CN109272458B - 一种基于先验信息的点云滤波方法 - Google Patents
一种基于先验信息的点云滤波方法 Download PDFInfo
- Publication number
- CN109272458B CN109272458B CN201810908888.7A CN201810908888A CN109272458B CN 109272458 B CN109272458 B CN 109272458B CN 201810908888 A CN201810908888 A CN 201810908888A CN 109272458 B CN109272458 B CN 109272458B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- ground
- cloud set
- ground point
- nearest neighbor
- 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.)
- Active
Links
- 238000001914 filtration Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 230000000694 effects Effects 0.000 abstract description 3
- 230000009191 jumping Effects 0.000 description 6
- 238000005457 optimization Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Optical Radar Systems And Details Thereof (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种基于先验信息的点云滤波方法,包括:读取目标区域的原始机载LiDAR点云数据;根据点云的原始分类卷标,划分地面点云集和非地面点云集;以格网方式划分整个目标区域,每个格网中心位置的最近邻地面点云构成地面种子点云集;搜索非地面点云集中的每一个非地面点云在地面点云集g和地面种子点云集c中的最近邻点云,分别构成点云集s1和s2;分别计算非地面点云集与s2中对应点云的高程差,以及s1与s2中对应点云的高程差,并根据限差要求,逐个判断非地面点云集中的每一个点云是否属于地面点云;终止计算,得到滤波结果。本发明算法简单清晰,执行效率高,仅利用LiDAR原始分类信息就可以准确获得地面点云,能够较为精确和全面的提取出地面点云,滤波效果好。
Description
技术领域
本发明涉及一种基于先验信息的点云滤波方法,特别涉及一种利用LiDAR点云中的先验分类信息进行滤波的方法。
背景技术
机载激光扫描探测系统是一种主动式对地观测系统,具有高可靠性、高分辨率和高精度等特征,LiDAR技术的出现为获取高空间分辨率地表信息提供了一种全新手段。在基于LiDAR点云的数据处理和应用中,滤波是其中非常重要和关键的一个步骤,其目的就是获得研究区域的地面点数据。一般有基于坡度、形态学、曲面拟合、不规则三角网、分割以及机器学习等多种滤波算法,这些方法各有优点,但均未利用原始数据的分类信息,造成信息的浪费。因此,提出一种基于数据原始分类信息的点云滤波算法。
发明内容
本发明所要解决的技术问题是提供一种基于先验信息的点云滤波方法,该方法是一种利用LiDAR点云数据中的先验信息进行滤波的方法,可以应用于点云的滤波处理。
本发明为解决上述技术问题采用以下技术方案:
本发明提供一种基于先验信息的点云滤波方法,该方法包括以下具体步骤:
步骤1,读取目标区域的原始机载LiDAR点云数据,得到目标区域的原始机载LiDAR点云数据的总个数n;
步骤2,根据点云的原始分类卷标,提取分类属性为地面的点云,构成地面点云集g,其余点构成非地面点云集u,计算非地面点云集u中点的个数m;
步骤3,以格网方式划分整个目标区域,确定每个格网的中心位置,并搜索每个中心位置的最近邻地面点云,搜索到的最近邻地面点云构成地面种子点云集c;
步骤4,搜索非地面点云集u中的每一个非地面点云在地面点云集g中的最近邻点云,构成点云集s1;搜索非地面点云集u中的每一个非地面点云在地面种子点云集c中的最近邻点云,构成点云集s2;
步骤5,分别计算非地面点云集u中的点云与点云集s2中对应点云的高程差,以及点云集s1中的点云与点云集s2中对应点云的高程差,并根据限差要求,逐个判断非地面点云集u中的每一个点云是否属于地面点云;
步骤6,终止计算,得到滤波结果。
作为本发明的进一步优化方案,步骤3的具体步骤如下:
301:预设每个格网期望包含的点云个数p;
302:计算原始机载LiDAR点云数据的平面位置上的X方向坐标最小值minx、坐标最大值maxx以及Y方向的坐标最小值miny、坐标最大值maxy;
303:利用公式1计算整个目标区域点云的平均密度,得到平均密度为σ:
304:利用公式2计算划分格网的步长:
305:利用公式3计算X方向格网的个数nx和Y方向格网的个数ny:
其中,ceil(·)为向上取整函数;
306:利用公式4计算第i行第j列格网的中心位置的坐标(xij,yij):
307:搜索步骤306获得的格网的中心位置的坐标位于地面点云集g中的最近邻点云,这些最近邻点云构成地面种子点云集c。
作为本发明的进一步优化方案,步骤4的具体步骤如下:
作为本发明的进一步优化方案,步骤5具体步骤如下:
501,设定限差l;
本发明采用以上技术方案与现有技术相比,具有以下技术效果:算法简单清晰,执行效率高,仅利用LiDAR原始分类信息就可以准确获得地面点,能够较为精确和全面的提取出地面点,滤波效果好。
附图说明
图1是本发明的方法流程图。
图2是原始LiDAR点云的三维图。
图3是点云二维格网划分后的格网中心点。
图4是本方法处理后的地面点平面图。
图5是本方法处理后的地面点三维图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明:
如图1所示,本发明一种基于先验信息的点云滤波方法,包括以下具体步骤:
步骤1,读取目标区域的原始机载LiDAR点云数据,得到目标区域的原始机载LiDAR点云数据的总个数n;
步骤2,根据点云的原始分类卷标,提取分类属性为地面的点云,构成地面点云集g,其余点构成非地面点云集u,计算非地面点云集u中点的个数m;
步骤3,以格网方式划分整个目标区域,确定每个格网的中心位置,并搜索中心位置的地面最近邻点云,最近邻点云构成地面种子点云集c,具体步骤如下:
301:预设每个格网期望包含的点云个数p;
302:计算原始点云数据的平面位置上的X方向坐标最小值minx和坐标最大值maxx,以及Y方向的坐标最小值miny和坐标最大值maxy;
303:利用公式1计算整个目标区域点云的平均密度,得到平均密度为σ:
304:利用公式2计算划分格网的步长:
305:利用公式3计算X方向格网的个数nx和Y方向格网的个数ny:
其中,ceil(·)为向上取整函数;
306:利用公式4计算第i行(i从1开始)、第j列(j从1开始)格网的中心位置的坐标(xij,yij):
307:搜索步骤306获得的格网的中心位置的坐标位于地面点云集g中的最近邻点云,得到最接近于格网中心的地面点云,这些最近邻点云构成地面种子点云集c;
308:令i=i+1,如果i≤nx,j保持不变,然后跳转至步骤306;如果i>nx,则令i=1,j=j+1,跳转至步骤306;若i=nx,且j=ny,跳转至步骤4;
步骤4,搜索非地面点云集u中的每一个非地面点云在地面点云集g和地面种子点云集c中的最近邻点,具体步骤如下:
403,令k=k+1,如果k≤m,跳转至步骤401;否则,跳转至步骤5;
步骤5,计算非地面点云集u与s2对应点的差,以及s1与s2对应点的高程差,并根据限差要求,逐个判断非地面点云集u中的每一个点云是否属于地面点云,具体步骤如下:
501,设定限差l;
505:令k=k+1,如果k≤m,跳转至步骤502;否则,跳转至步骤6;
步骤6,终止计算,得到滤波结果。
下面通过具体实施例对本发明的技术方案做进一步阐述:
本发明一种基于先验信息的点云滤波方法,包括以下步骤:
1、读取某区域原始机载LiDAR点云数据,如图2所示,计算得到点云总个数n=5042224。
2、提取点云中原始分类属性为地面的点,构成先验地面点集{gi,i=1,2,...1244620},其余的点构成未分类点{ui,i=1,2,...,3797604}。
3、以格网方式划分整个研究区域,确定每个格网的中心位置,并搜索中心位置的地面最近邻点,最近邻点构成种子点云集c,具体步骤如下:
301:预设每个格网期望包含的点云个数k=5000;
302:原始LiDAR点云资料的总个数n=5042224;
303:计算X方向最小值minx和最大值maxx,以及Y方向最小值miny和最大值maxy;
304:利用公式1计算点云的平均密度,得到平均密度;
305:利用公式2计算划分格网的步长;
306:利用公式3计算x方向和y方向格网的个数,共得到了33×32个格网;
307:利用公式4计算第i行(i从1开始)、第j列(j从1开始)格网的中心位置(如图3所示)的坐标;
308:搜索当前点云位于地面点云集g中的最近邻点云,得到最接近于格网中心位置的地面点云,这些最近邻点云构成地面种子点云集c;
309:令i=i+1,如果i≤nx,j保持不变,然后跳转至步骤307;如果i>nx,则令i=1,j=j+1,跳转至步骤307;若i=nx且j=ny,跳转至步骤4。
步骤4,搜索点云集u中的每一个非地面点云在地面点云集g和地面种子点云集c中的最近邻点云,具体步骤如下:
403,令k=k+1,如果k≤3797604,跳转至步骤401;否则,跳转至步骤5;
步骤5,计算点云集u与s2对应点云的差,以及s1与s2对应点云的高程差,并根据限差要求,判断当前点云是否属于地面点云,具体步骤如下:
501,设定限差l=0.4m;
505:令k=k+1,如果k≤3797604,跳转至步骤502;否则,跳转至步骤6;
步骤6,终止计算,得到滤波结果,表1为滤波前后资料对比表。
表1 滤波前后资料对比表
总点数(个) | 地面点(个) | 未分类点(个) | |
滤波前 | 5042224 | 1244620 | 3797604 |
滤波后 | 5042224 | 3047371 | 1994853 |
从表1可以看到,本方法处理后的地面点达到了3047371个,较未处理之前增加了1802751个地面点。如图4所示,为本方法处理后的地面点平面图。如图5所示,为本方法处理后的地面点的三维图。
以上所述,仅为本发明中的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉该技术的人在本发明所揭露的技术范围内,可理解想到的变换或替换,都应涵盖在本发明的包含范围之内,因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (3)
1.一种基于先验信息的点云滤波方法,其特征在于,该方法包括以下具体步骤:
步骤1,读取目标区域的原始机载LiDAR点云数据,得到目标区域的原始机载LiDAR点云数据的总个数n;
步骤2,根据点云的原始分类卷标,提取分类属性为地面的点云,构成地面点云集g,其余点构成非地面点云集u,计算非地面点云集u中点的个数m;
步骤3,以格网方式划分整个目标区域,确定每个格网的中心位置,并搜索每个中心位置的最近邻地面点云,搜索到的最近邻地面点云构成地面种子点云集c;具体步骤如下:
301:预设每个格网期望包含的点云个数p;
302:计算原始机载LiDAR点云数据的平面位置上的X方向坐标最小值minx、坐标最大值maxx以及Y方向的坐标最小值miny、坐标最大值maxy;
303:利用公式1计算整个目标区域点云的平均密度,得到平均密度为σ:
304:利用公式2计算划分格网的步长:
305:利用公式3计算X方向格网的个数nx和Y方向格网的个数ny:
其中,ceil(·)为向上取整函数;
306:利用公式4计算第i行第j列格网的中心位置的坐标(xij,yij):
307:搜索步骤306获得的格网的中心位置的坐标位于地面点云集g中的最近邻点云,这些最近邻点云构成地面种子点云集c;
步骤4,搜索非地面点云集u中的每一个非地面点云在地面点云集g中的最近邻点云,构成点云集s1;搜索非地面点云集u中的每一个非地面点云在地面种子点云集c中的最近邻点云,构成点云集s2;
步骤5,分别计算非地面点云集u中的点云与点云集s2中对应点云的高程差,以及点云集s1中的点云与点云集s2中对应点云的高程差,并根据限差要求,逐个判断非地面点云集u中的每一个点云是否属于地面点云;
步骤6,终止计算,得到滤波结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810908888.7A CN109272458B (zh) | 2018-08-10 | 2018-08-10 | 一种基于先验信息的点云滤波方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810908888.7A CN109272458B (zh) | 2018-08-10 | 2018-08-10 | 一种基于先验信息的点云滤波方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109272458A CN109272458A (zh) | 2019-01-25 |
CN109272458B true CN109272458B (zh) | 2021-05-11 |
Family
ID=65153294
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810908888.7A Active CN109272458B (zh) | 2018-08-10 | 2018-08-10 | 一种基于先验信息的点云滤波方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109272458B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111080536A (zh) * | 2019-11-13 | 2020-04-28 | 武汉华中天经通视科技有限公司 | 一种机载激光雷达点云的自适应滤波方法 |
CN113157688A (zh) * | 2020-01-07 | 2021-07-23 | 四川大学 | 一种基于空间索引及相邻点信息的最近邻点搜索方法 |
CN112633092B (zh) * | 2020-12-09 | 2022-06-14 | 西南交通大学 | 基于车载激光扫描点云的道路信息提取方法 |
CN112991234B (zh) * | 2021-05-17 | 2021-08-13 | 浙江华是科技股份有限公司 | 一种监控数据处理方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745436A (zh) * | 2013-12-23 | 2014-04-23 | 西安电子科技大学 | 基于区域预测的LiDAR点云数据形态学滤波方法 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10055885B2 (en) * | 2015-09-16 | 2018-08-21 | Raytheon Company | Systems and methods for digital elevation map filters for three dimensional point clouds |
-
2018
- 2018-08-10 CN CN201810908888.7A patent/CN109272458B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745436A (zh) * | 2013-12-23 | 2014-04-23 | 西安电子科技大学 | 基于区域预测的LiDAR点云数据形态学滤波方法 |
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 |
Non-Patent Citations (1)
Title |
---|
基于特征选择的双边滤波点云去噪算法;曹爽等;《东南大学学报》;20131130;1-4 * |
Also Published As
Publication number | Publication date |
---|---|
CN109272458A (zh) | 2019-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109272458B (zh) | 一种基于先验信息的点云滤波方法 | |
Xiang et al. | Superpixel generating algorithm based on pixel intensity and location similarity for SAR image classification | |
CN107358258B (zh) | 基于nsct双cnn通道和选择性注意机制的sar图像目标分类 | |
CN108107444B (zh) | 基于激光数据的变电站异物识别方法 | |
CN106886980B (zh) | 一种基于三维激光雷达目标识别的点云密度增强的方法 | |
CN112164145B (zh) | 基于点云数据快速提取室内三维线段结构的方法 | |
CN108959379B (zh) | 一种基于视觉显著区域和手绘草图的服装图像检索方法 | |
CN110580705B (zh) | 一种基于双域图信号滤波检测建筑物边缘点的方法 | |
CN112462347B (zh) | 基于密度聚类的激光雷达点云快速分类滤波算法 | |
CN113538264B (zh) | 一种点云数据的去噪方法、装置及存储介质 | |
CN106778767B (zh) | 基于orb和主动视觉的视觉图像特征提取及匹配方法 | |
CN112328715A (zh) | 视觉定位方法及相关模型的训练方法及相关装置、设备 | |
CN108320310B (zh) | 基于图像序列的空间目标三维姿态估计方法 | |
Janssens-Coron et al. | Ground point filtering from airborne lidar point clouds using deep learning: A preliminary study | |
CN113409332B (zh) | 一种基于三维点云的建筑物平面分割方法 | |
CN112232248B (zh) | 一种多线LiDAR点云数据平面特征的提取方法及装置 | |
CN112070787B (zh) | 基于对立推理理论的航空三维点云平面分割方法 | |
CN114332172A (zh) | 一种基于协方差矩阵改进的激光点云配准方法 | |
CN116721228B (zh) | 一种基于低密度点云的建筑物高程提取方法及系统 | |
CN103810287B (zh) | 基于有监督共享组件主题模型的图像分类方法 | |
CN108345007B (zh) | 一种障碍物识别方法和装置 | |
CN111127667B (zh) | 基于区域曲率二进制描述符的点云初始配准方法 | |
JP5928240B2 (ja) | 3次元形状解釈装置及びプログラム | |
CN112800826A (zh) | 一种基于遥感影像分类的城市变化监测方法及系统 | |
Hu et al. | Superpixel generation for SAR images based on DBSCAN clustering and probabilistic patch-based similarity |
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 |