一种改进的超体素与区域生长点云分割方法

点云分割作为识别地理场景的空间特征、探索和记录空间信息的关键处理步骤,其分割精度直接影响后续三维场景重建、地物特征提取等应用的效果。针对传统区域生长点云分割算法的不稳定等问题,本文结合超体素和区域生长算法对点云数据进行分割,并利用点云自身的色彩信息进一步改进分割结果。试验结果表明,相较于传统的区域生长和已有的结合超体素与区域生长的分割算法,本文算法对点云数据分割的效果更好,且其精确率与召回率均有提高。     

面向室内场景点云的对象重建

针对当前逆向工程中对象提取及模型重建效率较低的问题,提出了一种面向室内场景点云的对象重建方法。首先构建直通滤波器,采用改进的RANSAC算法剔除非对象点云,然后根据欧氏聚类提取算法分割出各个对象点云,最后基于α-shape理论批量重建出对象模型。试验结果表明,该方法能够从散乱的室内场景点云中快速、自动地重建出代表真实对象的三维模型,具有较高的实用价值。     

融合超体素与成对链接聚类的LiDAR点云分割算法

针对现有的LiDAR点云分割算法稳健性差、效率低的问题,本文提出了一种新的层次化聚类分割算法。该算法首先把点云生成自适应分辨率的超体素,然后以超体素为基元,改进成对链接的分割算法,实现三维点云的分割。试验结果表明,该分割算法与现有的分割方法相比,具有更好的稳健性和更高的计算效率,避免了点云过分割和欠分割的问题。本文算法在分割细节方面更加突出,分割结果可有效地保证后续数据处理工作的精度。     

超体素随机森林与LSTM神经网络联合优化的室内点云高精度分类方法

针对现有三维点云数据分割分类方法存在分类目标内部不一致的问题,提出一种超体素随机森林与长短期记忆神经网络（long short-term memory,LSTM）联合优化的室内点云高精度分类方法。该方法根据超体素结构具备内部特征一致性的特点,对原始点云进行超体素划分,并以超体素为基本单元进行多元特征计算,搭建室内点云超体素随机森林分类模型,实现点云数据的粗分类。在此基础上,引入LSTM对粗分类的超体素邻域连接关系进行神经网络模型训练与预测,实现超体素粗分类结果的优化。基于开放数据集对所提分类方法进行有效性和精度验证,结果显示,该方法在公开数据集中对13类要素的分类精度可达到83.2%;与经典的深度学习框架相比,该方法在小样本训练时可以达到更优的分类精度。     

最小割与深度学习联合优化的室内粘连点云分割方法

随着数字城市的发展,城市三维模型重建对三维点云结构化的需求与精度要求越来越高。如何有效准确地分割室内语义模型与三维重构是当前研究的热点问题。点云分割分类是室内点云结构化的重要基础,如何将粘连点云构件进行准确分割并用于室内点云结构化,是当前城市建模的难点。本文提出了一种面向室内粘连点云数据的分割分类方法。首先,利用深度学习网络处理室内点云数据;其次,对点云数据进行标签分类,得到目标标签点云;然后,利用欧氏算法对目标点云进行聚类分割,通过室内语义构件包围盒信息计算各目标中心点坐标与水平半径;最后,利用点云最小割实现室内粘连点云的准确分割。利用3组室内场景中获取的数据对分割方法的精度及有效性进行了验证。结果表明,该分割优化方法具有较高的精度与数据完整性。     

双层优化的激光雷达点云场景分割方法

对激光雷达扫描的非结构化点云进行分割处理,是进行数据组织、重构和信息提取的重要步骤。本文根据点云表面的局部可微的性质,提出了一种递进形式的双层优化分割算法。首先在黎曼几何框架下计算点的拓扑关系和距离度量特性,以k均值聚类的方法获得过分割体素,作为底层分割结果。然后,将点云的体素模式化为节点,构建最小生成树,提取节点的高级特征信息,利用图优化得到对点云细节自适应的区域分割效果。通过真实数据进行验证,并与现有方法比较,证明所提算法的可行性和先进性。     

基于线性体素分割的机载LiDAR点云数据电力线提取

提出了一种基于线性体素分割的机载LiDAR点云电力线自动提取方法.该方法首先基于八叉树结构对海量三维点云数据进行体素化处理,再对体素点云进行线性检测,并结合马尔可夫随机场(MRF)对线性体素进行分割.然后在分割得到的线性段中,通过杆塔和电力线之间上下文关系的先验知识对杆塔进行精度定位,获取杆塔连接线边集.最后,通过设定...     

基于超体素的机载LiDAR点云滤波与建筑物提取方法

为了提高目前机载LiDAR点云数据滤波和建筑物提取精度,本文提出一种基于超体素的点云滤波与建筑物提取方法。对每个超体素进行相似性判断来实现向上一层的区域增长式合并,并通过判断超体素簇与邻接超体素簇的凹凸性实现再向上一层的合并,最终通过计算聚类对象自身几何特征来过滤地面、植被和噪声,从而得到建筑物点云。实验利用ISPRS公布的标准数据集,选择3个地形数据进行实验。实验结果表明本文算法滤波性能更好,建筑物提取结果优于专业点云处理软件的提取结果。     

室内SLAM点云的快速分割研究

建筑物内部结构和环境复杂,由此产生的噪声等影响使其无法直接运用于室外建模中已经成熟的点云分割算法。为降低噪声带来的影响,本文提出利用直方图统计法,分别对点云进行Z轴方向和X-Y轴方向上的直方图统计,从而分割出地板面,天花板面以及墙面的"候选点"。以K-D树构建空间数据索引,计算点云中各点的法向量以及曲率,将"候选点"中面与面相交处曲率"突变"的点去除,利用区域生长算法分割出建筑物的地板面、墙面以及天花板面。以NavVis公司的M3三维激光扫描车获取的室内SLAM点云数据,对本文方法检验,实验结果表明该方法能有效地降低噪声带来的影响,并且可以对平面点云数据进行分割提取。     

利用超体素的车载激光点云杆状目标的提取

提出了一种利用超体素来提取杆状目标的方法.首先将车载激光点云中的非地面点进行体素化,并在此基础上构建超体素;然后对超体素内的点云进行类型判别,点云大致可分为线型、面型、体型3种类型,杆状目标近似垂直于地面,其点云类型一般为线型;由于杆状目标在水平方向上具有一定的独立性,可以通过一种自适应半径的模型来检测主方向近似平行于...     

基于图割算法的摄影测量点云面向对象分类方法

针对摄影测量点云分类问题,提出一种基于图割算法的面向对象分类方法。由于摄影测量点云质量相对较差,文中首先基于区域增长分割思想,提出一种新的点云体素生成方法,将摄影测量点云聚为不同的对象;然后将不同的对象作为节点,将分类问题建模为一个多标记问题,引入图割算法优化获取邻域内平滑一致的分类结果。利用两组摄影测量点云数据进行实验,正确率分别为87.3%和88.7%,比基于单点的分类方法分别提高2%和2.6%。     

超体素约束下的主动再学习LiDAR点云分类框架

针对点云分类的监督方法需要大量的训练样本、人工标注成本高的问题,本文提出了一种超体素约束下的主动再学习点云分类方法。首先,对点云进行特征提取;然后,通过超体素约束下的主动学习方法选择训练样本并进行人工标注;最后,利用再学习方法进行后处理,通过迭代计算类别统计特征不断优化分类结果。试验结果表明,相比于使用全部训练样本,超体素约束的主动学习方法可以在不足全部样本6%的情况下,达相同的分类精度,从而大幅度减少了人工标注成本,且经过再学习算法后进一步提高了分类精度。     

一种基于体素的室内三维连通图自动生成算法

为了能快速计算室内导航路径,必须使用简单的数据结构表达室内复杂的路径导航信息,室内三维连通图就是一种较好的手段。但是传统的室内精细建模重在几何模型的构建和纹理数据采集,缺乏室内三维连通图的构建。针对广泛存在室内几何模型提出一种基于体素的室内三维连通图自动生成算法,对建筑物内部进行分割和填充,将室内空间划分为离散的导航空间,通过自动语义关联提取连通关系,最终生成室内空间三维连通图。     

利用改进图割的彩色图像分割算法

针对基于多标签图割的分割算法因标签过多造成计算量大的问题,提出一种基于多组件图割的彩色图像分割算法。首先根据彩色梯度信息融合所提取的四元数cut-off窗口特征和ClE Lab颜色特征进行特征提取;然后使用多组件图割算法结合最大似然(ML)估计自动分割图像,在迭代过程中,每一个分割内不相邻的区域将作为该分割的多个组件以减少标签数;最后去除一些弱边界得到分割结果。理论和实验结果表明,新算法不仅具有收敛性,而且分割性能优于原始算法。     

基于Otsu的建筑物点云分割改进算法

提出了一种基于Otsu的建筑物点云分割改进算法,针对传统Otsu分割算法在精确性方面的不足提出2点修改意见。首先根据投影点密度理论将三维点云转换为二维灰度图像,再利用Otsu算法及其改进算法对图像进行分割。采用Riegl公司VZ-400激光扫描仪采集的武汉大学信息学部第一教学楼的点云进行分割处理,并与传统的Otsu分割算法进行对比。结果表明,该算法分割正确率可达96.54%,远高于改进前的72.82%。     

基于点云的室内房间要素及拓扑关系提取

房间要素是室内导航地图的关键要素之一。针对从点云中提取房间要素不仅需要精确提取房间多边形而且需要构建房间构成要素之间的拓扑关系问题,本文提出一种自上而下分割点云并自动记录房间-墙线拓扑关系的房间要素快速提取方法。首先利用点云Z值投影的高度直方图提取天花板点云;其次将天花板点云向XOY面投影,通过欧式聚类分离出每一间房间点云,以房间为单位采用α-shape算法进行房间边界点提取;然后利用随机抽样一致算法(RANSAC)结合欧式聚类方法分割房间边界点得到墙线及其参数信息,并利用墙线中点对无序墙线进行排序后计算相邻墙线的交点作为房间角点;最后,生成房间、墙和角点之间的拓扑关系。实验结果表明,该方法不仅适用于包含平面墙体的建筑点云数据,也适用于包含曲面墙体的情况,具有良好的适应性和有效性。     

基于体素栅格的建筑物三维激光点云数据抽稀方法

为了提升三维激光点云数据处理、存储、运算效率,对基于体素栅格的三维激光建筑物点云抽稀方法进行了研究。通过提取原始三维激光点云空间位置和法向量作为体素栅格存贮数据的主要信息;以三维激光点云最大外包矩形构建最大体素,并依据点云位置不断地进行空间划分,直至阈值范围内,从而实现点云数据的高效组织与管理。对体素栅格内的点云依据设定空间半径阈值检索种子点周边点云,剔除体素栅格中阈值内点云,保留种子点云,从而实现了三维激光点云数据抽稀,有效压缩了三维激光点云数据。并通过实验验证了该方法可以有效降低三维激光点云数据冗余,为海量三维激光点云数据的存储与应用等方面的研究提供参考。     

基于深度残差网络与梯度优化的室内点云语义分割

三维点云语义分割是大型场景点云数据理解和分析的关键步骤之一。为实现室内场景点云更高精度的分割,提出一种基于深度残差网络与梯度优化的语义分割方法(DRN-GO),通过加深集抽象模块与特征传递模块的层数,加强对点云的特征学习,并在网络层之间引入残差网络进行特征链接。为防止网络层次的增加导致模型过拟合,在编解码后的全连接层部分加入Dropout结构,并在每层网络输入前对数据进行批量归一化处理,从而确保模型的稳定性。本文选用斯坦福大型室内数据集S3DIS设计实验,结果表明,DRN-GO方法相比PointNet++在精度上得到了大幅度提升。     

超体素约简和谱聚类结合的机载LiDAR点云单木分割

为提高机载LiDAR点云数据的单木分割精度和效率,本文提出了一种基于Nystr?m的谱聚类算法。该算法基于谱聚类方法,同时引入了mean shift体素化和Nystr?m方法,在保持谱聚类算法优越表现的同时,大幅降低了谱聚类算法的空间和时间复杂度。首先,用mean shift方法将点云数据转换到体素空间以合理压缩数据量,使用带有体素权重的高斯相似度函数在体素空间中构造相似图。然后,使用Nystr?m方法计算相似度矩阵的近似特征向量和特征值。接下来,使用K-means方法在特征空间中进行聚类,并将结果映射回原始点集以获得单木的聚类点。最后,直接从单木聚类中获取单木参数。在黑龙江省孟家岗林场的实验结果表明：本算法有效改进了谱聚类算法,以牺牲5%的分割精度为代价将分割效率提升了约96倍;与K-means方法相比,本算法在分割精度和计算效率方面均表现更优;从分割结果中提取的树高参数具有较高的精度,R2和RMSE值分别为0.86和1.62 m。本文提出的基于Nystr?m的谱聚类算法是一种有效的机载LiDAR点云分割方法,可以用来进行单木点云分割和单木因子提取。