基于航空LiDAR数据提取建筑物边界的方法研究

激光测距是一项高效、精确的实现地表信息采集的技术。城市区域的高密度激光点云数据的获取使提取兴趣目标对象(建筑物、植被等)成为可能。本文提供一种利用航空激光雷达(LIDAR)数据提取建筑物边界的有效方法,该方法首先通过基于曲面拟合的滤波算法销减地形的影响,然后利用地物的纹理信息区分建筑物与非建筑物要素,最后通过一系列后处理,如小区域去除、矢量化等,最终提取出所需要的建筑物边界。实验表明本文提供的方法用于建筑物边界的提取效果理想。     

动态监测变化信息提取

在土地利用遥感动态监测变化信息提取过程中,利用自动发现方法得到的变化图斑灰度值是分布在一定范围内的,为了能高效地提取出区域变化信息,利用Photoshop图像处理技术,将变化图斑及其背景二值化,并利用本文提出的似四邻域边界矢量化算法进行自动矢量化处理.然后,对比其它方法处理得到的变化信息对提取的矢量边界进行编辑处理,提高数据室内处理精度.     

基于机载LiDAR数据提取特定地表目标的方法

简要介绍了LiDAR数据的特点及应用,重点介绍基于TerraSolid系列软件,利用LiDAR数据提取特定地表目标的有关技术,内容包括建筑物、电力线、电力塔、独立树木3维点云数据的提取和输电线路矢量化、建筑物矢量化及3维建模、独立树木依比例符号化的方法。     

栅格影像向矢量要素转换的关键技术研究

探讨了相邻多边形间拓扑关系与其栅格矢量化的若干关键问题,借助Visual Studio 2005开发平台,编制了栅格矢量化的工具程序,并以西宁市某实验区为例进行测试。结果显示,栅格影像矢量化的边界平面跟踪精度,建筑物及构筑物能够达到3.5～5.0 cm;植被覆盖边界达5.0～8.0 cm;高程提取精度约5.0 cm。精度上满足了大比例地形测绘的要求,效率上得到大幅提高,达到了较好的测试效果,为后续同类项目的实施提供了工作基础。     

一种Voronoi图的扫描地图矢量化方法

提出了一种基于Voronoi图的扫描地图矢量化方法。该方法首先对需要矢量化的图层所对应的图像进行二值化,采用二值栅格边界追踪技术提取边界像元;再以这些边界像元的中心点为基础建立Voronoi图,依据拟定的骨架线判定规则,提取满足条件的Voronoi边形成骨架线,获得矢量化要素数据。实验结果表明,该方法能处理较为复杂的扫描地图,具有较好的识别效果和处理速度。     

基于改进重心法的校园快递服务中心选址研究

以西北大学长安校区为例,利用AHP法构建选址评价指标体系;结合实地调研数据完成空间数据采集,借助ArcGIS软件对数据进行矢量化处理,对校园快递服务中心可选区域中的建筑物和道路进行地理配准和空间校正;利用栅格计算器得到最优选址范围图,结果显示预选范围主要分布于宿舍区,与AHP法的结果一致,且包含了重心法的位置结果.在聚...     

基于最小外接矩形的遥感影像建筑物轮廓优化方法

深度学习提取高分辨率遥感影像中的建筑物信息容易受到物体周围的阴影、植被等噪声干扰而使结果存在边界锯齿化、建筑物整体不规整等问题.本文提出了利用符合建筑物边界轮廓的最小外接矩形最大限度地拟合建筑物轮廓的思路.首先利用深度学习和建筑物验证处理得到的建筑物信息,对建筑物边界利用垂距法进行多边形的拟合;然后对多边形的最小外接矩...     

基于Baidu Map/天地图建筑物矢量化方法研究

针对建筑物特点和抗震易损性评估要求,研究了基于ArcGIS平台的天地图建筑物数据加载于Baidu Map的矢量化方法,探讨了Baidu Map与天地图的坐标转换,提出了最佳公共点快速搜索算法,实现了数据批量采集与精确匹配。结合宿迁市宿城区建筑物矢量化实验案例,验证了其有效性和便捷性。     

线划图像的矢量化表示

对线划图像进行矢量化表示能够有效地减少数据量，提高系统的处理能力，可以硫分利用矢量数据的特点实现更高级的功能，可以充分利用矢量数据的特点实现更高级的功能，本文提出了种利用骨架线和相应的线宽信息进行矢量化表示的新方法，实验证明该方法对线划图像非常有效。     

融合高度和光谱信息的倾斜摄影数据建筑物自动提取

建筑物作为三维模型的主体,其矢量化主要依赖人工勾画,虽有采用深度学习等方法进行建筑物提取的研究,但依然需要标注大量样本。针对上述问题,本文以天津市典型区域为试验区,提出一种融合高度和光谱信息的倾斜摄影数据建筑物自动提取方法。首先,通过高度初始分割、植被信息滤除、形态学后处理等,逐步优化建筑物提取结果,实现建筑物信息的自动提取,建筑物的总体识别精度达到94%。然后,通过对建筑物轮廓进行矢量化和规则化,在地理信息平台中实现了建筑物的对象化查询,拓展了实景三维模型的应用深度。     

多特征融合的建筑物点云检测方法

当前各种影像数据以及Li DAR数据获取能力不断增强,仅利用一种数据进行建筑物的检测,其结果往往并不理想。本文对Li DAR点云数据的特征和影像的相关特征进行了分析,融合这些特征,利用支持向量机的方法对建筑物点云进行检测。实验结果表明,综合利用具有不同特征的点云和影像数据的方法比单纯使用点云数据进行建筑物的检测能够取得更好的效果。     

信息向量机、相关向量机和支持向量机在机载LiDAR点云数据分类中的应用

机载LiDAR点云数据分类技术是LiDAR数据后处理的关键步骤。信息向量机、相关向量机及支持向量机可以在LiDAR点云数据分类中发挥重要作用。本文将三种分类器应用到点云数据分类中,通过实验验证了它们在点云数据分类中的性能,总结了它们在点云数据分类任务中的应用潜力。     

共享近邻聚类算法点云面线提取

针对激光点云数据进行建筑物建模或矢量信息提取中快速识别建筑物面和棱线信息的要求,该文提出基于共享近邻聚类算法进行建筑物面和棱线的快速提取方法。首先,计算点云中每个数据点的单位法向量和点到基准面的距离,利用基于网格的共享近邻聚类算法对点云进行分类确定建筑物面点云;然后,自动判别相交平面,提取建筑物棱线,并与RANSAC算法对某建筑物面的提取结果进行比较。结果证明,该方法自动化程度高,建筑物面和棱线提取快速、准确,提取结果能够应用于三维建筑物自动建模和测绘出图。     

基于SSW点云数据的矢量地图平面精度自动校验方法

常规的矢量地图精度校验采用抽样与实地测量，外业工作量大，自动化程度低。针对这一问题，本文提出基于SSW激光点云数据的矢量地图平面精度自动校验方法。首先，使用车载激光扫描器获得道路两侧高精度点云数据，并对点云数据进行滤波、坐标转换和精度检验；其次，基于多特征识别算法，使用SWDY软件提取点云特征点线；最后，利用最近邻法搜索待检矢量图中的同类地物特征点线，并计算匹配点线对的中误差。以兴化城区为试验区，采用该方法检测该地区1：1000比例尺的矢量地图平面精度，试验结果显示，成功匹配了点云数据205个地物特征中的201个，矢量地图的总体中误差为0.26 m，且能够发现待检测矢量地图中的采集丢漏与明显错误。本文方法可以减少现有检测方法的野外实测工作量，增加检测样本数量，降低检测过程中的人为干扰因素，有效提升检测的可靠性与检测效率。     

利用三维激光点云重构建筑物模型

随着三维激光点云数据获取能力的提升，基于三维激光点云进行建筑物模型重建与立面测绘成为工程应用中常用的方法。三维激光点云数据能够体现建筑物丰富和直观的细节信息，然而海量数据处理给建筑物模型构建带来了极大挑战。本文通过对建筑物的三维激光点云数据进行横切得到建筑物轮廓点，并采用基于遗传算法的TSP算法对轮廓点进行处理以获取建筑物各立面的方程系数，最终实现建筑物模型的构建和获取详细的建筑物立面数据。试验结果表明，此方法可以较好地实现LOD1级建筑物模型的构建，进而为更高（LOD3）级别的建筑物模型构建提供依据。     

一种地物点云数据栅格化分类新方法

激光技术的不断发展对利用点云数据进行地物分类的方法提出了更高的要求。基于此提出了一种结合遥感领域地物分类特点,利用地物反射率的不同来实现地物分类的方法。该方法首先提取数据的反射率信息,然后将其作为栅格化后的属性值,最后利用监督分类、非监督分类和支持向量机分类方法对栅格化后的栅格影像进行地物分类。通过实验表明,支持向量机方法在保持较高训练和分类速度的同时还具有较高的分类精度,总精度和Kappa系数达到了88.69%和0.86,为点云数据分类提供了一种新的途径。     

一种基于全站扫描的特征点自约束点云变形分析方法

为了对大坝、高层建筑、滑坡区、采空区等危险变形体进行变形观测，针对智能全站仪、GNSS测量、三维激光扫描等变形监测技术无法很好地实现变形特征点和点云的综合变形分析问题，提出了基于全站扫描特征点自约束点云变形分析方法，获取变形体的离散特征点和整体点云变形数据，利用特征点形变矢量求取点云至模型的形变量，从而刻画变形体的整体形变信息。试验结果表明，利用本文所提出的方法能够成功计算出点云至模型的形变量，经统计分析，所有点的形变量真误差的期望值为-0.04 mm，结果精度为1.2 mm。试验结果能够反映变形体的整体形变信息，且具有较高精度。     

对偶四元数法在稳健点云配准中的应用

针对点云特征点含有粗差的问题，提出了基于对偶四元数的稳健点云配准方法。遵循加权最小二乘原则构建了基于对偶四元数的稳健点云配准模型，运用拉格朗日乘数法推导了旋转矩阵和平移向量求解公式，研究了新权计算与坐标转换迭代步骤。实例证明，该方法能够有效识别并剔除粗差，提高点云配准精度。     

车载LiDAR点云中交通标线的提取方法

交通标线,作为道路上重要的交通标识,为司机和行人提供重要的引导信息。车载激光扫描系统(车载LiDAR)可以快速获得被测目标的表面三维坐标信息,为提取高精度三维交通标线提供了可靠数据源。本文通过分析道路点云数据的平面距离、点云强度、点云密度等特征,将点云数据归化成地理参考强度图像。针对生成的二维参考图像,充分借鉴图像处理中目标分类与识别的手段,将交通标线信息准确提取出来。实验表明,该方法可行、有效。     

机载多光谱LiDAR数据的地物分类方法

机载多光谱LiDAR系统能够快速地获取大范围地表面上地物光谱和几何数据,并能够保证所获取的光谱与空间几何数据在空间和时间上相对完整和一致性。支持向量机（SVM）是一种基于小样本的学习方法,它避开了从归纳到演绎的传统分类过程。因此,本文提出了基于SVM多光谱LiDAR数据的地物目标分类方法。该方法首先将多个独立波段的LiDAR数据融合为单一的、包含多个波段信息的点云数据,然后将融合后的点云内插为距离影像和多光谱影像,最后利用SVM进行多光谱LiDAR数据的地物覆盖分类。通过对加拿大Optech公司的Titan机载多光谱LiDAR数据的试验证明：相对于传统的单波段LiDAR数据,多光谱LiDAR数据可以获得较好的地物分类精度;比较试验发现SVM分类方法适用于多光谱LiDAR数据的地物分类。