可变半径Alpha Shapes提取机载LiDAR点云建筑物轮廓

目的 机载激光雷达（light detection and ranging,LiDAR）能够快速获取建筑物表面的3维点云,为提取建筑物轮廓提供重要的数据支撑,但由于激光脚点的随机性和点云自身的离散性,常规固定半径Alpha Shapes（A-Shapes）算法难以兼顾轮廓提取的精细度和完整度,且在点数量较大情况下计算效率较低。因此,提出一种基于网格的可变半径Alpha Shapes方法用于提取机载LiDAR点云建筑物轮廓。方法 对3维点云进行投影降维,对投影后2维离散点的范围构建规则格网,接着根据网格内点云填充情况筛选出边界网格,计算边界网格的平滑度并加权不同的滚动圆半径,再以边界网格为中心生成3×3邻域网格检测窗口,利用滚动圆原理提取窗口内点集的边界点,迭代检测直到所有边界网格遍历完成,最后获取点云的完整轮廓。结果 在精度评价实验中,与固定半径A-Shapes方法和可变半径Alpha Shapes（variable radius Alpha Shapes,VA-Shapes）方法相比,若建筑物以直线特征为主且边缘点云参差不齐,则本文方法的提取效果不理想;若建筑物含有较多拐角特征,则本文方法的提取效果较好。在效率评价实验中,与A-Shapes方法、VA-Shapse方法以及包裹圆方法相比,若点云数据量较小,则4种方法的耗时差距不大;若数据量较大,则本文方法和包裹圆方法的耗时远小于固定半径A-Shapes方法。实验结果表明,本文提出的轮廓提取方法适用于多种形状的建筑物点云。从轮廓完整性、几何精度以及计算效率等几方面综合考虑,本文方法提取建筑物点云轮廓效果较好。结论 本文提出的基于网格的可变半径Alpha Shapes建筑物点云轮廓提取方法结合了网格划分和滚动圆检测的优点,能够有效提取机载LiDAR建筑物点云顶部轮廓,具有较高的提取效率和良好的鲁棒性,提取的轮廓精度较高。     

复杂异型建筑立面测绘轮廓提取方法设计

为解决点云数据密度异常时复杂异型建筑立面测绘轮廓提取精度变差的问题,提出基于局部点云密度的复杂异型建筑立面测绘轮廓提取方法。引入基于平面投影和双边滤波的测绘点云数据平滑方法,对测绘数据进行去噪和平滑处理,并通过点云分割方法提取目标点云区域。通过基于改进Alpha Shapes算法的立面测绘轮廓提取方法,以边界网格筛选的方式,去除目标点云区域冗余点云数据后,使用滚动圆半径自适应调节方法提取轮廓数据。试验结果表明,所提取轮廓匹配度高达95.08%,具有良好的精度和可行性。该方法可在有效平滑点云数据、分割获取目标点云区域的同时,高精度提取复杂异型建筑立面测绘轮廓。     

多阈值提取平面点云边界点的方法

针对基于切片技术的点云数据重建算法需要提取切片内点云边界点,及现有算法效率低、提取效果不好等问题,提出一种多阈值提取平面点云边界点的算法。通过选取判断点的k个近邻点,计算相邻两点与判断点连线间夹角,由于边界点必存在最大夹角,通过判断最大夹角是否超过设定阈值,从而快速提取边界点。通过对阈值设值分析,不同点云数据的边界提取实验及几种方法间比较,该方法不受点云形状影响,均能较好提取边界点,且优于其他3种算法。结果表明该方法在保证原始点云特征信息的前提下,可较好提取边界点,提高后续点云重建速度与效率。     

基于高分辨率SAR图像的道路自动提取*

在传统算法的基础上,用多条件加权法进行道路边缘点的判断,充分利用道路的物理特性,将道路边缘点像素上下文特性作为判断的条件,以实现道路边缘线段的识别。桥接模式的思想是根据道路边缘线平行且宽度一定的特性,通过算法找出两条边缘线段之间的对应点,连接对应点以实现道路提取。经实验测试,该算法能消除地物间的影响和噪声干扰,有效地提高了道路提取的精度和速率。     

散乱点云曲面边界的二次提取算法

针对点云曲面边界提取算法计算量大、时间耗费多的问题,提出一种点云曲面的二次边界提取算法。采用空间包围盒法将点云曲面均匀地分为若干个小立方体,将每个点都放入一个立方体内,并通过每个立方体周围非空子立方体的个数以及分布情况提取边界子立方体。结合点云曲面数据点的分布特征,在边界子立方体内将目标点的所有K近邻点投影到以目标点为中心的平面上,计算投影点与中心点形成的向量与某条坐标轴的夹角,通过判断其是否满足预先设定的条件来判定目标点是否为边界点。实验结果表明,该方法可有效减少计算量,提高提取精度。     

一种车载激光点云中斑马线角点提取算法

斑马线是城市管理与建设的重要基础设施,斑马线的自动识别与提取在城市基础地理信息更新中具有重要意义。针对人工测定斑马线角点效率低下的问题,以车载激光扫描点云数据为研究对象,提出了一种基于点云扫描线的斑马线角点自动提取算法。首先,基于人机交互方式提取目标点云,结合OTSU算法计算最优点云回波反射强度二值化分割阈值,初步分离出斑马线点云;其次,以扫描线为研究单元,采用直方图统计分析方法筛选位于斑马线长边边缘处的若干点,对其进行RANSAC直线拟合,获取长边直线方程;然后,创建移动窗口对扫描线进行动态检索并设置相应的判别条件,获取斑马线短边直线方程;最后,根据斑马线的矩形特征实现斑马线角点的精细提取。与传统人工测量方式相比,该算法具有提取精度高和计算时间少的优点。     

机载LiDAR高压线塔点云自动化提取

高压线塔三维数字模型是输电线路数字化管理的重要部分,也是线路安全预警模型的重要支撑.针对当前研究中从机载LiDAR数据提取线塔点云时主干点云提取精度不高、塔脚植被点和塔头电力线点干扰严重等难题,首先,基于点云空间几何特征,利用Kd树距离分割法、欧式聚类、移动曲面拟合算法与空间格网区域向下生长算法进行线塔点云粗提取;然后...     

基于虚拟格网的建筑物点云轮廓线自动提取

在分析现有轮廓线提取方法不足的基础上，提出基于虚拟格网的建筑物轮廓线自动提取方法。该方法利用建筑物点云生成虚拟格网并进行二值填充；采用邻域分析方法进行边界格网的标记与追踪；为了避免边界追踪错误，设计了基于方向的单边缘格网抑制方法及基于距离的连接关系调整方法以改善提取结果质量；根据格网追踪结果，从原始建筑物点云中提取真实轮廓点以保持原始建筑物轮廓形态；采用随机抽样一致性估计及最小二乘拟合方法进行轮廓线规则化处理，实现建筑物轮廓线的自动提取。实验结果表明，该方法能快速从建筑物点云中提取轮廓线，可为建筑物轮廓线的自动提取提供一种可行的解决方案。     

一种顾及地形特征的布料模拟滤波改进方法

为了提高激光点云滤波算法在地形复杂区域的精度、效率以及自适应性,基于布料模拟滤波算法,提出了一种面向大范围复杂场景的顾及地形特征的点云滤波方法。该方法首先采用基于坡度的动态格网分割方法,对剔除粗差后的点云建立格网索引;其次利用每个格网的邻域格网中的最低点建立曲面方程拟合高程值,通过计算真实高程与拟合高程差值实现高程归一化;然后使用布料模拟算法模拟布料下降过程得到地形布料的最终形态,进而通过阈值限定实现地面点提取。在地形复杂的测试区使用相同滤波参数进行算法改进前后对比测试,结果表明:改进算法的正确率由原CSF算法的88.9%提高到改进后算法的95.19%;I类误差、II类误差分别由9.71%、1.39%下降到4.57%、0.24%,且滤波时长由164 s缩减至60.9 s。本文提出的改进算法在保证大范围复杂场景区域滤波正确率的基础上,对不同地形具有较强的自适应性,且提高了滤波计算效率。     

融合图像边缘的区域生长点云分割算法

为了解决传统区域生长点云分割算法因种子点选择不当或者生长策略设计不当导致的欠分割或过分割现象，本文提出利用图像中目标对象边缘得到目标点云边缘点作为种子点的区域生长点云分割算法.首先通过激光雷达与相机联合标定融合采集到的点云与图像，然后根据图像中目标对象边缘以及图像与点云的映射关系提取出目标对象点云的边缘点，接着以边缘点为种子点，根据边缘的性质设计出相关的生长策略，最后进行区域生长分割得到目标点云.实验结果表明，相比其它三种主流点云分割算法，本文算法可以从数据量大的稠密点云中以高精度分割出目标点云，并且有效避免欠分割与过分割现象.     

自适应步长的Alpha‑shape表面重建算法

三维物体表面重建在现代临床医学、场景建模和林业测量等方面有着重要应用价值。为了更好地理解三维物体表面形状,本文先介绍了三维空间离散点集的Alpha形状的相关概念。在分析表面重建的Alpha?shape算法的基础上,本文提出一种自适应步长的Alpha?shape算法。通过kd?tree和k近邻平均距离来动态更新α值,使得算法在处理点集密度较大的区域时也能以较少的遍历次数进行表面重建,从而改善了重建效果并提高了算法运行效率。大量随机数据和现实三维采样数据的实验结果表明,本文提出的改进算法与原始算法相比,能大幅度地提高运行效率。     

以优先点为中心的Delaunay三角网生长算法

目的 Delaunay三角网具备的优良性质使其得到广泛的应用,构建Delaunay三角网是计算几何的基础问题之一,为了高效、准确地构建大规模点集的Delaunay三角网,提出一种基于优先点的改进三角网生长算法.方法 算法以逆时针次序的一条凸包边为初始基边,使用基边对角最大化并按照逆时针次序选定第3点构建一个Delaunay三角形,通过待扩展边列表中的数据判断新生成的两条边是否需要扩展,采用先进先出的方式从待扩展边列表中取边作为基边,以优先点为中心构建局部Delaunay三角网使优先点尽快成为封闭点,再从点集中删除此封闭点.结果 对于同一测试点集,改进算法运行时间与经典算法运行时间的比率不超过1/3,且此比率随点集规模增长逐步下降.相比经典算法,改进算法在时间效率上有较大提升.结论 本文改进算法对点集规模具有较好的自适应性与较高的构网效率,可用于大规模场景下Delaunay三角网的构建.     

Visibility determination on projected grid surfaces

An algorithm is presented for solving the hidden-line and hidden-surface problems on grid surfaces, such as graphs of bivariate functions specified by their values on a set of grid points. The algorithm is implemented in image space, taking advantage of the raster display resolution. The procedure examines the edges of a projected grid surface in a systematic order to find all points visible to the observer from which a visible periphery for the surface is established. As the algorithm proceeds, this changing periphery floats toward the edges of the visible parts of the solid surface and determines the visibility of every point of the edges being processed. The procedure is therefore termed the floating perimeter algorithm. (FPA)     

可变形带洞形状的表示与检测

可变形形状(shape)的表示与检测是图像处理领域的重要研究内容。提出了一种关于可变形带洞形状表示与检测的方法,采用带洞形状多边形表示可变形带洞目标形状,有效地解决了带洞形状中不同封闭曲线之间位置的表示关系;通过在带洞形状多边形中添加辅助边,将每条辅助边看成两条完全不相交的边的方法,将带洞形状多边形转化成不带洞的简单多边形,运用受限Delaunay三角剖分法(CDT)剖分多边形,得到关于带洞形状多边形的完全删除序列,运用非序列动态规划实现可变形带洞形状检测。实验结果表明,与其他相关方法相比,本文方法能够较有效地检测带洞形状目标。     

散乱点云的三角网格重构

基于增量扩散法的思想,提出并实现了一个散乱点云的三角网格重构算法,算法首先利用体素网格的散列表对散乱点进行组织,然后在确定了初始种子三角形的基础上,基于活动边扩展规则构造新的三角形,使网格不断向周围扩展直到活动边表空为止,最后算法合并棱边并计算每个三角形的顶点法矢,最终构造出散乱点云的三角网格。     

基于PCA-MP-BP的智能电网数据融合方法

为了提高对智能电网大数据的挖掘效率,提出了基于PCA-MP-BP的智能电网数据融合方法.首先对智能电网大数据技术和智能电网大数据融合技术进行了分析.采用主成分分析方法(PCA)提取出对预测结果有影响的主要特征值,作为BP神经网络的输入;然后提出了一种MapReduce和BP算法相结合的数据融合算法,该算法加快了数据处理...     

基于单调性与相关边的多边形内外点判断算法

为了充分挖掘多边形边的基本性质——单调性，基于检测点与多边形边之间的坐标关系，提出了相关边的概念及一种判断点在多边形内外的新算法。综合运用单调性与相关边技术，将点与我边形之间的位置关系转化为点与茯相关边之间的位置关系，从而尽可能地避免了叉积运算，且无需求交运算，从根本上提高了算法的效率，同时新算法还简单有效地解决了射线法中的临界位置问题。程序验证表明，新算法易于实现，适用于简单多边形，具有运行速度快、稳定性高等优点。     

基于法向量距离的路面坑槽提取方法

以路面高程激光点云为研究对象,提出一种基于法向量距离的路面坑槽提取方法.首先对路面高程点云数据进行数据清洗;其次采用自适应最优邻域的PCA方法估算路面点云数据的法向量,通过计算路面点云中采样点到其局部二次曲面的切平面的法向距离作为法向量距离;以法向量距离描述采样点的三维空间特征,并通过阈值分割自动提取路面坑槽点云集合,...     

基于密度峰值和网格的自动选定聚类中心算法

针对快速搜索和发现密度峰值的聚类算法(DPC)中数据点之间计算复杂,最终聚类的中心个数需要通过决策图手动选取等问题,提出基于密度峰值和网格的自动选定聚类中心的改进算法GADPC。首先结合Clique网格聚类算法的思想,不再针对点对象进行操作,而是将点映射到网格,并将网格作为聚类对象,从而减少了DPC算法中对数据点之间的距离计算和聚类次数;其次通过改进后的聚类中心个数判定准则更精确地自动选定聚类中心个数;最后对网格边缘点和噪声点,采用网格内点对象和相邻网格间的相似度进行了处理。实验通过采用UEF(University of Eastern Finland)提供的数据挖掘使用的人工合成数据集和UCI自然数据集进行对比,其聚类评价指标(Rand Index)表明,改进的算法在计算大数据集时聚类质量不低于DPC和K-means算法,而且提高了DPC算法的处理效率。