一种基于地形预分类的渐进加密点云滤波方法

经典的渐进加密三角网算法采用同一套参数难以在平地/山区混合的机载激光点云数据中取得良好的滤波结果。针对该问题,提出了一种改进的、基于地形预分类的渐进加密滤波方法。首先利用单一参数进行初次滤波,并根据滤波结果获取地形预分类结果;然后针对平地/山区地形特点,利用不同参数进行二次滤波,得到不同地形更精细的滤波结果;最后对不同地形的地面点进行合并,生成最终滤波结果。实验结果表明,基于地形预分类的渐进加密滤波方法生成的数字高程模型的均方根误差为1.733 m,显著优于经典方法。     

融合聚类算法的钢轨轮廓点云自适应精简

针对原始结构光钢轨轮廓点云数据量大、强噪声和离群杂点多的问题,本文提出了一种欧式聚类融合多种传统滤波方式的钢轨点云自适应精简的方法。采用点云欧式距离为特征量的聚类分割方法用于无效杂散点数据的识别和精简,采用统计滤波结合均匀体素下采样滤波方法实现点云初步去噪。在此基础上,通过欧式聚类分割噪点,采用自动获取滤波范围的自适应直通滤波去除轨底粘连数据,以保证点云配准的效率与准确性。本文提出的方法可有效精简无效数据和去噪,点云精简比约为94%,同时保留了原始点云的有效轮廓特征,为点云配准与磨耗点的高精度识别奠定了基础。     

机载激光LiDAR在密林山区测绘中的应用研究

为解决山区测绘的高程问题,本文利用机载激光雷达采集了山区点云并通过点云滤波的手段获取了山区地表点的高程数据,通过实验验证和分析可知,机载激光雷达在山区的地表点云有着很高的精度和密度,能够很好地满足山区地形测绘的要求。     

TLS三维点云聚类滤波算法应用研究

现有地面三维激光扫描点云数据滤波算法较少,针对地形复杂区域的点云滤波效果更是不甚理想,因此对二维聚类算法进行改进,提出三维点云聚类滤波算法,并对其在地形复杂区域的TLS数据滤波中的应用进行研究。以重庆鸡冠岭危岩体的TLS数据为例,分别采用曲率平滑滤波方法和文中提出的点云聚类滤波方法处理,并对两种方法处理过的数据进行形变量计算和分析。实验证明,针对植被覆盖茂密、地形复杂的山体,该方法的点云滤波效果较好,且处理速度有较大提升,能为点云后期形变量计算提供较好的基础。     

机载LiDAR点云数据抽稀算法研究述评

机载LiDAR技术作为一种全新的遥测技术,可以获取高精度和高密度的三维点云地形数据,它所获取的高密度的点云数据存在数据冗余和数据量庞大等一些问题,造成了存储、后处理(如滤波、分类、特征提取和建模)和显示的不便。因此对点云数据进行有效的数据抽稀简化很有必要,抽稀算法需要在数据精度和采样密度之间达到一种最优平衡。本文将现有的LiDAR点云数据抽稀算法概括为随机采样算法、基于高程的算法和基于TIN的算法3类,并分别进行了研究评述,最后探讨了各类方法的优缺点,以为机载点云数据抽稀简化提供参考。     

一种改进的基于坡度变化的机载激光雷达点云滤波方法

机载激光点云数据滤波是获取高精度数字表面模型和数字高程模型的关键。本文分析了几种重要的滤波算法,在研究基于坡度变化的滤波算法的基础上,提出一种改进的分块滤波处理的方法。实验表明:该方法能有效对点云数据进行分类。     

机载Lidar数据快速滤波方法

机载Lidar是可以快速获取数字表面模型(Digital Terrain Model,DTM)的一种遥感技术。它能够快速获取大范围地面精确的三维坐标,得到高密度的点云。为了从点云数据中提取地形信息,必须对地面点和非地面点进行分类,称之为滤波。现有算法不适合用于处理大规模数据。本文提出一种快速滤波方法,实验结果表明该方法能够快速准确地提取地形点。与现有的滤波方法相比较,其最大的特点是将二维滤波问题简化为一维滤波,滤波速度快。     

顾及地形断裂线的LiDAR点云滤波方法研究

针对山区LiDAR点云的特点,对TIN滤波算法的三个重要环节进行了改进:1利用一种简单、快速的随机化格网搜索算法来获取更多的精确初始地面点;2提出一种地形预测角的判断准则来提高地形断裂线附近区域的滤波精度;3对每个激光脚点设置加密优先级,并在滤波过程中动态调整优先级大小,优先级高的激光脚点先进行判断,加密优先级的引入提高了TIN滤波算法对地形的适应性。最后,采用两块分布有大量地形断裂线的山区数据进行实验验证,并与传统的TIN滤波算法进行比较分析,结果表明,改进后的TIN滤波算法可以有效地保留山区的地形断裂线特征,提高了算法在山区的滤波精度。     

基于多特征聚类的复杂环境机载点云层次滤波方法

机载激光雷达(LiDAR)点云滤波是点云数据处理的关键步骤,决定着后续派生品应用的精细程度。针对复杂场景区各种地物的交错性和多态性、地形的突变(断裂)性、相邻地物和地面点高程的相似性等导致的难以区分地物点和地面点瓶颈,本文提出了一种基于多特征聚类的点云层次滤波方法。本文方法首先耦合点云几何和物理信息进行多特征点云聚类,然后发展一种顾及地形断裂的地面点簇识别方法捕捉各类地面点,最后利用捕捉到的地面点构建初始地面参考面,并借助多尺度层次点云滤波方法进一步查找原始点云中的地面点。以4组地形复杂且建筑物和植被混杂区点云数据为试验数据,将本文方法与6种代表性滤波算法对比表明,本文方法的平均总误差最小、滤波性能最优、稳定性最高。     

基于车载LiDAR数据的道路横纵断面获取

传统道路横纵断面获取主要是先利用全站仪或实时差分定位技术RTK放样得到中桩,再测出每个横断面的高程,费时费力。针对传统方法获取效率低、成本高的问题,提出了一种利用高精度车载LiDAR数据进行道路横纵断面获取的方法。首先对获取的点云数据进行预处理,然后进行点云滤波、路面点云精确提取,最后通过对路面点云数据构建地表数模的方式制作道路横纵断面图。工程实践表明,该方法可高精度自动提取道路横纵断面,提高了道路勘测设计的效率。     

利用层次聚类对移动曲面拟合滤波算法快速分类的研究

经典移动曲面滤波算法由于算法简练,适用范围广泛且滤波效果较好,适用于多种地形。但是传统移动曲面滤波方法存在较多缺陷,如计算阈值参数难以确定、各个格网间阈值参数缺少相关性、分类主要依据高差阈值及水平距离相关性较小等缺点。文中提出层次聚类算法,将三维地形转换为二维平面,利用相邻点水平距离和高差构建数据集,进行聚类判断点云的属性,采用ISPRS提供的15组样本,定性和定量分析本算法的滤波精度。为验证本聚类算法的优越性和科学性,同时与改进型移动曲面和PTD滤波算法进行精度对比,充分说明本算法相较于其他算法的优越性和高效性。     

基于超体素的机载LiDAR点云滤波与建筑物提取方法

为了提高目前机载LiDAR点云数据滤波和建筑物提取精度,本文提出一种基于超体素的点云滤波与建筑物提取方法。对每个超体素进行相似性判断来实现向上一层的区域增长式合并,并通过判断超体素簇与邻接超体素簇的凹凸性实现再向上一层的合并,最终通过计算聚类对象自身几何特征来过滤地面、植被和噪声,从而得到建筑物点云。实验利用ISPRS公布的标准数据集,选择3个地形数据进行实验。实验结果表明本文算法滤波性能更好,建筑物提取结果优于专业点云处理软件的提取结果。     

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LiDAR点云的道路提取算法研究

提出一种对点云特征信息进行聚类的方法,以提取机载LiDAR数据中的道路。通过采用软件ENVI 5.3反复建立三角网实现点云滤波获取地面点云,且采用零—均值标准化对地面点云进行标准化,以消除其量纲。然后进一步利用K-means++方法对点云三维坐标聚类实现点云分割,以获取包含道路点云的类别,且对该类别中点云的高度信息进行聚类以提取道路点云。以荒漠植被区机载LiDAR为研究区,对比直接对点云高度信息聚类的结果表明:在设置相同聚类参数的基础上,直接进行高度聚类的SSE总和为2 550.714,所提出的先分割后聚类方法获取的SSE总和为73.696,比直接进行高度聚类的SSE总和低2 477.018,说明本方法使K-means++性能更好。对比运算速度发现,虽然采用该方法聚类消耗时间比直接聚类消耗时间多16 s,但提取结果更好,可去除非道路点云3 673个。     

基于点云数据的地貌要素自适应提取方法

利用改进的各项异性扩散滤波算法模型得到高精度DEM数据,采用先内插跟踪、后拟合的方法,利用检校改正后的点云数据与航空影像,并结合地形特征点和特征线构建高精度DEM及地貌要素(等高线快速生成、高程注记点)自适应提取的生产技术流程,为LiDAR技术应用于基础地理信息数据获取与快速更新提供技术依据和参考。     

基于LiDAR点云数据的地物几何特征提取与制图

从机载激光雷达数据自动识别地物对象,可提高数据的解译能力,成为快速、高效地形图测量、数字地籍、三维城市等数据获取的有效途径。本文基于机载Li DAR数据和遥感数据,进行快速数据获取与制图研究,充分利用激光雷达获取数据质量高的优势,通过高密度、不规则点云分析,构建建筑物、树木、地表、电力线等地物的离散几何模型,从而提高点云数据的分类精度及制图自动化。根据描述地物使用线和面以及纹理、颜色的方面的约束条件,通过构建点云的离散几何模型,对高维数据进行降维,达到高精度构建地物信息。应用法线估计法,计算邻域法线的各项异性的相似度,判断相邻网格是否属于一个平面,结合区域增长法构建规则地物的几何模型;采用自组织神经网络法对点云数据进行处理,利用自由曲面描述地物,以长春师范大学校园为例,实现了Li DAR点云数据的地物几何信息提取与制图。     

一种顾及地形复杂度的LiDAR点云多尺度滤波方法

针对复杂地形区域的机载LiDAR数据滤波方法中自适应阈值设置问题,根据地形多尺度效应,提出一种自适应阈值的机载LiDAR点云多尺度滤波方法。该方法采用影像金字塔策略按分辨率从高至低逐级构建LiDAR点云分层格网,滤波过程则从最大尺度格网(顶层格网,最低分辨率)开始,采用局部统计分析的方法自适应地确定高差阈值,同时结合薄板样条内插出下层各格网控制点的高程值,直至最底层格网完成原始激光点云滤波。通过我国某山区城市复杂地形的LiDAR数据实验表明顾及地形复杂度的LiDAR点云多尺度滤波方法能够快速有效地提取高精度DEM,能够满足实际生产需求。     

基于剖面和迭代选权曲面拟合的LIDAR点云滤波算法研究

LIDAR数据是目前最为理想的生产DEM/DSM的数据源,利用机载激光雷达获取DEM/DSM数据是机载激光雷达最为直接的应用。提出了一种剖面的数据表达方式对离散的LIDAR点云数据进行组织,同时对点云数据做初步的分类,在此基础上用迭代选权曲面拟合的滤波算法对地面点和非地面点做进一步的分类,以提高LIDAR点云数据的滤波效果的方法。     

基于格网化LIDAR点云数据坡度滤波方法的研究

LIDAR数据是目前生产DEM/DSM最为理想的数据源,利用机载激光雷达获取DEM/DSM数据是机载激光雷达最为直接的应用。本文提出了一种将LIDAR点云数据格网化与坡度滤波相结合的点云分类方法,该方法将数据格网化的概念用于LIDAR点云数据的预处理,避免了LIDAR点云数据内插或者平滑造成的信息损失,并且引入坡度突变对格网化处理后的LIDAR点云数据进行第二次地面点的选取,提高了LIDAR点云数据分类的效果。     

基于地形变化检测的机载LiDAR滤波方法

LiDAR滤波是从其数据中提取数字地形模型(DTM)的一个主要步骤。当前的LiDAR滤波方法大都是通过单一的LiDAR点云数据来进行的,由于点云缺乏真实数据作参考,在滤波时可能会出现较大的误差。因此,提出一种基于地形变化检测的机载LiDAR滤波方法。首先将LiDAR点云数据与已有的DEM数据精确配准并统一到同一坐标系下,然后对LiDAR点云数据进行格网化组织,使LiDAR点云数据与DEM数据中相应的区域对应,最后把已有的DEM数据与LiDAR点云数据叠加进行滤波。为了验证该方法,采用城区和山区2种不同地形特点的数据分别进行试验。结果表明该方法能有效滤除城市和山地环境中的地物,并且保留地形的细节信息。