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。采用两种密度不同的点云数据集对所提算法进行了验证,并将结果与两种坡度滤波算法及国际摄影测量和遥感学会提供的经典算法进行对比,实验表明所提算法整体滤波结果较好,稳定性更高,且适用于不同场景的点云数据。     

赋形旋转抛物面天线母线自适应分段拟合

赋形旋转抛物面天线母线拟合常用的方法包括多项式整体拟合和等间隔分段拟合,多项式整体拟合结果阶次高、计算量大,且高阶多项式在边缘处拟合的结果容易振荡;而等间隔分段拟合则是对母线数据按等间隔分段,分段方式具有一定的盲目性,容易造成拟合参数多、光滑性差等问题.针对上述问题,提出了一种基于母线拟合残差分布的自适应分段拟合方法,该方法包括初始整体拟合和分段拟合两步,初始整体拟合用以确定各离散点的拟合残差分布,分段拟合先参照残差分布情况对离散点数据分段,然后采用低阶多项式对各段数据进行拟合.经过实例拟合对比,该方法可避免高阶拟合的不稳定性,减少了分段数,更适用于赋形旋转抛物面天线母线的拟合.     

融合点、体素和对象特征的多基元点云分类

单一基元分类方法难以全面描述复杂的点云场景,采用多基元进行分类成为一种趋势,提出了一种融合点、体素和对象特征的点云分类方法。主要包括4个方面：① 分别确定各层面分类基元,点基元方面采用最优邻域方法,体素基元方面基于八叉树方法进行体素划分,对象基元方面使用改进的多要素分割方法进行点云分割;② 提取各基元分类特征,首先提取点基元分类特征并进行局部线性约束编码(Locality-constrained Linear Coding, LLC),然后以此为基础提取体素基元和对象基元的潜在狄利克雷分布特征(Latent Dirichlet Allocation, LDA)和最大池化特征(Max Pooling, MP);③ 降低分类特征维度,利用随机森林变量重要性算法对分类特征进行筛选与降维;④ 进行点云分类,使用随机森林算法实现点云分类。采用3种不同类型的点云数据进行试验,结果表明融合3种基元特征的分类精度相比于点基元分类分别提升了1.43%、7.02%和2.48%,分类特征降维可以有效降低特征冗余度,分类器分类时间减少约70%;通过与其他算法的对比,新算法分类精度更优,且适用于多种场景点云数据的分类。