改进的参数统计机载雷达点云滤波方法

针对基于高程的偏度参数统计的LiDAR数据滤波对地形起伏城区滤波适应性不强的弱点,文章对该方法进行了改进,提出基于二次曲面高程残差的偏度参数统计法的LiDAR数据滤波。实验结果表明改进的方法不仅延续了参数统计法无需阈值的优势,而且对城区滤波更具适应性、合理性和稳定性,能够明显提高滤波精度。     

基于TIN的LiDAR数据滤波算法研究

研究利用区域生长滤波算法将原始激光点云数据直接构建不规则三角网(TIN),并选择地面最低高程点作为初始种子点,根据设定的高差阈值对种子点的邻域进行区域生长滤波处理。通过对试验区机载LiDAR点云数据的滤波处理结果与基于坡度滤波和基于移动窗口的高程滤波算法进行对比分析,结果显示该方法具有一定的优越性。     

面向滩涂DEM构建的机载LiDAR点云滤波方法

在基于激光点云构建DEM的过程中,用于区分地面点和非地面点的点云滤波处理至关重要。本文面向基于机载LiDAR点云的沿海滩涂DEM高精度的构建需求,提出了一种机载LiDAR点云的改进坡度滤波算法。首先,采用统计异常值剔除法(SOR)去除原始机载LiDAR点云数据中的噪声;然后,利用规则格网的坡度和高程阈值,设计了适用于滩涂点云数据的地面点坡度滤波方法;最后,选取如东市长沙港的滩涂机载LiDAR点云作为试验数据,构建滩涂DEM,并进行精度检验。试验结果表明,利用本文方法处理后的LiDAR点云构建的DEM精度满足国家与行业标准的要求。     

基于地形变化检测的机载LiDAR滤波方法

LiDAR滤波是从其数据中提取数字地形模型(DTM)的一个主要步骤。当前的LiDAR滤波方法大都是通过单一的LiDAR点云数据来进行的,由于点云缺乏真实数据作参考,在滤波时可能会出现较大的误差。因此,提出一种基于地形变化检测的机载LiDAR滤波方法。首先将LiDAR点云数据与已有的DEM数据精确配准并统一到同一坐标系下,然后对LiDAR点云数据进行格网化组织,使LiDAR点云数据与DEM数据中相应的区域对应,最后把已有的DEM数据与LiDAR点云数据叠加进行滤波。为了验证该方法,采用城区和山区2种不同地形特点的数据分别进行试验。结果表明该方法能有效滤除城市和山地环境中的地物,并且保留地形的细节信息。     

基于纵横断面的机载雷达点云数据滤波

针对现有基于坡度滤波的改进方法难以同时提升滤波速度与精度的问题,文章提出了一种基于纵横断面的机载LiDAR点云数据滤波方法。该方法视测区为多个断面构成,以行(列)为滤波基本单位,兼顾高程突变的方向信息,分别从纵横断面以基于坡度的判据进行滤波处理,可同时提高计算速度与结果精度。实验结果表明,该算法计算速度快,并且对于不同特征的地形都能取得较好的滤波效果。     

基于数学形态学算法的机载LiDAR点云数据快速滤波

机载LiDAR点云数据滤波是LiDAR数据处理领域研究的重点和难点之一.针对LiDAR点云数据量大的特点,以规则格网组织数据,按离散点或格网移动结构窗口,提出基于数学肜念学算法的LiDAR点云数据快速滤波方法,并详细介绍滤波的方法和流程.试验结果表明,该算法计算速度快,滤波效果好.最后选取两组小同区域的点云数据进行实验,并给出滤波前后的数字表面模型和局部断面图.     

基于模糊C均值聚类的机载LiDAR点云滤波

点云滤波是机载LiDAR数据处理的重要步骤.现有滤波算法大部分要建立点云之间的索引关系,增加了算法的复杂度;或需要对原始数据进行内插,导致原有精度损失.本文在对LiDAR点云数据的高程进行统计分析的基础上,引入模糊C均值聚类分析算法,针对大区域平坦复杂城区数据,无须建立索引或进行内插,能够快速简单地实现地面点与非地面点的分类.实验结果表明,该方法切实可行,能够较好地满足精度需求.     

一种改进的基于坡度变化的机载激光雷达点云滤波方法

机载激光点云数据滤波是获取高精度数字表面模型和数字高程模型的关键。本文分析了几种重要的滤波算法,在研究基于坡度变化的滤波算法的基础上,提出一种改进的分块滤波处理的方法。实验表明:该方法能有效对点云数据进行分类。     

关于机载LiDAR点云数据形态学滤波的几点思考

形态学滤波是一种典型的机载LiDAR点云数据滤波方法,然而滤波过程中还存在某些容易被忽视的细节。本文在回顾现有各种形态学滤波算法的基础上,分析了特殊地形下点云数据内插存在的问题,提出了改进的内插算法;深入探讨了两种不同数据组织形式的滤波算法,指出基于不规则离散点和基于规则格网两种滤波方法各自的优势及不足;最后通过实验数据对两种方法在滤波性能和效率上给出了定性分析和定量评价。     

基于可变半径圆环和B样条拟合的机载LiDAR点云滤波

提出了一种LiDAR点云滤波方法,首先沿同一方向等间距逐行扫描点云,获取点序列构成的扫描线,针对每条扫描线,采取半径可变的圆环从面向地心一侧滚过,保留扫描线上被圆周滚过的点,从而滤除每条扫描线上的地物点;然后对滤波后每条扫描线上的地表点云数据等间隔采样,在此基础上采用均匀B样条曲面拟合地形表面,遍历每一个点,在拟合的B样条曲面上投影,根据投影点高程与实际高程的差判断其属性,保留地面点并滤除地物点。试验结果表明,与传统方法相比,本文方法的滤波精度提高1~5倍,可用于城市、山区和林地等各种地形,通用性好,其算法时间复杂度为O(n)。     

机载LiDAR数据的多回波信息分析及滤波方案

本文通过分析机载LiDAR系统获取的激光数据的多回波特性,阐述了多回波信息对地物类型信息的揭示作用,并将多回波特性用于减少参与滤波的激光脚点数量。实验证明,本文提出的滤波方案,可以预先剔除掉大部分的植被激光脚点和部分的建筑物激光脚点,这既减少了参与滤波的数据量,又可以改善滤波算法对建筑物和植被的滤除效果。     

基于渐进三角网的机载LiDAR点云数据滤波

机载LiDAR点云数据滤波是获取高精度数字高程模型的关键,也是目前LiDAR点云数据处理领域研究的重点和难点之一。提出了基于渐进三角网的机载LiDAR点云数据滤波方法,首先以规则格网和不规则三角网组织数据,采用区域分块法或数学形态学法选取种子地面点建立初始稀疏三角网,通过不断向上加密三角网提取地面点。试验结果表明,该算...     

Image classification-based ground filtering of point clouds extracted from UAV-based aerial photos

With the advent of unmanned aerial vehicles (UAVs) for mapping applications, it is possible to generate 3D dense point clouds using stereo images. This technology, however, has some disadvantages when compared to Light Detection and Ranging (LiDAR) system. Unlike LiDAR, digital cameras mounted on UAVs are incapable of viewing beneath the canopy, which leads to sparse points on the bare earth surface. In such cases, it is more challenging to remove points belonging to above-ground objects using ground filtering algorithms generated especially for LiDAR data. To tackle this problem, a methodology employing supervised image classification for filtering 3D point clouds is proposed in this study. A classified image is overlapped with the point cloud to determine the ground points to be used for digital elevation model (DEM) generation. Quantitative evaluation results showed that filtering the point cloud with this methodology has a good potential for high-resolution DEM generation.     

基于Car(p,q)模型和数学形态学理论的LiDAR点云数据滤波

在分析现有的LiDAR点云数据后处理方法的基础上,本文提出了一种点云数据“分步”滤波方法。首先对LiDAR点云数据进行数学形态学“粗”滤波,得到“地面点假设”和“非地面点假设”。然后引入顾及因果关系的自回归模型（car）对两类点云数据假设进行模型化处理和假设检验,根据假设检验的结果判断地面点和非地面点,最终得到可靠的分类结果。与单纯的“最小二乘拟合预测法”或“数学形态学”方法相比,这种“分步”处理的思想用于LiDAR点云数据分类处理的结果更可靠。     

机载LiDAR正射影像镶嵌线智能优化研究

在机载LiDAR系统中,将点云数据进行滤波以去除高地物,确定出房屋树木等高出地面的地物的位置记为障碍区域。在配准后的正射影像上,利用改进A*算法自动避开障碍区域选择一条最优化镶嵌线。实验证明,该方法可以准确、智能地对镶嵌线进行优化,改善镶嵌后的影像质量。     

车载LiDAR数据电力线与塔杆提取方法

为了实现车载LiDAR数据中电力线和塔杆的正确提取,在分析电力线分布特点的基础之上,提出了电力线和塔杆提取的新方法。该方法首先采用高程分布直方图统计方法去除大量的地面点;然后利用kmeans聚类方法,分离得到电力线和塔杆点云,并借助塔杆点云密度特性进行塔杆定位;最后,依据电力线走向及同一电力线上点间高差较小的特点进行单根电力线的提取,并采用多项式模型对分离得到的电力线进行建模。实验结果表明,该方法能够较好地实现复杂地区的电力要素提取。     

抗差趋势面的机载LiDAR点云滤波方法

传统曲面约束滤波算法中,利用最小二乘拟合地形曲面易受种子点粗差影响。针对这一问题,提出基于抗差趋势面的机载激光雷达点云数据滤波方法,首先构建格网索引组织数据,引入抗差趋势面拟合合理的区块地形,通过自适应阈值的设置实现不同区域的自动灵活处理,最终滤除孤立点完善滤波结果。使用ISPRS提供的测区数据进行实验,与传统曲面拟合方法进行对比,实验结果证明,该方法较传统移动曲面拟合法能够得到更加可靠的滤波结果,具备较高实用价值。     

一种基于分层自适应移动曲面拟合机载LiDAR点云数据滤波方法

为提高机载Li DAR数据滤波精度,提出了一种分层自适应移动曲面拟合法滤波。通过改进均值限差法,对原数据进行"粗滤波";之后以Mean Shift算法进行数据分类,建立虚拟格网索引结构,通过二次多项式进行曲面拟合,以自适应阈值进行"精滤波"。实验结果表明:该方法的适应性强,滤波结果具有较高的准确性。     

全波形LiDAR数据分解的可变分量高斯混合模型及RJMCMC算法

传统激光雷达(light detection and ranging,LiDAR)数据处理均采用固定数的波形分解方法,容易遗漏部分重叠的返回波,降低波形拟合精度。为了实现可变数波形分解,本文提出了一种自动确定波形分解数的方法。假定波形数据服从混合高斯分布,并以此建立理想的波形模型;定义用于控制理想模型与实际波形拟合程度的能量函数,用吉布斯分布构建或然率;根据贝叶斯定理构建刻画波形分解的后验概率模型;设计可逆跳转马尔科夫链蒙特卡洛(reversible jump Markov chain Monte Carlo,RJMCMC)算法模拟该后验概率模型,以确定波形分解数并同时完成波形分解。为了验证提出算法的正确性,分别对不同区域的ICESat-GLAS波形数据进行了波形分解试验,定性和定量分析结果验证了本文方法的有效性、可靠性和准确性。     

Pattern detection in airborne LiDAR data using Laplacian of Gaussian filter

Methods for feature detection in laser scanning data have been studied for decades ever since the emergence of the technology. However, it is still one of the unsolved problems in LiDAR data processing due to difficulty of texture and structure information extraction in unevenly sampled points. The paper analyzes the characteristics of Laplacian of Gaussian (LoG) Filter and its potential use for structure detection in LiDAR data. A feature detection method based on LoG filtering is presented and experimented on the unstructured points. The method filters the elevation value (namely, z coordinate value) of each point by convolution using LoG kernel within its local area and derives patterns suggesting the existence of certain types of ground objects/features. The experiments are carried on a point cloud dataset acquired from a neighborhood area. The results demonstrate patterns detected at different scales and the relationship between standard deviation that defines LoG kernel and neighborhood size, which specifies the local area that is analyzed.