利用空间小面元模型重构序列影像密集点云

提出了一种基于空间小面元模型(space-patch model,SPM)的序列影像密集点云重构方法。顾及SPM灰度一致性约束和空间几何约束,通过种子点的获取、扩散和滤波,生成密集SPM以逼近物体表面。该方法突破了传统核线影像密集匹配条件苛刻的限制。利用狮子影像数据,进行了密集点云模型的重构实验,验证了该算法的有效性。设计了几类对比试验,分析了扩散迭代次数和滤波对模型点云质量的影响。结果表明,对高分辨率影像多次扩散迭代并进行滤波,能够恢复出二维影像所包含的大量三维点云信息。     

一种三维激光扫描点云数据的预处理方法

本文针对三维激光扫描数据存在异常数据和随机误差等特点,改进了两种点云数据的粗差剔除方法,针对点云数据的高频特性设计了基于卷积的等高线滤波方法,并通过实验证明其有效性;对扫描过程中数据可能存在缺失的情况给出了处理方法,并针对点云数据的质量做出了评定,讨论了利用强度信息进行数据滤波的可行性。     

基于移动曲面拟合的机载LiDAR海底点云滤波方法

机载Li DAR在浅海区域获取的点云数据与陆地点云不同,陆地点云滤波方法并不完全适用于海底点云滤波。针对此问题,提出一种基于移动曲面拟合思想的海底点云滤波方法,并综合点云高程和强度信息进行阈值设定,去除各种原因造成的噪声点云。通过对某浅海区域的海底点云滤波并最终提取海底地形的实验,验证了该方法的有效性。     

基于数学形态学算法的机载LiDAR点云数据快速滤波

机载LiDAR点云数据滤波是LiDAR数据处理领域研究的重点和难点之一.针对LiDAR点云数据量大的特点,以规则格网组织数据,按离散点或格网移动结构窗口,提出基于数学肜念学算法的LiDAR点云数据快速滤波方法,并详细介绍滤波的方法和流程.试验结果表明,该算法计算速度快,滤波效果好.最后选取两组小同区域的点云数据进行实验,并给出滤波前后的数字表面模型和局部断面图.     

基于地形变化检测的机载LiDAR滤波方法

LiDAR滤波是从其数据中提取数字地形模型(DTM)的一个主要步骤。当前的LiDAR滤波方法大都是通过单一的LiDAR点云数据来进行的,由于点云缺乏真实数据作参考,在滤波时可能会出现较大的误差。因此,提出一种基于地形变化检测的机载LiDAR滤波方法。首先将LiDAR点云数据与已有的DEM数据精确配准并统一到同一坐标系下,然后对LiDAR点云数据进行格网化组织,使LiDAR点云数据与DEM数据中相应的区域对应,最后把已有的DEM数据与LiDAR点云数据叠加进行滤波。为了验证该方法,采用城区和山区2种不同地形特点的数据分别进行试验。结果表明该方法能有效滤除城市和山地环境中的地物,并且保留地形的细节信息。     

面向滩涂DEM构建的机载LiDAR点云滤波方法

在基于激光点云构建DEM的过程中,用于区分地面点和非地面点的点云滤波处理至关重要。本文面向基于机载LiDAR点云的沿海滩涂DEM高精度的构建需求,提出了一种机载LiDAR点云的改进坡度滤波算法。首先,采用统计异常值剔除法(SOR)去除原始机载LiDAR点云数据中的噪声;然后,利用规则格网的坡度和高程阈值,设计了适用于滩涂点云数据的地面点坡度滤波方法;最后,选取如东市长沙港的滩涂机载LiDAR点云作为试验数据,构建滩涂DEM,并进行精度检验。试验结果表明,利用本文方法处理后的LiDAR点云构建的DEM精度满足国家与行业标准的要求。     

DBSCAN聚类和改进的双边滤波算法在点云去噪中的应用

采用基于密度的DBSCAN聚类算法对点云数据进行去噪处理,然后通过改进的双边滤波方法进行光顺处理实现点云平滑效果,最终的结果不仅有效去除了噪声点,还保留了点云模型的特征。以沈阳民国时期代表性的建筑——沈阳金融博物馆为试验模型进行试验,结果表明：通过DBSCAN聚类算法处理后得到的点云数据,再经改进的双边滤波处理所得到的数据远远比原点云数据直接运用改进的双边滤波处理得到的数据精度高,点云去噪效果更好。     

无人机Lidar技术在复杂艰险山区高精度制图中的应用

为解决复杂艰险山区高精度制图难题,本文提出了利用无人机Lidar技术获取高精度、高密度点云数据,针对不同地形特点,利用点云回波强度进行聚类,通过聚类结果选取滤波方法,提高分类及滤波精度;同时对密林等无法获取地面点云的特殊区域进行监督分类获取植被高度,结合穿透区的点云进行内插拟合,构建出更符合实际现状的地形数据。试验表明利用本文方法能够明显提高制图精度,满足艰险山区高精度制图要求。     

三维激光点云的降噪算法对比研究

点云降噪是数据预处理中的一项基本操作,并且噪声滤除的效果将直接影响后期点云分割、配准、识别等操作成果的质量。受扫描环境及仪器影响,扫描生成的点云不可避免地会产生噪声点,必须借助点云降噪算法方能剔除。统计滤波与半径滤波是点云去噪中的常用方法,可有效地滤除离散点。本文基于PCL实现两种滤波算法,并对试验点云数据进行降噪处理,以验证滤波算法的有效性,最终分析参数设定对滤波效果的影响及对比两种滤波结果质量。     

基于改进的数学形态学算法的LiDAR点云数据滤波

数学形态学在数字图像处理中有广泛的应用.首先介绍传统数学形态学算法的特点,对这一理论用于LiDAR点云数据滤波的不足进行了分析.在此基础上,对相应的算法进行扩展和改进,提出针对不同地形特点的自适应滤波算法.在数学形态学"开"算子的基础上,提出增加一个"带宽"参数用于点云数据滤波的方法.最后利用三组实际点云数据进行试验,以验证这一算法的有效性.     

基于渐进三角网的机载LiDAR点云数据滤波

机载LiDAR点云数据滤波是获取高精度数字高程模型的关键,也是目前LiDAR点云数据处理领域研究的重点和难点之一。提出了基于渐进三角网的机载LiDAR点云数据滤波方法,首先以规则格网和不规则三角网组织数据,采用区域分块法或数学形态学法选取种子地面点建立初始稀疏三角网,通过不断向上加密三角网提取地面点。试验结果表明,该算...     

一种基于移动曲面拟合的机载LIDAR点云数据滤波方法

针对机载LIDAR点云数据滤波问题,在分析张小红教授提出的移动曲面拟合法滤波的基础上,结合机载LIDAR点云数据的特点,引入虚拟格网技术,提出一种基于移动曲面拟合的机载LIDAR点云数据滤波方法,并通过实验验证了该方法的可行性和适用性。     

TLS三维点云聚类滤波算法应用研究

现有地面三维激光扫描点云数据滤波算法较少,针对地形复杂区域的点云滤波效果更是不甚理想,因此对二维聚类算法进行改进,提出三维点云聚类滤波算法,并对其在地形复杂区域的TLS数据滤波中的应用进行研究。以重庆鸡冠岭危岩体的TLS数据为例,分别采用曲率平滑滤波方法和文中提出的点云聚类滤波方法处理,并对两种方法处理过的数据进行形变量计算和分析。实验证明,针对植被覆盖茂密、地形复杂的山体,该方法的点云滤波效果较好,且处理速度有较大提升,能为点云后期形变量计算提供较好的基础。     

机载激光雷达点云滤波算法分析与比较

机载点云数据在城市三维建模、DEM提取中应用广泛,而机载点云滤波是这些应用的基础。因此,这里对机载点云滤波算法设计所依据的地面特征和滤波结果的精度评定方法作了总结,并对现有滤波算法进行了分类描述。最后着重对滤波算法做了直观的对比分析,为后续点云数据滤波处理研究提供参考。     

融合聚类算法的钢轨轮廓点云自适应精简

针对原始结构光钢轨轮廓点云数据量大、强噪声和离群杂点多的问题,本文提出了一种欧式聚类融合多种传统滤波方式的钢轨点云自适应精简的方法。采用点云欧式距离为特征量的聚类分割方法用于无效杂散点数据的识别和精简,采用统计滤波结合均匀体素下采样滤波方法实现点云初步去噪。在此基础上,通过欧式聚类分割噪点,采用自动获取滤波范围的自适应直通滤波去除轨底粘连数据,以保证点云配准的效率与准确性。本文提出的方法可有效精简无效数据和去噪,点云精简比约为94%,同时保留了原始点云的有效轮廓特征,为点云配准与磨耗点的高精度识别奠定了基础。     

一种基于扫描线的数学形态学LiDAR点云滤波方法

运用数学形态学的机载激光雷达点云滤波方法一直在不断发展,Keqi Zhang方法是其改进方法之一.针对Keqi Zhang方法对原始点云数据造成内插误差的不足,提出了一种基于扫描线的数学形态学LiDAR点云滤波方法.该方法直接在扫描线上进行数学形态学开运算,并对扫描折线问题进行有效处理.3个测区的试验结果和滤波指标统计...     

基于点云空洞修复和TPS模型的数学形态学机载LIDAR滤波

在分析现有滤波算法的基础上,结合数据驱动和模型驱动式算子各自的优点,提出基于点云空洞修复和TPS变形模型的数学形态学机载LIDAR点云滤波,该方法首先提取和修复由水域造成的大面积点云空洞,采用多尺度形态学开算子作用于修复的数据,得到近似裸露地表面;然后利用2D空间的TPS变形模型,以近似地表面为基础,插值原始点云,根据插值与原始点云高程的差值大小去识别地面点和非地面点。通过定量分析,验证该方法不仅有较高的滤波精度,而且也能较好的保留裸露地表的细节特征,同时该方法有助于辅助人工处理,提高数据处理的质量。     

改进的渐进加密三角网机载点云滤波方法

针对渐进加密三角网滤波算法在林区机载点云滤波中存在种子点选取困难和精度较低的问题,提出了一种适合林区点云数据的改进渐进加密三角网滤波方法。该方法首先使用去噪算法(SOR)对离群点进行剔除,然后采用布料模拟和局部薄板样条插值方法获取大量均匀可靠的地面种子点,最后利用改进的渐进加密三角网滤波方法进行滤波,迭代运算进而得到地面点。使用6组标准数据和3组林区数据进行实验,标准数据的平均总误差和Kappa系数分别为2.16%和84.96,林区数据的平均总误差为4.62%。实验结果表明,改进方法适用于复杂的林区机载点云滤波,且提高了滤波精度。     

面向对象的车载LiDAR点云滤波方法

针对经典的机载LiDAR点云数据滤波方法不适用于车载LiDAR点云数据滤波的问题,该文提出了一种基于点云分割的不规则三角网渐进加密滤波方法。首先,剔除粗差;然后,进行点云分割;最后,以分割对象为基本判别单元,迭代地进行地面对象的识别。采用两个场景的车载LiDAR点云进行滤波实验。实验结果表明,本文滤波方法的总误差明显小于经典的不规则三角网渐进加密滤波方法。     

基于多特征聚类的复杂环境机载点云层次滤波方法

机载激光雷达(LiDAR)点云滤波是点云数据处理的关键步骤,决定着后续派生品应用的精细程度。针对复杂场景区各种地物的交错性和多态性、地形的突变(断裂)性、相邻地物和地面点高程的相似性等导致的难以区分地物点和地面点瓶颈,本文提出了一种基于多特征聚类的点云层次滤波方法。本文方法首先耦合点云几何和物理信息进行多特征点云聚类,然后发展一种顾及地形断裂的地面点簇识别方法捕捉各类地面点,最后利用捕捉到的地面点构建初始地面参考面,并借助多尺度层次点云滤波方法进一步查找原始点云中的地面点。以4组地形复杂且建筑物和植被混杂区点云数据为试验数据,将本文方法与6种代表性滤波算法对比表明,本文方法的平均总误差最小、滤波性能最优、稳定性最高。