基于无人机和点云滤波的边坡灾害识别方法

为解决传统公路边坡灾害识别方法风险大、成本高以及植被覆盖情况下灾害识别困难的问题,采用无人机倾斜摄影与机器学习技术,构建了一种面向复杂地形环境的点云滤波和灾害识别方法。首先通过无人机倾斜摄影技术获取多角度高清边坡影像,重构高精度边坡三维点云模型;接着利用支持向量机(SVM)机器学习算法,训练和建立基于公路边坡表面形态特征的SVM点云分类模型,对边坡地面与植被点云进行识别与分类,获取滤除植被的边坡表面点云数字高程模型(DEM);最后采用DEM差分算法(DoD)对不同调查时期获取的边坡表面DEM进行地形变化检测,根据三维模型变化检测结果获取边坡灾害具体信息以及变化云图,从而实现公路边坡隆起、塌陷、落石等灾害的自动识别。将该技术应用于长沙市某公路边坡工程灾害调查,成功识别出的边坡隆起区域面积约为621.93 m^(2),平均隆起高度1.13 m,塌陷区域面积约为460.42 m^(2),平均塌陷高度0.82 m,边坡灾害区域的总土方量约为1081.06 m^(3),构建的植被点云滤波方法准确率优于98.4%。研究结果表明:构建的基于SVM与DoD算法的点云滤波和无人机边坡灾害自动识别方法,具备准确滤除植被、快速识别及量化边坡灾害的能力,且对复杂地形条件下的边坡具有较强适用性。

激光点云滤波技术在植被分布调查中的应用

研究了机载激光雷达点云滤波技术在植被分布调查中的应用方法及效果。以RY县PK林场为案例分析对象,首先根据地质气候条件及测绘目标成像需求对航测设备、雷达设备进行选型;其次利用点云滤波技术,对PK林场点云数据进行采集与建模,并实现地块识别与分类;再次,针对十年间地块植被变异情况进行点云差异化建模,分析地块内植被空间变化情况;最后对研究成果进行误差分析,得出运用无人机航测设备、激光雷达测绘设备、点云模型建模系统等,可以为森林治理、土地调查等工作提供可靠的数据基础的结论。

点云滤波算法构建矿山开采沉陷模型的对比研究

针对现有机载LiDAR点云滤波算法缺乏详细对比的问题,本文以西部矿区某工作面地表沉陷区为试验区,选择渐进形态学滤波、三角网渐进加密滤波和基于坡度阈值滤波3种经典的算法去噪,并分析了算法的适用性。试验结果表明,在地表起伏明显、植被稀疏的陕北矿区,采集的点云数据利用三角网渐进加密滤波得到去噪后的点云建模效果最优。试验结果可为矿区开采沉陷精细化建模提供重要的技术手段。

基于LiDAR点云滤波技术的风电场地形图处理方法

随着无人机技术在风电场地形图测绘中的广泛应用,随之带来DEM精度的不断提高。但是在存在大量植被和居住地的地区如何剔除非地面点将DSM转化为DEM则显得尤为棘手。通过简单分析几种常用的LiDAR点云数据滤波技术,比较优劣后深入探讨布料模拟滤波算法,将布料模拟滤波算法应用于风电场地形图等高线的绘制,为更好地解决采用无人机航测技术进行风电场地形图测绘提供一种解决思路。

一种改进的车载激光扫描点云滤波算法

为了提高车载激光扫描点云滤波精度,同时解决目前点云滤波算法中存在的人机交互多、参数不易把控等问题,本文在经典不规则三角网(Triangulated Irregular Network,TIN)迭代加密滤波算法的基础上,优化地面种子点选取与进行格网大小自适应变化,提出了一种改进的TIN迭代加密滤波算法。该改进滤波算法实现非地面点滤波的主要途径为:首先,对原始车载点云数据构建格网,通过计算邻域卷积以及构造虚拟种子点实现地面种子点的确定;其次,根据设置阈值条件将待判断激光点加密至TIN中;最后,通过自适应改变格网大小并进行迭代滤波完成地面点提取。使用两段城市典型道路车载激光扫描点云数据进行实验,结果表明本文改进滤波算法的滤波性能更好,具有较好的地形适应性。

WPA-CSFTC模型在点云滤波中的应用

为了提升经典布料模拟滤波(CSF)算法的点云滤波精度、自适应性以及稳定性,本文提出了一种基于狼群算法(WPA)与地形认知的CSF算法。该改进滤波算法实现点云滤波的思路为:首先,将构建的地形认知模型扩展为粗精度数字高程模型(R-DEM);其次,通过点云地形归一化处理,将地形趋势与地形细节分离;最后,将经WPA优化后的CSF算法用于点云滤波中。使用某实测机载激光点云数据进行实验,并使用误差评判标准与Kappa系数对滤波结果进行精度评价。结果表明,WPA-CSFTC模型的点云滤波总误差较经典CSF算法与CSFTC算法分别降低了6.13%、9.67%,Kappa系数较经典CSF算法与CSFTC算法分别提升了23.60%、10.36%,对于点云分类效果更优,具有较高的点云滤波稳定性与自适应性。

阵列干涉激光雷达点云滤波在输电线路路径中的应用

输电线路通常需要穿越各种的复杂地貌,导致输电线路路径的施工难度极大、成本极高,因此研究了阵列干涉激光雷达点云滤波在输电线路路径优化设计中的应用。将使用阵列干涉激光雷达收集的输电线路环境三维点云数据进行滤波降噪,同时构建点云数据空间索引模型,进而利用随机森林算法从空间索引模型中提取输电线路路径特征并以此优化路径选择。实验数据显示,该方法的综合评分值为91.357 8,降低了对环境的影响和建设成本,提高了能源传输效率。

利用不同点云滤波算法构建矿山开采沉陷模型的对比研究

针对现有机载LiDAR点云滤波算法缺乏详细对比的问题,以西部矿区某工作面地表沉陷区为试验区,选择渐进形态学滤波、三角网渐进加密滤波和基于坡度阈值滤波3种经典的算法去噪,并分析了算法的适用性。试验结果表明,在地表起伏明显、植被稀疏的陕北矿区,采集的点云数据利用三角网渐进加密滤波得到去噪后的点云建模效果最优。试验结果可为矿区开采沉陷精细化建模提供重要的技术手段。

机载LiDAR测深点云滤波与分类方法研究

机载LiDAR测深(airborne LiDAR bathymetry,ALB)技术在海岸带、海岛礁等复杂浅水海域的水下地形测量中具有效率高、精度高、机动性强等优势,但受复杂海面、水体环境等多种因素的综合影响,ALB点云中存在大量噪点,直接影响ALB数据成果质量及其应用。为此,论文针对海面异常点导致的海底虚假地形、海底点云过度滤波导致的真实地形细节损失以及如何深度挖掘ALB信息进行高效底质分类问题,分别从海面异常点检测、海底点云滤波和海底点云分类3个方面进行了详细研究。

基于改进的不规则三角网的密集匹配点云滤波与应用

密集匹配点云作为一种新型数据,被广泛应用于各种地形图测绘生产,针对现阶段密集匹配点云滤波技术尚不成熟的问题,本文利用一种改进的不规则三角网加密滤波算法,通过建筑物立面选取地面种子点,结合高程排序构建不规则三角网进行地面点云滤波,并与传统不规则三角网加密滤波算法进行对比,结果表明:改进的算法在地面滤波过程中,选取的地面种子点更加准确。对于不同的地形,此算法具有一定的适用性,在地形平坦区域总误差为9.3%,地形复杂区域总误差为12.9%,匹配精度提升了20%~30%,取得了较好的滤波效果。

基于阈值自适应确定的多波束点云滤波算法

针对水下多波束地形测量点云去噪问题,提出了一种基于阈值自适应确定的点云滤波算法。首先引入虚拟网格对多波束点云进行分区编号,并采用二次分层统计法剔除显著离群噪点;其次归一化计算网格内种子点与邻域各点的坡度角,引入k-Medoids聚类算法自适应更新坡度阈值;最后按照多尺度滤波窗口逐级对点云进行迭代运算,得到精细化地形点云。2个实验区的多波束点云滤波实验结果表明,本文算法能较好去除多波束点云的噪声和非地形点,有效提高坡度阈值的自适应性,滤波精度有明显提升,可以适用于大规模的多波束点自动化云滤波工作。

面向滩涂DEM构建的机载LiDAR点云滤波方法

在基于激光点云构建DEM的过程中,用于区分地面点和非地面点的点云滤波处理至关重要。本文面向基于机载LiDAR点云的沿海滩涂DEM高精度的构建需求,提出了一种机载LiDAR点云的改进坡度滤波算法。首先,采用统计异常值剔除法(SOR)去除原始机载LiDAR点云数据中的噪声;然后,利用规则格网的坡度和高程阈值,设计了适用于滩涂点云数据的地面点坡度滤波方法;最后,选取如东市长沙港的滩涂机载LiDAR点云作为试验数据,构建滩涂DEM,并进行精度检验。试验结果表明,利用本文方法处理后的LiDAR点云构建的DEM精度满足国家与行业标准的要求。

基于多尺度高程变异系数的影像匹配点云滤波方法

针对现有滤波方法在低矮植被密集覆盖区域处理效果差的问题,该文根据不同尺度下无人机影像匹配点云数据所表达的地形地物特征不同,提出基于多尺度高程变异系数的影像匹配点云滤波方法。首先,通过不同尺度的虚拟规则网格构建不同分辨率的DSM,将任意两个不同分辨率的DSM进行差值计算,得到对应两个尺度下的地表特征差异(高程变异程度);然后,对差值DSM计算高程变异系数,根据地物边界区域高程变异系数远大于地形区域的特征进行阈值分割;最后,分析计算高程变异系数的最佳邻域,讨论最佳分割阈值的设定。与传统CSF、TIN和渐进式形态学滤波方法对低矮植被密集覆盖区域的对比实验结果表明,该文方法在低矮植被密集覆盖区域能准确剔除植被点并保留地面点,其中Ⅰ类、Ⅱ类误差分别为9.20%、5.83%,平均总误差为7.68%,均优于CSF、TIN和渐进式形态学滤波方法,可为后期快速建立高精度DTM奠定基础。

基于深度学习的机载LiDAR点云滤波方法

针对传统滤波方法处理机载LiDAR点云精度不高、自动化程度低和泛用性差的问题,提出了一种端到端的点云深度学习网络模型。首先对原始点云进行几何变换和对坐标增加噪声获取更多数据,提升模型的鲁棒性;其次在深度学习模型中,对点云数据划分网格保留几何信息,网格内采用随机降采样方法提高计算速度;对点云数据存在类别分布不均衡的现象,采用加权交叉熵损失函数,提高模型泛用性;在测试阶段,以原始切片对角线交点为中心增加切片的边长,避免数据几何信息丢失;最后将深度学习模型和布料模拟算法进行比较。实验结果表明该深度学习网络模型在城市、乡镇,村庄和山区4种场景的点云滤波精度平均总误差减少0.223 95、平均kappa系数增加0.136 93,对于地形复杂多变的场景有效保留了地形的各种细节特征,滤波效果较好,具有一定的现实意义。

基于DCGAN的点云滤波方法

在获取点云进行3D重建时,必然会有各种各样的噪音。传统的滤波方法主要依靠概率模型的假定,但是由于复杂的背景,使得传统的滤波方法难以获得较好的滤波效果。为了解决此问题,提出一种基于深度卷积生成对抗网络(DCGAN)的点云滤波方法。首先计算点云的特征值和熵值,根据熵值分配给点维度类别(1D、2D、3D);不同的维数类别建立不同的簇,并将点云的维数类别与点的几何特性相对应;然后在每个簇内应用DCGAN进行聚类;最后排除高熵点以及离群点等噪声达到滤波目的。实验结果证明,与传统的半径滤波、统计滤波方法相比,该方法在滤波性能上有很大的改善,并且在运算速度上分别提高了5.8倍和2.5倍,基本达到了高精度、高效率的点云滤波需要。

基于点云分块的平均密度阈值点云滤波方法

针对传统点云滤波算法在滤除噪声点、离群点的同时会破坏点云的结构,提出一种基于点云分块的平均密度阈值点云滤波方法。该算法首先通过构建八叉树数据结构对点云数据进行体素化,然后以体素分辨率为单位分割点云;之后,对分块后的各块点云数据构建KD-Tree(K-Dimensional tree)进行K近邻搜索,使用欧几里得距离公式计算查询点与近邻点的欧式距离,取最近距离估算点云的平均密度,通过叠加各点云块的平均密度再除以点云块数计算出整个点云数据的平均密度;最后,以整个点云的平均密度作为阈值,若该点的平均密度大于整个点云的平均密度,则滤除该点,反之则保存该点。实验结果表明,相较于统计滤波算法、半径滤波算法,提出的算法在滤波效果上可以有效的去除点云数据中的噪声点和离群点,同时较好的保存点云的细节信息。

基于点云强度与颜色的机载雷达点云滤波方法

提出一种基于点云强度与颜色属性的联合滤波方法,首先采用基于颜色的区域增长方法,将点云分成多个颜色相近的点云簇,然后联合点云的强度属性,将每个点云簇再进一步分组,最后依据统计学的相关方法,区分出地面层、植被层和建筑物层,并且结合实例,与不规则三角网渐进加密的点云滤波方法进行对比。结果表明,在不使用点云的几何信息情况下也可以对特定的地物进行分类,为点云滤波提供一个新的补充方法。

一种基于地形预分类的渐进加密点云滤波方法

经典的渐进加密三角网算法采用同一套参数难以在平地/山区混合的机载激光点云数据中取得良好的滤波结果。针对该问题,提出了一种改进的、基于地形预分类的渐进加密滤波方法。首先利用单一参数进行初次滤波,并根据滤波结果获取地形预分类结果;然后针对平地/山区地形特点,利用不同参数进行二次滤波,得到不同地形更精细的滤波结果;最后对不同地形的地面点进行合并,生成最终滤波结果。实验结果表明,基于地形预分类的渐进加密滤波方法生成的数字高程模型的均方根误差为1.733 m,显著优于经典方法。

基于显著性划分的机载激光雷达点云滤波算法优化

针对点云数据拟合精度较低、点云显著性渲染效果较差的问题,提出一种基于显著性划分的机载激光雷达点云滤波优化算法。实验结果显示:一类错误率、二类错误率、总体错误率、Kappa值的均值分别为2.53%、2.27%、2.38%、95.10,可有效实现高精度点云滤波目的。

基于超体素的机载LiDAR点云滤波与建筑物提取方法

为了提高目前机载LiDAR点云数据滤波和建筑物提取精度,本文提出一种基于超体素的点云滤波与建筑物提取方法。对每个超体素进行相似性判断来实现向上一层的区域增长式合并,并通过判断超体素簇与邻接超体素簇的凹凸性实现再向上一层的合并,最终通过计算聚类对象自身几何特征来过滤地面、植被和噪声,从而得到建筑物点云。实验利用ISPRS公布的标准数据集,选择3个地形数据进行实验。实验结果表明本文算法滤波性能更好,建筑物提取结果优于专业点云处理软件的提取结果。