布料模拟算法的参数设置对点云分类结果影响分析

无论是通过点云数据建立高精度DEM还是对点云数据进行语义分割,首先需要准确分离地面点与非地面点。布料模拟算法是专门用于地面点与非地面点分割的算法,自提出以来便受到广泛关注。本文选取平地、缓坡、陡坡三种不同地形环境数据通过布料模拟算法对点云进行地面点与非地面点分类,得出布料模拟算法应用特点以及不同场景参数下布料分辨率,最大迭代次数和分类阈值对分类结果的影响,并给出参数设置原则,对使用布料模拟算法进行地面点分类具有一定参考意义。

改进的布料模拟算法在多波束点云粗差剔除中的应用

针对目前多波束滤波需要人工剔除的现状,在布料模拟滤波算法(cloth simulation filtering,CSF)基础上,提出了一种基于点云分割和自适应参数调整改进的CSF算法。先对多波束点云数据进行分割,然后根据点云数据的面积和标准差调整每块CSF算法的参数,再构建布料滤波模型剔除粗差点,最终将分割后的点云拼接生成水下地形点云数据。结果表明,本文算法与CSF算法相比,克服了过度滤波现象,而且对于不同地区与人工方法粗差点剔除比分别从1.03下降到1.01和从1.46下降到1.19;与人工剔除粗差相比,避免了遗漏粗差点,人工干预很少。

数学形态学与布料模拟滤波算法适用性分析

基于数学形态学的点云滤波算法具有原理简单、实现效率高的特点,因而被众多学者研究,并进行与之相关算法的改进。近几年提出的布料模拟的滤波算法(CSF),因其用户定义的参数少且易于设置,开始受到广泛关注。选取15组实验样本分别对2种算法进行滤波实验,并进行适应性分析。结果表明,2种算法在地形平坦区域都能取得理想的滤波效果,在城市等综合复杂地形区域取得了相对较好的滤波效果,在乡村等地形陡峭复杂区域滤波效果较差。

一种顾及地形特征的自适应阈值改进滤波算法

针对布料模拟滤波算法在复杂地形存在的问题,提出一种顾及地形特征的自适应阈值改进滤波算法:先将点云格网化后表面拟合,保留地形的基础起伏;然后根据分割后的点云,调整相关参数;最后通过计算真实高程与拟合后高程值离差标准化作为距离阈值的判断条件,进一步提高滤波结果的准确性。选取不同地形特征的区域对算法进行了实验验证与分析,结果表明:与原算法相比,改进算法减缓了过度滤波现象,可以较精确的区分地面点和非地面点,人工干预少精度较高且适应性强。

基于车载激光雷达点云数据的预处理研究

随着人们对数字化城市的探索以及点云数据获取方式飞速的发展,点云已成为继二维栅格的影像数据和结构化的矢量地图数据后的第三类空间数据,具有最接近物理世界刻画的数据表征能力。点云数据的预处理包含点云下采样、点云去噪和点云滤波等,点云预处理是后续进行点云分割、三维重建等操作的关键步骤。以车载激光雷达点云数据为研究内容,提出布料模拟滤波算法对车载点云数据进行滤波操作,并与数字形态学滤波和坡度值滤波进行对比,结果表明布料模拟滤波算法的Ⅱ类误差在10%以内,要小于其余两种算法,且参数设置较为简单,更有利于点云归一化。

车载激光扫描点云数据的道路标线自动提取方法

随着无人驾驶、智慧城市建设技术的发展,能够高效、准确地提取城市道路标线尤为必要,本文根据道路标线在车载激光扫描点云空间场景中的强度特征以及几何形态,提出了一种联合布料模拟滤波(CSF)算法、强度特征图像以及边缘检测的道路标线提取新方法。首先利用CSF算法从原始车载点云数据中提取出地面点;其次将地面点转换生成强度特征图像,基于强度特征特性图像进行图像边缘检测以及连通分析提取的标线边缘;最后引入高斯混合模型(Gaussian mixed model)对标线候选点进行分类,剔除地面噪声点。为检验本文提出算法的效果,使用两种不同类型道路点云数据进行实验,结果表明,本文提出算法道路标线提取结果的平均完整率、准确率以及综合提取质量分别为92.5%、85.9%、89.0%,均优于对比模型,验证了本文提出算法的可靠性与优越性。

基于机载LiDAR点云数据的建筑物三维模型重建方法研究

根据建筑物点云的分布特征,提出一种机载LiDAR点云建筑物三维模型重建方法。首先,利用布料模拟滤波算法剔除地面点,实现包含建筑物点云在内的非地面点提取,并利用最大类间方差法提取建筑物点云;其次,使用Alpha Shape算法提取建筑物点云中边缘点,并规则化处理建筑物轮廓线,通过屋顶分割算法提取建筑物屋顶信息;最后,使用SharpGL工具进行建筑物三维模型重建。以某地级市某地区机载LiDAR点云数据为例进行实验,结果表明该方法进行建筑物三维模型重建具有较高的精度与效率,适用于城镇复杂区域建筑物三维模型重建。

基于CSF的无人机影像数据点云滤波算法实现与应用

基于无人机影像匹配点云数据技术,提出利用布料模拟滤波算法(Cloth Simnlation Filter,CSF)进行点云滤波计算,结果表明:布料模拟滤波算法在点云滤波匹配过程中,仅需要对六个参数进行简单设定就可以达到预期的地面点和非地面点的滤波匹配效果,地面点的匹配误差率为4. 9%,非地面点的误差匹配率为8. 4%,总体误差匹配率为6. 49%,表明布料模拟滤波算法匹配效果较好,匹配操作过程简单,具有较强的可操作性和可行性。

基于车载激光雷达的点云道路标线提取方法

车载激光雷达扫描技术对道路信息提取具有重要的现实作用,而道路标线作为道路的重要组成部分,是自动驾驶、全息城市建模不可或缺的信息之一。从车载扫描点云数据中自动、快速、准确地提取出道路标线是当前研究的一个难点,通过布料模拟算法从车载点云数据中提取出地面点云,将点云格网化,用反距离加权插值方法计算格网内点云强度值得到强度值矩阵,对该矩阵进行均值池化计算,设定阈值将矩阵二值化并反投影出标线点云,对标线点云进行高斯滤波得到精化的道路标线点云。实验表明,该算法提取的平均准确率为86.8%,平均完整率为91.3%,平均综合提取质量为88.8%,能够完整且准确地提取出标线点云。

利用倾斜影像重建点云的建筑物变化检测

城镇空间建筑物的变化检测是分析城市空间格局变化的一项重要内容。针对利用卫星影像检测建筑物变化过程中噪声、复杂边界等干扰难题,本文从不同期倾斜影像重建点云中自动提取建筑物平面和高度两个维度的准确变化信息。首先采用布料模拟滤波算法较大程度上减少地形点的影响;然后利用一种动态图神经网络深度学习方法,有效地检测出点云中的建筑物,通过前后两期点云分类后结果对比提取出建筑物的三维变化信息;最后选取杭州市萧山区局部区域的两期倾斜摄影测量密集匹配点云数据开展分析验证。结果表明,本文方法能够在大范围内快速实现可靠的建筑物变化检测,建筑物平面和高程两个维度的变化信息均有很好的反映,为城市精细化管理提供了一种有效方法。

基于无人机影像密集匹配点云的传统村落地面点提取及DEM生成——以湘西德夯村为例

目前,针对利用无人机技术在山地起伏大、山体植被密集区域,难以获取地面点及DEM等问题,本文提出了一种结合布料模拟算法和改进的局部最大值算法,利用树顶点、树高等植被信息,提取地面点,进而生成整个区域的DEM的方法。以中国传统村落德夯村为例,利用植被系数和高程信息将点云分割为植被密集区和非植被密集区两个部分。在非植被密集区,通过布料模拟算法和改进的局部最大值算法分别提取地面点和树顶点,计算平均树高;在植被密集区,通过该区域的树顶点推算得到植被密集区的近似地面点,最终将两部分的地面点云进行TIN插值得到该地区的DEM。试验结果表明,利用此方法生成的DEM均方根误差,在非植被密集区达0.037 m,植被密集区可达1.606 m,整体平均误差达1.492 m,总体精度较好,基本可以满足村落尺度空间分析的需求。

利用激光点云数据进行露天矿采剥工程量的计算方法

露天矿测量验收主要采用全站仪等单点式测量的方式,存在采样密度低、测量周期较长等不足。针对以上问题,采用三维激光扫描技术在露天矿中获取点云数据,并通过布料模拟算法和三角网计算体积算法,计算得到采剥工程量。经实验验证,与传统三角网体积计算法得到的采剥工程量相比,精度提高了2.3倍。

基于机载激光雷达点云数据的道路标识线提取

针对道路高精度地图采集中道路标识线快速分类提取问题,提出一种基于机载激光雷达(LiDAR)点云数据提取道路边缘线及道路标识特征信息提取的方法。首先利用点云地面点滤波(CSF)算法进行点云滤波,之后将点云生成强度特征图像,其次利用双边滤波Canny算法进行道路边缘线及道路标识特征信息检测,考虑到路面标识线缺失的情况,利用两次连通分析(Two-pass)方法对边缘检测结果进行连通域分析,最后制定约束识别规则,从而达到道路标识线精细化。通过机载雷达扫描系统获取的高速公路点云进行多项试验,结果显示,该方法在LiDAR点云中能够很好地获取道路边缘线及道路标识线的信息,具有实用性强、鲁棒性好的特点。

一种LiDAR点云建筑物三维模型重建方法的研究

本文根据建筑物点云的分布特征,提出一种优化的机载LiDAR点云建筑物三维模型重建方法。首先,利用布料模拟滤波算法剔除地面点,实现包含建筑物点云在内的非地面点提取,并利用最大类间方差法提取建筑物点云,其次,使用Alpha Shape算法提取建筑物点云中边缘点,并规则化的建筑物轮廓线,提取建筑物屋顶信息。最后,使用SharpGL工具进行建筑物三维模型重建。以杭州市某地区机载LiDAR点云数据为例进行实验,结果表明利用本方法进行建筑物三维模型重建具有较高的精度与效率,适用于城镇复杂区域建筑物三维模型重建。

机载LiDAR点云数据滤波方法研究

为了改善地形复杂区域机载激光雷达点云滤波效果,本文提出了一种结合布料模拟滤波与改进不规则三角网的机载LiDAR点云滤波方法。该方法实现机载LiDAR点云滤波的主要步骤为:首先,使用KD树算法将原始点云数据中的粗差剔除;其次,使用CSF对粗差剔除后点云数据进行滤波,滤除建筑物等高大地物点得到初始地面点;最后,使用改进的TIN算法对初始地面点进行进一步精滤波,得到最终地面点结果。为了对本文提出方法的有效性与优越性进行检验,使用两组实验数据进行滤波实验,结果表明本文点云滤波方法可有效降低Ⅰ类、Ⅱ类误差,对不同地形条件进行点云滤波均有较高的准确性。