基于Python的点云分类异常地面点自动探测方法

在应用LiDAR点云数据生产DEM过程中,由于滤波算法的局限性和人工编辑误操作,点云分类过程中会产生影响DEM精度的异常地面点.针对该问题,本文提出了一种基于Python语言的点云分类异常地面点自动探测的方法,通过实践验证了该方法的可行性和有效性,在大规模DEM生产中具有实际应用价值.     

以窗口化和地形坡度为基础的植被茂密区域点云滤波算法

三维激光扫描仪获得经典地貌的点云数据,需进行滤波剔除地面植被。由于植被茂密区域点云密集或遮挡,地面点极少,无法拟合出地形表面,这部分植被点很难剔除。针对植被茂密区域点云数据的特点,本文提出以窗口化和地形坡度为基础的植被茂密区域点云滤波算法,认为非地形坡度引起的高程差异的两相邻点中,较高的点为非地面点。试验结果表明,本文算法可以很好地去除植被茂密区域中低矮的植被点,保留真实的地面点,提高了植被茂密区域点云滤波的处理精度。     

多源数据融合的DIM点云滤波及DEM生成

针对已有密集影像匹配(DIM)点云滤波算法通用性差,滤波效果受限于参数设置,且均未利用生成点云的影像信息等问题,该文提出一种融合多源数据的DIM点云滤波算法。首先融合影像和DIM点云高程多源信息;再引入新型分类器对融合影像进行分类,其分类结果作为知识引导用于点云滤波中,即将分类专题图与DIM点云叠加以过滤非地面点,实现点云滤波并生成数字高程模型;最后选用航空影像进行密集匹配和滤波实验。实验结果表明,利用该点云滤波算法生成的DEM与参考DEM呈现高度相关性,可大大减少生产DEM人工后处理的工作量。     

浙江省平地区域机载LiDAR数据处理及DEM制作实践

为了进行平地区域原基础测绘产品高程的更新,我省进行了针对平地区域的机载LiDAR测高项目,为了获取高精度的DSM和DEM成果,在实际生产中开展了机载LiDAR数据处理及DEM成果的制作方法研究。本文将利用TerraSolid软件,从LiDAR点云数据的高程精度控制、点云滤波分类要求和如何利用特征线进行无点云数据区域的DEM精度控制等关键技术方面进行研究。     

基于机载点云数据的智能化成图方法研究

为了提高机载点云数据生产大比例尺地形图的自动化程度,减少人工作业工作量,提出了一种基于机载点云数据的半自动化成图方法。该方法先对原始点云数据进行滤波处理,再将其划分为地面点云和非地面点云。对于地面点云可自动提取等高线并生成高程点;对于非地面点云,先进行分割、分类处理提取建筑物、高架桥等典型地物,再进一步提取其边界,完成制图。该方法能有效完成地形图生产中等高线、高程点、建筑物等要素的自动提取,而其他地形要素还需根据正射影像补充提取。     

地形自适应车载LiDAR点云滤波

针对车载LiDAR点云进行地面点滤波时,基于常规TIN、坡度等滤波算法不能根据局部地形变化自动调整阈值的问题,该文结合城市点云特征和地形起伏度,提出地形自适应的车载LiDAR点云滤波方法。该方法通过引入地形自适应参数进行区域增长阈值的动态调整,实现地面点、非地面点的自动精确滤波。通过实测数据试验,结果表明该方法可适用于车载LiDAR城市点云中地面点和非地面点的较精确分类,解决低矮浅丘、低矮灌木等地物点不容易正确分类的问题。     

利用机载LiDAR数据提取与分析地裂缝

机载激光扫描可获取植被茂密地区的数字地形模型(DTM),但将其用于茂密植被覆盖区地裂缝提取方法的研究还不多见。以湖南冷水江市浪石滩为试验区,基于机载Li DAR的激光点云数据,研究了植被覆盖区地裂缝的提取方法,分析了地裂缝的微地貌特征。首先对离散的三维激光点云数据依次进行基于不规则三角网滤波、高程滤波及回波信息强度滤波提取地面点,以保留完整的微地貌微特征;然后构建不规则三角网,反距离加权内插生成数字高程模型(DEM),提取地裂缝识别参数,同时基于最小曲率对地裂缝进行线性探测,提取地裂缝的长度信息,且利用地裂缝剖面信息分析其微特征,结合识别参数分析地裂缝的稳定性。研究结果表明:利用机载Li DAR点云数据提取的地裂缝识别参数,能够确定地裂缝的位置、坡度坡向、长度和深度信息,有助于判定地裂缝的稳定性;在植被较为茂密、地面点密度稀疏的区域,保留一定的低矮植被所提取到的DEM能更好地保留地裂缝的微地貌特征。     

基于无人机航测及水下地形测量的水利工程高精度DEM构建研究

DEM是水利行业最主要的基础地理数据之一,本研究根据无人机航测构建密集点云,再对密集点云进行滤波处理,分类地面点,派生出高精度地面DEM,结合水下地形测量,绘制水下地形图,插值得到研究区高精度河道DEM。对地面DEM和河道DEM进行叠加处理,得到研究区整体DEM数据,通过质量检查可知,DEM的高程精度处于较高的水平。本研究工作提出的DEM构建方法,大大减少了野外地面点的测绘工作,作业效率高、DEM精度高,数据具有高时效性,为各项水利工作的开展提供了保障。     

基于机载LiDAR点云滤波的矿区DEM构建方法

机载Li DAR数据是进行矿山高植被覆盖区地面塌陷调查的有效工具。利用湖南某矿区的机载Li DAR点云数据,提出了一种基于区域分割的渐进三角网滤波构建DEM的方法。首先,对原始机载Li DAR点云数据进行重新组织,以提高邻域点计算效率;其次,结合高程差计算区域统计值,按照地形情况分割测区内的地面点和非地面点,利用地面点构建初始稀疏TIN模型;然后,通过计算其他点与TIN的距离,渐进加密三角网,提取地面点;最后,剔除孤立点,生成格网间距为1 m的DEM。研究结果表明:基于区域分割的渐进三角网滤波构建的DEM能够较为精细地表达地形信息,特别在高植被覆盖区域,能够提取出高精度的真实地表DEM,可更加准确地表达出矿区高植被覆盖区的地表塌陷位置和范围等信息。     

基于历史秃山航空影像获取高精度DEM关键技术的应用研究

历史航空影像真实地反映了各个历史时期的地表形态、社会经济与环境状况等信息,客观有效地记录了地表演化变迁过程。早期历史航片山地植被覆盖率低,城市建筑物相对稀疏,通过航测法获取的DEM数据理论上可以直接反映山地的地形,且精度会优于现今植被茂密、覆盖率高的数码航片获取的DEM精度。本文基于区域网空三加密、密集匹配以及滤波分类等关键技术,对1979年浙江省某市北部山地区域秃山地表航空影像资料进行处理,获取高精度DEM数据,并通过与机载激光雷达获取的点云数据以及野外实地高程点测量值进行比较。结果表明,通过历史秃山地表航空影像获取的DEM数据山地精度优于0.8 m。     

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。     

关于LiDAR数据DEM成果精度影响因素的探讨

通过对原始点云数据精度和点云数据分类误差的研究,抽检不同地表、不同植被覆盖密度、不同植被高度点云分类的数据,分析其对LiDAR的DEM成果精度的影响,对LiDAR数据DEM成果的质量检验与精度评定具有参考价值。     

一种局部稀疏地面点云与已有DEM的融合方法

机载LiDAR采集的点云数据中会存在一些局部区域地面点稀疏的情况，利用这些稀疏地面点构建DEM时会出现“三角面片化”的问题，严重影响DEM的质量。为此，本文提出了一种局部稀疏地面点云与已有DEM的融合方法：将稀疏点云作为高精度控制点，在尽量保持原始DEM的地形形态特征的前提下，通过高斯核函数加权迭代插值算法对DEM进行高程局部改正，实现稀疏点云与DEM的一致性融合。试验分析表明，融合后的点云数据得到了较好的补充，由此构建的DEM地形形态自然，在精度上相对于融合前的稀疏地面点云有一定改善，在弱精度区域的可靠性有显著提升。     

机载LiDAR点云数据精细化滤波方法研究

针对机载LiDAR点云数据在自动化滤波过程中因建筑、植被底点剔除不完全导致DEM成果粗糙、等高线不平滑等问题,提出了一种精细化滤波方法。先对LiDAR点云数据进行滤波处理生成参照DEM,再利用同区域的正射影像辅助判别,选取需要滤波区域点云进行局部纠正;分别选取平坦区域和山地区域进行实验,并对精度验证和等高线成果进行了对比。实验结果表明,经过精细化滤波后的DEM和等高线成果在保证精度指标的前提下,成果质量明显提高。     

ICESat-2机载试验点云滤波及植被高度反演

新一代星载激光雷达卫星ICESat-2将采用多波束微脉冲光子计数技术,并进行高程剖面式的对地观测。由于该点云数据具有背景噪声大、密度低并呈线状分布等特点,传统的点云滤波算法并不适用,研究新的点云滤波算法十分必要。本文以ICESat-2的机载模拟器MABEL数据为例,首先介绍了微脉冲光子计数激光雷达的基本原理和数据特点,并针对高程剖面点云提出基于局部距离统计和最小二乘局部曲线拟合的点云滤波算法;然后,对美国加利福尼亚州Sierras-Forest地区MABEL试验中532 nm通道的光子点云进行滤波处理,并利用识别的地面点插值得到3 m分辨率的线状DEM,进而估算了该区域美国云杉的平均树高;最后,对该滤波算法进行精度评价,并分析了误差来源及其对DEM精度和树高反演精度的影响。结果表明:(1)该算法整体精度达97.6%,能有效剔除绝大部分噪声点且对地形起伏具有较强的自适应能力;(2)误分噪声点影响了滤波过程中局部地形的拟合,而滤波过程中的分类误差将降低DEM和树高反演的精度。     

基于中值滤波的LiDAR点云生成地貌要素方法探讨

LiDAR点云的分类处理对地表覆盖的要求较高,植被稀疏或无植被的区域,易于实现自动分类,且生成的等高线较光滑,无需后期人工干预处理;植被茂密区域则无法实现自动分类,生成的等高线也不光滑,后期需对等高线进行大量修编处理。旨在探讨植被茂密区域机载LiDAR点云数据用于1∶10 000 DLG地貌要素更新的方法,提出用中值滤波的算法,对LiDAR点云生成的DEM进行滤波处理,实现等高线的光滑抽稀处理。同时,利用原有高程注记的点位,根据DEM数据重新赋值,实现高程注记的快速更新。     

基于LiDAR点云的高精度DEM构建方法

对激光雷达测量点云滤波分类出真实地面点,通过不同的方法构建高精度的数字高程模型,包括不规则三角网模型和Grid模型,采用等值线回放法和检查点法分别从定性和定量角度评估DEM的精度。实验表明,线性三角网插值法构建的DEM边界约束最好、精度较高,且效率最高,是Li DAR点云构建高精度DEM的最优方法。     

LIDAR数据特点与分类算法探讨

机载雷达点云的主要应用是生产数字高程模型(Digital Elevation Model,简称DEM).由于机载雷达所获得的雷达点云包括地面点和非地面点,所以在生产DEM之前要进行非地面点的滤除,在国外很多研究文献提出全自动或半自动的方法用来过滤地物点,保留地面点用以生成数字高程模型.     

一种基于平面拟合的LIDAR点云滤波方法

LIDAR点云滤波是将LIDAR点云数据中的地面点和非地面点分离的过程。根据在较小区域内可以近似认为地面为一平面,本文提出了一种应用平面拟合的方法,首先在一个局部区域内拟合出一个近似平面,通过判断LIDAR点是否属于该平面来获取平面点,并通过分类处理从平面点中得到地面点,最后用得到的地面点内插出DEM。滤波前,需要剔除高程异常点,本文应用了高程差约束算法抑制高程异常点,从而较好地保持了原始数据的局部细节信息。     

对渐进三角网点云数据滤波算法的改进

针对渐进三角网滤波算法（PTD）进行拓普康LiDAR点云数据处理过程中易将地物点误判为地面点的缺陷，本文提出两种改进方法。一种是采用局部坡度拟合法对PDT算法进行改进，将点云数据按高程值与拟合坡面法求解的拟合高程值的差由小到大进行排序，将为地面点可能性更大的点优先判定，从而获取更加精确的TIN；另一种是引入薄板样条曲线（TPS）插值法，对PTD算法进行改进，将PTD中候选点判断参数改为TPS法中的弯曲能量增长值，从而减少误判。结果表明，使用以上两种改进算法，综合考虑第1类误差和第2类误差影响，在大部分地形特征下比传统PTD算法表现更优，对低矮植被、桥、斜坡等特殊地物的滤波效果更佳。