关于机载LiDAR点云数据形态学滤波的几点思考

形态学滤波是一种典型的机载LiDAR点云数据滤波方法,然而滤波过程中还存在某些容易被忽视的细节.本文在回顾现有各种形态学滤波算法的基础上,分析了特殊地形下点云数据内插存在的问题,提出了改进的内插算法;深入探讨了两种不同数据组织形式的滤波算法,指出基于不规则离散点和基于规则格网两种滤波方法各自的优势及不足;最后通过实验数据对两种方法在滤波性能和效率上给出了定性分析和定量评价.     

一种基于扫描线的数学形态学LiDAR点云滤波方法

运用数学形态学的机载激光雷达点云滤波方法一直在不断发展,Keqi Zhang方法是其改进方法之一.针对Keqi Zhang方法对原始点云数据造成内插误差的不足,提出了一种基于扫描线的数学形态学LiDAR点云滤波方法.该方法直接在扫描线上进行数学形态学开运算,并对扫描折线问题进行有效处理.3个测区的试验结果和滤波指标统计...     

LiDAR点云与遥感影像结合提取建筑物轮廓

结合点云数据与遥感图像数据提取建筑物轮廓提出一种新方法。首先对LiDAR点云高程栅格化,利用形态学滤波得到地物的高程图DSM;用渐进形态学对高程图进行滤波,得到地形图;通过克里金插值对地面点进行内插得到DTM;以DSM-DTM=DHM得到粗糙的高度图;通过中值滤波得到完善的高度图,进行基于高度信息和彩色信息的区域生长,最后进行基于方位梯度数据的分割,优化建筑物边缘,有效地实现了建筑物轮廓提取。     

基于LiDAR点云数据索引的DEM快速提取

DEM应用日趋广泛,从LiDAR点云数据中提取DEM是一种满足应用需求的简单有效方法。由于Li-DAR点云数据的庞大性,直接提取DEM效率不高。为了提高对点云数据处理的效率,本文探索应用索引技术来优化LiDAR点云数据的处理,生成高精度DEM。该方法首先对LiDAR原始数据点建立网格分块索引;然后再利用形态学的方法对LiDAR原始数据进行滤波处理;最后用逐点内插方法生成DEM。实验结果表明应用空间数据索引技术极大地提高了点云数据滤波与DEM生成的效率。     

基于模糊C均值聚类的机载LiDAR点云滤波

点云滤波是机载LiDAR数据处理的重要步骤.现有滤波算法大部分要建立点云之间的索引关系,增加了算法的复杂度;或需要对原始数据进行内插,导致原有精度损失.本文在对LiDAR点云数据的高程进行统计分析的基础上,引入模糊C均值聚类分析算法,针对大区域平坦复杂城区数据,无须建立索引或进行内插,能够快速简单地实现地面点与非地面点的分类.实验结果表明,该方法切实可行,能够较好地满足精度需求.     

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。     

基于点的多尺度形态学重建滤波方法EI北大核心CSCD

针对现有机载激光雷达(LiDAR)点云滤波算法难以准确分离复杂地形中地面点与地物点问题,提出了一种基于点的多尺度形态学重建滤波方法 PMMF (Point-based Multi-scale Morphological reconstruction Filter)。在初始尺度层次下,PMMF通过构建一种基于点的形态学重建对原始点云滤波,即先在掩膜点云约束下借助k邻域结构元素和高程缓冲区反复膨胀标记点云,获取潜在地面点;然后通过自适应坡度方法剔除潜在地面点中的非地面点,其中,坡度阈值随地形复杂度自适应变化。在上层滤波结果基础上,PMMF通过提升种子点选择的网格尺度重复上层滤波过程,直至结果收敛。以国际摄影测量与遥感学会(ISPRS)发布的15组基准数据为研究对象,将PMMF滤波结果与近5年(2016年—2020年)提出的15种滤波算法比较表明,PMMF有8组数据滤波效果占优,15组数据平均总误差和Kappa系数分别为2.71%和91.08%。使用4种不同地形特征的高密度机载LiDAR点云数据进一步验证PMMF的滤波效果,并将计算结果与简单形态学滤波(SMRF)、布料模拟滤波(CSF)、渐进加密三角网滤波(PTD)和多分辨率层次滤波(MHF)比较。结果表明,PMMF滤波性能最优,平均总误差为3.24%,较其他4种滤波方法分别减小了12.0%、59.1%、70.1%和53.2%。     

机载LiDAR点云数据自动生成DEM的方法与精度评价

设计了一种点云数据快速处理自动生成DEM的算法,介绍了滤波结果的评价方法以及通过标准DEM评价内插的DEM整体精度的方法;并选用河北承德地区的机载激光LiDAR点云数据进行了实验。结果表明,数据处理结果具有较高的精度,为激光点云数据自动生成DEM提供了一种有效的技术途径。     

一种自适应数学形态学LiDAR点云滤波方法

在Li DAR点云滤波算法当中,数学形态学滤波是其主要方法之一。传统的数学形态学在迭代次数、高程阈值的选取上,通常是通过人工依靠经验设置滤波参数,因此算法具有很大的盲目性。这里通过分析在不同迭代次数下滤波前后地面点云数目的变化特点,以及高程阈值与点云密度的关系,提出了一种自适应数学形态学滤波算法。采用不同地形的Li DAR数据对算法进行了实验分析,验证了算法的可行性。     

融合形态学灰度重建与三角网分层加密的LiDAR点云滤波

形态学滤波与三角网加密滤波是从LiDAR点云中自动识别真实地面点的两种重要方法,本文分析了两种方法优劣性及其过程实施的特点,提出了一种融合形态学灰度重建与不规则三角网分层加密的点云滤波新策略:1首先对LiDAR点云实施Ⅰ类错误优先的形态学灰度重建初始滤波,并通过"非最小值抑制"将LiDAR点云标记为地面可靠点、地面可疑点、非地面可疑点三种类别;2依据形态学灰度重建迭代顺序对非地面可疑点进行分层标记;3利用地面可靠点构建初始三角网,对地面可疑点、非地面可疑点依次进行三角网加密滤波,并基于分层标记信息自适应调整地面点判据参数。ISPRS标准数据滤波实验结果表明,本方法滤波质量高且具有较好的通用性。     

基于改进的数学形态学算法的LiDAR点云数据滤波

数学形态学在数字图像处理中有广泛的应用.首先介绍传统数学形态学算法的特点,对这一理论用于LiDAR点云数据滤波的不足进行了分析.在此基础上,对相应的算法进行扩展和改进,提出针对不同地形特点的自适应滤波算法.在数学形态学"开"算子的基础上,提出增加一个"带宽"参数用于点云数据滤波的方法.最后利用三组实际点云数据进行试验,以验证这一算法的有效性.     

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...     

基于激光点云数据的管道破损定量检测技术

采用管道激光扫描技术可获取管道内表面的点云三维信息,解决了传统管道视频检测方法难以定量化检测的问题。本文针对管道破损缺陷的点云数据特点,利用统计滤波和半径滤波等点云滤波算法,实现了管道破裂处点云删除;基于随机一致性采样(RANSAC)算法实现了管道点云圆柱面投影和管道点云数据二维平面展开;通过网格化筛选和区域生长算法实现了管道点云数据破损缺陷检测及自动化分析。实测数据验证了该方法的可靠性和有效性,可以准确识别管道破损位置,并计算破损面积、纵向长度、环向长度等参数。     

一种三维激光扫描点云数据的预处理方法

本文针对三维激光扫描数据存在异常数据和随机误差等特点,改进了两种点云数据的粗差剔除方法,针对点云数据的高频特性设计了基于卷积的等高线滤波方法,并通过实验证明其有效性;对扫描过程中数据可能存在缺失的情况给出了处理方法,并针对点云数据的质量做出了评定,讨论了利用强度信息进行数据滤波的可行性。     

三维激光点云的降噪算法对比研究

点云降噪是数据预处理中的一项基本操作,并且噪声滤除的效果将直接影响后期点云分割、配准、识别等操作成果的质量。受扫描环境及仪器影响,扫描生成的点云不可避免地会产生噪声点,必须借助点云降噪算法方能剔除。统计滤波与半径滤波是点云去噪中的常用方法,可有效地滤除离散点。本文基于PCL实现两种滤波算法,并对试验点云数据进行降噪处理,以验证滤波算法的有效性,最终分析参数设定对滤波效果的影响及对比两种滤波结果质量。     

知识引导下的城区LiDAR点云高精度三角网渐进滤波方法

针对城区LiDAR点云特点,提出一种基于知识的三角网渐进滤波方法：①对格网内插后的栅格数据进行面向对象分割;②采用迭代Otsu聚类手段对地面对象与非地面对象自动分离;③针对分类结果构建初始三角网,并自适应调整地面点判据参数,达到提高滤波质量目的。选用ALS50系统真实数据进行滤波实验,并与传统方法滤波结果进行精度评价,评价结果表明：基于知识的滤波方法能进一步提高点云滤波质量。     

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。     

一种改进的基于坡度变化的机载激光雷达点云滤波方法

机载激光点云数据滤波是获取高精度数字表面模型和数字高程模型的关键。本文分析了几种重要的滤波算法,在研究基于坡度变化的滤波算法的基础上,提出一种改进的分块滤波处理的方法。实验表明:该方法能有效对点云数据进行分类。     

基于多分辨率层次分类的机载LiDAR点云滤波方法

针对复杂地形环境滤波的需求,提出一种具有较强抗差稳定性的多分辨率层次分类滤波算法。该方法首先对原始点云数据进行格网化,主要通过设置格网分辨率值将数据分为3个层次,在每一层通过改进的局部最小值法选取初始地面种子点;然后利用薄板样条函数迭代内插生成栅格曲面,根据定义的残差阈值判定方法,完成点云的分类;分离出的地面点作为下一次迭代的种子点用于构建栅格曲面。利用ISPRS提供的15个训练数据对该方法进行实验,将实验结果与8种经典滤波算法进行对比分析,证明该方法在适应不同地形环境方面具有较强的稳健性。     

基于车载点云数据的道路边界点提取方法

本文针对以往道路边界信息获取存在的效率差、精度低等问题,提出一种基于移动车载激光扫描点云数据的道路边界点提取方法。首先,为减少道路原始点云数据量,提高后续处理算法的效率,使用Volex Grid滤波器下采样原始车载点云数据,得到抽稀后道路点云数据;其次,使用直通滤波算法对抽稀后点云数据进行滤波处理,剔除高大建筑物、植被等点云数据并使用梯度滤波算法分离地面点与非地面点;最后,使用边界特征估计法完成道路三维边界点的提取。使用两组不同类型路段点云数据进行实验,结果显示本文方法提取直线路段道路边线的完整率与准确率为96.3%、98.8%,提取弯曲路段道路边线的完整率与准确率为91.8%、96.7%,表明本文方法能够有效提取道路边界点,具有较高的准确性,能够为高精地图制作提供可靠的数据支撑。