一种用于机载LiDAR波形数据高斯分解的高斯拐点匹配法

针对小光斑全波形机载激光雷达(LiDAR)波形数据高斯分解法的核心问题——高斯分量个数估计,提出一种高斯拐点匹配法。该算法用平面曲线离散点集拐点的快速查找算法检测波形数据中的拐点,计算过检测出的拐点及其右边第一个点的直线的斜率,根据斜率将所有检测出的拐点分为左、右拐点,一个左拐点与其邻近的一个右拐点组成一个高斯分量,据此可以确定波形数据中高斯分量个数。采用高斯拐点匹配法对模拟和实测波形数据进行分解,并与传统的脉冲检测方法(重心法和高斯脉冲拟合法)相比。结果表明,高斯拐点匹配法方法能极大地减小伪拐点的影响,快速、准确地检测并分解出波形数据中高斯分量,提高波形数据分解速度。同时其能分解出更多的高斯分量,从而提高点云密度。     

一种地面移动激光成像系统的视准轴误差自标定方法研究

视准轴角度误差直接影响移动激光成像系统(MMS)的点云精度,尤其是在多路线、多角度下扫描同一区域时,不理想的视准轴误差估计会造成重叠区域无法无缝拼合。针对上述问题,提出了一种基于平面特征的地面移动激光成像系统的视准轴误差自标定方法,给出移动激光成像系统的点云生成模型,依据三维场景中的平面特征,建立Gauss-Helmert平差模型,依据最小二乘法,推导出计算视准轴误差的法方程。实验结果表明,提出的方法不需要特殊的定标场,只需在数据采集过程中以不同方位扫描同一平面特征就可以计算出视准轴误差,且计算结果可靠有效。     

纹理与波形特征组合对机载LiDAR数据分类的影响

将纹理特征与波形特征用于LiDAR数据分类,进行了纹理特征与波形特征的最佳组合方案研究。首先将LiDAR全波形数据的高程、波宽、振幅和回波次数等波形特征信息转化为波形特征图像;然后利用灰度直方图和灰度共生矩阵(GLCM)提取多种纹理特征,并与波形特征图像叠加构成多维特征图像;最后讨论纹理特征与波形特征组合对分类的影响,并确定最佳组合方案,探讨不同分类器对纹理与波形特征组合的适应性。实验结果表明,某些纹理特征能够提高分类精度,但不是分类特征越多越好,只有最佳组合才能充分利用纹理和波形特征,提高分类精度。