PTD算法在激光三维点云数据滤波中的应用

提高激光三维点云数据滤波精度,有助于构建高精度的地表模型,为此,提出了基于点云地面点滤波算法的激光三维点云数据滤波方法。采用双边滤波算法消除激光三维点云数据中存在的噪声,提取的法向量、回波率以及后向散射系数,将其输入支持向量机完成激光三维点云数据的分类,采用点云地面点滤波算法实现三维激光图像双边滤波处理。结果表明,本方法的数据滤波处理误差低于2.0%,信息熵与峰值信噪比为9.74和23.44 dB,获取的三维激光图像清晰度高。     

多尺度点云特征随机森林滤波算法

针对从大量点云数据中高效、便捷地提取地面点云的问题,提出一种耦合多尺度点云特征和随机森林模型的滤波算法(MFRF)。首先选取一部分试验区数据作为训练样本,采用人机交互方式将训练样本中地面点和植被点进行分类并标记。然后将点云RGB信息转换为HSV颜色信息,采用主成分分析法计算出多尺度下点云特征值。最后将带有标签、颜色信息和特征值的训练样本放入随机森林分类器中进行训练,将构建的随机森林分类器应用到待分类点云上,进行点云滤波。该算法能有效地分离出地面点与植被点,较为完整地保留了地面点云。将MFRF与CSF滤波算法、坡度滤波算法、形态学滤波算法进行对比分析,结果表明该算法优于对比算法,试验区A、B滤波精度分别提高5.12%和6.89%,验证了该算法的有效性、适用性。     

一种基于飞行时间相机的点云目标提取方法

基于飞行时间(Time of Flight,TOF)原理的深度相机成像方法不同于二维图像来计算三维信息,而是通过光在空气中的飞行时间,来计算出目标的距离,从而直接获取场景目标的三维点云信息。本文通过研究基于飞行时间红外相机的三维重建技术,设计了一种基于飞行时间红外相机的点云目标提取方法。利用飞行时间相机直接获得场景的三维点云数据,提出一种双阈值空间滤波算法,对点云数据进行空间滤波,并对滤波效果进行了对比评价。在双阈值空间滤波算法的基础上提出了一种改进的基于法向量的随机抽样一致性(RANSAC)算法,实现了对三维点云数据的目标提取,为基于飞行时间相机的场景目标三维重建奠定了基础。     

不同地形激光雷达数据点云的信息提取方法

针对不同地形点云数据采用不同的滤波和格网插值方法提取地面信息,得到了良好的滤波插值效果,为后续地表下沉盆地获取等工作提供了优质的基础数据。对于不同的点云数据,文中分别进行了针对性的处理。对地表平坦且植被稀少的点云数据,采取高程最低点采样并替代格网高程值的方法;对地物和植被杂乱的点云数据,采用基于先验高程信息滤波与Kriging格网插值相结合的方法;而对于地形起伏较大的点云数据则采用渐点加密TIN滤波与Kriging格网插值相结合的方法,最终得到高质量的基础数据并应用于工程实际。     

基于多特征自适应的单光子点云去噪算法

新型星载光子计数雷达可获取地面及地面目标的高精度三维信息,但是其测量精度受噪声影响较大。针对在背景噪声不一致及坡度较大区域自动化提取单光子激光数据信号较为困难的难题,文中提出基于多特征自适应的单光子点云去噪算法,有别于传统圆形或椭圆形滤波核,选择更加符合单光子点云数据特征的平行四边形滤波核,分别通过坡度、空间密度、噪声率等多特征自适应识别信号。选择位于青藏高原冰川区域坡度较大且地形破碎的ICESat-2单光子点云数据,开展点云去噪试验和验证,通过与ATL03、ATL08官方去噪结果对比,文中算法在背景噪声水平不一致和大坡度区域具有更优的性能。     

基于激光三维点云技术的3D景观建模设计

为提升城市园林等类型景观的建模精度,以激光三维点云为技术基础,设计一种三维景观建模方法。采用激光三维点云立体式非接触测量技术,获取景观表面数据点三维坐标,在一个坐标系内统一化各角度点云数据,将顺序点间的最远距离作为滤波标准,设定超过标准点为固定端点,平滑处理图像点云,采用三角形网格参数化策略,映射三维网格模型至二维平面中,取得特征点纹理坐标,利用调和映射算法求解非约束点的纹理坐标,通过自适应部分调整策略,优化点云数据纹理,得到最终的景观模型。试验采集研究区域中一处景观的三维数据,结合景观模型效果与评估指标值得出,所提方法能够有效建立模型,且精准度较高,模型细节信息保存得相对完整。     

多噪声点云数据预处理及DEM构建

甘肃天水罗玉沟是典型的黄土沟壑切沟地形,具有坡度变化剧烈、低矮植被覆盖程度高的特点。在本文中,利用Leica HDS6100型三维激光扫描仪对切沟进行初始扫描并存储点云数据,扫描精度为1mm,包含激光脚点个数为1498191,回光强度取值范围为-2048～2047,覆盖面积为14.0975m2,点云平均密度为3345.1个/m2;针对采集到的噪声点比例较大的黄土沟壑切沟点云数据,提出中值滤波、回光强度滤波、RGB滤波融合的滤波方法,利用Cyclone6.0、Matlab R2008a、Arcgis10.0等后续处理软件,较为有效地实现了去除噪声点、保留地面信息的拼接、平滑、去噪、简化方法;对预处理后的点云数据进行克里金和反距离权重两种方法的插值,建立DEM。     

基于点云深度映射颜色的导轨表面损伤识别

针对高速滑动电接触导轨,研究了表面微小损伤快速检测及分类识别方法。基于激光扫描原理,构建了三维测量系统,用于获取导轨表面形貌的三维点云信息,并给出了一种基于点云深度映射颜色的方法,用于导轨表面微小损伤的检测。将三维点云数据经过去噪、滤波平滑、数据精简等预处理之后,根据所设定的深度基准平面,构建点云深度映射颜色模型,将点云深度信息映射为红绿蓝(RGB)信息,采用一维最大熵法设定最优颜色阈值,实现损伤区域的准确提取;采用二叉树模式识别方法,建立损伤分类模型,实现导轨表面微小损伤的识别与分类。结果表明,损失质量小于1 g的微小损伤检出率达98%以上、微小质量损失检测精度可达毫克级;凹坑与划痕两大类损伤识别率达80%以上。     

机载LiDAR点云分块插值滤波

现有机载激光雷达（LiDAR）点云滤波算法在简单地形下取得了较好的滤波效果,但普遍对陡坡地形适应性较差。为提高在不同地形下的滤波性能,提出了基于分块的多尺度表面插值滤波算法。该算法首先通过改进的区域增长分块算法将原始点云分为点云块集和散点集,然后通过构建的多尺度表面插值算法同时对点云块和散点进行分类。利用国际摄影测量与遥感学会(ISPRS)提供的基准数据验证表明,该方法在15个样本中有11个样本滤波效果优于现有滤波方法,对各类地形均有较强适应性,且该方法平均总误差最小。对三种不同地形特征的高密度数据滤波实验,也验证了该方法的良好性能。     

自主移动机器人微型激光雷达点云数据滤波研究

由于自主移动机器人微型激光雷达点云数据采集过程存在多种外界因素的干扰，导致采集到的点云数据中含有大量噪声，为此设计提出自主移动机器人微型激光雷达点云数据滤波方法。采集自主移动机器人微型激光雷达采集点云数据，利用噪声分离算法和改进的三维中值修复对点云数据进行优化。根据精简移动最小二乘法构建微型激光雷达点云数据滤波模型，将经过优化的点云数据输入该模型中，实现微型激光雷达点云数据滤波。实验结果表明，所提方法的点云数据滤波误差低，实际应用效果更好。     

使用显著性划分的机载激光雷达点云滤波

点云滤波是机载激光雷达点云数据处理的一个关键步骤。针对目前已有算法存在的单一方法在特定地形的点云滤波效果较好，而对于复杂或混合地形滤波效果不理想的现状，提出了一种基于点云网格地面显著性的点云滤波方法。该方法在点云以虚拟网格组织的基础上，使用扫描线高程分割的方式，计算各网格单元的地面显著性指标，依据地面显著性值对网格内的点云进行地形类别划分，对不同类别的网格单元，使用不同的滤波处理手段。该方法与其他经典方法相比，避免了迭代加密过程，在起伏区域使用曲面而非平面来代替局部地形，在不显著增加计算量的情况下，对于复杂和混合地形具有更好的适应性，能够生成可靠性较高的地面点集合。     

植被茂密地区点云双重滤波方法研究

为了解决目前机载激光雷达点云滤波算法中特征单一、运算效率低、植被覆盖区效果较差等问题,提出一种植被茂密地区的点云自适应双重滤波方法.首先利用回波分离方法,分别提取点云的单次回波和末次回波进行粗滤波处理;然后利用偏度平衡理论进行单次回波的强度阈值确定,同时利用最大类间方差法对首次回波和末次回波的高程差进行高差运算,实现末...     

联合NDRI特征和空间相关性的机载MS-LiDAR数据分类

对比仅包含多光谱信息、仅可实现二维土地覆盖分类的传统光学遥感数据,机载多光谱激光雷达(multispectral light detection and ranging,MS-LiDAR)的优势在于同时包含多光谱和空间信息、可实现三维土地覆盖分类,但现有的机载MS-LiDAR数据的土地覆盖分类研究所需特征维度过高、算法复杂度高。因此,提出了一种整合空间相关性和归一化差分比率指数(Normalized Difference Ratio Index,NDRI)特征的逐步分类算法。该算法首先融合机载MS-LiDAR数据的多波段独立点云,获取兼具空间位置及其多光谱信息的单一点云数据;然后利用空间邻域增长下的地面滤波算法分离地面和非地面点;接着基于不同目标的激光反射特性差异设计将草地(树木)自地面(非地面)中分离的NDRI指数,并利用类间方差最大原则下的自适应最优NDRI指数实现地面和非地面点的精细分类;最后利用3D多数投票法优化分类结果。采用加拿大Optech Titan实测MS-LiDAR数据测试提出算法的有效性及可行性,实验结果表明：算法的平均总体精度和Kappa系数分别可达90.17%和...     

一种基于曲面约束的点云数据滤波方法

针对机载LIDAR点云数据滤波问题,结合机载LIDAR点云数据的特点,引入虚拟格网技术,提出一种基于多尺度虚拟格网与曲面约束的机载LIDAR点云数据滤波方法。该方法首先根据点云密度等点云数据特点构建多尺度虚拟格网;其次基于多尺度虚拟格网分别获取一级、二级地面种子点;然后依据一级、二级地面种子点基于曲面约束进行滤波获取三级地面种子点;最后将所有地面种子点合并得到地面点集。实验方面,通过两组实验验证了该方法的可行性和适用性。     

高斯混合聚类对移动曲面拟合滤波分类的应用

为了提高激光雷达点云滤波算法的精度和自适应性,对移动曲面滤波算法进行改进。采用格网边界点构建曲面约束条件,检验格网内是否全部为建筑物点。利用区域拟合求解地形的起伏,引入机器学习中高斯混合模型(GMM)对地形起伏进行滤波分类,将移动曲面中的种子点作为聚类算法中的靶向点参与分类学习。实验数据为雷达飞行的自测区,对于自测区采用随机抽样的方式,检验判断滤波效果。同时为检验GMM算法的准确性,在三类误差检验方式的基础上,增加了Kappa系数作为检验方式。通过与谱系聚类分类算法对比,证明所提算法能取得较好的滤波效果。     

基于无监督学习的ToF点云目标提取方法

飞行时间(Time of Flight,ToF)三维成像技术在人工智能领域具有重要的应用价值。间接ToF三维成像是通过向目标发射调制的光强信号,再经过目标反射到相位解调图像传感器获得相位差,通过计算获得目标的深度信息。由于间接ToF成像技术会受到背景界面多次反射产生的多路径干扰,因此在复杂环境中目标物体深度测量数据会受到侧面和背景界面的多次反射的回波信号影响,降低边缘处深度测量的精度水平,因此需要对原始点云数据进行目标提取和多路径去除的预处理。本文针对该问题提出一种多界面场景中基于点云矢量的目标提取方法,能够实现复杂多目标的快速提取和多路径强干扰的去除。首先基于kmeans提出一种FVPkmeans算法,完成目标点云数据的全局全矢量提取处理。再基于K NN提出一种迭代滤波算法,实现局部多路径干扰数据的滤除。通过与其它方法的比较研究,该方法能够有效去除TOF点云目标数据的多路径干扰,目标提取性能提高了40,实验表明本文提出的全局点云数据全矢量目标提取和多路径干扰去除算法能够实现对目标点云数据的无监督学习智能提取与滤波要求。     

94GHz机载测云雷达总体技术研究

云宏微观参数信息的获取是现代气象探测的重要环节。根据国内外94GHz机载测云雷达现状,结合机载测云的特点,分析了机栽测云雷达的技术难点,在云雷达技术体制、观测方式、系统参数的设计以及环境适应性要求方面提出了总体设计思路,并时机内及机外系统标校方法提出了建议。通过对w波段上地面主杂波及副瓣杂波回波功率的计算,确认了机载测云雷达杂波抑制的必要性并系统地提出了杂波抑制的解决方案,为后续的工程实施提供理论支持。     

融合强阈值三角网与总体最小二乘曲面拟合滤波

机载LiDAR点云数据滤波是LiDAR数据后处理过程中的关键步骤。在分析三角网滤波与曲面拟合滤波特点的基础上,提出了一种由粗到精的处理思想用于LiDAR点云数据滤波。该方法通过强阈值三角网算法进行II类误差优先的粗分类,获取可靠性较高的初始地面点,以粗分类结果作为先验信息进行种子点选取,引入总体最小二乘算法完成曲面拟合,设置自适应阈值实现不同区域灵活处理,最终得到较为精细的地面模型。使用ISPRS测区数据及Niagara数据进行实验,与经典滤波算法及传统曲面拟合方法进行对比,实验结果证明,该方法较传统算法能够得到更加可靠的滤波结果,对各种地形的适应性较强,具备较高的实用价值。