CN107194431A - 机载LiDAR点云数据分类技术 - Google Patents

机载LiDAR点云数据分类技术 Download PDF

Info

Publication number
CN107194431A
CN107194431A CN201710398345.0A CN201710398345A CN107194431A CN 107194431 A CN107194431 A CN 107194431A CN 201710398345 A CN201710398345 A CN 201710398345A CN 107194431 A CN107194431 A CN 107194431A
Authority
CN
China
Prior art keywords
grid
point cloud
cloud
virtual grid
point
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
CN201710398345.0A
Other languages
English (en)
Inventor
马广迪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang State Remote Geographic Information Technology Co Ltd
Original Assignee
Zhejiang State Remote Geographic Information Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang State Remote Geographic Information Technology Co Ltd filed Critical Zhejiang State Remote Geographic Information Technology Co Ltd
Priority to CN201710398345.0A priority Critical patent/CN107194431A/zh
Publication of CN107194431A publication Critical patent/CN107194431A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/176—Urban or other man-made structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明属于无人机用具技术领域，尤其涉及一种机载LiDAR点云数据分类技术。本发明公开了机载LiDAR点云数据分类技术，基于多尺度虚拟格网与坡度阈值的滤波方法：基于虚拟格网的坡度滤波算法基础上，采用类似影像金字塔的方式构建不同尺度即多级虚拟格网,所有的处理都是以单个单元为对象的，通常与目标数据库中记录的个数无关，只与把数据空间分为多少个单元有关。本发明的有益效果是：可以对机载LiDAR系统得到的信息能够进行快速、有效、精确的进行分类。

Description

机载LiDAR点云数据分类技术
技术领域
本发明属于无人机用具技术领域，尤其涉及一种机载LiDAR点云数据分类技术。
背景技术
机载LiDAR(Light Detection And Ranging)系统为三维空间数据采集提供了一种全新的技术手段，它不受日照和天气条件的限制，具有快速、精确、直接获取三维信息的特点,在地形测绘、环境监测、海岸带测量和城市三维建模等应用中扮演着日益重要的角色,并在一定程度上开辟了对地观测技术新的发展方向。
激光雷达能够直接获取所观测对象表面点的三维坐标以及该点的强度信息。而由于地物的复杂性和反射率的多样性,导致在地物分类和提取上存在一定的难度和分歧，如何在缺少光谱信息以及其他的辅助数据的情况下，有效地从激光扫描所获取的“点云”数据中进行地物点的分类和提取，是目前LiDAR数据处理研究的重点问题之一。
发明内容
本发明的目的在于解决以上所述的技术问题，提供一种可以对机载LiDAR系统得到的信息能够进行快速、有效、精确的进行分类的机载LiDAR点云数据分类技术，其技术方案如下：
机载LiDAR点云数据分类技术，其特征在于：
基于多尺度虚拟格网与坡度阈值的滤波方法：基于虚拟格网的坡度滤波算法基础上，采用类似影像金字塔的方式构建不同尺度即多级虚拟格网，各级格网都以每个网格内的最低点作为地面种子点，然后对最大尺度网格种子点进行去噪，再根据坡度阈值以网格尺度由大到小的顺序逐层对种子点进行平滑处理，最后以最小尺度虚拟格网地面种子点作为基准种子点对整个数据集进行滤波处理；
融合航空影像的非地面点云分类：根据点云的RGB 值范围提取出一部分光谱特征明显的植被；然后根据点云的高程纹理特征区分出建筑物点云；最后利用回波次数信息过滤出剩余点云中的植被点，进而完成对整个非地面点集的二级分类；
基于强度信息聚类的地面点云分类：基于网格的聚类方法首先将数据空间划分成为有限个单元的网格结构，所有的处理都是以单个单元为对象的，通常与目标数据库中记录的个数无关，只与把数据空间分为多少个单元有关。
本发明的有益效果是：可以对机载LiDAR系统得到的信息能够进行快速、有效、精确的进行分类。
具体实施方式
下面具体说明实施例：
机载LiDAR点云数据分类技术，其特征在于：
基于多尺度虚拟格网与坡度阈值的滤波方法：基于虚拟格网的坡度滤波算法基础上，采用类似影像金字塔的方式构建不同尺度即多级虚拟格网，各级格网都以每个网格内的最低点作为地面种子点，然后对最大尺度网格种子点进行去噪，再根据坡度阈值以网格尺度由大到小的顺序逐层对种子点进行平滑处理，最后以最小尺度虚拟格网地面种子点作为基准种子点对整个数据集进行滤波处理；
融合航空影像的非地面点云分类：根据点云的RGB 值范围提取出一部分光谱特征明显的植被；然后根据点云的高程纹理特征区分出建筑物点云；最后利用回波次数信息过滤出剩余点云中的植被点，进而完成对整个非地面点集的二级分类；
基于强度信息聚类的地面点云分类：基于网格的聚类方法首先将数据空间划分成为有限个单元的网格结构，所有的处理都是以单个单元为对象的，通常与目标数据库中记录的个数无关，只与把数据空间分为多少个单元有关。
在应用上：
1、引入多尺度的概念，设计了一种基于多尺度虚拟格网与坡度阈值的机载LiDAR点云滤波方法。
2、采用多组机载LiDAR数据进行实验和误差分析，采用虚拟格网组织点云数据，无需进行格网内插，在取得较高运算效率的同时，又避免了原始信息损失。
分析了非地面点云的基本特征和可用于分类的数据类型，提出了综合应用回波次数、高程纹理、光谱信息的分类策略，同时建立了非地面点分类的具体方法流程。

Claims (1)

1.机载LiDAR点云数据分类技术，其特征在于：
基于多尺度虚拟格网与坡度阈值的滤波方法：基于虚拟格网的坡度滤波算法基础上，采用类似影像金字塔的方式构建不同尺度即多级虚拟格网，各级格网都以每个网格内的最低点作为地面种子点，然后对最大尺度网格种子点进行去噪，再根据坡度阈值以网格尺度由大到小的顺序逐层对种子点进行平滑处理，最后以最小尺度虚拟格网地面种子点作为基准种子点对整个数据集进行滤波处理；
融合航空影像的非地面点云分类：根据点云的RGB 值范围提取出一部分光谱特征明显的植被；然后根据点云的高程纹理特征区分出建筑物点云；最后利用回波次数信息过滤出剩余点云中的植被点，进而完成对整个非地面点集的二级分类；
基于强度信息聚类的地面点云分类：基于网格的聚类方法首先将数据空间划分成为有限个单元的网格结构，所有的处理都是以单个单元为对象的，通常与目标数据库中记录的个数无关，只与把数据空间分为多少个单元有关。
CN201710398345.0A 2017-05-31 2017-05-31 机载LiDAR点云数据分类技术 Withdrawn CN107194431A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710398345.0A CN107194431A (zh) 2017-05-31 2017-05-31 机载LiDAR点云数据分类技术

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710398345.0A CN107194431A (zh) 2017-05-31 2017-05-31 机载LiDAR点云数据分类技术

Publications (1)

Publication Number Publication Date
CN107194431A true CN107194431A (zh) 2017-09-22

Family

ID=59877523

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710398345.0A Withdrawn CN107194431A (zh) 2017-05-31 2017-05-31 机载LiDAR点云数据分类技术

Country Status (1)

Country Link
CN (1) CN107194431A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111814774A (zh) * 2020-09-10 2020-10-23 熵智科技(深圳)有限公司 一种5d纹理网格数据结构
CN112241661A (zh) * 2019-07-17 2021-01-19 临沂大学 一种结合机载LiDAR点云数据和航空影像的城市地物精细化分类方法
CN114660611A (zh) * 2022-02-28 2022-06-24 山东科技大学 一种机载LiDAR测深与多波束声呐测深点云的融合方法
US11501490B2 (en) 2020-07-28 2022-11-15 Toyota Research Institute, Inc. Systems and methods for multi-resolution fusion of pseudo-LiDAR features

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104123730A (zh) * 2014-07-31 2014-10-29 武汉大学 基于道路特征的遥感影像与激光点云配准方法及系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104123730A (zh) * 2014-07-31 2014-10-29 武汉大学 基于道路特征的遥感影像与激光点云配准方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
龚亮: "机载LiDAR点云数据分类技术研究" *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112241661A (zh) * 2019-07-17 2021-01-19 临沂大学 一种结合机载LiDAR点云数据和航空影像的城市地物精细化分类方法
US11501490B2 (en) 2020-07-28 2022-11-15 Toyota Research Institute, Inc. Systems and methods for multi-resolution fusion of pseudo-LiDAR features
CN111814774A (zh) * 2020-09-10 2020-10-23 熵智科技(深圳)有限公司 一种5d纹理网格数据结构
CN111814774B (zh) * 2020-09-10 2020-12-18 熵智科技(深圳)有限公司 一种5d纹理网格数据结构
WO2022052893A1 (zh) * 2020-09-10 2022-03-17 熵智科技(深圳)有限公司 一种5d纹理网格数据结构
CN114660611A (zh) * 2022-02-28 2022-06-24 山东科技大学 一种机载LiDAR测深与多波束声呐测深点云的融合方法

Similar Documents

Publication Publication Date Title
CN110781827B (zh) 一种基于激光雷达与扇状空间分割的路沿检测系统及其方法
Tetila et al. Automatic recognition of soybean leaf diseases using UAV images and deep convolutional neural networks
CN113591766B (zh) 一种无人机多源遥感的树种识别方法
Zheng et al. Large-scale oil palm tree detection from high-resolution remote sensing images using faster-rcnn
CN113012150A (zh) 一种特征融合的高密度稻田无人机图像稻穗计数方法
CN107273902B (zh) 一种从机载LiDAR数据自动提取电塔点云的方法
CN107194431A (zh) 机载LiDAR点云数据分类技术
CN112907520B (zh) 基于端到端深度学习方法的单株树冠检测方法
CN109325935A (zh) 一种基于无人机图像的输电线路检测方法
Lin et al. Fourier dense network to conduct plant classification using UAV-based optical images
JP2015200615A (ja) レーザー計測結果解析システム
CN117765006A (zh) 基于无人机影像与激光点云的多层次密集树冠分割方法
Alburshaid et al. Palm trees detection using the integration between GIS and deep learning
Zhao et al. Automatic sweet pepper detection based on point cloud images using subtractive clustering
CN108764145A (zh) 一种面向扎龙湿地遥感图像密度峰值聚类方法
Fan et al. Comparing deep learning and MCWST approaches for individual tree crown segmentation
Shi et al. Accurate LAI estimation of soybean plants in the field using deep learning and clustering algorithms
Ying et al. Pointcnn-based individual tree detection using lidar point clouds
Li et al. A longan yield estimation approach based on UAV images and deep learning
CN102054278B (zh) 基于网格收缩的对象跟踪方法
Dehkordi et al. Performance Evaluation of Temporal and Spatial-Temporal Convolutional Neural Networks for Land-Cover Classification (A Case Study in Shahrekord, Iran)
Mao et al. UAV-based high-throughput phenotyping to segment individual apple tree row based on geometrical features of poles and colored point cloud
Lee et al. Applying cellular automata to hyperspectral edge detection
Mu et al. Canopy lidar point cloud data k-means clustering watershed segmentation method
CN116664544A (zh) 基于反射率和空间形态学的点云电力线识别方法和系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20170922