基于云模型和FCM聚类的遥感图像分割方法

模糊C均值算法由于具有良好的聚类性能而被广泛应用于图像分割领域,但聚类中心的初始化问题一直影响着该算法的运行效率。好的初始聚类中心,可以使算法很快收敛于最优解,而不合适的初始聚类中心,不仅需要更多的迭代次数,而且还可能使算法最终收敛于局部最优解。文章结合云模型和FCM(模糊C均值)聚类算法,提出了一种遥感图像分割的新方法。利用云变换解决模糊C均值聚类算法的初始化中心选择问题,可以根据样本特性自动确定聚类中心值及个数,并以较少的迭代次数收敛到全局最优解,提高了模糊C均值遥感图像分割方法的效率,具有较好的稳定性和鲁棒性。文章选取三幅TM遥感图像作为样本,分别利用云模型的FCM方法和传统的FCM方法对样本进行分割实验,实验表明采用云模型的FCM方法不仅能够取得较好的分割效果,而且大大减少了使算法收敛的迭代次数,提高了分割的效率。     

空间聚类有效性评价方法对比与研究

空间聚类是当前地球信息科学与计算机科学领域共同关注的热点问题之一,常用来揭示空间数据分布规律以及发现空间数据异常。空间聚类有效性评价即对空间聚类结果进行定量、客观的评判,对于在实际应用中针对不同数据集选取最优的空间聚类算法以及确定最佳的聚类参数具有重要意义。首先选取并编程实现了数种空间聚类有效性评价方法,包括聚类中心的距离矩阵、距离方差、改进Hubert's统计、Davies-Bouldin、Calinski-Harabasz和基于信息论的空间聚类有效性评价方法等,同时提出了顾及簇间分离度和簇内紧凑度的空间聚类有效性评价方法,并通过试验分析验证了其可行性及有效性。然后在K-Means法对数据集进行聚类的基础上,对比研究了前述聚类有效性评价方法的特性及优缺点。     

基于地基LiDAR点云数据插值方法的对比研究

以冷龙岭断裂上一处典型地貌点云数据为例,采用最邻近法、距离反比法、不规则三角网法、样条函数法、克里金法等5种插值方法进行遗漏点云插值填充,研究并探讨最合适的插值算法。结果表明,不规则三角网插值法不仅可以很好地填充点云遗漏数据,还可以按照实际地形变化精确表示其高程数据并还原野外的真实场景,为后期的研究提供数据保证。     

一种基于点云数据的三维建模方法研究

无人机倾斜摄影测量是利用多旋翼无人机到实地航拍影像,再经过软件自动化建模生成实景三维模型,因此具备很高的真实性,也能够测量更广阔的范围,但是容易缺失数据。三维激光扫描技术是采用非接触式高速激光测量方式,快速地获取测量对象表面几何特征的重要技术手段。     

利用实时路况数据聚类方法检测城市交通拥堵点

 城市交通拥堵严重制约其网络总体效率。开展检测交通拥堵点可有效识别网络瓶颈,以整治交通拥堵现象。对此,本文提出一种新的城市交通时空拥堵点检测的方法:即采用实时路况数据,通过定义时空关联,检测时空意义上长期性、规律性交通拥堵点。本文基于DBSCAN(Density-Based Spatial Clustering of Applications with Noise)算法,以成都市为试验区,实现了这种拥堵点检测方法。试验表明,该方法可快速、有效、准确地检测出城市道路严重拥堵路段,并确定其拥堵时空范围,为交通管理、交通拥堵机理分析、交通拥堵预测等提供参考。     

三维海量点云数据的组织与索引方法

三维点云是三维GIS重要的数据来源,也是三维GIS对地学空间对象、现象进行表达、描述以及建模的重要手段。点云数据的高效组织是对其进行各种分析处理的基础,为此本文在对三维坐标点按照一定的规则进行排序的基础上,采用规则空间八叉树与平衡二叉树相结合的嵌套复合结构进行组织,大大加速了三维点数据基于坐标的查询检索,为海量点云数据的进一步分析操作奠定了基础。最后,文中对该复合组织结构进行了内外存相统一的设计与实现,并验证了该方法的正确性及有效性。     

基于机载点云数据的高精度水域DEM快速生成方法

由于水域内机载点云数据稀疏或缺失,在生产高精度DEM时需要对水域区域进行分别处理,人工操作工作量大,且难以保持水域内DEM高程的自然平缓过渡。目前将水域和其他区域分开处理的DEM数据生产方法,不仅增加了数据处理的难度和工作量,也会引入水域和其他区域的DEM接边误差,影响数据质量。为此,提出一种基于机载点云数据的高精度水域DEM快速生成方法。该方法首先利用水域边界与原始机载点云数据,通过分段插值拟合生成水域内点云数据;进而,将插值生成的水域点云数据与原始点云数据进行合并获得完整点云数据;最后,利用合并后的完整点云数据生产高精度DEM数据。通过实验分析发现,该方法能够实现水域与其他区域的DEM一体化生产,提升DEM数据处理自动化水平,且能保证水域DEM的高程精度与自然平滑过渡要求。     

车载激光扫描数据路坎点云提取方法

车载激光扫描系统能够快速准确地获取街道环境的点云数据,但由于扫描点云的点密度高、数据量大、空间分布不均匀、地物相互遮挡及城市街道环境复杂等特点,难以直接从原始点云数据中提取出路坎点云。本文首先通过分析路坎点云的空间分布特征和局部几何特征,构建包含相对高程、法向量方向、多尺度高程差及多尺度高程方差的点云特征向量;然后,采用SVM提取城市街道环境车载激光扫描数据中的路坎点云,并对提取结果进行聚类去噪,优化路坎点云。最后,通过Street Mapper 360系统和Lynx Mobile Mapper V100 系统采集的4份不同城市街道环境车载激光扫描数据对本文方法进行验证,其中路坎点云提取结果的完整度均超过了94.99%、准确度均超过91.88%、精度亦均达到了90.55%以上。实验结果表明,本文方法能够精确地提取复杂城市街道环境中规则或不规则的路坎点云,且具有较强的稳健性,适用于各类复杂的城市街道环境。     

一种新的散乱点云数据多级空间索引

散乱点云数据具有数据量大（海量性）、数据表达精细（高空间分辨率）、空间三维点之间无拓扑关系（散乱性）等特征,在对其进行应用前必须进行数据预处理（如去噪、配准、分割等）。而在这些数据处理过程中需频繁的进行邻域查找,如果没有高效的查询索引机制,很难实现数据自动处理。因此,如何进行数据的组织和索引,以提高后续邻域检索和查询等操作的速度,是目前点云数据处理中的一个研究热点。针对现有点云数据采用的空间索引方式的优缺点,本文提出了一种多级格网和KD树混合的空间索引,该索引提出变分辨率格网索引与KD树的混合索引模式,简称MultiGrid-KD树索引。该方法在保持网格索引算法实现简单查询效率高等优点的同时,解决了单一分辨率数据冗余的问题。以故宫太和殿的点云数据为例,对本文提出的MultiGrid-KD树索引算法和KD树、八叉树等经典算法做对比。结果表明,本文索引方法在最邻近点查询以及四邻域查询的效率上均优于KD树,以及八叉树索引。     

基于改进RANSAC算法的复杂建筑物屋顶点云分割

屋顶模型重建影响到建筑物完整模型重建质量,屋顶面点云分割质量对屋顶模型重建具有重要意义.针对传统RANSAC算法在屋顶点云面片分割时易产生错分割、过分割等问题,本文顾及点云位置信息,提出一种对点云重新分配的改进RANSAC点云分割算法.算法暂时剔除非平面内点,选取平面内点集中3个点作为初始样本,平面拟合判定邻域是否有效...     

高光谱遥感数据波谱相似性模糊聚类方法研究

高光谱遥感数据的聚类是定量遥感研究的热点。为提高其聚类精度,将光谱相似性测度与模糊动态聚类法有机结合,构建四种模糊聚类新方法：光谱角度-模糊聚类法、光谱信息熵-模糊聚类法、光谱角度与光谱信息熵混合-模糊聚类法与海明距离-模糊聚类法。以实测植被高光谱信息为数据,利用该四种方法进行比较分析其聚类精度。实验结果表明光谱角度与光谱信息熵混合模糊聚类法以及光谱角度模糊聚类法的聚类精度均相对其他几种方法较好,是最有效高光谱遥感聚类方法。为今后该领域的方法的进一步研究提供一种借鉴与参考。     

改进的最小生成树自适应空间点聚类算法

针对传统的最小生成树聚类算法存在使用全局不变阈值确定噪声边,聚类需要用户根据经验确定初始化聚类参数,如“边权值倍数容差”,“边长变化因子”等,聚类不能发现局部噪声的问题,本文提出了一种改进的最小生成树自适应空间点聚类算法。该算法在无需用户输入参数的前提下,克服主观因素的影响,根据最小生成树边长的数理统计特征定义裁剪因子。算法首先从宏观层面对最小生成树进行首轮删枝操作,消除全局环境下的噪声边,进而根据各子树的边长统计情况,自适应设定局部裁剪因子,进行第二轮删枝操作,消除局部环境下的噪声边。最后,采用1个模拟数据和1个实际应用验证算法的有效性,结果表明本文提出的改进算法在无需人为提供经验参数的环境下能够发现任意形状、不同密度的簇,能够准确的识别出空间点中的噪声数据,从而能够实现空间点数据背后隐藏信息的自动挖掘。     

基于点云的管道三维自动建模方法研究

随着我国城市地下空间的不断建设,各种类型的管廊已经成为社会和人们生产生活中不可缺少的物质条件。本文针对市政基础设施、地下空间中错综复杂的管道难以观测和三维建模的问题,采用三维激光扫描技术获取管廊的点云数据,并对点云数据中存在的噪点采用拉普拉斯算法进行去除,以提高管道中心线的提取效率。在此基础上提出一种基于RANSAC算法的管道中心线提取方法,并对提取的中心线进行等平面处理,基于OpenGL和MFC框架开源库结合RANSAC算法研发了利用点云进行管道三维自动建模模块,并实现了复杂管道的可视化。     

基于Kriging算法与曲面拟合的三维激光扫描点云数据插值研究

运用Kriging算法的无偏、方差最小等优点,提出一种新的变异函数参数估计方法,并与曲面拟合法结合,对点云数据进行插值.实例分析表明了两者结合在点云数据插值应用中的有效性和实用性.     

回波强度约束下的无人机LiDAR点云K-means聚类滤波

针对目前无人机激光雷达点云滤波过程中存在的效率低、误分割和精度差等问题,本文在对点云三维坐标进行K-means聚类得到不同聚类结果的基础上,引入最大-最小标准化方法对不同聚类结果的点云回波强度原始值进行标准化,得到 0-1范围回波强度规则值。针对不同聚类结果选择不同范围的回波强度规则值得到对应地面点云,以提升研究区点云的滤波精度并减少其地面点云的数据量。同时,对比利用K-means聚类对三维坐标和回波强度原始值进行滤波的结果。结果表明：对研究区点云去噪、抽稀预处理后得到107 372个点云数,利用K-means方法对三维坐标和回波强度原始值进行聚类滤波得到地面点数为66 713个,占点云总数的62.133%。通过使用本文方法可剔除过分割地表植被点13 648个,得到地面点云占点云总数的49.422%。该方法能够较好地保持地形轮廓并降低地面点云的数据量,从而为后期快速建立高精度DEM奠定基础。     

融合多特征的轨迹数据自适应聚类方法

轨迹聚类是空间数据挖掘领域的一个研究热点,对城市交通规划、路网结构提取与更新等具有重要意义。轨迹聚类包括轨迹相似性度量和聚类参数设置2个核心问题。然而,由于轨迹的形态结构特征复杂,现有轨迹相似性度量指标存在对噪声敏感或未充分考虑轨迹运动方向一致性的问题,且大多数聚类算法仍需人为设置参数,聚类挖掘结果的质量受到用户主观经验的影响。针对上述问题,本文提出了一种融合多特征的移动轨迹自适应聚类方法。首先,通过融合轨迹的空间邻近性和运动方向特征定义了一种对噪声鲁棒的轨迹相似性度量指标—DSPD距离;在此基础上,通过扩展Ward层次聚类方法提出了一种基于中心轨迹概念的空间层次聚类算法,该算法使用DSPD距离作为相似性度量指标,利用聚类特征曲线自动确定最佳聚类参数。以11组模拟轨迹数据和武汉市真实轨迹数据为例进行实验与分析,结果表明,本文方法在顾及空间邻近性的基础上,可以有效区分不同移动方向的轨迹簇,同时,利用轨迹数据特征自动确定聚类参数,降低了挖掘结果的主观性。     

基于区域特征分割的密集匹配点云渐进形态学滤波

随着计算机视觉和遥感技术的进步,基于遥感影像的密集匹配也成为目前获取高精度点云的重要手段之一。与LiDAR点云类似,点云数据处理的基础步骤就是点云滤波。在数据特征上,密集匹配生成的点云与LiDAR获取的点云既类似但又有区别。本文在渐进形态学滤波算法上添加了特征条件,将点云和图像结合成深度图像,并对深度图像按典型地物类型进行语义分割,从而对与图像平面坐标一致的点云进行标记和首次滤波;然后按几何特征将场景简单分类,按分类结果对应的参数滤波构建地面点三角网;最后综合初滤波结果和语义分割类型标记对特征相似的区域进行优化确认,得到最终的滤波结果,并与布料模拟滤波（CSF）算法进行了对比验证实验。结果表明,基于特征的渐进形态学滤波其I类误差在1.98%以内,Ⅱ类误差在2.33%以内,较适宜对精度要求较高的应用,尤其是混合地形的滤波。     

基于车载点云数据的实景可量测技术研究

车载激光扫描系统集成激光雷达扫描技术、定位定向技术、全景获取技术于一身,可同时获取空间三维信息以及纹理信息,在数字城市信息化建设中发挥重要作用。该文通过分析车载激光扫描数据成果,将激光点云作为空间量测支撑数据,实现三维实景可量测功能,在文中详细的阐述可量测原理以及实现实景量测的关键技术,并基于Direct X开发出可量测实景应用实例,为可量测实景服务奠定基础。     

基于误差熵的点云简化方法

点云简化很难完全保证精度、简化率和速度上都达到最优。针对不同的表面特征状况,提出一种自适应点云简化算法。利用经典的PCA方法来估计点的法向量,计算法向量与参考平面的夹角,针对表面特征的不同,采用法向量夹角的熵来确定表面的特征状况。针对不同的表面特征来设置不同的简化率,从而获得较适宜的简化效果。实验表明,该方法在简化精度、简化率和速度上能达到一种平衡。     

基于形态学与区域生长的机载LiDAR点云数据滤波

针对形态学滤波存在的地形过度腐蚀以及区域生长滤波需要大量地面种子点的问题,提出一种点云数据由粗到精的两级滤波策略。对机载LiDAR点云数据进行多尺度形态学滤波得到粗略DEM("粗滤波"),由此可提供大量的地面种子点用于区域生长,进而得到精细DEM("精滤波")。利用ISPRS提供的滤波数据进行测试,结果表明,该滤波算法对地形适应性较强,可有效保证地形特征,具有更好的稳健性。