结合质心Voronoi图优化的三维Douglas-Peucker地形简化算法

在多尺度TIN的自动构建过程中,为使各尺度数据保持地形的主要特征,需要选择合适的地形简化方法提取地形的结构特征信息。传统的3D Douglas-Peucker算法通过设定距离阈值参数对地形进行简化,简化后只保留了山脊线、山谷线等主要地形特征,而未考虑局部细节,难以顾及局部地形起伏变化明显的区域;而质心Voronoi图能够以地形因子作为密度函数,通过迭代驱动种子点向地形起伏较大的区域聚集,但其在主要地形特征的表达方面有缺失。为此,本文将二者的特点结合,在利用传统的3D Douglas-Peucker算法简化的同时,通过质心Voronoi图迭代加入局部起伏较大的特征点,综合考虑主要结构特征及局部起伏对地形进行简化,并在多个简化级别下对原始3D Douglas-Peucker算法和本文优化算法进行了对比。实验结果表明,相对于原始算法,本文优化算法在各简化级别下简化误差降低13.6%以上,具有更高的地形表达精度,且能够更好地逼近原始地形。     

基于几何特征的建筑物点云配准方法

针对规则建筑物点云数据特点,基于测量平差理论,提出一种基于点、面几何特征的点云配准算法。首先利用建筑物点云数据中平面与平面的重合关系,推导了基于特征面的点云配准模型|而后结合基于特征点的点云配准模型,给出基于点、面特征的点云配准模型|最后利用实测数据进行实验,证实该方法能在一定程度上提高点云配准精度。     

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,将传统的平面特征点聚类转换为基于体素的连通区域构建及空间约束下的反射强度值统计,给出了机载LIDAR点云数据的多值体素结构构建方案及其在此基础上的平面提取方案,有助于基于多值体素模型理论的机载LIDAR点云数据处理及应用的发展。算法具体实现过程为：① 将机载LIDAR点云数据规则化为多值体素结构,其中,体素值为体素内激光点的平均激光反射强度、曲率及法向量;② 在体素结构DSM数据中,选取小曲率体素作为种子,并标记与其空间连通且法向及激光反射强度均一致的连通区域为平面;③ 在体素结构非DSM数据中,将位于连通区域轮廓缓冲区内的激光反射强度满足统计特性的体素标记为平面。本文采用ISPRS提供的机载LIDAR实测数据测试提出算法的精度。定量评价的结果表明本文提出方法的质量和Kappa系数分别可达92.5%和89.4%,与传统仅采用几何特征的区域生长算法相比质量及Kappa系数分别提高了9.68%和11.62%。     

基于虚拟特征点的三维激光点云粗配准算法

在地面三维激光点云特征提取的过程中,由于三维点云数据采集仪器、采集方法及后期处理等因素影响,依靠传统的基于曲率、法线等几何特征及统计学算法提取出的点云特征数量较多且存在较大误差,若使用其直接作为特征点数据进行点云粗配准,很难提高点云粗配准的精度及速度。因此,本文在对点云数据实际空间分布结构分析的基础上,结合特征点提取算法、法向一致化算法、PCA（Principal Component Analysis）方法及特征点聚类等方法,提出了一种三维激光点云数据虚拟特征点拟合算法。该算法生成的虚拟特征点是由点云实际的特征点拟合得到,或是由位于被测物特征线上的特征点拟合生成的特征线计算得到,该虚拟特征点并不是扫描对象上实际存在的激光反射脚点。通过实验验证,虚拟特征点拟合算法可以较准确地拟合出由于设备及操作方法等原因而未被采集到的建筑物边角点数据,得到的虚拟特征点数据较实际特征点数据具有更少的数据量及更高的精度,使用拟合得到的虚拟特征点可以减少粗配准算法的计算量,提高粗配准算法的计算效率并能获得更精确及可靠的初始配准变换参数。     

基于MLS激光点云的特征提取方法综述

MLS(Mobile Laser Scanning)具有成本低、灵活性高、小范围区域激光点云数据获取快以及特定领域课题的研究明显等优势,在制图和三维建模领域已有应用。与传统的测绘方式相比,MLS点云数据的精度更高、节约成本,也提高了工作效率,对于大范围区域的测绘调研以及制图的优势尤为明显。激光点云数据的特征提取也是研究的难点,它是从空间杂乱分布的点云数据中提取出感兴趣的目标或区域,点云特征包括全局特征与局部特征,一般情况下,主要通过局部特征进行特征提取。局部特征主要包括基于点签名的局部特征与基于直方图的局部特征,通过局部特征进行特征提取时的难点在于:激光点云巨大的数据量;一些特征描述子对于噪声与点云密度的鲁棒性不强;同一场景中,多个特征的尺度差异造成的特征误提取等。针对这些难点,研究者们提出了许多基于激光点云特征提取的算法。     

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。     

基于共有单平面的点云拼接技术研究

提出基于共有单平面的点云拼接技术。首先进行共有平面的提取、拟合,精确计算平面的法向量|再运用平面的法向量信息,求取旋转角构造旋转矩阵|最后通过平面的中心点进行坐标平移,完成点云拼接。分别通过模拟数据和实验数据验证了该算法的正确性。     

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。     

面向点云数据的黄土丘陵沟壑区沟沿线自动提取方法

基于点云数据地表建模中,沟沿线既是点云去噪的重要分割线,又是黄土丘陵沟壑区最典型的地形特征线。因此,本文提出了面向点云数据的基于多尺度格网采样和坡度分割的沟沿线自动提取方法,即在适宜格网尺度采样的基础上构建地表模型,利用沟沿线周围坡度陡变的特性提取缓坡面与陡坡面的分界线,从而生成沟沿线。通过对8个样区反复实验,确定了各自的最佳格网尺度,并发现格网尺度随点密度的增大而迅速减小,而后趋近平稳的幂函数关系,同时随机选取了另外5个样区验证了该关系的适用性。最后,通过全域分块计算得到了该地区的完整沟沿线。相比于人工识别的沟沿线,本文方法提取沟沿线的精度在0.5 m缓冲范围内为85%,效果较好,且位置更为精确。产生差异的原因主要是面向点云数据的沟沿线有更多的细节,沟沿线曲率更大,造成了其长度明显大于手动提取结果。该方法有助于提高丘陵沟壑区点云数据去植被处理和地形表面重建精度。     

基于改进的角度偏差法的采空区点云数据精简

在保证采空区几何特征不变的前提下,有必要对点云数据进行精简,提高三维建模及其应用的效率.介绍了点云数据精简算法的评价体系,探讨了空区探测系统扫测采空区的点云数据特点;在对比最小距离法、平均距离法、角度偏差法、弦高偏差法等采空区点云数据精简方法的基础上,提出了保留采空区几何特征更为有效的点云数据精简方法———改进的角度偏差法.通过对比精简前后的扫描线周长、面积及标准差等指标,认为该方法不但保持了扫描线的细节,而且使精简后扫描线上的点分布较均匀,为后续三维建模及应用打下良好基础.     

基于MapReduce的多机并行DP算法与实验分析

随着网络地图不断发展,个性化网络地图也得到快速发展。个性化网络地图需要以矢量数据为数据基础,以满足人们对地图色彩、符号等个性化要求,所以需要实时、快速进行大量数据化简。本文以经典Douglas-Peucker算法作为曲线化简算法,利用开源云计算平台Hadoop建立多机协作的曲线并行化简服务框架,设计和实现了多机并行Douglas-Peucker算法,并在集群上进行实验分析,验证算法的效率和适用性。算法核心是设计数据的逻辑分片,利用MapReduce计算原理,将分片分配到集群中,实现并行运算。实验分别分为两个方面:(1)比较在固定阈值不同数据量情况下,传统DP算法与多机并行DP算法效率;(2)比较在相同数据量不同阈值情况下,传统DP算法与多机并行DP算法效率。实验表明,在大数据量和高复杂度情况下,多机并行DP算法的效率更高。     

车载激光扫描数据中建筑物立面快速提取

本文提出一种结合多种投影影像从车载激光扫描数据中提取建筑物的方法。该方法首先将点云数据投影到XOY平面,生成多种投影影像;然后结合建筑物几何语义特征,对已获取的投影影像进行几何约束与形态学运算,得到建筑物种子区域;在此基础上,通过设置高差阈值,在最高高程影像上进行建筑物种子区域的八邻域区域生长,得到建筑物区域;最后将影像上的建筑物区域反投影到三维空间,提取出建筑物目标。实验结果表明,该方法能有效提取点云数据中的建筑物立面,取得较高的正确率和完整率,且大大提高了计算效率。     

基于误差熵的点云简化方法

点云简化很难完全保证精度、简化率和速度上都达到最优。针对不同的表面特征状况,提出一种自适应点云简化算法。利用经典的PCA方法来估计点的法向量,计算法向量与参考平面的夹角,针对表面特征的不同,采用法向量夹角的熵来确定表面的特征状况。针对不同的表面特征来设置不同的简化率,从而获得较适宜的简化效果。实验表明,该方法在简化精度、简化率和速度上能达到一种平衡。     

基于拟牛顿法改进的3D正态分布变换点云配准算法

针对3D正态分布变换算法在大型场景点云数据配准时效率低的问题,提出一种基于拟牛顿法改进的3D正态分布变换算法。 3D正态分布变换算法主要通过牛顿迭代法进行两视点云最优转换参数求解,但是随着待配准点云数据量的增加,牛顿迭代法需要大量的时间计算Hessian矩阵,增加了算法整体的时间复杂度。本文算法通过拟牛顿法代替牛顿法求解Hessian,改善了3D正态分布变换算法针对大型场景点云数据配准需要大量时间去计算Hessian矩阵的问题。实验表明,本文算法针对大型点云数据不仅能够保持传统3D正态分布变换算法的配准精度,还能提高配准效率。