一种改进的空间上下文点云分类方法

考虑到点云数据具有线性分布和密度不均匀的特点,以及现有复杂场景点云分类方法中缺少对非局部空间上下文信息的有效利用,提出了一种改进的空间上下文点云分类方法。该方法在提取点云数据顾及曲率的自适应邻域的基础上,首先估算点云局部特征与依赖性空间上下文,并基于超级体素提取分布性空间上下文,最后采用高阶条件随机场模型,实现对点云数据的自动分类,避免了利用单一点云局部特征分类的局限性。试验结果表明,本文方法能够有效提高点云数据地物分类精度。     

利用特征面进行LiDAR点云分类的方法

为提高激光雷达点云自动分类程度,提出了一种新型激光点云分类方法。在TerraSolid软件中,结合点云滤波、影像解译和特征要素采集等技术进行点云分类,并基于新昌县点云分类数据进行实验。结果表明,该方法可快速准确地分类建筑物,减少了大量手动编辑分类工作,加强了自动化分类程度,可大大提高工作效率。     

顾及局部特征的深度学习点云分类研究

针对PointNet深度学习算法可以直接处理无序点云并取得了良好的精度,但是缺乏对局部信息学习过程的问题,该文基于图卷积模型,在PointNet基础上构造层次化的K邻域图,扩大局部感受野,获得高层次的特征抽象,有效提取了点云的局部特征从而提高了分类精度.分类实验在ModelNet40数据集上进行,取得了91.2％的测试精度.研究结果表明,该文提出的算法比PointNet分类结果高出2.0％,同时本文构造的分类网络鲁棒性优于PointNet算法,为点云分类工作提供了一种有效思路.     

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。     

基于语义推理的城区机载LiDAR分割点云分类

目前,机载LiDAR系统获取的点云数据具有多回波的特性,回波特性可以揭示地物的类型信息。本文在排除粗差、首次回波和中间次回波后,对单次回波和尾次回波形成的点云子集进行基于3DHough变换分割和滤波处理以区分地面点和非地面点(包括墙面点),然后合并首次回波、中间次回波和非地面点再次进行点云分割,利用分割面片的尺寸大小、单次回波激光脚点比例、首次回波和中间次回波激光脚点比例等三个指标区分建筑物激光脚点和植被激光脚点。实验证明,上述方法可以很好地将点云数据分类为墙面点、地面点、建筑物点和植被点。     

采用聚类分析的车载点云地物分类

针对车载激光雷达点云初始聚类中心难以确定的问题,该文提出了一种基于最大网格密度的近邻聚类算法对点云实现分割,并以高程、法向量和投影密度作为约束条件对分割后的点云块进行地物的分类识别。通过对车载激光雷达的部分点云数据进行相关试验,结果表明该方法可以精确有效地实现城市典型地物分类。     

面向点云语义分割的多特征融合PointNet++网络

PointNet和PointNet++方法以最大池化为聚合函数使得深度神经网络可直接分类无序点云,得到了较高的分类精度,但对点云空间相关性局部特征提取能力不足,制约了点云语义分割精度的提升。针对该问题,设计了一种面向点云语义分割的多特征融合PointNet++网络,在PointNet++网络中加入一个特征编码器,并以最小信息熵法计算的最优邻域来计算人工特征作为特征编码器的输入。在ISPRS提供的Vaihingen区域三维点云分类标准数据集上进行语义分割实验对比,结果表明多特征融合PointNet++网络语义分割精度比PointNet和PointNet++分别提高了4.3%和3.2%。     

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LiDAR点云格网化方法。最后通过实验验证了该方法的有效性。     

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。     

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。     

基于特征点的点云压缩方法研究

针对现有点云数据,在VC++平台下,提出一种基于特征点的压缩方法,实现点云数据的抽稀,其中试验数据采用扫描数据以及美国斯坦福大学试验点云数据。经试验表明,该方法能够实现点云的抽稀,减少点云的数据量,提高点云后期处理的效率。     

基于特征点提取和匹配的点云配准算法

针对ICP算法配准需要两点云有较好的初始位置否则无法获取准确匹配结果的问题,提出一种新的粗配准算法。调整两片部分重叠点云的初始位置;在求取一点处法向量的基础上,利用点云曲率信息,提取特征点,获取两点云每一特征点处的属性向量;通过相似度函数评价,寻找匹配特征点对进行粗配准。试验表明,该基于特征点提取和匹配的方法可为ICP算法提供良好的点云初始位置,并提高配准精度和可靠性。     

结合纹理信息的极化SAR影像分类研究

结合Gabor小波、灰度共生矩阵和Fast ICA方法提取的纹理信息,利用支持向量机分类器对单极化SAR影像进行分类研究。首先利用精致Lee滤波器对影像进行去噪处理;然后采用灰度共生矩阵和Gabor小波提取影像纹理特征,利用Fast ICA算法对纹理特征进行降维分析;最后将降维后的纹理特征与强度特征结合,采用支持向量机分类器进行分类;采用北京地区Terra SAR-X影像对该方法进行实验,结果表明,纹理信息的引入使极化SAR影像分类精度得到提高。     

一种基于特征点的地面激光点云全局配准方法

针对当前地面激光扫描(TLS)点云配准自动化程度低且耗时的问题,本文提出一种基于特征点和改进FGR(fast global registration)算法的TLS点云全局配准方法。该方法一共分为三步:首先对点云进行粗差剔除和降采样;然后提取Do G(Difference-of-Gaussian)特征点和进行FPFH(fast point feature histogram)描述,进而进行双向一致性匹配;最后使用FGR算法进行优化获得点云之间初始参数,结合标准ICP算法实现TLS点云的高精度配准。利用7站地面激光点云数据进行实验,结果表明本方法可以在保证配准精度的前提下获得较高的配准效率。     

基于Python的点云分类异常地面点自动探测方法

在应用LiDAR点云数据生产DEM过程中,由于滤波算法的局限性和人工编辑误操作,点云分类过程中会产生影响DEM精度的异常地面点.针对该问题,本文提出了一种基于Python语言的点云分类异常地面点自动探测的方法,通过实践验证了该方法的可行性和有效性,在大规模DEM生产中具有实际应用价值.     

基于特征点的高程点自动抽稀法

针对传统地形图缩编中高程点抽稀存在的问题,提出基于特征点的高程点抽稀的方法,使用此方法一方面可以保留特征点处的高程点,另外可以实现高程点的自动抽稀。     

激光雷达点云平面拟合过滤算法

在分析激光雷达点云空间分布特征的基础上,提出了基于斜率的激光点云平面拟合过滤算法,并利用该算法对机载激光雷达点云的特征提取进行了实验研究。结果表明,此算法能有效地拟合激光点云的连续平滑的水平平面、倾斜平面和垂直平面,在DTM、建筑屋顶和垂直墙壁等特征提取中具有较好的效果。