一种基于地形预分类的渐进加密点云滤波方法

经典的渐进加密三角网算法采用同一套参数难以在平地/山区混合的机载激光点云数据中取得良好的滤波结果。针对该问题,提出了一种改进的、基于地形预分类的渐进加密滤波方法。首先利用单一参数进行初次滤波,并根据滤波结果获取地形预分类结果;然后针对平地/山区地形特点,利用不同参数进行二次滤波,得到不同地形更精细的滤波结果;最后对不同地形的地面点进行合并,生成最终滤波结果。实验结果表明,基于地形预分类的渐进加密滤波方法生成的数字高程模型的均方根误差为1.733 m,显著优于经典方法。     

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。     

车载LiDAR点云滤波的改进不规则三角网加密方法

针对当前城区车载LiDAR点云算法存在部分参数不易把握、需要多次人机交互、部分要素提取效果不好等问题,该文提出一种改进的TIN迭代加密滤波算法。首先,构建初始格网选取种子点,在选取种子点方面,采用邻域卷积和进行种子点的判断和虚拟种子点的构造;其次,进行TIN迭代加密滤波;最后根据滤波次数改变格网大小进行迭代滤波。采用SSW获取的北京城区某地点云数据进行试验,将实验结果与原始的TIN加密算法进行对比,并与其他两种滤波方法进行对比,结果表明,改进的方法能较好的适应城区情况,且能弥补其他方法的不足。     

一种渐进加密三角网LIDAR点云滤波的改进算法

传统滤波算法常常是针对某些特定的具有连续表面的区域来进行,带有一定的局限性。这样不能解决对诸如斜坡、密集植被等复杂地区进行真实准确地形提取的难题。本文提出了一种融合区域增长方法的LIDAR点云数据的滤波方法。该方法在对原始点云数据进行预处理的基础上,生成一个松散的TIN,通过迭代生成加密的TIN,其中通过采用两次区域增长的滤波方法,实现原始地形的提取。最后通过对复杂典型数据的对比实验验证了文中所提出的改进方法的有效性和准确性。     

顾及地形特征的LiDAR点云数据抽稀算法

针对现有的LiDAR点云数据抽稀算法存在无法有效保留地形特征点或地形分类精度不高等问题,文章提出一种顾及地形特征的点云数据抽稀算法:利用点云中的局部极值点与点云边界点作为种子点构建不规则三角网(TIN);利用一定原则逐渐选取非种子点中的地形特征点加密TIN;然后采用一种临近三角面的平面测试策略剔除三角网中可能存在的冗余点,得到最终结果。测试结果表明:该算法在保证地形精度的前提下,能够有效地减少冗余点数量;同时,为了提高算法的实用性,该文通过大量试验给出了算法中所需参数的最优配置。     

一种改进的渐进加密三角网点云滤波算法

针对渐进加密三角网滤波算法中初始不规则三角网对地形近似模拟的精度问题,该文提出了一种改进的渐进加密三角网滤波算法。该方法利用扩展局部极小值法,在包含点云的格网中提取待定种子点,并采用最邻近插值法获取不包含点云的格网高程;然后设定阈值来判断局部薄板样条插值的邻域高差,确定最终种子点;最后构建初始不规则三角网并迭代加密。结果表明,该方法能提高地面种子点提取的准确率,并进一步提高点云滤波的质量。     

基于TIN的山区点云滤波研究

针对地形复杂、起伏较大的山区激光点云滤波精度低的难题,在深入理解不规则三角网(TIN)渐进加密算法基础上,首先对原始点云数据进行去噪和滤波处理,然后定量分析和比较不同参数阈值下的滤波效果。结果表明,参数阈值对基于TIN的滤波算法结果影响较大,需要结合具体的研究区域设置合适的阈值,普适性和自适应性强的滤波算法仍是点云滤波研究的重要内容。     

渐进三角网加密滤波辅助的布料模拟滤波

为了提高布料模拟滤波（CSF）算法处理复杂地形时的精度与适应性,本文提出了渐进三角网加密滤波辅助的布料模拟算法（CSFPTD）。该方法首先根据地面点云回波次数特点提取单、末次回波点云,以提高点云处理效率,在此基础上,采用渐进三角网加密滤波算法提取地面点,建立宏观反映复杂地形特征的粗数字地面模型（DTM）,对点云进行高程归一化处理,消除地形起伏对点云滤波结果的影响,最后CSF实现点云精细滤波。对CSFPTD算法与经典CSF算法进行了对比实验,其中,Ⅰ类误差由11.81%下降到7.48%,Ⅱ类误差由1.90%下降到1.23%,总误差由4.05%下降到2.58%。实验结果表明：CSFPTD算法在综合复杂地形下的滤波精度明显提高,提升了算法的地形适应性。     

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。     

海量低空机载LiDAR点云的地形断面快速生成算法

针对现有算法二次插值造成的精度损失问题,结合新兴的低空机载LiDAR技术,提出了一套高精度地形断面快速、自动生成算法。该算法通过内存映射和断面线缓冲区分析,从海量点云数据中快速提取构TIN点集;优化了逐点插入法,实现局部Delaunay三角网的快速构建;根据三角网拓扑关系,实现断面线与TIN的快速求交,生成并优化地形断面图。实验结果表明,算法克服了海量数据处理时计算机内存不足的瓶颈问题,并有效避免了二次插值造成的精度损失,且运行高效。     

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。     

基于点云滤波的DOM自动生产算法

针对目前生产高精度DOM生成效率低、人工编辑干预较大等现状,提出了一种基于点云滤波的DOM自动生产方式。该方法通过对空三解算后的影像匹配密集点云DSM,使用基于TIN的加密滤波方式进行滤波计算,解决了滤波后空洞区域插值问题,制作出满足微分纠正需求的DEM模型,并基于该模型进行微分纠正生成DOM成果。通过选取ISPRS城区试验数据和实际工程山区数据进行验证,证明该算法不仅提高了效率,同时优化了成果质量,DOM成果精度符合规范要求。     

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。     

一种改进的LiDAR数据过滤方法

Lidar的数据过滤是数据预处理的重要步骤,也是获取高精度数字高程模型的关键。现有很多典型的过滤算法都是基于地面种子点逐渐恢复地面的,比如自适应TIN过滤法、迭代线性预测法,分层恢复过滤法等。初始地面种子点选择的好坏将直接反映到过滤结果的精度上,尤其是对丘陵地区的地形恢复,影响更大。本文对基于种子点的TIN三角网加密法(TS过滤算法)进行了深入剖析,并在种子点选择方法上提出了一种基于移动窗口法和最小残差法的混合式种子点选择方法,有效地提高丘陵地区地形恢复的准确度。     

顾及地形特征的LiDAR点云数据快速处理算法

提出了一种基于地形特征的点云简化算法,首先根据图像学差分算子提取点云中的地形特征点,再以地形特征点作为种子点建立TIN模型进行迭代简化,并对算法中存在的计算效率低下的问题进行优化。采用两组数据进行算法有效性测试,并与经典的距离-高差简化算法结果进行对比。结果表明,该算法在地形复杂的区域有更好的简化效果。     

基于地形智能识别的自适应DSM滤波方法研究

介绍一种基于地形快速识别的自适应DSM滤波方法。该方法通过对地形类别的智能识别,达到对滤波参数的自适应调节,以改进三角网加密的滤波算法,实现对影像匹配生成的DSM全自动化滤波。算法后期通过引入已有基础测绘及省情矢量数据作为参考,对房屋和道路等人工地物区域进行精细化滤波处理,以减少影像纠正过程中人工地物变形比例,最终实现快速生产DOM的目的。     

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。     

对渐进三角网点云数据滤波算法的改进

针对渐进三角网滤波算法(PTD)进行拓普康LiDAR点云数据处理过程中易将地物点误判为地面点的缺陷,本文提出两种改进方法。一种是采用局部坡度拟合法对PDT算法进行改进,将点云数据按高程值与拟合坡面法求解的拟合高程值的差由小到大进行排序,将为地面点可能性更大的点优先判定,从而获取更加精确的TIN;另一种是引入薄板样条曲线(TPS)插值法,对PTD算法进行改进,将PTD中候选点判断参数改为TPS法中的弯曲能量增长值,从而减少误判。结果表明,使用以上两种改进算法,综合考虑第1类误差和第2类误差影响,在大部分地形特征下比传统PTD算法表现更优,对低矮植被、桥、斜坡等特殊地物的滤波效果更佳。     

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。     

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。