基于法向量密度聚类的LiDAR点云屋顶面提取

针对现有算法从LiDAR点云中提取复杂建筑物屋顶面不完整、阈值难以设置的问题,提出一种结合点云空间分布的法向量密度聚类提取屋顶面点云方法。通过构建Delaunay三角网,计算建筑物LiDAR点云的法向量;在分析建筑物点云空间和法向量分布特点的基础上,定义一种邻域关系度量屋顶面点云之间的相似性,并利用提出的算法聚类建筑物点云,得到屋顶面片点云粗提取结果;通过构建屋顶面片缓冲区,经面片处理得到建筑物各屋顶面的完整点云。选取不同复杂程度的建筑物进行实验,结果表明,算法能有效提取复杂建筑物屋顶面点云,具有较好的适应性,并能为建筑物三维重建提供可靠的屋顶面信息。     

结合超体素与区域增长的LiDAR点云屋顶面分割

针对传统区域增长算法易受噪声影响且局部分割性能不稳定的问题,提出了一种结合超体素与区域增长的屋顶面片点云分割算法。利用八叉树组织初始点云数据,基于点云的欧氏距离和法向量信息两个约束分割点云获得超体素。结合超体素结构特征,改进种子点选取准则,在超体素的光滑性和表面几何特征约束下进行点云区域增长,提取屋顶面片点云。选取不同复杂程度的建筑物LiDAR点云进行实验,结果表明,结合超体素与区域增长算法能有效提取复杂建筑物屋顶面片点云,提取率高且具有较好的适应性,可以为基于机载LiDAR的建筑物三维模型重建提供可靠的屋顶面信息。     

原始机载LiDAR点云中建筑物激光点的自动提取

提出了一种基于原始离散LiDAR点云的多层结构建筑物激光点自动提取方法。首先对原始离散Li-DAR点云进行不规则三角网构建,然后利用分阶段区域生长的原理逐阶段遍历TIN中的各三角面。依据三角面的法向量方位角判定建筑物的各层结构,依次提取出多层建筑物的墙面及各级屋顶面,最后将提取出的各层屋顶面数据进行分类存储,确保提取出的各栋建筑物激光点之间相互独立且包含各层屋顶结构等细部特征信息,便于后续各建筑物的三维重建。     

一种利用点云邻域信息的建筑物屋顶面高精度自动提取方法

从LiDAR数据中高精度地提取建筑物屋顶面是构建屋顶面拓扑关系、实现建筑物三维模型重建的关键。本文针对现有算法提取复杂建筑物屋顶面适应性较差、精度较低等问题,提出了一种利用点云邻域信息的建筑物屋顶面高精度自动提取方法。通过主成分分析计算点云特征,构建特征直方图,选取可靠种子点;利用提出的局部点云法向量分布密度聚类算法聚类种子点,快速准确地提取初始屋顶面片;构建基于邻域信息的投票模型,有效地解决屋顶面竞争现象。试验结果表明,本文方法可自动、高精度地提取屋顶面,对不同复杂程度的建筑物具有较好的适应性,能为建筑物三维模型重建提供可靠的屋顶面信息。     

一种利用点云数据提取建筑物屋顶面的方法

提出一种利用点云数据提取屋顶面的方法。首先通过Alpha Shapes算法提取屋顶面轮廓,再计算点云的法向量和曲率特征并设置阈值筛选种子点,然后利用区域增长算法进行生长提取屋顶面,最后利用张量投票进行后处理解决屋顶面竞争的问题。实验表明,提出的建筑物提取方法能很好地实现屋顶面提取,满足工程实际应用的需要,具有较好的应用价值。     

规则建筑物重建多边形分解方法研究

针对传统的建筑物重建方法中,由机载LiDAR点云建立的模型表达复杂的问题,提出了一种基于多边形分解的建筑物重建方法。采用基于欧氏距离的聚类算法和随机抽样一致性算法,提取建筑物的不同平面,简化复杂结构的建筑物;基于检测出来的平面,对其进行分解,以最小外接矩形和内部空洞的布尔运算结果来表示,并进行建模。实验结果表明,该文方法可以有效简化建模过程,依据屋顶面之间边缘与空洞的关系优化结果也使得边缘更加准确,同时也更适合于CSG模型的表示。     

一种改进顶帽变换与LBP高程纹理的城区建筑物提取算法

利用LiDAR数据的建筑物提取存在植被点与建筑物点难以区分的问题,利用航空影像进行城区建筑物提取则无法有效剔除阴影区域植被。本文融合LiDAR和航空影像两种数据源,提出了改进顶帽变换及局部二进制模式(LBP)高程纹理分析的建筑物提取算法。首先将LiDAR数据进行规则格网化,通过改进顶帽变换提取地面数据点,然后根据航空影像计算归一化差值植被指数(NDVI)值进行植被粗提取,计算LBP高程纹理,精细区分植被点与建筑物点,最后利用形态学操作填充建筑物孔洞,以检测出的建筑物点为种子点进行区域生长,得到完整的建筑物点集合。试验基于ISPRS提供的Vaihingen数据集中复杂多植被城区场景,试验结果表明,本文算法能够有效区分植被与建筑物,实现建筑物准确提取。     

利用LiDAR和航空影像的屋顶边缘提取及优化

提出以LiDAR为辅助数据对航空影像的规则建筑物进行边缘提取和优化的方法。首先采用Alpha Shapes算法对点云数据进行初始边缘提取,同时规则化初始边缘;再利用屋顶点云辅助航空影像的建筑物分离,采用Canny算子和Hough变换对建筑物分离后影像进行边缘提取,并用LiDAR规则边缘对Hough变换结果进行边缘优化。对比单独运用航空影像进行边缘提取的结果表明,采用优化方法后,提高了屋顶边缘提取的准确性,得到了较完整的建筑物边缘。     

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。     

一种基于LiDAR数据的建筑物自动提取方法

基于LiDAR点云数据,提出一种由粗到细的建筑物自动提取方法。首先利用ISODATA算法对LiDAR数据生成的DSM进行聚类,在此基础之上依据建筑物的面积、地面点的高度差和坡度信息进行建筑物粗提取,最后利用地物的空间邻域关系对粗提取到的建筑物进行精处理。实验结果表明,该方法可以得到较高精度的建筑物信息。     

结合区域增长与RANSAC的机载LiDAR点云屋顶面分割

建筑物屋顶面大小差异较大、形状复杂、数量不确定等特点,以及机载LiDAR点云密度不均、分布不规则、缺乏语义信息等特性,对屋顶面的准确分割造成了很大干扰,因此现有分割方法的精度和适用性仍有待提高.针对上述问题,本文提出一种结合区域增长与RANSAC的机载LiDAR点云屋顶面分割方法.首先,引入稳健的法向量估计算法计算点云...     

基于坡度自适应的机载LiDAR分割算法

本文提出了一种适用于离散LiDAR数据的区域生长算法:将离散点云数据重采样为规则格网,通过坡度自适应区域生长法分割规则格网,获得不同的面片;建立各个分割面片之间的拓扑关系,将分割面片划分为粗差、植被、建筑物和地面;检测原始激光脚点到DTM的距离,判断是否为地面点。文中采用ISPRS提供的测试数据验证了算法分割的有效性。     

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。     

顾及地形特征的机载LiDAR数据桥梁提取算法研究

提出了一种从机载LiDAR点云数据中提取水陆桥梁的新算法,采用先滤波分类再识别桥梁的策略用于桥梁主体及其与地面连接处脚点的提取。首先对机载LiDAR点云数据进行严格滤波,在此基础上利用多个阈值对非地面脚点进行初步提取;然后引入Alpha-shapes算法对初步提取结果进行分割,并辅以面积阈值提取出属于桥梁主体部分的脚点;最后提出一种顾及地形特征的点云区域生长算法,用于准确提取桥梁主体与地面连接部分的脚点。实验证明,本文算法对水面和陆地桥梁提取均有很好的效果。     

利用高精度DSM数据提取建筑物轮廓算法研究

基于DSM数据提取建筑物轮廓信息是快速自动构建建筑物三维模型的基础和前提.本文将随机抽样一致性算法RANSAC引入到DSM点云分割中,提出了一种基于随机抽样一致性算法模型的建筑物面片识别和轮廓提取算法,实现了高精度DSM数据的建筑物轮廓信息提取,试验验证了本文方法的精度和可靠性.     

车载联合机载LiDAR点云数据的建筑物立面精细分割

从数据量庞大且散乱的车载LiDAR点云中分割出建筑物立面数据是一项繁琐而艰巨的工作。本文提出一种结合机载LiDAR点云的车载LiDAR点云建筑物立面分割方法。该方法在空-地点云严格配准的基础上,从机载LiDAR点云中分割出每栋建筑物的顶部点云,提取建筑物顶部外轮廓线并进行规则矢量化处理,设置轮廓线缓冲区实现立面点云的粗分割;再采用基于稳健特征值的平面拟合法对单栋建筑物的每个立面进行去噪滤波,实现建筑物立面的精细分割。试验结果证明了该算法对城市场景中车载LiDAR点云处理的有效性。     

融合LiDAR点云与正射影像的建筑物图割优化提取方法

提出一种基于图割算法的建筑物LiDAR点云与正射影像融合提取方法。首先,利用LiDAR点云计算3个几何特征：平整度、法向量分布和高程纹理一致性。同时利用航空正射影像计算颜色特征——归一化植被指数（NDVI）。然后将两类特征联合构建能量函数数据项,综合数字表面模型（DSM）和NDVI构建平滑项,采用图割算法优化得到初始的建筑物区域。最后利用初始建筑物边缘一定范围内的正射影像颜色信息,采用前后景分割的思想进一步优化建筑物边缘。应用ISPRS Vaihingen测试数据进行试验,结果表明本文方法具有较高的建筑物提取精度。     

机载LiDAR建筑物点云渐进提取算法

针对机载LiDAR建筑物点云提取过程中易受植被的影响的问题,本文提出了一种机载LiDAR建筑物点云的渐进提取算法。首先通过布料模拟滤波算法对地面点云与非地面点云进行区分,在此基础上利用最大类间方差法算法（Otsu）对非地面点云进行阈值分割,提取初始建筑物点云;然后根据点云的连通性对初始建筑物点云进行密度聚类分割（DBSCAN）,剔除离群噪声点;最后通过Alpha Shape算法实现建筑物点云的边缘提取。本文选取ISPRS官网提供的3组典型城区LiDAR点云数据进行试验,试验结果表明,本文算法可达到较好的建筑物点云提取效果。     

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。     

基于机载LiDAR点云和建筑物轮廓线构建DSM的方法

为了获取高精度的数字表面模型(digital surface model,DSM),提出了利用离散的三维激光点云和建筑物轮廓线构建DSM的方法.首先,利用不规则三角网(triangulated irregular network,TIN)渐进滤波算法对激光点云进行预处理,得到地面点和非地面点;然后,基于高程纹理提取非地面点中的建筑物脚点,根据脚点的深度影像图,利用Canny算子提取建筑物边缘,用方位角聚类规则法对建筑物边缘规则化;最后,采用提取的离散地面点数据和建筑物轮廓矢量线构建DSM.采用柳州地区的一组机载LiDAR数据对该方法进行了实验验证,结果表明,通过该方法构建的DSM,建筑物的边缘信息比较精确.