基于语义推理的城区机载LiDAR分割点云分类

目前,机载LiDAR系统获取的点云数据具有多回波的特性,回波特性可以揭示地物的类型信息。本文在排除粗差、首次回波和中间次回波后,对单次回波和尾次回波形成的点云子集进行基于3DHough变换分割和滤波处理以区分地面点和非地面点(包括墙面点),然后合并首次回波、中间次回波和非地面点再次进行点云分割,利用分割面片的尺寸大小、单次回波激光脚点比例、首次回波和中间次回波激光脚点比例等三个指标区分建筑物激光脚点和植被激光脚点。实验证明,上述方法可以很好地将点云数据分类为墙面点、地面点、建筑物点和植被点。     

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.     

利用机载LiDAR数据提取与分析地裂缝

机载激光扫描可获取植被茂密地区的数字地形模型(DTM),但将其用于茂密植被覆盖区地裂缝提取方法的研究还不多见。以湖南冷水江市浪石滩为试验区,基于机载Li DAR的激光点云数据,研究了植被覆盖区地裂缝的提取方法,分析了地裂缝的微地貌特征。首先对离散的三维激光点云数据依次进行基于不规则三角网滤波、高程滤波及回波信息强度滤波提取地面点,以保留完整的微地貌微特征;然后构建不规则三角网,反距离加权内插生成数字高程模型(DEM),提取地裂缝识别参数,同时基于最小曲率对地裂缝进行线性探测,提取地裂缝的长度信息,且利用地裂缝剖面信息分析其微特征,结合识别参数分析地裂缝的稳定性。研究结果表明:利用机载Li DAR点云数据提取的地裂缝识别参数,能够确定地裂缝的位置、坡度坡向、长度和深度信息,有助于判定地裂缝的稳定性;在植被较为茂密、地面点密度稀疏的区域,保留一定的低矮植被所提取到的DEM能更好地保留地裂缝的微地貌特征。     

LiDAR点云中快速提取建筑物的方法研究

研究了从LiDAR点云数据中快速提取建筑物的方法路线。首先通过滤波去噪从点云数据中获取数字表面模型DSM,再通过地面点数据分类获取数字地面模型DTM,将DSM与DTM相减得出对应实体主要为建筑物和植被等地物的规则化nDSM。再利用激光扫描线方向X变量值与高度函数值Z的导数值来确定LiDAR点云是否为建筑物类型,基于此理论对建筑物提取参数进行设置,从而快速提取出建筑物信息。通过实验数据论证并进行成果分析,结果表明本文方法具有较高的效率和准确率。     

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。     

基于机载点云数据的智能化成图方法研究

为了提高机载点云数据生产大比例尺地形图的自动化程度,减少人工作业工作量,提出了一种基于机载点云数据的半自动化成图方法。该方法先对原始点云数据进行滤波处理,再将其划分为地面点云和非地面点云。对于地面点云可自动提取等高线并生成高程点;对于非地面点云,先进行分割、分类处理提取建筑物、高架桥等典型地物,再进一步提取其边界,完成制图。该方法能有效完成地形图生产中等高线、高程点、建筑物等要素的自动提取,而其他地形要素还需根据正射影像补充提取。     

融合航空影像的震后机载LiDAR建筑物点云提取

基于机载激光雷达LiDAR(Light Detection and Ranging)数据识别震后建筑物震害,其前提是快速准确地提取建筑物点云。通过分析地震灾区机载激光雷达点云中提取建筑物点云的诸多难点,已有的方法难以达到预期效果,因此提出融合同机航空影像数据的方法,实现了震后灾区建筑物点云的获取。该方法首先在数据预处理的基础上,利用布料模拟滤波CSF(Cloth Simulation Filtering)算法进行点云滤波,得到地面点云和非地面点云(主要是建筑物、植被和车辆行人等),并将航空影像红波段光谱信息赋予非地面点云;然后基于灰度直方图阈值分割的方法剔除植被点;最后对剩余激光脚点利用具有噪声的基于密度的空间聚类DBSCAN(Density-Based Spatial Clustering of Applications with Noise)算法进行聚类提取最终的建筑物点,并与参考建筑物点比对,进行精度验证,得到建筑物点云提取的漏检概率、虚警概率分别为15.61%、7.52%,总体精度可达84.39%。结果表明,在一定精度要求范围内,该方法能有效实现地震灾区建筑物点云的提取,可为震后机载LiDAR建筑物点云提取提供技术参考和方法借鉴,为建筑物震害识别做好基础工作。     

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。     

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.     

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。     

Ground filtering and vegetation mapping using multi-return terrestrial laser scanning

Discriminating laser scanner data points belonging to ground from points above-ground (vegetation or buildings) is a key issue in research. Methods for filtering points into ground and non-ground classes have been widely studied mostly on datasets derived from airborne laser scanners, less so for terrestrial laser scanners. Recent developments in terrestrial laser sensors (longer ranges, faster acquisition and multiple return echoes) has aroused greater interest for surface modelling applications. The downside of TLS is that a typical dataset has high variability in point density, with evident side-effects on processing methods and CPU-time. In this work we use a scan dataset from a sensor which returns multiple target echoes, in this case providing more than 70 million points on our study site. The area presents low, medium and high vegetation, undergrowth with varying density, as well as bare ground with varying morphology (i.e. very steep slopes as well as flat areas). We test an integrated work-flow for defining a terrain and surface model (DTM and DSM) and successively for extracting information on vegetation density and height distribution on such a complex environment. Attention was given to efficiency and speed of processing. The method consists on a first step which subsets the original points to define ground candidates by taking into account the ordinal return number and the amplitude. A custom progressive morphological filter (opening operation) is applied next, on ground candidate points using a multidimensional grid to account for the fallout in point density as a function of distance from scanner. Vegetation density mapping over the area is then estimated using a weighted ratio of point counts in the tri-dimensional space over each cell. The overall result is a pipeline for processing TLS points clouds with minimal user interaction, producing a Digital Terrain Model (DTM), a Digital Surface Model (DSM), a vegetation density map and a derived Canopy Height Model (CHM). These products are of high importance for many applications ranging from forestry to hydrology and geomorphology.     

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。     

无人机倾斜摄影测量土方计算及精度评定

无人机倾斜摄影技术的不断发展为土方测量中存在的受地形限制,费时耗力等问题提供了解决途径。本文详细阐述了结合PhotoScan软件进行无人机倾斜摄影土方计算的方法,介绍了点云分类方法与非地面点高程值修正方法。通过对地面控制点、点云分类方法和非地面点高程等因素进行分析,提出了地面控制点布设优化三原则,并利用RTK土方计算结果对无人机倾斜摄影测量土方计算结果进行精度分析。结果表明：利用无人机倾斜摄影技术进行土方计算,不仅能够简化内外业工作流程,降低生产成本,同时,通过对地面控制点布设、点云分类方法和非地面点高程改进方法等影响因素进行优化,还能够在一定程度上提高土方计算的精度。     

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。     

Airborne LiDAR point cloud in mapping of fluvial forms: a case study of a Hungarian floodplain

The aim of this paper was to analyze the ground and low vegetation points of a Light Detection and Ranging (LiDAR) point cloud from the aspect of the generated digital terrain model (DTM). We determined the height difference between the surveyed surface and the DTM and the level of interspersion of ground and low vegetation points in a floodplain. Finally, we performed a supervised classification with topographic (elevation, slope and aspect) variables and an Normalized Difference Vegetation Index (NDVI) layer to identify swales and point bars as floodplain forms. Cross sections of field surveys provided reference data to express the magnitude of the bias on the DTM caused by the vegetation, and we proved that the bias can reach the 60% of the relative height and depth of the floodplain forms (mean error was 0.15 ± 0.12 m). A landscape metric, the Aggregation Index, provided an appropriate tool to analyze and quantify the interspersion of the ground and vegetation points: indicating a high level of interspersion of the classified points, i.e. proved that vegetation points where the last echoes reflected from the vegetation became ground points. Floodplain classification performed best with the common use of DTM, slope, aspect and NDVI coverages, with 71% overall accuracy.     

机载LiDAR点云时间纹理信息航带重叠区消冗

机载LiDAR获取的完整测区点云数据中包含了丰富的信息,同时也伴随着大量冗余数据,本文提出基于机载LiDAR点云时间纹理信息的航带重叠区消冗方法。首先按点云时间信息划分航带,再按点云纹理信息提取航带边缘,接着提取高地物遮挡空洞,最后去除重叠区冗余数据。实验结果表明,该方法无需航线信息辅助,并能在保留遮挡空洞区域点云的同时,高效地去除航带重叠区中精度较低的点云。