利用机载LiDAR点云数据提取城区道路

提出一种从机载LiDAR点云中提取城区道路的方法。首先,利用机载LiDAR点云的高程和强度属性,对末次回波点云进行去噪、滤波和分类后获取初始道路点云;然后使用基于边长和面积阈值的约束Delaunay不规则三角网方法精化初始道路点云;最后采用α-Shapes方法从精化后的道路点集中提取道路轮廓,并用数学形态学细化方法提取道路中心线。试验结果表明,该方法提取的城区道路正确率和完整性较高。     

机载LiDAR建筑物点云渐进提取算法

针对机载LiDAR建筑物点云提取过程中易受植被的影响的问题,本文提出了一种机载LiDAR建筑物点云的渐进提取算法。首先通过布料模拟滤波算法对地面点云与非地面点云进行区分,在此基础上利用最大类间方差法算法（Otsu）对非地面点云进行阈值分割,提取初始建筑物点云;然后根据点云的连通性对初始建筑物点云进行密度聚类分割（DBSCAN）,剔除离群噪声点;最后通过Alpha Shape算法实现建筑物点云的边缘提取。本文选取ISPRS官网提供的3组典型城区LiDAR点云数据进行试验,试验结果表明,本文算法可达到较好的建筑物点云提取效果。     

基于机载LiDAR点云数据的城区道路提取

对于利用机载LiDAR点云数据提取城区道路提出一种新的思路。首先利用机载LiDAR点云数据的高程和强度属性对城区道路进行初始提取,获得初始道路点云;其次采用距离分割法和基于RANSAC算法的分割方法精化初始道路点云,有效剔除停车场等与道路相似的区域;最后采用数学形态学细化方法提取道路中心线。实验结果表明,该方法可以较正确和完整地提取城区道路。     

基于机载LiDAR点云数据的城区道路提取

针对利用机载LiDAR点云数据提取城区道路问题,本文提出一种新的思路。首先利用机载LiDAR点云数据的高程和强度属性对城区道路进行初始提取,获得初始道路点云;然后采用距离分割法和基于RANSAC算法的分割方法精化初始道路点云,有效剔除停车场等与道路相似的区域;最后采用数学形态学细化方法提取道路中心线。实验结果表明,该方法可以较完整地提取城区道路。     

机载LiDAR点云数据的组合滤波算法研究

针对采用渐进式形态学滤波算法进行机载LiDAR点云滤波时存在的滤波效果不佳、地形特征保留不明显的问题,本文提出了一种改进不规则三角网的后处理滤波算法,构建组合式机载LiDAR点云滤波算法。该组合算法有效地结合了渐进式形态学滤波算法与改进TIN滤波算法的优势,首先采用渐进式形态学滤波算法对原始机载LiDAR点云数据进行处理,提取得到初始地面点;其次优化传统TIN滤波算法,以初始地面点及种子点构建TIN,通过连续迭代提取得到精细化地面点。为验证本文提出滤波算法的可靠性与优越性,选取宁波市某地2组机载LiDAR点云数据进行实验,结果表明,与较单一的渐进式形态学滤波算法、TIN滤波算法地面点提取结果相比较,本文改进滤波算法提取地面点的Ⅰ类误差、Ⅱ类误差及总误差均更低,且不受地形条件限制,具有较高的适应性,验证了本文提出改进滤波算法的可靠性与优越性。     

基于机载LiDAR点云的道路提取算法研究

提出一种对点云特征信息进行聚类的方法,以提取机载LiDAR数据中的道路。通过采用软件ENVI 5.3反复建立三角网实现点云滤波获取地面点云,且采用零—均值标准化对地面点云进行标准化,以消除其量纲。然后进一步利用K-means++方法对点云三维坐标聚类实现点云分割,以获取包含道路点云的类别,且对该类别中点云的高度信息进行聚类以提取道路点云。以荒漠植被区机载LiDAR为研究区,对比直接对点云高度信息聚类的结果表明:在设置相同聚类参数的基础上,直接进行高度聚类的SSE总和为2 550.714,所提出的先分割后聚类方法获取的SSE总和为73.696,比直接进行高度聚类的SSE总和低2 477.018,说明本方法使K-means++性能更好。对比运算速度发现,虽然采用该方法聚类消耗时间比直接聚类消耗时间多16 s,但提取结果更好,可去除非道路点云3 673个。     

基于渐进三角网的机载LiDAR点云数据滤波

机载LiDAR点云数据滤波是获取高精度数字高程模型的关键,也是目前LiDAR点云数据处理领域研究的重点和难点之一。提出了基于渐进三角网的机载LiDAR点云数据滤波方法,首先以规则格网和不规则三角网组织数据,采用区域分块法或数学形态学法选取种子地面点建立初始稀疏三角网,通过不断向上加密三角网提取地面点。试验结果表明,该算...     

基于法向量密度聚类的LiDAR点云屋顶面提取

针对现有算法从LiDAR点云中提取复杂建筑物屋顶面不完整、阈值难以设置的问题,提出一种结合点云空间分布的法向量密度聚类提取屋顶面点云方法。通过构建Delaunay三角网,计算建筑物LiDAR点云的法向量;在分析建筑物点云空间和法向量分布特点的基础上,定义一种邻域关系度量屋顶面点云之间的相似性,并利用提出的算法聚类建筑物点云,得到屋顶面片点云粗提取结果;通过构建屋顶面片缓冲区,经面片处理得到建筑物各屋顶面的完整点云。选取不同复杂程度的建筑物进行实验,结果表明,算法能有效提取复杂建筑物屋顶面点云,具有较好的适应性,并能为建筑物三维重建提供可靠的屋顶面信息。     

利用偏度平衡自动提取机载LiDAR点云城区道路

针对机载LiDAR点云提取城区道路自动化程度低以及提取道路网不完整的问题,提出一种基于偏度平衡算法自动提取城区道路的方法。首先,计算末次回波点云中邻近点的坡度,依据城市道路设计标准选择坡度阈值,分离非地面点并获得初始道路点云;然后,利用偏度平衡算法计算出最优强度阈值,滤除非道路点,再结合道路与停车场的空间位置关系,通过点距精化初始道路点云;最后,对道路区域进行细化和平滑,得到道路中心线。通过定量分析及对比实验,该方法能够自动地从LiDAR点云中提取出较为完整的道路网。     

基于机载LiDAR点云的电力线提取与三维重建

为了解决地形复杂、点云密度不均匀的输电线机载激光雷达(LiDAR)点云电力线提取精度低的问题，本文根据电力线点的空间分布特征设计与实现了一套电力线提取与三维重建方法。首先，使用改进曲面拟合滤波算法与形态学开运算实现地面点、低矮植被点等的滤除；其次，以滤波处理得到点云数据为数据源，利用电力线点维度特征实现电力线点粗提取并利用密度聚类算法进行单根电力线精提取；最后，基于单根电力线提取结果进行电力线三维重建。为了对本文提出电力线提取与重建方法进行检验，使用宁波市某高压交流输变电工程中部分实测机载LiDAR点云数据进行实验，结果表明，本文方法提取28根电力线结果误差率均在0.04%以内，验证了本文方法的可靠性与实用性。     

矢量数据辅助的高分辨率遥感影像道路自动提取

高分辨率遥感影像上细节信息繁杂、干扰物普遍存在,对其进行自动化道路识别与提取的相关研究仍处在探索阶段。在道路提取过程中引入矢量数据辅助,可解决初始信息获取的困难,得到可靠性较强的训练样本。为此,提出一种矢量数据辅助下的道路提取方法,能够筛选出矢量数据中包含的有效信息,引导实现对高分辨率遥感影像的道路自动提取。利用Mean-shift滤波对图像进行预处理后,首先从矢量数据获取候选种子点,并通过提炼同质区域的形状特征剔除错误候选点;然后,自动获取负样本点以进行朴素贝叶斯分类,并采用邻域质心投票算法从分类影像提取道路中心线;最后,结合像素跟踪与方向判断矢量化道路中心线,并提出一种基于矢量几何分析的断线连接与毛刺剔除方法,对提取结果进行信息修复与规整、优化。实验结果显示,该算法的提取质量达到80%以上,且具备较强的稳健性,能够适应具有不同道路辐射和分布特征的高分辨率遥感影像。     

出租车GPS轨迹集聚和精细化路网提取

针对利用GPS数据提取双向路网和交叉路口转向信息精度低的不足,本文提出一种顾及位置与行驶方向的轨迹集聚和精细化路网提取方法,实现了精细化路网提取。为提高交叉路口路网的提取精度,首先剔除原始轨迹中的离散和异常轨迹点,并按一定的步长对轨迹段进行加密;然后引入行驶方向角来表达车辆在轨迹点处的行驶方向,顾及位置和行驶方向获取每个轨迹点的相似轨迹点集合;接着依次计算每个轨迹点的偏移距离,通过对轨迹点的迭代偏移完成轨迹集聚;最后剔除未成功集聚的轨迹点,将完成集聚的轨迹点连成轨迹线并作缓冲区,运用栅格数据数字化方法提取得到能够反映道路精细转向关系的道路网。以福州市出租车GPS数据进行轨迹集聚和路网提取试验,结果表明:本文方法能有效地将GPS轨迹按车辆行驶方向分别进行集聚,提取的道路网为双向道路并且能反映交叉路口处道路的精细转向关系。     

基于角度纹理特征及剖面匹配的高分辨率遥感影像带状道路半自动提取

提出了一种基于角度纹理特征及剖面匹配相结合的高分辨率遥感影像带状道路半自动提取方法.该方法由用户输入道路起点、初始方向及宽度,使用角度纹理特征模型预测初始的道路中线点,以抛物线方程参数构建道路中线轨迹参数模型.使用计算曲率变化的方法验证道路轨迹点,对验证失败的中线点位使用剖面匹配算法进行重新预测并确定,最终提取出该道路中线轨迹.本文使用Visual C 构建了原型系统,对QuickBird及IKONOS影像中具有一定宽度的带状道路进行了提取试验,并与经典的基于剖面匹配的半自动道路提取算法和基于Snakes的半自动道路提取算法进行了对比试验.经试验验证,本算法取得了较为理想的结果.     

快速提取城市道路中心线

城市道路在空间分布上具有一定的规则。我国的城市道路布局主要有方格式、扇形式等。本文针对这种布局规则的道路网,提出一种快速提取道路中心线的方法。通过对图像进行扫描,将属于一条道路的所有像素点归并到一个容器中,提取中心点并输出成道路线。同时,介绍了几种典型道路的处理方法。实验研究表明该方法可以快速、精准地提取道路中心线,具有实际应用价值。     

一种基于小波变换的遥感影像道路自动提取方法

遥感影像上道路的自动提取是摄影测量与遥感、计算机视觉等领域的重要课题。本文通过对图像小波系数的分析,完成道路节点的提取。随后利用基于小波变换的边缘提取算子,对道路进行边缘提取。边缘提取出来之后,以道路节点为种子点,对道路进行Snake跟踪。为保证提取效果,对图像进行了预处理。实验表明,利用本文提出的理论与方法能为道路网的自动提取与识别提供一个可靠的依据,同时也对其他地物（如建筑物）的自动提取提供一个有价值的参考。     

改进全卷积网络方法的高分二号影像农村道路提取

针对目前利用高分遥感数据提取农村道路的研究与应用少,提取结果精准度不够的问题,提出了结合空洞卷积和ASPP（Atrous Spatial Pyramid Pooling）结构的改进全卷积农村道路提取网络模型DC-Net（Dilated Convolution Network）。该模型基于全卷积的编解码结构来提取道路深度特征信息,同时针对农村道路细长的特点,在解编码层之间加入了以空洞卷积为基础的ASPP（Atrous Spatial Pyramid Pooling）结构来提取道路的多尺度特征信息,在不牺牲特征空间分辨率的同时扩大了特征感受野FOV（Field-of-View）,从而提高细窄农村道路的识别率。以长株潭城市群郊区部分区域为试验对象,以高分二号国产卫星遥感影像为实验数据,将本文提出的方法与经典的几种全卷积网络方法进行实验结果对比分析。实验结果表明：（1）本文所提出的道路提取模型DC-Net在农村道路的提取上具有可行性,整体提取平均精度达到98.72%,具有较高的提取精度;（2）对比几种经典的全卷积网络模型在农村道路提取上的效果,DC-Net在农村道路提取的精度和连结性、以及树木和阴影的遮挡方面,均表现出了较好的提取结果;（3）本文提出的改进全卷积网络道路提取模型能够有效地提取高分辨率遥感影像中农村道路的特征信息,总体提取效果较好,为提高基于国产高分影像的农村道路提取精度提供了一种新的思路和方法。     

影像与LiDAR数据信息融合复杂场景下的道路自动提取

城区的道路自动提取受场景复杂度的影响一直是极具挑战的任务,尤其是阴影和遮挡较严重地区的道路提取难度较大。结合LiDAR数据和高分辨率遥感影像,提出一种自动道路提取方法。该方法首先对滤波后的点云强度信息获取初始道路中线及道路关键点;将地面点云强度,离散度及高分辨率遥感影像光谱数据多重信息融合建立道路模型,并以优化后的道路关键点作为种子点利用动态规划计算模型最优解,进一步提取道路网。试验表明,该方法在城市复杂场景下的自动提取主要道路是有效的。     

Automatic urban road extraction using airborne laser scanning/altimetry and high resolution satellite data

Automatic road extraction from remotely sensed images has been an active research in urban area during last few decades. But such study becomes difficult in urban environment due to mix of natural and man-made features. This research explores methodology for semiautomatic extraction of urban roads. An integrated approach of airborne laser scanning (ALS) altimetry and high-resolution data has been used to extract road and differentiate them from flyovers. Object oriented fuzzy rule based approach classifies roads from high resolution satellite images. Complete road network is extracted with the combination of ALS and high-resolution data. The results show that an integration of LiDAR data and IKONOS data gives better accuracy for automatic road extraction. The method was applied on urban area of Amsterdam, The Netherlands.     

融合高分影像和LiDAR数据的城市道路提取

为避免由于城市道路复杂及树木建筑的阴影遮挡导致从遥感影像中提取道路信息不准确的问题,本文采用高分影像和LiDAR数据相融合的方法实现城市道路的提取,并使用一种基于最小面积外接矩形（MABR）的后处理改进方法进行完善。首先对试验区进行数据配准;然后应用FNEA算法进行图像分割,并使用随机森林分类法进行分类,将影像融合和对象形状指数等相关算子应用到道路提取中;最后去除植被和建筑物,完善道路填充,提取出道路完整信息。结果多伦多和台安试验区的道路完整度分别为95.41%和90.84%,准确度分别为83.07%和85.63%。本文方法可有效去除伪道路信息,提高道路提取完整度,较好地实现了道路信息提取。