一种改进顶帽变换与LBP高程纹理的城区建筑物提取算法

利用LiDAR数据的建筑物提取存在植被点与建筑物点难以区分的问题,利用航空影像进行城区建筑物提取则无法有效剔除阴影区域植被。本文融合LiDAR和航空影像两种数据源,提出了改进顶帽变换及局部二进制模式(LBP)高程纹理分析的建筑物提取算法。首先将LiDAR数据进行规则格网化,通过改进顶帽变换提取地面数据点,然后根据航空影像计算归一化差值植被指数(NDVI)值进行植被粗提取,计算LBP高程纹理,精细区分植被点与建筑物点,最后利用形态学操作填充建筑物孔洞,以检测出的建筑物点为种子点进行区域生长,得到完整的建筑物点集合。试验基于ISPRS提供的Vaihingen数据集中复杂多植被城区场景,试验结果表明,本文算法能够有效区分植被与建筑物,实现建筑物准确提取。

综合不规则三角网和区域生长的建筑物提取方法

应用激光雷达探测技术(LiDAR)进行建筑物提取其效率一直是工程应用的关键,针对现有先滤波后提取建筑物一类方法效率低下的问题,提出一种综合不规则三角网和区域生长的从原始机载激光雷达数据中直接提取建筑物的方法。首先利用原始点云数据建立不规则三角网,利用三角网中突起物边缘点所在三角形的法向量、边长及高程特征,提取突起物边缘点;然后以提取出的边缘点为种子点,根据三角网连接关系进行区域生长,提取突起物点集合;最后删除集合中点数量较少的非建筑物点集,得到建筑物点集。该方法可直接从原始点云数据中提取出不同建筑物的点集,无需经过滤波操作。通过仿真实验证明该方法在保证建筑物提取准确度的情况下效率有明显提高并且具有一定的适用性。

基于面特征和SIFT特征的LiDAR点云与航空影像配准

针对LiDAR数据与航空影像融合中的配准问题,提出一种将面特征与点特征相结合的配准方法,首先由LiDAR点云生成深度影像,对深度影像和航空影像提取面特征,在此基础上采用SIFT算子提取点特征,完成LiDAR点云与航空影像的配准。文中方法采取了由面特征到SIFT特征的配准策略,减少了面特征配准的数据量和SIFT算法的计算量。从ISPRS提供的数据集中选取了3组数据进行实验,实验结果表明该方法能有效减少SIFT算子的特征描述符的数量,减少寻找正确匹配点的时间,在保证配准精度的情况下提高配准的效率,适用于城市地区等包含大量面特征地区的LiDAR点云与航空影像配准。

建立包裹圆提取建筑物LiDAR点云边缘点的算法

机载激光雷达(LiDAR)数据是离散的三维点云,同一个建筑面的三维激光脚点具有随机分布的特性,并且由于建筑本身形状的多样性和复杂性,以及建筑物周围环境的复杂性,导致从LiDAR数据提取建筑物轮廓线变得更加困难。提取建筑物的轮廓线,最关键的就是提取LiDAR数据中建筑物的边缘点。文中提出一种改进的提取LiDAR点云数据边缘点方法:设定具体的半径和阈值,把LiDAR点云数据中存储的每个点作为圆心建立包裹圆,求得点云数据中其他点到该点的距离,并统计落在包裹圆内点的个数,通过每个包裹圆内点的个数跟设定的阈值进行比较,从而确定该点是否为边缘点。通过仿真发现,文中算法与alpha shape算法相比,在保持边缘点提取效果的基础上,极大减少了运行时间,总体效率有了显著地提高。

融合光谱特征和几何特征的建筑物提取算法

机载LiDAR点云系统由于获取三维立体信息方便、快捷,已被广泛应用到城区目标的提取与识别中,但LiDAR点云数据缺乏光谱特征,对建筑物提取识别时常在植被茂密的树冠处出现错检现象。针对这一问题,提出了融合航空影像光谱特征与LiDAR点云几何特征的建筑物提取算法。通过LiDAR点云数据与航空影像数据的配准,实现了点云数据光谱信息的提取;通过改进传统的张量投票机制,融合光谱特征与空间几何特征形成了新的融合分类特征;运用随机森林算法实现了建筑物点的提取。仿真实验基于ISPRS提供的测试数据集进行,通过对比融合光谱特征前后的实验结果可知,所提算法的精度明显提高,提取质量达到94.26%,证明了融合光谱特征对于建筑物提取精度提升的重要作用。