一种自适应数学形态学LiDAR点云滤波方法

在Li DAR点云滤波算法当中,数学形态学滤波是其主要方法之一。传统的数学形态学在迭代次数、高程阈值的选取上,通常是通过人工依靠经验设置滤波参数,因此算法具有很大的盲目性。这里通过分析在不同迭代次数下滤波前后地面点云数目的变化特点,以及高程阈值与点云密度的关系,提出了一种自适应数学形态学滤波算法。采用不同地形的Li DAR数据对算法进行了实验分析,验证了算法的可行性。     

基于扫描线和虚拟格网的LiDAR点云数据非兴趣点剔除方法

非兴趣点的剔除,主要工作是将高程突变的单点、点簇,以及建筑物非顶部点云予以剔除,是机载LiDAR数据预处理的重要环节,也是建筑物提取的基础.文中分析LiDAR数据中非兴趣点的特点,针对传统基于扫描线剔除方法在剔除建筑物非顶部点云中存在的不足,提出一种基于扫描线和虚拟格网相结合的非兴趣点剔除方法.实验结果表明,算法能够有效地剔除非兴趣点,同时减少误剔除率.     

基于GPGPU的数学形态学LiDAR点云快速滤波方法

对机载激光雷达获取点云数据进行滤波时,因其数据量大,往往会耗费很多时间。在传统数学形态学LiDAR点云滤波方法基础上,提出利用基于GPU的并行技术,将大量密集运算分配到众多计算单元上并行执行,达到快速滤波的目的。通过相应的实验,验证了利用GPU并行计算技术实现的LiDAR点云快速滤波的正确性与可行性。