LiDAR点云与影像相结合的建筑物轮廓信息提取

分析机载LiDAR点云与影像数据特点,提出了一种建筑物点云与配准后影像相结合的建筑物轮廓信息提取方法。首先,采用α-shapes算法从点云中提取粗糙的建筑物轮廓多边形;然后,采用基于线支撑区域的直线段提取算法从影像中提取边缘信息,并利用投票机制,以点到直线的距离为因子,从中过滤出真实的建筑物边界;最后,提出一种建筑物轮廓精化的新方法,利用从影像中提取的边缘信息修正从点云中提取的粗糙轮廓,并对修正后的轮廓采用道格拉斯-普克算法去除冗余节点,采用强制相交方法恢复建筑物转角,最终得到了准确的建筑物外轮廓多边形,并通过实验验证了该方法的有效性。     

利用机载LiDAR点云提取复杂城市建筑物面域

机载LiDAR技术为探测建筑物提供了大量三维点云坐标.为了能从植被中有效识别建筑物面域,首先利用渐进式TIN加密法识别非地面点云,经过移除低于地面3 m的点云和孤立点云后生成菲地面点云的二值化格网,依据自定义的分割算子打断建筑物和植被间的可能连接;然后通过区域生成算法以高差阈值来聚类二者的面域,并使用大坡度密度阈值来提取建筑物的面域;最后使用形态学闭算子填充面域孔洞并平滑其边缘.选取3个典型的复杂城市区域进行测试,结果显示,各区域的提取质量与完成率均高于91％,表明该算法能够达到自动识别建筑物的目的.     

LiDAR数据与航空影像结合的建筑物重建

探讨了结合航空影像的LiDAR数据简单建筑物重建算法,以建筑物边界、屋顶面片的自动提取及面片邻域关系的建立,重建了简单直角建筑物模型,并利用航空影像进行了精确定位。     

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LiDAR点云的建筑物边界提取及规则化

在无需定义主方向及建筑物形状的前提下,提出了一种适合于各种类型建筑的边界提取算法。首先利用凸包算法进行建筑物边界点的提取及排序,接着利用分组的Douglas-Peucker(D-P)算法进行边界特征点的提取,最后实现建筑物边界弧段部分的拟合。     

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。     

机载LiDAR点云数据与影像数据融合

分析机载LiDAR系统获取的点云数据与影像数据的优缺点,从而取长补短,将二者进行叠加融合,并成功地将航空影像的光谱信息赋给相对应的LiDAR点云,弥补了LiDAR点云在光谱信息方面的缺陷,为LiDAR点云数据的后续处理提供重要的信息支持.     

半自动机载LiDAR点云建筑物三维重建方法

针对全自动建筑物3D重建存在需要后续人工检验,且发现重建错误需要花费额外时间修改的问题,提出了一种半自动的面向对象的机载LiDAR点云建筑物3D重建方法。基于建筑物类别点云的联通分析和平面生长分割结果,提出了自动的建筑物栋数检测、单栋建筑物外轮廓提取、单栋建筑物内部结构线提取方法;同时,在计算机无法完成部分工作时,人工辅助计算机完成高程阶越线提取、识别建筑物屋顶附属物点云等工作。实验证明,该方法可以适用于高密度机载LiDAR点云数据中城区大部分建筑物的3D模型重建。     

改进GAC模型在点云和影像自动提取建筑物边界中的应用

以自动生成测地线活动轮廓(geodesic active contour,GAC)模型的初始曲线及改进其外力为出发点,提出一种基于LiDAR点云和随机影像数据,利用改进的GAC模型进行建筑物边界提取的方案。首先利用形态学交替序贯滤波自动获得模型演化的初始曲线;进而利用LiDAR深度梯度影像改进模型演化的外力,得到了改进的测地线活动轮廓(improved geodesic active contour,IGAC)模型。仿真试验表明,采用IGAC模型,可抑制弱边界泄漏,并提高建筑物边界提取的完整性和形状精确度。     

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。     

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.     

基于LiDAR数据和航空影像的水体自动提取

提出将LiDAR数据对水体的敏感性与航空影像的高分辨率特征相结合的水体自动提取方法。利用SIFT算法对LiDAR强度图像和航空影像进行配准,在LiDAR高程图像上提取无回波信号的黑色区域,构建几何约束条件,排除由遮挡产生的无效区域;将水体初始位置映射到航空影像上,结合边缘信息进行区域生长,并对生长区域进行数学形态学运算,最终获取水体区域。实验结果表明,该方法可以获得很好的水体提取效果。     

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。     

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。     

利用航空影像、点云数据和矢量图进行简单房屋三维重建方法研究

采用航空影像、点云数据和矢量图进行房屋的三维重建。该方法从矢量图和三维点云数据提供的房屋高度信息中自动获取房屋模型参数的初始值,利用矢量和影像匹配技术、最小二乘平差算法实现平顶房、人字形简单房屋的自动三维重建。试验数据证明,该方法能较好地实现房屋的点云数据分割和平顶房、人字形简单房屋的几何模型自动重建。     

高分辨率多光谱影像城区建筑物提取研究

城区高空间分辨率遥感数据由于存在大量同物异谱和异物同谱现象,应用传统的基于像元光谱分类的方法进行建筑物分类提取难以取得满意的效果。本文发展了一种从高分辨率Ikonos卫星影像上基于知识规则的面向对象分类提取城区建筑物方法,包括如下步骤：(1)融合1m全色和4m多光谱波段影像,生成1m分辨率的多光谱融合影像;（2）分割融合影像;（3）执行基于对象光谱的最近邻监督分类;（4）应用模糊逻辑分类器结合光谱、空间、纹理和上下文特征等知识规则进行建筑物分类。精度统计结果表明,本文提出的分类方法提取城区建筑物取得了93%的精度。