原始机载LiDAR点云中建筑物激光点的自动提取

提出了一种基于原始离散LiDAR点云的多层结构建筑物激光点自动提取方法。首先对原始离散Li-DAR点云进行不规则三角网构建,然后利用分阶段区域生长的原理逐阶段遍历TIN中的各三角面。依据三角面的法向量方位角判定建筑物的各层结构,依次提取出多层建筑物的墙面及各级屋顶面,最后将提取出的各层屋顶面数据进行分类存储,确保提取出的各栋建筑物激光点之间相互独立且包含各层屋顶结构等细部特征信息,便于后续各建筑物的三维重建。     

机载LiDAR点云的多层建筑物三维轮廓模型自动重建

以机载LiDAR点云数据为研究对象,提出一种新的基于点云数据的多层建筑物三维轮廓模型高精度自动重建方法。在已完成建筑物结构提取及轮廓规则化处理的基础上,利用多层屋顶轮廓在水平投影面内的相邻关系,将各层屋顶中同等级屋顶的相邻关系概括为平行边、不平行且不相交、相交3种相邻形式,结合多层屋顶的层级结构信息对相邻轮廓边界进行一致性处理。实验证明本文方法可以进一步消除多层建筑物各屋顶轮廓的规则化处理误差,使相邻轮廓边界在水平投影面内严格重合,同时重建后建筑物三维轮廓模型的正确性与完整性较高,拐点的定位精度优于激光点平均间距。     

一种利用点云邻域信息的建筑物屋顶面高精度自动提取方法

从LiDAR数据中高精度地提取建筑物屋顶面是构建屋顶面拓扑关系、实现建筑物三维模型重建的关键。本文针对现有算法提取复杂建筑物屋顶面适应性较差、精度较低等问题,提出了一种利用点云邻域信息的建筑物屋顶面高精度自动提取方法。通过主成分分析计算点云特征,构建特征直方图,选取可靠种子点;利用提出的局部点云法向量分布密度聚类算法聚类种子点,快速准确地提取初始屋顶面片;构建基于邻域信息的投票模型,有效地解决屋顶面竞争现象。试验结果表明,本文方法可自动、高精度地提取屋顶面,对不同复杂程度的建筑物具有较好的适应性,能为建筑物三维模型重建提供可靠的屋顶面信息。     

从机载激光雷达点云提取建筑物屋顶边界的活动轮廓模型改进方法

本文基于边缘与局部信息提出了一种处理多波段图像的活动轮廓模型,并将其应用于LiDAR数据的建筑物边界提取。本文首先将分类得到的屋顶点云数据转换为栅格数据,并作为模型的输入图像,进而采用变分水平集方法解求模型能量函数的最小解,得到建筑物的边界。该模型消除了其他活动轮廓模型对初始曲线和所处理图像类型的限制,适于任意形状的建筑物边界的自动提取;水平集规则项的添加,减小了模型的计算时间。实验结果表明：与IAC模型、GACcolor模型相比,本文模型在建筑物边界提取的应用中可以达到更高的匹配度、形状相似度以及位置精度。     

利用LiDAR和航空影像的屋顶边缘提取及优化

提出以LiDAR为辅助数据对航空影像的规则建筑物进行边缘提取和优化的方法。首先采用Alpha Shapes算法对点云数据进行初始边缘提取,同时规则化初始边缘;再利用屋顶点云辅助航空影像的建筑物分离,采用Canny算子和Hough变换对建筑物分离后影像进行边缘提取,并用LiDAR规则边缘对Hough变换结果进行边缘优化。对比单独运用航空影像进行边缘提取的结果表明,采用优化方法后,提高了屋顶边缘提取的准确性,得到了较完整的建筑物边缘。     

关键点检测的复杂建筑物模型自动重建

利用机载LiDAR点云数据进行建筑物重建是当今摄影测量与遥感领域的一个热点问题,特别是复杂形状建筑物模型的精确自动构建一直是一个难题。本文提出一种基于关键点检测的复杂建筑物模型自动重建方法,采用RANSAC法与距离法相结合的分割方法自动提取建筑物屋顶各个平面的点云,并利用Alpha Shape算法提取出各个平面的精确轮廓,根据屋顶平面之间的空间拓扑关系分析建筑物的公共交线特征,在此特征约束下对提取的初始关键点进行修正,最终重建出精确的建筑物3维模型。选取不同类型复杂建筑物与包含复杂建筑物的城市区域点云进行实验,结果表明该算法具有较强实用价值。     

改进GAC模型在点云和影像自动提取建筑物边界中的应用

以自动生成测地线活动轮廓(geodesic active contour,GAC)模型的初始曲线及改进其外力为出发点,提出一种基于LiDAR点云和随机影像数据,利用改进的GAC模型进行建筑物边界提取的方案。首先利用形态学交替序贯滤波自动获得模型演化的初始曲线;进而利用LiDAR深度梯度影像改进模型演化的外力,得到了改进的测地线活动轮廓(improved geodesic active contour,IGAC)模型。仿真试验表明,采用IGAC模型,可抑制弱边界泄漏,并提高建筑物边界提取的完整性和形状精确度。     

LiDAR辅助下利用超高分辨率影像提取建筑物轮廓方法

以精确自动提取建筑物轮廓为目标,提出一种LiDAR辅助下利用超高分辨率影像进行轮廓提取的新方法.其要点分为4步:① 预处理,检测LiDAR中建筑物点并分割成每栋建筑物的点集;② 建立轮廓提取区,针对每栋建筑物做缓冲区和外接矩形,通过缓冲区过滤和外接矩形切割,建立轮廓提取感兴趣区域;③ 线段提取,借助LiDAR估算出建筑物概略主方向,并在该方向的约束下,自动、鲁棒地检测出建筑物的主方向和建筑物的线段;④ 轮廓筛选,基于LiDAR密度分析与Kmeans聚类动态筛选出精确轮廓.本方法所提取的建筑物轮廓定位精确、细节完好,轮廓提取准确率91%.     

利用合成算法从LiDAR数据提取屋顶面

区域增长法和随机抽样一致性(RANSAC)算法是从LiDAR数据提取屋顶面时常用的两类方法,但这两种方法都存在某些缺陷,使它们的应用受到了一定限制。针对LiDAR数据中建筑物脚点的特点,提出了一种融合以上两种方法优点于一体的合成算法。1根据脚点的法向量和粗糙度特征进行屋顶面粗提取;2在屋顶面粗提取结果的基础上,利用基于先验知识的局部采样策略和区域增长方式对传统随机抽样一致性算法进行扩展,实现屋顶面自动提取;3采用投票法解决屋顶面竞争问题,提高屋顶面的提取精度。实验结果表明,本文设计的合成算法能够有效地提取建筑物屋顶面。     

机载LiDAR点云数据的建筑物重建研究

提出了利用机载LiDAR点云数据进行复杂平面建筑物重建的方法。首先,将提取出的建筑物点云聚类到不同的平面点集;然后,对各个平面点集进行平面拟合,采用平面相交确定平面边界,并解算出各平面边界角点的三维坐标,从而重建建筑物模型。某区域的机载LiDAR点云数据的实验结果表明,该方法能有效地重建出较复杂的平面建筑物。