改进的渐进加密三角网机载点云滤波方法

针对渐进加密三角网滤波算法在林区机载点云滤波中存在种子点选取困难和精度较低的问题,提出了一种适合林区点云数据的改进渐进加密三角网滤波方法。该方法首先使用去噪算法(SOR)对离群点进行剔除,然后采用布料模拟和局部薄板样条插值方法获取大量均匀可靠的地面种子点,最后利用改进的渐进加密三角网滤波方法进行滤波,迭代运算进而得到地面点。使用6组标准数据和3组林区数据进行实验,标准数据的平均总误差和Kappa系数分别为2.16%和84.96,林区数据的平均总误差为4.62%。实验结果表明,改进方法适用于复杂的林区机载点云滤波,且提高了滤波精度。

针对山区点云的渐进加密三角网滤波改进算法

利用机载LiDAR点云滤波快速提取高精度数字地面模型已在测绘领域得到广泛应用。针对渐进加密三角网滤波算法在处理地形起伏较大地区出现山脊被削平现象,提出一种基于规则约束的山脊处种子点提取方法。通过优化种子点,使得地面点加密在更加完整的初始地表上进行,滤波结果呈现山脊被削平现象则大大改善,提升了渐进加密三角网滤波算法对山区地形的处理能力。实验结果表明,通过基于规则约束的山脊处种子点提取方法提取到的种子点正确率达93%,利用滤波结果生成的数字高程模型(DEM)与参考DEM高程差值的RMSE由3.72 m提升到0.88 m,证明了通过优化山脊处种子点可切实提高PTD算法对山区地形的滤波精度。

大范围密集点云渐进加密三角网滤波改进算法

针对传统渐进加密三角网滤波算法处理大范围密集点云效率较低,同时低点噪声影响滤波精度的问题,该文提出了一种渐进加密三角网滤波改进算法。在对大范围密集点云进行抽稀、低点噪声过滤以及分块处理基础上,采用并行方式对分块点云进行滤波,滤波过程中通过标记三角网状态以及限制最短边长加快迭代速度,最后将各分块滤波结果合并得到完整的地面点云。经实验表明,该算法能提升点云滤波效率,且点云范围越大、点密度越高,效率提升越明显;通过低点噪声过滤,减小了滤波结果的Ⅰ类误差。通过对不同场景的点云进行滤波处理,验证了算法的适应性。

基于渐进三角网的多波束滤波算法研究

多波束测深过程中,由于受到各种要素干扰,数据会生成大量异常值。异常值(通常称为噪声)剔除是多波束数据处理过程中的关键。当前常用的趋势面滤波算法主要是建立水下地形的曲面,对于噪声点与所建立曲面对比完成多波束噪声的过滤。针对多波束噪声剔除问题,提出了渐进三角网加密(progressive TIN densification algorithm,简称PTD)算法,选取最低水深点。利用Grubbs算法选取最低水深点,通过Delaunay三角剖分建立三角网构筑海底模型,利用三角网边长、角度与距离作为判断阈值,分离噪声点与水深点。以温州海域航道水深测量为例,与Caris软件中CUBE算法处理结果以及传统趋势面算法进行对比,验证渐进三角网加密算法的实用性和优缺点。

渐进三角网加密滤波辅助的布料模拟滤波

为了提高布料模拟滤波(CSF)算法处理复杂地形时的精度与适应性,本文提出了渐进三角网加密滤波辅助的布料模拟算法(CSFPTD)。该方法首先根据地面点云回波次数特点提取单、末次回波点云,以提高点云处理效率,在此基础上,采用渐进三角网加密滤波算法提取地面点,建立宏观反映复杂地形特征的粗数字地面模型(DTM),对点云进行高程归一化处理,消除地形起伏对点云滤波结果的影响,最后CSF实现点云精细滤波。对CSFPTD算法与经典CSF算法进行了对比实验,其中,Ⅰ类误差由11.81%下降到7.48%,Ⅱ类误差由1.90%下降到1.23%,总误差由4.05%下降到2.58%。实验结果表明:CSFPTD算法在综合复杂地形下的滤波精度明显提高,提升了算法的地形适应性。

多核处理器的机载激光雷达点云并行三角网渐进加密滤波方法

滤波是机载LiDAR点云数据处理的关键步骤之一,点云数据的海量化特性使得一般的串行化滤波处理方法无法满足快速成图的应用需求。提出一种基于多核计算技术的并行三角网渐进加密滤波方法,将串行方法中最耗时的三角网构建与脚点判别过程进行了并行化改造。三角网构建算法的并行化基于分治法实现,脚点判别算法的并行化采用一种随机分配策略将三角网划分为多个离散分布的三角形子集合来实现负载均衡。并行滤波方法在8核环境下多次渐进加密的实际加速比达到3.1左右。试验证明,该方法可以充分发挥多核计算优势,并且对不同分布形态点云数据具有良好的适应性。

一种改进的渐进加密三角网点云滤波算法

针对渐进加密三角网滤波算法中初始不规则三角网对地形近似模拟的精度问题,该文提出了一种改进的渐进加密三角网滤波算法。该方法利用扩展局部极小值法,在包含点云的格网中提取待定种子点,并采用最邻近插值法获取不包含点云的格网高程;然后设定阈值来判断局部薄板样条插值的邻域高差,确定最终种子点;最后构建初始不规则三角网并迭代加密。结果表明,该方法能提高地面种子点提取的准确率,并进一步提高点云滤波的质量。

一种基于地形预分类的渐进加密点云滤波方法

经典的渐进加密三角网算法采用同一套参数难以在平地/山区混合的机载激光点云数据中取得良好的滤波结果。针对该问题,提出了一种改进的、基于地形预分类的渐进加密滤波方法。首先利用单一参数进行初次滤波,并根据滤波结果获取地形预分类结果;然后针对平地/山区地形特点,利用不同参数进行二次滤波,得到不同地形更精细的滤波结果;最后对不同地形的地面点进行合并,生成最终滤波结果。实验结果表明,基于地形预分类的渐进加密滤波方法生成的数字高程模型的均方根误差为1.733 m,显著优于经典方法。

面向复杂山区微地貌的手持LiDAR点云滤波方法比较

本文以手持激光点云数据是否可用于进行复杂山地土壤侵蚀和地表剥蚀测量为典型实例,试验对比分析了渐进加密三角网滤波算法、坡度滤波算法及布料模拟滤波算法在地面激光雷达点云分类中的性能。具体分别采用了3种滤波对应的参数对试验数据集进行测试以获得最高性能,并对比分析而获得每种算法的最优滤波。试验结果表明:对于平缓裸露地貌的滤波处理,布料模拟滤波效果最好,渐进加密三角网滤波次之,坡度滤波算法效果最差;对于复杂山地地貌的滤波处理,渐进加密三角网滤波算法滤波效果最好,布料模拟滤波次之,坡度滤波算法效果最差。试验研究成果为优化滤波算法的参数以提高其检测微地形变化的性能提供了有价值的信息,并验证了渐进加密三角网滤波在复杂地区滤波效果的有效性。

基于多回波Jaccard系数的近地点滤波算法

点云滤波是机载LiDAR(Light Detection And Ranging)点云处理的关键技术之一,为了提高地面点滤波的精度,在滤波算法PTSD(渐进加密三角网)所获得地面点的基础上,文中提出一种近改进的地点滤波算法,利用植被测区KNN(k-Nearest Neighbor)最近邻搜索结合多回波Jaccard系数,有效分离了近地植被点,将近地植被点的识别率提高了13.94%。

面向水库大坝形变监测的三维激光扫描点云分析方法

根据黄龙带水库大坝两期高精度三维激光大坝扫描点云数据,本文提出基于正态分布的点云数据配准算法、改进原始渐进加密三角网滤波算法,运用点到面形变量对比分析模式监测大坝形变量,并进行源程序开发,实现一体化监测点云数据的加工、对比分析及建模处理。通过结果验证显示:(1)改进后的算法效率高、精度优,适用于大坝点云数据处理和对比分析;(2)开发的点云数据一体化处理软件简单易用,能够精准反映坝体变形情况;(3)黄龙带坝体稳定,尚无安全隐患。

基于三角网滤波和支持向量机的点云分类算法

为了提高城区机载激光雷达点云数据分类算法的自动化程度和分类精度,提出一种基于渐进加密三角网和双层支持向量机的点云分类算法。采用渐进加密三角网滤波提取地面点,在地面点的基础上对地物点进行归一化处理。对点云特征有效性进行评估,选取特征向量并用最邻近支持向量机(NN-SVM)对地物点进行分类,实现对城区点云数据的多元分类。利用城区点云数据验证该算法,通过分析分类精度对分类效果进行评价。结果表明,该算法有效提高了点云数据分类精度,实现了对城区点云数据的有效分类。

一种机载LiDAR点云组合滤波方法的研究

机载LiDAR点云处理技术已广泛应用于测绘工程领域。为了在实际应用中获取更精确的滤波结果,提升在复杂地形场景下点云滤波的自适性和DEM生成的精度,通过对各滤波算法优缺点分析,提出了一种组合滤波方法。该方法综合了改进渐进加密三角网滤波、邻域高差滤波和平面拟合滤波算法的优点,具有更高的自适性和近地点处理能力。经过对室外综合场景LiDAR点云进行滤波实验,结果表明,该方法解决了IPTD滤波算法在陡坡和山顶区域难以保留地形特征的缺点,有效过滤了近地点噪声,增强了滤波算法的自适性,具有较好的实用价值。

机载雷达点云数据提取地面DEM的方法研究

通过无人机机载激光雷达采集研究区点云数据,研究数据处理方法与算法的优化,以高效地提取地面数字高程模型(DEM)。本文利用大疆禅思L1、大疆智图和TerraSolid软件进行采集数据并去噪、地面点粗分类和精分类等处理,建立数字高程模型。结果表明:(1)航高100m时点云数据平均密度为346.570个/m^(2),经人工处理后平均点密度为19.873个/m^(2);(2)新算法可提高数据精度和处理效率,生成DEM的高程中误差为0.3m~0.5m。

高植被覆盖复杂山区机载激光LiDAR点云分类与处理

机载激光雷达拥有一定程度的植被穿透能力,可从植被覆盖的复杂区域获取植被与山体地貌等多种数据,并根据不同地物的特性进行数据分类、处理,以获得测绘或实验用数据。该文以重庆市奉节县区域内所获取的点云数据为例,先对原始点云数据进行预处理,使用渐进加密三角网滤波算法进行地面点分类,最后生成数字高程模型(DEM)。实验表明,现有的机载LiDAR技术已经基本满足在高植被覆盖山区等复杂地形的使用,为以后的工程和测量提供了新的思路。

基于地表覆盖类型的山区点云滤波方法研究

现有点云滤波算法对山区适用性差,易造成滤波后地面点云系统偏低。从点云非地面点产生的原因出发,对地表覆盖类型进行分类,利用现有成熟的植被、建筑物等地表覆盖物提取算法,提取并剔除点云非地面点,从而实现点云滤波。经与现有成熟的改进的渐进加密三角网滤波算法进行定性定量分析,结果表明:(1)基于地表覆盖类型的复杂山区点云滤波算法获取的地面点云与实测剖面更接近,无明显偏差。(2)基于地表覆盖类型的复杂山区点云滤波算法剖面高程较差均值为-0.05 m,中误差为0.46 m;渐进加密三角网滤波算法较差均值为-0.44 m,中误差为0.70 m。得出结论:基于地表覆盖类型的复杂山区点云滤波方法精度优于改进渐进加密三角网滤波算法;较传统面向地面点的滤波算法,基于地表覆盖类型的点云滤波算法对山区地形具有适用性更强,自动化程度更高,提取精度更高等特点,为山区复杂地形点云滤波提供新的解决方案。

基于PTD和改进曲面拟合的高山区水电工程机载激光雷达点云滤波方法

针对高山区水电工程区域地形起伏大、植被茂密且存在部分建筑物,在提取这些区域地形时机载LiDAR点云滤波方法存在精度不高的问题,提出了一种综合点云回波特性、渐进三角网加密(PTD)算法、改进的曲面拟合算法和地面点精细化处理的山地点云滤波方法。该方法在对机载激光雷达(LiDAR)点云数据去噪的基础上,先利用植被点云的回波特性去除部分植被点,再使用PTD算法进行两次迭代计算获取部分地面点集合,然后将得到的部分地面点集合作为改进的曲面拟合算法的种子点进行格网区域化的曲面拟合来获取原始点云数据中的地面点,最后通过点云的精细化处理去除地面点中夹杂的低矮植被点,以此获得最终的地面点集合。选取DJI-M600搭载HS-600的机载LiDAR测量系统实测数据进行试验,并将提出的滤波方法与PTD算法、曲面拟合滤波算法、区域生长滤波算法和形态学滤波算法进行横向对比,通过点云误分率对滤波方法进行评价。结果表明,与其他4种方法相比,基于PTD和改进曲面拟合的滤波算法的第Ⅰ类误差、第Ⅱ类误差和总误差的最大减小幅度分别为6.25%、1.82%和2.93%,更适用于高山区水电工程机载LiDAR点云数据的滤波处理。

植被茂密地区点云双重滤波方法研究

为了解决目前机载激光雷达点云滤波算法中特征单一、运算效率低、植被覆盖区效果较差等问题,提出一种植被茂密地区的点云自适应双重滤波方法。首先利用回波分离方法,分别提取点云的单次回波和末次回波进行粗滤波处理;然后利用偏度平衡理论进行单次回波的强度阈值确定,同时利用最大类间方差法对首次回波和末次回波的高程差进行高差运算,实现末次回波高差阈值自动化,并融合粗滤波后单次回波和末次回波的点云数据;最后,利用不规则三角网渐进加密滤波算法对融合后的点云数据进行精滤波处理,并通过了实验验证。结果表明,3组数据集的Ⅱ类误差都相对较低,分别为1.06%,1.64%,1.34%。结合回波信息和高差信息的双重滤波方法不仅能较好地剔除植被,而且能较好地保留地形细节。

无人机载LiDAR点云滤波算法研究

针对经典渐进三角网加密(PTD)滤波算法在选择地面种子点时存在随机性,导致点云滤波精度受限的问题,本文提出了一种改进渐进三角网加密(IPTD)滤波算法。在机载点云滤波的实现中,该算法的关键流程包含:首先,采用扩展局部极小值法,在格网内进行深度搜索,精确识别出极小值点,将其作为潜在的地面种子点,从而解决了传统算法中直接将格网内最低点作为地面种子点的问题;其次,采用局部薄板样条函数(TPS)插值法,对格网的高程数据进行高精确度的拟合和计算;最后,基于筛选出的优质种子点,构建不规则三角网(TIN),从而实现点云的精确分类。为了验证本文提出的改进滤波算法的效果,通过设置对比实验,对本文提出的改进滤波算法与传统滤波算法的实验结果进行对比,结果表明,本文提出的改进滤波算法在提升点云滤波精度方面表现出了显著的优势。

机载LiDAR数据的多回波信息分析及滤波方案

本文通过分析机载LiDAR系统获取的激光数据的多回波特性,阐述了多回波信息对地物类型信息的揭示作用,并将多回波特性用于减少参与滤波的激光脚点数量。实验证明,本文提出的滤波方案,可以预先剔除掉大部分的植被激光脚点和部分的建筑物激光脚点,这既减少了参与滤波的数据量,又可以改善滤波算法对建筑物和植被的滤除效果。