一种基于立方体小栅格的K邻域快速搜索算法

提出了一种新的基于立方体小栅格的K邻域搜索算法。首先,采用二次划分的方法将点云划分到相应的立方体小栅格中;然后,为采样点所在的立方体小栅格确定最终子空间、内子空间和外子空间,结合采样点的球空间,就能很快确定该采样点的K邻域的搜索范围。与已有方法相比,该算法具有更高的搜索效率。     

一种改进的点云边界快速提取方法

为进一步提高提取边界点的效率,提出了一种k-均值聚类与象限识别相结合的点云边界快速提取方法,通过k-均值聚类将点云划分为许多个子集群,根据三维格网划分方法探测出边界集群,在边界集群中通过象限识别提取出边界点。两组边界提取实验结果表明,本方法不仅能够提取到分布均匀的边界特征点,且与传统方法比较,效率更高。     

一种利用点云邻域信息的建筑物屋顶面高精度自动提取方法

从LiDAR数据中高精度地提取建筑物屋顶面是构建屋顶面拓扑关系、实现建筑物三维模型重建的关键。本文针对现有算法提取复杂建筑物屋顶面适应性较差、精度较低等问题,提出了一种利用点云邻域信息的建筑物屋顶面高精度自动提取方法。通过主成分分析计算点云特征,构建特征直方图,选取可靠种子点;利用提出的局部点云法向量分布密度聚类算法聚类种子点,快速准确地提取初始屋顶面片;构建基于邻域信息的投票模型,有效地解决屋顶面竞争现象。试验结果表明,本文方法可自动、高精度地提取屋顶面,对不同复杂程度的建筑物具有较好的适应性,能为建筑物三维模型重建提供可靠的屋顶面信息。     

一种基于点云数据快速生成建筑物断面图的方法

提出了一种基于点云数据快速生成建筑物断面图的方法,首先利用设计的裁剪面对建筑物断面进行截取,得到该断面的边缘点云数据,形成断面边缘点云的二维平面数据;通过改进的Hough变换算法提取出共线点云,并对共线点云进行去噪、分割;采用选权迭代法拟合提取出的线状点云数据,找出各条线段端点,进而对端点进行连线绘制断面图。编程实现了基于点云数据快速生成建筑物断面图的算法,通过工程实例验证了该方法的可靠性和实用性。     

一种中分辨率遥感影像道路的快速搜索算法

基于动态规划的思想,提出了一种用于中等分辨率遥感影像的道路搜索算法,利用线段代价最小规则进行道路线段跟踪,实验结果表明算法相对简单、快速有效、抗噪性能好。     

一种海面风场反演的快速风矢量搜索算法

本文以SeaWinds散射计为例，从最大似然估计的海面风场反演方法出发，根据其目标函数的一般分布特征，提出并实现了一种快速风矢量搜索算法。然后采用美国SeaWinds散射计的部分LA实测数据对该搜索算法进行了验证，并与常规算法对同一实验数据的反演偏差及运行时间进行了对比分析，结果表明该算法在能够保证反演精度的前提下，在较大程度上提高了运行效率。     

两种GNSS-R镜面反射点搜索算法

全球卫星导航系统反射(GNSS-R)技术对海洋表面地形精确信息的提取和研究具有重要意义,针对镜点搜索的精度需求,本文提出2种镜面反射点搜索算法. 首先,在分析基本反射关系的基础上,提出一种基于斐波那契法的搜索算法,并从数论的角度证明其相对黄金分割法的优越性. 其次,提出一种基于极值求导的做法,[JP2]建立变量K的距离和函数,这种做法省略了传统做法中的不断迭代过程. 最后,通过导航模拟器生成全球卫星导航系统（GNSS）卫星和接收机坐标,并利用MATLAB进行仿真. 仿真结果表明,斐波那契法相较黄金分割有一定的提升,极值求导做法能够计算出镜面反射点的位置信息,并且摒弃了传统的不断迭代步骤.      

附不等式约束平差模型的一种快速搜索算法

大地测量中常存在一些先验不等式约束信息,充分利用它们可以保证参数解的唯一性和稳定性。然而,现有的不等式约束平差算法主要是基于优化理论,算法通常比较复杂,需要选取有效约束或建立罚函数。在最小二乘平差准则基础上,把不等式约束看成是一个可行域,借助Fisher函数在可行域中快速搜索使误差平方和达到最小的最优解,推导出了可行解为最优解的充分必要条件。建立了基于Wolfe-Powell算法的非精确快速搜索算法,从而减小了搜索算法的计算量,得到了一种新的不等式约束平差计算方法。该算法的平差准则与最小二乘平差准则一致,不需要矩阵求逆运算,可适用于维数较大的平差问题解算。     

基于最优邻域局部熵的点云精简算法

针对传统的点云精简算法中不能良好保留细节特征的问题,提出一种基于最优邻域局部熵的点云精简算法.首先利用点云局部邻域协方差矩阵的3个特征值构造的维度特征,构建局部邻域信息熵函数,其次依据局部熵值最小原则确定最优邻域,然后根据最优邻域下计算的特征值间的关系,以及局部信息熵来剔除平坦区域数据点.通过模拟数据和实例扫描数据精简...     

海量散乱点云快速压缩算法

提出基于切片的海量散乱点云快速压缩方法,对点云进行分层生成切片点云,对每层切片点云使用弦高差法筛选利于表现形状的重要点,实现快速压缩。通过实验讨论参数对压缩结果的影响,并给出最佳参数值选择依据。对本方法和传统方法的压缩效果进行对比,证实本方法在实现高效压缩的同时能保留大量的特征细节。     

一种改进法向量估算的点云特征提取

针对传统主成分分析点云法向量估算存在精度不高、人工干预等问题,提出了一种改进的主成分分析法向量估算方法,并根据点邻域法向量标准差实现了离散点云特征提取,最后对关键参数K取值进行讨论.通过引入高斯核函数为邻域点集权值计算公式,削弱了距离较远点对采样点法向量精度影响;以信息熵最小化为约束条件自适应选择最佳邻域尺度R,较好的顾及了局部点云空间特征的差异性.实验结果表明:该方法能很好的实现点云特征提取,改进后的点云法向量估算顾及点云邻域复杂程度,具有普适性强、自动化程度高的特点,建议关键参数K取值范围12～20.研究对点云配准、数据精简及模型重构等点云预处理研究具有理论参考价值.     

一种新的激光点云数据精简方法

三维激光扫描技术是最近几年在测量方面发展起来的一个研究热点。提出利用点云模型中相邻三角形夹角的大小来对点云数据进行直接精简的方法,在matlab平台下,通过编程实现点云数据的压缩。将精简的点云数据通过编程重新构建三角网,最后在Geomagic软件中建模,通过与原始模型进行对比,新方法的压缩效果比较理想。     

一种机载LiDAR点云电力线三维重建方法

针对直升机激光雷达电力巡线中电力线三维重建方法研究的不足,文章提出一种长距离架空输电线路直升机激光雷达点云数据的电力线三维重建方法,它包括电力线激光雷达点云聚类、悬挂点检测和电力线三维建模等3个部分:首先运用3D连通成分分析分离出某一电力线的点;然后在XOY平面上对某一电力线的点进行线性拟合和格网索引,通过二阶导数分析分离出某一档某一根电力线的点;最后对单根电力线进行三维建模,且三维模型使用比例因子作为抛物线参数。实验表明,该方法在重建过程中对输电线走廊内线路数目、电力线的根数、电力线类型、电力线的空间配置结构、线路长度、线路曲率等因素不敏感,且具有效率高、重建精度高的优势。     

一种新的点云平面混合分割方法

为了同时提高点云平面分割效率与可靠性,提出了一种新的将区域增长与RANSAC相结合的点云平面分割方法。该方法通过对八叉树节点进行平面度测试实现种子平面的自动遴选,将节点平面参数作为区域增长约束得到初始分割结果。实验证明了该方法能够高效可靠地实现散乱点云平面分割     

顾及点云邻域特征的道路里程推算方法实现

提出车载测量系统获取点云进行公路里程推算方法,基于布料模拟滤波算法分类路面、非路面点云,以点云强度信息为标量并顾及点云邻域几何特征分割地面点云,采用八叉树连通聚类方法提取特征标线点云并以此构造路面中心线,制作ArcToolbox里程桩点提取工具来推算道路里程.实验表明本方法可快速分割标线特征点云并准确提取路面中心线,相比于传统的方法可更加准确地实现道路里程推算和桩点坐标提取.     

一种快速角点探测算子研究

基于SUSAN和角点几何结构分析的思想提出一种改进的快速角点探测算子.首先进行角点粗探测,然后再对粗探测的结果进行角点几何结构分析,即图像中的像元如果为角点,它必须满足角点的圈层结构.通常认为角点处各个方向上灰度差变化都较大,所以角点响应函数采用反映角点突出性的响应函数,使提取的角点含有更高的信息量.实验证明,本算法提取的角点定位准确,快速有效,可以适用于实时图像处理.     

自适应最优邻域尺寸选择的三维激光点云分类研究

针对三维激光点云分类中点特征提取邻域大小选择困难问题,本文基于自适应最优邻域尺寸选择实现三维激光点云精细分类.首先使用局部邻域协方差矩阵特征值得到的线性特征、平面性特征和散射性特征构造局部邻域熵函数,通过局部邻域熵函数取最小值时的最佳邻域尺寸计算点云特征描述参数;基于特征描述参数提取点云特征;最后根据递归特征消除法(R...     

利用局部几何特征与空洞邻域的点云语义分割

点云具有数据量大、无拓扑结构等特点,现有的深度学习语义分割模型难以充分挖掘大范围邻域内点云中所隐藏的几何特征。由此提出了一种基于空洞邻域并结合角度等几何特征作为模型输入的点云语义分割模型。首先,在局部邻域构建过程中,将图像处理的空洞卷积操作扩展至点云,建立空洞邻域结构,以扩大感受野;然后,在特征提取过程中,将中心点与邻域点之间相对坐标、距离、角度等基本几何特征作为模型输入,最大程度挖掘邻域内的几何特征;最后,基于所提邻域结构与特征提取算法构建了点云语义分割模型。采用Semantic3D数据集进行实验验证,结果表明,所提模型分割效果优于对比的点云语义分割算法,空洞邻域与局部几何输入特征能够有效改善点云语义模型的性能。     

融合自适应最优邻域和卷积神经网络的三维点云分类

针对点云分类中提取单个点自身特征所需的邻域尺寸选择,以及低层次特征设计烦琐且表达地物属性能力较弱等问题,本文提出了一种自适应选择单点最优邻域尺寸及学习泛化能力更强的深层次特征的三维点云分类方法。首先基于自适应最优邻域尺寸选择获得每个点的最优局部邻域信息,继而基于局部邻域信息提取点云低层次特征;然后设计一种以待分类点低层次特征为输入的卷积神经网络模型,学习能反映目标地物内在属性的深层次特征并实现分类;最后采用拓普康公司三维点云数据集进行试验,该数据集通过一个配备TOPCON GLS-2200三维激光扫描仪的移动平台获得。试验结果表明,本文方法分类的总体精度达90.48%,优于文中其他点云分类方法。