基于RANSAC平面检测种子点的机载屋顶点云提取方法

机载激光雷达技术已经成为快速获取城市建筑三维数字模型的有效手段,而建筑物屋顶点云提取则是建筑物三维数字模型重建的关键。针对该问题,本文提出了一种基于随机抽样一致算法(RANSAC)平面检测种子点的机载屋顶点云提取方法。首先,通过近地点分离将地面点从点云中分离出来,保留建筑物点云和少量树冠点云。然后,利用RANSAC平面检测选取种子点,这些种子点几乎全部为屋顶点,且非屋顶点比例极低。接下来,将种子点作为初始增长点,利用种子点与其邻域点法线夹角和Z方向上的距离差值作为聚类特征,进行屋顶点提取。实验结果表明,该方法在不同数据集上取得了良好的屋顶点提取效果。点云密度对屋顶点提取结果有一定影响,较高的点云密度有利于提取几何特征明显的屋顶点。此外,通过该方法选取的种子点准确性较高,非屋顶点的影响非常有限。综上,该方法能够有效地提取机载点云中的屋顶点,为建筑物三维重建和城市规划等应用提供了重要的数据支持。

机载LiDAR点云数据的建筑屋顶面提取算法

针对机载LiDAR点云数据的屋顶面提取过程中因受植被影响导致提取精度低的问题,提出了一种基于区域生长的屋顶面点云提取算法。进行滤波处理得到非地面点云,利用屋顶面点云邻域特征信息提取屋顶面种子点,引入植被指数和RGB差值信息作为生长约束条件对屋顶面点云进行生长分割,利用屋顶面的高程与面积值对提取结果进行过滤优化,得到屋顶面点云。选取了农村、城市、工厂三组不同场景的测试数据进行实验,结果表明:Kappa系数分别达到了97.29%、97.82%、97.13%,算法可实现较好的建筑屋顶面提取效果,且针对不同建筑场景具有良好的适应性。

基于机载LiDAR数据的建筑屋顶点云提取方法

机载激光雷达技术已经成为快速获取城市建筑三维数字模型的有效手段,而建筑物屋顶点云提取则是建筑物三维数字模型重建的关键.为有效剔除植被和墙面点云,以及消除地形起伏对建筑点云提取精度的影响,提出一种层进式屋顶点云提取方法.首先对Li DAR点云进行滤波,在此基础上利用点云回波特性和点云法向量检测并删除非地面点中特征明显的植被点和建筑物墙面点,然后利用连通成分分析法对非地面点聚类得到初始建筑点,最后结合DTM并利用建筑物面积和高度信息分离得到建筑物屋顶点云.试验结果表明,本方法能有效地从机载点云数据中快速提取建筑屋顶点云,有效率可达85%以上.

基于法向量密度聚类的LiDAR点云屋顶面提取

针对现有算法从LiDAR点云中提取复杂建筑物屋顶面不完整、阈值难以设置的问题,提出一种结合点云空间分布的法向量密度聚类提取屋顶面点云方法。通过构建Delaunay三角网,计算建筑物LiDAR点云的法向量;在分析建筑物点云空间和法向量分布特点的基础上,定义一种邻域关系度量屋顶面点云之间的相似性,并利用提出的算法聚类建筑物点云,得到屋顶面片点云粗提取结果;通过构建屋顶面片缓冲区,经面片处理得到建筑物各屋顶面的完整点云。选取不同复杂程度的建筑物进行实验,结果表明,算法能有效提取复杂建筑物屋顶面点云,具有较好的适应性,并能为建筑物三维重建提供可靠的屋顶面信息。

机载LiDAR点云建筑物屋顶轮廓线自动提取研究综述

建筑物作为城市中最主要的人工地物,其三维模型是智慧地球建设的重要数据支撑,实现精准自动化三维重建至关重要。机载激光雷达(Light Detection and Ranging,LiDAR)技术因具有环境约束小、操作成本低、采集速度快、数据精度高、可全天候获取地物空间信息等优势,已成为自动提取建筑屋顶轮廓线辅助建筑三维重建的主要数据源。首先对建筑屋顶轮廓线提取技术的发展历程进行简要回顾,再根据以往研究内容总结出一套较为通用的技术流程;该技术流程4个关键步骤为点云滤波、建筑物提取、屋顶轮廓线提取和轮廓线规则化;对每一步骤的实现方法、常用算法、发展现状以及面临问题进行详细阐述和对比分析。最后,对本技术面临的挑战和未来发展趋势进行讨论。

结合超体素与区域增长的LiDAR点云屋顶面分割

针对传统区域增长算法易受噪声影响且局部分割性能不稳定的问题,提出了一种结合超体素与区域增长的屋顶面片点云分割算法。利用八叉树组织初始点云数据,基于点云的欧氏距离和法向量信息两个约束分割点云获得超体素。结合超体素结构特征,改进种子点选取准则,在超体素的光滑性和表面几何特征约束下进行点云区域增长,提取屋顶面片点云。选取不同复杂程度的建筑物LiDAR点云进行实验,结果表明,结合超体素与区域增长算法能有效提取复杂建筑物屋顶面片点云,提取率高且具有较好的适应性,可以为基于机载LiDAR的建筑物三维模型重建提供可靠的屋顶面信息。

结合规则性约束与张量投票的建筑物点云提取

城市三维建模是构建智慧城市、数字地球的重要环节,建筑物屋顶提取则是三维建模中的关键步骤。从机载激光点云中准确地提取出建筑物信息,有着重要的研究价值。考虑到机载点云中临近的树木点云与建筑物点云较难区分,本文基于建筑物点云的几何特征,提出一种结合规则性约束和张量投票模型提取建筑物屋顶点云的方法。采用渐进三角网滤波方法初步过滤出非地面点云,再根据屋顶点云的紧密度和几何规则性,初步提取建筑物点云,在此基础上,进一步采用张量投票模型去除噪声点及部分混淆的植被点。实验证明了本文方法比单一张量投票方法提取结果更准确、可靠。

基于点云数据的山区建筑物屋顶轮廓线提取研究

山区建筑物由于地势起伏大、周边植被茂盛等特点使得传统屋顶轮廓线提取算法应用效果较差。根据研究区域的地理特征,对轮廓线提取算法进行了改进,即以点云数据的曲率值为影响因子来评价离散程度,对离散程度高的数据选取曲率的最小值为种子点,对离散程度低的数据选取曲率的平均值为种子点。该方法与传统轮廓线提取算法相比,提高了屋顶轮廓线提取结果的精确度和连续性。