CN110443770A - 基于离散粗糙度估计的机载激光点云数据噪声检测方法 - Google Patents
基于离散粗糙度估计的机载激光点云数据噪声检测方法 Download PDFInfo
- Publication number
- CN110443770A CN110443770A CN201910737998.6A CN201910737998A CN110443770A CN 110443770 A CN110443770 A CN 110443770A CN 201910737998 A CN201910737998 A CN 201910737998A CN 110443770 A CN110443770 A CN 110443770A
- Authority
- CN
- China
- Prior art keywords
- vertex
- ring
- discrete
- point
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 18
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 claims abstract description 47
- 238000002372 labelling Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 5
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 5
- 238000012952 Resampling Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
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)
Abstract
本发明公开了一种基于离散粗糙度估计的机载激光点云数据噪声检测方法,包括步骤:读取机载激光点云数据,并构建离散点云TIN模型;根据离散点云TIN模型,获取模型中各顶点的一环邻域、二环邻域;采用离散粗糙度估计算子,计算各点的离散粗糙度;计算各点的二环邻域离散粗糙度均值和二环邻域粗糙度标准差;计算各点的二环邻域高程均值和二环邻域高程标准差;标记噪声点。其显著效果是:提高了机载激光点云数据噪声检测的智能化程度,极大地提高了机载激光点云数据处理效率及后续处理精度。
Description
技术领域
本发明涉及到遥感测绘技术领域,具体涉及一种基于离散粗糙度估计的机载激光点云数据噪声检测方法。
背景技术
LiDAR(激光雷达)扫描系统集GNSS(全球导航卫星系统)、INS(惯性导航系统)、激光扫描系统于一体,能够直接测得空间点三维坐标,可高效快捷获取数字表面模型。LiDAR系统自身在脉冲信号发射和接收过程中,由于电路传输出错、脉冲信号打到飞鸟及低空不明飞行物表面、脉冲信号多次漫反射等原因,机载LiDAR点云常常包含大量噪声点。在LiDAR数据的后续处理中,噪声点会极大地影响邻近地表的光滑性及最终的DEM精度。
从点云噪声点的空间分布来讲,部分典型噪声点明显孤立,距离局部地物或者地表较远,这类噪声特征明显,采用简单的高程直方图、局部密集估计和形态学操作均能有效剔除。然而,另外一部分非典型噪声点“藏匿”于地物、地表附近,距离局部地物或者地表较近,这类噪声点与地物、地表的区分度不高,上述简单处理没有顾及地物、地表的局部光滑性,因此这类噪声点并不能被有效剔除。
发明内容
针对现有技术的不足,本发明的目的是提供一种基于离散粗糙度估计的机载激光点云数据噪声检测方法,该方法根据TIN模型获取各顶点的邻域,采用离散粗糙度估计算子计算各点的离散粗糙度,根据局部范围内的粗糙度统计信息检测噪声点,能够检测机载激光点云数据的噪声点,同时还能有效保持点云数据的局部平滑性。
为达到上述目的,本发明采用的技术方案如下:
一种基于离散粗糙度估计的机载激光点云数据噪声检测方法,其关键在于包括如下步骤:
步骤1:读取机载激光点云数据,并构建离散点云TIN模型;
步骤2:根据离散点云TIN模型,获取模型中各顶点的一环邻域、二环邻域;
步骤3:采用离散粗糙度估计算子,计算各点的离散粗糙度;
步骤4:根据所述离散粗糙度,计算各点的二环邻域离散粗糙度均值和二环邻域粗糙度标准差;
步骤5:计算各点的二环邻域高程均值和二环邻域高程标准差;
步骤6:标记噪声点。
进一步的,步骤3中计算离散粗糙度所采用的离散粗糙度估计算子的表达式为:
其中,#f为顶点v对应的TIN模型一环邻域点个数,θi为顶点v与对应的TIN模型一环领域点间的夹角。
进一步的,步骤4中所述二环邻域离散粗糙度均值采用以下公式计算生成:
所述二环邻域离散粗糙度标准差采用以下公式计算生成:
其中,N2(v)={v1,v2,v3,…,vn}为顶点v对应的TIN模型二环邻域点,n为顶点v对应的TIN模型二环邻域点的个数,kR(vi)为顶点v对应的TIN模型二环邻域点vi的离散粗糙度。
进一步的,步骤5中所述二环邻域高程均值采用以下公式计算生成:
所述二环邻域高程标准差采用以下公式计算生成:
其中,N2(v)={v1,v2,v3,…,vn}为顶点v对应的TIN模型二环邻域点,n为顶点v对应的TIN模型二环邻域点的个数,h(vi)为顶点v对应的TIN模型二环邻域点vi的高程值。
进一步的,步骤6中噪声点的标记方法为:
对于任意顶点v,若或|h(v)-Eh(v)|>λ·δh(v),则顶点v被标记为噪声点;
其中,kR(v)为顶点v的离散粗糙度,为顶点v对应的TIN模型二环邻域点的二环邻域离散粗糙度均值,δk(v)为顶点v对应的TIN模型二环邻域点的二环邻域离散粗糙度标准差,λ为大于零的常数,h(v)为顶点v的高程值,Eh(v)为顶点v对应的TIN模型二环邻域点的二环邻域高程均值,δh(v)为顶点v对应的TIN模型二环邻域点的二环邻域高程标准差。
本发明采用TIN模型组织机载激光点云数据,并根据TIN模型获取各顶点的一环邻域、二环邻域,采用离散粗糙度估计算子分别计算各点的离散粗糙度,然后计算局部范围内的粗糙度统计信息,最后根据计算所得的离散粗糙度和根据局部范围内的粗糙度统计信息实现噪声点检测。
本发明的显著效果是:本发明直接处理原始数据而不是重采样后的数据,因而没有几何精度的损失;在实现检测机载激光点云数据噪声的同时,还能有效保持点云数据局的部平滑性;提高了机载激光点云数据噪声检测的智能化程度,极大地提高了机载激光点云数据处理效率及后续处理精度。
附图说明
图1是本发明的结构示意图;
图2是TIN模型中顶点v及其一环邻域点、二环邻域点的示意图。
具体实施方式
下面结合附图对本发明的具体实施方式以及工作原理作进一步详细说明。
首先,为了便于下文的描述,首先给出下列名词定义:
LiDAR(Light Detection And Ranging),激光雷达;
GNSS(Global Navigation Satellite System),全球导航卫星系统;
INS(Inertial Navigation System),惯性导航系统;
TIN(Triangulated Irregular Network),不规则三角网。
如图1所示,一种基于离散粗糙度估计的机载激光点云数据噪声检测方法,具体步骤如下:
步骤1:读取机载激光点云数据,并构建离散点云TIN模型;
步骤2:根据离散点云TIN模型,获取模型中各顶点的一环邻域、二环邻域;
步骤3:采用离散粗糙度估计算子,计算各点的离散粗糙度;
所述离散粗糙度估计算子的表达式为:
其中,#f为顶点v对应的TIN模型一环邻域点个数,θi为顶点v与对应的TIN模型一环领域点间的夹角。
步骤4:根据所述离散粗糙度,计算各点的二环邻域离散粗糙度均值和二环邻域粗糙度标准差;
所述二环邻域离散粗糙度均值采用以下公式计算生成:
所述二环邻域离散粗糙度标准差采用以下公式计算生成:
其中,N2(v)={v1,v2,v3,…,vn}为顶点v对应的TIN模型二环邻域点,n为顶点v对应的TIN模型二环邻域点的个数,kR(vi)为顶点v对应的TIN模型二环邻域点vi的离散粗糙度。
步骤5:计算各点的二环邻域高程均值和二环邻域高程标准差;
所述二环邻域高程均值采用以下公式计算生成:
所述二环邻域高程标准差采用以下公式计算生成:
其中,N2(v)={v1,v2,v3,…,vn}为顶点v对应的TIN模型二环邻域点,n为顶点v对应的TIN模型二环邻域点的个数,h(vi)为顶点v对应的TIN模型二环邻域点vi的高程值。
步骤6:标记噪声点,其标记方法为:
对于任意顶点v,若或|h(v)-Eh(v)|>3·δh(v),则顶点v被标记为噪声点,也即是本实施例中所述常数λ的取值为3。
本实施例所述的机载激光点云数据噪声检测,采用TIN模型组织点云,并根据TIN模型获取各顶点的一环邻域、二环邻域,采用离散粗糙度估计算子分别计算各点的离散粗糙度,然后计算局部范围内的粗糙度统计信息,最后根据计算所得的离散粗糙度和根据局部范围内的粗糙度统计信息实现噪声点检测。也即是直接处理原始点云数据而不是重采样后的数据,因而没有几何精度的损失,在实现机载激光点云数据噪声检测的同时还能有效保持点云数据局的部平滑性,从而提高了机载激光点云数据噪声检测的智能化程度,极大地提高了机载激光点云数据处理效率及后续处理精度。
以上对本发明所提供的技术方案进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (5)
1.一种基于离散粗糙度估计的机载激光点云数据噪声检测方法,其特征在于包括如下步骤:
步骤1:读取机载激光点云数据,并构建离散点云TIN模型;
步骤2:根据离散点云TIN模型,获取模型中各顶点的一环邻域、二环邻域;
步骤3:采用离散粗糙度估计算子,计算各点的离散粗糙度;
步骤4:根据所述离散粗糙度,计算各点的二环邻域离散粗糙度均值和二环邻域粗糙度标准差;
步骤5:计算各点的二环邻域高程均值和二环邻域高程标准差;
步骤6:标记噪声点。
2.根据权利要求1所述的基于离散粗糙度估计的机载激光点云数据噪声检测方法,其特征在于:步骤3中计算离散粗糙度所采用的离散粗糙度估计算子的表达式为:
其中,#f为顶点v对应的TIN模型一环邻域点个数,θi为顶点v与对应的TIN模型一环领域点间的夹角。
3.根据权利要求1所述的基于离散粗糙度估计的机载激光点云数据噪声检测方法,其特征在于:步骤4中所述二环邻域离散粗糙度均值采用以下公式计算生成:
所述二环邻域离散粗糙度标准差采用以下公式计算生成:
其中,N2(v)={v1,v2,v3,…,vn}为顶点v对应的TIN模型二环邻域点,n为顶点v对应的TIN模型二环邻域点的个数,kR(vi)为顶点v对应的TIN模型二环邻域点vi的离散粗糙度。
4.根据权利要求1所述的基于离散粗糙度估计的机载激光点云数据噪声检测方法,其特征在于:步骤5中所述二环邻域高程均值采用以下公式计算生成:
所述二环邻域高程标准差采用以下公式计算生成:
其中,N2(v)={v1,v2,v3,…,vn}为顶点v对应的TIN模型二环邻域点,n为顶点v对应的TIN模型二环邻域点的个数,h(vi)为顶点v对应的TIN模型二环邻域点vi的高程值。
5.根据权利要求1所述的基于离散粗糙度估计的机载激光点云数据噪声检测方法,其特征在于:步骤6中噪声点的标记方法为:
对于任意顶点v,若或|h(v)-Eh(v)|>λ·δh(v),则顶点v被标记为噪声点;
其中,kR(v)为顶点v的离散粗糙度,为顶点v对应的TIN模型二环邻域点的二环邻域离散粗糙度均值,δk(v)为顶点v对应的TIN模型二环邻域点的二环邻域离散粗糙度标准差,λ为大于零的常数,h(v)为顶点v的高程值,Eh(v)为顶点v对应的TIN模型二环邻域点的二环邻域高程均值,δh(v)为顶点v对应的TIN模型二环邻域点的二环邻域高程标准差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910737998.6A CN110443770A (zh) | 2019-08-12 | 2019-08-12 | 基于离散粗糙度估计的机载激光点云数据噪声检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910737998.6A CN110443770A (zh) | 2019-08-12 | 2019-08-12 | 基于离散粗糙度估计的机载激光点云数据噪声检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110443770A true CN110443770A (zh) | 2019-11-12 |
Family
ID=68434518
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910737998.6A Pending CN110443770A (zh) | 2019-08-12 | 2019-08-12 | 基于离散粗糙度估计的机载激光点云数据噪声检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110443770A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101702200A (zh) * | 2009-11-03 | 2010-05-05 | 武汉大学 | 一种机载激光雷达点云数据的自动分类方法 |
CN102930509A (zh) * | 2012-09-18 | 2013-02-13 | 广州建通测绘技术开发有限公司 | 一种机载激光点云数据的智能化滤波方法 |
CN106228521A (zh) * | 2016-07-25 | 2016-12-14 | 哈尔滨工业大学 | 一种基于薄板样条插值的障碍物特征提取方法 |
-
2019
- 2019-08-12 CN CN201910737998.6A patent/CN110443770A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101702200A (zh) * | 2009-11-03 | 2010-05-05 | 武汉大学 | 一种机载激光雷达点云数据的自动分类方法 |
CN102930509A (zh) * | 2012-09-18 | 2013-02-13 | 广州建通测绘技术开发有限公司 | 一种机载激光点云数据的智能化滤波方法 |
CN106228521A (zh) * | 2016-07-25 | 2016-12-14 | 哈尔滨工业大学 | 一种基于薄板样条插值的障碍物特征提取方法 |
Non-Patent Citations (1)
Title |
---|
叶立志: "机载LiDAR与影像密集匹配点云数据的滤波方法研究", 《中国博士学位论文 全文数据库 信息科技辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Automated methods for measuring DBH and tree heights with a commercial scanning lidar | |
Ene et al. | Single tree detection in heterogeneous boreal forests using airborne laser scanning and area-based stem number estimates | |
Pueschel et al. | The influence of scan mode and circle fitting on tree stem detection, stem diameter and volume extraction from terrestrial laser scans | |
Suárez et al. | Use of airborne LiDAR and aerial photography in the estimation of individual tree heights in forestry | |
CN110118526B (zh) | 一种支持实时监测的船载砂石体积自动计算方法 | |
CN109100741A (zh) | 一种基于3d激光雷达及图像数据的目标检测方法 | |
Zhou et al. | A fast and accurate segmentation method for ordered LiDAR point cloud of large-scale scenes | |
CN113592882A (zh) | 一种基于无人机多源遥感的树冠提取方法 | |
CN106525000B (zh) | 基于激光扫描离散点强度梯度的道路标线自动化提取方法 | |
CN109544612A (zh) | 基于特征点几何表面描述的点云配准方法 | |
CN105260737A (zh) | 一种融合多尺度特征的激光扫描数据物理平面自动化提取方法 | |
CA2460089C (en) | Method, apparatus and program for determining growth of trees | |
Pueschel | The influence of scanner parameters on the extraction of tree metrics from FARO Photon 120 terrestrial laser scans | |
CN112488037B (zh) | 一种在图像识别中危险区域标识的方法 | |
CN205352391U (zh) | 基于地面三维激光扫描的实体测量系统 | |
CN111524084A (zh) | 一种基于多峰高斯拟合的复杂场景光子计数激光雷达点云去噪算法 | |
CN108074232B (zh) | 一种基于体元分割的机载lidar建筑物检测方法 | |
CN105547244A (zh) | 一种结合立体像对的激光高度计高程控制点生成方法 | |
CN110853081A (zh) | 基于单木分割的地面和机载LiDAR点云配准方法 | |
Maas | Closed solutions for the determination of parametric building models from invariant moments of airborne laserscanner data | |
CN103033805A (zh) | 一种机载激光雷达航带间冗余数据自动去除方法 | |
CN110988909A (zh) | 基于tls进行高寒脆弱区沙地植被的植被盖度测定方法 | |
He et al. | Robust laser stripe extraction for 3D measurement of complex objects | |
Lari et al. | New approaches for estimating the local point density and its impact on LiDAR data segmentation | |
Sun et al. | Retrieval and accuracy assessment of tree and stand parameters for Chinese fir plantation using terrestrial laser scanning |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191112 |
|
RJ01 | Rejection of invention patent application after publication |