基于向量角度差和拟合曲线融合的建筑物点云提取方法

为了提升城市建筑物提取完整度并消除植物的影响,提出一种向量角度差和拟合曲线融合的建筑物提取方法。该方法以扫描线为研究对象,通过计算相邻方向向量角度差提取平面屋顶;利用曲线拟合计算同一扫描线内数据点的残差值,基于多数抽样样本建立残差阈值进而提取曲面屋顶;最后,通过细化后处理完成建筑物提取。选取典型城市实验区数据集,并与成熟的不规则三角网法(triangulated irregular network,TIN)进行对照实验。结果表明:所提方法能够更有效地提取曲面建筑以及抑制植物的影响,测区总体精度和kappa系数分别为98.96%和0.9148,优于TIN算法。该方法具有运算简单,稳定性高等特点,为有效解决曲率复杂和具有高差突变性的建筑物屋顶提取问题提供了思路。

基于语义信息的机载LiDAR建筑物点云提取

本文研究了机载LiDAR数据中建筑物点云提取的算法。首先,分析典型地物点云的分布特征及规律,形成语义信息;利用TIN的数据组织形式,以三角形边长、面积、坡度、相邻三角形坡向等语义信息作为限制条件将植物点剔除;再利用高程分布直方图确定阈值,剔除地面点,进而得到建筑物点集。选取机载LiDAR数据进行实例验证,并将本文算法与其他两种算法进行了对比。结果表明,本文算法能较好地提取建筑物屋顶点集,精度高于内插类算法,提取效果优于未考虑语义信息的算法。

结合OTSU与迭代三角网的机载LiDAR建筑物点云提取

针对机载LiDAR建筑物点云提取过程中受地形影响参数设置困难,建筑物、树木难以区分等问题,提出一种结合最大类间方差法与迭代三角网相结合的机载LiDAR建筑物点云提取算法。在已有滤波结果的基础上,首先采用最大类间方差法对滤波得到的非地面点进行预处理,提取初始建筑物点;然后运用改进的迭代三角网方法对初始建筑物点云进行精确提取,得到最终的建筑物点云。实验选取国际摄影测量与遥感协会提供的三组LiDAR点云数据进行建筑物点云提取。结果表明,该算法可以较好地实现建筑物点云的高精度自动提取,且对不同屋顶类型以及地形具有良好的自适应性,验证了算法的可靠性。

机载LiDAR建筑物点云渐进提取算法

针对机载LiDAR建筑物点云提取过程中易受植被的影响的问题,本文提出了一种机载LiDAR建筑物点云的渐进提取算法。首先通过布料模拟滤波算法对地面点云与非地面点云进行区分,在此基础上利用最大类间方差法算法(Otsu)对非地面点云进行阈值分割,提取初始建筑物点云;然后根据点云的连通性对初始建筑物点云进行密度聚类分割(DBSCAN),剔除离群噪声点;最后通过Alpha Shape算法实现建筑物点云的边缘提取。本文选取ISPRS官网提供的3组典型城区LiDAR点云数据进行试验,试验结果表明,本文算法可达到较好的建筑物点云提取效果。