基于多分辨率方向预测的LIDAR点云滤波方法

为了快速提取LIDAR点云中的地面点,生成高精度的DTM,提出了一种基于多分辨率方向预测的LIDAR点云滤波方法。该方法首先构建多种分辨率数据集,然后基于方向预测法以分辨率由低到高的顺序逐层进行数据集的平滑处理,最后以最高分辨率数据集的平滑结果为基准标记原始LIDAR点云。本方法通过分析反距离权重插值模型的不足,利用改进的模型进行裸露地面点的插值,得到高精度的DTM。实验表明,本文方法能有效地滤除地物,并保持原有的地形特征,算法效率高,具有一定的实用价值。     

面向地面点识别的机载LiDAR点云分割方法研究

提出一种面向地面目标识别的机载LiDAR点云分割方法。方法首先求每个激光脚点的法向量和残差,由此确定种子点和种子平面;然后对种子点进行区域生长,生长的过程中以邻接点到种子平面的距离和邻接点与种子点的法向量角度差作为相似性的度量标准;当全部的扫描点都被划分,则算法终止。实验表明,文中提出的分割方法,对于城区区域和农村区域的地面目标有很好的识别效果。     

陡坡林区的LIDAR点云滤波方法

提出了基于坡度对陡坡林区LIDAR点云数据滤波的预处理算法,结合迭代最小二乘滤波方法改进了滤波效果,实测数据表明,有效地降低了第一类误差和第二类误差。     

机载LiDAR数据建筑物顶面点云分割方法研究

建筑物顶部面片的精确分割是机载LIDAR点云数据中建筑物三维重建的关键。本文在LIDAR点云数据法向量分析及曲率计算的基础上,采用曲率最小点作为种子点,以点云法向量角度差和灰度值差作为生长条件,构建了LIDAR点云数据的建筑物顶面面片区域增长分割方法,并进一步对分割面片的邻接点进行处理,用于建筑物三维模型的重建。实验结果表明,本文建立的算法可准确的分割不同结构类型的建筑物顶面,并能够有效区分植被点云。     

基于k-d树的机载LIDAR点云滤波处理

点云数据滤波处理是获取高精度数字地面模型的关键,而滤波的基本原理是基于某一邻域内高程的突变。在海量、离散的点云数据中,搜索某一邻域的速度将直接影响滤波处理的效率。应用k-d树组织点云数据,不需要先验地知道点云数据间的拓扑关系便可以快速确定其中某一点的邻域点集,从而大大地提高滤波速度。     

建筑点云几何模型重建方法研究进展

从大规模机载点云中重建几何精确、拓扑正确、语义丰富且屋顶遵循LoD3规范的建筑几何模型是当前机载点云建筑建模的难点和重点。为此,根据建筑几何建模思想,将国内外相关建筑点云建模方法分为5类建模体系,并对每一类体系中的代表文献进行了深入的综述和剖析。在此基础之上,提出当前机载点云建模算法存在的一些共性问题,并给出可能的解决方案及几何建模发展的趋势和后续潜在的研究方向,为完善机载点云建筑重建理论,发展更智能的建模算法,构建更高质量的建筑模型库,提供一定程度的参考和借鉴。     

一种基于区域增长的机载LIDAR滤波

机载Lidar的滤波和分类是获取高精度数字高程模型的关键,也是目前国际研究的重点和难点之一。本文根据Sithole对裸露地面的定义,将"区域增长"用于机载Lidar滤波。通过不同测区进行实验并与八大经典滤波相比较,给出滤波前后结果。实验结果表明该算法自适应能力强,计算速度快,滤波效果好,具有较高的稳健性。     

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。     

机载激光点云与影像数据融合方法的研究

影像信息可以反映综合地表纹理、光谱信息及空间属性信息。结合高分辨率的影像信息,机载激光点云数据即可成为获取DEM及地形特征的良好数据源。讨论了数据融合的两种方式,结果表明,基于多元数据拥有丰富的物方信息,其融合数据在DEM过滤及特征提取方面有优势。     

面向机载LiDAR点云数据的双线河水体DEM构建方法

机载激光雷达(LiDAR)系统可以快速获取高精度的地面点云数据,可以快速生成数字高程模型(DEM)。但是基于原始水体点云数据直接构建DEM效果较差,针对这个问题,论文提出了一种双线河水体点云填充方法,对缺失的河道内点云数据进行填充,并设计开发了河流优化填充模块,实现了双线河水体具有上下游特征的DEM构建效果。     

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.     

基于区域生长的LIDAR点云数据滤波

将区域生长算法引入LIDAR点云滤波,其原理与图像处理中的区域生长原理相似。首先选择可靠的种子点,当待定点与种子点的高差满足所设阈值时,则待定点为地面点,否则作为地物点滤去。当不再有激光点满足条件时,生长结束。该算法无需对原始数据进行插值,无需迭代,因此滤波速度快。与传统的最大局部倾斜度过滤算法（MLS）和扩大窗口高程阈值滤波方法相比,该算法的实验结果更优。     

一种基于平面拟合的LIDAR点云滤波方法

LIDAR点云滤波是将LIDAR点云数据中的地面点和非地面点分离的过程。根据在较小区域内可以近似认为地面为一平面,本文提出了一种应用平面拟合的方法,首先在一个局部区域内拟合出一个近似平面,通过判断LIDAR点是否属于该平面来获取平面点,并通过分类处理从平面点中得到地面点,最后用得到的地面点内插出DEM。滤波前,需要剔除高程异常点,本文应用了高程差约束算法抑制高程异常点,从而较好地保持了原始数据的局部细节信息。     

一种新的控制点采集方法

控制点采集是遥感应用中的一项重要工作,由于通常所采用的地形图出版时间较早,为采集控制点带来困难。本文介绍的控制点采集方法是:首先,通过Coreldraw作图软件,充分利用河流、道路等地物特征,将遥感影像与地形图调配吻合,然后,在地形图上选取公里网格点作为控制点,同时注明坐标值。利用该方法采集的控制点进行几何校正,其精度可以控制在0.5个像元内,可以满足TM影像图几何纠正的精度要求.     

基于阈值分割的LIDAR建筑物提取

在介绍常用的阈值分割方法的基础上,详述了基于阈值分割的LIDAR建筑物提取方法,对不同阈值分割方法的优越性与实用性进行分析。研究结果表明,阈值法是一种最简单最基本的图像分割方法。全局阈值能快速有效地分割噪声小、比较均匀的图像,动态阈值和c均值模糊阈值分割对不均匀图像能进行较好的分割,其中c均值模糊阈值分割法最佳。     

机载激光雷达数据简化算法的研究

机载LIDAR数据量庞大,其中包含了大量的冗余信息,这些信息占用了大量的存储空间,给LIDAR数据的应用和传输带来不便。本文针对此,提出了距离—梯度简化算法,试验结果表明,该算法能很好控制点云的简化程度,最大限度地删除点云中的冗余信息,自适应地保留地形特征信息,从而为点云的可视化、网络传输及其应用提供参考。     

机载激光雷达点云数据的实时渲染

提出了一种实时绘制大规模LIDAR点云数据的方法。该方法通过构建一棵顺序四叉树使点云均匀分布在四叉树节点上,来实现快速的数据筛选。阐述了顺序四叉树的快速建立,并通过一个试验系统验证了文中所提方法的有效性。试验表明,使用目前普通配置的计算机,通过自适应控制绘制的数据量,可以实时绘制约1GB的原始点云数据。