地形自适应车载LiDAR点云滤波

针对车载LiDAR点云进行地面点滤波时,基于常规TIN、坡度等滤波算法不能根据局部地形变化自动调整阈值的问题,该文结合城市点云特征和地形起伏度,提出地形自适应的车载LiDAR点云滤波方法。该方法通过引入地形自适应参数进行区域增长阈值的动态调整,实现地面点、非地面点的自动精确滤波。通过实测数据试验,结果表明该方法可适用于车载LiDAR城市点云中地面点和非地面点的较精确分类,解决低矮浅丘、低矮灌木等地物点不容易正确分类的问题。     

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...     

基于TIN渐次加密的LiDAR点云数据滤波

传统的滤波算法通常是针对具有连续表面的简单区域来进行,因此带有一定的局限性,且不能解决复杂城区地形准确提取的难题。因此,本文提出了一种改进的基于TIN渐次加密的LiDAR点云数据滤波方法,该方法先对原始点云利用多尺度虚拟网格筛选地面种子点;然后,对种子点构建初始TIN表面,在此基础上进行向上加密;最后,得到的TIN三角网则为真实地形表面。实验结果表明,该方法能有效地滤除建筑物、植被和其他地物,并较好地保持地形特征。     

基于统计数据选取种子点的LiDAR点云迭代滤波算法

经典的渐进三角网滤波算法在LiDAR点云数据处理中应用十分广泛,但其滤波精度很大程度上取决于种子点选取的正确率。本文针对这一问题,在渐进三角网加密算法基础上提出了一种基于小格网高程、均方差和点密度统计数据选取种子点的迭代滤波算法。实验结果表明,本文的迭代滤波算法可有效避免低点等非地面点对种子点选取的干扰,且滤波结果生成的DEM精度较高,具有一定的实用性。     

融合形态学灰度重建与三角网分层加密的LiDAR点云滤波

形态学滤波与三角网加密滤波是从LiI}AR点云中自动识别真实地面点的两种重要方法,本文分析了两种方法优劣性及其过程实施的特点,提出了一种融合形态学灰度重建与不规则三角网分层加密的点云滤波新策略:①首先对LiI}AR点云实施丁类错误优先的形态学灰度重建初始滤波,并通过”非最小值抑制”将LiI}AR点云标记为地面可靠点、地面可疑点、非地面可疑点三种类别;②依据形态学灰度重建迭代顺序对非地面可疑点进行分层标记;③利用地面可靠点构建初始三角网,对地面可疑点、非地面可疑点依次进行三角网加密滤波,并基于分层标记信息自适应调整地面点判据参数。ISPRS标准数据滤波实验结果表明,本方法滤波质量高且具有较好的通用性。     

基于机载LiDAR点云数据滤波方法研究

主要针对机载LiDAR点云数据滤波方法展开了研究,通过结合具体的LiDAR应用实例,对点云滤波流程作了详细的阐述,并对滤波实验和算法性能评价作了系统的研究分析,以期能为有关方面的需要提供有益的参考和借鉴。     

顾及地形起伏特征的线性预测滤波方法

传统的线性预测滤波算法将目标点云划分为多个栅格,滤波在每一个栅格内进行,而滤波栅格大小,需要用户手动调整。针对此问题,该文提出一种从机载激光扫描数据中生成数字高程模型(DEM)的有效方法。引入统计学变量——面高程变异系数,刻画地形起伏特征,并建立线性预测滤波算法中栅格大小与面高程变异系数之间的函数关系。最后,利用几组点云数据为研究对象验证该方法的有效性,实验结果表明,该方法能自适应地根据地形的起伏特征调整滤波参数,得到比较理想的地面点数据,最终内插得到高精度的DEM。     

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。     

一种顾及地形复杂度的LiDAR点云多尺度滤波方法

针对复杂地形区域的机载LiDAR数据滤波方法中自适应阈值设置问题,根据地形多尺度效应,提出一种自适应阈值的机载LiDAR点云多尺度滤波方法。该方法采用影像金字塔策略按分辨率从高至低逐级构建LiDAR点云分层格网,滤波过程则从最大尺度格网(顶层格网,最低分辨率)开始,采用局部统计分析的方法自适应地确定高差阈值,同时结合薄板样条内插出下层各格网控制点的高程值,直至最底层格网完成原始激光点云滤波。通过我国某山区城市复杂地形的LiDAR数据实验表明顾及地形复杂度的LiDAR点云多尺度滤波方法能够快速有效地提取高精度DEM,能够满足实际生产需求。     

LiDAR数据滤波中基于切片的断裂线优化方法

为了克服一般自动滤波算法对复杂地形的不适应性而产生大量误分的现象,提出了基于切片数据的LiDAR数据线分类滤波算法。该算法利用人眼对地形判断的先验知识,并使用多层次自适应高度阈值的滤波方法得到初始滤波结果,再利用三维空间中的角度特性进行优化,从而对断裂线地形能取得很好的滤波效果。最后采用VC++编程实现了本文提出的线分类算法,并经过试验分析比较,证明了该算法的适用性,能够适应高精度DEM的快速制作。     

机载LiDAR点云数据精细化滤波方法研究

针对机载LiDAR点云数据在自动化滤波过程中因建筑、植被底点剔除不完全导致DEM成果粗糙、等高线不平滑等问题,提出了一种精细化滤波方法。先对LiDAR点云数据进行滤波处理生成参照DEM,再利用同区域的正射影像辅助判别,选取需要滤波区域点云进行局部纠正;分别选取平坦区域和山地区域进行实验,并对精度验证和等高线成果进行了对比。实验结果表明,经过精细化滤波后的DEM和等高线成果在保证精度指标的前提下,成果质量明显提高。     

面向对象的机载LiDAR点云滤波方法

本文提出了一种基于点云分割的机载LiDAR点云滤波方法。该滤波方法在经典的不规则三角网加密滤波方法增加了点云分割步骤。实验表明,与经典的不规则三角网渐进加密滤波方法相比,本文提出的滤波方法取得了更好的滤波效果,表现在具有更小的一类误差和总误差,尤其在正确识别地形陡变处的地面点方面具有显著的优势。     

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。     

基于坡度和区域生长的城市LiDAR点云滤波方法

在分析坡度滤波算法原理的基础上,结合区域生长原理进行改进;选取国际摄影测量与遥感学会提供的部分城市滤波样本数据进行实验,将实验结果与Roggero坡度滤波算法和Sithole坡度滤波算法的结果进行比较。结果表明,该方法能较好地降低一类误差,对城市Li DAR点云建筑区数据有一定的适用性。     

改进的渐进加密三角网机载点云滤波方法

针对渐进加密三角网滤波算法在林区机载点云滤波中存在种子点选取困难和精度较低的问题,提出了一种适合林区点云数据的改进渐进加密三角网滤波方法。该方法首先使用去噪算法(SOR)对离群点进行剔除,然后采用布料模拟和局部薄板样条插值方法获取大量均匀可靠的地面种子点,最后利用改进的渐进加密三角网滤波方法进行滤波,迭代运算进而得到地面点。使用6组标准数据和3组林区数据进行实验,标准数据的平均总误差和Kappa系数分别为2.16%和84.96,林区数据的平均总误差为4.62%。实验结果表明,改进方法适用于复杂的林区机载点云滤波,且提高了滤波精度。     

利用地形开度算子自动提取激光雷达点云断裂线

基于机载激光雷达（LiDAR）点云生产高质量的数字高程模型（DEM）,需要地形特征线的约束。本文针对现有断裂线提取算法仅仅考虑了地表的局部变化,错提取率高的现状,从人工解译的角度出发,引入地形开度（topographic openness）作为一种定量描述地表整体变化的地形特征,提出了基于地形开度的断裂线自动提取算法。首先将原始地面点按高程采样成距离图像,然后通过地形开度算子获取地表的主体结构变化,最后结合形态学算子和边缘提取算子提取断裂线种子点并跟踪断裂线矢量。试验结果表明,该算法无需人工干预,能够快速提取较完整的断裂线。     

机载LiDAR点云数据的组合滤波算法研究

针对采用渐进式形态学滤波算法进行机载LiDAR点云滤波时存在的滤波效果不佳、地形特征保留不明显的问题,本文提出了一种改进不规则三角网的后处理滤波算法,构建组合式机载LiDAR点云滤波算法。该组合算法有效地结合了渐进式形态学滤波算法与改进TIN滤波算法的优势,首先采用渐进式形态学滤波算法对原始机载LiDAR点云数据进行处理,提取得到初始地面点;其次优化传统TIN滤波算法,以初始地面点及种子点构建TIN,通过连续迭代提取得到精细化地面点。为验证本文提出滤波算法的可靠性与优越性,选取宁波市某地2组机载LiDAR点云数据进行实验,结果表明,与较单一的渐进式形态学滤波算法、TIN滤波算法地面点提取结果相比较,本文改进滤波算法提取地面点的Ⅰ类误差、Ⅱ类误差及总误差均更低,且不受地形条件限制,具有较高的适应性,验证了本文提出改进滤波算法的可靠性与优越性。     

顾及地形特征的机载LiDAR数据桥梁提取算法研究

提出了一种从机载LiDAR点云数据中提取水陆桥梁的新算法,采用先滤波分类再识别桥梁的策略用于桥梁主体及其与地面连接处脚点的提取。首先对机载LiDAR点云数据进行严格滤波,在此基础上利用多个阈值对非地面脚点进行初步提取;然后引入Alpha-shapes算法对初步提取结果进行分割,并辅以面积阈值提取出属于桥梁主体部分的脚点;最后提出一种顾及地形特征的点云区域生长算法,用于准确提取桥梁主体与地面连接部分的脚点。实验证明,本文算法对水面和陆地桥梁提取均有很好的效果。     

基于Otsu方法点云粗分类的渐进三角网滤波算法研究

针对传统渐进三角网滤波方法需要针对不同的地形条件频繁调整滤波参数,并且对低矮地物滤波效果较差等问题,结合图像分割中的Otsu方法,提出一种基于Otsu方法点云粗分类的渐进三角网滤波算法。在对原始点云数据粗分类的基础上,以点云类别属性引导滤波过程。实验结果表明,方法简单可行,可以有效地控制低矮点被误分类成地面点的可能性,提高滤波处理结果的准确性。     

基于机载LiDAR点云滤波的矿区DEM构建方法

机载Li DAR数据是进行矿山高植被覆盖区地面塌陷调查的有效工具。利用湖南某矿区的机载Li DAR点云数据,提出了一种基于区域分割的渐进三角网滤波构建DEM的方法。首先,对原始机载Li DAR点云数据进行重新组织,以提高邻域点计算效率;其次,结合高程差计算区域统计值,按照地形情况分割测区内的地面点和非地面点,利用地面点构建初始稀疏TIN模型;然后,通过计算其他点与TIN的距离,渐进加密三角网,提取地面点;最后,剔除孤立点,生成格网间距为1 m的DEM。研究结果表明:基于区域分割的渐进三角网滤波构建的DEM能够较为精细地表达地形信息,特别在高植被覆盖区域,能够提取出高精度的真实地表DEM,可更加准确地表达出矿区高植被覆盖区的地表塌陷位置和范围等信息。