激光雷达点云数据的滤波算法述评

机载激光雷达是一种快速获取高精度三维地理数据的新技术,对它所获取的点云数据的滤波过程就是将LIDAR点云数据中的地面点和非地面点分离的过程。主要对数学形态学的滤波算法、基于坡度的滤波法、基于TIN的LIDAR点云过滤算法、基于伪扫描线的滤波算法、基于多分辨率方向预测的LIDAR点云滤波方法等几种较为重要且实用的激光雷达点云数据滤波算法进行介绍和讨论,评价对比了各自算法的优势和不足,初步探讨了每种算法缺陷及其改进方向。     

基于噪声分类的双边滤波点云去噪算法

针对三维点云数据模型在去噪光顺中存在不同尺度噪声的问题,提出一种基于噪声分类的双边滤波点云去噪算法。该算法首先将噪声细分为大尺度和小尺度噪声,并使用统计滤波结合半径滤波对大尺度噪声进行去除;然后对三维点云数据进行曲率估计,并对现有点云双边滤波进行改进,增强其鲁棒性和保特征性;最后使用改进的双边滤波对小尺度噪声进行光顺,实现三维点云数据模型的去噪、光顺。与单独使用双边滤波、Fleishman双边滤波相比,改进算法在三维点云数据模型光顺平均误差指标上分别降低了50.53%和21.67%。实验结果表明,该改进算法对噪声进行尺度的细分既提高了计算效率,又避免了过光顺和细节失真,较好地保持模型中的几何特征。     

顾及回波次数信息的城区机载LiDAR点云滤波研究

针对城区地物复杂、地面点云被植被和建筑遮挡等问题,文章在渐进三角网滤波算法的基础上提出一种改进方法。该方法利用机载LiDAR点云具有多次回波特性对点云进行分类,提高地面点云占有率,再进行渐进三角网滤波。实验结果表明,该方法提高了地面点云种子点提取的正确率,为下一步城市点云精确分类做好了准备。     

应用于三维点云数据去噪的改进C均值算法

针对三维激光扫描仪采集到的点云数据中离群点不易区分和去噪难度大的问题,提出了一种改进的C均值算法。通过分析三维点云数据特征,在传统C均值算法中引入模糊聚类权重因子,降低类内距离和拉大类间距离,有效增强了离群点特征以降低识别难度。进而将识别出的噪声分类别处理,利用改进的C均值算法去除大尺度噪声,构造双边滤波算法去除小尺度噪声数据。与密度聚类算法、正交整体最小二乘平面拟合和基于特征选择的双边滤波点云去噪等算法相比,去噪准确度分别提升了7.3%、6.5%和6.0%,实验结果表明该算法可以有效去除大尺度噪声并能较好地保留有效数据。     

点云模型的噪声分类去噪算法

针对三维点云模型数据在去噪平滑过程中存在的不同尺度噪声和算法计算耗时问题,提出了点云模型的噪声分类去噪算法。该算法根据噪声点分布特性,将其分为大尺度和小尺度噪声,先利用统计滤波结合半径滤波去除大尺度噪声;然后使用快速双边滤波对小尺度噪声进行平滑,实现点云模型的去噪和平滑。与传统的双边滤波相比,利用快速双边滤波对点云模型数据进行平滑,有效地提高了计算效率。实验结果表明,该算法对点云噪声进行快速平滑去除的同时又能有效地保持被扫描物体的几何特征。     

基于地形认知的布料模拟滤波算法

数字高程模型(Digital Elevation Model, DEM)可以反映一个地区的地形特征,具有广泛的科研应用。对激光雷达点云数据进行点云滤波以提取地面点,并对地面点进行插值是构建DEM的常用步骤,其中在点云滤波过程中使用的滤波算法直接影响到最终构建的DEM的精度。布料模拟滤波(Cloth Simulation Filtering, CSF)算法作为一种点云滤波算法,具有模型简单、滤波效率高等优点,其针对平坦地区的滤波精度较高,但在处理复杂地形时会因布料模型的内部弹力以及重力惯性等因素,导致滤波结果的精度较差。为了提升CSF算法在处理复杂地形时的滤波精度和地形适应性,提高其构建DEM的精度,提出了基于地形认知的布料模拟滤波算法(Cloth Simulation Filtering Algorithm with Topography Cognition, CSFTC)。该算法提出了地形认知模型,基于点云数据点的局部分布特征构建认知模型,并将其扩展为粗精度数字高程模型(Rough Digital Elevation Mo-del, R-DEM);通过点云地形归一化实现宏观地形趋势与...     

新能源汽车激光雷达传感器缺失数据填补方法研究

为了增强车辆激光雷达传感器数据采集的全面性,研究新能源汽车激光雷达传感器缺失数据填补方法。利用数据融合的点云采集技术和中值滤波算法,预处理点云数据。采用改进的噪声密度聚类算法构建点云超体素块,建立图模型,并利用图割算法进行全局聚类。结合典型地物特征提取地物信息,并利用全景图像进行密集匹配填补缺失区域,以完成点云数据中空洞区域的填补。实验结果表明,该方法能够有效实现缺失数据的填补,并且填补效果良好。填补后的点云数据与缺失区域原始点云在深度方向上的分布状况几乎一致。     

改进法线方向的点云实时分割提取平面方法研究

为了提高服务机器人在室内环境中目标物体抓取的效率,提出一种针对三维点云数据改进表面法线估计的方法。重点研究了如何提高使用三维点云数据实时性和准确性,这是机器人抓取过程的关键因素。使用消费级别的传感器kinectV2获取点云数据,提出使用积分图像降低滤波区域内像素的遍历消耗的时间,从而提高实时性;采用动态调整平滑区域的大小以及分配权重的方法平滑处理点云数据的噪声,提高法线估计精度。依据改进后的法线方向,利用区域生长算法对不同方向的法线进行分类,然后对点云数据实施分割提取平面。最后,采用提出的方法和点云库中的相关算法,进行了平面分割提取测试比较。结果表明,利用kinectV2获取的深度数据（1-5米）比目前点云库中的平面分割算法数据精度更高、实时性更强。     

针对浓密植被区域利用ALS数据提取DTM的小波算法研究

近年来,从航空机载激光雷达(ALS)获取的点云数据中自动提取数字地形模型(DTM)仍然是一个尚待解决的问题.目前已有不少滤波算法可以去除地表物体和异常噪声点并做到自动提取DTM,然而,当测区范围内很少点具有同种形态或同种几何特征时,要分离出裸露地表是比较困难的,特别是在有密集植被覆盖的山坡上,代表地表的激光点经常被认为是地表以下的噪声.为了在这些区域提取地形表面,本文提出了一个新的算法.首先,把点云通过扫描线分割法分成很多剖面,在每一个剖面,一维的滤波程序利用小波理论在检测高频间断点上的优势来检测地面点;随后把各个方向上剖面结合起来后,就产生了一个代表DTM的内插网格数据.把此方法应用到2003年的实验数据中进行处理,结果显示当检测的两个样地都是被大部分植被覆盖的坡面时,可以有效地去掉坡面上的地表物体(例如植被和建筑物),使山体平滑,更加接近真实的地形表面.     

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。     

利用神经网络的城区机载激光雷达点云分类算法

为了将神经网络应用于城区激光雷达点云数据分类,并针对大规模点云数据训练过程中计算量大、耗时长的问题,改进原有PointNet神经网络,加入了点云邻域特征的提取和分析,提出了一种新的点云分类算法。通过网格化聚类和重采样压缩原始点云数据量,提取多尺度邻域点云数据,利用改进PointNet完成对城区点云数据的分类,并用不同地区数据验证该分类算法。结果表明该算法分类效果良好,分类精度较高;数据训练过程中的计算量减少;能够对城区机载激光雷达数据实现有效分类。     

无需阈值支持的机载LiDAR点云数据滤波方法

点云数据滤波仍旧是现阶段机载LiDAR数据后处理的首要步骤,但其发展尚未完全成熟。在回顾和总结已有滤波算法的基础上,将统计学中偏度与峰度的概念引入到算法中,提出了一种新的基于偏度平衡的地面点与非地面点非监督分类方法,利用统计矩原理从LiDAR点云数据生成的DSM中有效地提取DTM。该方法区别传统算法的最大的优势在于无需参数或者阈值支持,并且相对于LiDAR点云数据的格式和分辨率是独立的。实验结果证明,该方法切实可行,具有较强的适应性,并且能够较好地满足精度要求。     

一种高程相关的机载LiDAR点云配准方法

针对现有配准方法难以提取大范围机载LiDAR点云特征信息的问题,提出了一种基于2片待配准机载LiDAR点云高程数据相关的点云自动配准方法。首先,将待配准点一定范围内的点云拟合局部曲面;然后,在另一点云片中确定搜索区域,利用拟合结果求解搜索区域内的点云在拟合曲面上的高程;最后,通过计算拟合高程与实际高程的相关系数,选择搜索区域内相关系数最大位置作为配准的关键点参与点云配准,反复迭代直到完成配准。文章用实际采集的机载LiDAR数据进行了实验分析,并与传统的ICP算法进行了对比。实验结果表明,该方法在配准精度上能达到较高的水准,能够满足机载LiDAR点云配准的要求。     

浅析机载LiDAR点云的滤波与分类

滤波与分类是机载LiDAR点云处理的两个关键步骤。针对人们在传统概念上的认识误区，简要阐述了两者的不同内涵。以点云分类为例，一方面，以归一化高度特征为着力点，详细分析点云滤波对分类精度的影响，并对其影响力给予客观地评估；另一方面，以点云分类结果为着力点，采用反向分析法深入探讨了点云分类结果与滤波产生的两种误差的内在联系，从而验证了两者在点云处理过程中的辩证关系，得出了相应结论。     

Study on Power Tower Extraction and Fast Positioning from Airborne LiDAR Data

Airborne LiDAR has become an important technique for transmission line digitalization,reconstruction and safety inspection.Moreover,accurately and efficiently extracting the position of each tower from massive point clouds is basic and important task for the applications in power industry.In this study,a method was proposed to efficiently extract the point clouds and fast determine the position of power towers using airborne LiDAR data.Firstly,the point clouds of power towers were automatically separated from raw data based on the spatial distribution characteristics of airborne LiDAR data.Secondly,each power tower was efficiently detected using a region\|growing algorithm.Finally,a least square linear fitting method was used to determine the accurate position of each power tower.The new proposed method was applied to several LiDAR data sets in areas with high voltage transmission lines.Results indicated that the integrity of the power towers’ points is up to 91.1%,and the accuracy of center positions is high enough with the medium error of 13.5 cm.Additionally,our study also concluded that the proposed method is robust and applicable even the point density is relatively low.     

Object-based land cover classification using airborne LiDAR

Light Detection and Ranging (LiDAR) provides high resolution horizontal and vertical spatial point cloud data, and is increasingly being used in a number of applications and disciplines, which have concentrated on the exploit and manipulation of the data using mainly its three dimensional nature. LiDAR information potential is made even greater though, with its consideration of intensity.Elevation and intensity airborne LiDAR data are used in this study in order to classify forest and ground types quickly and efficiently without the need for manipulating multispectral image files, using a supervised object-orientated approach. LiDAR has the advantage of being able to create elevation surfaces that are in 3D, while also having information on LiDAR intensity values, thus it is a spatial and spectral segmentation tool. This classification method also uses point distribution frequency criteria to differentiate between land cover types. Classifications were performed using two methods, one that included the influence of the ground in heavily vegetated areas, and the other which eliminated the ground points before classification. The classification of three meanders of the Garonne and Allier rivers in France has demonstrated overall classification accuracies of 95% and 94% for the methods including and excluding the ground influence respectively. Five types of riparian forest were classified with accuracies between 66 and 98%. These forest types included planted and natural forest stands of different ages. Classifications of short vegetation and bare earth also produced high accuracies averaging above 90%.     

基于机载激光雷达数据的森林结构参数反演

机载激光雷达(Light Detection And Ranging,LiDAR)技术对植被空间结构和地形的探测能力较强,在植被参数定量测量和反演方面具有显著优势。首先利用野外调查并结合高分辨率Geoeye-1影像数据,对黑河上游天涝池流域植被类型进行分类,提取研究区森林分布,然后结合0.5m×0.5m机载激光雷达(LiDAR)数据对森林结构参数(树高、冠幅、胸径和叶面积指数)进行反演,最后利用实际观测数据对反演结果进行验证。结果表明:机载激光雷达数据能够精确地反演森林结构参数,树高、冠幅、胸径和叶面积指数的实测值与估测值决定系数分别为0.98、0.84、0.57和0.73。本研究获得流域森林覆盖区域高精度树冠高度和叶面积指数空间分布图,同时分析了冠层高度和叶面积指数随高度的变化。本研究的结果为该流域分布式生态水文模型提供了重要的输入参数。     

一种去除机载LiDAR航带重叠区冗余点云的方法

机载LiDAR系统在获取高密度地表点云的同时,也带来了数据冗余的问题,特别是在航带重叠区中尤为突出。旨在研究无完整航迹信息辅助下去除航带重叠点,提出了基于点云GPS时间直方图的去除航带重叠点的方法。该方法包括三个步骤:(1)建立点云的GPS时间直方图,并根据GPS时间直方图特点获取航带重叠区外包矩形以及外包矩形中的所有点云;(2)考虑到城市中高密度点云有助于建筑物的三维重建,通过滤波分类处理获取建筑物点并予以全部保留;(3)对重叠区中除建筑物点外的其他所有点进行格网数据组织并根据GPS时间直方图逐格网去除航带冗余点。实验结果表明,该方法能较好地保留建筑物点的同时高效去除航带重叠点且不依赖于航迹信息,提高了后续数据分析处理的效率。     

一种运用PCA的深度学习激光点云分类方法

为了提高机载激光雷达数据的分类精度和避免耗时的点云多特征提取,本文在点云去噪的基础上,对点云数据进行相对高程的特征提取,提出一种基于PCA数据降维与Point-Net相结合而形成的网络模型,并将获取的相对高程特征和原始特征经过降维处理后输入到网络中.运用Point-Net网络模型提取的全局特征进行点云分类,返回每个点分...     

一种改进的基于平面拟合的机载LiDAR点云滤波方法

在分析现有方法优劣的基础上,提出一种改进的基于平面拟合的机载LiDAR点云滤波方法。首先基于区域生长算法对重采样的LiDAR数据图像分割,提取最大连通区域为初始地面,然后基于坡度阈值剔除初始地面内的地物点,最后对筛选后的地面点克里金插值实现滤波。采用国际摄影测量与遥感学会(ISPRS)提供的测试数据进行实验,研究了设置不同坡度阈值对滤波结果产生的影响。结果表明,坡度阈值取0.5时滤波效果最优,整体错误率仅为4.29%。与传统的基于平面拟合的滤波方法相比较,该方法更简单实用。