CN109961512A - 地形机载点云提取方法及装置 - Google Patents

地形机载点云提取方法及装置 Download PDF

Info

Publication number
CN109961512A
CN109961512A CN201910211704.6A CN201910211704A CN109961512A CN 109961512 A CN109961512 A CN 109961512A CN 201910211704 A CN201910211704 A CN 201910211704A CN 109961512 A CN109961512 A CN 109961512A
Authority
CN
China
Prior art keywords
point
cloud data
cloud
plane
point cloud
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
CN201910211704.6A
Other languages
English (en)
Other versions
CN109961512B (zh
Inventor
汪俊
曹轩铭
谢乾
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN201910211704.6A priority Critical patent/CN109961512B/zh
Publication of CN109961512A publication Critical patent/CN109961512A/zh
Application granted granted Critical
Publication of CN109961512B publication Critical patent/CN109961512B/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
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Computer Graphics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Remote Sensing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Processing Or Creating Images (AREA)

Abstract

一种地形机载点云提取方法及装置，所述方法包括：将原始点云数据划分为N个点云块，并将每一个点云块划分为多个长方体栅格；根据第i个点云块的点云数据，生成与所述第i个点云块对应的最小二乘拟合平面mi；1≤i≤N；计算所述第i个点云块中每一个长方体栅格的每一个点与所述平面mi的距离，并获取所述第i个点云块中每一个长方体栅格中与所述平面mi距离最小的点，组成第i个点云块对应的新点云数据集合；计算所述新点云数据集合中的离群值，并滤除所述离群值，得到处理后的第i个点云块的点云数据。上述方案能够提高DEM质量。

Description

地形机载点云提取方法及装置
技术领域
本发明涉及三维模型处理领域，尤其涉及一种地形机载点云提取方法及装置。
背景技术
点云去噪是指对原始地面点云过滤扫描得到的噪点与非地面点，获取地面点以便生成数字高程模型(Digital Elevation Model，DEM)等产品。非地面点云主要为扫描植被、人工建筑物等的点云，对DEM影响较大，不仅降低了建模的计算效率，而且会导致地面模型的失真。因此，需要滤除原始点云中非地面点云以保证地面模型的精度。
现有技术中，传统的点云去噪方法主要针对获取地形的机载激光雷达(LightDetection And Ranging，LiDAR)点云数据进行插值滤波处理。然而，对于复杂地形、不同类型的覆盖植被、不同的点密度，都会导致现有的滤波算法无法对所有区域进行正常的滤波处理，导致DEM质量较差。
发明内容
本发明实施例解决的是DEM质量较差的技术问题。
为解决上述技术问题，本发明实施例提供了一种地形机载点云提取方法，包括：将原始点云数据划分为N个点云块，并将每一个点云块划分为多个长方体栅格；根据第i个点云块的点云数据，生成与所述第i个点云块对应的最小二乘拟合平面mi；1≤i≤N；计算所述第i个点云块中每一个长方体栅格的每一个点与所述平面mi的距离，并获取所述第i个点云块中每一个长方体栅格中与所述平面mi距离最小的点，组成第i个点云块对应的新点云数据集合；计算所述新点云数据集合中的离群值，并滤除所述离群值，得到处理后的第i个点云块的点云数据。
可选的，所述将原始点云数据划分为多个点云块，包括：根据预设的曲率变化条件，将所述原始点云数据划分为多个点云块，且任一点云块对应的点云数据不存在地面低谷对应的点云数据。
可选的，所述将每一个点云块划分为多个长方体栅格，包括：获取所述第i个点云块的点云数据，形成第i个点集；确定所述第i个点集中的点云数据的边界；根据所述第i个点集中的点云数据的边界形成包围盒，所述包围盒包围所述第i个点云块；根据预设的长方体栅格尺寸，沿X轴方向和Y轴方向将所述包围盒划分为m×n个长方体栅格，每一个长方体栅格的高度为该长方体栅格中点云数据对应的最大z值与最小z值之差。
可选的，所述根据第i个点云块的点云数据，生成与所述第i个点云块对应的最小二乘拟合平面mi，包括：计算所述第i个点集的形心；根据所述形心计算所述第i个点集的协变矩阵；根据所述协变矩阵确定所述平面mi的单位法矢；根据所述单位法矢的方向，确定所述平面mi的方向。
可选的，所述根据所述形心计算所述第i个点集的协变矩阵，包括：采用如下公式计算所述协变矩阵：其中，CV为所述协变矩阵，为矢量积符号，o为所述第i个点集的形心，且p为所述第i个点集，pj为第i个点集中的第j个元素。
可选的，所述根据所述协变矩阵确定所述平面mi的单位法矢，包括：获取所述协变矩阵的特征向量对应的特征值；将最小特征值对应的特征向量作为所述平面mi的单位法矢。
可选的，所述根据所述单位法矢的方向，确定所述平面mi的方向，包括：判断所述单位法矢与Z轴正方向的单位向量的夹角θ；当cosθ＞0时，所述平面mi的方向朝向Z轴正方向；当cosθ＜0时，将所述单位法矢反向，所述平面mi的方向朝向Z轴正方向。
可选的，所述计算所述第i个点云块中每一个长方体栅格的每一个点与所述平面mi的距离，包括：采用如下公式计算第k个栅格的第l个点与所述平面mi的距离D：其中，dkl为所述第k个栅格的第l个点，为所述单位法矢。
可选的，所述计算所述新点云数据集合中的离群值，包括：从所述新点云数据集合中选择点a，并获取所述新点云数据集合中与所述点a距离最近的x个点；从所述与点a距离最近的x个点中，选择点b，并获取所述新点云数据集合中与所述点b距离最近的x个点；计算偏差参数与正规化标准偏差的商，将得到的商值与预设值进行比较；当得到的商值当大于预设值时，判定所述点a为离群值；其中，所述偏差参数DDF(a)采用如下公式计算： 所述正规化标准偏差采用如下公式计算：其中， b′为N(b)中的点，a′为N(a)中的点，N(a)为所述新点云数据集合中与所述点a距离最近的x个点的集合，N(b)为所述新点云数据集合中与所述点b距离最近的x个点的集合，d(b,b′)为点b与点b′的距离，d(a,a′)为点a与点a′的距离。
本发明实施例还提供了一种地形机载点云提取装置，包括：划分单元，用于将原始点云数据划分为N个点云块，并将每一个点云块划分为多个长方体栅格；生成单元，用于根据第i个点云块的点云数据，生成与所述第i个点云块对应的最小二乘拟合平面mi；1≤i≤N；计算单元，用于计算所述第i个点云块中每一个长方体栅格的每一个点与所述平面mi的距离；集合组成单元，用于获取所述第i个点云块中每一个长方体栅格中与所述平面mi距离最小的点，组成第i个点云块对应的新点云数据集合；处理单元，用于计算所述新点云数据集合中的离群值，并滤除所述离群值，得到处理后的第i个点云块的点云数据。
可选的，所述划分单元，用于根据预设的曲率变化条件，将所述原始点云数据划分为多个点云块，且任一点云块对应的点云数据不存在地面低谷对应的点云数据。
可选的，所述划分单元，用于获取所述第i个点云块的点云数据，形成第i个点集；确定所述第i个点集中的点云数据的边界；根据所述第i个点集中的点云数据的边界形成包围盒，所述包围盒包围所述第i个点云块；根据预设的长方体栅格尺寸，沿X轴方向和Y轴方向将所述包围盒划分为m×n个长方体栅格，每一个长方体栅格的高度为该长方体栅格中点云数据对应的最大z值与最小z值之差。
可选的，所述生成单元，用于计算所述第i个点集的形心；根据所述形心计算所述第i个点集的协变矩阵；根据所述协变矩阵确定所述平面mi的单位法矢；根据所述单位法矢的方向，确定所述平面mi的方向。
可选的，所述生成单元，用于采用如下公式计算所述协变矩阵： 其中，CV为所述协变矩阵，为矢量积符号，o为所述第i个点集的形心，且p为所述第i个点集，pj为第i个点集中的第j个元素。
可选的，所述生成单元，用于获取所述协变矩阵的特征向量对应的特征值；将最小特征值对应的特征向量作为所述平面mi的单位法矢。
可选的，所述生成单元，用于判断所述单位法矢与Z轴正方向的单位向量的夹角θ；当cosθ＞0时，所述平面mi的方向朝向Z轴正方向；当cosθ＜0时，将所述单位法矢反向，所述平面mi的方向朝向Z轴正方向。
可选的，所述计算单元，用于采用如下公式计算第k个栅格的第l个点与所述平面mi的距离D：其中，dkl为所述第k个栅格的第l个点，为所述单位法矢。
可选的，所述处理单元，用于从所述新点云数据集合中选择点a，并获取所述新点云数据集合中与所述点a距离最近的x个点；从所述与点a距离最近的x个点中，选择点b，并获取所述新点云数据集合中与所述点b距离最近的x个点；计算偏差参数与正规划标准偏差的商，将得到的商值与预设值进行比较；当得到的商值当大于预设值时，判定所述点a为离群值；其中，所述偏差参数DDF(a)采用如下公式计算：所述正规化标准偏差采用如下公式计算：其中， b′为N(b)中的点，a′为N(a)中的点，N(a)为所述新点云数据集合中与所述点a距离最近的x个点的集合，N(b)为所述新点云数据集合中与所述点b距离最近的x个点的集合，d(b,b′)为点b与点b′的距离，d(a,a′)为点a与点a′的距离。
与现有技术相比，本发明实施例的技术方案具有以下优点：
将原始点云数据划分为多个点云块，依次对每一个点云块进行处理。在每一个点云块中，其对应的地形复杂程度要小于原始点云数据对应的地形复杂程度，因此，本发明实施例中提供的方法能够有效处理各种复杂地形。在对第i个点云块进行处理时，根据第i个点云块的点云数据生成对应的最小二乘拟合平面。根据第i个点云块中每一个长方体栅格的每一个点与平面的距离，得到新点云数据集合，并滤除新点云数据集合中的离群值，能够滤除第i个点云块的点云数据中的灌木、草地等干扰物，因此大大提高了DEM的精确度。
附图说明
图1是本发明实施例中的一种地形机载点云提取方法的流程图；
图2是本发明实施例中的一种地形机载点云提取装置的结构示意图；
图3是本发明实施例中的一种长方体包围盒与点云块的示意图；
图4是本发明实施例中的一种集合N(a)与点a的示意图；
图5是本发明实施例中的一种集合N(b)与点b的示意图；
图6是本发明实施例中的一种判定点a是否为离群值的示意图。
具体实施方式
目前，如何实现对工业设备的高精度重建和单一化描述成为困扰研究人员的难题。
为使本发明实施例的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
本发明实施例提供了一种地形机载点云提取方法，参照图1，以下通过具体步骤进行详细说明。
步骤S101，将原始点云数据划分为N个点云块，并将每一个点云块划分为多个长方体栅格。
在具体实施中，原始点云数据可能为大尺寸的点云数据。例如，在实际应用中，原始点云数据为300米×300米的点云数据。较大尺寸的原始点云数据中，由于曲率变化，可能会存在地面低谷的情况。
在本发明实施例中，可以将原始点云数据进行划分，得到N个点云块。例如，将300米×300米的点云数据划分为36个50米×50米的点云数据块。在将原始点云数据划分成N个点云块时，得到的任一个点云块中不会出现因曲率变化而存在地面低谷的情况。
在具体实施中，可以获取第i个点云块的点云数据，形成第i个点集。根据第i个点集中的点云数据，可以确定第i个点集中的点云数据的边界，也即确定第i个点云块的点云数据的边界。
在本发明实施例中，可以获取第i个点集中的所有点云数据对应的X轴坐标、Y轴坐标以及Z轴坐标，并从中选取出X轴坐标的最大值和最小值、Y轴坐标的最大值和最小值以及Z轴坐标的最大值和最小值。在得到上述X轴、Y轴、Z轴坐标的最大值和最小值后，可以构建一个与坐标轴平行的长方体包围盒M0，包围盒包围第i个点云块。
在确定了包围盒后，可以根据预设的长方体栅格尺寸，沿X轴方向和Y轴方向将包围盒划分为m×n个长方体栅格。
在具体实施中，m和n的值分别为：
m＝ceil[(cell_max_x-cell_origin_x)/cell_size]；
n＝ceil[(cell_max_y-cell_origin_y)/cell_size]；
其中，cell_max_x为第i个点集中的所有点云数据对应的X轴坐标的最大值，cell_origin_x为第i个点集中的所有点云数据对应的X轴坐标的最小值；cell_max_y为第i个点集中的所有点云数据对应的Y轴坐标的最大值；cell_origin_y为第i个点集中的所有点云数据对应的Y轴坐标的最小值；cell_size为预设的长方体栅格尺寸。上式中的ceil[]函数为向上取整。例如，M＝3.2，则ceil[M]＝4。
在具体实施中，可以根据实际的应用场景来设置长方体栅格的大小。例如，设置长方体栅格的大小为2米×2米。
在具体实施中，每一个长方体栅格的高度为该长方体栅格中点云数据对应的最大z值与最小z值之差，其中，最大z值为该长方体栅格中所有点云数据对应的最大Z轴坐标值，最小z值为该长方体栅格中所有点云数据对应的最小Z轴坐标值。
例如，第一个长方体栅格中，点云数据对应的最大z值为z_max，点云数据对应的最小z值为z_min，则第一个长方体栅格对应的高度为z_max－z_min。
参照图3，给出了本发明实施例中的一种长方体包围盒与点云块的示意图。图3中，点云块31被长方体包围盒30包围。
步骤S102，根据第i个点云块的点云数据，生成与所述第i个点云块对应的最小二乘拟合曲面。
在具体实施中，可以先计算第i个点集的形心，第i个点集为第i个点云块的点云数据组成的点集。在得到第i个点集的形心之后，根据第i个点集的形心计算第i个点集的协变矩阵。之后，根据第i个点集的协变矩阵确定最小二乘拟合曲面mi的单位法矢，并根据单位法矢的方向确定平面mi的方向。
在本发明实施例中，可以采用如下公式计算第i个点集的形心o：
其中，pj为第i个点集中的第j个元素，p为第i个点集，t为p中的元素的个数。
在得到第i个点集的形心o后，可以采用如下公式计算形心o对应的协变矩阵：
其中，CV为所述协变矩阵，为矢量积符号，o为所述第i个点集的形心，且p为所述第i个点集，pj为第i个点集中的第j个元素。
在具体实施中，在得到协变矩阵后，可以获取协变矩阵的特征向量对应的特征值，选取其中的最小特征值对应的特征向量作为平面mi的单位法矢。
在本发明实施例中，协变矩阵可以为一个3×3的半正定矩阵。获取协变矩阵的三个特征向量。若特征向量1对应的特征值最小，则特征向量1为平面mi的单位法矢。
在确定平面mi的单位法矢后，确定单位法矢的方向，从而确定平面mi的方向。
在本发明实施例中，可以计算获取单位法矢与Z轴正方向的单位向量的夹角θ，单位向量为E(0,0,1)。当cosθ＞0时，平面mi的方向朝向Z轴正方向；当cosθ＜0时，将单位法矢反向，所述平面mi的方向朝向Z轴正方向。
在得到平面mi的单位法矢和平面mi的方向后，即可确定第i个点云块对应的最小二乘拟合平面mi。
步骤S103，计算所述第i个点云块中每一个长方体栅格的每一个点与所述平面mi的距离。
在具体实施中，在生成与第i个点云块对应的最小二乘拟合平面mi后，可以采用如下公式计算第i个点云块中第k个长方体栅格的第l个点与平面mi的距离：
其中，dkl为第k个栅格的第l个点，为单位法矢。
步骤S104，获取所述第i个点云块中每一个长方体栅格中与所述平面mi距离最小的点，组成第i个点云块对应的新点云数据集合。
在具体实施中，可以采用步骤S103，依次计算第i个点云块中，每一个长方体栅格中每一个点与平面mi的距离。获取第i个点云块中，每一个长方体栅格中与平面mi距离最小的点。假设第i个点云块被划分为M个长方体栅格，则可以获取M个与平面mi距离最小的点。
在具体实施中，长方体栅格中的某一点可能与平面mi的距离为负值。
在完成第i个点云块中每一个长方体栅格中每一个点与平面mi的距离的计算之后，根据所获取的每一个长方体栅格与平面mi距离最小的点，组建第i个点云块对应的新点云数据集合。
步骤S105，计算所述新点云数据集合中的离群值，并滤除所述离群值，得到处理后的第i个点云块的点云数据。
在具体实施中，在得到新点云数据集合后，可以计算新点云数据集合中的离群值。
在本发明实施例中，从新点云数据集合中选择点a，并获取新点云数据集合中与点a距离最近的x个点。之后，从与点a距离最近的x个点中，选择一点b，并获取新点云数据集合中与点b距离最近的x个点。设定新点云数据集合中与点a距离最近的x个点的集合为N(a)，与点b距离最近的x个点的集合为N(b)。
假设b′为N(b)中的点，采用如下公式计算点a的偏差参数DDF(a)以及正规化标准偏差σDDF(a)：
其中， a′为N(a)中的点，d(b,b′)为点b与点b′的距离，d(a,a′)为点a与点a′的距离。
将与ω的大小，如果则判定点a是离群值，将其剔除；反之，则判定点a不是离群值，点a保留在新点云数据集合中。
在具体实施中，可以根据实际的应用需求来设定ω的大小，在本发明一实施例中，设定ω＝1.25。在本发明其他实施例中，ω的大小还可以为其他值，本发明实施例不做赘述。
参照图4，给出了本发明实施例中的一种集合N(a)与点a的示意图。图4中，圆40内除点a以外的点为集合N(a)中的点。
参照图5，给出了本发明实施例中的一种集合N(b)与点b的示意图。结合图4，在确定了集合N(a)对应的点的集合之后，从中选择一个点作为点b。图5中，圆50内除点b以外的点为集合N(b)中的点。集合N(a)中的点的个数与集合N(b)中的点的个数相同。之后，从集合N(b)中的点中，选择出点b以外的一个点作为点b’。
参照图6，给出了本发明实施例中的一种判定点a是否为离群值的示意图。点a与圆40的半径为若大于1.25，则点a为离群值；反之，若不大于1.25，则点a不是离群值。
在将新点云数据集合中的离群值剔除后，得到处理后的第i个点云块的点云数据。将原始点云数据中的其他点云块执行步骤S102～步骤S104，得到处理后的其他点云块的点云数据。
由此可见，将原始点云数据划分为多个点云块，依次对每一个点云块进行处理。在每一个点云块中，其对应的地形复杂程度要小于原始点云数据对应的地形复杂程度，因此，本发明实施例中提供的方法能够有效处理各种复杂地形。在对第i个点云块进行处理时，根据第i个点云块的点云数据生成对应的最小二乘拟合平面。根据第i个点云块中每一个长方体栅格的每一个点与平面的距离，得到新点云数据集合，并滤除新点云数据集合中的离群值，能够滤除第i个点云块的点云数据中的灌木、草地等干扰物，因此大大提高了DEM的精确度。
参照图2，本发明实施例提供了一种地形机载点云提取装置20，包括：划分单元201、生成单元202、计算单元203、集合组成单元204以及处理单元205，其中：
划分单元201，用于将原始点云数据划分为N个点云块，并将每一个点云块划分为多个长方体栅格；
生成单元202，用于根据第i个点云块的点云数据，生成与所述第i个点云块对应的最小二乘拟合平面mi；1≤i≤N；
计算单元203，用于计算所述第i个点云块中每一个长方体栅格的每一个点与所述平面mi的距离；
集合组成单元204，用于获取所述第i个点云块中每一个长方体栅格中与所述平面mi距离最小的点，组成第i个点云块对应的新点云数据集合；
处理单元205，用于计算所述新点云数据集合中的离群值，并滤除所述离群值，得到处理后的第i个点云块的点云数据。
在具体实施中，所述划分单元201，可以用于根据预设的曲率变化条件，将所述原始点云数据划分为多个点云块，且任一点云块对应的点云数据不存在地面低谷对应的点云数据。
在具体实施中，所述划分单元201，可以用于获取所述第i个点云块的点云数据，形成第i个点集；确定所述第i个点集中的点云数据的边界；根据所述第i个点集中的点云数据的边界形成包围盒，所述包围盒包围所述第i个点云块；根据预设的长方体栅格尺寸，沿X轴方向和Y轴方向将所述包围盒划分为m×n个长方体栅格，每一个长方体栅格的高度为该长方体栅格中点云数据对应的最大z值与最小z值之差。
在具体实施中，所述生成单元202，可以用于计算所述第i个点集的形心；根据所述形心计算所述第i个点集的协变矩阵；根据所述协变矩阵确定所述平面mi的单位法矢；根据所述单位法矢的方向，确定所述平面mi的方向。
在具体实施中，所述生成单元202，用于采用如下公式计算所述协变矩阵：其中，CV为所述协变矩阵，为矢量积符号，o为所述第i个点集的形心，且p为所述第i个点集，pj为第i个点集中的第j个元素。
在具体实施中，所述生成单元202，可以用于获取所述协变矩阵的特征向量对应的特征值；将最小特征值对应的特征向量作为所述平面mi的单位法矢。
在具体实施中，所述生成单元202，可以用于判断所述单位法矢与Z轴正方向的单位向量的夹角θ；当cosθ＞0时，所述平面mi的方向朝向Z轴正方向；当cosθ＜0时，将所述单位法矢反向，所述平面mi的方向朝向Z轴正方向。
在具体实施中，所述计算单元203，可以用于采用如下公式计算第k个栅格的第l个点与所述平面mi的距离D：其中，dkl为所述第k个栅格的第l个点，为所述单位法矢。
在具体实施中，所述处理单元205，可以用于从所述新点云数据集合中选择点a，并获取所述新点云数据集合中与所述点a距离最近的x个点；从所述与点a距离最近的x个点中，选择点b，并获取所述新点云数据集合中与所述点b距离最近的x个点；计算偏差参数与正规划标准偏差的商，将得到的商值与预设值进行比较；当得到的商值当大于预设值时，判定所述点a为离群值；其中，所述偏差参数DDF(a)采用如下公式计算： 所述正规化标准偏差采用如下公式计算：其中， b′为N(b)中的点，a′为N(a)中的点，N(a)为所述新点云数据集合中与所述点a距离最近的x个点的集合，N(b)为所述新点云数据集合中与所述点b距离最近的x个点的集合，d(b,b′)为点b与点b′的距离，d(a,a′)为点a与点a′的距离。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：ROM、RAM、磁盘或光盘等。
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。

Claims (18)

1.一种地形机载点云提取方法，其特征在于，包括：
将原始点云数据划分为N个点云块，并将每一个点云块划分为多个长方体栅格；
根据第i个点云块的点云数据，生成与所述第i个点云块对应的最小二乘拟合平面mi；1≤i≤N；
计算所述第i个点云块中每一个长方体栅格的每一个点与所述平面mi的距离，并获取所述第i个点云块中每一个长方体栅格中与所述平面mi距离最小的点，组成第i个点云块对应的新点云数据集合；
计算所述新点云数据集合中的离群值，并滤除所述离群值，得到处理后的第i个点云块的点云数据。
2.如权利要求1所述的地形机载点云提取方法，其特征在于，所述将原始点云数据划分为多个点云块，包括：
根据预设的曲率变化条件，将所述原始点云数据划分为多个点云块，且任一点云块对应的点云数据不存在地面低谷对应的点云数据。
3.如权利要求2所述的地形机载点云提取方法，其特征在于，所述将每一个点云块划分为多个长方体栅格，包括：
获取所述第i个点云块的点云数据，形成第i个点集；
确定所述第i个点集中的点云数据的边界；
根据所述第i个点集中的点云数据的边界形成包围盒，所述包围盒包围所述第i个点云块；
根据预设的长方体栅格尺寸，沿X轴方向和Y轴方向将所述包围盒划分为m×n个长方体栅格，每一个长方体栅格的高度为该长方体栅格中点云数据对应的最大z值与最小z值之差。
4.如权利要求3所述的地形机载点云提取方法，其特征在于，所述根据第i个点云块的点云数据，生成与所述第i个点云块对应的最小二乘拟合平面mi，包括：
计算所述第i个点集的形心；
根据所述形心计算所述第i个点集的协变矩阵；
根据所述协变矩阵确定所述平面mi的单位法矢；
根据所述单位法矢的方向，确定所述平面mi的方向。
5.如权利要求4所述的地形机载点云提取方法，其特征在于，所述根据所述形心计算所述第i个点集的协变矩阵，包括：
采用如下公式计算所述协变矩阵：其中，CV为所述协变矩阵，为矢量积符号，o为所述第i个点集的形心，且 p为所述第i个点集，pj为第i个点集中的第j个元素。
6.如权利要求5所述的地形机载点云提取方法，其特征在于，所述根据所述协变矩阵确定所述平面mi的单位法矢，包括：
获取所述协变矩阵的特征向量对应的特征值；
将最小特征值对应的特征向量作为所述平面mi的单位法矢。
7.如权利要求6所述的地形机载点云提取方法，其特征在于，所述根据所述单位法矢的方向，确定所述平面mi的方向，包括：
判断所述单位法矢与Z轴正方向的单位向量的夹角θ；
当cosθ＞0时，所述平面mi的方向朝向Z轴正方向；当cosθ＜0时，将所述单位法矢反向，所述平面mi的方向朝向Z轴正方向。
8.如权利要求4所述的地形机载点云提取方法，其特征在于，所述计算所述第i个点云块中每一个长方体栅格的每一个点与所述平面mi的距离，包括：
采用如下公式计算第k个栅格的第l个点与所述平面mi的距离D： 其中，dkl为所述第k个栅格的第l个点，为所述单位法矢。
9.如权利要求1所述的地形机载点云提取方法，其特征在于，所述计算所述新点云数据集合中的离群值，包括：
从所述新点云数据集合中选择点a，并获取所述新点云数据集合中与所述点a距离最近的x个点；从与点a距离最近的x个点中，选择点b，并获取所述新点云数据集合中与所述点b距离最近的x个点；
计算偏差参数与正规化标准偏差的商，将得到的商值与预设值进行比较；当得到的商值当大于预设值时，判定所述点a为离群值；
其中，所述偏差参数DDF(a)采用如下公式计算：
所述正规化标准偏差采用如下公式计算：其中， b′为N(b)中的点，a′为N(a)中的点，N(a)为所述新点云数据集合中与所述点a距离最近的x个点的集合，N(b)为所述新点云数据集合中与所述点b距离最近的x个点的集合，d(b,b′)为点b与点b′的距离，d(a,a′)为点a与点a′的距离。
10.一种地形机载点云提取装置，其特征在于，包括：
划分单元，用于将原始点云数据划分为N个点云块，并将每一个点云块划分为多个长方体栅格；
生成单元，用于根据第i个点云块的点云数据，生成与所述第i个点云块对应的最小二乘拟合平面mi；1≤i≤N；
计算单元，用于计算所述第i个点云块中每一个长方体栅格的每一个点与所述平面mi的距离；
集合组成单元，用于获取所述第i个点云块中每一个长方体栅格中与所述平面mi距离最小的点，组成第i个点云块对应的新点云数据集合；
处理单元，用于计算所述新点云数据集合中的离群值，并滤除所述离群值，得到处理后的第i个点云块的点云数据。
11.如权利要求10所述的地形机载点云提取方法，其特征在于，所述划分单元，用于根据预设的曲率变化条件，将所述原始点云数据划分为多个点云块，且任一点云块对应的点云数据不存在地面低谷对应的点云数据。
12.如权利要求11所述的地形机载点云提取装置，其特征在于，所述划分单元，用于获取所述第i个点云块的点云数据，形成第i个点集；确定所述第i个点集中的点云数据的边界；根据所述第i个点集中的点云数据的边界形成包围盒，所述包围盒包围所述第i个点云块；根据预设的长方体栅格尺寸，沿X轴方向和Y轴方向将所述包围盒划分为m×n个长方体栅格，每一个长方体栅格的高度为该长方体栅格中点云数据对应的最大z值与最小z值之差。
13.如权利要求12所述的地形机载点云提取装置，其特征在于，所述生成单元，用于计算所述第i个点集的形心；根据所述形心计算所述第i个点集的协变矩阵；根据所述协变矩阵确定所述平面mi的单位法矢；根据所述单位法矢的方向，确定所述平面mi的方向。
14.如权利要求13所述的地形机载点云提取装置，其特征在于，所述生成单元，用于采用如下公式计算所述协变矩阵：其中，CV为所述协变矩阵，为矢量积符号，o为所述第i个点集的形心，且p为所述第i个点集，pj为第i个点集中的第j个元素。
15.如权利要求14所述的地形机载点云提取装置，其特征在于，所述生成单元，用于获取所述协变矩阵的特征向量对应的特征值；将最小特征值对应的特征向量作为所述平面mi的单位法矢。
16.如权利要求15所述的地形机载点云提取装置，其特征在于，所述生成单元，用于判断所述单位法矢与Z轴正方向的单位向量的夹角θ；当cosθ＞0时，所述平面mi的方向朝向Z轴正方向；当cosθ＜0时，将所述单位法矢反向，所述平面mi的方向朝向Z轴正方向。
17.如权利要求13所述的地形机载点云提取装置，其特征在于，所述计算单元，用于采用如下公式计算第k个栅格的第l个点与所述平面mi的距离D：其中，dkl为所述第k个栅格的第l个点，为所述单位法矢。
18.如权利要求10所述的地形机载点云提取装置，其特征在于，所述处理单元，用于从所述新点云数据集合中选择点a，并获取所述新点云数据集合中与所述点a距离最近的x个点；从与点a距离最近的x个点中，选择点b，并获取所述新点云数据集合中与所述点b距离最近的x个点；计算偏差参数与正规划标准偏差的商，将得到的商值与预设值进行比较；当得到的商值当大于预设值时，判定所述点a为离群值；其中，所述偏差参数DDF(a)采用如下公式计算：所述正规化标准偏差采用如下公式计算：其中， b′为N(b)中的点，a′为N(a)中的点，N(a)为所述新点云数据集合中与所述点a距离最近的x个点的集合，N(b)为所述新点云数据集合中与所述点b距离最近的x个点的集合，d(b,b′)为点b与点b′的距离，d(a,a′)为点a与点a′的距离。
CN201910211704.6A 2019-03-19 2019-03-19 地形机载点云提取方法及装置 Active CN109961512B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910211704.6A CN109961512B (zh) 2019-03-19 2019-03-19 地形机载点云提取方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910211704.6A CN109961512B (zh) 2019-03-19 2019-03-19 地形机载点云提取方法及装置

Publications (2)

Publication Number Publication Date
CN109961512A true CN109961512A (zh) 2019-07-02
CN109961512B CN109961512B (zh) 2023-03-31

Family

ID=67024590

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910211704.6A Active CN109961512B (zh) 2019-03-19 2019-03-19 地形机载点云提取方法及装置

Country Status (1)

Country Link
CN (1) CN109961512B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111553909A (zh) * 2020-05-06 2020-08-18 南京航空航天大学 一种基于实测点云数据的飞机蒙皮窄端面提取方法
CN112184900A (zh) * 2019-07-04 2021-01-05 北京四维图新科技股份有限公司 高程数据的确定方法、装置及存储介质
CN113705617A (zh) * 2021-07-30 2021-11-26 北京万集科技股份有限公司 点云数据的处理方法、装置、计算机设备和存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101021954A (zh) * 2007-03-23 2007-08-22 东南大学 三维扫描的点云精简方法
CN104574303A (zh) * 2014-12-26 2015-04-29 河海大学 基于空间聚类的机载LiDAR点云地面滤波方法
CN104794687A (zh) * 2014-01-20 2015-07-22 鸿富锦精密工业（深圳）有限公司 点云精简系统及方法
US20160155264A1 (en) * 2014-11-28 2016-06-02 Fu Tai Hua Industry (Shenzhen) Co., Ltd. Electronic device and method for reducing point cloud
US20160154999A1 (en) * 2014-12-02 2016-06-02 Nokia Technologies Oy Objection recognition in a 3d scene
CN107341825A (zh) * 2017-07-06 2017-11-10 西南科技大学 一种用于大场景高精度三维激光测量点云数据的简化方法
CN108198244A (zh) * 2017-12-20 2018-06-22 中国农业大学 一种苹果叶片点云精简方法及装置
CN109409437A (zh) * 2018-11-06 2019-03-01 安徽农业大学 一种点云分割方法、装置、计算机可读存储介质及终端

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101021954A (zh) * 2007-03-23 2007-08-22 东南大学 三维扫描的点云精简方法
CN104794687A (zh) * 2014-01-20 2015-07-22 鸿富锦精密工业（深圳）有限公司 点云精简系统及方法
US20160155264A1 (en) * 2014-11-28 2016-06-02 Fu Tai Hua Industry (Shenzhen) Co., Ltd. Electronic device and method for reducing point cloud
US20160154999A1 (en) * 2014-12-02 2016-06-02 Nokia Technologies Oy Objection recognition in a 3d scene
CN104574303A (zh) * 2014-12-26 2015-04-29 河海大学 基于空间聚类的机载LiDAR点云地面滤波方法
CN107341825A (zh) * 2017-07-06 2017-11-10 西南科技大学 一种用于大场景高精度三维激光测量点云数据的简化方法
CN108198244A (zh) * 2017-12-20 2018-06-22 中国农业大学 一种苹果叶片点云精简方法及装置
CN109409437A (zh) * 2018-11-06 2019-03-01 安徽农业大学 一种点云分割方法、装置、计算机可读存储介质及终端

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112184900A (zh) * 2019-07-04 2021-01-05 北京四维图新科技股份有限公司 高程数据的确定方法、装置及存储介质
CN112184900B (zh) * 2019-07-04 2024-03-19 北京四维图新科技股份有限公司 高程数据的确定方法、装置及存储介质
CN111553909A (zh) * 2020-05-06 2020-08-18 南京航空航天大学 一种基于实测点云数据的飞机蒙皮窄端面提取方法
CN113705617A (zh) * 2021-07-30 2021-11-26 北京万集科技股份有限公司 点云数据的处理方法、装置、计算机设备和存储介质

Also Published As

Publication number Publication date
CN109961512B (zh) 2023-03-31

Similar Documents

Publication Publication Date Title
Wu et al. An accurate skeleton extraction approach from 3D point clouds of maize plants
US11037346B1 (en) Multi-station scanning global point cloud registration method based on graph optimization
US11106932B2 (en) Method for extracting robot processing boundary of thin-walled part with small curvature based on three-dimensional point cloud
CN109961512A (zh) 地形机载点云提取方法及装置
CN103853840B (zh) 一种不均匀散乱点云数据的滤波方法
CN105118090B (zh) 一种自适应复杂地形结构的点云滤波方法
CN105654483B (zh) 三维点云全自动配准方法
CN111768490B (zh) 基于迭代最近点与人工干预的植物三维建模方法及系统
EP2887092A1 (en) Computing radar cross section
CN105631939B (zh) 一种基于曲率滤波的三维点云畸变校正方法及其系统
CN108171793B (zh) 一种探查层叠区域三角网格的方法
CN115438571B (zh) 一种基于机器学习的地波雷达波浪场计算方法及装置
CN109255837B (zh) 一种用于激光雷达点云数据处理的高效b样条曲面的构造方法
CN112446907B (zh) 一种单线点云与多线点云配准的方法及装置
CN112130318A (zh) 基于高斯径向基函数的光学自由曲面表征方法
CN105654543A (zh) 面向激光点云数据的阔叶树真实叶片建模与形变方法
CN103236043A (zh) 一种植物器官点云修复方法
CN109931903A (zh) 一种基于改进鲸鱼优化算法的圆柱度评定方法
CN112348802A (zh) 植物叶倾角测量方法及装置
CN103824323A (zh) 一种基于单幅二维图像的三维重建方法
CN110110457B (zh) 一种复杂地形风电场的噪声分布预测方法
CN113985408B (zh) 一种结合门单元和迁移学习的逆合成孔径雷达成像方法
CN105785919B (zh) 点云五轴无全局干涉刀轴矢量可行域计算方法
CN109033181B (zh) 一种复杂地形地区风场地理数值模拟方法
CN110967778B (zh) 一种动态坐标系多面体剖分重力布格校正方法

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