A Novel Airborne 3D Laser Point Cloud Hole Repair Algorithm Considering Topographic Features

Hole repair processing is an important part of point cloud data processing in airborne 3-dimensional(3D)laser scanning technology.Due to the fragmentation and irregularity of the surface morphology,when applying the 3D laser scanning technology to mountain mapping,the conventional mathematical cloud-based point cloud hole repair method is not ideal in practical applications.In order to solve this problem,we propose to repair the valley and ridge line first,and then repair the point cloud hole.The main technical steps of the method include the following points:First,the valley and ridge feature lines are extracted by the GIS slope analysis method;Then,the valley and ridge line missing from the hole are repaired by the mathematical interpolation method,and the repaired results are edited and inserted to the original point cloud;Finally,the traditional repair method is used to repair the point cloud hole whose valley line and ridge line have been repaired.Three experiments were designed and implemented in the east bank of the Xiaobaini River to test the performance of the proposed method.The results showed that compared with the direct point cloud hole repair method in Geomagic Studio software,the average repair accuracy of the proposed method,in the 16 m buffer zone of valley line and ridge line,is increased from 56.31 cm to 31.49 cm.The repair performance is significantly improved.

基于残差优化的综采工作面煤壁点云补全方法

煤矿综采工作面巷道的数字化三维重建过程中需要完整且密集的煤壁点云数据。受遮挡、视角限制等因素影响,采集的综采工作面煤壁点云数据往往不完整且稀疏,影响下游任务,需进行煤壁点云修复和补全。目前缺少针对井下点云补全任务的数据集和网络模型,现有模型用于煤壁点云补全时存在点云密度分布不均匀、点云特征信息丢失等情况。针对上述问题,设计了一种基于残差优化的煤壁点云补全网络模型,采用监督学习方式学习点云特征信息,通过最小化密度采样和残差网络迭代优化输出完整点云。采集煤矿井下真实综采工作面煤壁点云数据,预处理后筛选可用数据,通过模拟随机空洞制作煤壁点云缺失数据集,并用缺失数据集训练基于残差优化的煤壁点云补全网络模型。实验结果表明:与经典的FoldingNet,TopNet,AtlasNet,PCN,3D-Capsule点云补全网络模型相比,基于残差优化的煤壁点云补全网络模型针对构造的缺失煤壁点云和稀疏煤壁点云补全的倒角距离、地移距离及F1分数均能达到最优水平,整体补全效果最佳;针对实际缺失的煤壁点云,该模型能够实现有效补全。

基于加权组合算法的点云孔洞修补

为了对无人机航测数据中的点云孔洞进行修补,将最小二乘支持向量机算法LS-SVM和遗传算法GA优化的反向传播神经网络算法BP进行线性组合,构建一种加权组合模型,用于散乱点云数据中的孔洞修补。通过两种修补方法的误差进行两者的加权组合,建立出与两种修补方法误差相关的加权组合模型,并将加权组合模型的修补结果与单一使用最小二乘支持向量机、遗传算法优化的BP神经网络两种修补方法的修补结果进行残差和内外符合精度的比较与分析。结果表明:采用加权组合模型得到的点云修补结果内外符合精度较高,且具有更强的稳定性,为无人机获取的点云数据提供了一种有效的孔洞修补方法。

一种面向孔定位的飞机壁板类零件修配多约束配准算法

飞机壁板类零件在装配阶段需要进行精加工以满足装配精度要求,为了保证得到精确的加工路径和加工余量,需要将具有相互装配关系的零件进行虚拟配准。本文提出一种面向定位孔定位的飞机壁板类零件修整装配的多约束配准算法。首先根据零件实际装配情况,提出3项约束准则,包括定位孔位置约束、配合面距离最小约束和配合面距离均匀约束,并转换成相应的目标函数;然后将目标函数中待求参数进行微分变换并通过交替迭代梯度下降算法求得待求参数可行解。模拟实验验证和实际加工应用表明,本文方法针对零件配合面不同姿态的点云都能精确配准,并基于配准结果,可得到精确加工轨迹和余量,提升零件装配质量。

一种参考既有DEM的机载点云漏洞修复方法

机载雷达在成像过程中受到地形起伏、地物反射率、物体遮挡等因素的影响,在局部区域形成漏洞,漏洞的存在严重影响DEM的制作。针对机载点云存在漏洞这一现象,提出了一种参考既有DEM的机载点云漏洞修复方法。首先根据点云密度与点云平均距离将三维点云投影到二维平面上,经过网格化与邻域检测,提取出漏洞边界的点云,若存在多个漏洞,则将边界点云进行聚类分割。进而根据点云密度与平均距离插值出漏洞区域内缺失点云的平面坐标,再将DEM对应点处的高程赋值给漏洞内的点云,最后结合边界点云与DEM的高程差,使用反距离加权法(IDW)对漏洞内点云的高程进行高程改正。实验结果表明,该方法对含有多个和不同大小的点云漏洞的数据同样有较好的修复效果,对较大区域的点云漏洞依旧适用,其中5米DEM修复结果的高程中误差为0.82米,1米DEM修复结果的高程中误差为0.19米,具有较高的修复精度,在机载点云漏洞修复中有一定的应用价值。

基于垂直切片的点云空洞补全算法

针对三维扫描设备在复杂环境物体建模时容易产生大量点云空洞的问题,提出了一种基于垂直切片的点云空洞补全算法,即对滤波处理后的点云进行垂直切片与三维信息分离处理,提取出易于处理的二维点集信息,通过二维曲线补全算法补全二维空洞,并结合三维信息分离阶段的第三维信息进行升维处理,再采用体素滤波的三维栅格大小对补全点云进行密度重建,达到与非补全点云相同的密度信息。点云测试试验结果表明,原始点云空洞能够被成功补全。与其他算法相比,其平均耗时和补全速度均最优,补全效果良好,在应对大型点云中的空洞问题时能够达到快速补全与密度重建的目的。

一种基于实测点云数据的壁板类零件修配加工路径计算方法

针对飞机壁板类零件采用修配法装配过程中需要精确获取修配加工路径的问题,提出一种基于实测点云数据的壁板类零件修配加工路径计算方法。首先设计一种基于法线差的特征点检测算法提取参考壁板的初始特征点。然后建立迭代收缩优化模型对初始特征点进行收缩优化,得到参考壁板的准确特征点。最后根据工装定位孔特征进行配准,将参考壁板的特征点映射到待修配壁板上,并将映射后的特征点按照一定顺序进行连接,得到待修配壁板的修配加工路径,按照修配路径进行加工,获得壁板装配配合边界。实验表明,该方法能够精确提取待修配壁板修配加工路径,并且经过加工验证,壁板试验件对缝间隙获得小于1.2 mm的实际效果。

基于LiDAR点云精确快速修复面状水域DEM

DEM质量检验规范对水域部分“高程一致性”及“水面光滑平整性”的基本要求,使得在生产水域DEM时,参与了大量的人工后期编辑工作,致使效率低下。为摆脱这一传统工作模式,本文通过探讨机载LiDAR中面状水域部分与其周边点云的不同结构特点,运用TIN外接圆半径大小的差异性,分离面状水域与非水域三角网,以完成对面状水域边界的提取与水域空洞的点云修复,借助C语言编制点云处理程序,并针对某自然村进行机载LiDAR扫描与该方案的程序测试。测试结果表明:该程序化解决方案能够快速识别测区水域边界,以水域边界最低点高程值修复水域空洞,使其DEM完全满足DEM质检规范对水域的基本要求,效率上较传统水域DEM处理模式有大幅提高,获得较好的测试效果。

附加增值条件的移动最小二乘法的点云孔洞修补

由于扫描设备局限或模型结构复杂等因素导致点云模型出现孔洞,这严重影响模型的后续处理。针对点云孔洞的修补问题,文中提出了一种附加增值条件移动最小二乘法的点云孔洞修补方法。首先提取封闭的孔洞边界,通过密度分析进行迭代切片,不仅削弱点云分布不均的影响,还提高模型细节特征的保留程度;再将离散群点投影至拟合曲面,投影点集二次拟合以获取拟合面节点,保证有足够的边界邻域节点为基础进行孔洞修补;最后利用附加增值条件移动最小二乘法对孔洞进行迭代修补,并对增值点云进行曲率约束,从而达到契合原始模型空间特征的重建。实验采用人为在四个点云模型上制造不同类型的孔洞,并与现有的四种方法进行对比,验证所提方法的有效性,结果表明,文中方法相较于现有的四种方法,完整率、准确率提高了1.83%以上,配准均方根误差与平均曲率均方根降低了68%以上,对比证明了文中方法对于点云模型孔洞具有较强的适用性,可为重建三维点云模型提供可靠信息。

一种利用LiDAR点云的水域DEM快速精细生成算法

为了严格满足水域DEM质量检验中“高程一致性”与“自然光滑平整性”的两个基本要求,利用机载LiDAR点云数据快速生成精细水域DEM,通过分析三维点云数据的空间结构特征,运用基于Delaunay三角形外接圆半径及过滤阈值的设定、水域中心线的提取与带状水域点云聚类分块修复等方法,整体改进了水域点云的空洞边界快速识别与提取算法、块状水域点云修复算法及带状水域修复算法,并对测试案例成功实现了DEM成果的快速、精细提取。研究结果显示,改进后的水域数字高程模型生成算法能够较好地实现对斑块、带状水域精细DEM的快速提取,相比传统手工修复水域DEM的做法,工作效率得到了大幅提升,可为水域DEM的制作提供一定的借鉴。

运用LiDAR点云快速精确生成带状水域DEM的方法

传统制作水域DEM时参与了大量的人工后期处理,致使DEM整体生产效率极其低下。通过分析基于机载LiDAR点云的空间数据结构,给出了改进的带状水域点云修复方案,它包括针对点云数据快速识别提取带状水域边界线、边界范围线内部点云清除、河流中心线提取及点云修复等处理方法,从算法上实现了带状水域DEM点云的自适应修复方法。并借助C语言,编制了点云修复程序,在实测案例中获得了较好的验证效果,满足了DEM质量检验对带状水域DEM“高程一致性”与“自然光滑平整性”的基本要求。

基于深度学习的实时点云修补算法

传统点云修补方法对于特征不明显的点云修补效果不佳,为此提出了一种基于深度学习的点云修补算法,算法框架包括自动编码器、对抗生成网络及强化学习模块。该算法首先在潜在空间表征上训练对抗生成网络,然后引入自动编码器网络,自动编码器网络中的编码器可以将输入点云压缩成潜在空间表征,最后引入强化学习模块,为对抗生成网络的生成器选择合适的向量合成完整点云的潜在空间表征。实验表明,该算法可以修补特征不明显的点云,并能在毫秒级别内较为有效地完成点云缺失区域修补。

改进哈里斯鹰优化算法在匹配地面点云孔洞修补中的应用

针对无人机匹配点云经地面点滤波后存在较多孔洞的问题,本文提出了利用改进哈里斯鹰算法优化最小二乘支持向量机修补地面点云孔洞。首先,利用八叉树结构法对滤波后的点云数据进行地面特征点提取;然后,采用非线性收敛因子和自适应逃脱概率策略对哈里斯鹰算法进行改进,并将其用于最小二乘支持向量机孔洞修补模型的参数优化。试验结果表明,与常规最小二乘支持向量机相比,组合模型的孔洞修补精度提高了34.3%,其稳定性也得到增强,具备一定的时效性和现实性。

融合点云在古旧建筑物改造修缮中的应用

为了满足古旧建筑物改造修缮的需求,需要绘制建筑物详细的图纸。常规的全站仪等方法存在着效率低下、易漏测、采集信息有限等问题。而地面三维激光扫描仪对于屋顶等视觉盲区无法进行测量。针对这些问题,采用一种地面三维激光扫描点云与无人机倾斜点云相结合的方法。根据两种点云中的公共点计算转换参数,通过坐标转换的方法融合两种点云,可以获取建筑物完整的点云数据。对融合点云的各项精度指标进行分析,精度较高,满足绘图要求。根据融合点云可以绘制详细的图纸,保障了古旧建筑物改造修缮的顺利进行。

网格曲面中复杂孔洞的自动修补算法

为了修补三角网格模型中的复杂孔洞,提出一种基于边扩展的复杂孔洞修补算法.通过计算出孔洞边界的最小二乘平面,并将孔洞边界投影到该最小二乘平面上,得到投影多边形.当投影多边形存在相交的边时,则对每条相交的边采用边扩展算法,生成新的三角面片,从而将复杂孔洞剖分成若干个子孔洞.对新生成的子孔洞重复上述剖分方法,直至所有子孔洞变为简单孔洞后,采用平面三角化技术对简单孔洞进行修补,并采用细分技术得到形态均匀的孔洞三角网格.实验结果表明,该孔洞修补算法适用于三角网格模型中的各种复杂孔洞,能较好地保持原三角网格模型的细节特征.

基于建筑结构分布规律的点云孔洞修补

顾及建筑立面的部件分布规律及相关的先验知识,提出了一种通过适度的人工诱导快速实现点云孔洞修复及补全的算法。算法首先在人工干预情况下快速获取建筑立面部件分布规律,继而借助分布规律预测缺失区域部件类型及候选位置,然后借助ICP算法将同类型具有完整数据的部件点云模型复制到缺失区域,最后通过边界融合实现孔洞的完整修复。实验证明,算法提供了一种交互环境下的半自动化数据处理能力,具有良好的可操作性、实用性及较高的生产效率。

基于GA-BP神经网络的散乱点云孔洞自动修补

点云孔洞修补作为点云数据处理中的关键技术,直接影响点云的质量和完整性。利用遗传算法(genetic algorithm,GA)优化的BP(back propagation,反向传播)神经网络(简称GA-BP神经网络)是一种修补效果较好的散乱点云孔洞修补方法。但基于GA-BP神经网络的散乱点云孔洞传统修补方法的多个步骤需借助逆向软件通过人机交互的方式完成,导致修补过程繁琐且耗时较长。为此,提出了一种基于GA-BP神经网络的散乱点云孔洞自动修补方法。通过计算机编程将孔洞识别、孔洞区域插值和孔洞修补相结合,实现从残缺点云模型直接到完整点云模型的自动修补,无须进行复杂的人机交互和数据转换。实验结果表明,所提出的方法可有效避免因数据转换而造成的数据失真,减少了人机交互工作量,方便而高效地修补了散乱点云的孔洞,且得到的修补点云密度均匀,这对提高点云孔洞修补效率和质量具有重要意义。

基于扫描模式的点云修复技术研究

在现有3维激光扫描点云数据基础上,本文在VC++平台下,对点云数据进行了处理,实现了点云数据的修复,其中数据采用美国斯坦福大学试验点云数据。经实验表明,程序能够实现点云的修复,减少了外业扫描过程中因遮挡引起的点云缺失。

一种基于移动最小二乘法的点云数据孔洞修补算法研究

使用测量仪器获取点云数据的过程中,由于测量仪器自身缺陷、物体局部遮挡等因素,导致原始点云数据存在孔洞,严重影响曲面重建,需要实施孔洞修补,以便获取完整的模型。采用非封闭孔洞相连的散乱点云的边界确定孔洞修补范围,有效提取非封闭的孔洞边界点及附近模型的边界点,根据孔洞及其周围点的信息,基于移动最小二乘法重构一个隐式曲面,并且通过一定步长实施隐式曲面采样,完成孔洞修补。实验结果显示该算法可以修补不同类型的孔洞,并且修补数据与原始点云数据较好的融合在一起,恢复原始模型。

基于改进三次B样条曲线的奶牛点云缺失区域修复方法

奶牛三维点云包含的尺寸和体型等信息对奶牛体型评价、尺寸测量和健康评定等具有重要意义。在奶牛活动场和挤奶间栏杆通道获取奶牛点云时,由于栏杆遮挡导致获取的点云缺失区域较大,严重影响奶牛三维建模精度。为了修复缺失的大区域点云,提出一种基于三次B样条曲线的奶牛点云缺失区域修复方法。该方法先对Kinect v2传感器获取的奶牛点云进行预处理,去除周围环境背景,然后沿点云坐标系x轴方向对提取的奶牛点云进行切片投影处理,对每个切片点列中间距较大的相邻点进行补点,再用三次B样条曲线进行拟合。在试验分析补点操作中参数h和L较优取值的基础上,对45头荷斯坦奶牛共225帧点云进行修复试验。结果表明,所提方法比三次B样条方法修复得到的点云均匀性和逼近性能更好,平均帧逼近误差降低了26.7%,为大面积点云缺失修复提供了有效方法。