面向对象的植被与建筑物重叠区域的点云分类方法

在分析LiDAR点云数据分类现状的基础上,针对植被与建筑物重叠区域分类困难的问题,提出了一种基于面向对象的点云分类方法.首先采用三角网渐进内插的滤波方法将点云分为地面点和非地面点,并得到DTM;然后对高出DTM一定高度的非地面点建立三角网,删除较长的三角网的边(地物间的边),从而将非地面点云分割成多个对象;再利用各个对象内的三角网坡度信息熵大小判断该对象属于植被或建筑物;最后对于难以区分的对象(植被与建筑物重叠区)根据建筑物几何规则形状延伸扩充,从而提高植被和建筑物重叠区的点云分类准确率.实验结果表明,该方法能够很好地区分建筑物和植被点,分类准确率达到87％.     

顾及空间上下文关系的JointBoost点云分类及特征降维

随着激光雷达技术的发展及广泛应用,点云数据的分类及理解成为了目前一个研究热点。本文研究了较复杂的电力线路走廊场景的点云自动分类方法,目标类别为地面、植被、建筑物、电力塔、电力线等。本文首先归纳、定义了点云分类所需的关键特征,并利用JointBoost实现地物分类;同时,考虑到点云数据量大,其分类速度较慢,本文结合地物空间上的相互关联关系,提出了一种序列化的点云分类及特征降维方法。该方法在保证分类精度的前提下,使分类所需特征维数降低,缩短了分类所需时间。实际的电力线路走廊的激光扫描点云数据分类实验证明本文研究的分类方法的有效性。     

融合航空影像的LiDAR地物点云分类

点云滤波分类是LiDAR后续应用的基础工作,在点云滤波的基础上,以航空影像为辅助条件,结合点云高程信息,设计一套地物点云的分类方法。该方法首先融合航空影像与LiDAR数据,将对应RGB值赋予每个点,根据植被的光谱特征提取出部分植被点云;然后再根据文中定义的点云高程纹理,在剩余地物点云中提取出建筑物点,最后根据回波次数信息分离出剩余植被点,完成地物点云的分类。采用北京凤凰岭地区一组机载LiDAR数据进行实验。实验结果表明,该方法能够有效地将地物点云进行分类并且满足一定的精度要求,具有一定的实用价值。     

LiDAR点云中快速提取建筑物的方法研究

研究了从LiDAR点云数据中快速提取建筑物的方法路线。首先通过滤波去噪从点云数据中获取数字表面模型DSM,再通过地面点数据分类获取数字地面模型DTM,将DSM与DTM相减得出对应实体主要为建筑物和植被等地物的规则化nDSM。再利用激光扫描线方向X变量值与高度函数值Z的导数值来确定LiDAR点云是否为建筑物类型,基于此理论对建筑物提取参数进行设置,从而快速提取出建筑物信息。通过实验数据论证并进行成果分析,结果表明本文方法具有较高的效率和准确率。     

复杂城区建筑物和植被分类研究

针对城市复杂环境点云数据中建筑物和植被较难分离的问题,提出利用二者高度、面积、坡度等信息先将建筑物分离,再利用建筑物结果作为约束,较为准确地将二者进行分离的方法。首先将倾斜摄影密集匹配点云数据进行插值生成DSM,针对非地面点集,依据建筑物规则特征,将其从地物中首先分割出来。其次,利用最小二乘拟合平面法获得近似建筑物屋顶的拟合平面,经过边界优化得到准确建筑物边界。最终将建筑物作为约束条件,提取植被信息。实验结果表明本文提出的方法较面向对象法有更好的分类结果,且能得到地物三维信息,具有较强实用性。     

一种基于高度差异的点云数据分类方法

LiDAR点云数据存在数据量大、不易识别、不易处理的问题,为了解决上述问题,需要对点云数据进行分类处理。针对点云分类方法存在精度不高、处理过程复杂等难题,本文提出了一种基于高度差值的二次导数的建筑物、植被的点云分类方法,能够高效、准确地将各类点云分离。利用该方法分离点云数据,首先通过Terra Solid软件对原始LiDAR点云数据进行初步处理,去除噪点并提取出地表点云,然后利用规则建筑和不规则植被高度差异上的二次导数不同,提取出可能是建筑物或植被的点,并利用高斯偏差估计模型为建筑物、植被点的分类提供阈值,最后利用断点统计模型将建筑物、植被点云补充完整。为证明这种方法的可行性和有效性,使用Autzen_Stadium地区的LiDAR点云数据进行点云分类试验,结果表明,该方法具有可行性好、分类效果好、处理自动化等优势。     

一种地物点云数据栅格化分类新方法

激光技术的不断发展对利用点云数据进行地物分类的方法提出了更高的要求。基于此提出了一种结合遥感领域地物分类特点,利用地物反射率的不同来实现地物分类的方法。该方法首先提取数据的反射率信息,然后将其作为栅格化后的属性值,最后利用监督分类、非监督分类和支持向量机分类方法对栅格化后的栅格影像进行地物分类。通过实验表明,支持向量机方法在保持较高训练和分类速度的同时还具有较高的分类精度,总精度和Kappa系数达到了88.69%和0.86,为点云数据分类提供了一种新的途径。     

边缘系数建筑物雷达点云数据简化方法

针对基于LiDAR点云数据进行建筑物自动重建中存在的数据冗余问题,该文设计了一种定量描述激光点位于地物边缘区几率大小的指标——边缘系数,并据此提出了基于边缘系数的建筑物LiDAR点云数据简化方法。该方法利用激光点与其邻域点的位置、数量及分布计算该点的边缘系数,通过试验分析确定边缘系数的阈值并对点云数据进行分割,最后保留建筑物边缘区域的点,实现点云数据的简化。实验表明,该方法在对点云数据进行高效压缩的同时有效保留了位于地物边缘处的点云,有助于提高海量点云数据处理能力和建筑物重建效率。     

基于LIDAR数据的建筑物轮廓提取

建筑物轮廓的准确提取是建筑物三维重建中最重要的一步。本文在研究已有建筑物轮廓提取方法的基础上,针对LIDAR离散的点云数据,提出了一种自动快速提取建筑物轮廓信息的方法。首先通过点云数据生成城市的数字表面模型(DSM)和数字地面模型(DTM)相减计算得出规则化的数字表面模型(nDSM),进而将地面点和非地面点进行分类;其次,考虑到地物的几何特性,提出一种8邻域搜索的方法对非地面点点云进行分割,得到建筑物表面点云;最后运用基于梯度图的边界跟踪的方法来获取建筑物的轮廓信息。实验表明:该方法能有效地提取建筑物轮廓。     

基于LiDAR高度纹理和神经网络的地物分类

使用LiDAR单一数据进行点云分割工作时,基于斜率的严格分割LiDAR点云的方法不能很好的适应复杂地物 的分类工作。本文将LiDAR粗分割后的点云转换为高度图像和反射强度图像,并求取高度图像GLCM高度纹理。将4 种GLCM高度纹理、地面粗糙系数、平均高度和平均反射强度共7种纹理作为识别地面覆盖物的特征,并利用后向传播 神经网络(BP-ANN)方法对LiDAR数据进行地物识别。实验表明,这种方法能够从LiDAR独立数据源中有效的实现地 物分类,实验获得的精度大于90%。与传统的最大似然法进行对比,BP-ANN的分类精度高于最大似然法。当预设地 面类型能同时满足被光学影像和LiDAR数据识别的条件时,LiDAR高度纹理分类与光学影像分类结果的一致性达到 76.5%。     

利用机载LIDAR双次回波高程之差分类激光脚点

机载LIDAR技术已经引起了测绘界的浓厚兴趣,有可能给测绘领域带来一场新的技术革命。机载LI-DAR技术的硬件设备在国外已相对成熟,而机载LIDAR的数据后处理算法仍然处于研究发展阶段,还有诸多问题没有得到解决,其关键之一就是机载LIDAR数据的滤波与分类。本文首先对已有的滤波分类方法进行了综合评价,并指出了各自的局限。然后提出利用两次回波信号的高程数据来实现对机载LIDAR数据的分类。首次分类后得到植被激光脚点点集和地面及房屋激光脚点点集。而房屋上的激光脚点要高出地面上的激光脚点数米之多,简单利用阈值法就可以进一步分类出房屋激光脚点和地面激光脚点。也可以先经过滤波处理将地面激光脚点去掉,然后利用两次回波信号的高程数据来分类自然植被激光脚点和人工地物激光脚点。实验证明所提方法简单有效,算法简单实用,特别适用于分类植被激光脚点。     

支持向量机的建筑物激光脚点提取方法

本文提出了一种基于全色波段航空影像和激光雷达数据的建筑物检测方法.如何从激光点云数据中提取出建筑物激光脚点,是建筑物三维重建和轮廓提取的难点问题之一.植被密集区域以及与建筑物紧密相邻的树木的激光点很难与建筑物激光点区分开.本文利用支持向量机对单个激光点的特征进行两分类,特征向量包括激光点的高程、高程变化信息以及与激光点...     

利用三维激光扫描技术监测矿区桥梁结构形变

利用三维激光扫描技术测得的建筑物点云数据能够较清晰地表示建筑物的三维空间信息,提供高精度、高密度的建筑物表面描述。点云本身不直接显示自身所包含的特征信息,在进行局部形变提取时,需要进行点云分割工作。现有的应用于建(构)筑物的分割算法大多依赖于建(构)筑物特征设定突变阈值,当遇到复杂场景时,这些假设往往会导致错误。随着机器学习在点云处理领域的延伸,建(构)筑物点云数据边界的识别和分割有了新的实现思路。本文以某矿区工作面上方铁路桥两期三维激光扫描数据为例,采用神经网络方法对桥拱钢结构实行分割提取,在对1000万个标记桥梁点云数据进行训练后,神经网络模型可以学习操作人员识别点云中各点的属性并进行标记,并提取两期数据中的钢结构点云;对使用神经网络分割出的桥拱钢结构点云进行分析,通过对钢结构底边线进行特征线拟合、长度提取,计算钢结构的位移及拉伸量,并结合桥拱位移、形变量分析桥梁形变。研究表明:使用神经网络模型对标记数据进行训练可以有效识别建(构)筑物特征,并应用于建(构)筑物局部形变分析。     

地面点云数据快速重建建筑模型的分层方法

为了快速从地面激光扫描数据重建建筑物模型,避免数据处理中复杂的点云栅格化和面片分割,提出一种基于分层方法的建筑三维模型快速重建方法。利用直方图统计方法去除噪声,结合大多数建筑物自身特点,对点云数据进行分层并垂直投影至各层平均高度的平面,得到建筑物各层的边缘特征点,进而规则化,实现建筑物三维数字模型的快速重建。实验结果表明,方法可以快速提取建筑物边界点,简化传统点云数据在建筑物重建中的复杂过程和大量的数据处理运算,而且最终模型的精度可以得到保证,具有一定的普适性。     

机载LiDAR点云数据降维与分类的随机森林方法

探索自动化的激光点云分类方法对于三维建模、城市土地分类、DEM制图等应用具有重要作用。考虑到现有的点云分类算法在提取依赖邻域结构的特征参数时面临邻域尺度的选择难、数据维度高、计算复杂,并且缺乏对分类特征参数的重要性评估和选择等问题,本文提出了基于随机森林的机载LiDAR点云数据降维与分类方法。在分析点云数据的高程、回波、强度等属性特征的基础上,提取归一化高度、高度统计量、表面特征、空间分布特征、回波特征及强度特征6大类特征参数,并构建多尺度特征参数,运用随机森林的特征选择算法对分类特征集进行优化,然后进行点云分类。试验结果表明,基于随机森林的特征选择方法可以有效地降低特征维度,并且使得总体分类精度达到94.3%（Kappa系数为0.922）,相比于使用全部特征分类和SVM分类方法而言,该方法的总体分类精度均有一定程度的提高;特征的重要性度量结果表明,归一化高度特征在点云分类中所起的作用最大。     

基于深度残差网络的机载LiDAR点云分类

机载LiDAR点云的分类是利用其进行城市场景三维重建的关键步骤之一。为充分利用现有的图像领域性能较好的深度学习网络模型,提高点云分类精度,并降低训练时间和对训练样本数量的要求,本文提出一种基于深度残差网络的机载LiDAR点云分类方法。首先提取归一化高程、表面变化率、强度和归一化植被指数4种具有较高区分度的点云低层次特征;然后通过设置不同的邻域大小和视角,利用所提出的点云特征图生成策略,得到多尺度和多视角点云特征图;再将点云特征图输入到预训练的深度残差网络,提取多尺度和多视角深层次特征;最后构建并训练神经网络分类器,利用训练的模型对待分类点云进行预测,经后处理得到分类结果。利用ISPRS三维语义标记竞赛的公开标准数据集进行试验,结果表明,本文方法可有效区分建筑物、地面、车辆等8类地物,分类结果的总体精度为87.1%,可为城市场景三维重建提供可靠的信息。     

基于机载LiDAR数据的建筑物轮廓提取

建筑物轮廓作为建筑物三维重建的重要元素,在建立智慧城市和数字城市中至关重要。本文针对从机载激光雷达点云中提取建筑物轮廓数据处理的点云滤波、建筑物屋顶面提取、建筑物轮廓提取,以及提取精度评定各环节存在的一些问题,提出了一种综合区域生长改进算法、三维Hough变换算法和α-shape算法的建筑物轮廓提取方法。该方法在对机载LiDAR点云数据去噪的基础上,首先利用改进的区域生长算法滤波地面点,并基于地物点到地面的归一化高程特征通过高度阈值去除高度较为低矮的地物点;再基于三维Hough变换算法从剩余建筑物和高大树木点云中提取建筑物平面;最后使用α-shape算法提取建筑物的轮廓信息。对使用RIEGLVQ-1560i机载激光雷达测量系统扫描的某城区点云数据进行计算,通过匹配度、形状相似度和位置精度等评价指标对提取的建筑物轮廓进行精度评定。结果表明,综合区域生长改进算法、三维Hough变换算法和α-shape算法的建筑物轮廓提取方法可以准确提取建筑物的轮廓信息,对于大范围的建筑物轮廓提取具有稳定性和普遍适用性。     

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。     

房屋震害预测数字化辅助方法

为提高房屋震害预测效率,将数字化技术应用于房屋震害预测分类工作中。利用航空摄影测量、遥感及地理信息系统技术,提出两种房屋震害预测分类数字化辅助方法。若预测区域有符合条件的遥感影像对,利用航空摄影测量技术可获得DSM及DEM模型,进一步从层数上对建筑物进行分类。另一种方法则是利用遥感技术提取有关建筑物阴影信息,由阴影计算建筑物层数,进而对建筑物进行分类。利用地理信息系统自动统计不同类建筑物总面积,画出不同类建筑的地理分布图。与传统方法相比,这种方法效率高,可以纵览全局,减少房屋震害预测现场调查工作量,提高震害预测工作效率。     

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。