基于自适应和多尺度数学形态学的点云数据滤波方法

数学形态学滤波是从激光雷达(LIDAR)点云数据中识别地面点、创建数字高程模型的一种重要方法.在分析现有滤波方法的优劣性以及数学形态学滤波方法存在的问题的基础上,提出一种改进的、多尺度的、具有一定自适应性的数学形态学滤波算法.该方法通过构建一个粗糙的地面不规则三角网(TIN)来确定实验区域的地形特征,从而选择恰当的地形坡度参数,用于多尺度数学形态学滤波中高差闻值的计算.将每次迭代前后高差小于阈值的点划分为地面点,同时保留地面点的高程值用于下次的迭代计算.实验结果表明该方法能够有效识别地面点和地物点,并且保留地形的细节信息.     

基于改进坡度的自适应数学形态学点云滤波

首先介绍了传统形态学算法,并分析了其应用方面的不足;然后提出了一种基于改进坡度参数的自适应形态学滤波方法 ;最后利用实际点云数据进行了实验。该方法通过划分格网自动计算当前区域坡度的平均值,从而得到适当的坡度参数用于后续高度阈值的计算。实验结果表明,该方法能更有效地识别地面点和地物点,对被建筑物包围的植被点滤除效果明显。     

地形自适应车载LiDAR点云滤波

针对车载LiDAR点云进行地面点滤波时,基于常规TIN、坡度等滤波算法不能根据局部地形变化自动调整阈值的问题,该文结合城市点云特征和地形起伏度,提出地形自适应的车载LiDAR点云滤波方法。该方法通过引入地形自适应参数进行区域增长阈值的动态调整,实现地面点、非地面点的自动精确滤波。通过实测数据试验,结果表明该方法可适用于车载LiDAR城市点云中地面点和非地面点的较精确分类,解决低矮浅丘、低矮灌木等地物点不容易正确分类的问题。     

基于数学形态学的LiDAR数据滤波新方法

数学形态学滤波是从激光雷达点云数据中识别地面点、创建数字高程模型的一种重要方法.在分析现有滤波方法的优劣性以及数学形态学滤波方法存在的问题基础上,提出一种新的具有一定自适应性的数学形念学滤波算法.该方法通过分析LiDAR数据的特点,利用形态学算子提取原始点云数据的空白区域,进行精确的重采样生成DSM;然后将DSM多尺度...     

基于地形变化检测的机载LiDAR滤波方法

LiDAR滤波是从其数据中提取数字地形模型(DTM)的一个主要步骤。当前的LiDAR滤波方法大都是通过单一的LiDAR点云数据来进行的,由于点云缺乏真实数据作参考,在滤波时可能会出现较大的误差。因此,提出一种基于地形变化检测的机载LiDAR滤波方法。首先将LiDAR点云数据与已有的DEM数据精确配准并统一到同一坐标系下,然后对LiDAR点云数据进行格网化组织,使LiDAR点云数据与DEM数据中相应的区域对应,最后把已有的DEM数据与LiDAR点云数据叠加进行滤波。为了验证该方法,采用城区和山区2种不同地形特点的数据分别进行试验。结果表明该方法能有效滤除城市和山地环境中的地物,并且保留地形的细节信息。     

基于多特征聚类的复杂环境机载点云层次滤波方法

机载激光雷达(LiDAR)点云滤波是点云数据处理的关键步骤,决定着后续派生品应用的精细程度。针对复杂场景区各种地物的交错性和多态性、地形的突变(断裂)性、相邻地物和地面点高程的相似性等导致的难以区分地物点和地面点瓶颈,本文提出了一种基于多特征聚类的点云层次滤波方法。本文方法首先耦合点云几何和物理信息进行多特征点云聚类,然后发展一种顾及地形断裂的地面点簇识别方法捕捉各类地面点,最后利用捕捉到的地面点构建初始地面参考面,并借助多尺度层次点云滤波方法进一步查找原始点云中的地面点。以4组地形复杂且建筑物和植被混杂区点云数据为试验数据,将本文方法与6种代表性滤波算法对比表明,本文方法的平均总误差最小、滤波性能最优、稳定性最高。     

基于地形智能识别的自适应DSM滤波方法研究

介绍一种基于地形快速识别的自适应DSM滤波方法。该方法通过对地形类别的智能识别,达到对滤波参数的自适应调节,以改进三角网加密的滤波算法,实现对影像匹配生成的DSM全自动化滤波。算法后期通过引入已有基础测绘及省情矢量数据作为参考,对房屋和道路等人工地物区域进行精细化滤波处理,以减少影像纠正过程中人工地物变形比例,最终实现快速生产DOM的目的。     

一种基于分割的机载LiDAR点云数据滤波

针对当前滤波算法在处理地形不连续区域或存在复杂建筑物区域时容易过分＂腐蚀＂地形并难以去除一些低矮植被的不足,提出了一种基于分割的机载LiDAR点云滤波算法。首先,对原始点云基于地表连续性进行分割;然后,在移除点数目较小的粗差点集之后采用对分割点集建立缓冲区的方法,区分地面和非地面点集;在较大地物经过迭代分割基本移除之后,使用约束平面的方法移除高度较小的地表附着物以实现滤波。实验结果表明,与经典滤波算法相比,该算法提高了地面点的分类精度,在滤除地物信息的同时能有效地保留地形特征。     

基于TIN渐次加密的LiDAR点云数据滤波

传统的滤波算法通常是针对具有连续表面的简单区域来进行,因此带有一定的局限性,且不能解决复杂城区地形准确提取的难题。因此,本文提出了一种改进的基于TIN渐次加密的LiDAR点云数据滤波方法,该方法先对原始点云利用多尺度虚拟网格筛选地面种子点;然后,对种子点构建初始TIN表面,在此基础上进行向上加密;最后,得到的TIN三角网则为真实地形表面。实验结果表明,该方法能有效地滤除建筑物、植被和其他地物,并较好地保持地形特征。     

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。     

一种保护细节的从机载激光点云中提取城区DTM的方法

机载激光测距数据是机载激光扫描测距系统获取的三维地面信息,它由离散、不规则的点云构成,这些点云构成了测区的数字表面模型(DSM).准确地将点云中的地面点和非地面点分离,即从DSM中提取数字地面模型(DTM),目前仍是一项挑战性的工作.数学形态学以集合论为基础,适合信号形态分析和描述.应用形态学灰值开运算可以移除点云中的非地面点,但是逐渐增大的结构元素会导致提取的DTM过于平坦.针对过度过滤导致地形细节丢失问题,提出了一种带有约束条件的过滤方法,该方法根据地形起伏程度设定阈值,通过阈值控制运算结果,并以中国自主研制的机载激光扫描测距系统所产生的数据为例,证明该方法的可行性及有效性.     

LIDAR数据的过滤方法探讨

过滤是LIDAR数据预处理的重要步骤,过滤的目的是把LIDAR数据分成地面点和非地面点,它是获取高精度数字高程模型的关键。详细分析、研究了常用的LIDAR数据过滤方法,并对其中的最大局部倾斜度过滤方法进行了一定的改进。     

密集低矮植被区LiDAR点云地面滤波算法

针对地形复杂且低矮植被茂密的矿区LiDAR点云特点,本文提出了一种基于坡度信息并结合平面拟合的地面滤波算法。该方法采用二级格网法逐级选取地面种子点,在每个一级格网中,利用地面种子点通过最小二乘拟合法进行平面拟合并构建地面模型,最后达到区分地面点和非地面点的效果。与传统坡度法和布料模拟法的对比试验表明,该方法能够有效滤除密集低矮灌木,以及较好地保留较大坡度地形。     

ICESat-2机载试验点云滤波及植被高度反演

新一代星载激光雷达卫星ICESat-2将采用多波束微脉冲光子计数技术,并进行高程剖面式的对地观测。由于该点云数据具有背景噪声大、密度低并呈线状分布等特点,传统的点云滤波算法并不适用,研究新的点云滤波算法十分必要。本文以ICESat-2的机载模拟器MABEL数据为例,首先介绍了微脉冲光子计数激光雷达的基本原理和数据特点,并针对高程剖面点云提出基于局部距离统计和最小二乘局部曲线拟合的点云滤波算法;然后,对美国加利福尼亚州Sierras-Forest地区MABEL试验中532 nm通道的光子点云进行滤波处理,并利用识别的地面点插值得到3 m分辨率的线状DEM,进而估算了该区域美国云杉的平均树高;最后,对该滤波算法进行精度评价,并分析了误差来源及其对DEM精度和树高反演精度的影响。结果表明:(1)该算法整体精度达97.6%,能有效剔除绝大部分噪声点且对地形起伏具有较强的自适应能力;(2)误分噪声点影响了滤波过程中局部地形的拟合,而滤波过程中的分类误差将降低DEM和树高反演的精度。     

基于等高线的表面估计滤波方法

提出一种基于等高线的滤波方法,它先由LIDAR数据生成数字表面模型,并内插出等高线,再根据DSM等高线的特征,如闭合性、首尾点距离、等高线的长度及等高线间距离等,通过设定阈值自动提取出属于自然地面的等高线线段,以获得初始的自然地面点,然后内插生成初始数字地面模型,最后使用迭代逼近法生成最终的(精确的)数字地面模型,即比较初始DTM与DSM,差值小于预设阈值的点视为DTM点,而差值大于预设阈值的点则标记为无数据点,最后,这些无数据点由选择的DTM点内插出.通过与现有表面估计的滤波方法的对比实验以及所提取地物轮廓线与航片的叠加对比试验,证明新方法可适用于地表起伏较大的地形,地物提取精度高、计算量小、效率高.     

一种基于区域增长的机载LIDAR滤波

机载Lidar的滤波和分类是获取高精度数字高程模型的关键,也是目前国际研究的重点和难点之一。本文根据Sithole对裸露地面的定义,将"区域增长"用于机载Lidar滤波。通过不同测区进行实验并与八大经典滤波相比较,给出滤波前后结果。实验结果表明该算法自适应能力强,计算速度快,滤波效果好,具有较高的稳健性。     

一种基于平面拟合的LIDAR点云滤波方法

LIDAR点云滤波是将LIDAR点云数据中的地面点和非地面点分离的过程。根据在较小区域内可以近似认为地面为一平面,本文提出了一种应用平面拟合的方法,首先在一个局部区域内拟合出一个近似平面,通过判断LIDAR点是否属于该平面来获取平面点,并通过分类处理从平面点中得到地面点,最后用得到的地面点内插出DEM。滤波前,需要剔除高程异常点,本文应用了高程差约束算法抑制高程异常点,从而较好地保持了原始数据的局部细节信息。     

多级移动曲面拟合LIDAR数据滤波算法

为提高城市区LIDAR数据滤波精度, 提出了一种多级移动曲面拟合滤波方法。建立区块网格搜寻及索引机制完成对离散LIDAR点云的标示; 通过建立二次多项式完成参考曲面的拟合, 不同窗口大小获得不同层次的拟合曲面; 设置自适应阈值, 完成地面点与非地面点的判断。精度评价结果表明, 该滤波算法误差在1m以内, 能够满足实际应用的需求。     

Distance-limited filter for extracting ground points

The extraction of points on the bare earth from point clouds acquired by airborne laser scanning is one of the most important steps for the generation of digital terrain models (DTM). This process is called “filtering”. However, most of the current filters erode the bare earth in steep sloped landscapes and at discontinuities, and they retain low vegetation. Therefore, a new filtering method for extracting ground points based on a distance limit is proposed in this paper. The angle criterion is used to assure the robustness of the algorithm. The experimental results show that the proposed filtering method can effectively derive the ground points from point clouds in complex urban areas.     

遥感图像数字表面模型建筑物点过滤方法研究

针对图像密集匹配生产的数字表面模型(DSM)进行点云滤波,算法对地形依赖大,参数设置复杂,精度不高,后续人工编辑修饰的工作量大、效率低的问题,该文设计了第一套针对DSM滤波、涵盖多种样本形式(栅格、矢量)的航空图像建筑物数据集。针对航空图像建筑物尺度较大等特点,将膨胀卷积加入U-Net构成Dilated U-Net,并综合运用其进行建筑物语义分割,利用分割结果在相应图像密集匹配得到的DSM上滤除建筑物点,然后采用投票插值策略得到过滤掉建筑物点的DSM。实验证明:利用该文网络DU-Net将DSM中非地面建筑物点滤除,Ⅰ类误差在5.8%以内,Ⅱ类误差在2.4%以内,其可以在30 s内完成超过9000万个建筑点与非建筑物点位置的预测,效率高、成本低。DU-Net网络建筑物语义分割过程不受地形、高差的限制,对于其他非地面点的滤波具有一定的借鉴意义。