基于Snake模型的水体提取

引入Snake模型,并对其进行改进,在水体内部构造初始轮廓线,通过轮廓线的膨胀变形拟合水体边界,从而实现对水体的提取。实验分析证明此方法整体效果较好。     

基于语义特征的堤防外坡激光脚点分割

在缺乏影像等辅助数据的情况下,本文直接利用激光雷达LiDAR点云数据,提取水系边缘,并在此基础上实现基于语义分割的堤防外坡激光点云提取方法。分两步进行边坡的提取:首先获取LiDAR数据中水体边缘轮廓线,进一步获取堤防边坡的下缘线;然后以下缘线为增长基线,通过最小二乘平面拟合,利用区域增长的方法,将边坡平面提取出来,从而获取边坡脚点。     

基于点云数据的山区建筑物屋顶轮廓线提取研究

山区建筑物由于地势起伏大、周边植被茂盛等特点使得传统屋顶轮廓线提取算法应用效果较差.根据研究区域的地理特征,对轮廓线提取算法进行了改进,即以点云数据的曲率值为影响因子来评价离散程度,对离散程度高的数据选取曲率的最小值为种子点,对离散程度低的数据选取曲率的平均值为种子点.该方法与传统轮廓线提取算法相比,提高了屋顶轮廓线提...     

侧视地图中建筑物轮廓线提取的三维城市模型法

针对城市侧视地图上建筑物轮廓线主要依靠人工交互提取,成本高昂、效率低下且精细度和准确度有限的问题,提出了一种任意视角侧视地图中建筑物轮廓线的自动提取方法。采用深度缓冲区分割算法获取单个建筑物对象的颜色缓冲区,顾及了存在建筑群的情况和建筑物密集区域的遮挡问题,再基于颜色缓冲区追踪建筑物轮廓线。为了保持遮挡一致性且便于匹配提取出的矢量轮廓线与栅格侧视地图,本文还提出了基于投影空间分块加载三维城市模型的方法。最后,以武汉市典型三维城市模型数据为例,证明了该方法的有效性和可靠性。     

基于LIDAR数据的建筑轮廓线提取及规则化算法研究

建筑轮廓线提取与规则化是LIDAR数据处理和建筑三维建模的重要步骤和技术难点.首次将"Alpha Shapes算法"应用于LIDAR数据处理,实践证明该算法简洁高效、运行稳定、提取精度高,适用于任何形状的建筑轮廓线提取,并具有一定自适应性和滤波功能,非常适合LIDAR点云数据提取建筑轮廓线.同时,提出了改进的"管子算法"用于原始轮廓线的简化,提出了适用于四边形的"矩形外接圆法"和适用于多边形(大于四边且边数为偶数)的"分类强制正交法"以进一步实现轮廓线的规则化,最终解决了离散点云提取规则建筑轮廓线的核心问题.实践证明,本文所述算法适用于凸凹多边形建筑内外轮廓线的提取与规则化.     

直线段检测算法在机载LiDAR建筑物轮廓线提取中的应用

针对机载LiDAR点云数据提取建筑物轮廓线耗时多且精度不高的问题,本文提出了一种基于直线段检测(LSD)的机载LiDAR建筑物轮廓线提取方法。该方法首先对已分类的建筑物点云进行栅格化得到二值图;然后对二值图进行膨胀、腐蚀操作,消除二值图中因栅格化产生的空洞;最后利用LSD算法进行直线检测获取规则的建筑物轮廓线。经过实测数据的验证,本文方法可以检测到亚像素级的建筑物轮廓线,与传统的Canny算法相比能够提高约50倍的效率。     

利用原始激光雷达点云数据提取渐进式建筑物轮廓线

建筑物是城市三维建模的重要元素,其轮廓信息的提取既是难点又是重点。本文提出了原始激光雷达点云数据的渐进式建筑物轮廓线提取方法。首先对原始点云数据采用渐进数学形态学滤波分离非地面点;然后使用改进的三维Hough转换分类出建筑物点云;进一步提取建筑物轮廓点,并根据相邻点方位角阈值确定建筑点云轮廓的关键点,以此简化并拟合建筑物轮廓线;最后基于轮廓线长度加权方向将建筑物轮廓规则化。结果表明,该方法大大提高了点云处理的效率和精度,可以直接从采集到的初始数据中自动化渐进式得到建筑物轮廓线信息。同时该方法对解决中小城镇建筑物体积小,距离近和屋顶坡度较大等问题具有较好的效果。     

基于机载LiDAR的建筑物轮廓线提取

建筑物轮廓线作为建筑物建模的基础数据,其精确获取成了点云研究者的重点研究内容。本文以原始点云数据为基础,探究点云数据中建筑物轮廓线的提取流程,采用渐进三角网滤波实现地面点与地物点的分离,利用22种特征向量训练随机森林获取建筑物点云,最后以方向约束的随机抽样一致算法（RANSAC）实现建筑物轮廓线规则化提取。实验表明,本文算法可实现轮廓线的精确提取,与实际屋顶边缘偏差稳定在较低水平,可满足现实需求。     

基于NDWI分割与面向对象的水体信息提取

基于OLI融合影像,运用面向对象的目标提取方法对龙羊峡水体信息进行了提取。先将NDWI作为一个波段叠加到融合后的多波段影像中参与多尺度分割,再结合隶属度函数分类方法,选定NDWI的阈值范围提取水体信息,最后与基于像元的NDWI水体提取方法进行了比较。结果表明,两种方法受冰雪影响均较小,但面向对象的NDWI水体提取方法受山体阴影和薄云的影响较小,能完全消除基于像元的NDWI水体提取方法出现的"零星水体"现象。     

一种侧视地图建筑物轮廓线自动提取方法

以WebGIS技术和移动GIS技术为基础的侧视地图服务逐渐成为GIS行业的主流,高效直观侧视地图在"互联网+"时代的应用日益普及。针对目前提取侧视地图建筑物轮廓人工交互效率低下和轮廓精度差等问题,提出一种任意视角侧视地图建筑物轮廓线的自动提取方法。在顾及建筑物之间存在遮挡的情况,利用颜色缓冲区和深度缓冲区进行渲染,解决建筑物之间的遮挡,获取单个建筑模型,同时采用形态学算子对获取的单个模型轮廓进行处理,再基于提出的改进测地轮廓线模型(GAC)追踪和拟合建筑模型轮廓线,得到建筑物轮廓线;最后,以武汉市三维模型数据为例,证明本文方法可行性和有效性。     

面向车载激光扫描点云快速分类的点云特征图像生成方法

车载激光扫描是空间数据快速获取的一种重要手段。车载激光扫描点云数据的分类和特征提取是目标识别与三维重建的基础。本文以车载激光点云数据为研究对象,提出了一种适合于其快速分类与目标提取的点云特征图像生成方法。该方法首先将扫描区域进行平面规则格网投影,通过分析格网内部点云的空间分布特征（平面距离、高程差异、点密集程度等）确定激光扫描点的定权,从而生成车载激光扫描点云的特征图像。利用生成的点云特征图像,可采用阈值分割、轮廓提取与跟踪等手段提取图像分割的建筑物目标的边界,从而确定边界内部点云数据,实现目标分类与提取。本文以Optech公司的车载激光扫描数据为实验对象,验证了本文提出方法的可行性和实用性。实验结果表明,该方法能快速有效分离出车载激光扫描点云中的地面数据、建筑物数据等。     

基于无人机航测及水下地形测量的水利工程高精度DEM构建研究

DEM是水利行业最主要的基础地理数据之一,本研究根据无人机航测构建密集点云,再对密集点云进行滤波处理,分类地面点,派生出高精度地面DEM,结合水下地形测量,绘制水下地形图,插值得到研究区高精度河道DEM。对地面DEM和河道DEM进行叠加处理,得到研究区整体DEM数据,通过质量检查可知,DEM的高程精度处于较高的水平。本研究工作提出的DEM构建方法,大大减少了野外地面点的测绘工作,作业效率高、DEM精度高,数据具有高时效性,为各项水利工作的开展提供了保障。     

利用双向布料模拟的机载建筑物点云提取

针对现有机载激光扫描数据的建筑物提取方法过程复杂且易受植被干扰的问题,本文提出了一种利用双向布料模拟策略的建筑物提取方法。首先在正向布料模拟滤波的基础上,构建归一化数字表面模型提取过高建筑物,并采用反向布料模拟,从其余地物点中粗提取建筑物顶面点云;然后进行穿透性分析,并结合形态学操作进一步剔除错提的植被点;最后,以包含顶面点云的三维格网为种子格网,根据格网之间的邻接关系和内部点云几何特征进行约束生长,获取完整建筑物点云。试验结果表明,在复杂场景中,该方法能够有效避免植被的干扰,快速提取建筑物点云,具有提取精度高、计算时间少的优点。     

利用 LiDAR 点云提取有地形约束的光滑海岸线

针对传统海岸线提取算法误差大、在地形突变区域形变大的缺点,提出了一种基于离散 LiDAR 点云提取有地形约束海岸线的方法.首先,通过离散点云构建约束三角网,减少内插规则格网的误差并且保证海岸线不穿越地形结构;其次,进行顾及地形结构的点云高程修正,在数据源上缓解海岸线的平滑问题;最后采取二次多项式法消除毛刺,利用动态阈值张力样条函数内插生成光滑海岸线.     

Image classification-based ground filtering of point clouds extracted from UAV-based aerial photos

With the advent of unmanned aerial vehicles (UAVs) for mapping applications, it is possible to generate 3D dense point clouds using stereo images. This technology, however, has some disadvantages when compared to Light Detection and Ranging (LiDAR) system. Unlike LiDAR, digital cameras mounted on UAVs are incapable of viewing beneath the canopy, which leads to sparse points on the bare earth surface. In such cases, it is more challenging to remove points belonging to above-ground objects using ground filtering algorithms generated especially for LiDAR data. To tackle this problem, a methodology employing supervised image classification for filtering 3D point clouds is proposed in this study. A classified image is overlapped with the point cloud to determine the ground points to be used for digital elevation model (DEM) generation. Quantitative evaluation results showed that filtering the point cloud with this methodology has a good potential for high-resolution DEM generation.     

车载LiDAR点云中建筑物立面位置边界的自动提取

提出了一种基于点云特征图像和特征值分析的车载LiDAR点云建筑物立面位置边界的自动提取方法。首先利用车载LiDAR点云数据生成扫描区域的点云特征图像,并通过图像处理手段提取可能的建筑物目标点云;然后对提取的目标点云进行剖面分析和特征值分析,识别建筑物目标;最后对建筑物点云进行平面分割,提取建筑物立面,并对立面点云进行特征值分析,得到建筑物立面与地面交接的三维位置边界。实验结果表明,该方法能快速有效地提取车载LiDAR点云数据中的建筑物目标,同时提取的建筑物立面位置边界与原始点云能准确符合。     

基于统计数据选取种子点的LiDAR点云迭代滤波算法

经典的渐进三角网滤波算法在LiDAR点云数据处理中应用十分广泛,但其滤波精度很大程度上取决于种子点选取的正确率。本文针对这一问题,在渐进三角网加密算法基础上提出了一种基于小格网高程、均方差和点密度统计数据选取种子点的迭代滤波算法。实验结果表明,本文的迭代滤波算法可有效避免低点等非地面点对种子点选取的干扰,且滤波结果生成的DEM精度较高,具有一定的实用性。     

顾及语义的机载LiDAR点云格网化方法

传统的点云格网化方法采用纯数字拟合内插的方法,基本不顾及平面坐标和高程之间存在的潜在关系———语义信息。将语义信息纳入点云格网化生成的高程格网具有更高的语义一致性,更适合用于3维可视化和真正射影像的生成。以静态水体为例,研究了顾及语义的机载L iDAR点云格网化方法。最后通过实验验证了该方法的有效性。     

融合形态学灰度重建与三角网分层加密的LiDAR点云滤波

形态学滤波与三角网加密滤波是从LiI}AR点云中自动识别真实地面点的两种重要方法,本文分析了两种方法优劣性及其过程实施的特点,提出了一种融合形态学灰度重建与不规则三角网分层加密的点云滤波新策略:①首先对LiI}AR点云实施丁类错误优先的形态学灰度重建初始滤波,并通过”非最小值抑制”将LiI}AR点云标记为地面可靠点、地面可疑点、非地面可疑点三种类别;②依据形态学灰度重建迭代顺序对非地面可疑点进行分层标记;③利用地面可靠点构建初始三角网,对地面可疑点、非地面可疑点依次进行三角网加密滤波,并基于分层标记信息自适应调整地面点判据参数。ISPRS标准数据滤波实验结果表明,本方法滤波质量高且具有较好的通用性。     

Digital Elevation Model from the Best Results of Different Filtering of a LiDAR Point Cloud

The LiDAR point clouds captured with airborne laser scanning provide considerably more information about the terrain surface than most data sources in the past. This rich information is not simply accessed and convertible to a high quality digital elevation model (DEM) surface. The aim of the study is to generate a homogeneous and high quality DEM with the relevant resolution, as a 2.5D surface. The study is focused on extraction of terrain (bare earth) points from a point cloud, using a number of different filtering techniques accessible by selected freeware. The proposed methodology consists of: (1) assessing advantages/disadvantages of different filters across the study area, (2) regionalization of the area according to the most suitable filtering results, (3) data fusion considering differently filtered point clouds and regions, and (4) interpolation with a standard algorithm. The resulting DEM is interpolated from a point cloud fused from partial point clouds which were filtered with multiscale curvature classification (MCC), hierarchical robust interpolation (HRI), and the LAStools filtering. An important advantage of the proposed methodology is that the selected landscape and datasets properties have been more holistically studied, with applied expert knowledge and automated techniques. The resulting highly applicable DEM fulfils geometrical (numerical), geomorphological (shape), and semantic quality properties.