共查询到10条相似文献,搜索用时 109 毫秒
1.
2.
针对三维激光扫描技术在获取巷道内壁点云数据时会包含大量非巷道内壁点,无法快速有效地获取巷道围岩形变信息的问题。该文提出一种基于局部最优邻域法向量估算的巷道点云去噪方法,该方法采用自适应邻域半径的主成分分析算法,提高了点云法向量估算的精度和方向一致性,较好地解决了区域生长算法提取巷道内壁点云时存在的孔洞过多与噪声点云去除不彻底的问题,实现了巷道内壁点云较为完整的获取。通过不同类型的巷道点云数据进行验证,结果表明,该方法能够有效地去除非巷道内壁点云,提高巷道内壁点云获取的精度。 相似文献
3.
《国土资源遥感》2020,(2)
点云精简可有效降低无人机载Li DAR数据量,对后期点云存储和快速处理具有重要意义。采用K-means++方法对点云法向量进行聚类,以实现点云精简。首先,利用回波次数去除多次回波点云,在使用零-均值标准化方法对点云属性归一化后,利用KD树(K-dimension tree)建立点云索引构建点云K邻域;然后,采用主成分分析法估算点云法向量,借助肘方法确定最佳聚类数目;最终,通过K-means++聚类方法实现点云精简。将精简结果生成Delaunay三角网并转换为栅格数据,通过相关系数验证方法的有效性。结果表明:针对研究区69 544个点云数据,该方法可去除多次回波点云7 722个;对点云法向量进行聚类数目为8的K-means++聚类,对应的精简率为分别为81. 389%,81. 833%和85. 369%时效果较优;精简后生成Delaunay三角网的时间远低于精简前,且当按81. 833%进行精简处理时,相关系数最高,为0. 890。该方法可为点云精简提供参考。 相似文献
4.
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 总被引:1,自引:0,他引:1
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。 相似文献
5.
针对标准主成分分析(principal component analysis,PCA)算法配准未顾及不同点云数据集的主方向一致性造成的配准失真问题,基于空间向量理论提出一种附加主方向判定和调整的改进主成分分析点云数据初始配准算法,给出了该算法原理,在标准PCA算法基础上附加了主方向一致性判定条件,对不同点云数据集的方向采用向量积进行判定和调整,以保证点云初始配准的正确性.模拟实验结果表明:标准PCA配准算法未顾及不同点云数据的方向,致使配准结果出现错误,而附加主方向判定的PCA配准算法顾及了不同点云数据的方向而得到了正确的配准结果,可为后期点云数据的精确配准提供良好的初始位置. 相似文献
6.
7.
8.
针对光学测量中多幅点云的数据融合,提出了一种基于法向滤波的多幅点云融合算法.该算法首先对多幅点云法向滤波,通过2幅点云的双向查找来寻找种子点,在点的法向方向寻找2幅点云中对应的k邻域,计算邻域点的加权和,而融合点是种子点沿其法向移动的结果。与平均聚类法相比,该方法获得的模型表面更加光顺,特征更明显,点的分布也更均匀,对于包含粗大匹配误差的多幅点云模型的融合具有较好的效果. 相似文献
9.
10.
针对目前将三维激光扫描技术应用于变形监测领域存在基准特征难以提取、点云数据分析缺乏适用的方法等问题,本文提出了一种基于点云法向量的基准特征提取与形变分析方法。首先利用局部平面拟合方法获得点云的法向量,并沿点云法矢方向探测基准点;然后利用三次B样条曲线对探测的正确基准点进行拟合;最后根据拟合曲线计算基准高程和对径点倾斜角分析基准特征形变信息。对某化工厂的罐体点云数据进行基准特征提取结果表明,该方法可以快速、全面地获取监测对象的整体信息,且能够正确分析监测对象的基准形变。 相似文献