分层随机抽样的单档电力线LiDAR点云聚类方法

针对基于直升机激光雷达(LiDAR)测量技术的电力巡线对全自动电力线三维重建的迫切需求,该文提出了一种基于分层随机抽样和电力线三维重建数学模型约束的单档电力线LiDAR点云聚类方法。其中,利用了直线段和悬链线段相结合的电力线三维数学模型描述了现实三维场景中的电力线形态,并以此约束点云分层随机抽样的结果。聚类过程中,首先进行数据预处理和分段组织;接着进行标号。实验表明,该文的聚类方法具有对电力线根数、电力线类型、电力线空间构型、长度、两端电塔高差、点云不规则断裂、粗差等因素不敏感的优势。     

架空输电线路机载激光雷达点云电力线三维重建

电力线三维重建是机载激光雷达(LiDAR)电力巡线的一项重要任务之一。本文提出了一种基于架空输电线走廊机载LiDAR点云的电力线三维重建方法。首先,基于电塔LiDAR点和初始线路轨迹数据提取精确的电塔位置、电塔数量、线路轨迹、总档数等信息;然后,将线路分档,并确定每一档的二维空间范围和相应的电力线LiDAR点云;接着,分别对每一档的电力线LiDAR点云进行中心化投影,并利用k-means聚类将每一个电力线LiDAR点划分到相应的根;最后,利用直线和抛物线相结合的模型进行单档单根电力导线三维重建。两景试验表明,本文方法可以实现自动、高精度、正确的重建长距离架空输电线走廊电力线三维模型,重建过程中具有对电力线数目、空间配置结构、类型、粗差点、档距长度、点云不规则断裂等因素不敏感的优势。     

基于LIDAR点云数据的电力线提取和拟合方法研究

从LIDAR电力线扫描数据的高程分布特点出发,提出了基于点云高程数据平面投影的电力线提取和拟合算法。首先通过高程自动阈值分割初步剔除地面点;其次,通过高程投影和重采样将高程分布转换为高程值影像,在影像空间通过直线检测实现电力线提取和拟合;最后,提出了基于数学形态学的电塔分割和潜在危险地物检测。通过对LIDAR点云数据电力线提取和拟合试验表明,本文算法能较好地实现电力线拟合、电塔提取及危险地物检测,可用于基于LIDAR的电力巡线。     

机载激光雷达数据中电力线的快速提取

针对当前机载LiDAR技术在电力巡线应用中对电力线数字模型高精度和快速重建的需求,该文提出一种高效的电力线点云分类方法。首先基于局部范围点的高程统计直方图,实现电力线点的快速粗提取;然后运用随机抽样一致性算法剔除残留的电塔点,结合点云高程统计进一步剔除绝缘子点,实现电力线点的精提取;最后利用同一垂直面内电力线点的高程分布特性,实现单根电力线点的快速提取。基于实际输电线路机载LiDAR数据的实验结果表明,该方法可实现电力线点的快速、高精度提取:粗分类后的电力线点中仅含约10%的非电力线点;精分类后约有2%的电力线点被误分为绝缘子点,最终各条电力线点的提取比率平均为98%以上。     

融合CNN和MRF的激光点云层次化语义分割方法

三维点云语义分割的结果包含着对场景中多个目标的识别,是三维场景信息提取的重要环节,在智慧城市等多个领域扮演关键角色.由于三维激光点云数据量庞大、场景复杂性高等问题,大多数现有方法只能以相对较低的识别率提取有限类型的对象.本文提出了一种在三维激光点云场景中结合残差学习和马尔可夫随机场(MRF)优化的层次化多类型目标自动提取框架.该框架首先将点云滤波为地面点和非地面点;然后从非地面点中提取建筑物以降低场景复杂度;接着基于现有深度模型引入残差学习模块对剩下点云进行逐点分类;最后采用马尔可夫随机场进行后处理和分类结果优化,以提高激光点云语义分割的准确率.对3个室外大规模点云场景分别进行的试验结果表明,本文方法可以对多种类型的点云场景进行有效语义分割,每个数据集的3项指标(召回率、精确度和F1值)分别为(94.6％、96.8％、95.7％)、(88.5％、90.5％、89.2％)和(95.3％、95.2％、95.3％).此外,与现有较前沿方法相比,本文方法显著提高了语义分割性能.     

一种改进的空间上下文点云分类方法

考虑到点云数据具有线性分布和密度不均匀的特点,以及现有复杂场景点云分类方法中缺少对非局部空间上下文信息的有效利用,提出了一种改进的空间上下文点云分类方法。该方法在提取点云数据顾及曲率的自适应邻域的基础上,首先估算点云局部特征与依赖性空间上下文,并基于超级体素提取分布性空间上下文,最后采用高阶条件随机场模型,实现对点云数据的自动分类,避免了利用单一点云局部特征分类的局限性。试验结果表明,本文方法能够有效提高点云数据地物分类精度。     

激光雷达点云电力线自动提取算法

针对当前电力线提取方法自动化程度和精度不高的问题,本文从点云数据的空间分布特征出发,提出了一种高效的电力线自动提取方法。首先基于自然裂点法,将点云数据按高程分类后去除地面点;然后对数据进行空间划分,基于子空间的点密度及空间结构特征的差异化,利用地物分割算法去除电塔点和残留的植被点;最后利用基于欧氏距离分割的电力线自动检测算法,实现单根电力线的快速、高精度提取。提取结果和拟合试验表明,该方法能在复杂地形下实现电力线的自动提取,极大提高了电力线的提取效率和精度。     

基于马尔可夫随机场的模糊c-均值遥感影像分类

针对模糊c-均值聚类方法对初始值敏感,且在聚类时忽略空间相关信息的不足提出一种基于马尔可夫随机场的模糊c-均值聚类方法,该方法用马尔可夫随机场来描述像元的空间相关性,形成顾及空间相关的模糊c-均值分类方法。初始值依据第一主成分的密度函数确定,既克服对初始值的依赖性,又在聚类的时候考虑空间相关信息。通过实例数据验证,所提出的方法分类精度优于传统的模糊c-均值模型。     

基于线性体素分割的机载LiDAR点云数据电力线提取

提出了一种基于线性体素分割的机载LiDAR点云电力线自动提取方法.该方法首先基于八叉树结构对海量三维点云数据进行体素化处理,再对体素点云进行线性检测,并结合马尔可夫随机场(MRF)对线性体素进行分割.然后在分割得到的线性段中,通过杆塔和电力线之间上下文关系的先验知识对杆塔进行精度定位,获取杆塔连接线边集.最后,通过设定的圆柱形搜索框,对边集周围的线性段进行识别,提取出电力线点云.为了验证本文方法的有效性,对江苏省电力设计院提供的在山区复杂场景中采集得到的3块机载LiDAR数据进行试验.结果表明,本文方法能够从LiDAR点云数据中提取出较为完整的电力线,提取的平均质量达到了92.6％,对电力线的风险管理具有较高的应用价值.     

电力巡线LiDAR点云电塔自动定位和提取算法

针对电力巡线机载激光雷达（LiDAR）激光点云电塔自动提取问题，提出了一种电塔自动定位和点云提取算法。首先，基于点云进行二维空间网格划分，利用网格点云高程偏差和方差特征提取潜在电塔网格；其次，基于电塔点云的高程连续特性完成电塔自动定位和点云粗提取；然后，利用点云分层密度信息和图像开运算，实现电塔精细提取；最后，利用轻小型无人机载激光雷达数据验证本文算法的有效性。试验结果表明，本文所提出的自动提取算法，能够有效解决LiDAR数据中电塔自动定位和点云提取问题，在LiDAR数据质量较差时仍能够取得良好效果，算法对于噪点数据具有较强的稳健性。本文所提出的电塔自动提取算法在LiDAR电力巡检数据处理中具有一定的应用价值。     

基于深度残差网络的机载LiDAR点云分类

机载LiDAR点云的分类是利用其进行城市场景三维重建的关键步骤之一。为充分利用现有的图像领域性能较好的深度学习网络模型,提高点云分类精度,并降低训练时间和对训练样本数量的要求,本文提出一种基于深度残差网络的机载LiDAR点云分类方法。首先提取归一化高程、表面变化率、强度和归一化植被指数4种具有较高区分度的点云低层次特征;然后通过设置不同的邻域大小和视角,利用所提出的点云特征图生成策略,得到多尺度和多视角点云特征图;再将点云特征图输入到预训练的深度残差网络,提取多尺度和多视角深层次特征;最后构建并训练神经网络分类器,利用训练的模型对待分类点云进行预测,经后处理得到分类结果。利用ISPRS三维语义标记竞赛的公开标准数据集进行试验,结果表明,本文方法可有效区分建筑物、地面、车辆等8类地物,分类结果的总体精度为87.1%,可为城市场景三维重建提供可靠的信息。     

单频机载激光测深海陆回波自动分类方法EI北大核心CSCD

海陆回波分类是机载激光测深中的一项波形预处理步骤,关系着后续信号检测和点云生成的精度。针对现有海陆回波分类方法不适用于单频机载激光测深系统且自动化程度不高的问题,本文提出一种单频机载激光测深海陆回波自动分类方法:首先,通过首末回波信号检测及点位计算获得回波的点云高程特征;然后,采用高程直方图拟合的方式确定平均水面位置,依据点云高程特征判定大部分回波的海陆属性,对余下的未定回波,仅保留其中的最强信号并统一处理为单信号回波,同时提取波形的信号特征和能量分布特征,依据点云高程特征的相似性自动建立训练样本集;最后,利用支持向量机分类器实现未定回波的分类。采用国产系统Mapper5000采集的实测数据进行试验,结果表明基于首末回波点云的初分类可快速、准确地对远离海陆交界处的回波进行分类,基于波形特征的未定回波分类可在自动建立的训练样本集支持下实现海陆交界处未定回波的高精度分类。与传统方法相比,本文方法无须近红外通道波形和人工样本的辅助就可以达到较高的分类精度,其中总体分类精度可达99.82%,海陆交界处分类精度可达91.59%。     

机载激光点云数据中电力线自动提取方法

提出了一种从机载激光点云数据中自动提取电力线的方法。首先利用顾及地形起伏特征的机载激光点云自动滤波方法移除地面点,利用维数特征以及方向特征自非地面点中分割获得电力线激光点云;然后对获取的电力线点采用二维霍夫变换和最小二乘拟合的方法求取每条电力线的中心线方程,根据中心线方程求取每条电力线上的激光点完成单电力线目标提取,并考虑了电力线在水平投影面内重叠时的情况;最后根据分块质心解算方法生成每条电力线上的三维节点,输出电力线矢量。采用实际线路巡检实验采集的机载激光点云数据进行实验,实验结果表明,该方法能从机载激光点云数据中提取出完整的电力线,并具有较好的鲁棒性,对电力巡线具有一定的实际意义。     

利用LiDAR点云强度的十字剖分线法道路提取

由于道路与地面在空间上表现相近,因此,仅用空间坐标无法从LiDAR数据中直接提取道路。机载激光扫描系统在获取对象三维信息的同时,也记录了激光经由反射的强度信息,因此能从空间坐标和辐射两个方面表现地物的特性。结合这两种相对独立的信息在激光扫描数据中进行道路提取,提高了提取结果的稳定性。首先利用激光扫描数据的高程滤波去除非地面点;再通过强度信息进行阈值分割得到包含干扰的初始道路区域;然后,利用两组十字剖分线检测初始区域在4个方向的狭长性与宽度一致性,使得狭长状、区域宽度较一致的道路区域同干扰区域具有不同的权值,从而提取真正的道路区域;最终通过对道路区域的细化和平滑,得到道路中心线。实验表明,该方法能够较好地在LiDAR数据中提取出道路并得到道路中心线。     

顾及空间上下文关系的JointBoost点云分类及特征降维

随着激光雷达技术的发展及广泛应用,点云数据的分类及理解成为了目前一个研究热点。本文研究了较复杂的电力线路走廊场景的点云自动分类方法,目标类别为地面、植被、建筑物、电力塔、电力线等。本文首先归纳、定义了点云分类所需的关键特征,并利用JointBoost实现地物分类;同时,考虑到点云数据量大,其分类速度较慢,本文结合地物空间上的相互关联关系,提出了一种序列化的点云分类及特征降维方法。该方法在保证分类精度的前提下,使分类所需特征维数降低,缩短了分类所需时间。实际的电力线路走廊的激光扫描点云数据分类实验证明本文研究的分类方法的有效性。     

Eigen-feature analysis of weighted covariance matrices for LiDAR point cloud classification

The features used in the separation of different objects are important for successful point cloud classification. Eigen-features from a covariance matrix of a point set with the sample mean are commonly used geometric features that can describe the local geometric characteristics of a point cloud and indicate whether the local geometry is linear, planar, or spherical. However, eigen-features calculated by the principal component analysis of a covariance matrix are sensitive to LiDAR data with inherent noise and incomplete shapes because of the non-robust statistical analysis. To obtain reliable eigen-features from LiDAR data and to improve classification accuracy, we introduce a method of analyzing local geometric characteristics of a point cloud by using a weighted covariance matrix with a geometric median. Each point is assigned a weight to represent its spatial contribution in the weighted principal component analysis and to estimate the geometric median which can be regarded as a localized center of a shape. In the experiments, qualitative and quantitative analyses on airborne LiDAR data and simulated point clouds show a clear improvement of the proposed method compared with the standard eigen-features. The classification accuracy is improved by 1.6–4.5% using a supervised classifier.     

LiDAR 在四川某地电力选线项目中的应用

机载激光雷达（ LiDAR）技术的快速发展为获取高时空分辨率的地球空间信息提供了一种全新的技术手段。笔者在某市电力选线项目中利用机载激光雷达技术,获得高精度点云,根据点云建立三维模型,并通过大量外业采集数据进行精度检核,最后将生成产品导入电力选线软件中,实现了在室内完成电力选线工作。实验表明,在电力选线项目中,利用机载激光雷达技术提高了作业效率,具有广阔的应用前景。     

高光谱-LiDAR多级融合城区地表覆盖分类

城市地区地表覆盖分类在城市研究中是一个十分重要的方向。遥感作为获取地物物理属性的一种重要技术手段,已初步应用于分类研究中。然而,随着城镇化的不断推进,城市内部地物类型越来越复杂,单一的遥感影像已无法满足城区地表覆盖分类中高精度的要求。高光谱影像和LiDAR数据能够分别表征地物的光谱信息及高程而被广泛应用。因此,根据两者之间互补的优势,本文提出了基于高光谱影像和LiDAR数据多级融合的城区地表覆盖分类方法。首先对两幅影像分别进行特征提取,将提取到的光谱、空间及高程信息进行层叠实现特征级融合。对得到的特征影像的所有像素点进行分类,然后利用LiDAR点云数据提取的建筑物掩膜,对非建筑物部分进行分类,再次实现特征级融合,以此改善建筑物区域与非建筑物区域的混淆。然后将未使用掩膜得到的分类结果与利用掩膜得到的分类结果进行投票实现决策级融合。最后利用条件随机场模型对分类结果进行后处理操作,达到平滑图像去除噪声点的目的。     

Tree species classification using UAS-based digital aerial photogrammetry point clouds and multispectral imageries in subtropical natural forests

Tree species composition of forest stand is an important indicator of forest inventory attributes for assessing ecosystem health, understanding successional processes, and digitally displaying forest biodiversity. In this study, we acquired high spatial resolution multispectral and RGB imagery over a subtropical natural forest in southwest China using a fixed-wing UAV system. Digital aerial photogrammetric (DAP) technique was used to generate multi-spectral and RGB derived point clouds, upon which individual tree crown (ITC) delineation algorithms and a machine learning classifier were used to identify dominant tree species. To do so, the structure-from-motion method was used to generate RGB imagery-based DAP point clouds. Then, three ITC delineation algorithms (i.e., point cloud segmentation (PCS), image-based multiresolution segmentation (IMRS), and advanced multiresolution segmentation (AMRS)) were used and assessed for ITC detection. Finally, tree-level metrics (i.e., multispectral, texture and point cloud metrics) were used as metrics in the random forest classifier used to classify eight dominant tree species. Results indicated that the accuracy of the AMRS ITC segmentation was highest (F₁-score = 82.5 %), followed by the segmentation using PCS (F₁-score = 79.6 %), the IMRS exhibited the lowest accuracy (F₁-score = 78.6 %); forest types classification (coniferous and deciduous) had a higher accuracy than the classification of all eight tree species, and the combination of spectral, texture and structural metrics had the highest classification accuracy (overall accuracy = 80.20 %). In the classification of both eight tree species and two forest types, the classification accuracies were lowest when only using spectral metrics, indicated that the texture metrics and point cloud structural metrics had a positive impact on the classification (the overall accuracy and kappa accuracy increased by 1.49–4.46 % and 2.86–6.84 %, respectively).     

激光点云输电线精细提取的残差聚类法

针对输电线点云数据中存在缺失、噪声等复杂环境,提出了一种基于模型残差聚类的激光点云电力线精细提取方法。首先根据归一化高程阈值分割去除近地面点,在此基础上,采用自适应维度特征和方向特征粗提取电力线点;然后以抛物线模型为约束条件,采用改进的建模方法,确定模型残差并对其进行密度聚类,根据聚类结果实现单根电力线精细提取;最后讨论了关键参数的选择对提取结果的影响。两景实测数据试验表明:该方法能快速实现点云部分缺失、噪声干扰等复杂环境下的电力线精细提取,无须电力线数目、点云密度等先验知识,对不同类型分裂导线提取均具有很好的适用性。单根电力线提取准确率达99.17%以上,模型误差最大值为0.167 m,中误差最大值为0.079 m。