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%。     

顾及空间自相关特征的机器学习水深反演方法研究

基于多光谱影像的水深反演方法是获取近岸水深信息的高效手段,然而反演精度低一直是制约其广泛应用的瓶颈。本文聚焦于实测水深与多光谱数据自身的空间自相关特性,提出在机器学习框架下将学习样本的空间自相关特征与统计互相关特征相结合,以提高水深反演精度。西沙北岛海域的实验结果表明:在实测数据量较小的情况下,相比传统机器学习,顾及自相关特征的新方法可获得18%的精度提升;而当实测数据量充足时,精度提升可达到27%。结果表明,将数据源的空间自相关特征融入机器学习算法中,可显著提升多光谱水深反演结果的精确性,进而为浅海海洋研究提供有效数据支撑。     

机载LiDAR点云密度和插值方法对DEM及地表粗糙度精度影响分析

机载LiDAR点云是获取高质量数字高程模型(Digital Elevation Model, DEM)的主要数据源,而地表粗糙度作为DEM的主要派生产品,在地学研究中发挥了重要作用,但点云密度和插值方法对DEM及地表粗糙度精度影响程度并没有明确结论。为此,本文利用不同地形条件下的林区机载LiDAR点云为实验对象,将原始点云随机缩减为不同的采样密度,利用5种常用插值方法(克里金(Ordinary Kriging, OK),径向基函数(Radial Basis Function, RBF),不规则三角网(Triangulated Irregular Network, TIN),自然邻域(Natural Neighbor, NN)和反距离加权(Inverse Distance Weighting, IDW))构建各个测区不同采样密度条件下的DEM,并通过空间特征和统计特征两方面对DEM及其地表粗糙度精度分析。结果表明:(1) DEM插值算法的精度随点云密度缩减而降低,且数据量缩减至原始数据量的30%后,不同算法精度区别较为明显,其中,RBF和OK精度最优,IDW精度最低;(2) DEM误差与...