基于多维度特征和MLP的岩体点云植被滤波方法

岩体点云滤波是岩体三维重建的关键环节。针对岩体点云环境,提出一种基于多维度特征和多层神经网络的植被滤波方法。该方法首先计算点云中每一点的多维度特征作为特征输入;然后利用多层神经网络构建分类器实现对岩体点云数据的植被滤波过程。分析多维度特征的可用性,并通过不同的实验过程筛选最优网络模型参数。与其他分类器相比,本算法精度较高,能够更好地应用于岩体点云植被滤波领域。

方向自适应的星载光子计数激光测高植被冠层高度估算

星载光子计数激光测高系统具有较高的沿轨距离分辨率,能够探测得到植被冠层和地表的连续高程信息。然而星载植被点云的低点云密度和低信噪比,对植被相对冠层高度的估算方法提出了新的要求。本文提出了一种方向自适应的星载光子计数激光测高植被点云冠高估算方法。首先通过寻找点云高程统计直方图中代表冠层和地面位置的极值进行粗去噪,大致得到信号高程所在的范围,并估算出冠层,地面和噪声点云的平均密度以及地表坡度。随后对粗去噪后的点云进行方向自适应的密度聚类精去噪,其邻域的方向为地表坡度,与密度有关的阈值均根据估算出的点云密度自适应的做出调整。在滤波后,结合点云的密度和高程百分比分别找出地面与树冠顶端的初始点,并通过三角网方法(TIN)扩展初始点以进行分类,最终确定地表与树冠顶端的高程。采用ATLAS星载激光测高仪的植被点云对算法进行了验证,结果表明算法能够正确估算植被冠高,十分适用于坡度较大和叶面积指数较低的地区,其中冠顶与地面的高程和机载LIDAR数据高程的决定系数R^2分别为0.99与0.77,均方根误差RMSE为0.28 m与2.6 m。

基于无人机LiDAR点云的多类型植被覆盖滩涂地形滤波

滩涂是宝贵的自然资源,其地形的高精度反演具有重要科学价值,而现有技术和方法存在较大的局限性。无人机激光雷达技术可快速获取大范围滩涂高精度、高密度的三维点云数据,是滩涂地形反演的重要技术之一。如何对点云数据中滩涂植被进行高精度滤波是地形反演要解决的技术难点,尤其是当滩涂覆盖有茂密的异质性植被(如不同种类和几何形态)时,对滤波算法的通用性和鲁棒性提出了更高的要求。以上海崇明西滩湿地某一滩涂作为研究区域,选取草丛、灌木和高大乔木3类典型植被覆盖的局部区域,利用基于坡度滤波、渐进数学形态学滤波和布料模拟滤波3种常用的点云滤波算法进行点云数据处理,比较分析了3种方法的适用性。结果表明:布料模拟滤波对于3个典型区域实验结果的总误差分别为1.57%、0.16%和0.23%,Kappa系数分别为96.74%、98.70%和99.30%。相较于其他两种算法,布料模拟滤波精度更高,更适用于多类型植被覆盖滩涂区域。因此,采用布料模拟滤波对整个研究区域进行处理,取得了较好的滤波效果,与真实地面吻合度较高。最后,通过克里金插值得到整个研究区域高精度的地形数据。