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。     

基于地基LiDAR点云数据插值方法的对比研究

以冷龙岭断裂上一处典型地貌点云数据为例,采用最邻近法、距离反比法、不规则三角网法、样条函数法、克里金法等5种插值方法进行遗漏点云插值填充,研究并探讨最合适的插值算法。结果表明,不规则三角网插值法不仅可以很好地填充点云遗漏数据,还可以按照实际地形变化精确表示其高程数据并还原野外的真实场景,为后期的研究提供数据保证。     

扫描线局部特征约束的车载LiDAR点云城市道路边界提取方法

城市环境下的车载LiDAR点云在道路边界提取时容易受到路边车辆、行人遮挡等影响,而造成伪边界点的生成和边界线的不连续。本文发现利用高程标准差约束能够有效的处理该类问题。本文首先进行数据预处理,包括点云分段及地面点滤波、基于相邻点间距离将地面点整合成扫描线存储;其次基于扫描线建立连续双窗口,采用扫描线双向移动窗口法,构造双窗口之间高差、夹角值、高程标准差3种约束条件获取候选路坎点,并根据道路边界的连续性采用密度聚类中的DBSCAN算法聚类去噪,生成较为连续且精确的路坎边界点;最后对边界断点区域计算累计曲率值和距离来判断该位置是否为路口,若边界线断点为路口不进行连接,反之,视为车辆或行人遮挡导致的断点,采用二次多项式曲线填补拟合,获得边界的数学参数模型。实验结果表明,在存在较多遮挡的城市环境下道路边界提取精度能够达到80%以上。     

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。     

机载LiDAR点云建筑物屋顶轮廓线自动提取研究综述

建筑物作为城市中最主要的人工地物,其三维模型是智慧地球建设的重要数据支撑,实现精准自动化三维重建至关重要。机载激光雷达(Light Detection and Ranging, LiDAR)技术因具有环境约束小、操作成本低、采集速度快、数据精度高、可全天候获取地物空间信息等优势,已成为自动提取建筑屋顶轮廓线辅助建筑三维重建的主要数据源。首先对建筑屋顶轮廓线提取技术的发展历程进行简要回顾,再根据以往研究内容总结出一套较为通用的技术流程;该技术流程4个关键步骤为点云滤波、建筑物提取、屋顶轮廓线提取和轮廓线规则化;对每一步骤的实现方法、常用算法、发展现状以及面临问题进行详细阐述和对比分析。最后,对本技术面临的挑战和未来发展趋势进行讨论。     

基于激光点云批量化自动滤波分类技术研究

通过基于VC++6.0,OPENCV和GDAL/OGR自主开发数据处理软件来实现,直接读取点云数据的统计指标信息,如点密度、点云坐标最小值和最大值、标准差,根据统计的指标信息设置最大最小高程,进行高程异常滤波处理,自动滤除最大最小高程之外的点云,通过均值方差迭代滤波参数设置进行批量均值方差迭代高程异常滤波,进而可以进行批量粗分类,将植被、道路、房屋、水体等非地面点和地面点提取出来,实现激光点云的高效滤波并生成DEM。     

机载LiDAR点云更新1∶1万DEM关键技术探讨

结合TerraSolid对机载激光雷达数据进行后处理的生产流程,重点分析利用LiDAR数据提取DEM的几个关键技术:滤波技术、航带拼接技术、特征线\特征点参与DEM构建技术以及点云人工编辑分类后航带间高差超限的补救性处理方法。     

基于Gradient Boosting的车载LiDAR点云分类

车载LiDAR点云中包含地面、建筑物、行道树、路灯等丰富地物类别,自动对这些不同类别点云进行分类,对点云中目标的识别、提取及重建都具有重要意义。本文提出了一种基于Gradient Boosting的自动分类方法。该方法首先对车载激光点云进行数据预处理,然后计算点云的协方差矩阵、密度比、高程相关特征、局部平面特征、投影特征等,再计算点云特征直方图与垂直分布直方图,采用K-means方法对这两者分别进行聚类,并将其聚类类别值也作为特征,从而构建出20维的点云特征向量,应用Gradient Boosting分类方法进行自动分类。为了验证本文方法的有效性,从某城镇场景的车载激光点云数据中选取部分代表区域共144W点作为训练数据集,然后选取另一较大区域的点云共312W点作为测试数据集。使用训练好的分类器对测试数据集进行分类,分类结果总体准确率达到了93.38%,耗时631s,说明此分类方法具有较高的分类准确率,同时也具备较高的效率。     

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。     

一种基于变化检测的LiDAR点云DEM更新方法研究

提出一种基于变化检测的LiDAR点云DEM快速更新方法,将点云数据转换到已有DEM所定义的坐标系下,然后对点云数据进行滤波处理生成DEM;通过比较并利用高程差阈值和形态学算法等,形成一套完整的LiDAR点云DEM更新流程。试验结果表明,该方法能有效提升DEM生产效率,降低生产成本。     

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。     

强度体元基元下的机载LiDAR 3D滤波

针对现有基于二值体元基元的机载LiDAR三维（3 Dimensional, 3D）滤波算法仅利用了数据的高程特征、无法区分相连的地面和非地面目标的问题,提出了一种基于强度体元基元的机载LiDAR 3D滤波算法。首先,基于计算几何理论,将机载LiDAR数据规则化为强度（体元内激光点的量化平均反射强度值）体元结构。然后,基于3D连通区域构建理论,选取局部高程最低的非0值体元为地面种子进而搜寻并标记与地面种子,空间连通、反射强度及坡度值均接近的连通区域内体元为地面体元。算法综合利用LiDAR数据的高程、反射强度及坡度特征,支持相连但强度不同的地面和非地面目标的区分,为相连的地面和非地面目标的精确区分提供更有效的信息。算法有助于提高滤波精度,并扩展基于体元基元的3D滤波算法适用于更复杂的场景。实验基于ISPRS提供的专门用于滤波算法测试的LiDAR点云数据测试了“空间邻域尺度”参数的敏感性及提出算法的精度。定量评价的结果表明：51邻域为最佳邻域尺度;提出算法的平均Kappa系数在相对平坦、陡坡及不连续地形分别为0.9380、0.7749和0.6866;从总误差测度来看,提出算法对比经典的Axelsson算法改进了15个样本中的7个样本精度,且其对比其他二值体元基元下的滤波算法平均总误差最低。     

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。     

基于区域特征分割的密集匹配点云渐进形态学滤波

随着计算机视觉和遥感技术的进步,基于遥感影像的密集匹配也成为目前获取高精度点云的重要手段之一。与LiDAR点云类似,点云数据处理的基础步骤就是点云滤波。在数据特征上,密集匹配生成的点云与LiDAR获取的点云既类似但又有区别。本文在渐进形态学滤波算法上添加了特征条件,将点云和图像结合成深度图像,并对深度图像按典型地物类型进行语义分割,从而对与图像平面坐标一致的点云进行标记和首次滤波;然后按几何特征将场景简单分类,按分类结果对应的参数滤波构建地面点三角网;最后综合初滤波结果和语义分割类型标记对特征相似的区域进行优化确认,得到最终的滤波结果,并与布料模拟滤波（CSF）算法进行了对比验证实验。结果表明,基于特征的渐进形态学滤波其I类误差在1.98%以内,Ⅱ类误差在2.33%以内,较适宜对精度要求较高的应用,尤其是混合地形的滤波。     

基于LiDAR点云法向量稳健估计的室内平面图自动生成方法

提出一种基于Li DAR点云的室内平面图自动生成方法,旨在快速地以室内Li DAR点云数据为基础,实现点云法向量的稳估计,从而自动化提取墙面面片,进而完成室内平面图的构建。实验结果表明:该方法有效抑制室内Li DAR点云数据的噪声(如墙面重影),并能较好地生成室内的平面结构图。     

基于无人机传感器数据与词袋模型的点云自动化分类

激光点云分类是Li DAR数据应用的关键步骤和重要研究课题。针对Li DAR点云数据识别率低的问题,以体素化的点云为研究对象,提出了一种基于词袋模型的城区机载Li DAR点云数据分类方法。考虑到点云数据缺乏纹理信息,文中综合分析了点云数据和影像数据的特点,以点为单位提取描述点云的几何特征和影像特征分类特征;以体素为单位分割点云数据,并以体素为基础构建描述场景信息的词袋模型;最后基于随机分类器完成场景的分类。文中以ISPRS提供的Vaihingen数据作为实验数据。实验结果表明,本文提出的模型能有效地改善点云的分类质量,分类正确率能达到93%以上。