改进的密度聚类精确自适应提取LiDAR电力线点云方法

原有邻域半径r_(Eps)与密度阈值p_(MinPts)两个参数的初始赋值导致电力线点云的提取结果存在不确定性,在密度聚类的基础上增添了点云簇类自适应判别方法,该方法避免人员重复测试初始参数的繁琐过程,采用C++语言完成了对该算法电力线精确提取及电力线拟合程序的开发与测试。结果表明:改进后的密度聚类法在电力线点云提取的损失率仅0.02%,三维重建残差为0.213 m;该方法大幅提高了电力线点云提取的准确性与便捷性,适用于高压电力走廊的电力巡检与三维重建等工作。

一种改进的机载LiDAR数据构建DEM地面种子点选取方法

针对机载激光雷达(LiDAR)数据使用传统方法获取的地面种子点密度低,种子点之间空白区域的地形信息缺失,不利于后续提取地面点和构建高质量数字高程模型(DEM)的问题,本文提出了一种基于新的网格遍历规则的地面种子点选取方法。与传统方法中的起始网格在X和Y方向上每次移动1个规则网格宽度不同,该方法每次移动1/2个网格宽度,增加规则网格数量,获取的地面种子点个数相较于传统方法提高约200%,可补充种子点之间空白区域的地形信息,有利于提高后续点云数据处理的精度和相关产品的可靠性。

海量机载LiDAR点云改进滤波算法研究

为了提高机载LiDAR点云滤波算法在点云滤波中的精度与效率,本文在已有的多级移动曲面拟合滤波算法的基础上提出一种多级多窗口移动曲面拟合算法(WHMCFA)。该改进滤波算法能够有效解决HMCFA滤波算法中存在的曲面拟合精度低、粗差率高等问题。同时,为了提高LiDAR点云数据的滤波效率,在WHMCFA的基础上设计并实现PWHMCFA并行滤波算法。将本文改进滤波算法应用于机载LiDAR点云数据滤波处理中,结果表明,与传统滤波算法相比,本文提出改进滤波算法的滤波精度更高,滤波效果更好。

地面LIDAR在滑坡灾害三维实景建模中的应用

为快速获取邻近铁路滑坡体表面的三维坐标,实现对滑坡灾害快速响应和及时治理。以宝兰高铁上庄隧道出口滑坡为例,采用地面LIDAR技术,通过优化布设扫描站点,实现最大扫描范围并保证相邻站间的重叠度,以无靶标扫描方式获取滑坡体及周围地物的点云数据。在RiSCAN PRO软件中利用相邻扫描站间重叠点云进行拼接处理,点云拼接精度为6.9 mm,满足三维建模和地形图制作的精度要求。利用扫描站点坐标、测站全景影像,经过配准、坐标转换、纹理贴附、多边形拟合、曲面光滑等,建立可量测的三维实景模型,为辅助地形图制作和铁路滑坡灾害整治提供便利。研究表明,采用地面LIDAR技术以无靶标扫描方式快速建立铁路滑坡体三维实景模型,具有全天时、全天候、高精度、高密度、无接触的优势,打破了传统人工测量的局限性,提高作业效率,降低外业测量风险,可为同类型地质灾害数据获取及整治积累经验。

LiDAR技术在220kV架空高压线与水闸建筑物安全距离计算和分析中的应用

利用新型激光雷达测量手段,安全、高效、精准测量高压线位置,用于精准计算和分析高压线与建筑物安全距离,并通过数字模型模拟分析高压线极端条件下安全距离,并给出合理建议。

基于车载LiDAR的露天矿场景三维模型构建

三维模型是地质地形数据,可为地质勘探、储量计算及采矿设计提供依据,利用车载LiDAR对露天矿进行快速的三维建模,为露天矿设计和生产管理提供高效、直观的数据支撑。本文对车载激光LiDAR获得的点云数据进行去噪、滤波、地形特征点提取等处理,构建矿区地表三角网,并对三维模型作编辑,所建立的模型与原始点云的最大偏差为4.2 cm、平均偏差为0.02 cm、标准偏差为0.2 cm,模型质量高,该处理方法可完成露天矿场景三维建模。

机载LiDAR技术在矿区地表沉陷灾害监测中的应用

针对传统点位沉降监测的方法耗时耗力且难以大面积监测的问题,以某矿5302工作面为研究区域,利用无人机机载LiDAR技术获取2021年3月和2021年9月两期三维点云数据,通过点云解算、点云滤波、坐标转换等处理提取地面点云,采用Delaunay三角剖分算法进行DEM三角网构建,内插生成精度分别为0.071 m和0.128 m数字高程模型(DEM),通过ArcGIS进行矢量叠加和数据分析。将所提取的沉降结果分别与RTK测量数据和水准数据进行对比分析。实验结果表明,机载LiDAR可以很好地满足大范围沉降监测的需求,且能够较为精确反映沉陷区的沉陷状况,为沉降灾害的预防提供重要数据支撑。

基于机载LiDAR点云数据的历史文化街区重建方法研究

为了提高历史街区重建过程中建筑物轮廓与实际建筑物激光脚点的吻合精度,提出了一种基于机载LiDAR点云数据的历史文化街区重建方法。首先,对机载LiDAR点云数据作预处理,去除点云数据中的噪声。其次,利用区域生长算法对激光脚点作分割,完成建筑物点云数据的获取。之后,采用Alpha Shape算法提取建筑物特征信息,得到轮廓线,再通过管子算法将轮廓线规则化。针对多边形轮廓线,采用分类强制正交法对其作规则化。最后,通过平面拟合、直线拟合等方法,对历史文化街区进行三维重建。结果表明,所提出的重建方法在提取建筑物轮廓时,激光脚点吻合更精确,并且重建耗时为25 min,优于文献所提的2种方法。基于机载LiDAR点云数据的历史文化街区重建方法,可以在一定程度上提高历史文化街区的重建质量,并为其他历史文化街区的保护与更新提供借鉴。

结合物理与几何特性的机载LiDAR数据分类方法

机载LiDAR数据分类是根据数据特征为每个点指定类别标签。针对现有方法忽略全波形与点云在物理特性上的关联、缺乏对邻域几何和语义相关性的深入挖掘,从而导致捕获局部结构能力不足的问题,搭建了结合目标物理与几何特性的分类方法,实现了由全波形和点云组成的机载LiDAR数据端到端分类。首先,构建了特征融合模块,提取了全波形时序特征和点云几何特征,依据两种数据物理意义上的关联,通过双低秩矩阵实现了全波形与点云特征级融合。其次,构建了邻域特征增强模块,挖掘点对相关性,增强对局部几何结构的学习。最后基于层次化编解码结构搭建了分类网络。该网络在机载LiDAR数据集上测试,达到平均精度0.96、平均召回率0.90、平均F1分数0.92,证明了网络的有效性。

机载LiDAR技术在黄河流域高精度精细DEM生产中的应用

在机载激光雷达(Light Detection and Ranging,LiDAR)测量技术生产和更新基础测绘成果中,本文选取沿黄河流域的永靖至黄河石林段,基于LiDAR点云数据,探索了一套高效生产高精度精细数字高程模型(Digital Elevation Model,DEM)的方法。试验结果表明,LiDAR点云数据生产DEM不仅地形精细表达程度高,而且相较传统模式生产的DEM平均中误差降低了0.6 m,摆脱了传统立体方式,优化了作业流程,工作效率提高了50%。该成果已成功应用于甘肃省2021年基础测绘1∶10000地形图更新项目。

三维点云深度学习分类模型学习策略分析——以机载多光谱LiDAR点云为例

近年来,随着三维计算机视觉的发展,三维点云深度学习方法得到越来越多学者的关注。然而,目前大多数三维点云深度学习方法仅在标准数据集上进行精度和性能评估,这些方法在设计过程中通常会根据特定数据集设定特定的学习策略以达到最佳点云分类精度,从而影响模型的泛化能力。在三维点云深度学习方法的遥感应用中,往往会出现诸如复杂的网络模型方法并不一定取得更好的数据处理精度,以及原始网络模型学习策略并不一定获得最优结果等问题。对此,为了探究学习策略对三维点云深度学习方法在实际遥感应用的影响,文中以机载多光谱LiDAR点云分类应用为例,以深度学习经典模型PointNet++为主,在分析当前学习策略的基础上构建一套较为通用的深度学习策略,以提高点云分类精度的稳定性和鲁棒性。机载多光谱LiDAR点云分类实验表明,学习策略对于点云分类精度影响不容忽视,学习策略的调整可以有效地提高模型对海量三维点云分类能力。

机载LiDAR与倾斜摄影测量在大比例尺地形图测绘中的应用

针对城区建筑物密集及其周边植被繁茂的丘陵地区,制订合理高效的测绘方案,采用机载LiDAR与倾斜摄影测量技术,获取实景三维模型和数字正射影像。利用EPS软件二三维联动一体化测图模式,实现二维或三维状态下的地形图测绘。试验结果表明,依据该方法生产地形图的平面精度和高程精度均满足大比例尺地形图测量的要求,为机载LiDAR与倾斜摄影测量技术在实际生产应用提供参考。

机载LIDAR点云数据在1:10000省级基础测绘中的应用

为了提高1:10000省级基础测绘数据的更新效率,以黄河干流甘肃段为例,利用机载LIDAR点云数据,通过点云分类和点云编辑,快速生产DSM、DEM成果;利用航空影像数据,经过空中三角测量、影像纠正、DLG采编等,生产DOM、DLG成果。通过对航空摄影测量生产工艺流程的整合与优化,采用机载LIDAR点云数据和航空影像数据相结合的生产方法,实现了省级基础测绘1:10000数字产品的快速更新,提高了测绘生产效率。

新能源汽车激光雷达传感器缺失数据填补方法研究

为了增强车辆激光雷达传感器数据采集的全面性,研究新能源汽车激光雷达传感器缺失数据填补方法。利用数据融合的点云采集技术和中值滤波算法,预处理点云数据。采用改进的噪声密度聚类算法构建点云超体素块,建立图模型,并利用图割算法进行全局聚类。结合典型地物特征提取地物信息,并利用全景图像进行密集匹配填补缺失区域,以完成点云数据中空洞区域的填补。实验结果表明,该方法能够有效实现缺失数据的填补,并且填补效果良好。填补后的点云数据与缺失区域原始点云在深度方向上的分布状况几乎一致。

基于改进的数学形态学算法的LiDAR点云数据滤波

数学形态学在数字图像处理中有广泛的应用。首先介绍传统数学形态学算法的特点,对这一理论用于LiDAR点云数据滤波的不足进行了分析。在此基础上,对相应的算法进行扩展和改进,提出针对不同地形特点的自适应滤波算法。在数学形态学"开"算子的基础上,提出增加一个"带宽"参数用于点云数据滤波的方法。最后利用三组实际点云数据进行试验,以验证这一算法的有效性。

基于边缘检测算法的LiDAR数据建筑物提取

LiDAR技术可以快速获取地形表面高精度3维信息。基于LiDAR数据提取建筑物目标是这一技术的重要应用之一。探讨了一种基于LiDAR点云数据生成不同比例尺的DSM深度影像,然后利用边缘检测算子提取建筑物边缘的方法。实验证明,该方法不需要其他辅助数据,可以从LiDAR点云数据中提取建筑物边缘,并滤除了许多干扰信息。这种方法为基于LiDAR数据提取建筑物目标提供了新的思路。

顾及矢量特征的机载LiDAR点云数据压缩方法

LiDAR技术可获取海量点云数据,数据压缩是点云数据预处理的一个重要环节。该文结合大范围城市区域高程范围随区域变化大的特点,提出一种有效的压缩策略。该策略主要通过建立高程方向不均等的三维格网来提高邻域点集的搜索效率,并根据某一压缩准则计算特征量对数据进行压缩。将该策略应用于上海浦东某区域,并与均匀采样法进行比较,证明其能有效提高点云数据压缩效率。

基于改进四叉树的LiDAR点云数据组织研究

分析了点云数据处理中常用数据组织方法,并指出方法的性能判定指标。对常用的构建四叉树方法进行了改进以提高建立四叉树索引的速度,分析及改进索引算法改进以增进数据筛选的速度,最后通过实验证明了该方法的有效性和可靠性。

基于影像分割技术的LIDAR数据建筑物边缘提取

提出一种基于影像分割技术的LIDAR数据建筑物边缘提取方法,将LIDAR点云数据转化为DSM影像,采用改进的动态阈值分割算法对DSM影像进行分割,并将得到的图像进行边缘提取。试验表明,该方法不需要其他辅助数据,可以从LIDAR点云数据中提取建筑物边缘,为进一步的建筑物三维重建奠定基础。

机载LiDAR点云数据与影像数据融合

分析机载LiDAR系统获取的点云数据与影像数据的优缺点,从而取长补短,将二者进行叠加融合,并成功地将航空影像的光谱信息赋给相对应的LiDAR点云,弥补了LiDAR点云在光谱信息方面的缺陷,为LiDAR点云数据的后续处理提供重要的信息支持。