融合多特征深度学习的地面激光点云语义分割

针对当前点云语义分割研究对地面站激光点云特征利用不足、正确率较低的问题,该文提出了一种基于多尺度球形邻域特征的深度神经网络算法。该算法基于多尺度球形邻域计算的地面激光点云的粗糙度、高斯曲率,以及全方差、线性度等基于协方差的多种特征,结合XYZ坐标、RGB颜色、激光反射强度组成47维特征向量作为神经网络的输入,经过多组参数组合实验优化神经网络结构,最后通过softmax分类器输出每个点的类别。利用Semantic-3D测试集验证所提的深度神经网络模型,取得了较好的分类精度,总体正确率和平均交并比分别达到了86.6%和55.0%。实验结果表明,所提算法充分利用了地面站激光点云的特征,可有效提升语义分割的正确率。     

融合尺度和仿射不变特征的倾斜立体影像配准

针对倾斜立体影像通常存在较大的几何变形从而难以自动匹配的问题,该文提出了一种融合MSER特征和SIFT特征的自动配准算法:选取MSER特征获得初始匹配及其对应邻域的仿射几何关系,对MSER候选匹配邻域内SIFT的特征点进行局部几何约束的仿射不变归一化相关系数匹配,定义邻域内SIFT特征的匹配正确率为邻域支持度,并据此进行原始MSER误匹配进行剔除。对上述未能匹配的MSER和SIFT特征,采用基于局部单应约束进行迭代匹配传播以获得更多的配准控制点并用于精确估计投影变换模型,完成影像的配准。同现有方法相比,所提算法在匹配点数、匹配正确率和配准精度方面有较大优势。     

面向点云语义分割的多特征融合PointNet++网络

PointNet和PointNet++方法以最大池化为聚合函数使得深度神经网络可直接分类无序点云,得到了较高的分类精度,但对点云空间相关性局部特征提取能力不足,制约了点云语义分割精度的提升。针对该问题,设计了一种面向点云语义分割的多特征融合PointNet++网络,在PointNet++网络中加入一个特征编码器,并以最小信息熵法计算的最优邻域来计算人工特征作为特征编码器的输入。在ISPRS提供的Vaihingen区域三维点云分类标准数据集上进行语义分割实验对比,结果表明多特征融合PointNet++网络语义分割精度比PointNet和PointNet++分别提高了4.3%和3.2%。     

面向城区宽基线立体像对视角变化的结构自适应特征点匹配

提出一种基于结构自适应特征的城区宽基线影像特征点匹配方法。首先，对影像提取点特征和直线特征，挖掘点特征与其邻域内直线特征之间的几何关系，构建结构自适应的特征区域和特征描述符，并通过双向匹配策略获得初始匹配结果。然后，基于初匹配结果估计影像基础矩阵，构建核线约束的结构自适应特征匹配算法进行二次匹配。最后，将已匹配特征作为控制基础设计匹配扩展算法，进一步增加匹配点数量。本文方法以特征点邻域几何结构为出发点，构建自适应的特征区域，能够在显著的影像视角变化下，为同名特征点提取影像内容一致的特征区域，进而获得相似的特征描述符。试验结果证明，与传统算法相比，本文方法在城区宽基线影像上能够同时获得更多的正确匹配特征和更高的匹配正确率。     

空间边界缓冲区切片曲线拟合在点云空洞修补中的应用

针对现存的点云空洞修补算法中先精确提取空洞边界,再根据边界邻域点集信息修补空洞的过程,提出了一种基于空洞边界缓冲区切片曲线拟合的空洞修补方法。该方法首先基于不同K邻域内点集的重心变化和密度聚类提取空洞边界缓冲区点集,建立提取点集的局部坐标系;然后采用Householder变换使点集局部坐标系z轴与全局坐标系Z轴平行;最后沿着两个正交的方向切片,根据切片上的点进行曲线拟合并插值出空洞区域点。采用斯坦福大学三维扫描库中的bunny点云数据进行计算分析,基于修补后新增点集到原始空洞内被裁剪点集拟合曲面的距离来定量分析空洞的修补精度,其中闭合空洞和岛屿空洞修补后新增点集到曲面的平均距离分别为0.001 7和0.001 2 m。将本文方法与商用软件Geomagic的修补效果进行对比,结果表明本文方法在闭合空洞类型和岛屿空洞类型中的修补结果可以更好地保存局部区域特征。     

基于三维网格模型的点云分割方法

基于三维网格模型数据和三维点云模型数据正逆向结合的数据处理方法在科学研究和工程实践中得到了广泛的应用与发展。三维网格模型提供模型结构、语义和几何等方面的先验知识,指导点云数据进行分割、建模等逆向处理,可极大提高数据处理效率和精度。基于以上思路,本文提出了首先基于混合聚类的网格模型初分割,然后以模型的这种先验信息指导点云数据进行精细分割的算法。并通过一系列的程序实现和数据实验,验证了算法的适用性和稳健性。     

几何特征与神经网络联合优化的室内三维点云语义分割方法

室内三维点云数据精准语义分割是实现深层次室内空间应用的基础。针对现有三维点云数据语义分割方法存在目标不完整和不一致的问题,本文提出了一种几何特征与深度神经网络联合优化的室内三维点云语义分割方法。该方法首先利用深度学习实现室内结构信息语义标签的初步提取,然后利用几何与颜色特征的点云分割方法对原始数据进行精确分割,最后利用概率模型将深度学习语义分割结果与几何分割结果进行交叉融合,实现语义分割结果的联合优化。基于开放数据集对本文提出的分割方法进行了精度和有效性验证,分别采用室内场景简单到复杂的三组室内点云数据进行了测试,试验结果表明,本文提出的方法能够有效提升室内三维点云语义分割精度。     

联合点云压缩的多特征融合点云语义分割方法

针对PointNet++对点云空间相关性特征提取能力不足,同时难以适用于大场景高密度LiDAR点云语义分割的问题,提出一种联合点云压缩的多特征融合LiDAR点云语义分割方法。首先利用点云压缩算法降低点云密度,并使用PointNet++提取简化点云的深度语义特征,再利用拟合算法计算完整点云的深度特征;之后提取人工设计的空间相关性特征与深度特征进行串联;最后利用随机森林算法对完整点云进行语义分割。通过在ISPRS提供的LiDAR点云语义分割标准数据集进行实验,证明提出方法的有效性,总体精度较PointNet++提升了5.3%。     

树木三维点云的枝叶分割方法

利用地面三维激光扫描点云构建树木模型时,对树木点云进行枝叶分割,可以提高单木分割、骨架提取、模型构建等步骤的准确性.针对现有枝叶分割方法参数设置复杂、需要训练样本、依赖颜色强度等不足,提出了一种新的基于邻域点分布规律的枝叶分割方法.该方法遍历树木点云中的激光点,首先利用K纬树算法搜索激光点的所有R邻域点,构成邻域点集;...     

采用模糊C均值方法进行激光点云分类

LiDAR波形数据的分解可以获得地物的几何坐标属性和物理属性信息。基于几何特征的点云分类方法较多,而对于波形特征分类方法的研究较少。本文首先对全波形数据进行分解得到了振幅、波宽属性,并结合振幅邻域特征提取振幅方差,得到了具有3个属性的激光点云数据;然后采用模糊C均值聚类方法进行了激光点云数据的分割。试验使用Riegl vz-400激光扫描仪采集到的数据验证了算法的可行性,可成功将研究区域中的树木、地面、建筑等进行分类。     

超体素随机森林与LSTM神经网络联合优化的室内点云高精度分类方法

针对现有三维点云数据分割分类方法存在分类目标内部不一致的问题,提出一种超体素随机森林与长短期记忆神经网络（long short-term memory,LSTM）联合优化的室内点云高精度分类方法。该方法根据超体素结构具备内部特征一致性的特点,对原始点云进行超体素划分,并以超体素为基本单元进行多元特征计算,搭建室内点云超体素随机森林分类模型,实现点云数据的粗分类。在此基础上,引入LSTM对粗分类的超体素邻域连接关系进行神经网络模型训练与预测,实现超体素粗分类结果的优化。基于开放数据集对所提分类方法进行有效性和精度验证,结果显示,该方法在公开数据集中对13类要素的分类精度可达到83.2%;与经典的深度学习框架相比,该方法在小样本训练时可以达到更优的分类精度。     

结合空洞卷积的FuseNet变体网络高分辨率遥感影像语义分割

针对多模态、多尺度的高分辨率遥感影像分割问题,提出了结合空洞卷积的FuseNet变体网络架构对常见的土地覆盖对象类别进行语义分割。首先,采用FuseNet变体网络将数字地表模型（digital surface model,DSM）图像中包含的高程信息与红绿蓝（red green blue,RGB）图像的颜色信息融合;其次,在编码器和解码器中分别使用空洞卷积来增大卷积核感受野;最后,对遥感影像逐像素分类,输出遥感影像语义分割结果。实验结果表明,所提算法在国际摄影测量与遥感学会(International Society for Photogrammetry and Remote Sensing, ISPRS)提供的Potsdam、Vaihingen数据集上的m_F1得分分别达到了91.6%和90.4%,优于已有的主流算法。     

井下巷道地磁匹配特征的CEA卷积增强的分析

针对井下某些巷道地磁空间变化平缓,地磁匹配概率低的问题,构建了井下巷道地磁卷积增强算子（convolution enhancement algorithms, CEA）,进行地磁匹配前的目标区域和匹配向量的卷积增强预处理,去除数据噪声和增强识别特征。以Laplace、高通滤波（High Pass）、索伯尔滤波（Sobel）图像卷积算子为基础,通过列向量特征的锐化处理,建立了井下巷道地磁卷积增强的Laplace、High Pass和Sobel卷积算子模板。选取某金矿4个巷道的地磁数据,开展了CEA算子卷积前后的均方差算法地磁匹配定位的仿真试验。试验结果表明,CEA算子卷积可以增强匹配序列和地磁图的地磁空间特征,降低了匹配数据中的噪声影响。在数据CEA卷积前后的地磁统计特征对比中发现,Laplace算子不仅保持了原有地磁图变化特征,还增大了数据空间变化的差异度,降低了相关性,效果明显。特别是600 nT的高噪声干扰匹配试验中,Laplace算子卷积能够降低噪声对地磁定位扰动影响,有效提高了地磁匹配定位的概率和精度,具有较强的鲁棒性,适合作为井下巷道地磁匹配的数据预处理模型。     

一种含室内空间结构的建筑物3D LOD概念模型与生成方法

针对现有建筑物多细节层次（level of detail,LOD）表达主要面向外部,很少涉及内部空间的问题,提出一种含室内空间结构的建筑物三维LOD概念模型。该模型分为LOD0~LOD6 7个LOD,细节层次由建筑物的基底平面图、幢模型、无侧面楼层模型、楼层模型、户模型、房间模型到含门、窗等建筑语义的信息房间模型,空间细节逐次变细,丰富了建筑物室内空间LOD的表达理论。为构建这种LOD模型,提出基于胞腔复形链边界算子和上边界算子的LOD生成方法。该方法引入代数拓扑的胞腔、胞腔复形和复形链3个概念,利用胞腔和胞腔复形表达LOD,并在LOD6的基础上,利用边界算子和上边界算子生成其他粗空间粒度LOD模型,为三维城市模型建筑物LOD构建提供一种新方法。     

遥感图像分割的低维纹理特征算子与双变异蝴蝶优化算法

针对光学遥感影像受天气影响导致部分地物间形成弱边缘问题,提出一种低维纹理特征算子与双变异蝴蝶优化算法。首先提出一种适用于遥感影像的低维完备局部三值模式的纹理特征提取算子,并将其引入简单线性迭代聚类算法,对遥感影像进行初始分割,减小了噪音影响,同时增强算法对弱边缘的敏感度和分割准确性;然后采用双变异蝴蝶优化的支持向量机合并同质超像素块,以简单线性迭代聚类算法和低维纹理特征算子得到的综合特征作为输入,得到最终分割图像。利用2组高分辨率遥感影像进行分割实验,并与当下流行的卷积神经网络进行对比,实验结果表明,所提算法相较于传统算法对弱边缘有更好的分割效果,数据一的边界回归率(boundary recall,BR)值较对比算法平均提高了1.9%,Kappa系数平均提高了0.036;数据二的BR值较对比算法平均提高了2.33%,Kappa系数平均提高了0.027。对比实验证明了所提算法相较于卷积神经网络有更好的泛化性。     

利用胶囊网络实现高光谱影像空谱联合分类

卷积神经网络等深度学习模型已经在高光谱影像分类任务中取得了理想的结果.然而,由于传统神经元只能进行标量计算,现有的深度学习模型无法对高光谱影像特征的实例化参数进行建模,因此无法在邻域范围受限的条件下获得令人满意的分类效果.通过引入胶囊网络结构设计了一种新型网络模型,该模型利用胶囊神经元进行向量计算,并利用权重矩阵编码特...     

点云压缩研究进展与趋势

三维点云为物理世界精细数字化提供了高精度的三维表达方式,广泛应用于三维建模、智慧城市、自主导航系统、增强现实等领域。然而点云的数据海量、非结构化、密度不均等特点给点云的存储和传输带来了巨大挑战,因此在有限的存储空间容量和网络传输带宽中实现低比特率、低失真率的点云压缩具有重要的理论意义和实用价值。围绕点云压缩中的研究现状、标准框架和评价指标,阐述国内外点云压缩算法研究工作、运动图像专家组压缩标准框架以及几何和属性信息质量评价指标的最新进展,分析比较3种开源点云压缩算法在点云压缩公开数据集下的性能表现,并对点云压缩的主要发展方向趋势予以展望。     

一种多尺度自适应点云坡度滤波算法

点云坡度滤波算法原理简单、易于实现,为进一步提升坡度滤波算法的自适应性,提出了一种多尺度自适应点云坡度滤波算法.首先,在数据预处理的基础上引入虚拟网格对点云数据进行分割;然后,利用距离加权的方式逐次计算网格点的坡度角,结合k均值聚类和正态分布自适应确定滤波阈值;最后,使用多尺度策略逐级缩小网格尺寸实现点云数据的精细滤波...     

点云辅助GB-InSAR影像与地形数据应急变形监测方法

将采用地面三维激光扫描(terrestrial laser scanning, TLS)、地基合成孔径雷达干涉测量(ground-based interferometric synthetic aperture radar, GB-InSAR)和无人机航空摄影测量（unmanned aerial vehicle photography, UAV）的综合遥感方案应用于崩塌体应急监测。引入迭代最近点法（iterative closest point, ICP）,首先实现TLS点云和UAV影像离散点云配准;然后,利用几何映射方法实现GB-InSAR二维形变图与TLS点云三维匹配;针对崩塌体应急缺少人工目标辅助校正几何映射偏差的问题,综合目视解译以及峰值相关性分析提取各数据间的同名特征点,根据同名特征点计算空间坐标变换参数,建立变换方程来完成误匹配纠正。利用所提的匹配方法处理模拟数据及某滑坡崩塌残余体实际监测数据,结果表明实测匹配精度达像素级,满足应急监测需求。