虚拟格网分类支持下的密集匹配点云布料模拟滤波

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。     

面向对象的车载LiDAR点云滤波方法

针对经典的机载LiDAR点云数据滤波方法不适用于车载LiDAR点云数据滤波的问题,该文提出了一种基于点云分割的不规则三角网渐进加密滤波方法。首先,剔除粗差;然后,进行点云分割;最后,以分割对象为基本判别单元,迭代地进行地面对象的识别。采用两个场景的车载LiDAR点云进行滤波实验。实验结果表明,本文滤波方法的总误差明显小于经典的不规则三角网渐进加密滤波方法。     

基于Otsu方法点云粗分类的渐进三角网滤波算法研究

针对传统渐进三角网滤波方法需要针对不同的地形条件频繁调整滤波参数,并且对低矮地物滤波效果较差等问题,结合图像分割中的Otsu方法,提出一种基于Otsu方法点云粗分类的渐进三角网滤波算法。在对原始点云数据粗分类的基础上,以点云类别属性引导滤波过程。实验结果表明,方法简单可行,可以有效地控制低矮点被误分类成地面点的可能性,提高滤波处理结果的准确性。     

面向对象的机载LiDAR点云滤波方法

本文提出了一种基于点云分割的机载LiDAR点云滤波方法。该滤波方法在经典的不规则三角网加密滤波方法增加了点云分割步骤。实验表明,与经典的不规则三角网渐进加密滤波方法相比,本文提出的滤波方法取得了更好的滤波效果,表现在具有更小的一类误差和总误差,尤其在正确识别地形陡变处的地面点方面具有显著的优势。     

基于TIN的山区点云滤波研究

针对地形复杂、起伏较大的山区激光点云滤波精度低的难题,在深入理解不规则三角网(TIN)渐进加密算法基础上,首先对原始点云数据进行去噪和滤波处理,然后定量分析和比较不同参数阈值下的滤波效果。结果表明,参数阈值对基于TIN的滤波算法结果影响较大,需要结合具体的研究区域设置合适的阈值,普适性和自适应性强的滤波算法仍是点云滤波研究的重要内容。     

无人机Lidar技术在复杂艰险山区高精度制图中的应用

为解决复杂艰险山区高精度制图难题,本文提出了利用无人机Lidar技术获取高精度、高密度点云数据,针对不同地形特点,利用点云回波强度进行聚类,通过聚类结果选取滤波方法,提高分类及滤波精度;同时对密林等无法获取地面点云的特殊区域进行监督分类获取植被高度,结合穿透区的点云进行内插拟合,构建出更符合实际现状的地形数据。试验表明利用本文方法能够明显提高制图精度,满足艰险山区高精度制图要求。     

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。     

基于多分辨率层次分类的机载LiDAR点云滤波方法

针对复杂地形环境滤波的需求,提出一种具有较强抗差稳定性的多分辨率层次分类滤波算法。该方法首先对原始点云数据进行格网化,主要通过设置格网分辨率值将数据分为3个层次,在每一层通过改进的局部最小值法选取初始地面种子点;然后利用薄板样条函数迭代内插生成栅格曲面,根据定义的残差阈值判定方法,完成点云的分类;分离出的地面点作为下一次迭代的种子点用于构建栅格曲面。利用ISPRS提供的15个训练数据对该方法进行实验,将实验结果与8种经典滤波算法进行对比分析,证明该方法在适应不同地形环境方面具有较强的稳健性。     

一种改进的渐进加密三角网点云滤波算法

针对渐进加密三角网滤波算法中初始不规则三角网对地形近似模拟的精度问题,该文提出了一种改进的渐进加密三角网滤波算法。该方法利用扩展局部极小值法,在包含点云的格网中提取待定种子点,并采用最邻近插值法获取不包含点云的格网高程;然后设定阈值来判断局部薄板样条插值的邻域高差,确定最终种子点;最后构建初始不规则三角网并迭代加密。结果表明,该方法能提高地面种子点提取的准确率,并进一步提高点云滤波的质量。     

渐进三角网加密滤波辅助的布料模拟滤波

为了提高布料模拟滤波（CSF）算法处理复杂地形时的精度与适应性,本文提出了渐进三角网加密滤波辅助的布料模拟算法（CSFPTD）。该方法首先根据地面点云回波次数特点提取单、末次回波点云,以提高点云处理效率,在此基础上,采用渐进三角网加密滤波算法提取地面点,建立宏观反映复杂地形特征的粗数字地面模型（DTM）,对点云进行高程归一化处理,消除地形起伏对点云滤波结果的影响,最后CSF实现点云精细滤波。对CSFPTD算法与经典CSF算法进行了对比实验,其中,Ⅰ类误差由11.81%下降到7.48%,Ⅱ类误差由1.90%下降到1.23%,总误差由4.05%下降到2.58%。实验结果表明：CSFPTD算法在综合复杂地形下的滤波精度明显提高,提升了算法的地形适应性。     

知识引导下的城区LiDAR点云高精度三角网渐进滤波方法

针对城区LiDAR点云特点,提出一种基于知识的三角网渐进滤波方法：①对格网内插后的栅格数据进行面向对象分割;②采用迭代Otsu聚类手段对地面对象与非地面对象自动分离;③针对分类结果构建初始三角网,并自适应调整地面点判据参数,达到提高滤波质量目的。选用ALS50系统真实数据进行滤波实验,并与传统方法滤波结果进行精度评价,评价结果表明：基于知识的滤波方法能进一步提高点云滤波质量。     

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。     

基于激光点云技术的山区工程测绘信息提取

由于山区工程测绘信息提取的过程中没有对原始山区激光数据进行清洗处理,导致测绘信息提取效果较差,为此,本文提出基于激光点云技术的山区工程测绘信息提取方法。使用不规则三角渐进加密滤波方法确定地面点,采集山区工程激光数据,根据各点之间的距离,确定点云数据存在的合理性,对原始山区激光数据进行清洗处理,剔除异常数据,并将二维数据转化为三维数据,根据数据转化结果,计算山区结构参数,将其与点云数据融合,完成山区工程测绘信息提取。至此,基于激光点云技术的山区工程测绘信息提取方法设计完成。构建实验环节,实验结果证实,此方法信息提取安全性较高,工作量较少,且可有效提升测绘信息提取结果的可靠性。     

改进的渐进加密三角网机载点云滤波方法

针对渐进加密三角网滤波算法在林区机载点云滤波中存在种子点选取困难和精度较低的问题,提出了一种适合林区点云数据的改进渐进加密三角网滤波方法。该方法首先使用去噪算法(SOR)对离群点进行剔除,然后采用布料模拟和局部薄板样条插值方法获取大量均匀可靠的地面种子点,最后利用改进的渐进加密三角网滤波方法进行滤波,迭代运算进而得到地面点。使用6组标准数据和3组林区数据进行实验,标准数据的平均总误差和Kappa系数分别为2.16%和84.96,林区数据的平均总误差为4.62%。实验结果表明,改进方法适用于复杂的林区机载点云滤波,且提高了滤波精度。     

基于统计数据选取种子点的LiDAR点云迭代滤波算法

经典的渐进三角网滤波算法在LiDAR点云数据处理中应用十分广泛,但其滤波精度很大程度上取决于种子点选取的正确率。本文针对这一问题,在渐进三角网加密算法基础上提出了一种基于小格网高程、均方差和点密度统计数据选取种子点的迭代滤波算法。实验结果表明,本文的迭代滤波算法可有效避免低点等非地面点对种子点选取的干扰,且滤波结果生成的DEM精度较高,具有一定的实用性。     

基于TIN渐次加密的LiDAR点云数据滤波

传统的滤波算法通常是针对具有连续表面的简单区域来进行,因此带有一定的局限性,且不能解决复杂城区地形准确提取的难题。因此,本文提出了一种改进的基于TIN渐次加密的LiDAR点云数据滤波方法,该方法先对原始点云利用多尺度虚拟网格筛选地面种子点;然后,对种子点构建初始TIN表面,在此基础上进行向上加密;最后,得到的TIN三角网则为真实地形表面。实验结果表明,该方法能有效地滤除建筑物、植被和其他地物,并较好地保持地形特征。     

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。     

一种基于分割的机载LiDAR点云数据滤波

针对当前滤波算法在处理地形不连续区域或存在复杂建筑物区域时容易过分＂腐蚀＂地形并难以去除一些低矮植被的不足,提出了一种基于分割的机载LiDAR点云滤波算法。首先,对原始点云基于地表连续性进行分割;然后,在移除点数目较小的粗差点集之后采用对分割点集建立缓冲区的方法,区分地面和非地面点集;在较大地物经过迭代分割基本移除之后,使用约束平面的方法移除高度较小的地表附着物以实现滤波。实验结果表明,与经典滤波算法相比,该算法提高了地面点的分类精度,在滤除地物信息的同时能有效地保留地形特征。     

基于点的多尺度形态学重建滤波方法EI北大核心CSCD

针对现有机载激光雷达(LiDAR)点云滤波算法难以准确分离复杂地形中地面点与地物点问题,提出了一种基于点的多尺度形态学重建滤波方法 PMMF (Point-based Multi-scale Morphological reconstruction Filter)。在初始尺度层次下,PMMF通过构建一种基于点的形态学重建对原始点云滤波,即先在掩膜点云约束下借助k邻域结构元素和高程缓冲区反复膨胀标记点云,获取潜在地面点;然后通过自适应坡度方法剔除潜在地面点中的非地面点,其中,坡度阈值随地形复杂度自适应变化。在上层滤波结果基础上,PMMF通过提升种子点选择的网格尺度重复上层滤波过程,直至结果收敛。以国际摄影测量与遥感学会(ISPRS)发布的15组基准数据为研究对象,将PMMF滤波结果与近5年(2016年—2020年)提出的15种滤波算法比较表明,PMMF有8组数据滤波效果占优,15组数据平均总误差和Kappa系数分别为2.71%和91.08%。使用4种不同地形特征的高密度机载LiDAR点云数据进一步验证PMMF的滤波效果,并将计算结果与简单形态学滤波(SMRF)、布料模拟滤波(CSF)、渐进加密三角网滤波(PTD)和多分辨率层次滤波(MHF)比较。结果表明,PMMF滤波性能最优,平均总误差为3.24%,较其他4种滤波方法分别减小了12.0%、59.1%、70.1%和53.2%。     

基于LiDAR点云数据的DOM制作方法

基于LiDAR点云数据,利用MicroStation平台下的TerraSolid软件包,采用无地面控制空中三角测量的方法对影像数据进行正射纠正,从而得到正射影像,并总结操作流程,为生产单位提供参考依据。实验表明,利用TerraSolid软件中渐进加密滤波算法提取的地面点云生成的DEM与实际地形有较好的吻合;利用离地高度算法提取植被和建筑物效果的优劣取决于设定阈值的精度;利用TerraSolid软件制作的正射影像具有较高的几何精度和较好的视觉效果。