共查询到17条相似文献,搜索用时 171 毫秒
1.
基于虚拟网格与改进坡度滤波算法的机载LIDAR数据滤波 总被引:3,自引:0,他引:3
提出了一种基于虚拟网格与改进坡度滤波算法的机载LIDAR数据滤波方法.该算法将虚拟网格的概念用于LIDAR滤波,避免了LIDAR点云内插或者平滑造成的信息损失.基于虚拟网格生成的初始表面模型是一个规则网格,在初始表面模型上进行地面点的选取,可以极大地提高运算效率.在改进的坡度滤波算法中,提出了4个坡度阈值,克服了经典坡度滤波算法在地形急剧变化的地方可能发生的错误.实验结果表明,该算法可以提取出大多数地面点,生成比较精确的DEM,证明了该算法的可行性. 相似文献
2.
3.
通过分析车载激光点云的特征,提出了一种基于改进的数学形态法的地面滤波方法。该算法运用三维虚拟格网组织数据,在形态法迭代过程中采用环形结构元优化滤波窗口,利用局部区域自适应坡度阈值对形态法开运算进行控制。在获得初始低点后,基于邻域坡度滤波提取地面点。利用两个不同区域的点云数据进行了实验,以验证改进算法的有效性。 相似文献
4.
点云坡度滤波算法原理简单、易于实现,为进一步提升坡度滤波算法的自适应性,提出了一种多尺度自适应点云坡度滤波算法.首先,在数据预处理的基础上引入虚拟网格对点云数据进行分割;然后,利用距离加权的方式逐次计算网格点的坡度角,结合k均值聚类和正态分布自适应确定滤波阈值;最后,使用多尺度策略逐级缩小网格尺寸实现点云数据的精细滤波... 相似文献
5.
6.
基于多尺度虚拟网格与坡度阈值的机载LiDAR点云滤波方法 总被引:1,自引:0,他引:1
点云滤波是机载LiDAR数据后处理的基础工作,本文提出一种基于多尺度虚拟网格与坡度阈值的机载LiDAR点云滤波方法。该方法采用类似影像金字塔的方式构建不同尺度即不同分辨率的虚拟网格,各级网格都以每个方格内最低点作为地面种子点,然后根据坡度阈值以分辨率由低到高的方式逐层对种子点进行平滑处理,最后以最高分辨率即最小尺度虚拟网格地面种子点作为基准种子点对整个数据集进行滤波处理。本文分别采用城区与郊区两块机载LiDAR数据进行了实验。实验表明,该方法能够有效地提取出地面点,运算效率也比较高,具有一定的实用价值。 相似文献
7.
8.
数学形态学滤波是从激光雷达(LIDAR)点云数据中识别地面点、创建数字高程模型的一种重要方法.在分析现有滤波方法的优劣性以及数学形态学滤波方法存在的问题的基础上,提出一种改进的、多尺度的、具有一定自适应性的数学形态学滤波算法.该方法通过构建一个粗糙的地面不规则三角网(TIN)来确定实验区域的地形特征,从而选择恰当的地形坡度参数,用于多尺度数学形态学滤波中高差闻值的计算.将每次迭代前后高差小于阈值的点划分为地面点,同时保留地面点的高程值用于下次的迭代计算.实验结果表明该方法能够有效识别地面点和地物点,并且保留地形的细节信息. 相似文献
9.
10.
11.
为了提高倾斜影像密集匹配点云滤波算法在地形复杂场景的精度、效率及自适应性,针对传统的布料模拟滤波算法的不足,本文提出了一种基于虚拟格网分类的布料模拟滤波方法。该方法首先构建带有缓冲区的虚拟格网;然后将虚拟格网按其范围内的点云坡度划分为平地、缓坡、陡坡3种类型;最后针对不同类型的虚拟格网,使用相应的布料参数进行布料模拟滤波,从而实现倾斜影像匹配点云在地形复杂场景中的点云滤波,与单一参数的布料模拟滤波进行对比试验。结果表明,基于虚拟格网分类的布料模拟滤波方法结果更接近于目视解译,该方法适合混合地形滤波。 相似文献
12.
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。 相似文献
13.
14.
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. 相似文献
15.
16.
针对现有LiDAR地面点滤波算法对复杂地形地物适应性不强的问题,本文提出了一种融合点云与地面影像分块滤波的方法。首先,将地面影像与点云匹配,使点云从影像中获取更多的光谱纹理信息。然后,分析地物光谱、林地相对密度、点云高程特征、地面DSM模型及其坡度,并基于决策级融合将原始点云切割成若干独立的区块。最后,根据每块区域不同的多元细节特征,对IPTD滤波算法进行改进并利用搜索法优化参数,得到最优且稳健的结果。利用滤波后的总地面点通过插值算法得到的DEM模型和相关试验验证了本文算法的优越性。 相似文献