A multiresolution hierarchical classification algorithm for filtering airborne LiDAR data

We presented a multiresolution hierarchical classification (MHC) algorithm for differentiating ground from non-ground LiDAR point cloud based on point residuals from the interpolated raster surface. MHC includes three levels of hierarchy, with the simultaneous increase of cell resolution and residual threshold from the low to the high level of the hierarchy. At each level, the surface is iteratively interpolated towards the ground using thin plate spline (TPS) until no ground points are classified, and the classified ground points are used to update the surface in the next iteration. 15 groups of benchmark dataset, provided by the International Society for Photogrammetry and Remote Sensing (ISPRS) commission, were used to compare the performance of MHC with those of the 17 other publicized filtering methods. Results indicated that MHC with the average total error and average Cohen’s kappa coefficient of 4.11% and 86.27% performs better than all other filtering methods.     

利用目标区域拓扑关系图提取建筑物点云

建筑物提取一直是机载激光点云数据处理研究的热点,其中建筑物和其他地物之间的区分是研究的核心和难点。为提高建筑物与其他地物在机载激光点云中的区分能力,提出了一种建筑物点云层次提取方法。首先,在点云滤波后,从非地面点云中提取建筑物候选区域;然后,通过形态学重建和点云平面分割方法对建筑物候选区域构建多尺度空间,并建立目标区域的拓扑关系图;最后,在拓扑关系图基础上,利用5种特征量对目标区域分类,并精确提取建筑物点云。为了测试算法的有效性和可靠性,利用国际摄影测量与遥感学会（International Society for Photogrammetry and Remote Sensing,ISPRS）提供的Vaihingen和Toronto两组测试数据集进行实验,并由ISPRS对结果进行评估,其中基于面积和目标的完整度、正确率和提取质量分别都大于87.8%、94.7%、87.3%。与其他建筑物提取方法相比,该方法在基于面积和目标的质量指标方面最为稳定。实验结果表明,在不同的城市场景下,该算法能够稳健地提取建筑物,并保持很高的正确率。     

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。     

OESM辅助的高分辨率航空正射影像拼接线自动检测算法

针对常规拼接线检测算法在城市区域影像镶嵌时容易出现拼接线穿越建筑物从而破坏地物完整性的问题,提出了一种影像高程同步模型(OESM)辅助的拼接线自动检测算法。该算法首先通过对OESM模型规格化处理标识正射影像中的地物目标;然后在非地物目标区利用改进贪婪蛇算法检测拼接线。通过对建筑物密集分布的城市区域影像进行拼接线检测实验表明,该算法是一种理想的拼接线检测算法。     

一种基于分割的机载LiDAR点云数据滤波

针对当前滤波算法在处理地形不连续区域或存在复杂建筑物区域时容易过分＂腐蚀＂地形并难以去除一些低矮植被的不足,提出了一种基于分割的机载LiDAR点云滤波算法。首先,对原始点云基于地表连续性进行分割;然后,在移除点数目较小的粗差点集之后采用对分割点集建立缓冲区的方法,区分地面和非地面点集;在较大地物经过迭代分割基本移除之后,使用约束平面的方法移除高度较小的地表附着物以实现滤波。实验结果表明,与经典滤波算法相比,该算法提高了地面点的分类精度,在滤除地物信息的同时能有效地保留地形特征。     

基于多分辨率方向预测的LIDAR点云滤波方法

为了快速提取LIDAR点云中的地面点,生成高精度的DTM,提出了一种基于多分辨率方向预测的LIDAR点云滤波方法。该方法首先构建多种分辨率数据集,然后基于方向预测法以分辨率由低到高的顺序逐层进行数据集的平滑处理,最后以最高分辨率数据集的平滑结果为基准标记原始LIDAR点云。本方法通过分析反距离权重插值模型的不足,利用改进的模型进行裸露地面点的插值,得到高精度的DTM。实验表明,本文方法能有效地滤除地物,并保持原有的地形特征,算法效率高,具有一定的实用价值。     

多尺度区域生长点云滤波地表拟合法

针对经典的迭代三角网加密算法(PTD)过度侵蚀地形、误差累积的问题,提出了一种基于区域生长的多尺度滤波方法。该方法引入了金字塔策略建立不同层次的点云结构,以上层种子点为基准对下层种子点进行处理:先通过不规则三角网滤除非地面点,然后依据局部地形设置动态阈值,以表面拟合区域生长算法增长受侵蚀的地面种子点,循环迭代逐渐逼近真实地面。通过对ISPRS提供的15个基准数据集进行测试,第Ⅰ、Ⅱ类误差以及总误差分别为2.40%、3.67%、2.84%,Kappa系数为93.74%。结果表明,该算法具有更强的性能,可以获得理想的地面模型。     

以窗口化和地形坡度为基础的植被茂密区域点云滤波算法

三维激光扫描仪获得经典地貌的点云数据,需进行滤波剔除地面植被。由于植被茂密区域点云密集或遮挡,地面点极少,无法拟合出地形表面,这部分植被点很难剔除。针对植被茂密区域点云数据的特点,本文提出以窗口化和地形坡度为基础的植被茂密区域点云滤波算法,认为非地形坡度引起的高程差异的两相邻点中,较高的点为非地面点。试验结果表明,本文算法可以很好地去除植被茂密区域中低矮的植被点,保留真实的地面点,提高了植被茂密区域点云滤波的处理精度。     

结合强度信息的LIDAR数据滤波方法

机载激光扫描系统可以直接生成扫描区域的数字表面模型,但是为了提取数字地面模型还须对LIDAR数据进行滤波处理。本文分析了用坡度法对机载LIDAR数据进行滤波的不足,并结合LIDAR数据中的强度信息,提出了一种结合强度信息的LIDAR数据滤波方法。与坡度法相比,该方法提高了滤波的精度和效率。试验结果表明该方法计算速度快,并能够有效地滤除LIDAR数据中的地物。     

Processing of Laser Scanner Data and Extraction of Structure Lines Using Methods of the Image Processing

激光扫描数据提供了一种新的手段用于获取高精度的数字地形表面模型. 原始的航空激光扫描数据表达的是一些非规则分布的"点云", 这些非规则分布的点需要进行有效的事后处理. 这种事后处理有2个目的:一是将那些分布在地表面上的点(即地面点)与分布在非地表面上的点(譬如树木、房屋或汽车上的点, 即非地面点)进行有效的分离;二是从分离后的地面点中提取结构线, 用于建立高精度的数字地面模型. 作者发展了一系列的基于数字形态学理论和稳健参数估计理论的方法用于分离和探测地面点. 这里所介绍和开发的提取结构线的算法建立在数字图像处理和表面曲率理论的基础上. 这些算法同样可以扩展地用于其他领域. 所介绍的基于数字图像处理理论处理原始的航空激光扫瞄数据和提取结构线的方法取得了很好的结果. 这一结论可以在本文中通过一系列的插图得到有力的证明.     

基于多分辨率层次分类的机载LiDAR点云滤波方法

针对复杂地形环境滤波的需求,提出一种具有较强抗差稳定性的多分辨率层次分类滤波算法。该方法首先对原始点云数据进行格网化,主要通过设置格网分辨率值将数据分为3个层次,在每一层通过改进的局部最小值法选取初始地面种子点;然后利用薄板样条函数迭代内插生成栅格曲面,根据定义的残差阈值判定方法,完成点云的分类;分离出的地面点作为下一次迭代的种子点用于构建栅格曲面。利用ISPRS提供的15个训练数据对该方法进行实验,将实验结果与8种经典滤波算法进行对比分析,证明该方法在适应不同地形环境方面具有较强的稳健性。     

面向对象的植被与建筑物重叠区域的点云分类方法

在分析LiDAR点云数据分类现状的基础上,针对植被与建筑物重叠区域分类困难的问题,提出了一种基于面向对象的点云分类方法.首先采用三角网渐进内插的滤波方法将点云分为地面点和非地面点,并得到DTM;然后对高出DTM一定高度的非地面点建立三角网,删除较长的三角网的边(地物间的边),从而将非地面点云分割成多个对象;再利用各个对象内的三角网坡度信息熵大小判断该对象属于植被或建筑物;最后对于难以区分的对象(植被与建筑物重叠区)根据建筑物几何规则形状延伸扩充,从而提高植被和建筑物重叠区的点云分类准确率.实验结果表明,该方法能够很好地区分建筑物和植被点,分类准确率达到87％.     

知识引导下的城区LiDAR点云高精度三角网渐进滤波方法

针对城区LiDAR点云特点,提出一种基于知识的三角网渐进滤波方法：①对格网内插后的栅格数据进行面向对象分割;②采用迭代Otsu聚类手段对地面对象与非地面对象自动分离;③针对分类结果构建初始三角网,并自适应调整地面点判据参数,达到提高滤波质量目的。选用ALS50系统真实数据进行滤波实验,并与传统方法滤波结果进行精度评价,评价结果表明：基于知识的滤波方法能进一步提高点云滤波质量。     

基于城区机载雷达数据的双重滤波算法

机载激光雷达扫描技术能快速且高精度地获取地面点的3维坐标,而激光雷达数据处理的首要任务就是点云的滤波,也即是将地面点和非地面点进行分离.传统的滤波方法大都是基于一定的地形条件或是小规模数据量进行的.针对城区的3维点云处理提出了一种双重滤波方法:先构建三角网,根据三角面片的角度信息过滤出一部分点云,将剩余点划分成规则格网;然后通过移动最小二乘曲面拟合法,将高差大于一定阈值的点滤除,从而获得地面点云.     

基于栅格数据的面状目标空间方向相似性研究

提出了基于栅格数据的面状目标之间的两种空间方向相似性的计算方法：利用栅格数据的特征和方向关系矩阵计算空间方向相似性；基于单个栅格单元与参考目标之间角度的变化计算面状目标之间空间方向相似性。这两种方法简化了由Goyal提出的基于方向关系矩阵模型计算空间方向相似性的方法，克服了方向产生某些细微变化时的限制，在计算面状目标空间方向相似性时具有更广泛的适用性。     

平面约束条件在LIDAR点云滤波中的应用

介绍了一种利用平面约束条件对LIDAR点云数据进行滤波的方法,利用每个数据点的邻域点拟合平面,根据平面约束条件和平面点分类方法得到地面点,最后利用地面点内插该区域的DTM.     

密集低矮植被区LiDAR点云地面滤波算法

针对地形复杂且低矮植被茂密的矿区LiDAR点云特点,本文提出了一种基于坡度信息并结合平面拟合的地面滤波算法。该方法采用二级格网法逐级选取地面种子点,在每个一级格网中,利用地面种子点通过最小二乘拟合法进行平面拟合并构建地面模型,最后达到区分地面点和非地面点的效果。与传统坡度法和布料模拟法的对比试验表明,该方法能够有效滤除密集低矮灌木,以及较好地保留较大坡度地形。     

机载LiDAR建筑物点云渐进提取算法

针对机载LiDAR建筑物点云提取过程中易受植被的影响的问题,本文提出了一种机载LiDAR建筑物点云的渐进提取算法。首先通过布料模拟滤波算法对地面点云与非地面点云进行区分,在此基础上利用最大类间方差法算法（Otsu）对非地面点云进行阈值分割,提取初始建筑物点云;然后根据点云的连通性对初始建筑物点云进行密度聚类分割（DBSCAN）,剔除离群噪声点;最后通过Alpha Shape算法实现建筑物点云的边缘提取。本文选取ISPRS官网提供的3组典型城区LiDAR点云数据进行试验,试验结果表明,本文算法可达到较好的建筑物点云提取效果。     

基于LIDAR数据的建筑物轮廓提取

建筑物轮廓的准确提取是建筑物三维重建中最重要的一步。本文在研究已有建筑物轮廓提取方法的基础上,针对LIDAR离散的点云数据,提出了一种自动快速提取建筑物轮廓信息的方法。首先通过点云数据生成城市的数字表面模型(DSM)和数字地面模型(DTM)相减计算得出规则化的数字表面模型(nDSM),进而将地面点和非地面点进行分类;其次,考虑到地物的几何特性,提出一种8邻域搜索的方法对非地面点点云进行分割,得到建筑物表面点云;最后运用基于梯度图的边界跟踪的方法来获取建筑物的轮廓信息。实验表明:该方法能有效地提取建筑物轮廓。