机载LiDAR点云建筑物边界线规则化算法研究

针对单一参数的Alpha-Shape算法无法适应密度差异较大的点集数据以及提取的边界信息具有锯齿形状的问题,结合Alpha-Shape算法与D-P算法进行轮廓线的粗略提取,利用最小二乘方法以及建筑物边界线之间向量、长度等特征确定建筑物关键点;通过寻找建筑物主方向,实现建筑物边界线规则化。实验选取国际摄影测量与遥感协会提供的典型区域的LiDAR点云数据进行建筑物边界线提取,并与传统Alpha-Shape算法提取建筑边界线结果进行比较,结果表明本文算法在建筑物边界线信息提取方面更准确、更稳定。     

结合Harris-Laplace与SIFT特征的无人机倾斜影像拼接

针对无人机影像存在仿射变形与阴影问题,本文提出应用Harris-Laplace与SIFT特征的倾斜无人机影像匹配方法。首先,提取具有光照、影像噪声、尺度不变性的Harris-Laplace关键点,并计算关键点的主方向,生成特征点;然后采用SIFT特征描述子对第一步提取的特征点进行表达;最后,采用BBF方法提取初始匹配点对和最小二乘法约束的均方根误差(RMSE)剔除。实验结果表明,该算法在存在仿射变形、高大建筑物阴影的影像匹配表现较好的结果。     

感知编组下的高分辨率影像建筑轮廓正则化方法

针对经典的建筑物边界正则化方法(如最小外接矩形法和角点拟合法)无法适用于高分辨率遥感影像中形状复杂的建筑区域,该文提出了一种基于感知编组的建筑物轮廓正则化处理方法。基于道格拉斯-普克算法对粗提取的建筑物进行多边形简化,利用关键点信息进行分组最小二乘直线拟合,在建筑物主导方向约束下利用感知编组算法进行各个线段的连接与重构。实验结果表明,该文正则化处理方法在建筑物轮廓的准确性、规整程度及最终精度均得到提高,能真实、准确地反映建筑物的真实形状。     

结合区域增长法和TIN边缘分割的建筑物立面几何特征提取

针对已分割出建筑物立面的点云数据,采用结合主成分分析(PCA)的区域增长法提取建筑物立面的平面特征,并利用结合凸壳算法的三角网轮廓提取算法实现建筑物立面几何特征轮廓边的提取。实验结果表明,该方法可以有效地从密度不均匀的点云数据中提取出建筑物立面几何特征。     

关键点检测的复杂建筑物模型自动重建

利用机载LiDAR点云数据进行建筑物重建是当今摄影测量与遥感领域的一个热点问题,特别是复杂形状建筑物模型的精确自动构建一直是一个难题。本文提出一种基于关键点检测的复杂建筑物模型自动重建方法,采用RANSAC法与距离法相结合的分割方法自动提取建筑物屋顶各个平面的点云,并利用Alpha Shape算法提取出各个平面的精确轮廓,根据屋顶平面之间的空间拓扑关系分析建筑物的公共交线特征,在此特征约束下对提取的初始关键点进行修正,最终重建出精确的建筑物3维模型。选取不同类型复杂建筑物与包含复杂建筑物的城市区域点云进行实验,结果表明该算法具有较强实用价值。     

基于局部高程差异的建筑物提取算法

传统算法直接使用数字表面模型(DSM)进行建筑物提取,忽略了地形影响,只适用于地形变化较小的区域。针对该问题,提出了一种基于局部高程差异的建筑物提取算法。利用地物相对于局部区域的高程差异来反映地物高度,再运用基于知识的提取算法提取建筑物。实验结果表明,该算法具有较高的精度,比SVM算法降低了1.18%的误提率和6.51%的漏提率。     

融合分散自适应注意力机制的多尺度遥感影像建筑物实例细化提取EI北大核心CSCD

遥感影像建筑物准确、高效的自动提取方法有着广泛的用途。针对现有遥感影像建筑物提取方法难以兼顾不同大小的建筑物,导致小尺度建筑物不同程度上漏检及提取的建筑物轮廓边界模糊等问题,本文提出一种融合分散自适应注意力机制的多尺度遥感影像建筑物实例细化提取方法(MBRef-CNN)。首先采用融合分散自适应注意力机制的遥感影像多尺度特征提取网络(SA-FPN)学习多尺度建筑物的特征,然后利用区域候选网络(RPN)预测单个建筑物实例的目标框位置,最后使用边界细化网络(BndRN)迭代获取精确的建筑物掩膜。在WHU aerial imagery dataset数据集上,通过与现有主流方法进行对比试验表明,本文方法的建筑物掩膜提取精确度比其他表现优秀的主流分割算法更高,在多尺度的建筑物提取上表现出良好的综合性能,且在小尺度的建筑物提取上具有明显的精度优势。     

基于LiDAR点云的建筑物边界提取及规则化

在无需定义主方向及建筑物形状的前提下,提出了一种适合于各种类型建筑的边界提取算法。首先利用凸包算法进行建筑物边界点的提取及排序,接着利用分组的Douglas-Peucker(D-P)算法进行边界特征点的提取,最后实现建筑物边界弧段部分的拟合。     

密集城区高分辨率遥感影像建筑物提取

建筑物在地理国情监测中是一个重要目标,快速、准确地提取城市建筑物可以带来巨大的经济价值。本文在前人针对城市区域的建筑物提取研究基础上,对现有提取方法存在的问题,提出了一种针对密集城区的面向对象自动化建筑物提取流程。首先利用高分辨率遥感影像得到阴影和建筑物初提取结果;然后利用阴影和建筑物的空间位置关系,建立筛选条件,对疑似建筑物区域过滤;最后通过图割算法来精确建筑物轮廓。通过使用武汉地区的两幅QuickBird影像进行算法验证试验,可得到准确的检测结果。本算法可应用于密集城区的建筑物检测,能够有效减少人工判图的工作量。     

利用LMedS算法提取规则建筑物顶部面片

针对常用的平面拟合方法在有"噪声点"存在的情况下,会出现拟合不稳定的问题,本文采用稳健性较好的RANSAC算法,从机载Li DAR数据中提取出建筑物顶部面片。RANSAC算法进行参数拟合时,会存在一些缺陷,通过改进RANSAC算法(LMed S算法)可以达到更好的拟合效果。首先利用直通滤波器对点云数据进行简单的滤波,然后通过Voxel Grid滤波器对点云数据进行下采样。对下采样之后的点云数据,用LMed S算法提取建筑物顶部面片。试验表明,利用LMed S算法可以成功提取建筑物顶部面片,稳健性较好。