基于体元的机载LiDAR点云数据建筑物提取算法

针对目前机载LiDAR点云数据存在的数据组织效率低下以及不利于查询等问题,本文提出了一种基于体元的建筑物提取算法。首先,构建体元模型实现机载LiDAR数据的真三维描述;然后,计算局部邻域曲面拟合残差,将残差最小的体元视作种子体元;最后,根据局部邻域法向量夹角准则来实现种子体元的区域增长,从而获得建筑物点。本文选取ISPRS公开的点云滤波测试数据中的8种复杂场景进行实验,实验结果表明:本文算法不仅原理简单、容易实现,而且具有较好的鲁棒性,不会受地形以及建筑物类型和尺寸的限制,Kappa系数达到80%以上,实现了复杂场景下建筑物的提取。     

半自动机载LiDAR点云建筑物三维重建方法

针对全自动建筑物3D重建存在需要后续人工检验,且发现重建错误需要花费额外时间修改的问题,提出了一种半自动的面向对象的机载LiDAR点云建筑物3D重建方法。基于建筑物类别点云的联通分析和平面生长分割结果,提出了自动的建筑物栋数检测、单栋建筑物外轮廓提取、单栋建筑物内部结构线提取方法;同时,在计算机无法完成部分工作时,人工辅助计算机完成高程阶越线提取、识别建筑物屋顶附属物点云等工作。实验证明,该方法可以适用于高密度机载LiDAR点云数据中城区大部分建筑物的3D模型重建。     

利用机载LiDAR点云提取复杂城市建筑物面域

机载LiDAR技术为探测建筑物提供了大量三维点云坐标.为了能从植被中有效识别建筑物面域,首先利用渐进式TIN加密法识别非地面点云,经过移除低于地面3 m的点云和孤立点云后生成菲地面点云的二值化格网,依据自定义的分割算子打断建筑物和植被间的可能连接;然后通过区域生成算法以高差阈值来聚类二者的面域,并使用大坡度密度阈值来提取建筑物的面域;最后使用形态学闭算子填充面域孔洞并平滑其边缘.选取3个典型的复杂城市区域进行测试,结果显示,各区域的提取质量与完成率均高于91％,表明该算法能够达到自动识别建筑物的目的.     

几何与Gabor纹理特征的机载LiDAR点云建筑物提取

针对仅基于LiDAR点云的几何特征难以区分高程相似地物,且建筑物轮廓边缘信息提取精度不高的问题,该文提出一种基于几何特征与纹理特征的建筑物点云提取方法。利用圆柱体邻域计算16个与强度、高程、平面和密度相关的空间几何特征;通过Gabor滤波器提取24个纹理特征;再通过ReliefF特征选择前10个最优特征训练随机森林分类器,实现建筑物点分类。通过3组机载点云数据试验,对比仅使用点云几何特征(OP)、几何与纹理特征(OP+TE)、几何与纹理特征并特征选择(OP+TE+FS)3种方法的建筑物提取效果。实验结果表明,加入点云纹理特征并进行特征选择,能够进一步减少点云建筑物的漏提取和误提取现象,具有更高的完整率和准确率。     

LiDAR点云的建筑物立面空洞修复

针对树木等遮挡造成的车载LiDAR建筑物立面点云空洞,该文提出了一种基于机载和车载LiDAR数据融合的建筑物点云修复方法,即在空-地LiDAR点云融合的基础上,基于提取的机载LiDAR建筑物外轮廓线,通过缓冲区分析实现车载LiDAR建筑物点云分割;借助轮廓线信息实现了邻近建筑物间的相似性判断,基于匹配后的相似建筑物点云和空洞探测方法,实现了建筑物立面点云空洞修复。最后通过实验数据验证了该方法的可行性。     

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。     

机载LiDAR点云提取城市道路网的半自动方法

针对从卫星和航空正射影像中手工提取道路的方法速度慢的问题,该文基于机载LiDAR点云的高程和反射强度信息,手工选取一定量的种子点,采用区域生长法分割出初始道路区域;在填充空洞和平滑预处理后,利用细化算法提取出道路中线;根据长度阈值剔除毛刺短分支,使用自动算法和手工结合的方法消除多余通路和环形通路;并跟踪连接成矢量道路线,根据抽稀算法移除大量的小弯曲拐点,最后平滑矢量道路线成道路网。在测试复杂场景下的城市LiDAR点云后,发现提取的道路网的完整率和正确率较高。     

一种基于机载LiDAR点云电力线自动提取方法

针对电力巡线需求,提出一种基于机载LiDAR点云数据的电力线自动提取方法。首先采用高程滤波方法去除地面点及低矮地物点,采用顾及邻域尺度的自适应半径主成分分析法确定各点维度特性,利用维度特性从滤波后的点云中粗提取电力线点;然后根据电力线点空间分布特征,引入密度聚类算法实现单根电力线点精确提取;最后采用抛物线模型在三维空间中重构每根电力线。选取两组典型代表性的实测数据进行实验,结果表明:该方法能够从电力线走廊机载激光点云中快速提取出完整的单根电力线点,具有抗噪性强和提取精度高的特点,单根电力线提取误差率在0.06%以下,电力线提取结果能够直接应用于三维模型重建中。     

一种基于LiDAR点云的建筑物提取方法

从机载雷达点云数据中快速准确提取建筑物是当前研究的难点和热点。在对现有建筑物点云提取方法充分研究和分析的基础上,本文提出了一种基于LiDAR点云的建筑物提取方法。首先根据建筑物的几何特性提取初始建筑物轮廓点;然后构建局部协方差矩阵计算点云分布特征,剔除非建筑物轮廓点;最后利用DBSCAN聚类算法对建筑物轮廓点聚类,以聚类结果为基础构建缓冲区,以缓冲区内所有建筑物轮廓点为初始种子点,采用圆柱体邻域进行多种子点区域增长,实现建筑物点云的提取。通过两组试验,共5组数据验证本文算法的性能。试验结果表明,该方法能够准确、有效地提取多层复杂的建筑物点云,效率高,且具有一定的适用性。     

利用影像辅助LiDAR点云数据的建筑物提取方法研究

机载LiDAR作为一种新兴的对地观测技术,能够快速地获取地表三维信息。如何从海量LiDAR点云数据中提取建筑物是数据处理中的一项关键工作。本文结合LiDAR数据和航空影像的数据特点,提出了一种航空影像辅助的LiDAR点云建筑物提取方法,首先,采用面向对象方法从航空影像中提取建筑物的轮廓;然后,以建筑轮廓信息为参考,从LiDAR点云中提取建筑物的点云数据;最后,通过实验证明该方法的有效性与可行性。     

结合形态学和TIN三角网的机载LiDAR点云滤波算法

针对传统不规则三角网滤波精度依赖于初始种子点选取的问题,提出一种结合形态学与不规则三角网的机载LiDAR点云滤波算法。首先采用KD树粗差剔除方法对异常点进行剔除,然后利用数学形态学滤波算法对粗差剔除后的点云进行粗滤波,最后采用改进的不规则三角网滤波算法对上述结果进行精滤波。三角网迭代滤波过程中每次对滤波得到的地面点进行整体构网,减少了构网次数以及离散点之间的相互影响。实验选取国际摄影测量与遥感协会提供的3组测试数据进行滤波,结果表明本文方法能够有效降低I类误差和II类误差,验证本文滤波算法的可靠性。     

融合机载雷达和航空正射影像的道路提取

针对单一遥感数据源提取道路信息中存在的问题,该文提出一种融合多源数据的方法:采用面向对象思想,融合机载激光雷达和航空正射影像,运用对象平均强度指数进行道路精确提取。首先利用点云强度信息进行道路粗提取,再结合影像光谱信息对粗提取点云进行优化,得到"一次点云";然后通过分形网络演化算法对影像进行多尺度分割形成对象,将"一次点云"导入分割对象,利用对象平均强度辅之以对象面积完成道路精确提取。实验结果表明,该方法提取流程简单快速、无须精确配准、道路提取精度较高。     

Accuracy test of point-based and object-based urban building feature classification and extraction applying airborne LiDAR data

Point-based and object-based building extractions were conducted in airborne LiDAR data in a sample area of Buffalo, New York. First, the earth surface points were filtered from the entire laser scan data set using a new filtering algorithm, which combines the TIN slope modelling and statistical analysis. The off-ground points were extracted for buildings in the study area using both point cluster analysis and object-oriented classifications. The accuracies of both approaches were tested using the digitised ground truth. The outcomes of accuracy testing of the point-based method are correctness: 88.74%, completeness: 92.67% and quality: 83.50%. The results of the accuracy of object-based building extraction are correctness: 87.21%, completeness: 60.14%, and quality: 55.26%. Reconstructions of 3D building models based on the extracted building points were performed. This study contributes scientific and technological knowledge for researchers in developing more effective methods in converting the LiDAR survey to a 3D GIS database.     

基于LiDAR数据和航空影像的水体自动提取

提出将LiDAR数据对水体的敏感性与航空影像的高分辨率特征相结合的水体自动提取方法。利用SIFT算法对LiDAR强度图像和航空影像进行配准,在LiDAR高程图像上提取无回波信号的黑色区域,构建几何约束条件,排除由遮挡产生的无效区域;将水体初始位置映射到航空影像上,结合边缘信息进行区域生长,并对生长区域进行数学形态学运算,最终获取水体区域。实验结果表明,该方法可以获得很好的水体提取效果。     

融合LiDAR数据与航空影像的面向对象水体提取

针对单一数据源难以快速、准确提取水体信息的问题,提出一种利用面向对象技术有效融合LiDAR点云与影像数据,准确提取水体信息的新方法。采用分形网络演化算法对航空影像进行多尺度分割得到影像对象,提出对象平均回波强度概念,利用LiDAR回波强度信息计算OAI,选取对象面积和OAI构建特征空间提取水体。实验结果表明,该方法简单高效,水体提取效果良好。该文方法可为无需精确配准的高精度水体提取、利用面向对象技术处理基于LiDAR数据和航空影像的信息提取等问题提供参考。     

基于LiDAR点云的建筑物分割深度学习模型研究

本文针对深度神经网络算法应用于机载激光点云进行大规模建筑物提取的问题,分别选取PointNet++和PointCNN两个网络模型进行了改进和对比。对于PointCNN,通过参数调整,使其更适合大场景信息提取。对于PointNet++,为了增加更多特征,加快大场景下网络模型的训练效率,在网络体系结构中添加了一种新的特征提取层——K-means层。另外,通过在测试数据集上的训练和验证发现,本文基于深度学习方法的分类较好地克服了点云的无序特性,能够更好地利用点之间的空间相关性,改进后两种模型的精度均达96%以上,在建筑物提取的时间效率和效果上优于原始模型。     

利用6元组松弛法自动配准LiDAR数据与航空影像

提出了利用6元组松弛匹配方法实现LiDAR数据与航空影像自动配准的方法。根据建筑物的一般建造原则定义其角点,利用同一水平面的任意3个角点组成的三角形投影前后相似的特点,采用基于6元组的松弛法匹配同名角点,最后利用投影变形规律优化匹配结果。实验证明,该方法无需航空影像内外方位元素,与尺度差异、旋转角无关,基本实现了LiDAR数据与航空影像自动、精确配准。     

An automated algorithm for mapping building impervious areas from airborne LiDAR point-cloud data for flood hydrology

Buildings, as impervious surfaces, are an important component of total impervious surface areas that drive urban stormwater response to intense rainfall events. Most stormwater models that use percent impervious area (PIA) are spatially lumped models and do not require precise locations of building roofs, as in other applications of building maps, but do require accurate estimates of total impervious areas within the geographic units of observation (e.g. city blocks or sub-watershed units). Two-dimensional mapping of buildings from aerial imagery requires laborious efforts from image analysts or elaborate image analysis techniques using high spatial resolution imagery. Moreover, large uncertainties exist where tall, dense vegetation obscures the structures. Analyzing LiDAR point-cloud data, however, can distinguish buildings from vegetation canopy and facilitate the mapping of buildings. This paper presents a new building extraction approach that is based on and optimized for estimating building impervious areas (BIA) for hydrologic purposes and can be used with standard GIS software to identify building roofs under tall, thick canopy. Accuracy assessment methods are presented that can optimize model performance for modeling BIA within the geographic units of observation for hydrologic applications. The Building Extraction from LiDAR Last Returns (BELLR) model, a 2.5D rule-based GIS model, uses a non-spatial, local vertical difference filter (VDF) on LiDAR point-cloud data to automatically identify and map building footprints. The model includes an absolute difference in elevation (AdE) parameter in the VDF that compares the difference between mean and modal elevations of last-returns in each cell.

The BELLR model is calibrated for an extensive inner-city, highly urbanized small watershed in Columbia, South Carolina, USA that is covered by tall, thick vegetation canopy that obscures many buildings. The calibration of BELLR used a set of building locations compiled by photo-analysts, and validation used independent building reference data. The model is applied to two residential neighborhoods, one of which is a residential area within the primary watershed and the other is a younger suburban neighborhood with a less-well developed tree canopy used as a validation site. Performance results indicate that the BELLR model is highly sensitive to concavity in the lasboundary tool of LAStools® and those settings are highly site specific. The model is also sensitive to cell size and the AdE threshold values. However, properly calibrated the BIA for the two residential sites could be estimated within 1% error for optimized experiments.

To examine results in a hydrologic application, the BELLR estimated BIAs were tested using two different types of hydrologic models to compare BELLR results with results using the National Land Cover Database (NLCD) 2011 Percent Developed Imperviousness data. The BELLR BIA values provide more accurate results than the use of the 2011 NLCD PIA data in both models. The VDF developed in this study to map buildings could be applied to LiDAR point-cloud filtering algorithms for feature extraction in machine learning or mapping other planar surfaces in more broad-based land-cover classifications.