光斑影响下激光点云的不确定性评价

利用光斑的特性确定激光点位在光斑中的不确定性,将误差熵引入到激光点位不确定性的评价中。根据激光反射特性,确定了激光点位不确定性的概率密度函数,利用信息熵的定义推导了激光点位的信息熵,同时,利用信息熵与误差熵的关系进行了激光点位误差熵的推导,根据误差熵关系式确定了误差熵与光斑面积的线性关系。根据点云光斑实际面积,得到了点云误差熵及每个激光点位的平均误差熵。利用入射角与误差熵之间的关系,分析了入射角对激光点位不确定性的影响程度,确定了扫描的最佳入射角范围。通过设置不同扫描间隔得到的点云数据,验证了利用误差熵对点云不确定性进行评价的可行性。     

二维随机点的熵误差指标

根据信息论基本原理，提出了二维随机点的熵误差指标，该指标与以往的误差指标不同，它是一个在熵意义下唯一确定的，与置信概率无关的客观指标，把它作为二维点位置不确定性的度量指标具有特殊优越性。     

遥感云分类不确定性的多维混合熵模型评价

针对遥感影像提取信息分类过程中存在随机不确定性和模糊不确定性两种噪声,影响分类结果的准确性问题,该文在多光谱遥感影像处理中,通过对传统的混合熵模型进行多维化改进,提出多维混合熵的不确定性评价模型。采用云算法对遥感影像进行解译分类,获取相应的不确定性模型参数计算出信息熵和模糊熵,从像元和类别两个尺度构建出遥感云分类不确定性的多维混合熵评价模型。结果表明,多维混合熵模型能够充分考虑多光谱遥感数据的多维性,可以从不同尺度对遥感分类的随机不确定性和模糊不确定性进行有效全面地评价。     

GIS中三维空间直线的误差熵模型

从信息熵的角度提出了三维空间直线的误差熵模型，该模型由以垂直直线的平面误差熵为半径的圆柱体和两端点的误差球组成，是一种完全确定的度量空间线元不确定性的模型。理论分析与实验表明，本文所提出的模型具有较好的效果。     

熵理论在确定点位不确定性指标上的应用

分析了传统点位不确定性指标的局限性,基于信息论中的联合熵和最大熵定理导出了n维随机点熵不确定指标以及落入其内概率的统一公式;提出了以熵误差椭圆与熵误差椭球作为2维、3维GIS中点元的位置不确定性度量指标.提出的熵指标具有唯一确定、不受置信水平选取的主观性影响等特点,适合于度量未知分布的点位不确定性.     

误差熵不确定带模型

本文从信息论的基本理论出发，通过熵的极值定理和引入误差熵的概念 ，首次提出了误差熵不确定带模型。该模型与以往的误差模型有着本质的区别。它不是任何意义上的置信带，而是一种完全确定的，与置信水平无关的不确定带模型。     

GIS中面元的误差熵模型

根据整个线元边缘分布的平均信息熵确定了“ε－带”的宽度，提出了线元的平均误差熵带模型，进一步扩展到面元的误差熵环模型。误差熵环的带宽取构成边界线的各线段误差熵的加权平均值。最后通过算例比较了面元的误差熵环和误差环模型，绘出了它们的可视化图形，得出了一些有益的结论。     

GIS中线元的误差熵带研究

基于现有的线元位置不确定性模型大多与置信水平的选取有关,而置信水平的选取带有一定程度的主观性,因而不能惟一确定。引入信息熵理论,提出了线元的误差熵带模型,并将它与"E-带"进行了比较,计算了落入其内的概率。该模型根据联合熵惟一确定,与置信水平的选取无关。     

利用误差熵确定激光点云变形可监测指标

利用三维激光扫描确定变形区域的主要方法是对相同区域的点云进行对比分析,根据对比值确定变形区域及变形量,这种方法虽然能够简单地实现变形监测,但对于监测结果的可靠性并没有进行评价。因此,为了提高变形监测结果的可靠性,对点云误差及点云配准误差进行分析,并由此确定点云变形监测的可监测指标。为了避免相邻点位误差之间的相互影响及误差空间大小的不确定性影响,利用误差熵来确定点云误差空间,并根据其实际大小和误差极值的关系来确定变形可监测指标。通过不同距离和入射角下模拟的平面板变形来验证其可行性,并将该方法应用于某个滑坡场景,以确定该滑坡的变形区域和变形大小。     

滑坡监测中点云数据分析

山体滑坡是不可逆转的自然灾害,实时监测滑坡绝对位移和相对位移,掌握滑坡形变的规律和趋势,可减少经济损失,保障经济发展。三维激光扫描技术是监测山体滑坡的主要方法之一,其关键是去除地表植被、建筑物等其他地物点云信息对地表模型的干扰,获得扫描区域高精度的DEM,进而得到准确的监测信息。因此本文重点分析并去除滑坡体各种干扰地物点云信息。     

未知分布误差的熵不确定度

分析现有估计方法的不足，提出基于最大熵的不确定度估计。所得的指标不受置信水平选取时的主观性影响，适合于GIS中未知分布误差的不确定性度量。     

Determining the Deformation Monitorable Indicator of Point Cloud Using Error Ellipsoid

As the development of the terrestrial laser scanning (TLS) technique, deformation monitoring using TLS has attracted increasing attention in the field. To distinguish the deformation from the error of TLS point cloud and evaluate the deformation monitorable capacity of the point cloud, a deformation monitorable indicator (DMI) should be determined. In this paper, a new method for determining the DMI of point cloud is proposed. The kernel procedure of the method is the establishment of point error ellipsoid and point cloud error ellipsoid and is described firstly in the paper. Then the computation of the actual point error ellipsoid is derived considering the intersection between the neighboring error ellipsoids. The determination of DMI comes in the next by calculating the point position error of the deformation orientation based on the actual point error ellipsoid. Furthermore, the performance of proposed approach is illustrated with validation experiments of planar board displacement where deformations with different sampling intervals, different scanning distances and different incidence angles were simulated. From the analysis of the experiments, the results show the validation of the feasibility of determining the DMI by the proposed method. This technique was also applied to a monitoring event of bridge pylon, and the results confirm the feasibility of the DMI in a real case, as well.     

A New Progressive Simplification Method for Point Cloud Using Local Entropy of Normal Angle

With the development of modern 3D measurement technologies, it becomes easy to capture dense point cloud datasets. To settle the problem of pruning the redundant points and fast reconstruction, simplification for point cloud is a necessary step during the processing. In this paper, a new method is proposed to simplify point cloud data. The kernel procedure of the method is to evaluate the importance of points based on local entropy of normal angle. After the estimation of normal vectors, the importance evaluation of points is derived based on normal angles and the theory of information entropy. The simplification proceeds and finishes by removing the least important points and updating the normal vectors and importance values progressively until user-specified reduction ratio is reached. To evaluate the accuracy of the simplification results quantitatively, an indicator is determined by calculating the mean entropy of the simplified point cloud. Furthermore, the performance of the proposed approach is illustrated with two sets of validation experiments where other three classical simplification methods are employed for contrast. The results show that the proposed method performs much better than other three methods for point cloud simplification.     

利用无人机LiDAR点云数据进行电力线危险点检测

智能电网建设的大规模开展对电网快速高精度勘测、巡查和可视化管理提出了巨大的应用需求。机载LiDAR系统为快速、高效、高精度电力线路建模、巡视和危险点检测提供了可能。小型无人直升机遥感平台特有的便于携带、转移方便、成本低、易于维护的优势使基于无人机平台搭建的对地观测系统成为世界各国争相研究的热点。本文讨论了将机载LiDAR系统与无人机技术结合,并以温州市苍南县境内电力线为试验区,实现了对基于无人机LiDAR点云数据的电力线危险点的快速、精确检测。     

标记点过程用于点云建筑物提取

目的 提出了利用标记点过程从机载激光扫描数据中直接提取建筑物的方法。该方法首先根据建筑物在点云中的几何特征建立Gibbs能量模型,通过目标的一致性建立模型的数据项,通过目标的拓扑性质等空间特性建立模型的先验项;然后,利用可逆跳转马尔科夫蒙特卡洛算法(RJMCMC)和模拟退火算法优化求解;最后,利用精细处理移除错误提取的地面点、噪声点和树木点,合并相邻的目标,实现建筑物目标的精确提取。利用3组ISPRS机载激光扫描点云进行实验,结果表明,该方法能够准确、有效地提取建筑物,具有较强的稳健性。     

机载LiDAR点云数据误差分析

基于国产机载LiDAR系统各传感器组成及工作原理,详细介绍系统各传感器所产生的误差和集成误差,将其归结为八大类,包括：定位误差、GNSS/IMU组合系统误差、激光测距误差、激光测角误差、系统集成安置误差、时间同步误差、数据内插误差、坐标转换误差。同时对各种误差处理的方法进行了介绍。对于获取高精度激光点云数据及后续处理具有重要意义。     

利用HYPACK MAX&Hysweep进行点云数据处理

本文以HYPACK MAXHysweep测深数据处理软件为基础,结合水下地形测量项目,对如何高效、准确以及稳定的处理点云高程数据中存在的噪点、断面误差点等粗差数据的方法进行了探究。本文实现了对以上问题的高效处理,与传统的工作方法相比,提高了工作效率,值得推广和应用。     

浅谈利用激光点云数据制作DEM

利用摄影测量方式获取DEM数据生产周期长、费用高、效率低、高程点获取的密度低。机载雷达集成GPS、IMU、激光扫描仪、数码像机等光谱成像设备,作为精确、快速地获取地面三维数据的工具已得到广泛的认同。结合项目研究与试验,根据实际生产经验,介绍TerraSolid系列软件的模块功能,以及利用点云数据制作DEM的技术流程和方法。