一种灰度体素结构分割模型下的机载LiDAR 3D滤波算法

针对现有的基于机载LiDAR数据的滤波算法未能充分利用数据提供的所有信息及其所采用的数据结构表达复杂、存在信息损失等缺陷,提出了一种灰度体素结构分割模型下的机载LiDAR 3D滤波算法。算法首先以综合利用机载LiDAR数据的高程及强度信息为目的将点云数据规则化为灰度（体素内激光点的平均强度的离散化表示）体素结构,然后基于各体素间的空间连通性和灰度相似性准则,将灰度体素结构分割并标记为若干个3D连通区域,最后依据地面与其它目标的高差特性提取与其对应的3D连通区域。算法优势在于:基于体素结构设计,为3D滤波算法;综合利用了地面目标的几何及辐射特征,对比传统滤波算法可应用于更复杂的场景;滤波结果为3D地面体素形式,可直接用于创建地面3D模型。实验采用国际摄影测量与遥感协会（International Society for Photogrammetry and Remote Sensing, ISPRS）提供的不同密度的机载LiDAR基准测试数据测试了邻域尺度参数的敏感性及提出的算法的有效性,并和其他经典滤波算法做对比。定量评价的结果表明,51邻域为最佳空间邻域尺度;点云密度为0.67点/m²的数据集1的滤波平均完整率、正确率及质量分别为0.9611、0.9248及0.8934;点云密度为4点/m²的数据集2的滤波平均完整率、正确率及质量分别为0.8490、0.8531及0.7404;对比其全经典滤波算法本文算法在高密度点云数据滤波时表现更佳。     

基于形态学与区域生长的机载LiDAR点云数据滤波

针对形态学滤波存在的地形过度腐蚀以及区域生长滤波需要大量地面种子点的问题,提出一种点云数据由粗到精的两级滤波策略。对机载LiDAR点云数据进行多尺度形态学滤波得到粗略DEM("粗滤波"),由此可提供大量的地面种子点用于区域生长,进而得到精细DEM("精滤波")。利用ISPRS提供的滤波数据进行测试,结果表明,该滤波算法对地形适应性较强,可有效保证地形特征,具有更好的稳健性。     

基于微分形态学断面的机载LiDAR数据滤波新方法

提出一种基于微分形态学断面的机载LiDAR点云数据滤波新方法。该方法由点云数据构建规则格网,去除粗差点;对构建的每一个格网进行多尺度分解,获取初始地面点及地物点;分别利用曲面逼近及微分形态学断面构建DTM（digital terrain model）,通过阈值函数判别二者之间的残差,确定最终地面点。使用国际摄影测量与遥感学会提供的测试数据进行实验,并与8种经典滤波算法比较分析,表明该方法能够有效去除地物点和保留地面点,并降低总误差。     

一种地形自适应的机载LiDAR点云正则化TPS滤波方法

随着机载激光雷达成像技术（LiDAR）的不断发展,激光点云数据处理的相关研究也在不断深入。点云滤波是机载激光雷达点云数据处理的重要环节之一。针对多数经典滤波方法在复杂地形和地物条件下的滤波效果不够理想的现状,提出一种新的基于相对变异系数的地形自适应正则化薄板样条插值点云滤波方法。采用二维区域增长获取初始插值参考点后,基于线特征约束对参考点进行优化,去除部分低可靠性参考点以得到较准确、分布离散均匀的初始插值参考点集合,在此基础上通过正则化薄板样条插值方式来拟合地形点与地物点之间的滤波分类面,完成对机载激光点云的高精度自适应滤波。对比实验结果表明,本文的地形自适应滤波方法在2组实验数据的总体错误率分别达到4.14%和4.17%,在错误率和多地形综合表现等方面具有优势,且滤波运算效率在目前主流的滤波算法中处于较高水平。另外,实验结果验证了地形自适应滤波方法在斜坡、山脊等起伏较多的复杂地形与包含植被和建筑物的混合地形等处的点云滤波结果具有较好的准确性。     

回波强度约束下的无人机LiDAR点云K-means聚类滤波

针对目前无人机激光雷达点云滤波过程中存在的效率低、误分割和精度差等问题,本文在对点云三维坐标进行K-means聚类得到不同聚类结果的基础上,引入最大-最小标准化方法对不同聚类结果的点云回波强度原始值进行标准化,得到 0-1范围回波强度规则值。针对不同聚类结果选择不同范围的回波强度规则值得到对应地面点云,以提升研究区点云的滤波精度并减少其地面点云的数据量。同时,对比利用K-means聚类对三维坐标和回波强度原始值进行滤波的结果。结果表明：对研究区点云去噪、抽稀预处理后得到107 372个点云数,利用K-means方法对三维坐标和回波强度原始值进行聚类滤波得到地面点数为66 713个,占点云总数的62.133%。通过使用本文方法可剔除过分割地表植被点13 648个,得到地面点云占点云总数的49.422%。该方法能够较好地保持地形轮廓并降低地面点云的数据量,从而为后期快速建立高精度DEM奠定基础。     

机载LiDAR点云数据的二面角滤波算法

机载LiDAR是获取地表DEM的重要技术之一。本文针对机载LiDAR点云数据在复杂城区环境下的大型建筑及低矮地物滤波问题,提出一种新的二面角滤波法。利用空间二面角的平面角可以表达空间两相交平面相对位置的原理,实现机载LiDAR点云数据滤波。首先,算法提取点云数据中的高程突变点,以非突变点的二面角余弦均值稳定性作为判定迭代结束的条件;其次,分别统计高程突变和非突变点集的二面角余弦值频率分布,以交点处对应余弦值和最后一次迭代的坡度值作为LiDAR点云滤波的判定条件;最后,利用数学形态学“开”算子,去除残留低矮植被,得到可靠的滤波结果。对同一区域机载LiDAR点云数据,通过“二面角法”与“渐进三角网法”进行滤波处理。实验结果表明,二面角滤波法能有效地降低地物点错分为地面点的百分率,且在去除地物信息的同时能良好地保留地形特征。     

基于一体化聚类滤波的机载LiDAR数据DTM提取

提出一种一体化聚类的滤波方法,从机载激光扫描数据中获取复杂城区的DTM。通过对激光点云数据构建八叉树,以节点满足平面判断条件进行双重距离聚类,对剩余点引入渐进三角网加密方法进行迭代判断,进而有效区分地面点和非地面点。最后,将本文滤波方法与经典滤波进行比较,得到可靠的DTM,验证了本文方法的有效性。     

多值体素连通区域构建下的机载LIDAR数据三维平面提取

针对现有的面向机载LIDAR数据的三维平面提取算法存在的基于离散激光点设计导致算法设计困难、仅利用几何特征的一致性导致的在平面平滑过渡区域易产生错误提取的问题,本文提出了一种多值体素连通区域构建下的机载LIDAR三维平面提取方法.该算法基于体素结构设计且综合利用了机载LIDAR数据的几何、激光反射强度信息,将传统的平面...     

GEE平台下结合滤波算法和植被物候特征的互花米草遥感提取最优时间窗口确定

互花米草的快速入侵严重影响湿地生态系统平衡。因此,精确监测互花米草扩张的时空动态变化过程具有重要意义。尽管现有基于植被物候特征的互花米草遥感提取方法,避免了光谱特征相似性引起的分类误差,但受到云和潮汐的严重影响,难以获取大尺度湿地植被提取特征信息。本文提出一种结合最大值合成法和Savitzky-Golay(S-G)滤波算法提取互花米草关键物候特征,减弱大尺度云和潮汐对时序遥感信号特征的影响,精准重构符合植被生长趋势的NDVI时间序列数据。通过获取关键物候特征,确定互花米草提取的最优时间窗口,基于Google Earth Engine(GEE)平台精准获取互花米草空间分布状况并分析典型地区的互花米草空间分布特征。研究结果显示,生长季初期（6—7月）为互花米草提取的最优时间窗口,该时期总体分类精度为89.81%,Kappa系数为0.88,相比其他时期的总体分类精度提高10.09%,Kappa系数提高0.11。互花米草提取结果表明,2020年福建省互花米草入侵面积总计100.78 km2,主要分布在宁德、福州、泉州以及漳州等地。其中,宁德市互花米草分布面积最广,共计38.08 km2,占全省...     

基于随机森林的光子计数激光雷达点云滤波

新一代星载激光雷达卫星ICESat-2首次采用了微脉冲光子计数激光雷达技术,由于单光子探测的灵敏性导致数据在大气和地表下层产生了大量噪声,因此对光子计数激光雷达点云数据实现信号和噪声的分离是开展进一步应用研究的前提和基础。本文选择美国俄勒冈州和弗吉尼亚州2个研究区,采用MATLAS数据,根据光子点云数据的特点构造了12个光子点云特征,对所构造的特征利用随机森林进行变量筛选,用机器学习方法对光子点云进行分类,并将建立好的模型推广到整个研究区。研究结果表明,本文构建的分类器分类总精度达到了96.79%,Kappa系数为0.94,平均生产者精度和用户精度分别为97.1%和96.8%。在相对弱噪声、平坦地形区域和强噪声、复杂地形区域都取得较好的分类结果。本文结果显示了基于少量样本通过机器学习的方法构建模型,可以推广到较大范围区域的光子点云分类应用中。     

基于机载LiDAR的多面片建筑物3维重建方法研究

提出了顾及多面片建筑物模型拓扑关系的边界提取方法。针对多面片建筑物的特点并基于最小二乘法,设计了一套适合多面片建筑物的边界规则化方法,并生成了3维建筑物模型。实验证明,本文方法对于多面片建筑物模型的3维自动重建都是可行和有效的。     

机载LiDAR点云密度和插值方法对DEM及地表粗糙度精度影响分析

机载LiDAR点云是获取高质量数字高程模型(Digital Elevation Model, DEM)的主要数据源,而地表粗糙度作为DEM的主要派生产品,在地学研究中发挥了重要作用,但点云密度和插值方法对DEM及地表粗糙度精度影响程度并没有明确结论。为此,本文利用不同地形条件下的林区机载LiDAR点云为实验对象,将原始点云随机缩减为不同的采样密度,利用5种常用插值方法(克里金(Ordinary Kriging, OK),径向基函数(Radial Basis Function, RBF),不规则三角网(Triangulated Irregular Network, TIN),自然邻域(Natural Neighbor, NN)和反距离加权(Inverse Distance Weighting, IDW))构建各个测区不同采样密度条件下的DEM,并通过空间特征和统计特征两方面对DEM及其地表粗糙度精度分析。结果表明:(1) DEM插值算法的精度随点云密度缩减而降低,且数据量缩减至原始数据量的30%后,不同算法精度区别较为明显,其中,RBF和OK精度最优,IDW精度最低;(2) DEM误差与...