基于连通性标记优化的地基LiDAR点云单木分割方法

针对地面激光雷达（TLS）进行单木分割时存在复杂林地欠分割或者过分割等问题，提出了一种基于连通性标记优化的单木分割方法。首先构建冠层高度模型（CHM）。再采用移动窗口进行局部极大值探测，实现候选树顶点探测。然后对初始树顶点进行连通性生长，通过探测连通区域的最高点，实现树顶点的优化提取，避免局部极大值误判为树顶点。接着采用基于标记的分水岭分割方法获取树木的初始分割结果。最后基于单木密度的分布特性对欠分割的树木进行优化，获取准确的单木分割结果。采用不同植被类型的点云数据进行实验分析，实验结果表明，所提方法在不同植被环境下均能获得良好的单木分割效果，平均探测精度均优于Meanshift单木分割方法和基于标记的分水岭单木分割方法。     

基于改进DBSCAN和双边滤波算法的点云去噪

为了提高激光雷达点云去噪效果，提出了改进DBSCAN和双边滤波算法。首先通过点云数据空间欧氏距离划分栅格，从而删除无效点云；接着基于距离-密度方法在密度较大的段内找到DBSCAN的eps值，避免错误值出现，使用自适应方法获得DBSCAN的min pts值；然后利用点云邻域的曲率以及法向夹角优化双边滤波权值因子，便于保持点云的细节特征；最后给出了算法流程。实验结果显示所提算法能够去除接近点云模型的噪声以及混杂在点云模型中的噪声，评价指标较优。     

利用车载激光点云的分车带识别及单木分割方法

提出了一种基于车载激光点云数据的城区分车带识别及单木点云分割方法,首先通过布料模拟算法进行点云滤波去除地面点,然后利用基于八叉树连通性分析对非地面点进行聚类并构建聚类单元的最小包围矩形,基于先验知识和高差约束进行分车带识别,最后根据单木的空间几何特征,引入基于局部最高点的区域生长算法实现分车带内点云单木分割。选取北京市某道路的车载激光点云数据进行实验,结果表明:该方法能够从车载激光点云中快速识别出分车带点云并完成单木分割,能达到较好的识别和分割效果,具有抗噪性强和提取精度高的特点。     

区域回波比率与拓扑识别模型结合的城区激光雷达点云分类方法

针对城区激光雷达点云提出一种全自动分类方法。采用具备一定抗过分割能力的拓扑启发式分割算法对栅格高程图像进行面向对象分割;依据迭代最大类间方差(Otsu)聚类方法及两种拓扑模型实现地面图斑对象与非地面图斑对象初步分离,并合并邻接非地面对象;在地物对象中引入多次回波比率检测树木对象,采用区域面积、建筑物高度等条件区分建筑物及其他两类地物,并依据栅格索引分类。选择具有丰富地物类型的典型城区点云数据进行实验,结果表明,该算法具有良好分类精度及较强实用价值。     

基于点云数据特征的电力线快速提取和重建

为了解决电力线点云可能存在交跨线点云较难处理、绝缘子点云较难分割、现有算法模型研究不完整问题, 采用了基于点云数据特征的电力线快速提取和重建方法, 首先通过输电线路体素栅格高程特征进行点云快速粗分类, 然后运用随机一致性算法进行点云快速精化, 采用顾及交跨线的滤波算法高效准确提取电力线点云, 针对电力线局部线性模型分割出绝缘子, 最后采用局部加权质心的方式提取电力线关键点, 实现电力线的快速重建, 并进行了理论分析和实验验证, 取得了较好的实验结果。结果表明, 电力线提取与重建综合准确率95.3%, 总体耗时2.5s以内, 验证了算法的快速性、准确性和鲁棒性。这一结果对电力线点云提取和重建有一定帮助。     

基于形态学分水岭的Normalized Cut图像分割方法

针对传统分水岭分割后所产生的过分割问题,提出了一种基于形态学分水岭算法和Normalized Cut算法相结合的图像分割方法。在传统分水岭分割的基础上,融合形态学算法进行初步分割,并将分割后各个子区域的形心和平均灰度值作为Normalized Cut算法的输入参数,完成图像分割。结果表明,组合算法既避免了过分割现象,也达到了Normalized Cut算法的分割精度,是一种有效的图像分割算法。     

基于机载激光点云的电力线自动提取方法

为了解决地形、走向复杂、点云密度不均匀的输电线路的电力线提取精度低的问题,提出了一种高效的电力线自动提取和重建方法.首先通过空间分割和点云密度分析方法改进高程滤波算法实现电力线粗提取;采用基于点云间倾斜角度平均值的滤波算法精提取电力线;使用统计滤波算法完成电力线整体点云提取;通过基于随机采样一致性算法的电力线分条提取算...     

顾及点密度与未知角分辨率的地面点云分类

为了解决地面激光点云角分辨未知和点密度变化的问题, 提出了一种顾及密度变化与未知角分辨率的地面激光点云分类方法。采用随机邻域分析的角分辨率估算法改进传统点密度计算方法, 结合角分辨率提出顾及密度变化的格网特征提取方法, 并将本文中所提出的方法在3组数据上进行了实验验证。结果表明, 该角分辨率估算方法的估算误差小于0.002°, 能够准确地估算点云角分辨率; 与传统点密度特征相比, 本文中提出的相对投影密度可以提高点云分类的整体精度, 以及在车、杆状物等地物类别上的分类效果。该方法能准确估算点云角分辨率, 以较高精度实现点云分类, 可为大规模地面激光点云的密度自适应处理提供参考。     

方向自适应的光子计数激光雷达滤波方法

提出一种自适应滤波方向的光子计数激光雷达点云滤波方法,定义了一种可调节主滤波方向的滤波核,通过遍历得到最佳滤波方向的密度值并剔除远离地物的噪声点,根据密度值与邻域内其它点的密度值差值剔除接近地物的噪声点。通过实验数据对算法进行了验证,结果表明算法能有效剔除与地面非常接近的噪声点,适用于低密度地物点云的滤波处理,其中植被滤波精度91.86%,地面点滤波精度97.89%。     

三维激光点云的网状RANSAC分割与计数

随着工业现代化进程的加快,三维激光点云技术开始出现在工业目标检测中,对激光点云的目标分割提取也成了工业检测中的关键。常用的三维点云分割方法,如区域生长分割、RANSAC(随机抽样一致)分割、K-means(K均值聚类)等无法做到高水平的目标分割与提取。利用MEMS(micro electromechanical system)3D相机对4组目标进行点云数据采集,利用网状RANSAC分割算法,将目标三维点云进行封装,栅格化分割成网状模块,对每个网状模块中的点云进行平面粗分割,整合模块,用欧式聚类对分割后的目标进行细分割,得到最终的目标提取结果并成功完成计数统计。试验结果表明,所提出的网状RANSAC分割算法的分割完整度为91.0%,平均耗时8.25 s,均优于其余三种传统算法,并且成功完成计数。