基于机载LiDAR数据的建筑物点云提取

LiDAR技术是快速获取地面及地物三维数据的新型测绘技术,也是近年来进行城市三维建模的一种重要手段,而对建筑物的提取是城市三维建模的重要步骤。为了从原始机载点云中有效地提取出城市建模所需要的建筑物点云,在常用机载LiDAR滤波与点云分类思想的基础上,提出了结合面积与斜率两特征参数的区域增长算法,实现了高大植被与建筑物点云的有效分离,完成了建筑物点云的提取。通过设定合理的面积阈值与斜率阈值,结合具体的数据通过该算法获得了较好的提取效果,最后对提取方法及效果进行了客观分析与评价。     

基于改进RANSAC算法的车载LiDAR地面点云提取

针对传统RANSAC算法提取车载LiDAR地面点云精度低、结果不稳定等问题,提出了一种改进的RANSAC算法.使用KD-Tree构建点云拓扑关系并将点云空间划分成不同区域,设置邻域半径得到每个点的邻近索引并计算点云法向量,根据法向量对地面点云进行粗提取.遍历粗提取的地面点云求平均高程,将其作为阈值滤除较高的地物点得到地...     

一种基于曲率极值法的LiDAR点云特征提取算法

针对地面LiDAR（1ightdetectionandranging）技术在三维数据采集过程中无法体现人的主观判别能力、采样数据存在大量冗余的问题,提出了一种基于曲率极值与最小生成树准则的LiDAR点云特征提取算法．通过二次曲面拟合实现对原始采样曲面的模拟与表达,估算采样表面的几何微分属性,分别基于平均曲率比较法、曲率极值法来实现特征点的初选与精选;设计并实现了一种基于最小生成树准则的特征点拓扑邻接关系的确定方法以及相应的最小生成树裁减算法,在确定特征点拓扑邻接关系的同时,依据裁减算法实现了采样地理实体表面特征的精确提取．实验证明,算法是可行、有效的,利用算法提取了LiDAR点云的特征之后,有效地增强了点云数据的表达能力,弥补了地面LiDAR技术在数据采集过程中无法体现人的主观判别能力的不足;借助于算法提取的采样地理实体表面特征来指导和约束点云数据简化过程,可在有效保留原始采样曲面重要特征的同时实现点云数据的大幅度精简．     

寻找三维散乱数据点拓扑结构的一种算法

以三维坐标测量机测量得到的曲面数据点点云为基础，提出了一种基于包围盒的自动寻找三维散乱数据点之间拓扑结构的算法。该方法根据三维点集的分布特点，将实体表面的采样点分布到正六面体包围盒中，利用包围盒空间分割原理，建立点集之间的拓扑结构关系，并根据采样点密度，剔除噪声点，提高了曲面重建的准确性。     

基于双次回波的LiDAR点云数据滤波方法

LiDAR系统发射的激光脉冲在遇到不同高度的障碍物时,会返回多次回波,目前大部分系统仅记录首尾两次回波.通常情况下,植被区域局部高程变化明显,而对于道路、房屋屋顶等人工地物,局部高程变化较小;因此,首尾两次回波在这两种不同的地物上具有显著的区别.利用该原理,采用双次回波技术滤除原始LiDAR数据中的植被信息,然后采用传统的形态学滤波区分建筑物和地面脚点,试验表明研究的算法可行有效.     

基于径向基函数的曲面重建算法

针对基于传统径向基函数的数据插值方法在重建大量数据点云曲面时的困难,提出将数据点先分割再分别重建的方法.将点云的包围盒沿坐标轴分割,两两合并相邻的方块,使得方块相互重叠且覆盖整个包围盒.对每个包围盒内的点用径向基函数方法插值,利用窗口函数将每个函数限制在各小方盒内求和得到最终的整体插值曲面.借助MC(marching cubes)方法得到三角网格曲面.每个方块内点云的重建过程可以并行实现,该方法非常适用于对重建效率要求较高的场合.     

基于径向基函数的曲面重建算法

针对基于传统径向基函数的数据插值方法在重建大量数据点云曲面时的困难,提出将数据点先分割再分别重建的方法.将点云的包围盒沿坐标轴分割,两两合并相邻的方块,使得方块相互重叠且覆盖整个包围盒.对每个包围盒内的点用径向基函数方法插值,利用窗口函数将每个函数限制在各小方盒内求和得到最终的整体插值曲面.借助MC（marching cubes）方法得到三角网格曲面.每个方块内点云的重建过程可以并行实现,因此该方法非常适用于对重建效率要求较高的场合.     

TerraScan在LiDAR点云滤波中的应用研究

简要介绍了机载LiDAR的发展现状,从原始LiDAR点云中滤波出真实的地面点是生成DEM和其他数字产品的基础和关键。TerraScan是一种机载LiDAR点云滤波商业软件,对其滤波算法进行了详细分析,利用山地、丘陵地和平地3种不同地形的LiDAR数据,通过设置不同参数进行滤波试验。试验结果表明,其对平坦地区和城区有较好的滤波效果,但对地形变化较大的复杂山区滤波效果不够理想,有待进一步完善。     

LIDAR点云数据全自动滤波算法研究

提出了一种基于移动最小二乘法的点云数据全自动滤波算法,该方法首先对LIDAR点云数据进行合理分块,并建立分块网格的动态四叉树空间索引,便于数据操作和管理.对分块网格中的点云数据利用精简移动最小二乘法拟合出参考地形,将拟合得到的参考地形用于LIDAR点云高程阈值的迭代计算,将每次迭代前后高差小于阈值的点划为地面点,其余点划分为非地面点,迭代运算直至阈值满足要求为止.实验表明,精简移动二乘法效率高,计算量小,并且精度高,适合点云数据DEM(digital elevation model)拟合,利用该算法对LIDAR点云数据进行滤波的速度快、精度高,能够有效地识别地面点和非地面点,并保留地形的细节信息.     

基于径向基函数神经网络的机载LiDAR点云空洞填补方法

机载LiDAR技术为地表三维数据的获取和DEM、DSM的构建提供了有利的条件. 由于建筑物和植被遮挡等原因,造成了点云的缺失,形成区域的空洞,给地表建模带来不便,需要对LiDAR点云数据进行插值处理以修复缺失的数据. 对径向基函数(RBF)神经网络构建插值模型进行了研究,利用该模型对点云中缺失的空洞区域进行修复. 通过利用一部分采样点对RBF神经网络进行学习训练,得到模型中参数的具体值,然后利用这些参数值对空洞区进行插值. 实验验证了RBF神经网络模型的有效性及插值精度.