多尺度点云噪声检测的密度分析法

当前机载激光雷达数据和影像匹配得到的点云是密集点云数据的两类主要来源,但都不可避免存在着噪声点。本文提出一种新的点云去噪算法,可适用于这两类数据中所包含的噪声点的去除。算法主要包括两步:第1步利用多尺度的密度算法去除孤立噪声和小的簇状噪声;第2步利用三角网约束将第1步中误检测为噪声的点重新归为正常点。针对真实数据进行了剔噪试验,结果表明本文提出的基于密度分析的多尺度噪声检测算法对孤立噪声和簇状噪声都有较为效,且对于质量较差的影像匹配点云的检测也能有效处理。本文算法检测率达到97%以上。     

面向多维时空位置数据的动态加权聚类模型

针对传统聚类算法在处理时空位置数据挖掘时面临的多维聚类问题,提出了动态加权聚类模型。该模型叠加利用经典k-均值和基于密度的DBSCAN聚类算法,通过计算最大轮廓系数确定合适的簇数目,按照划分初始簇类、识别和剔除噪声点、修正聚类簇中心点位置坐标3个步骤实现对大体量多维时空位置数据的聚类分析,提出了动态权重系数计算公式,优化了基于密度的DBSCAN聚类算法中相似度函数,并在Python3.7环境下以网络签到数据集实例仿真验算了该模型算法。实验结果表明,相较单一的传统聚类算法,该模型能综合利用多维非位置属性对时空位置数据点聚类,更合理界定聚类簇的归属数据点,对提升时空位置数据集聚类簇中数据点的聚类效果明显。     

DBSCAN聚类和改进的双边滤波算法在点云去噪中的应用

采用基于密度的DBSCAN聚类算法对点云数据进行去噪处理，然后通过改进的双边滤波方法进行光顺处理实现点云平滑效果，最终的结果不仅有效去除了噪声点，还保留了点云模型的特征。以沈阳民国时期代表性的建筑——沈阳金融博物馆为试验模型进行试验，结果表明：通过DBSCAN聚类算法处理后得到的点云数据，再经改进的双边滤波处理所得到的数据远远比原点云数据直接运用改进的双边滤波处理得到的数据精度高，点云去噪效果更好。     

基于区域生长的体素滤波点云去噪算法

介绍了一种基于区域生长的体素滤波点云去噪算法。首先,使用体素滤波算法将点云数据体素化后,根据每个网格与最大密度网格的比值大小,将网格分为两类:大密度网格、小密度网格。然后对大密度网格使用区域生长法处理。最后,对全部数据进行区域生长处理。实验结果表明,该方法能够消除大、小尺度噪声,并且能够消除簇状噪声,且不改变点云的纹理信息。     

激光点云输电线精细提取的残差聚类法

针对输电线点云数据中存在缺失、噪声等复杂环境,提出了一种基于模型残差聚类的激光点云电力线精细提取方法。首先根据归一化高程阈值分割去除近地面点,在此基础上,采用自适应维度特征和方向特征粗提取电力线点;然后以抛物线模型为约束条件,采用改进的建模方法,确定模型残差并对其进行密度聚类,根据聚类结果实现单根电力线精细提取;最后讨论了关键参数的选择对提取结果的影响。两景实测数据试验表明:该方法能快速实现点云部分缺失、噪声干扰等复杂环境下的电力线精细提取,无须电力线数目、点云密度等先验知识,对不同类型分裂导线提取均具有很好的适用性。单根电力线提取准确率达99.17%以上,模型误差最大值为0.167 m,中误差最大值为0.079 m。     

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。     

中心均匀化密度峰值聚类的激光点云分割

针对常规的密度峰值聚类算法在确定数据聚类中存在聚类中心的重复性、聚类不稳定、不适用于三维点云分割等问题,提出了中心均匀化聚类群融合算法.该算法对局部密度和距离函数进行归一化处理,较好地解决了这两种函数尺度不一的问题;基于局部密度和距离函数乘积的变化率来确定聚类中心,并对重复或距离很近的聚类中心进行了消除,避免了聚类中心非均匀分布对聚类的影响;利用数据点到聚类中心距离逐个确定每个数据的聚类归属,依据邻近聚类数据群之间的距离来判断邻近聚类之间的融合,实现对点云数据的有效分割.基于二维离散数据聚类及不同分辨率点云数据分割的实验结果表明:所提算法不仅适用于二维离散数据的聚类,也适用于三维点云数据的分割,且分割精度和稳定度要优于常规的CFDP、K-means、DBSCAN、DPC聚类算法和深度学习方法.     

一种K-均值聚类的改进算法及其应用

由于传统的K-均值聚类算法固有的特性,如对初始聚类中心的依赖性和对噪声点的敏感性,导致了其聚类结果的不稳定。文中基于k-dist图提出一种改进算法,算法首先去除数据集中的噪声点,然后从数据集中选取靠近点聚集区域、相距最远的k′个数据点作为初始簇中心。实验结果证明,文中算法能够很好地消除K-均值聚类算法对初始簇中心的依赖性,并能有效去除噪声点。     

利用优化的DenStream算法进行空间数据流聚类

为了有效解决DenStream算法在空间数据流聚类应用中存在的密度空间分布不均的问题,本文提出使用相对密度比代替密度作为聚类参数,通过考虑微簇周围密度环境,降低密度分布不均对聚类的影响。同时,使用空间格网索引,方便查找周围的微簇与数据点,进而提高算法效率。最后,通过使用真实数据对优化前后的算法进行对比,验证了优化后的算法在继承DenStream算法优点的基础上,有效地避免了密度空间分布不均的问题。     

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。     

基于三角网光滑规则的LiDAR点云噪声剔除算法

通过对传统移动均值法、频率域信号分析等离散点云噪声剔除算法局限性的分析,结合LiDAR点云离散空间分布特性,本文提出一种基于三角网光滑规则的点云噪声剔除算法。该算法先快速生成离散点云的二维Delaunay三角网,并构建任意点的邻接拓扑关系,然后依据设定的光滑规则进行噪声信号点检测,并输出非噪声点信号。针对条带数据进行实验,结论表明本文算法适合离散点状噪声剔除,可较大程度提高点云数据的信噪比。     

TLS三维点云聚类滤波算法应用研究

现有地面三维激光扫描点云数据滤波算法较少,针对地形复杂区域的点云滤波效果更是不甚理想,因此对二维聚类算法进行改进,提出三维点云聚类滤波算法,并对其在地形复杂区域的TLS数据滤波中的应用进行研究。以重庆鸡冠岭危岩体的TLS数据为例,分别采用曲率平滑滤波方法和文中提出的点云聚类滤波方法处理,并对两种方法处理过的数据进行形变量计算和分析。实验证明,针对植被覆盖茂密、地形复杂的山体,该方法的点云滤波效果较好,且处理速度有较大提升,能为点云后期形变量计算提供较好的基础。     

利用多元LBP特征自动提取城市道路边界

车载移动测量系统可采集高精度道路三维点云数据,为道路边界自动化提取提供了支撑.为解决车载激光点云中城市道路边界点云提取困难问题,本文引入局部二值模式LBP(Local Binary Pattern),针对各类城市道路边界特征,设计了高度LBP、高程离散度LBP和空间形状LBP3种改进算子;构建多元LBP特征语义识别模型...     

直线簇约束下的地面LiDAR点云配准方法

高精度的地面LiDAR点云配准是空间目标三维表面拓扑重建的关键,针对待配准LiDAR点云和基准LiDAR点云存在位置、姿态和比例缩放差异的问题,提出了基于直线簇的地面LiDAR点云配准方法。首先,根据直线间相交、平行和异面的拓扑关系,分别对待配准和基准LiDAR点云的直线进行聚簇,构建直线簇;然后,分别将同名直线用Plücker坐标表示,通过待配准LiDAR点云的直线簇在空间中的螺旋缩放运动,使其与基准LiDAR点云的直线簇比例尺一致,且同名Plücker直线重合,构建基于直线簇的共线条件方程,实现了比例因子和相对位姿一体化解算。实验结果表明,直线簇的螺旋缩放增强了配准方程的几何约束性,提高了抗噪声能力,实现了高精度的地面LiDAR点云配准。     

基于法向偏差的隧道点云去噪算法

针对隧道类似圆柱的形态特征以及三维点云法向对噪声的敏感性,设计一种剔除由通行车辆和隧道内壁悬挂物所造成噪声点的方法。该方法利用点云的大量法向量鲁棒地估计出精确的隧道轴向,并根据点云法向与隧道轴向的偏差识别出可靠的隧道表面点,然后参照可靠点完成噪声点的进一步确认。利用仿真数据和真实的高速公路隧道扫描点云实验结果证明该方法的有效性和精确性。     

利用距离变换模型进行卫星影像与激光点云精配准

卫星影像可以低成本、高频率地提供地物光谱特性观测信息,而激光点云可以提供精细的几何结构,两类数据的融合可以实现优势互补,进一步提高地物分类和信息提取的精度和自动化程度。实现亚像素级精度的几何配准是实现两类数据融合的前提,提出了一种基于线元素距离变换模型的快速配准方法。该方法以点云为控制源,将点云中的建筑物边缘等典型线元素通过卫星影像的初始有理多项式系数(rational polynomial coefficient, RPC)投影到像方空间,与卫星影像中的线元素进行迭代最近点配准,从而通过RPC参数精校正的方式实现几何配准。采用距离变换模型作为迭代最近点搜索的查找表,提高了运算效率;采用最新的渐进式鲁棒求解策略,能在噪声极多的情况下保证配准的鲁棒性。采用GeoEye-2、高分七号、WorldView-3等卫星影像与激光点云进行了配准实验,并分别通过人工精确量测的外业控制点和作业员内业刺的控制点作为检查,证明所提方法能在3种影像上达到0.4～0.7 m的配准精度,显著优于将点云映射为二维图像然后通过多模态匹配进行配准的策略。     

机载激光雷达点云数据的实时渲染

提出了一种实时绘制大规模LIDAR点云数据的方法。该方法通过构建一棵顺序四叉树使点云均匀分布在四叉树节点上,来实现快速的数据筛选。阐述了顺序四叉树的快速建立,并通过一个试验系统验证了文中所提方法的有效性。试验表明,使用目前普通配置的计算机,通过自适应控制绘制的数据量,可以实时绘制约1GB的原始点云数据。     

三维有限元分析的LIDAR点云噪声剔除算法

提出一种基于三维有限元分析的LIDAR点云典型噪声剔除算法。该算法首先采用空间六面体模型对原始LIDAR点云进行有限单元剖分;其次依据基于邻接关系的推理规则进行噪声单元与非噪声单元聚类;最后进一步选择更精细剖分阈值迭代剔除低矮噪声。采用国际主流机载LIDAR系统所获取的点云数据进行相关算法对比实验,结果表明三维有限元分析剔噪算法具有更好效果。     

Comparative Analyses of the Point Cloud Produced by Using Close-Range Photogrammetry and Terrestrial Laser Scanning for Rock Surface

Point cloud produced by using theoretically and practically different techniques is one of the most preferred data types in various engineering applications and projects. The advanced methods to obtain point cloud data in terrestrial studies are close range photogrammetry (CRP) and terrestrial laser scanning (TLS). In the TLS technique, separated from the CRP in terms of system structure, denser point cloud at certain intervals can be produced. However, point clouds can be produced with the help of photographs taken at appropriate conditions depending on the hardware and software technologies. Adequate quality photographs can be obtained by consumer grade digital cameras, and photogrammetric software widely used nowadays provides the generation of point cloud support. The tendency and the desire for the TLS are higher since it constitutes a new area of research. Moreover, it is believed that TLS takes the place of CRP, reviewed as antiquated. In this study that is conducted on rock surfaces located at Istanbul Technical University Ayazaga Campus, whether point cloud produced by means photographs can be used instead of point cloud obtained by laser scanner device is investigated. Study is worked on covers approximately area of 30 m?×?10 m. In order to compare the methods, 2D and 3D analyses as well as accuracy assessment were conducted. 2D analysis is areal-based whereas 3D analysis is volume-based. Analyses results showed that point clouds in both cases are similar to each other and can be used for similar other studies. Also, because the factors affecting the accuracy of the basic data and derived product for both methods are quite variable, it was concluded that it is not appropriate to make a choice regardless of the object of interest and the working conditions.