顾及地形特征的LiDAR点云数据抽稀算法

针对现有的LiDAR点云数据抽稀算法存在无法有效保留地形特征点或地形分类精度不高等问题,文章提出一种顾及地形特征的点云数据抽稀算法:利用点云中的局部极值点与点云边界点作为种子点构建不规则三角网(TIN);利用一定原则逐渐选取非种子点中的地形特征点加密TIN;然后采用一种临近三角面的平面测试策略剔除三角网中可能存在的冗余点,得到最终结果。测试结果表明:该算法在保证地形精度的前提下,能够有效地减少冗余点数量;同时,为了提高算法的实用性,该文通过大量试验给出了算法中所需参数的最优配置。     

机载LiDAR点云密度对DEM精度的影响

机载激光雷达技术(LiDAR)作为一项先进的遥感技术,是植被覆盖区DEM获取的重要手段之一,而不同地形坡度条件及点云密度对DEM产品质量有重要影响。本文以辽宁省某市的机载LiDAR数据为基础,选取5种不同地形坡度的点云数据,通过随机、等间距及基于曲率3种不同的点云抽稀方法,按照点云保留率为80%、60%、40%、20%和10%共5个不同梯度的抽稀倍数对原始点云进行抽稀简化处理,生成与之对应的DEM并对其进行精度评价,以此研究地形坡度、点云抽稀方法、抽稀倍数对DEM精度的影响。结果表明,DEM精度与地形坡度呈负相关关系,即RMSE随地形坡度升高不断增加;基于曲率的抽稀方法在地形坡度＞30°时,相较于其他两种方法RMSE较小,具有明显优势;40%的点云保留率是平衡DEM精度与数据存储效率的一个节点,当点云保留率<40%时,DEM的高程RMSE会迅速增大。该研究对于利用机载LiDAR进行大范围DEM生产具有一定的指导和借鉴意义。     

机载LiDAR点云数据抽稀算法研究述评

机载LiDAR技术作为一种全新的遥测技术,可以获取高精度和高密度的三维点云地形数据,它所获取的高密度的点云数据存在数据冗余和数据量庞大等一些问题,造成了存储、后处理(如滤波、分类、特征提取和建模)和显示的不便。因此对点云数据进行有效的数据抽稀简化很有必要,抽稀算法需要在数据精度和采样密度之间达到一种最优平衡。本文将现有的LiDAR点云数据抽稀算法概括为随机采样算法、基于高程的算法和基于TIN的算法3类,并分别进行了研究评述,最后探讨了各类方法的优缺点,以为机载点云数据抽稀简化提供参考。     

顾及地形复杂度的多波束测深数据抽稀算法

多波束测深数据具有海量特性,在使用过程中常需对其进行抽稀处理。针对现有抽稀算法的结果无法兼顾舰船航行安全与海底地形真实表达的问题,提出一种新的多波束测深数据抽稀算法。在根据海底地形复杂程度的不同实现地形复杂程度分类的基础上,针对平坦、一般和复杂3类不同复杂程度的地形区域提出不同的抽稀策略,使得抽稀过程顾及航行安全"取浅"原则的同时能够保留海底真实地形特征。与常用抽稀算法网格最浅点法和不规则三角网法进行对比实验,结果表明:本文算法抽稀结果在海底地形表达真实性上明显优于网格最浅点法,同时能够避免不规则三角网法抽稀时可能出现数据空白区域的问题,抽稀结果能够满足后期海图制图和海底地形构建的数据需求。     

复杂地形条件下多密度级无人机LiDAR点云DEM精度研究 ——以2022年北京冬奥会延庆赛区为例

为进一步提升复杂地形条件下无人机激光雷达(Light Detection and Ranging,LiDAR)点云数据构建数字高程模型的效率与精度,以2022年北京冬奥会延庆赛区场馆建设用地为实验区,按照不同抽稀比例,对实验区原始无人机激光雷达点云中分类出的地面点数据进行抽稀处理,利用克里金插值算法对不同密度地面点数据进行插值处理,结合高程中误差、平均绝对误差对生成的数字高程模型进行双重精度评定,得出以下结论:对于复杂地形而言,随着点云数据密度的下降,数字高程模型建模效率明显提升,但地形特征逐渐模糊,数据精度级别逐级降低,其中高程中误差由0.381 m增大至1.914 m,平均绝对误差值由0.335 m增大至1.357 m.在满足精度要求的前提下,对LiDAR点云数据进行适度抽稀处理,可保障生产成本与时效.     

融合k-means聚类和Hausdorff距离的散乱点云精简算法

针对点云精简算法在处理点云数据时特征保留不完整和对小曲率点云精简造成数据空洞的问题,提出了一种融合k-means聚类和Hausdorff距离的点云精简算法。该算法在八叉树算法的基础上构建点云数据的拓扑关系,首先计算所有点云数据点的主曲率,然后计算点云数据点主曲率的Hausdorff距离,根据精简目标要求设定Hausdorff距离阈值,实现点云特征提取,最后对非特征区域进行k-means聚类提取特征点,并将两次提取的特征点融合得到精简结果。实验结果表明,该算法能较完整地保留模型的特征信息,并能避免形成空洞现象。     

平原地区机载激光雷达数据的抽稀算法分析

目前,机载激光雷达点云数据在测绘行业中的应用还存在较多的瓶颈。为了使机载激光雷达点云数据更好地服务等值线等数据的生产,发挥其高效和高精度的优势,本文归纳、总结了国内外现有的LiDAR点云数据抽稀算法,并通过对比分析现有LiDAR点云数据抽稀算法存在的优缺点,如系统抽稀、格网抽稀、TIN抽稀和坡度抽稀等算法,结合平原地区激光点云在实际生产中的应用,研究了更适合平原地区点云数据的抽稀方法,通过大量的数据测试和试生产。结果表明,该方法可以在应用项目精度约束下保证数据质量,减少了后期数据处理应用的难度,提升了后续成果数据的质量,提高了作业生产效率,对机载激光雷达点云数据在测绘行业中的应用推广具有重要的现实意义。     

基于曲线内插法的点云空洞修补应用研究

在三维扫描中,由于扫描设备自身的限制或待测地形(物)的特点,获取的点云数据中往往会有大量的空洞,不仅对后续的建模有影响,而且会导致生成的地形图失真,所以必须要对点云空洞进行修补.本文首先分析了曲线曲率内插法的工作原理,根据实际地形所测点云的空洞,并结合计算机软件,对点云空洞进行修补.对修补后的空洞点云,选取空洞处的点位,采用平差法,对修补点云进行精度分析和质量评价,从而论证了采用曲线曲率内插法进行点云空洞的修补是完全可行的.     

一种基于极大曲率的机载LiDAR数据 地形特征提取方法

对于庞大的点云数据来说,从中直接提取多种数据特征是相当困难的。考虑到基于数字化等高线数据和数字地面模型提取地形特征受内插误差影响,提出一种基于极大曲率的地形特征提取方法。对初始地面点云进行极大曲率估计;结合欧氏聚类方法进行地形特征点粗提取;对粗提取特征点进行粗糙度分析,得到精确特征点。顾及离散曲率的特征,即曲率越大越接近特征线,得到可靠的地形特征分割结果。该方法不需要人工干预,直接基于机载LiDAR点云数据进行处理。试验表明采用基于极大曲率分割的方法能从点云中自动提取比较完整并且准确的地形特征点。     

基于三维激光扫描的数字化地形测量方法

由于进行数字化地形测量的过程中,对地形三维点云数据去噪效果不佳,导致进行地形测量获得的地形图与实际地形不匹配,为此研究基于三维激光扫描的数字化地形测量方法。依据三维激光扫描原理,采用HDS8800三维激光扫描仪采集三维地形点云数据,使用全球定位系统与三维激光扫描仪共同完成三维地形点云数据配准与连接后,通过改进后的二代小波变换去噪方法去除配准后的三维地形点云数据噪声,并应用Realworks软件依次完成三维点云数据抽稀与压缩、空洞修补、数字高程模型生成以及地形图轮廓生成等操作,从而实现地形数字化测量。实验结果表明：该方法的地形点云数据采集及相关处理受噪声影响较小,进行地形测量获得的地形图与实际地形也更加匹配,可为实际工程设计提供可靠的地形依据与参考。     

利用车载LiDAR点云数据提取城市道路边界

随着高精地图产业的兴起,精确提取道路边界点云数据成为研究的重点.本文首先将车载LiDAR扫描系统获取的城市道路数据根据采集轨迹进行分段,对每一段路段点云进行滤波处理;然后通过分析点云的高程与平面信息,采用点云分割算法分离路面与非路面点云,再对处理后的路面点云进行投影;最后运用边界特征估计提取算法获取道路边界点云.通过对...     

一种从LIDAR数据提取城区DTM的方法

由机载激光扫描系统获取的点云数据,可以直接生成扫描区域的数字表面模型,但要想提取数字地面模型还须对点云数据进行分类处理。提出了一种获取数字地面模型的方法,其主要思路是利用原始的激光数据构建二维三角网,从而构建数字表面模型。通过分析数字表面模型的坡度进行初始的分割,剔出坡度较大的三角形。经过初步的分割之后,通过连通区域分析来获取每个分割区域的特征,提取出裸露地表高程,从而由点云数据构建出数字地面模型。     

基于点云数据的山区建筑物屋顶轮廓线提取研究

山区建筑物由于地势起伏大、周边植被茂盛等特点使得传统屋顶轮廓线提取算法应用效果较差.根据研究区域的地理特征,对轮廓线提取算法进行了改进,即以点云数据的曲率值为影响因子来评价离散程度,对离散程度高的数据选取曲率的最小值为种子点,对离散程度低的数据选取曲率的平均值为种子点.该方法与传统轮廓线提取算法相比,提高了屋顶轮廓线提...     

利用偏度平衡自动提取机载LiDAR点云城区道路

针对机载LiDAR点云提取城区道路自动化程度低以及提取道路网不完整的问题,提出一种基于偏度平衡算法自动提取城区道路的方法。首先,计算末次回波点云中邻近点的坡度,依据城市道路设计标准选择坡度阈值,分离非地面点并获得初始道路点云;然后,利用偏度平衡算法计算出最优强度阈值,滤除非道路点,再结合道路与停车场的空间位置关系,通过点距精化初始道路点云;最后,对道路区域进行细化和平滑,得到道路中心线。通过定量分析及对比实验,该方法能够自动地从LiDAR点云中提取出较为完整的道路网。     

Digital Elevation Model from the Best Results of Different Filtering of a LiDAR Point Cloud

The LiDAR point clouds captured with airborne laser scanning provide considerably more information about the terrain surface than most data sources in the past. This rich information is not simply accessed and convertible to a high quality digital elevation model (DEM) surface. The aim of the study is to generate a homogeneous and high quality DEM with the relevant resolution, as a 2.5D surface. The study is focused on extraction of terrain (bare earth) points from a point cloud, using a number of different filtering techniques accessible by selected freeware. The proposed methodology consists of: (1) assessing advantages/disadvantages of different filters across the study area, (2) regionalization of the area according to the most suitable filtering results, (3) data fusion considering differently filtered point clouds and regions, and (4) interpolation with a standard algorithm. The resulting DEM is interpolated from a point cloud fused from partial point clouds which were filtered with multiscale curvature classification (MCC), hierarchical robust interpolation (HRI), and the LAStools filtering. An important advantage of the proposed methodology is that the selected landscape and datasets properties have been more holistically studied, with applied expert knowledge and automated techniques. The resulting highly applicable DEM fulfils geometrical (numerical), geomorphological (shape), and semantic quality properties.     

恐龙谷南缘微地貌地形特征要素提取及分析

地形特征信息是地学研究中的重要依据,用于描述地形变化的总体样貌,决定了基础地形地貌形态特征。本文对禄丰恐龙谷南缘环状微地貌的地形特征进行提取及分析。首先,采用无人机测量技术获取测区影像数据,通过影像数据处理构建测区0.5 m分辨率的DOM数据与点云数据,并基于TerraSolid软件平台搭建滤波规则对点云数据进行分类、抽稀压缩处理,提取测区地面点,以地面点数据为基础数据构建测区2 m分辨率的DEM;然后,通过叠加ArcGIS空间分析中最大值提取与正负地形提取,完成地形特征点的提取分析;并结合ArcGIS中水文分析、平面曲率与坡型组合的方法,完成地形特征线提取分析;最后,在eCognition 9.0中通过面向对象的方法,实现地形面状特征提取。试验结果表明：①提取鞍部点的最佳分析窗口为11×11。②通过鞍部点位及两种方法提取脊—谷线,其中水文分析提取脊线更为细致,整体连贯性更为突出且从山体两侧脊线分布密集,试验区山体崎岖处提取鞍部点,即说明恐龙谷南缘整体受亚热带低纬度高原季风气候影响,山体受一定程度风化侵蚀。③恐龙谷南缘地形面状特征中裸岩、裸地两者面积占比较大,两者相加后占测区总面积64.2%,结合实地干湿分明的气候特点和实际勘察植被相对低矮的特征,在一定程度上说明该区域表层土壤疏松,需注意水土流失引起的生态问题。     

基于地形特征的采煤沉陷盆地构建与水平移动信息智能提取方法

在西部黄土高原复杂地形地貌下构建采煤沉陷盆地和提取水平位移的难度较大,传统地表沉降监测手段只能获取线状数据,效率低,而重复轨道合成孔径雷达干涉测量技术在大梯度形变区域易出现失相干现象,难以达到矿区地表沉降监测精度要求。提出了一种基于无人机载激光雷达点云数据构建沉陷盆地和提取水平位移的方法。结合多地形因子构建深度神经网络（deep neural network,DNN）模型,提取沉陷盆地构建过程中受地形影响较小的特征稳定区,利用较优插值算法对稳定区进行拟合,得到完整沉陷盆地。为了提取采煤地表水平移动信息,将二进制形状上下文特征描述算子与多地形因子融合起来,以改进特征匹配算法。基于此设计地表水平移动提取方案,提取主断面水平移动信息,同时对水平移动提取误差与点云密度、地形因子进行定量分析。榆神矿区结果表明,利用结合地形因子的DNN模型能有效提取特征稳定区,在复杂地貌下减小了沉陷建模误差,为构建采煤沉陷盆地提供了一种新方法;利用融合地形特征的改进特征匹配算法提取的水平移动曲线符合采煤沉陷水平移动基本规律,与水平移动偏差相关性较强的地形因子可用于衡量改进特征匹配算法对水平移动提取误差的大小。     

三维点云的分割及骨架提取研究

针对在三维点云环境下分离目标物体所出现的过度分割问题,提出一种结合随机抽样一致性和颜色差值区域聚类的分割方法。首先利用RANSAC算法去除场景中大部分平面,使得目标物体和连成片的点云脱离,然后结合点云的距离阈值和目标颜色差值,得到目标点云数据。针对L1中值算法对曲率较大模型的骨架提取存在的不足,进行了改进。通过L1中值算法对点云模型进行骨架提取,得到点云的骨架点,然后沿端点方向向外进行最大内切球的球心提取,最后连接多个球心及骨架末端点,得到符合人类视觉效果的骨架。改进的算法提高了L1中值对曲率较大点云骨架提取的准确性。     

采用Morse理论的小尺度地形特征提取方法

Li DAR点云为小尺度地表形态的提取与表达提供了精确的数据源,但其高密度性与不确定性,导致应用Morse理论提取的特征点中含有大量的"伪特征点"。这里首先通过定义特征点指数等一系列概念,模拟特征点周围区域的地表形态,建立特征点重要性度量指标与计算方法;然后给出了地表重要特征点的提取算法;最后,进行了试验验证与分析。结果表明:提出的算法优于现有的持续值法与自然法则法,可以有效剔除"伪特征点",实现基于Li DAR点云小尺度复杂地形的特征点精确提取与多层次表达。