三维点云的深度学习算法取得了一系列突破性进展,然而直接将不规则的原始点云数据输入深度学习模型进行基于点的分类存在一定的困难。本文提出了一种基于FPS-KNN的样本生成方法,用于基于深度学习的机载多光谱LiDAR数据分类。该方法首先对输入数据进行归一化处理;然后利用最远点采样方法(FPS)和K近邻法(KNN)在输入数据中生成一系列规则大小的训练样本数据集。通过机载多光谱LiDAR数据的试验表明,该方法所生成的样本不仅符合卷积神经网络所要求的输入数据形式,而且能够确保对输入场景的完整覆盖。     

面向滩涂DEM构建的机载LiDAR点云滤波方法

在基于激光点云构建DEM的过程中,用于区分地面点和非地面点的点云滤波处理至关重要。本文面向基于机载LiDAR点云的沿海滩涂DEM高精度的构建需求,提出了一种机载LiDAR点云的改进坡度滤波算法。首先,采用统计异常值剔除法(SOR)去除原始机载LiDAR点云数据中的噪声;然后,利用规则格网的坡度和高程阈值,设计了适用于滩涂点云数据的地面点坡度滤波方法;最后,选取如东市长沙港的滩涂机载LiDAR点云作为试验数据,构建滩涂DEM,并进行精度检验。试验结果表明,利用本文方法处理后的LiDAR点云构建的DEM精度满足国家与行业标准的要求。     

基于NoSQL的机载LiDAR海量点云数据分布式存储

机载LiDAR点云数据是遥感大数据的重要组成部分,其海量化的趋势日益显著。本文设计并实现了基于NoSQL的海量机载LiDAR点云分布式存储模型,解决了海量机载LiDAR点云数据的高效存储问题。通过建立基于虚拟格网与线性八叉树的海量机载LiDAR点云数据组织结构,设计了基于虚拟格网号与Morton码的海量机载LiDAR点云数据标识唯一编码;提出了基于HBase的海量机载LiDAR点云数据存储策略,实现了键值和表结构的优化设计;最终实现了海量机载LiDAR点云数据的高效存储和快速查询。     

一种机载LiDAR数据漏洞检测方法

获取机载LiDAR数据时易受地形起伏、航摄高度、地物镜面反射等因素的影响,导致LiDAR数据出现漏洞,若对其不进行检测处理,将严重影响LiDAR数据的生产与应用。鉴于此,本文利用点云的位置与属性信息,基于等比例内缩和点云格网化算法,检测机载LiDAR数据中存在的漏洞区域,有效支撑了LiDAR数据的质量检测和补摄工作。试验结果表明,该方法检测到的漏洞区域完整、精确,等比例内缩算法与等值内缩算法相比,减弱了地形起伏对漏洞检测精度的影响,且更科学合理。     

轻型机载LiDAR在农村宅基地房屋测量中的应用

选择新疆焉耆县北大渠乡北大渠村房屋密集区作为研究区,通过三角翼搭载轻型机载LiDAR进行了低空（170m）交叉航线高密度点云数据采集,对点云数据进行拼接、校正、纹理信息增强,在点云上对房屋进行矢量化,并对结果进行精度检查。点云数据房角点采集率为83.3%,中误差为4.8cm。采用机载LiDAR测量房角点能够大大减少外业房角点测量的工作量。机载LiDAR的应用鲜有纹理信息的提取,本次测试通过对高密度点云数据进行有效的处理,提取了点云数据纹理信息,为机载LiDAR数据纹理信息的应用提供了参考,并对其精度有了明确的认识,可为后期相关工作的开展提供借鉴。     

机载LiDAR数据大区域城墙自动提取

针对传统测量耗时耗力且难以获取古城墙精确侧面信息的缺点,该文提出将LiDAR技术应用于古城墙数字存档工作。提出基于城墙断面的"横向探测—纵向探测"城墙顶部和侧面点云提取算法,以及"城墙待选区提取—断面格网构建—顶部侧面点云提取"技术方案,有效地克服城墙特殊的空间形态和复杂的点云结构所带来的点云分割困难,实现大区域机载LiDAR数据城墙点云自动提取,解决了利用机载LiDAR进行古城墙数字存档的关键技术问题。基于南京明城墙的实验结果表明,该算法对于大区域古城墙提取切实可行有效。     

基于层次分析和神经网络的机载LiDAR点云分类

在机载LiDAR点云数据处理中,由于机载雷达点云数据的离散性、不确定性等原因,导致点云分类上很难得到准确的结果。针对机载LiDAR点云数据分类问题,提出了基于层次分析和神经网络的机载LiDAR点云分类方法。根据机载LiDAR点云的数据特征以及不同地物的属性,采用层次分析法赋予每个点云一个二进制信号,然后采用后向传播神经网络(BP-ANN)对机载LiDAR点云数据分类。实验表明:这种方法能够从机载LiDAR独立数据源中分类出房屋、高大的树、低矮的树、道路等地物点云。     

基于KD树的LiDAR点云索引方法及其在公路勘测中的应用

针对基于LiDAR点云公路勘测设计中高密度、海量、散乱点云的索引与管理难点,提出一种基于KD树的LiDAR点云索引方法,对机载LiDAR点云进行高效管理,在此基础上快速生成纵横断面,实现基于LiDAR点云的公路勘测应用。实验结果表明,该方法能够支持高密度大数据量点云的一体化索引管理,能够很好地支持基于LiDAR的公路勘测设计。     

机载激光雷达点云电力线三维重建方法研究

正机载激光雷达(LiDAR)技术的出现和发展,为地理空间三维信息的获取提供了全新的技术手段。目前,机载LiDAR技术已经得到了广泛的应用,其中,电力巡线是其主要的工程应用领域之一。尽管基于机载LiDAR的电力巡线日臻成熟,但是其中的一些关键数据处理和信息提取方法亟待完善。本文围绕机载LiDAR点云电力线三维重建涉及的机载LiDAR点云数据滤波、单档电     

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.     

基于机载LiDAR点云数据的城区道路提取

针对利用机载LiDAR点云数据提取城区道路问题,本文提出一种新的思路。首先利用机载LiDAR点云数据的高程和强度属性对城区道路进行初始提取,获得初始道路点云;然后采用距离分割法和基于RANSAC算法的分割方法精化初始道路点云,有效剔除停车场等与道路相似的区域;最后采用数学形态学细化方法提取道路中心线。实验结果表明,该方法可以较完整地提取城区道路。     

基于机载LiDAR点云数据的城区道路提取

对于利用机载LiDAR点云数据提取城区道路提出一种新的思路。首先利用机载LiDAR点云数据的高程和强度属性对城区道路进行初始提取,获得初始道路点云;其次采用距离分割法和基于RANSAC算法的分割方法精化初始道路点云,有效剔除停车场等与道路相似的区域;最后采用数学形态学细化方法提取道路中心线。实验结果表明,该方法可以较正确和完整地提取城区道路。     

基于低空摄影测量的机载LiDAR点云修复方法

针对机载LiDAR点云存在数据缺失造成的空洞问题,研究利用低空摄影测量技术,探索机载LiDAR点云空洞修复的方法。利用低空摄影测量手段获取的遥感影像可以生成高精度的修复点云,并通过将修复点云融合到原始LiDAR点云中,实现对机载LiDAR点云空洞的修复。该方法操作简单、效率高,适用于大面积机载LiDAR点云数据的批量修复,能够为城市三维精细化建模提供重要的数据支撑。     

机载LiDAR点云数据建筑物提取方法适应性研究

为解决机载LiDAR点云数据建筑物提取精度不高的问题,首先分析了现有的基于机载LiDAR点云数据的建筑物提取方法;然后综合地形、树木、建筑物密度等对建筑物提取的影响,以德国斯图加特市法伊英根的LiDAR点云数据为例进行了建筑物提取实验;最后对提取结果进行了定量精度评定。结果表明,基于影像的机载LiDAR点云数据建筑物提取精度为93.1%;而基于数学形态学图像的处理方法和基于Delaunay三角剖分的方法受建筑物形状和地形等限制较多,提取精度分别为87.6%和81.3%,说明基于影像的机载LiDAR点云数据建筑物提取方法的准确性较高,限制性条件较少。     

半严格模型在机载LiDAR系统自动检校中的应用研究

机载LiDAR系统检校的目的是消除系统误差的影响,提高原始点云数据的精度。在对飞行条件进行一定假设的前提下,激光扫描直接定位的严格模型可以简化为半严格模型,降低了系统检校模型对于原始观测数据的依赖。考虑到人工交互方式建立条带之间对应关系的缺陷,本文提出顾及点云特征的改进ICP算法获取条带之间的变换关系,建立了机载LiDAR系统的自动检校流程。采用包头检校场的真实LiDAR数据进行试验,结果表明本文提出的系统检校流程可以很大程度上消除系统误差的影响。     

基于平面约束的机载LiDAR航带平差方法研究

机载LiDAR技术作为一种新型的主动式空间观测技术,在快速获取空间三维地理信息方面具有不可估量的前景。然而,机载LiDAR系统获得的相邻航带点云数据在重叠区存在"漂移"问题,需要采用航带平差的方法实现不同航带点云数据之间的"无缝"拼接。针对LiDAR点云数据难以获取同名特征点来进行航带平差迭代初始值计算的问题,文中在总结航带平差迭代初始值求解方法的基础上,提出一种基于点与平面约束关系的最小二乘求解方法,提高初始值求解的准确性,并通过具体实例数据进行验证分析。     

机载和车载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。最后通过试验数据验证了该方法的可行性。     

基于机载LiDAR数据提取城区数字高程模型

地形分析是评估景观、土壤变迁和生态功能不可或缺的一部分,因此研究提取城区数字高程模型(DEM)的方法非常有意义.本文采用机载激光雷达(LiDAR)三维点云数据提取DEM,首先对研究区原始点云用不规则三角网算法进行滤波,获得所有的地表面点云并进行抽稀,然后应用自然领域插值法进行内插生成DEM,最后再与该区参考DEM进行对比分析.结果显示,本文提出的方法能够高精度获取城区数字高程模型.