基于LIDAR回波信息的道路提取

机载激光扫描系统在采集三维坐标的同时,也提供回波信息(回波次数、回波强度).本文提出了一种利用回波信息提取道路的方法:逐层加密,TIN提取数字地形模型(DTM),根据点云的回波信息从DTM中提取道路信息,通过搜索孤立点的滤波算法删除其中的噪声点.最后用实测数据对提取的道路信息进行精度分析,验证了该提取方法的有效性.     

面向多源数据地物提取的遥感知识感知与多尺度特征融合网络

遥感地物自动提取是遥感智能解译中的关键问题,对空间信息的理解和知识发现具有重要意义。近年来,使用全卷积神经网络（fully convolutional networks, FCN）从高分影像和三维激光雷达（light detection and ranging, LiDAR）数据中提取地物信息因取得了较好效果而受到广泛关注。现有FCN网络在地物提取精度和效率等方面仍存在不足,由此提出一种基于多源数据的遥感知识感知与多尺度特征融合网络（knowledge-aware and multi-scale feature fusion network, KMFNet）。在网络编码器端融入遥感知识感知模块（knowledge-aware module, KAM）,高效挖掘多源遥感数据中的遥感知识信息;在网络编码器和解码器之间添加了串并联混合空洞卷积模块（series-parallel hybrid convolution module, SPHCM）,提高网络对地物多尺度特征的学习能力;在解码器端使用了渐进式多层特征融合策略,细化最终的地物分类结果。基于公开的ISPRS语义分割标准数据集,在LuoJiaNET遥感智能解译开源深度学习框架上将KMFNet与当前主流方法进行了对比。实验结果表明,所提方法提取出的地物更为完整,细节更加精确。     

机载LiDAR数据处理与地物提取

介绍了机载LiDAR数据处理流程,分析了TerraSolid软件应用于LiDAR点云的地物提取方法,对复杂城区激光点云进行了地物提取试验研究,实现了植被、建筑物、水渠、地面点等地物的提取,制作了数字高程模型。     

基于LIDAR数据的建筑物轮廓提取

建筑物轮廓的准确提取是建筑物三维重建中最重要的一步。本文在研究已有建筑物轮廓提取方法的基础上,针对LIDAR离散的点云数据,提出了一种自动快速提取建筑物轮廓信息的方法。首先通过点云数据生成城市的数字表面模型(DSM)和数字地面模型(DTM)相减计算得出规则化的数字表面模型(nDSM),进而将地面点和非地面点进行分类;其次,考虑到地物的几何特性,提出一种8邻域搜索的方法对非地面点点云进行分割,得到建筑物表面点云;最后运用基于梯度图的边界跟踪的方法来获取建筑物的轮廓信息。实验表明:该方法能有效地提取建筑物轮廓。     

基于知识的遥感图像地物提取方法研究

通过对图像知识库、图像数据库、纹理分析和形状分析等技术的研究,提出了一种基于知识的遥感图像地物提取的方法。该方法提取图像的纹理特征和形状特征,根据知识库中的先验知识进行推理,实现了遥感图像地物的判别和提取。     

基于LIDAR数据的建筑轮廓线提取及规则化算法研究

建筑轮廓线提取与规则化是LIDAR数据处理和建筑三维建模的重要步骤和技术难点.首次将"Alpha Shapes算法"应用于LIDAR数据处理,实践证明该算法简洁高效、运行稳定、提取精度高,适用于任何形状的建筑轮廓线提取,并具有一定自适应性和滤波功能,非常适合LIDAR点云数据提取建筑轮廓线.同时,提出了改进的"管子算法"用于原始轮廓线的简化,提出了适用于四边形的"矩形外接圆法"和适用于多边形(大于四边且边数为偶数)的"分类强制正交法"以进一步实现轮廓线的规则化,最终解决了离散点云提取规则建筑轮廓线的核心问题.实践证明,本文所述算法适用于凸凹多边形建筑内外轮廓线的提取与规则化.     

LIDAR数据不规则建筑物的矢量化

基于LIDAR数据的建筑物边界提取可以结合其它遥感数据,也可以单纯利用点云数据.利用单纯激光数据提出一种对不规则建筑物边界判断及矢量化的方法,可以有效识别出边界线的线型,并对各种弧形进行矢量化.     

关于Lidar数据的滩涂、海岸带主要地物提取方法

海岸、滩涂一直是地理信息数据库极其重要又极其敏感的特殊区域,对其进行快速、准确地测量以及后期数据有效精确处理是一项重要的测量工作。对海岸带、滩涂主要地物从Lidar点云中分离方法进行了全方位地尝试并提出对植被、土壤、水体等主要地物引入光谱信息、激光反射率、回波强度,对水体还引入是否具有双重回波特性进行地物的提取。此方法...     

机载LiDAR点云数据中电力线的提取方法研究

提出了一种基于机载LiDAR点云数据的电力线提取方法。首先在进行LiDAR数据滤波的基础上,分离地面点与非地面点;然后针对非地面点采取一种基于角度的滤波方法,分离非地面点中的植被点与电力线点,对电力线点,采用二维Hough变换进一步分离各条电力线点;最后使用双曲余弦函数模型,对单条电力线进行曲线拟合。实验结果表明,该方法能够从LiDAR点云数据中较完整地提取出电力线点,电力线点提取正确率达96.2%,并能够对电力线走廊进行三维重建。     

基于极化SAR数据的地物要素提取

摘要本文提出了一个基于极化SAR数据进行重要地物要素提取的方法,首先通过经典的特征分解方法得到散射目标的极化特征,然后结合基于Wishart的K-means非监督分类方法和基于最大似然的监督分类方法得到分类结果,经过分类后处理,最后提取各地物要素,生成地表覆盖图。实测极化SAR数据结果验证了方法的有效性。     

基于易康平台的高分辨率影像在测绘生产中的地物提取

随着遥感技术的发展,遥感数据获取手段有了长足的进步。测绘部门在生产中也展开了基于高分辨率影像提取地表覆盖等信息。本论文以易康软件作为卫星遥感影像地物提取的平台,研究如何利用高分辨率遥感影像生成地表覆盖分类图,以达到测绘部门在生产中的需求。     

基于阈值分割的LIDAR建筑物提取

在介绍常用的阈值分割方法的基础上,详述了基于阈值分割的LIDAR建筑物提取方法,对不同阈值分割方法的优越性与实用性进行分析。研究结果表明,阈值法是一种最简单最基本的图像分割方法。全局阈值能快速有效地分割噪声小、比较均匀的图像,动态阈值和c均值模糊阈值分割对不均匀图像能进行较好的分割,其中c均值模糊阈值分割法最佳。     

利用规则进行高分辨率遥感影像地物提取

针对高分辨率遥感影像中地物的复杂性和多变性带来的地物提取难点,提出了一种基于多层次规则的面向对象的典型地物提取方法。改进了基于区域增长的影像分割方法,利用小区域内的全局最优策略进行初始增长,避开了种子点的选择。利用影像分割得到的影像对象作为地物提取的基元,针对影像上典型地物选择提取特征,利用多层次的提取规则进行地物提取,总的提取精度达到87.1%。     

基于知识的水体信息提取研究

随着遥感技术的不断发展,使用遥感手段自动提取地表水体信息已成为全球信息提取研究方面的热点,其研究具有重要的现实意义。本文利用基于知识的遥感信息提取方法对地貌复杂的ETM遥感影像进行水体信息提取:首先,对其进行几何校正和目视解译,进行光谱特征分析和纹理分析;然后,利用光谱间关系和NDWI法,在ERDAS和ENVI软件的支持下,将基于各种知识形成的判决规则进行概念化描述,构建数据模型,对遥感影像进行自动分类,并取得了较好的分类结果。经精度评价,分类总精度为98.05%,Kappa系数为0.808 2,证明该方法具有可行性。同时,灵活地运用纹理特征等专家知识可以有效地弥补单纯使用光谱特征进行自动分类的不足,提高分类的精度。     

利用非参数回归跳变检测模型提取LiDAR建筑边缘

本文利用跳跃点非参数回归模型,提取建筑物边缘。首先将LIDAR数据转化为栅格数据,建立非参数回归模型,假设LIDAR观测值数据服从0均值,固定方差的同一独立分布;然后,通过非参数回归模型的局部加权估计量检测跳跃点;最后,通过滤波和细化操作提取清晰建筑物边缘。该算法在检测模拟和实际LIDAR数据建筑物边缘时,均得到了很好的效果。     

基于LIDAR点云数据的电力线提取和拟合方法研究

从LIDAR电力线扫描数据的高程分布特点出发,提出了基于点云高程数据平面投影的电力线提取和拟合算法。首先通过高程自动阈值分割初步剔除地面点;其次,通过高程投影和重采样将高程分布转换为高程值影像,在影像空间通过直线检测实现电力线提取和拟合;最后,提出了基于数学形态学的电塔分割和潜在危险地物检测。通过对LIDAR点云数据电力线提取和拟合试验表明,本文算法能较好地实现电力线拟合、电塔提取及危险地物检测,可用于基于LIDAR的电力巡线。     

基于地面激光扫描仪的隧道断面提取研究

近年来,将三维激光扫描技术应用于地铁变形监测成为研究的热点.面对海量点云数据,如何提取隧道断面是成功运用该技术的关键.据此,本文采用三维激光扫描技术扫描隧道,获取隧道整体点云数据,并提出一种获取隧道任意位置断面变形的新方法.以某地铁监测数据为例实验分析,提取隧道断面图,实验证明了该方法的有效性.     

基于DBN的车载激光点云路侧多目标提取

提出一种基于深度信念网络（DBN）的车载激光点云路侧多目标提取方法。首先通过预处理对原始数据进行分段,并将地面和建筑物点云与路侧目标进行分离;然后利用连通分支聚类分析算法进行路侧点云聚类,并采用基于体素的归一化分割方法分割重叠点云,从而生成独立目标点云;在此基础上,生成基于多方向目标对象的二值图像并展开成二值向量作为独立目标点云的描述特征;最后构建并训练DBN,利用训练好的DBN提取行道树、车辆及杆状目标等3类路侧目标。试验采用两份不同城市道路场景的点云数据,行道树、车辆及杆状目标提取结果的准确率分别达97.31%、97.79%、92.78%,召回率分别达98.30%、98.75%和96.77%,精度分别达95.70%、93.81%和90.00%,F1值分别达97.80%、96.81%和94.73%。试验结果验证了本文的有效性。