基于多维欧氏空间相似度的激光点云分割方法

点云数据分割是对激光扫描(LiDAR)场景进行三维重建的基础。针对现有基于边界、表面或聚类的点云分割方法中存在的分割不足或过度分割问题,提出了一种基于多维欧几里德空间相似度的点云数据分割方法。通过计算激光点的法向量,结合点云的光谱特征进行数学变换,计算激光点在多维空间中的欧氏距离,比较邻近点间的相似性,最终完成对激光点云数据的分割。该方法解决了常用点云分割中几何特征和光谱特征无法同时使用的问题,融合了几何分割和颜色分割的两方面优势,提高了点云分割精度。采用2组数据分别比较了基于几何特征、光谱特征和多维空间相似度的3种不同分割算法的分割结果,实验结果验证了该方法的可行性和实用性。     

顾及法向量的点云语义分割方法

针对在复杂场景下激光雷达点云数据的语义分割研究中,存在点云特征损失大、点云语义挖掘不足和分割精度不高等问题,该文提出了一种将法向量和RandLA-Net相结合的点云语义分割方法。把点云法向量与RandLA-Net网络的局部特征聚合模块融合,提取局部语义聚合特征,利用softmax分类器对每个点进行分类。实现了复杂场景下LiDAR点云数据的语义分割。通过对Oakland点云数据集和德国Vaihingen城市语义数据集进行实验分析,验证了本文算法具有较强的泛化能力,本文算法在Oakland点云数据集和Vaihingen城市语义数据集上的平均交并比分别为96.38%和92.49%,与RandLA-Net网络相比,该算法充分利用了激光点云数据的语义特征,有效地提高了点云语义分割的准确性。     

基于kd-tree的建筑物散乱点云平面分割

应用kd-tree快速确定散乱点云数据中某一个点的邻域,不需要先验地知道点云数据之间的拓扑(邻接)关系,使得建筑物点云平面分割算法更一般化,应用面更广。根据建筑物平面特征的先验信息,并采用高效数据结构,优化了平面分割算法,给出了散乱点云平面分割的实现和相应结果,说明了基于kd-tree的建筑物散乱点云平面分割算法的有效性。     

基于八叉树细分的古建筑物点云数据分割研究

数据分割是点云数据处理中的一个重要环节,数据分割的好坏直接影响曲面重构的质量。针对古建筑场景中边界轮廓线和表面棱线特征明显、不同曲面连接处的曲率和法矢变化大的特点,采用基于八叉树细分的点云数据分割算法,对某三合院民居古建筑点云数据进行分割。实验结果表明,本方法可以较好提取该古建筑点云的外轮廓点和表面棱线点,实现对点云数据的分割。     

基于车载点云数据的树木提取与分析

本文基于高速公路高精度点云数据,首先通过点云数据的分类处理实现对树木点云数据的提取,将树木点云投影到水平面,采用DBSCAN密度聚类算法实现单根树木的提取;然后在数据密集区域存在树木树冠点云重叠的区域,本文结合树干几何特征提取树干的位置信息,计算所有点云到树干中心的欧氏距离,将所有点云归类到最近的树干进行粗分割;最后根据粗分割的树木轮廓特征确定树冠模型与树冠中心,提出了采用基于密度特征的格网竞争算法对重叠的区域进行精细分割。试验表明,本文采用的树木分割方法能够实现单棵树木精确提取。     

一种改进的超体素与区域生长点云分割方法

点云分割作为识别地理场景的空间特征、探索和记录空间信息的关键处理步骤,其分割精度直接影响后续三维场景重建、地物特征提取等应用的效果。针对传统区域生长点云分割算法的不稳定等问题,本文结合超体素和区域生长算法对点云数据进行分割,并利用点云自身的色彩信息进一步改进分割结果。试验结果表明,相较于传统的区域生长和已有的结合超体素与区域生长的分割算法,本文算法对点云数据分割的效果更好,且其精确率与召回率均有提高。     

基于三维网格模型的点云分割方法

基于三维网格模型数据和三维点云模型数据正逆向结合的数据处理方法在科学研究和工程实践中得到了广泛的应用与发展。三维网格模型提供模型结构、语义和几何等方面的先验知识,指导点云数据进行分割、建模等逆向处理,可极大提高数据处理效率和精度。基于以上思路,本文提出了首先基于混合聚类的网格模型初分割,然后以模型的这种先验信息指导点云数据进行精细分割的算法。并通过一系列的程序实现和数据实验,验证了算法的适用性和稳健性。     

融合航空影像的机载激光扫描数据分类与特征提取

机载激光扫描测距技术（LIDAR）在快速数据采集、建模、分析和使用等方面得到广泛应用。然而,目前的激光扫描数据处理技术,尤其是点云数据后处理技术方面,仍然存在许多有待改进之处。本文从硬件系统和原始数据处理入手,研究了点云数据的数据预处理、点云数据分类、点云与影像匹配以及基于匹配结果的特征提取的理论与方法。本文的主要工作在于： 1,系统总结了当前主要的机载激光扫描系统测距原理和系统组成,并给出了自2008年以来,世界上的主要机载LIDAR系统的参数对比。 2,以Leica公司的ALS50系统为例,总结了使用该系统数据采集、数据内业处理的流程。同时,研制了一个自动化处理的软件用于原始数据的自动化处理,提高用户处理效率。 3,从GPS差分数据结果出发,总结了数据处理过程的三个重要模型：载体航迹线推算模型、点云定位计算模型以及机载激光扫描角度反算模型。并以IPAS和ALSPP软件输出结果为依据,进行了模型的计算和验证。 4,将在图像直方图分割领域的两种方法：全局迭代算法和最大类间方差算法引入点云数据的分类过程。针对点云数据一般具备多对象的特点,引入多阈值的直方图分割方法。大范围区域点云的高程直方图与小范围区域点云的直方图表现不一致,因此本文提出一种多子区的直方图分割方法,实现大范围点云分类。 5,将在模式识别和对象跟踪领域应用广泛的Mean Shift算法引入到点云数据分类过程中,总结提出了基于Mean Shift算法的点云数据分类方法。 6,提出一种新的分类方法：基于三维数学形态学的点云数据分类方法。在点云数据三维数字图像表达的基础上,扩展形态学膨胀和腐蚀运算的空间适用性,将二维的膨胀和腐蚀运算扩展到三维空间。对点云数据三维数字图像进行膨胀运算,然后通过聚类分析,得到连接成片的像素（点云片）,并以此为依据,分类点云数据。 7,总结了点云数据与航空影像进行两种匹配方法：粗匹配和三维数学微分纠正。并提出了一种拟合选取特征点方法用于粗匹配过程。 8,基于点云和影像的融合结果,扩展了Mean Shift算法的应用范围,尝试对多维异源点云数据进行目标分类。该方法可将光谱和回光强度信息一起参与Mean Shift算法的计算。 9,在目标分类的基础上,使用二维形态学方法对分类后的点云进行了分割处理和边缘特征提取。经过点云分割,可得到每个对象的点云以及对象的二维边缘特征。 10,基于点云与影像的融合结果,考虑LIDAR系统采用激光的特定光谱特性,提出基于融合结果的影像水体提取方法。通过由点云形成的不规则三角网对水体区域进行大致定位和提取,并采用Mean Shift算法对水体进行精化,得到精确的水体边缘。本文的创新点主要在于： 1,提出一种点云的扫描角度计算验证模型。基于航迹线数据和点云数据,该模型可以反算激光扫描角。 2,提出一种新的点云数据分类方法：基于三维数学形态学的点云分类方法。 3,提出一种融合点云的航空影像水体特征提取方法。     

散乱点云数据的分割方法探究

数据分割是点云数据处理流程中的一项关键技术,本文针对点云数据分割这一问题,分析了基于几何模型的分割法、欧几里德簇分割法和区域生长分割法三种点云数据分割方法的原理和算法流程,并利用实际工程数据检验了三种分割方法的效果。针对以上三种方法的优势及缺陷,本文实现了附条件的欧几里德簇分割法,该算法对欧几里德簇分割法和区域生长分割法进行融合改进,利用同一点云数据对该算法与上述算法进行比较分析,最后用一处复杂建筑物点云数据对该算法的分割效果进行再次检验,分割效果较为明显,再次证实了该算法具有较强的实用性。     

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。