基于三角网光滑规则的LiDAR点云噪声剔除算法

通过对传统移动均值法、频率域信号分析等离散点云噪声剔除算法局限性的分析,结合LiDAR点云离散空间分布特性,本文提出一种基于三角网光滑规则的点云噪声剔除算法。该算法先快速生成离散点云的二维Delaunay三角网,并构建任意点的邻接拓扑关系,然后依据设定的光滑规则进行噪声信号点检测,并输出非噪声点信号。针对条带数据进行实验,结论表明本文算法适合离散点状噪声剔除,可较大程度提高点云数据的信噪比。     

再次改正LIDAR点云高程的方法

讨论对LIDAR点云的高程值进行再次改正的必要性和改正方法,提出构建Delaunay三角网对LIDAR点云的高程值进行再次改正的方法,实例改正结果表明,改正后的LIDAR点云的高程精度能够大幅度提高。     

LIDAR点云滤波算法分析——以ISPRS测试实验为参考

在分析ISPRS测试实验的基础上,研究机载LIDAR点云数据滤波算法的特性,将算法分成4类进行介绍,总结经典算法的定量分析性能,为后续的研究提供一个参考,并展望滤波算法改进和发展的方向.     

基于AutoCAD的LIDAR点云数据可视化

激光技术应用于遥感已经有40多年[1]。机载激光雷达（LIDAR）技术自其产生之初就以其快速、密集、精确、全天候的数据采集能力震撼了航测遥感领域,尤其是21世纪以来该技术在设备更新、数据后处理、应用可行性上都取得了巨大进步。随着国家经济建设对测绘快速生产能力的要求逐步提高,LIDAR数据的后处理技术成为了一个重要的研究领域,而LIDAR点云数据的可视化开发作为各类离散采集数据进入应用软件的第一步,也成为了新的起点。在分析了LIDAR数据处理的含义和现状之后,以点云数据导入AutoCAD为例,讨论了点云数据读取和显示中需要注意的问题以及使用C＋＋.NET和ObjectArx二次开发AutoCAD的相关问题。     

机载LIDAR点云数据的处理及检校

利用机载LiDAR技术获取较大范围地面三维信息比传统测量方法具有高精度、高密度、速度快、成本低的优点,已成为国土资源管理领域一个重要支撑技术。在实际应用中,激光点云数据处理及其检校是生产的关键环节,直接影响成果质量和作业效率。该论述结合测制我国西部某测区带状4D成果的应用实例,综合分析了原始激光点云数据的获取、标准激光点云数据的制作及其分层分类处理等关键过程和需要注意的问题,详细论述了标准激光点云数据的检校及其检校精度检测的方法步骤,分析评估了检校精度对激光点云平面和高程精度的影响,可为同类工程提供借鉴。     

基于区域生长的LIDAR点云数据滤波

将区域生长算法引入LIDAR点云滤波,其原理与图像处理中的区域生长原理相似。首先选择可靠的种子点,当待定点与种子点的高差满足所设阈值时,则待定点为地面点,否则作为地物点滤去。当不再有激光点满足条件时,生长结束。该算法无需对原始数据进行插值,无需迭代,因此滤波速度快。与传统的最大局部倾斜度过滤算法（MLS）和扩大窗口高程阈值滤波方法相比,该算法的实验结果更优。     

基于k-d树的机载LIDAR点云滤波处理

点云数据滤波处理是获取高精度数字地面模型的关键,而滤波的基本原理是基于某一邻域内高程的突变。在海量、离散的点云数据中,搜索某一邻域的速度将直接影响滤波处理的效率。应用k-d树组织点云数据,不需要先验地知道点云数据间的拓扑关系便可以快速确定其中某一点的邻域点集,从而大大地提高滤波速度。     

基于Hilbert排列码与R树的海量LIDAR点云索引

本文分析当前索引方法存在问题,针对高效海量点云数据的要求,提出一种基于Hilbert码与R树的二级索引方法。论文阐述了二级索引的建立原理与方法,可通过聚类方法与R树度M值来的优化第一级索引;使用Hilbert R树作为第二索引,可以有效控制两级R树的高度,同时点云的增加与更新可只在局部进行。最后本文通过两组实验来验证该数据组织方法的可行性和跟其他索引(KD树与四叉树)进行比较,得出它是一种高效管理海量点云的方法。     

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.     

基于航空LIDAR点云数据提取城市地区建筑物的目标

以航空LIDAR点云数据为基础,在无其他辅助数据的情况下,采用数字图像处理技术,实现基于航空LIDAR点云数据提取城市地区建筑物的目标.     

机载激光雷达点云数据的实时渲染

提出了一种实时绘制大规模LIDAR点云数据的方法。该方法通过构建一棵顺序四叉树使点云均匀分布在四叉树节点上,来实现快速的数据筛选。阐述了顺序四叉树的快速建立,并通过一个试验系统验证了文中所提方法的有效性。试验表明,使用目前普通配置的计算机,通过自适应控制绘制的数据量,可以实时绘制约1GB的原始点云数据。     

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。     

基于格网化LIDAR点云数据坡度滤波方法的研究

LIDAR数据是目前生产DEM/DSM最为理想的数据源,利用机载激光雷达获取DEM/DSM数据是机载激光雷达最为直接的应用。本文提出了一种将LIDAR点云数据格网化与坡度滤波相结合的点云分类方法,该方法将数据格网化的概念用于LIDAR点云数据的预处理,避免了LIDAR点云数据内插或者平滑造成的信息损失,并且引入坡度突变对格网化处理后的LIDAR点云数据进行第二次地面点的选取,提高了LIDAR点云数据分类的效果。     

基于航飞LIDAR数据制作数字线划图方法探索

一些大型的工程项目在前期使用航飞LIDAR系统采集地面数据,获取了大量的三维点云数据和DOM影像数据,要制作该项目全区域的线划图,使用传统的制图方法,不仅效率低,而是几乎不可能完成该项工作。因为海量数据已经让传统的AutoCAD平台制图软件不堪重负,基于此原因,必须研究探索新的方法,就是使用GIS方法来生产线划图。     

利用PCA-BP算法进行激光点云分类方法研究

激光点云分类是测绘领域点云数据处理中的一重要环节,在阐述现有激光点云分类技术的基础上,为满足高精度、高速度、高可靠性、自动化的数据处理要求,着重研究了基于主成份分析和BP神经网络的激光点云分类方法,并通过真实激光扫描数据进行实验,将建筑物和树叶有效分类,达到了预期的效果。     

基于虚拟网格与改进坡度滤波算法的机载LIDAR数据滤波

提出了一种基于虚拟网格与改进坡度滤波算法的机载LIDAR数据滤波方法。该算法将虚拟网格的概念用于LIDAR滤波,避免了LIDAR点云内插或者平滑造成的信息损失。基于虚拟网格生成的初始表面模型是一个规则网格,在初始表面模型上进行地面点的选取,可以极大地提高运算效率。在改进的坡度滤波算法中,提出了4个坡度阈值,克服了经典坡度滤波算法在地形急剧变化的地方可能发生的错误。实验结果表明,该算法可以提取出大多数地面点,生成比较精确的DEM,证明了该算法的可行性。     

基于面片裁切技术的点云轮廓线生成算法

随着点云在各个领域的广泛应用,对点云处理相关技术的研究更为活跃。目前,研究的热点主要集中在点云去噪、配准、分割、增强、特征提取和重建等方面。其中,特征提取起着承前启后的作用,具有十分重要的研究价值。基于面片裁切技术的点云轮廓线生成算法。首先,对点云数据进行面片提取,通过面片生长、融合生成特征面片,并根据提出的面片双向索引法快速构造特征线,最终实现点云平面轮廓线的生成。实验证明,本算法可快速、准确、有效地实现点云轮廓线的生成。     

密度聚类算法在连续分布点云去噪中的应用

在原始测量获取的点云数据中,除了目标数据外,还有大量的噪声数据。噪声往往无规律地分布在目标物体周围,难以用统一数学模型区分。基于密度的聚类算法将簇定义为密度相连的点的最大集合,能发现任意形状、大小的类簇,将该算法应用在点云去噪中,能将密度分布连续点进行聚类,从中提取出目标点云。