基于Alpha Shape算法的分散式乡村聚落形状划分及其形成研究——以米脂县龙镇为例

为了定量划分分散式乡村聚落的形状类型并探究其形成原因,以陕北黄土丘陵沟壑区米脂县龙镇为例,尝试使用Alpha Shape算法对聚落形状进行提取,通过Boyce-Clark指数计算并划分聚落形状类型,最后结合多元线性回归和回归树的方法探究影响聚落形状的因素。结果表明:100 m滚动半径下,Alpha Shape算法能够提取76.1%聚落的精确轮廓;研究区乡村聚落形状类型可以分为块状矩形及其变种、延伸形、哑铃形和串珠形、带状矩形及其组合、线形5种,Boyce-Clark指数依次增加;高程和Boyce-Clark指数呈显著正相关,水资源可获取性与Boyce-Clark指数在高海拔地区呈负相关,聚落面积与Boyce-Clark指数先呈负相关后呈正相关。研究结果可为分散式聚落生活空间边界的划定提供参考,增进对黄土丘陵沟壑区分散式聚落形态的认识。

基于alpha shapes算法的相邻航带点云重叠区提取

相邻航带点云重叠区提取是实现点云配准工作的前提,本文利用alpha shapes算法原理,并结合K-D树快速查找的优势完成航带点云的轮廓边界提取,最后根据PCL中多边形滤波器提取点云边界包含区域,完成相邻航带点云重叠区提取工作。本文试验首先根据简易点云完成初步试验,总结参数的设置情况,最后根据实际作业情况采用两组不同区域相邻航带点云进一步完成对该算法有效性进行验证,结果表明该方法原理简单,设置参数少,对数据边界提取有较强的鲁棒性,且重叠区输出结果可靠。

双阈值Alpha Shapes算法提取点云建筑物轮廓研究

针对单一阈值的Alpha Shapes算法在提取点云建筑物轮廓时存在的轮廓精度和完整性难以兼顾的问题,提出一种双阈值的Alpha Shapes算法,利用简单环的概念设计轮廓搜索算法,获得既有较好完整性又有较高几何精度的建筑物轮廓线;然后,利用一种最小二乘的轮廓线化简算法对提取出的初始轮廓进行化简,与经典的Douglas Peucker算法相比,在存在噪声的情况下,该方法化简后的轮廓线更接近实际的轮廓线。

利用Alpha Shapes算法提取离散点轮廓线

本文介绍了Alpha Shapes算法的原理和具体的实现方法,并将其应用到LiDAR离散点云数据的轮廓线提取,取得良好效果。

基于改进Alpha Shapes算法的农机作业面积测量

农田作业面积测量方法层出不穷,但在对小块田地与不规则田地进行面积测量时会出现较大的误差,为此设计基于改进后的Alpha Shapes算法农机作业面积测量方法。利用改进后的Alpha Shapes算法对农机作业定位点集进行处理,实现对小块农田和不规则农田作业轮廓的精准提取,采用Delaunay三角剖分算法计算出农田作业面积。试验结果表明:基于改进后的Alpha Shapes算法的小块农田和不规则农田进行面积测量时误差率分别为1.5%和3.5%,其他测量方法对小块农田和不规则农田进行面积测量误差率普遍维持在3.5%和5%以上。结果表明采用改进Alpha Shapes算法的农机作业面积测量方法在对小块农田和不规则田地进行面积测量时,精度较高,满足试验设计要求。

基于Alpha Shapes算法的LIDAR数据建筑物轮廓线提取

机载LIDAR点云数据分布呈现离散化,扫描的目标点云没有明确的轮廓,而建筑物形状呈现复杂化和多样化,这给提取机载LIDAR数据中建筑物轮廓线带来了困难。Alpha Shapes算法的优点在于无需知道点云中各点处的法向量及其他先验知识就能进行处理,避免了插值算法带来的误差影响,对于少量点云缺失及数据冗余的情况,算法仍具有良好的稳定性和适应性。AlphaShapes方法可以得到较为精细的建筑物边缘,且该算法适用于各种多边形建筑物轮廓线的提取。

基于区域生长算法的复杂建筑物屋顶点云分割

精确分割建筑物屋顶激光雷达(light detection and ranging,LiDAR)点云是三维模型重建的重要环节。针对现有算法分割复杂建筑物屋顶面结构精度差的问题,提出一种以三角面为基元的基于区域生长算法的复杂建筑物屋顶点云分割方法。首先,构建Delaunay三角网建立各激光点间相互关系,计算各三角面法向量,利用同一建筑物面片上各三角面法向量基本一致的特征对点云进行初步划分;然后,由于点云散乱性及误差影响产生诸多散乱三角面,对各构成散乱三角面的点进行剖分,并基于具有良好鲁棒性的随机采样一致性算法(random sample consensus,RANSAC),结合Alpha Shape算法获取建筑物各面片边界,合并过度分割的面片及孤立点,完成建筑物屋顶点云分割。实验结果表明,该方法对复杂建筑物屋顶点云分割的完整性、正确性及质量均较为理想。

复杂异型建筑立面测绘轮廓提取方法设计

为解决点云数据密度异常时复杂异型建筑立面测绘轮廓提取精度变差的问题,提出基于局部点云密度的复杂异型建筑立面测绘轮廓提取方法。引入基于平面投影和双边滤波的测绘点云数据平滑方法,对测绘数据进行去噪和平滑处理,并通过点云分割方法提取目标点云区域。通过基于改进Alpha Shapes算法的立面测绘轮廓提取方法,以边界网格筛选的方式,去除目标点云区域冗余点云数据后,使用滚动圆半径自适应调节方法提取轮廓数据。试验结果表明,所提取轮廓匹配度高达95.08%,具有良好的精度和可行性。该方法可在有效平滑点云数据、分割获取目标点云区域的同时,高精度提取复杂异型建筑立面测绘轮廓。

基于改进Shapley算法的虚拟电厂博弈模型分析

风力发电和电动汽车的合作运行有助于缓解风力发电的不确定性对电网带来的影响。文中研究风电商和EV聚合商在进行合作博弈时产生的利益分配问题,针对其中风电商的不确定性因素,引入投标偏差惩罚机制;建立风电商和EV聚合商利益分配模型;对于模型不确定因素的随机性,在结合传统的Shapley算法的基础上给出了改进的Shapley算法,有效地解决风电商存在的不确定因素问题。最后,基于一个具体算例对利益模型和结果进行详细地分析,体现了改进的Shapley算法的可行性和优越性。

基于点云数据的建筑物屋顶面点集轮廓线提取

针对利用点云数据提取建筑物轮廓线不完整、缺失的问题,提出一种基于点云数据提取建筑物轮廓线方法。该方法首先对原始点云数据进行预处理,获取建筑物点云数据集;其次,采用具有噪声的基于密度的聚类方法(DBSCAN)进行点集聚类,得到单个建筑物点云数据集;再次,采用Alpha Shapes算法进行建筑物轮廓线粗提取,然后采用管子算法进行建筑物特征关键点提取;最后采用强制正交的方法进行轮廓线规则化,获取最终的建筑物轮廓线。实验证明,本文方法可以很好地提取建筑物轮廓线,适用性和时效性比较好。

基于法向量距离的路面坑槽提取方法

以路面高程激光点云为研究对象,提出一种基于法向量距离的路面坑槽提取方法.首先对路面高程点云数据进行数据清洗;其次采用自适应最优邻域的PCA方法估算路面点云数据的法向量,通过计算路面点云中采样点到其局部二次曲面的切平面的法向距离作为法向量距离;以法向量距离描述采样点的三维空间特征,并通过阈值分割自动提取路面坑槽点云集合,通过Mean-Shift聚类算法分割路面坑槽点云集合得到多个坑槽点集;最后针对每个坑槽点集,采用Alpha Shape算法提取坑槽边界点,对坑槽边界点进行三次样条插值拟合得到坑槽轮廓,据此计算坑槽尺寸(长度、宽度、深度)、面积信息.以规则坑槽模型点云数据与真实路面点云数据进行实验,本文方法提取坑槽的深度的相对误差的均值分别为2.7%,4.7%,提取坑槽面积的相对误差的均值分别为6.8%,4.3%.实验结果表明本文方法可以精确提取路面坑槽边界点及其尺寸信息,且对于不规则形状坑槽的识别及提取具有较强的抗干扰性.

可变半径Alpha Shapes提取机载LiDAR点云建筑物轮廓

目的机载激光雷达(light detection and ranging,LiDAR)能够快速获取建筑物表面的3维点云,为提取建筑物轮廓提供重要的数据支撑,但由于激光脚点的随机性和点云自身的离散性,常规固定半径Alpha Shapes(A-Shapes)算法难以兼顾轮廓提取的精细度和完整度,且在点数量较大情况下计算效率较低。因此,提出一种基于网格的可变半径Alpha Shapes方法用于提取机载LiDAR点云建筑物轮廓。方法对3维点云进行投影降维,对投影后2维离散点的范围构建规则格网,接着根据网格内点云填充情况筛选出边界网格,计算边界网格的平滑度并加权不同的滚动圆半径,再以边界网格为中心生成3×3邻域网格检测窗口,利用滚动圆原理提取窗口内点集的边界点,迭代检测直到所有边界网格遍历完成,最后获取点云的完整轮廓。结果在精度评价实验中,与固定半径A-Shapes方法和可变半径Alpha Shapes(variable radius Alpha Shapes, VA-Shapes)方法相比,若建筑物以直线特征为主且边缘点云参差不齐,则本文方法的提取效果不理想;若建筑物含有较多拐角特征,则本文方法的提取效果较好。在效率评价实验中,与A-Shapes方法、VA-Shapse方法以及包裹圆方法相比,若点云数据量较小,则4种方法的耗时差距不大;若数据量较大,则本文方法和包裹圆方法的耗时远小于固定半径A-Shapes方法。实验结果表明,本文提出的轮廓提取方法适用于多种形状的建筑物点云。从轮廓完整性、几何精度以及计算效率等几方面综合考虑,本文方法提取建筑物点云轮廓效果较好。结论本文提出的基于网格的可变半径Alpha Shapes建筑物点云轮廓提取方法结合了网格划分和滚动圆检测的优点,能够有效提取机载LiDAR建筑物点云顶部轮廓,具有较高的提取效率和良好的鲁棒性,提取的轮廓精度较高。

基于激光点云的长方体长宽高计算

为了从海量三维激光扫描点云数据中自动提取所需物体信息,介绍了一种自动提取长方体长宽高的方法。首先,截取某一包含前后左右面线的断面并使用随机抽样一致(random sample consensus,RANSAC)算法提取不同面线,再通过不同面线对长方体的不同面点分类;通过拟合平面,建立标准坐标系,并将不同面点转换到标准坐标系下;然后可通过3种方法计算长方体的长宽高:边界线交点法、多面相交法及对立面距离法;最后,比较自动化计算结果与正确结果,验证了这3种计算方法的正确性。