基于SURF算法和改进RANSAC算法的无人机影像匹配

影像匹配是诸多遥感影像处理和影像分析的一个关键环节,结合加速鲁棒性特征(SURF)算法和随机采样一致性(RANSAC)算法对影像进行处理,得到特征稳定、匹配点可靠的配准影像。首先提取影像的SURF特征,利用特征点的欧式距离比来完成影像之间的粗匹配;然后使用RANSAC算法对粗匹配点进行筛选;最后计算出图像间的变换矩阵,完成匹配。文中选择某城郊地区的无人机航拍影像,结合SURF算法,并改进RANSAC算法来对影像进行处理,实现影像的匹配,验证文中方法的可行性。     

影像匹配点云与机载激光点云的比较

介绍了影像匹配的发展现状及趋势、研究进展和存在的问题,分析了影像匹配点云的特点,并对通过摄影测量技术和LiDAR技术获得点云的方法进行了比较。     

一种可见光影像稠密匹配点云的单栋建筑物提取方法

建筑物点云提取是城市快速三维建模的基础。针对城区中建筑物和树木空间距离较近导致建筑物点云误提取的问题,提出一种颜色约束的欧式聚类算法。该方法利用低空拍摄可见光影像进行三维重建、获取点云数据,在建立点云K邻域索引和表面估计的基础上,以曲率最小的点作为欧式聚类的种子点,将点云的RGB值转换成Lab颜色模型,对建筑物点云的聚类提取进行约束。实验表明,该方法可以有效地解决可见光影像匹配点云中建筑物提取时将树木误提取的问题。     

一种RANSAC多模型拟合的隧道点云滤波算法

针对目前大多数点云滤波方法的不足,提出基于随机抽样一致(random sample consensus,RANSAC)多模型拟合的隧道点云滤波算法.与单模型拟合滤波方法不同,该算法在每个隧道横断面上使用多个圆模型进行分段拟合,多个模型具有不同的模型参数,将远离所拟合的各圆模型的点作为噪声点进行剔除.实验结果表明,相较于...     

基于RANSAC算法的稳健点云平面拟合方法

针对点云平面拟合中存在粗差及异常值等问题,对结合特征值法的随机抽样一致性(random sample consensus,RANSAC)平面拟合算法进行了改进。该方法以RANSAC算法为基础,结合特征值法,利用点到平面模型距离的标准偏差来自动选取阈值t,通过阈值t检测并剔除异常数据点,达到获得理想平面拟合参数的目的。用改进的算法和传统的特征值法分别对点云数据进行处理,结果表明,改进的算法适用于存在误差和异常值的点云数据拟合,能稳定地获得较好的平面参数估值,具有较强的鲁棒性。     

一种改进的RANSAC算法提取多模型圆弧特征点云

针对传统RANSAC算法迭代次数无上限及只能识别单个模型的局限,提出一种适用于扫描线式点云数据改进的RANSAC算法。对三维激光点云数据进行二维化处理,在RANSAC算法的基础上对局外点进行预剔除,计算过程中对迭代次数进行自适应调整,采用分次识别法实现多模型圆弧点云的提取。实例证明,文中算法能够有效地提取同一场景中的多模型圆弧点云,较传统算法具有明显优势。     

基于维度特征的RANSAC建筑物点云分割算法

提出一种以建筑物表面形状特征为分割依据的改进RANSAC点云分割算法。该算法以主成分分析算法为基础计算维度特征和熵函数,并以熵函数最小准则确定最优邻域,继而进行表面形状分类,运用法向量夹角作为约束条件对分类结果进行优化。将分类结果作为随机抽样一致性(RANSAC)点云分割算法的模型选择依据,进行建筑物表面分割,采用法向量和距离等约束条件对分割结果进行优化,从而分割出具有不同形状的特征表面。实验表明:文中提出的改进的RANSAC点云分割算法是可行的,能有效保留表面特征。     

一种考虑云检测的遥感影像匹配方法

针对有云遥感影像间常规匹配效果不佳的问题,提出了一种考虑云检测的遥感影像匹配方法,主要包括有云区域的探测、特征点提取和相位匹配三个部分。通过对影像局部区域的高亮度像素的统计,在特征点提取时避开有云区域,最后通过物方空间的相位相关获取同名点对。实验表明本方法在包含大量云团的影像之间能够明显改善匹配效果。     

图论算法的无人机影像匹配特征点粗差剔除

无人机影像匹配过程中,粗差是不可避免的,因此,获取稳健性较高的特征点进行无人机影像匹配至关重要。传统的方法是采用经典的RANSAC算法进行粗差剔除,该算法受抽样次数、误差阈值的影响,还会残存部分误匹配的特征点。利用图论原理,对SIFT算法提取的特征点进行预处理,通过构建特征点的能量函数剔除能量较低的特征点,可以提高匹配特征点的稳健性,减少特征点的粗差。本文提出了一种新的方法,将图论算法与经典的RANSAC算法相结合进行粗差剔除。该方法命名为GSIFT-RANSAC算法,利用该算法可以提高特征点的稳健性,获取高精度的单应矩阵。采用两组无人机影像进行验证,本文提出的算法与单独利用图论剔除特征点的算法相比,粗差剔除率分别提高了5.31%和14.29%,说明该方法效果较好。     

基于特征点匹配及提纯的点云配准算法

针对传统的基于ICP点云配准算法配准时间长、收敛慢、需要较好初始配准等限制,本文利用现有的点云特征提取算法和描述算法,提取并匹配点云中的特征点,用RANSAC算法结合坐标转换模型剔除误匹配点对,用匹配点对在两点云中的坐标计算之间的坐标转换参数,从而实现点云的配准。相比ICP类算法,提高了点云配准的效率,同时提高了点云配准的自动化程度。     

一种顾及水下地形特点的多波束点云去噪算法

针对包含大量噪声的多波束点云去噪问题,顾及水下地形特点设计算法去除近地表噪声和明显离群噪声。算法基于RANSAC算法思想拟合局部平面,结合统计分析方法去除给定阈值范围之外的噪声;结合共面法矢量特征预判去除离群面并探测保留陡坡等高程梯度变化明显的敏感地形。通过减少点云数据检索次数、使用哈希表等方式优化算法,提高执行效率。能够保证地形一致性的同时较好地保留区域边界等信息。最后,设计实验对多波束点云去噪结果达到预期,并对实验结果进行探讨提出后续研究方向。     

深度图像分割的城市区域倾斜影像密集匹配点云滤波算法

倾斜摄影测量作为一个新兴领域发展势头迅猛,在众多领域得到了广泛应用。但倾斜影像密集匹配点云处理技术研究却相对较少。倾斜影像密集匹配点云分布不均匀、表面粗糙,因而传统的激光扫描点云处理算法在用于倾斜影像密集匹配点云处理时的适用性较低。本文从倾斜影像密集匹配点云特点出发,提出了一种利用点云高程信息生成深度图像提取建筑物非连通区域,在全局范围选取种子点实现多种子点区域生长的点云快速滤波算法。实验结果表明,该算法滤波效果好、速度快,可以改善密集匹配点云部分地物底部边缘不清晰引起错分和区域生长无法分割建筑物非连通区域的问题。     

基于双边滤波的点云数据预处理方法

目前,三维激光扫描仪已经广泛应用于三维建模、变形分析等领域。其中,点云数据的平滑滤波是点云预处理的核心问题,制约着三维激光扫描仪的应用。本文通过对双边滤波原理进行分析,将其应用到点云数据的平滑滤波过程中。通过实验数据验证,双边滤波可以有效地降低点云数据的噪声水平,具有广泛的应用价值。     

时间序列影像特征点提取与匹配算法研究

首先利用Harris算子分别从序列影像中提取运动目标的特征点,然后通过局部信息熵与Walsh变换有机结合来实现序列影像前后帧中运动目标同名特征点的匹配。实验证明了本文算法的可行性。     

一种新的点云平面混合分割方法

为了同时提高点云平面分割效率与可靠性,提出了一种新的将区域增长与RANSAC相结合的点云平面分割方法。该方法通过对八叉树节点进行平面度测试实现种子平面的自动遴选,将节点平面参数作为区域增长约束得到初始分割结果。实验证明了该方法能够高效可靠地实现散乱点云平面分割     

用于公路勘测设计的LiDAR点云抽稀算法

传统的抽稀算法应用于公路点云数据抽稀时,往往存在不能很好地顾及地形特征,或者出现大面积点云空洞的缺陷。本文提出了一种改进的基于平均曲率算法,用于公路勘测设计中的点云数据的抽稀,该算法首先通过局部二次曲面拟合,依次求出所有点的平均曲率;然后根据平均曲率判断地形特征,并作为判别点云数据抽稀的主要准则;最后利用标记法解决了平坦路面出现大面积空洞的问题。通过试验与分析,证明了本文抽稀算法的可靠性和适用性。     

基于边界保留的点云精简算法研究

传统的栅格法与曲率法对数据模型进行精简时很容易剔除特征点,但是误判率较高,导致精简后的数据不能较好地突出点云数据的特征,使重构后的实体模型精度下降。针对以上问题,本文算法首先使用改进的Kmeans进行质心初始化;然后,使用X-Y边界提取算法来保留边界完整性;最后,根据Hausdorff距离对簇进行细分,在高曲率区域保留必要多的点,在低曲率地方保留一些均匀分布的点。实验验结果证明该方法优于传统的栅格法与曲率法。     

彩色点云匀色的Wallis算法

通过可见光相机与三维激光扫描仪之间的精确标定,可以生成具有颜色信息的点云,在文物建模、移动测图、地下空间调查等领域具有广泛应用。点云的色彩质量依赖可见光相机的成像质量,受硬件水平、光照条件、拍摄参数等诸多因素干扰,经常出现偏暗、过曝、不均匀等现象,然而目前缺乏点云色彩匀色方法的研究。因此,本文将Wallis匀色算法从二维拓展到三维,利用模板影像的颜色信息,改善三维点云的色彩效果。实验证明,三维Wallis匀色算法可以有效改善点云的波段比例、亮度与对比度。