CN107993242A - 基于机载LiDAR点云数据缺失区域边界提取方法 - Google Patents

基于机载LiDAR点云数据缺失区域边界提取方法 Download PDF

Info

Publication number
CN107993242A
CN107993242A CN201711341388.1A CN201711341388A CN107993242A CN 107993242 A CN107993242 A CN 107993242A CN 201711341388 A CN201711341388 A CN 201711341388A CN 107993242 A CN107993242 A CN 107993242A
Authority
CN
China
Prior art keywords
airborne lidar
point cloud
point
absent region
lidar 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.)
Granted
Application number
CN201711341388.1A
Other languages
English (en)
Other versions
CN107993242B (zh
Inventor
黄帅
张广运
黄景金
张荣庭
周祥
周国清
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.)
Tianjin University
Original Assignee
Tianjin University
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 Tianjin University filed Critical Tianjin University
Priority to CN201711341388.1A priority Critical patent/CN107993242B/zh
Publication of CN107993242A publication Critical patent/CN107993242A/zh
Application granted granted Critical
Publication of CN107993242B publication Critical patent/CN107993242B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于机载LiDAR点云数据缺失区域边界提取方法，包括以下步骤：对原始机载LiDAR点云数据进行网格化处理，获取网格化后的带有缺失区域的矩阵，将矩阵定义为网格；采用种子方法对网格进行遍历，获取可以相互区分的缺失区域；对每一缺失区域进行外扩，获取包围缺失区域的网孔集合；采用Kd‑Tree的方法建立机载LiDAR点云数据之间的拓扑关系，获取待判断的k邻域点；通过待判断点及k邻域点的分布均匀性判断该点是否为边界特征点；采用最近点搜索方法对散乱边界特征点进行连接，获取机载LiDAR点云数据中缺失区域的有序边界特征点。本发明能够获得细节完整、且相互独立的机载LiDAR点云数据缺失区域边界。

Description

基于机载LiDAR点云数据缺失区域边界提取方法
技术领域
本发明涉及机载激光雷达三维点云数据处理领域，尤其涉及一种基于机载LiDAR点云数据缺失区域边界提取方法。
背景技术
随着科学技术的进步及社会的发展，“数字地球”这一概念已经深入到各行各业中，人们逐渐认识到，想要实现信息化社会，空间地理信息是必不可少的，可以说空间地理信息是一切地理信息应用的基础。现阶段，空间地理信息主要通过传统的摄影测量方式获取，但是通过传统的摄影测量方式获取空间地理信息，其生成周期慢、数据质量差，已不能满足日益增长的社会需求，如何能够快速、准确、实时的获取空间地理信息已成为测绘领域的发展难题。
激光扫描测距技术(LiDAR，Light Detection and Ranging)的出现，弥补了传统摄影测量的缺点。LiDAR作为一种主动式遥感技术，可以快速获取地表物体的三维空间信息，且与传统摄影测量不同的是，其不受天气、光照等自然因素的影响，可以直接获取目标点在三维空间的位置，实现真正的全天时、全天候的数据获取。
但是在机载LiDAR点云数据的获取过程中，由于地表物体的遮挡以及水体吸收等原因，会造成获取的数据中出现缺失区域，不能为后续处理及应用提供完整的数据源，因此在数据的后续处理及使用过程中，需对其进行修补。缺失区域的边界提取作为后续缺失区域修补的首要工作，其提取结果的优劣将直接影响着修补的效果，进而影响整个点云数据后续应用。
发明内容
本发明提供了一种基于机载LiDAR点云数据缺失区域边界提取方法，本发明通过将机载LiDAR点云数据栅格化，快速的定位缺失区域，并且所提取出的边界与缺失区域一一对应，为机载LiDAR点云数据的处理提供了一种全新研究思路和方法，详见下文描述：
一种基于机载LiDAR点云数据缺失区域边界提取方法，所述方法包括以下步骤：
对原始机载LiDAR点云数据进行网格化处理，获取网格化后的带有缺失区域的矩阵，将矩阵定义为网格；采用种子方法对网格进行遍历，获取可以相互区分的缺失区域；
对每一缺失区域进行外扩，获取包围缺失区域的网孔集合，统计网孔内的点云数据，作为该缺失区域的初始边界特征点集合；
采用Kd-Tree的方法建立机载LiDAR点云数据之间的拓扑关系，获取待判断的k邻域点；
通过对初始边界特征点集合内的每一点及其k邻域点的分布均匀性判断该点是否为边界特征点；采用最近点搜索方法对散乱边界特征点进行连接，获取机载LiDAR点云数据中缺失区域的有序边界特征点。
所述对原始机载LiDAR点云数据进行网格化处理具体为：
将点云数据投影至平面；根据一定条件确定网格划分规模；对每一个点云数据按照其在平面投影中的位置，将其分配到网格M中的各个网孔。
其中，每个网格中包含2～3个点云数据。
所述采用种子方法对网格进行遍历，获取可以相互区分的缺失区域具体为：
采用种子方法与栈结构的结合，且采用四方向搜索定位缺失区域。
所述对每一缺失区域进行外扩，获取包围缺失区域的网孔集合具体为：
采用种子方法与栈结构的结合，且采用八方向搜索获取缺失区域边界网孔。
所述采用Kd-Tree的方法建立机载LiDAR点云数据之间的拓扑关系具体为：
建立机载LiDAR点云数据在二维平面间的拓扑关系。
所述通过待判断点及k邻域点的分布均匀性判断该点是否为边界特征点具体为：
采用最大角度差法对待判断点是否为边界特征点进行判断。
本发明提供的技术方案的有益效果是：
1、本发明解决了常规机载LiDAR点云数据缺失区域边界提取中出现的运算效率低、需后处理等问题，能够获得细节完整、且相互独立的机载LiDAR点云数据缺失区域边界。
2、本发明突破了常规的机载LiDAR点云数据边界提取方法因对每一点云数据运算造成的提取速度慢，需后处理分离特定缺失区域边界的不足，为机载LiDAR点云数据的处理提供了一种全新研究思路和方法。
附图说明
图1为基于预定位的机载LiDAR点云数据缺失区域边界提取方法流程图；
图2为机载LiDAR点云数据网格化的示意图；
图3为缺失区域定位及边界网孔提取的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。
因此，本发明实施例在总结和分析现有的缺失区域边界提取方法的基础上，提出了一种基于预定位的机载LiDAR点云数据缺失区域边界提取方法，该方法能够较为快速的提取出点云数据中缺失区域的边界。
实施例1
一种基于机载LiDAR点云数据缺失区域边界提取方法，参见图1，该方法包括以下步骤：
101：对原始机载LiDAR点云数据进行网格化处理，获取网格化后的带有缺失区域的矩阵，将矩阵定义为网格；采用种子方法对网格进行遍历，获取可以相互区分的缺失区域；
102：对每一缺失区域进行外扩，获取包围缺失区域的网孔集合，统计网孔内的点云数据，作为该缺失区域的初始边界特征点集合；
103：采用Kd-Tree的方法建立机载LiDAR点云数据之间的拓扑关系，获取待判断的k邻域点；
104：通过对初始边界特征点集合内的每一点及其k邻域点的分布均匀性判断该点是否为边界特征点；采用最近点搜索方法对散乱边界特征点进行连接，获取机载LiDAR点云数据中缺失区域的有序边界特征点。
其中，步骤101中的对原始机载LiDAR点云数据进行网格化处理具体为：
将点云数据投影至平面；根据一定条件确定网格划分规模；对每一个点云数据按照其在平面投影中的位置，将其分配到网格M中的各个网孔。每个网格中包含2～3个点云数据。
其中，步骤101中的采用种子方法对网格进行遍历，获取可以相互区分的缺失区域具体为：
采用种子方法与栈结构的结合，且采用四方向搜索定位缺失区域。
进一步地，步骤102中的对每一缺失区域进行外扩，获取包围缺失区域的网孔集合具体为：
采用种子方法与栈结构的结合，且采用八方向搜索获取缺失区域边界网孔。
具体实现时，步骤103中的采用Kd-Tree的方法建立机载LiDAR点云数据之间的拓扑关系具体为：建立机载LiDAR点云数据在二维平面间的拓扑关系。
其中，步骤104中的通过待判断点及k邻域点的分布均匀性判断该点是否为边界特征点具体为：采用最大角度差法对待判断点是否为边界特征点进行判断。
综上所述，本发明实施例通过上述步骤101-步骤104突破了常规的机载LiDAR点云数据边界提取方法因对每一点云数据运算造成的提取速度慢，需后处理分离特定缺失区域边界的不足，为机载LiDAR点云数据的处理提供了一种全新研究思路和方法。
实施例2
下面结合具体的计算公式、图2、图3对实施例1中的方案进行进一步地介绍，详见下文描述：
201：机载LiDAR点云数据网格化；
对点云数据网格化的主要目的是为了能快速的定位缺失区域并获取包围缺失区域的点云数据。网格化的过程可以分为三步：
1)首先将点云数据投影至平面；
2)根据一定条件确定网格划分规模(行数R及列数C)；
3)对每一个点云数据按照其在平面投影中的位置，将其分配到网格M中的各个网孔。点云数据网格化示意图如附图2所示。
网格化过程中最主要的步骤是确定网格的划分规模，在确定网格划分规模时应保证网格边长大于点云密度，同时又要小于缺失区域边界轮廓的变化程度。网格划分规模对缺失区域的边界提取有着至关重要的影响，当网格规模较小时会导致缺失区域断开，从而影响着后续缺失区域定位的效果；而当规模较大时则会导致非缺失区域连通，影响着缺失区域边界定位与提取的正确性。同时，网格规模还影响着整个方法的运行效率。
为了权衡以上的利弊，本发明实施例提出根据点云密度决定网格的划分规模，使每个网格平均包含2～3个点云，本发明实施例中每个网格包含3个点云，其计算公式如下
其中，α为网格边长，R为行数；C为列数；XMAX，XMIN，YMAX，YMIN分别表示点云数据在水平和垂直方向的最大值及最小值，符号表示取整。
在确定网格划分规模后，对于任意点云数据P(X,Y,Z)，根据其在平面上的投影坐标可以计算出P(X,Y,Z)所在的行i和列j：
结合式(1)及式(2)，点云数据被划分一个大小为R×C的网格。同时，根据网格内网孔是否包含点云数据，将网孔分为实孔和空孔两部分，含有点云数据称其为实孔，否则称其为空孔。
202：定位缺失区域；
缺失区域的定位是指通过对网格M的遍历寻找缺失区域，即获取网格中相互连通的空孔数量大于给定阈值的集合。
本发明实施例采用种子方法的空间聚类思想寻找点云数据中的缺失区域。种子方法的思路是在缺失区域的寻找过程中不关心缺失区域的形状，而是通过获取缺失区域内部的一个空孔并以这个空孔作为种子，不断的寻找M中与种子空孔相互连通的空孔，最终覆盖整个缺失区域。通过种子方法可以获取缺失区域所包含空孔的集合以及缺失区域中所包含空孔的数量。
种子方法的关键在于缺失区域中连通空孔的搜索。按照搜索方式的不同，种子方法可以分为四方向搜索和八方向搜索。本发明实施例采用四方向搜索定位缺失区域。设缺失区域的集合为L，对于任意缺失区域l∈L而言，种子方法定位缺失区域的执行过程如下：
1)设mij∈M为寻找到的缺失区域l的首个空孔，利用四方向搜索寻找其相邻网孔中的空孔mij，同时建立栈结构S保存搜索到的空孔作为缺失区域的下一步搜索方向；
2)保存空孔mij至缺失区域l中，同时为了避免缺失区域的重复查找，将mij设为实孔；
3)弹出栈结构S的首个空孔s1，保存空孔s1至缺失区域l中并将其设为实孔，然后对s1执行四方位搜索，同时将搜索到的空孔压入栈结构中；
4)重复步骤3)至栈结构S为空，判断缺失区域l中所保存的空洞个数，若小于给定阈值，则清空l。
如附图3(a)所示，对网格M进行遍历，可以得到大于给定阈值的缺失区域的集合L。
203：获取缺失区域边界网孔；
本发明实施例利用八方向搜索遍历缺失区域的集合L中任意缺失区域l的每个网孔，获取包围缺失区域l的实孔，所获实孔的集合即为该缺失区域l的边界网孔。
对缺失区域集合L中每个缺失区域l执行以上步骤，可以获取所有缺失区域l的边界网孔，且每个缺失区域l的边界网孔相互独立。
附图3(b)为边界网孔提取的示意图，图中所标记数字为缺失区域l及边界网孔依次提取的顺序。
通过提取缺失区域l的边界网孔，提高了缺失区域l边界特征点的识别精度和搜索效率，为后续的缺失区域边界特征点提取打下了坚实的基础。
204：建立机载LiDAR点云数据拓扑关系；
Kd-Tree在原理上与二叉树相同，但是在具体实现上Kd-Tree的每个节点表示k维空间的一个点，并且Kd-Tree每一层的分支走向都是该层的判别值决定的。本发明实施例主要针对机载LiDAR点云数据在XOY平面的投影点所组成的二维空间构建Kd-Tree，其构建过程如下：
1)确定分割维度：
分别计算点云数据在X，Y维度的方差，选择方差较大的维度作为分割维度。
2)确定根节点：
对分割维度上点云数据的坐标值排列，选择中间的数据点作为Kd-Tree的根节点。
3)将根节点左侧的点云数据分配到左子树，其余的分配到右子树，循环选择X，Y维度作为每层子树划分的分割维度。
例如，根节点的分割维度为X维度，则后续每层子树的分割维度顺序为：Y，X，Y，X，Y……。
4)分别对左右子树重复执行2)和3)，直至已分割的空间只剩下一个点云数据。
205：判断缺失区域边界特征点；
本发明实施例采用最大角度差法提取缺失区域边界特征点。设缺失区域边界网孔中所包含点云数据的集合为B，其中任意点云数据表示为Bi，Qmn为Bi在XOY平面的k邻域点。
首先，取点Bi在其k邻域点中的最近点Qm作有向向量并将其设为起始向量。分别计算除Qm以外的其他向量按顺时针或逆时针的方向旋转到所经过的角度α，从而得到一个角度序列S＝(α1,α2,…,αk-1)；利用快速排序方法对角度序列S进行升序排列并加入两个极值角度0和2π，
从而得到新的角度序列S′＝(0,α1′,α2′,…,αk-1′,2π)，并且在新的角度序列的基础上根据公式(3)计算出角度序列差D：
D＝αi+1′-αi′,i∈[0,1,…,k] (3)
由此可以通过最大角度Dmax来判别边界特征点，即当Dmax超过某一阈值时，Bi为边界特征点。
对点云数据集B遍历执行以上步骤，可以得到缺失区域的边界特征点。在边界特征点提取的过程中，角度阈值设定的大小由点云数据的空间分布情况决定，该值要根据实际点云数据的复杂程度进行动态调整。当边界较为平缓时阈值应设定小一些，同理当边界较为尖锐时阈值应设定大一些。
经最大角度差法提取出的边界特征点之间相互连接的顺序呈现随机状态分布，而随机分布的边界特征点对点云数据缺失区域的修补工作没有任何实际意义。这时需对无序的边界特征点排序，将无序的点连接成边界线。
本发明实施例采用最近点搜索方法对边界特征点排序，其具体步骤如下：
1)在所有的无序边界特征点中任取一点Ps作为起点，找到无序边界特征点中距离Ps的最近点Pe将其作为生长终点；
2)对于Ps(Pe)端，查找距离Ps(Pe)的最近点P，计算P到Ps和Pe的距离ds和de，如果ds(de)≤de(ds)，则将P插入到Ps(Pe)之前，并将点P作为新的起点(终点)；否则往另一端生长；
3)点集中所有点是否判断完成，是则结束排序；否则转到2)。
206：边界线连接。
采用最近点搜索方法对散乱边界特征点进行连接，获取机载LiDAR点云数据中缺失区域的有序边界特征点。
综上所述，本发明实施例通过上述步骤201-步骤206解决了常规机载LiDAR点云数据缺失区域边界提取中出现的运算效率低、需后处理等问题，能够获得细节完整、且相互独立的机载LiDAR点云数据缺失区域边界。
本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于机载LiDAR点云数据缺失区域边界提取方法，其特征在于，所述方法包括以下步骤：
对原始机载LiDAR点云数据进行网格化处理，获取网格化后的带有缺失区域的矩阵，将矩阵定义为网格；采用种子方法对网格进行遍历，获取可以相互区分的缺失区域；
对每一缺失区域进行外扩，获取包围缺失区域的网孔集合，统计网孔内的点云数据，作为该缺失区域的初始边界特征点集合；
采用Kd-Tree的方法建立机载LiDAR点云数据之间的拓扑关系，获取待判断的k邻域点；
通过对初始边界特征点集合内的每一点及其k邻域点的分布均匀性判断该点是否为边界特征点；采用最近点搜索方法对散乱边界特征点进行连接，获取机载LiDAR点云数据中缺失区域的有序边界特征点。
2.根据权利要求1所述的一种基于机载LiDAR点云数据缺失区域边界提取方法，其特征在于，所述对原始机载LiDAR点云数据进行网格化处理具体为：
将点云数据投影至平面；根据一定条件确定网格划分规模；对每一个点云数据按照其在平面投影中的位置，将其分配到网格M中的各个网孔。
3.根据权利要求2所述的一种基于机载LiDAR点云数据缺失区域边界提取方法，其特征在于，每个网格中包含2～3个点云数据。
4.根据权利要求2所述的一种基于机载LiDAR点云数据缺失区域边界提取方法，其特征在于，所述采用种子方法对网格进行遍历，获取可以相互区分的缺失区域具体为：
采用种子方法与栈结构的结合，且采用四方向搜索定位缺失区域。
5.根据权利要求1所述的一种基于机载LiDAR点云数据缺失区域边界提取方法，其特征在于，所述对每一缺失区域进行外扩，获取包围缺失区域的网孔集合具体为：
采用种子方法与栈结构的结合，且采用八方向搜索获取缺失区域边界网孔。
6.根据权利要求1所述的一种基于机载LiDAR点云数据缺失区域边界提取方法，其特征在于，所述采用Kd-Tree的方法建立机载LiDAR点云数据之间的拓扑关系具体为：
建立机载LiDAR点云数据在二维平面间的拓扑关系。
7.根据权利要求1所述的一种基于机载LiDAR点云数据缺失区域边界提取方法，其特征在于，所述通过待判断点及k邻域点的分布均匀性判断该点是否为边界特征点具体为：
采用最大角度差法对待判断点是否为边界特征点进行判断。
CN201711341388.1A 2017-12-14 2017-12-14 基于机载LiDAR点云数据缺失区域边界提取方法 Active CN107993242B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711341388.1A CN107993242B (zh) 2017-12-14 2017-12-14 基于机载LiDAR点云数据缺失区域边界提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711341388.1A CN107993242B (zh) 2017-12-14 2017-12-14 基于机载LiDAR点云数据缺失区域边界提取方法

Publications (2)

Publication Number Publication Date
CN107993242A true CN107993242A (zh) 2018-05-04
CN107993242B CN107993242B (zh) 2022-06-03

Family

ID=62038343

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711341388.1A Active CN107993242B (zh) 2017-12-14 2017-12-14 基于机载LiDAR点云数据缺失区域边界提取方法

Country Status (1)

Country Link
CN (1) CN107993242B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113516695A (zh) * 2021-05-25 2021-10-19 中国计量大学 激光轮廓仪平面度测量中的点云配准策略
CN113537141A (zh) * 2021-08-03 2021-10-22 山东大学 一种堤坝管涌和滑坡病害快速检测方法及系统
EP4060285A1 (en) * 2021-03-19 2022-09-21 Topcon Corporation Surveying information management system, surveying information management method, and surveying information management program

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102693525A (zh) * 2012-05-08 2012-09-26 北京航空航天大学 一种解决种子填充算法中像素多次出入栈问题的方法
CN102938142A (zh) * 2012-09-20 2013-02-20 武汉大学 基于Kinect的室内LiDAR缺失数据填补方法
CN103679655A (zh) * 2013-12-02 2014-03-26 河海大学 一种基于坡度与区域生长的LiDAR点云滤波方法
CN103729846A (zh) * 2013-12-23 2014-04-16 西安电子科技大学 基于不规则三角网的LiDAR点云数据边缘检测方法
CN104050474A (zh) * 2014-06-10 2014-09-17 上海海洋大学 一种基于LiDAR数据的海岛岸线自动提取方法
CN104200212A (zh) * 2014-06-25 2014-12-10 西安煤航信息产业有限公司 一种基于机载LiDAR数据的建筑物外边界线提取方法
CN105139379A (zh) * 2015-07-30 2015-12-09 滁州学院 基于分类分层的机载Lidar点云建筑物顶面渐进提取方法
CN105488770A (zh) * 2015-12-11 2016-04-13 中国测绘科学研究院 一种面向对象的机载激光雷达点云滤波方法
CN105825506A (zh) * 2016-03-14 2016-08-03 河海大学 一种利用LiDAR点云数据提取水体边缘线的方法
CN106157309A (zh) * 2016-07-04 2016-11-23 南京大学 一种基于虚拟种子点的机载LiDAR地面点云滤波方法
CN106485676A (zh) * 2016-09-29 2017-03-08 天津大学 一种基于稀疏编码的LiDAR点云数据修复方法
CN106651863A (zh) * 2016-11-30 2017-05-10 厦门大学 一种基于点云数据的树木自动分割方法
CN107273902A (zh) * 2017-05-19 2017-10-20 中国科学院遥感与数字地球研究所 一种从机载LiDAR数据自动提取电塔点云的方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102693525A (zh) * 2012-05-08 2012-09-26 北京航空航天大学 一种解决种子填充算法中像素多次出入栈问题的方法
CN102938142A (zh) * 2012-09-20 2013-02-20 武汉大学 基于Kinect的室内LiDAR缺失数据填补方法
CN103679655A (zh) * 2013-12-02 2014-03-26 河海大学 一种基于坡度与区域生长的LiDAR点云滤波方法
CN103729846A (zh) * 2013-12-23 2014-04-16 西安电子科技大学 基于不规则三角网的LiDAR点云数据边缘检测方法
CN104050474A (zh) * 2014-06-10 2014-09-17 上海海洋大学 一种基于LiDAR数据的海岛岸线自动提取方法
CN104200212A (zh) * 2014-06-25 2014-12-10 西安煤航信息产业有限公司 一种基于机载LiDAR数据的建筑物外边界线提取方法
CN105139379A (zh) * 2015-07-30 2015-12-09 滁州学院 基于分类分层的机载Lidar点云建筑物顶面渐进提取方法
CN105488770A (zh) * 2015-12-11 2016-04-13 中国测绘科学研究院 一种面向对象的机载激光雷达点云滤波方法
CN105825506A (zh) * 2016-03-14 2016-08-03 河海大学 一种利用LiDAR点云数据提取水体边缘线的方法
CN106157309A (zh) * 2016-07-04 2016-11-23 南京大学 一种基于虚拟种子点的机载LiDAR地面点云滤波方法
CN106485676A (zh) * 2016-09-29 2017-03-08 天津大学 一种基于稀疏编码的LiDAR点云数据修复方法
CN106651863A (zh) * 2016-11-30 2017-05-10 厦门大学 一种基于点云数据的树木自动分割方法
CN107273902A (zh) * 2017-05-19 2017-10-20 中国科学院遥感与数字地球研究所 一种从机载LiDAR数据自动提取电塔点云的方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
孙殿柱 等: "散乱数据点云边界特征自动提取算法", 《华中科技大学学报(自然科学版)》 *
柯映林 等: "基于点云的边界特征直接提取技术", 《机械工程学报》 *
谷延超 等: "基于地形的LiDAR数据缺失区域填充方法研究", 《测绘工程》 *
钱锦锋 等: "点云数据压缩中的边界特征检测", 《中国图象图形学报》 *
顾园园 等: "曲面重构中带孔洞点云数据的边界提取算法", 《苏州大学学报（工科版）》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4060285A1 (en) * 2021-03-19 2022-09-21 Topcon Corporation Surveying information management system, surveying information management method, and surveying information management program
EP4220081A1 (en) * 2021-03-19 2023-08-02 Topcon Corporation Surveying information management system, surveying information management method, and surveying information management program
CN113516695A (zh) * 2021-05-25 2021-10-19 中国计量大学 激光轮廓仪平面度测量中的点云配准策略
CN113516695B (zh) * 2021-05-25 2023-08-08 中国计量大学 激光轮廓仪平面度测量中的点云配准策略
CN113537141A (zh) * 2021-08-03 2021-10-22 山东大学 一种堤坝管涌和滑坡病害快速检测方法及系统
CN113537141B (zh) * 2021-08-03 2023-10-03 山东大学 一种堤坝管涌和滑坡病害快速检测方法及系统

Also Published As

Publication number Publication date
CN107993242B (zh) 2022-06-03

Similar Documents

Publication Publication Date Title
CN104392486B (zh) 一种点云场景重建方法
Kim et al. 3D classification of power-line scene from airborne laser scanning data using random forests
CN112819830A (zh) 基于深度学习与机载激光点云的单株树冠分割方法
CN107167811A (zh) 基于单目视觉与激光雷达融合的道路可行驶区域检测方法
CN106503060A (zh) 一种输电线路三维点云数据处理及交跨物获取方法
Galvanin et al. Extraction of building roof contours from LiDAR data using a Markov-random-field-based approach
CN113223042B (zh) 一种遥感影像深度学习样本智能采集方法及设备
CN103871072B (zh) 基于投影数字高程模型的正射影像镶嵌线自动提取方法
CN107918953B (zh) 基于三维空间的激光扫描电力线点云的提取方法及装置
CN107993242A (zh) 基于机载LiDAR点云数据缺失区域边界提取方法
CN104408733A (zh) 基于对象随机游走的遥感图像视觉显著性检测方法及系统
CN105447274A (zh) 一种利用面向对象分类技术对中等分辨率遥感图像进行滨海湿地制图的方法
CN104318611A (zh) 一种基于激光扫描点云的三维树木重建方法
CN108986024A (zh) 一种基于网格的激光点云规则排列处理方法
CN107563366A (zh) 一种定位方法及装置、电子设备
CN111754618A (zh) 一种面向对象的实景三维模型多层次解译方法及系统
CN107063267A (zh) 一种快速的基于太阳影子信息的定位方法
Wei et al. A concentric loop convolutional neural network for manual delineation-level building boundary segmentation from remote-sensing images
CN110348478B (zh) 一种基于形状分类与组合的室外点云场景中树木提取方法
CN106504219A (zh) 有约束的路径形态学高分辨率遥感影像道路增强方法
Liao et al. Grid partition variable step alpha shapes algorithm
CN116415318B (zh) 一种基于数学形态学的内流区湖泊水文连通性建模方法
WO2024020744A1 (zh) 基于高分辨率影像的生态图斑提取方法
CN111369604A (zh) 一种基于网格的地形特征点提取方法及处理终端
CN103886333B (zh) 遥感图像的主动谱聚类方法

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
GR01 Patent grant
GR01 Patent grant