基于混合最小二乘与总体最小二乘的 激光雷达滤波算法

机载激光雷达点云数据滤波技术是LiDAR数据后处理最关键的内容之一。利用最小二乘平差的曲面拟合滤波算法存在一定不足,基于混合最小二乘和总体最小二乘的算法可以有效弥补不足。本文提出一种基于混合最小二乘和总体最小二乘的曲面拟合滤波算法。实验表明,本文滤波算法效果良好,满足实际应用需求。     

机载LiDAR点云自适应滤波算法

针对传统移动曲面拟合滤波算法难以使用单一且具有自适应性阈值滤波的问题,提出一种改进自适应阈值滤波算法.首先将点云格网化,利用混合最小二乘曲面拟合对多级移动曲面滤波算法进行部分优化;其次利用离散点云数据分布特征计算一级滤波阈值;最后计算格网中最大真实高程值与最小真实高程值之差,利用曲率极限点为该值设定一个自适应系数,对滤波阈值算法进行自适应改进后二级滤波.实验采用国际摄影测量和遥感学会(ISPRS)公布的激光雷达数据集验证算法,结果表明,该算法滤波总误差平均值达到6.26％,连续地形滤波总误差达到4％以下,可以较精确地区分地面点与地物点,精确度较高且适应性较强.     

抗差趋势面的机载LiDAR点云滤波方法

传统曲面约束滤波算法中,利用最小二乘拟合地形曲面易受种子点粗差影响。针对这一问题,提出基于抗差趋势面的机载激光雷达点云数据滤波方法,首先构建格网索引组织数据,引入抗差趋势面拟合合理的区块地形,通过自适应阈值的设置实现不同区域的自动灵活处理,最终滤除孤立点完善滤波结果。使用ISPRS提供的测区数据进行实验,与传统曲面拟合方法进行对比,实验结果证明,该方法较传统移动曲面拟合法能够得到更加可靠的滤波结果,具备较高实用价值。     

基于城区机载雷达数据的双重滤波算法

机载激光雷达扫描技术能快速且高精度地获取地面点的3维坐标,而激光雷达数据处理的首要任务就是点云的滤波,也即是将地面点和非地面点进行分离.传统的滤波方法大都是基于一定的地形条件或是小规模数据量进行的.针对城区的3维点云处理提出了一种双重滤波方法:先构建三角网,根据三角面片的角度信息过滤出一部分点云,将剩余点划分成规则格网;然后通过移动最小二乘曲面拟合法,将高差大于一定阈值的点滤除,从而获得地面点云.     

联立偏度与峰度变化曲线的机载LiDAR点云滤波方法

针对经典滤波算法易受参数、阈值选取影响以及传统偏度平衡方法滤波结果不理想等问题,提出一种联立偏度与峰度变化曲线的机载LiDAR点云二次滤波方法。该方法不受参数与阈值选取影响,在联立初始LiDAR点云二者基础上,通过在其变化曲线上寻找最优偏度平衡点完成一次滤波;然后对初次滤波后获取地面点进行多项式曲面拟合,根据拟合后的高差统计值进行偏度平衡二次滤波。实验结果表明:该方法能保证变化很小的前提下,减少和总误差,滤波效果更好。     

基于最小二乘拟合的三维激光扫描点云滤波

针对传统的使用单一拟合法滤波的不足,提出组合曲面拟合滤波方法。方法在对点云分割选取拟合点的基础上,先进行二次曲面拟合,去除误差较大点,然后在剩余的点云中,选取较为准确的多面函数拟合点,利用多面函数曲面可更好地表达地形细节,进一步逼近真实的地形表面的优点,进行二次滤波。实例表明,本文组合最小二乘拟合的点云滤波效果较好,去噪后的点云可用于生成准确的DEM。     

车载激光扫描点云滤波方法研究

针对传统的点云滤波算法存在阈值单一、地面点提取准确低的问题,本文提出了一种改进自适应阈值滤波算法。首先通过对点云数据进行二维投影并进行格网化处理;其次通过格网内最低点进行混合最小二乘曲面拟合;最后通过一级滤波阈值与自适应阈值实现非地面点滤波。为了对本文提出的自适应阈值滤波算法的有效性进行检验,分别使用城市中心道路与郊区道路点云数据进行算法实验。结果表明,本文提出滤波算法对城市中心道路点云滤波结果的一类误差、二类误差、总误差分别为4.6%、2.3%、3.7%;对郊区道路点云滤波结果的一类误差、二类误差、总误差分别为5.4%、7.1%、6.5%。相比于传统的移动窗口滤波算法,本文滤波算法无论是一类误差、二类误差还是总误差均更低,可准确区分出地面点与非地面点,表现出了更好的点云滤波性能。     

多级移动曲面拟合LIDAR数据滤波算法

为提高城市区LIDAR数据滤波精度, 提出了一种多级移动曲面拟合滤波方法。建立区块网格搜寻及索引机制完成对离散LIDAR点云的标示; 通过建立二次多项式完成参考曲面的拟合, 不同窗口大小获得不同层次的拟合曲面; 设置自适应阈值, 完成地面点与非地面点的判断。精度评价结果表明, 该滤波算法误差在1m以内, 能够满足实际应用的需求。     

海量点云数据滤波处理方法研究

简述目前几种主要的点云滤波方法,运用MatLab语言编程实现移动窗口最小二乘曲面拟合算法对数据进行滤波处理,经实验数据分析取得良好的滤波效果,能有效滤除点云噪声,获得高精度的建模数据,同时很好地保持地形特征。     

基于地面激光点云数据的NURBS曲面重建

通过研究相关理论和方法,提出一个直接针对散乱点云数据重构NURBS曲面的解决方案,即依据点云分块及其拟合的四边界,构建孔斯曲面作为基面,通过基面投影实现散乱点云的参数化,并以最小二乘法完成分块数据的NURBS曲面拟合。曲面验证实例表明,通过该方法所拟合的NURBS曲面是有效的。     

多级移动曲面拟合的自适应阈值点云滤波方法

为了提高机载激光雷达点云滤波算法的精度、效率以及自适应性,提出了一种多级移动曲面拟合的自适应阈值点云滤波方法。首先,对点云数据进行预处理即剔除粗差,然后通过格网化分割建立格网索引,利用每个格网的邻域格网中的最低点建立曲面方程,计算真实高程与拟合高程的差值并设置自适应性阈值进行滤波,最后采用多级滤波策略,即逐级改变格网大小并自动设置邻域和阈值,直到滤波结果达到精度要求。使用国际摄影测量与遥感学会（ISPRS）提供的测试数据对算法进行验证,第1、2类误差和总误差平均值分别为7.33%、10.64%、6.34%。将该算法与ISPRS公布的8大经典滤波算法进行比较,结果表明该方法的适应性强,滤波结果具有较高的准确性。     

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。     

格网邻域滤波在车载激光点云道路边线提取中的方法研究

结合城市车载激光扫描点云道路数据与地物点各自的特点和空间分布,用路面点云控制道路两侧地物点云进行滤波,从而实现道路路面点和地物点的分离,并根据城市道路中含有高出路面边缘的路缘石的结构特性设置阈值来提取路缘石,通过设置合适的格网及其邻域格网中点的密度特性进一步滤波路缘石,生成道路边线。     

一种多尺度自适应点云坡度滤波算法

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...     

机载激光点云构建西部矿区开采沉陷模型研究

针对榆神矿区地形起伏而植被覆盖度较低的条件,采用无人机激光雷达(LiDAR)对采煤沉陷盆地进行地面扫描和建模,按现有的点云滤波和插值算法所构建的沉陷模型精度不足的问题,该文提出基于格网高程排序的类地面点云提取算法,通过改变格网大小和点云提取比例来优化点云滤波效果,改进了地表沉陷模型的精度。在此基础上,选用概率积分法和GaussAmp函数对沉陷模型进行最小二乘拟合,结果表明GaussAmp函数对于试验区地表动态沉陷模型的拟合精度更高。     

机载LiDAR数据中电力线的自动提取与重建

为实现电力线走廊更加有效地巡检，本文设计了一套LiDAR点云数据中电力线自动提取与重建的方法。首先，利用改进的渐进形态学滤波剔除地面点，通过高差阈值与高程离散度分割，实现电力线点粗提取；然后，借助RANSAC直线检测，得到电力线直线模型，依靠密度检测，实现单根电力线点云精确聚类；此外，利用k-means算法完成分裂导线束间归类；最后，进行二次多项式限制的最小二乘拟合，生成电力线曲线模型。试验结果表明，使用该方法电力线点云提取的正确率达98%以上，非电力线点云误判率低至1%左右，电力线直线模型拟合误差在5 cm以下，曲线模型拟合误差在3 cm以下，完全满足实际工程需求。     

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。     

基于车载LiDAR点云的地物分类方法的研究

基于点云分类常用的近邻聚类法和物体表面分割等方法,本文提出了一种基于最大网格密度的近邻聚类的方法。该方法首先对原始点云进行低点提取,设置格网的大小,在此基础上对点云数据进行去噪并进行主成分分析,再对点云空间进行均匀格网化,使具有最大密度的格网为聚类中心,加入高程、强度以及法向量等特征对分割后的点云实现了不同地物的分类,提高了运算效率,降低了错分率。