城区机载LiDAR数据与航空影像的自动配准

为解决机载LiDAR数据与航空影像集成应用中二者的配准问题,提出了一种机载LiDAR数据与航空影像配准的方法。首先,直接在LiDAR点云中提取建筑物3维轮廓线,通过将轮廓线规则化得到由两条相互垂直的直线段组成的建筑物角特征,并在航空影像上提取直线特征;然后,根据影像初始外方位元素将建筑物角特征投影到航空影像上,并采用一定的相似性测度在影像上寻找同名的影像角特征;最后,将角特征的角点当作控制点,利用传统的摄影测量光束法区域网平差解求影像新的外方位元素。解算过程中采用循环迭代策略。本方法的主要特点是,直接从LiDAR点云中提取线特征,避免了常规方法从距离图(或强度图)中提取线特征所产生的内插误差。通过与现有基于点云强度图的配准方法的对比实验表明,在低精度初始外方位元素的辅助下,本文方法能够达到较高的配准精度。     

基于Plücker直线的机载LiDAR点云与航空影像的配准

机载LiDAR点云与航空影像的配准是地物提取的关键。本文提出了基于Plücker直线的机载LiDAR点云与航空影像的配准模型。基于三维线空间线变换Plücker直线方程,确定点云和影像中的同名直线间的相对位姿关系,建立Plücker直线共面条件方程,通过影像上的Plücker直线在三维线空间中的螺旋运动,实现像点到其对应LiDAR点的坐标变换。结果表明,Plücker直线共面条件配准模型简洁,将旋转和平移统一处理,避免了两者间的耦合误差,提高了配准精度,为获取高质量的地球三维空间信息提供了技术支持。     

车载MMS激光点云与序列全景影像自动配准方法

提出一种车载移动测量系统（MMS）激光点云与序列全景影像自动配准方法。首先采用层次化城市场景目标提取方法自激光点云提取天际线矢量,在全景影像中经虚拟成像与分割角点提取算法生成天际线矢量。然后,将提取结果作为几何配准基元,构建配准基元图,通过最小化配准基元图编辑距离进行匹配,组成共轭配准基元对,解算2D-3D粗配准模型,获得全景影像与LiDAR点云参考坐标系之间的初始转换关系。最后,为消除几何配准基元提取与匹配误差对配准结果的影响,自序列全景影像虚拟成像影像生成多视立体密集匹配点云,继而使用变种ICP算法优化其与激光点云数据间3D-3D配准参数,间接优化全景影像与激光点云间的配准参数,精化配准结果。试验结果表明,本文提出的自动配准方法可以实现车载MMS激光点云与序列全景影像的1.5像素级自动配准,配准成果可应用于真彩色点云生成等点云/影像数据融合应用。     

点、线相似不变性的城区航空影像与机载激光雷达点云自动配准

提出一种基于点、线相似不变性的城区航空影像与机载LiDAR点云自动配准算法。首先通过SIFT算子提取点特征并进行粗配准,同时分别基于影像和LiDAR点云提取直线特征;然后利用局部区域点特征与线特征的相似不变性,通过匹配点对搜索匹配直线对;最后采用基于扩展共线方程的2D-3D严密配准模型实现航空影像与LiDAR点云的精配准。本方法的特点是:采取了由粗到精的配准策略,通过点、线相似不变性,将基于强度的配准算法和基于线特征的配准算法有机结合,在较高的自动化程度下实现了影像与点云的精确配准。试验证明,与基于点云强度影像的自动配准算法相比,本文的算法在城市地区能够取得较好的配准结果。     

基于互信息的LIDAR与光学影像配准方法

本章论述了基于互信息的是单幅影像与LIDAR数据的配准方法。本方案是基于两幅图像灰度值的配准方法,即利用LIDAR数据生成的强度图像,实现与航空影像的配准。虽然两种传感器得到图像的灰度值有较大差异,且不成线性关系,通过引入互信息,可以将穷举的搜索问题变成基于相似性测度函数的优化问题。实验表明互信息准则对于航空影像与LiDAR数据之间是有效的。     

地面激光点云与数码影像自动高精度配准

针对地面激光雷达点云和数码光学影像非同源异质数据自动配准困难的问题,本文提出了基于互信息的两种数据同名特征高精度自动提取的方法。首先,把点云数据生成中心平面投影的反射强度图像和基于RGB信息的彩色图像,应用点云彩色图像和数码光学影像的匹配,确定点云与影像的粗配准参数;然后,对反射强度图像进行特征提取,应用粗配准参数确定其在数码光学影像上的初始位置,应用互信息实现非同源数据的高精度匹配;最后,应用罗德里格矩阵和选权迭代方法计算高精度配准参数,生成三维彩色模型。试验证明,本文方法可以解决地面激光点云和数码光学影像非同源异质数据的配准问题,具有一定的研究和应用价值。     

基于可移动角点的航空和地面LiDAR数据配准

针对航空和地面LiDAR数据配准中点云数据的共轭特征较少且精度差异较大的问题,提出了一种基于可移动角点的航空和地面LiDAR数据配准方法:从航空和地面LiDAR数据中分别提取相应的建筑物角点,采用6参数模型对角点进行初始配准;以地面角点为参照,利用迭代移动方法对误差较大的航空角点进行修正;最后根据移动后的航空和地面角点计算获得点云配准关系。实验结果表明,该文方法可取得较好的点云配准效果,角点修正后能有效提升点云配准精度,适合于含有角点特征的航空和地面LiDAR数据配准。     

车载激光雷达点云与全景影像的自动配准

针对激光雷达点云数据缺乏纹理信息的问题,该文提出一种基于互信息的车载激光雷达点云与全景影像配准方法。该方法使用统一的球面全景成像模型,引入互信息作为相似性测度,将车载激光雷达点云生成的深度图与信息提取后的全景影像进行配准,实现配准参数的自动、高精度解算。同时,对车载激光雷达点云与全景影像配准的精度进行评定与分析。实验结果表明,车载点云与全景影像的配准方案是可行的,具有较高的配准精度。     

利用安置角检校进行机载LiDAR点云数据与同步影像快速配准

在对安置角进行综合分析后,以精确的机载LiDAR数据为基础,联合高分辨率影像对空间点进行高精度定位,建立了机载LiDAR和摄影测量联合平差模型,完成了无需控制场的相机安置角检校,较好地实现了机载LiDAR数据与同步影像的精确配准。     

基于建筑轮廓的车载和航空LiDAR数据配准

点云配准是集成车载和航空LiDAR数据进行三维建筑模型构建的重要环节。本文以建筑轮廓为配准基元,提出了一套完整的车载和航空LiDAR数据配准流程,包括点云数据中建筑轮廓的提取、基于建筑轮廓的点云配准两个步骤。文中首先提出了一种极大值累积量的方法,以实现车载LiDAR点云中建筑轮廓的提取;在利用建筑轮廓进行初始配准的基础上,提出了一种配准关系修正的方法以精确配准点云。实验证明,极大值累积量方法能够有效地从车载LiDAR点云中提取建筑轮廓,本文的配准方法能够实现车载和航空LiDAR数据的高精度配准。     

Automatic registration of optical imagery with 3D LiDAR data using statistical similarity

The development of robust and accurate methods for automatic registration of optical imagery and 3D LiDAR data continues to be a challenge for a variety of applications in photogrammetry, computer vision and remote sensing. This paper proposes a new approach for the registration of optical imagery with LiDAR data based on the theory of Mutual Information (MI), which exploits the statistical dependency between same- and multi-modal datasets to achieve accurate registration. The MI-based similarity measures quantify dependencies between aerial imagery, and both LiDAR intensity data and 3D point cloud data. The needs for specific physical feature correspondences, which are not always attainable in the registration of imagery with 3D point clouds, are avoided. Current methods for registering 2D imagery to 3D point clouds are first reviewed, after which the mutual MI approach is presented. Particular attention is given to adoption of the Normalised Combined Mutual Information (NCMI) approach as a means to produce a similarity measure that exploits the inherently registered LiDAR intensity and point cloud data so as to improve the robustness of registration between optical imagery and LiDAR data. The effectiveness of local versus global similarity measures is also investigated, as are the transformation models involved in the registration process. An experimental program conducted to evaluate MI-based methods for registering aerial imagery to LiDAR data is reported and the results obtained in two areas with differing terrain and land cover, and with aerial imagery of different resolution and LiDAR data with different point density are discussed. These results demonstrate the potential of the MI and especially the CMI methods for registration of imagery and 3D point clouds, and they highlight the feasibility and robustness of the presented MI-based approach to automated registration of multi-sensor, multi-temporal and multi-resolution remote sensing data for a wide range of applications.     

Automatic Registration Between Low-Altitude LiDAR Point Clouds and Aerial Images Using Road Features

Among the many means of acquiring surface information, low-altitude light detection and ranging (LiDAR) systems (e.g., unmanned aerial vehicle LiDAR, UAV-LiDAR) have become an important approach to accessing geospatial information. Considering the lower level of hardware technology in low-altitude LiDAR systems compared to that in airborne LiDAR, and the greater flexibility in-flight, registration procedures must be first performed to facilitate the fusion of laser point data and aerial images. The corner points and edges of buildings are frequently used for the automatic registration of aerial imagery with LiDAR data. Although aerial images and LiDAR data provide powerful support for building detection, adaptive edge detection for all types of building shapes is difficult. To deal with the weakness of building edge detection and reduce matching-related computation, the study presents a novel automatic registration method for aerial images, with LiDAR data, on the basis of main-road information in urban areas. Firstly, vector road centerlines are extracted from raw LiDAR data and then projected onto related aerial images with the use of coarse exterior orientation parameters (EOPs). Secondly, the corresponding image road features of each LiDAR vector road are determined using an improved total rectangle-matching approach. Finally, the endpoints of the conjugate road features obtained from the LiDAR data and aerial images are used as ground control points in space resection adjustment to refine the EOPs; an iterative strategy is used to obtain optimal matching results. Experimental results using road features verify the feasibility, robustness and accuracy of the proposed approach.     

利用距离变换模型进行卫星影像与激光点云精配准

卫星影像可以低成本、高频率地提供地物光谱特性观测信息,而激光点云可以提供精细的几何结构,两类数据的融合可以实现优势互补,进一步提高地物分类和信息提取的精度和自动化程度。实现亚像素级精度的几何配准是实现两类数据融合的前提,提出了一种基于线元素距离变换模型的快速配准方法。该方法以点云为控制源,将点云中的建筑物边缘等典型线元素通过卫星影像的初始有理多项式系数(rational polynomial coefficient, RPC)投影到像方空间,与卫星影像中的线元素进行迭代最近点配准,从而通过RPC参数精校正的方式实现几何配准。采用距离变换模型作为迭代最近点搜索的查找表,提高了运算效率;采用最新的渐进式鲁棒求解策略,能在噪声极多的情况下保证配准的鲁棒性。采用GeoEye-2、高分七号、WorldView-3等卫星影像与激光点云进行了配准实验,并分别通过人工精确量测的外业控制点和作业员内业刺的控制点作为检查,证明所提方法能在3种影像上达到0.4～0.7 m的配准精度,显著优于将点云映射为二维图像然后通过多模态匹配进行配准的策略。     

融合LiDAR数据与航空影像的面向对象水体提取

针对单一数据源难以快速、准确提取水体信息的问题,提出一种利用面向对象技术有效融合LiDAR点云与影像数据,准确提取水体信息的新方法。采用分形网络演化算法对航空影像进行多尺度分割得到影像对象,提出对象平均回波强度概念,利用LiDAR回波强度信息计算OAI,选取对象面积和OAI构建特征空间提取水体。实验结果表明,该方法简单高效,水体提取效果良好。该文方法可为无需精确配准的高精度水体提取、利用面向对象技术处理基于LiDAR数据和航空影像的信息提取等问题提供参考。     

利用影像辅助LiDAR点云数据的建筑物提取方法研究

机载LiDAR作为一种新兴的对地观测技术,能够快速地获取地表三维信息。如何从海量LiDAR点云数据中提取建筑物是数据处理中的一项关键工作。本文结合LiDAR数据和航空影像的数据特点,提出了一种航空影像辅助的LiDAR点云建筑物提取方法,首先,采用面向对象方法从航空影像中提取建筑物的轮廓;然后,以建筑轮廓信息为参考,从LiDAR点云中提取建筑物的点云数据;最后,通过实验证明该方法的有效性与可行性。     

一种地面激光雷达点云与纹理影像稳健配准方法

为了使地面激光雷达点云得到真实和高分辨率纹理,需要对目标进行全方位的拍照。这时点云和影像的配准会出现大角度的问题。同时,由于控制点选点误差、仪器误差等,配准精度往往不能满足要求。针对以上问题,本文提出一种稳健的配准方法。首先,应用重心化的空间相似变换模型和正交旋转矩阵与反对称矩阵的关系推导解算配准参数角元素的模型。将配准结果当作初始值。然后,应用一种基于共线方程的改进丹麦法选权迭代法进行降权精确配准,确定配准参数的精确值。试验表明,本文方法稳定性强、配准精度高,适合任意角度影像与点云的高精度配准。     

低空UAV激光点云和序列影像的自动配准方法

提出了一种低空无人机(unmanned aerial vehicle,UAV)序列影像与激光点云自动配准的方法。首先分别基于多标记点过程与局部显著区域检测对激光点云和序列影像的建筑物顶部轮廓进行提取,并依据反投影临近性匹配提取的顶面特征。然后利用匹配的建筑物角点对,线性解算序列影像外方位元素,再使用建筑物边线对的共面条件进行条件平差获得优化解。最后,为消除错误提取与匹配特征对整体配准结果的影响,使用多视立体密集匹配点集与激光点集进行带相对运动阈值约束的ICP(迭代最临近点)计算,整体优化序列影像外方位元素解。试验结果表明本文方法能实现低空序列影像与激光点云像素级精度的自动配准,联合制作DOM精度满足现行无人机产品1∶500比例尺标准。