基于CUDA的海量点云数据kNN查询算法

通过激光扫描技术获得的点云数据量十分巨大,如何利用k最近邻域(k-nearest neighbors,kNN)查询重建海量点云中各采样点间的拓扑关系,对点云数据的后续处理至关重要。在深入研究GPU编程技术的基础上,将GPU通用计算引入到点云数据的kNN查询问题中,提出一种通过CUDA实现的基于外存的双层查询结构。试验结果表明,该方法与传统算法相比在查询效率上有较大提升,最大增幅可达53.8%。     

基于地物特征提取的车载激光点云数据分类方法

车载激光扫描测量方法较传统摄影测量方法具有更多优点,它能快速采集大面积、高精度的三维空间数据,具有广阔的应用前景。针对车载激光扫描数据的分类问题,提出了一种基于地物特征提取的点云数据分类方法,即采用主成分分析(PCA)方法,在提取多种街区地物点云数据几何特征和总结地物对象特征知识规则的基础上,根据选取的主特征设计一套阶层式的分类方法,并利用该方法对一套车载激光点云数据进行了分类试验。结果表明,该方法的分类效果良好,具有一定的实用性。     

基于灰度归一化的HJ-1A星HSI图像条带噪声去除方法

针对HJ -1A星HSI图像上的条带噪声,在分析传统条带噪声去除方法的基础上,提出了一种新的基于灰度归一化去除条带噪声的方法.首先,设计孤立点检测窗口,将随机斑点噪声与条带噪声分离;然后,利用灰度归一化方法建立图像各列像元灰度级与基准列像元灰度级对应的查找表,根据查找表对HSI图像条带噪声进行消除.实验结果表明,该方法在很好地保留图像光谱信息的情况下,能够有效地消除图像条带噪声和随机斑点噪声.     

全野外数字化测图中高程数据出错的解决办法

在全野外数字化测图中,高程数据质量的好坏,直接影响地形图产品的质量,文章针对利用全站仪进行全野外数字化测图工作中,高程数据容易出错的几个环节,提出对高程数据出错的解决的方法。     

摄影测量中几种特征点提取算法比较

特征点提取技术一直是数字摄影测量和计算机视觉中的研究热点。从兴趣算子的角度研究了摄影测量中几种主流特征点提取算法,并从提取角点数、提取时间等方面,定量地比较和分析了各算法的性能、优缺点,并得出了一定的结论。     

机载LiDAR点云数据与影像数据融合

分析机载LiDAR系统获取的点云数据与影像数据的优缺点,从而取长补短,将二者进行叠加融合,并成功地将航空影像的光谱信息赋给相对应的LiDAR点云,弥补了LiDAR点云在光谱信息方面的缺陷,为LiDAR点云数据的后续处理提供重要的信息支持。     

融合航空影像的LiDAR地物点云分类

点云滤波分类是LiDAR后续应用的基础工作,在点云滤波的基础上,以航空影像为辅助条件,结合点云高程信息,设计一套地物点云的分类方法。该方法首先融合航空影像与LiDAR数据,将对应RGB值赋予每个点,根据植被的光谱特征提取出部分植被点云;然后再根据文中定义的点云高程纹理,在剩余地物点云中提取出建筑物点,最后根据回波次数信息分离出剩余植被点,完成地物点云的分类。采用北京凤凰岭地区一组机载LiDAR数据进行实验。实验结果表明,该方法能够有效地将地物点云进行分类并且满足一定的精度要求,具有一定的实用价值。     

一种基于极值检测与自适应滤波的图像去噪算法

标准中值滤波及其一些改进算法对于被低密度脉冲噪声污染图像的处理可取得令人满意的效果,图像被严重污染时,这些算法得到的结果均不理想。针对这一缺陷,基于文献[1]提出的一种滤波算法进行改进。首先,利用极值法对图像进行检测,判断出噪声及非噪声点;其次,设置滤波模板的最小及最大尺寸,对噪声点进行窗口逐渐增大的滤波处理。计算机模拟实验结果及对SAR图像滤波结果表明:该滤波算法在噪声去除及边缘和图像细节保持上优于标准中值滤波及其一些改进算法。     

一种新的激光点云数据精简方法

三维激光扫描技术是最近几年在测量方面发展起来的一个研究热点。提出利用点云模型中相邻三角形夹角的大小来对点云数据进行直接精简的方法,在matlab平台下,通过编程实现点云数据的压缩。将精简的点云数据通过编程重新构建三角网,最后在Geomagic软件中建模,通过与原始模型进行对比,新方法的压缩效果比较理想。