CN110532975A - 基于全波形机载激光雷达数据的tin滤波修正方法 - Google Patents
基于全波形机载激光雷达数据的tin滤波修正方法 Download PDFInfo
- Publication number
- CN110532975A CN110532975A CN201910825913.XA CN201910825913A CN110532975A CN 110532975 A CN110532975 A CN 110532975A CN 201910825913 A CN201910825913 A CN 201910825913A CN 110532975 A CN110532975 A CN 110532975A
- Authority
- CN
- China
- Prior art keywords
- data
- laser radar
- point
- airborne laser
- ground
- 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 34
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 title claims abstract description 18
- 238000012937 correction Methods 0.000 title claims abstract description 12
- 239000000284 extract Substances 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 13
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 238000002360 preparation method Methods 0.000 claims abstract description 5
- 238000009434 installation Methods 0.000 claims abstract description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 238000003066 decision tree Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000000280 densification Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 abstract description 2
- 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 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000007812 deficiency Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 208000035742 Air-borne transmission Diseases 0.000 description 1
- 230000005557 airborne transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Graphics (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明公开了基于全波形机载激光雷达数据的TIN滤波修正方法,(1)全波形机载激光雷达的准备和安装。(2)利用步骤(1)中的设备进行数据采集。(3)分别提取机载激光雷达数据中的点云属性特征和全波形数据的回波参数特征。(4)将步骤(3)得到的机载激光雷达数据中的点云属性特征和全波形数据的回波参数特征结合,提取植被点云数据。(5)基于步骤(4)提取的植被点云优化地面种子点选取过程,获得高精度的地面种子点集。(6)利用步骤(5)选取的地面种子点集构建初始三角网,实现地面点提取,得到数字地面模型。本发明利用全波机载激光雷达两套数据,通过特征分析与处理,从而达到提取高精度数字地面模型的目的。
Description
【技术领域】
本发明涉及机载激光雷达技术领域,特别涉及一种基于全波形机载激光雷达数据的TIN滤波修正方法。
【背景技术】
机载激光雷达(Airborne Light Detection And Ranging,LiDAR)是一种主动式航空遥感对地观测系统,是九十年代初首先由西方国家发展起来并投入商业化应用的一门新兴技术,它集成激光测距仪、全球定位系统(GPS)和惯性测量单元(IMU)于一身。该技术在三维空间信息的实时获取方面产生了重大突破,为获取高时空分辨率的地球空间信息提供了一种全新的技术手段。机载LiDAR通过发射和接收激光脉冲,能直接、快速获得地表密集的高精度三维点坐标(即机载LiDAR点云数据),获取的点云数据精度高、密度大,能很好地表现地表细节。
近年来,如何处理LiDAR观测数据并提取DEM已成为一个热门的研究领域,这也是本论文的重点研究内容。然而,到目前为止,关于采用机载LiDAR点云数据提取DEM过程中仍然存在一些关键问题没有解决,主要表现在点云信息的获取和点云数据的滤波。利用点云数据获取DEM的工作流程已经比较成熟,通常在提取到三维点云的几何信息以后选用插值的方式,得到DEM产品。在机载LiDAR数据处理领域,机载LiDAR点云数据滤波是重要的研究内容,目的是将地面点和非地面点从点云数据中分离出来,这是提取DEM的关键技术。现有针对机载LiDAR数据的过滤算法在地物复杂程度低的情况下效果较好,但随着地形复杂程度提高,比如,自然界具有复杂的地形特征和地物覆盖类型(密度高低不一的植被,自然地貌,人造地貌等),使得一些DEM提取算法可能在某些特定区域失败。此外,激光束从激光发射仪发射以后有一定的发散角(一般为几个毫弧度),经空气传播到地面时,会形成一定直径的地面光斑;如果该光斑内同时存在地面和低矮植被,那么当植被的高度小于一定程度时(即测距分辨率),就无法形成两次回波,这种情况下的低矮植被会被误认为地面点(即伪地面点),导致获取的DEM高程值虚假增加(成为误差),最终影响DEM的精度。
目前,随着全波形LiDAR观测技术的发展,全波形LiDAR数据为研究提供了更多的目标信息,为解决困难区域DEM数据获取精度的提高带来了新的可能。与传统的机载激光LiDAR系统相比,全波形LiDAR系统具有两点优势:(1)全波形LiDAR系统接收的回波信号包含更加全面的地面几何信息。这意味在同一个光斑内,全波形LiDAR数据比传统LiDAR数据能够更详细地描述目标地物的粗糙度、水平分布和垂直结构等信息(尤其在林区)。(2)全波形数据经过波形分解以后可以得到更丰富的高密度、高精度三维点云数据。全波形数据分解的基本目的是实现从一维信号到三维点数据的转化,即根据一维波形信号获取三维地形信息。采用高斯分解方法可以提取额外波形信息(脉冲宽度和振幅等),获得的波形参数不仅使波形数据处理精度更高,而且能反映地物特性,在一定程度上弥补了传统离散LiDAR数据缺少光谱信息的不足。另外,全波形相较于离散LiDAR数据具有分辨率方面的优势。通常,离散LiDAR数据由于缺少光谱信息,在地物精分类应用上存在先天不足,无法识别低矮植被,滤波方法难以将非地面点完全剔除。而全波形LiDAR数据在测量过程中能够详细记录地物的所有回波信息,在后续的波形分解中除了能获取高精度的几何数据还能提取其他的波形参数,比如地物的散射特性,使得点云分类过程大大降低对影像数据的依赖。这个优点还可以避免诸如多源数据融合的问题,甚至无需影像信息就能达到地物的高精度分类。
【发明内容】
有鉴于此,为克服现有技术的不足,针对现有脉冲机载激光雷达由于响应时效的存在,导致在低矮植被区域无法获得精准地面点的问题,本发明提供一种基于全波形机载激光雷达数据的TIN滤波修正方法,有效提高记载激光雷达数据地面点自动分类精度,获得高精度数字地面模型的目的。
为实现上述目的,本发明的技术方案如下:
一种基于全波形机载激光雷达数据的TIN滤波修正方法,包括以下步骤:
(1)全波形机载激光雷达准备和安装,以及机载激光雷达数据的生成;
(2)提取机载激光雷达数据中的点云属性特征和全波形数据的回波参数信息,建立决策树机制,提取植被点云数据;
(3)基于提取的植被点云优化地面种子点选取过程,并利用地面种子点集构建成初始三角网,优化地面点判断准则,迭代致密三角网,得到地面点云和数字地面模型。
进一步,所述步骤(1)机载激光雷达数据的生成具体包括以下步骤:
步骤a:在航飞载体上搭载一套全波形LiDAR系统,包括惯性测量单元(IMU)、差分GPS(DGPS)、激光扫描测距系统和成像装置;
步骤b:根据制定好的飞行方案,对测区进行航飞;
步骤c:根据全波形机载激光雷达数据生成理论模型得到一套全波形机载激光雷达数据和全波形数据。
所述步骤(2)中,提取植被点云数据的具体步骤如下:
步骤a:运用F统计假设检验法估计初始参数,在LM算法基础上对全波形数据,进行迭代分解处理,提取全波形数据的回波参数信息;
步骤b:提取机载激光雷达数据中的点云属性特征,并与步骤a中提取的全波形数据的回波参数信息相结合,建立决策树机制,提取植被点云数据。
所述步骤(3)中,基于提取的植被点云优化地面种子点选取过程,包括以下步骤:
步骤a:通过搜索格网索引中的最低点获得潜在的地面种子点;
步骤b:利用上述步骤(2)提取的植被点云来过滤潜在的地面种子点以获得准确的地面种子点;
步骤c:利用地面种子点集构建初始三角网,结合波形分解结果,迭代致密化TIN方法提取地面点。
本发明的有益效果是,利用全波机载激光雷达两套数据,通过特征分析与处理,从而达到提取高精度数字地面模型的目的。
经本发明得到的点云滤波分类结果,针对低矮植被覆盖区域有很好的效果。
经本发明低矮植被剔除后,利用DEM数据进行精度评价,将修正后的数据重新生成的DEM和平台DEM的实测数据值进行比较,得到均方根误差值,精度提高20%。
【附图说明】
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的滤波修正方法流程图。
图2为地面的全波形数据结构示意图。
图3为低矮植被的全波形数据结构示意图。
图4为高植被的全波形数据结构示意图。
图5为建筑物的全波形数据结构示意图。
【具体实施方式】
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参照图1,一种基于全波形机载激光雷达数据的TIN滤波修正方法,主要通过以下步骤实现的:
首先:全波形机载激光雷达准备和安装,以及机载激光雷达数据的生成;
其次:提取机载激光雷达数据中的点云属性特征和全波形数据的回波参数信息,建立决策树机制,提取植被点云数据;
最后:基于提取的植被点云优化地面种子点选取过程,并利用地面种子点集构建成初始三角网,优化地面点判断准则,迭代致密三角网,得到地面点云和数字地面模型。
如图2、图3、图4及图5所示为各种不同地物的全波形数据结构示意图。
具体步骤及过程原理如下:
步骤1,在航飞载体上搭载一套全波形LiDAR系统,包括惯性测量单元(IMU)、差分GPS(DGPS)、激光扫描测距系统和成像装置;
步骤2,利用步骤1中的全波形机载激光雷达进行数据采集,可以得到两套数据,分别为全波形机载激光雷达自身产生的机载激光雷达数据,以及全波形数据;
步骤3,根据步骤2中得到的两套数据,分别提取两套数据的属性特征,分别包括点云的经纬度坐标、扫描角和全波形数据的振幅值、波峰位置、回波宽度以及波形分解点云坐标;
步骤4,将步骤3得到的机载激光雷达数据中的点云属性特征和全波形数据的回波参数特征结合,建立决策树机制,提取植被点云;
步骤5,基于步骤4提取的植被点云优化地面种子点选取过程,获得高精度的地面种子点集;
步骤6,利用步骤5选取的地面种子点集构建初始三角网,通过地面点判断准则对三角网进行迭代致密,实现地面点提取,得到数字地面模型。
如上所述的步骤3中,分别提取机载激光雷达数据中的点云属性特征和全波形数据的回波参数特征的步骤及计算方法为:
步骤3.1,对机载激光雷达点云数据建立格网索引,并基于格网索引获取样本点p的K邻域垂直圆柱体内所有的点云,及L*m的狭长十字邻域内所有点云,获得p的垂直圆柱体邻域点集Sp和十字邻域点集SLp,实现多种属性特征提取,具体步骤如下:
步骤3.1.1,计算垂直圆柱体邻域点集Sp中所有点的高程方差δp,其计算公式如下:
其中是Sp中所有点的平均高程,N是Sp中点云的数量。
步骤3.1.2,计算点p高程值与垂直圆柱体邻域点集Sp中最低高程值的差值Δzp,其计算公式如下:
Δzp=zp-min(zi) zi∈Sp (2)
步骤3.1.3,计算点p高程值与十字邻域点集SLp中最低高程值的差值ΔzLp,其计算公式如下:
ΔzLp=zp-min(zi) zi∈SLp (3)
步骤3.1.4,计算垂直圆柱体邻域点集Sp内所有点的表面法线,并对其进行一致性重定向;
步骤3.1.5,不同材质的物体点云回波强度不同,统计垂直圆柱体邻域点集Sp内所有点的回波强度均值其计算公式如下:
步骤3.1.6,点云具有多次回波的特征,不同的地物对应的回波次数有所差别,计算垂直圆柱体邻域点集Sp中不同回波点所占比例。
步骤3.2,利用统计假设检验的方法对全波形数据进行波形分解,获取峰值、后向截面、后向散射系数、半波宽等回波参数,波形分解步骤如下:
步骤3.2.1,假设波峰个数为1,波形数据的采样点个数记为n1,则自由度f1=n1-1,利用公式(1)进行高斯拟合,得到一组残差σ1,并计算方差
式中n代表高斯波的数量,p是高斯波的振幅,t为高斯波的波峰位置。
步骤3.2.2,假设波峰个数为2,波形数据的采样点个数记为n2,则自由度f2=n2-1,利用公式(1)进行高斯拟合,得到一组残差σ2,并计算方差
步骤3.2.3,如果残差的差异显著,说明拟合效果显著,就说明两个波峰个数的数学模型更加合理。因此需要检验三个波峰个数的模型能否更好的拟合。重复以上步骤,直到出现某个波峰个数的数学模型不能显著拟合波形数据,从而说明波峰个数的增长仅仅拟合波形数据当中的误差,通过这种方法判断有效地波峰个数。
步骤3.3,获得的回波数据的相关参数,计算波形分解所得点云坐标:其计算公式如下:
其中,i表示的是回波数据的波峰位置,{Ei,Ni,Hi}表示的是回波数据的大地坐标,{E0,N0,H0}表示的是发射脉冲首次采样的大地坐标,{dE,dN,dH}表示的是波形数据的坐标微分,WFOFFSET是发射信号与回波信号首次采样之间的偏移量。
如上所述的步骤4中,提取机载激光雷达点云数据中的植被点云的步骤为:
步骤4.1,针对步骤3中得到的点云属性特征结合对应的全波形数据的属性特征,建立决策树;
步骤4.2,基于决策树,分类出机载激光雷达点云数据中的植被点云。
如上所述的步骤5中,选取高精度的地面种子点集的步骤为:
步骤5.1,对步骤4中处理后的点云数据建立格网,格网大小一般取测区内最大建筑物的尺度;
步骤5.2,对于每个分块格网,搜索其未分类中的高程最低点,将其视为初始地面种子点,并利用初始地面种子点构建稀疏的地形TIN;
步骤5.3,依次判断余下的脚点是否满足加入到地形TIN的条件,若满足条件则将其加入到TIN中,判断准则包括:
1)相对地面高度:待分类点云p到其所在地形三角网的垂直距离;
2)地形角:待分类点云p于其所在地形三角网三个顶点的夹角的最大值;
3)如果点云p为植被点,则获得其波形分解最低高程点q,利用点q来替换点p,判断点q是否满足加入到地形TIN的条件,若满足,则将点q加入地形TIN中。
步骤5.4重复上一步直到所有未分类点云都已经被判定为地面点或非地面点。
如下面表1所示为本发明应用于机载激光雷达数据建立数字高程模型时精度评价表。
表1
本发明有效提高记载激光雷达数据地面点自动分类精度,获得高精度数字地面模型的目的。
以上所述仅为本发明的较佳实施例而已,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 (4)
1.基于全波形机载激光雷达数据的TIN滤波修正方法,其特征在于,包括以下步骤:
(1)全波形机载激光雷达准备和安装,以及机载激光雷达数据的生成;
(2)提取机载激光雷达数据中的点云属性特征和全波形数据的回波参数信息,建立决策树机制,提取植被点云数据;
(3)基于提取的植被点云优化地面种子点选取过程,并利用地面种子点集构建成初始三角网,优化地面点判断准则,迭代致密三角网,得到地面点云和数字地面模型。
2.根据权利要求1所述的基于全波形机载激光雷达数据的TIN滤波修正方法,其特征在于,所述步骤(1)机载激光雷达数据的生成具体包括以下步骤:
步骤a:在航飞载体上搭载一套全波形LiDAR系统,包括惯性测量单元(IMU)、差分GPS(DGPS)、激光扫描测距系统和成像装置;
步骤b:根据制定好的飞行方案,对测区进行航飞;
步骤c:根据全波形机载激光雷达数据生成理论模型得到一套全波形机载激光雷达数据和全波形数据。
3.根据权利要求1所述的基于全波形机载激光雷达数据的TIN滤波修正方法,其特征在于,所述步骤(2)中,提取植被点云数据的具体步骤如下:
步骤a:运用F统计假设检验法估计初始参数,在LM算法基础上对全波形数据,进行迭代分解处理,提取全波形数据的回波参数信息;
步骤b:提取机载激光雷达数据中的点云属性特征,并与步骤a中提取的全波形数据的回波参数信息相结合,建立决策树机制,提取植被点云数据。
4.根据权利要求1所述的基于全波形机载激光雷达数据的TIN滤波修正方法,其特征在于,所述步骤(3)中,基于提取的植被点云优化地面种子点选取过程,包括以下步骤:
步骤a:通过搜索格网索引中的最低点获得潜在的地面种子点;
步骤b:利用上述步骤(2)提取的植被点云来过滤潜在的地面种子点以获得准确的地面种子点;
步骤c:利用地面种子点集构建初始三角网,结合波形分解结果,迭代致密化TIN方法提取地面点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910825913.XA CN110532975A (zh) | 2019-09-03 | 2019-09-03 | 基于全波形机载激光雷达数据的tin滤波修正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910825913.XA CN110532975A (zh) | 2019-09-03 | 2019-09-03 | 基于全波形机载激光雷达数据的tin滤波修正方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110532975A true CN110532975A (zh) | 2019-12-03 |
Family
ID=68666327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910825913.XA Pending CN110532975A (zh) | 2019-09-03 | 2019-09-03 | 基于全波形机载激光雷达数据的tin滤波修正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110532975A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111288985A (zh) * | 2020-03-04 | 2020-06-16 | 北京易控智驾科技有限公司 | 地图确定方法及装置、设备、矿车自动驾驶方法 |
CN111551952A (zh) * | 2020-05-08 | 2020-08-18 | 中国地质大学(武汉) | 一种水深测量激光数据的提取方法、水深测量方法及装置 |
CN112595243A (zh) * | 2020-12-02 | 2021-04-02 | 中国科学院空天信息创新研究院 | 一种适用于野外连续观测的植被株高自动测定方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101915912A (zh) * | 2010-07-02 | 2010-12-15 | 武汉大学 | 一种全面的激光测高回波仿真方法 |
CN107479045A (zh) * | 2017-06-29 | 2017-12-15 | 武汉天擎空间信息技术有限公司 | 基于全波形激光雷达点云数据剔除低矮植被的方法及系统 |
CN109872281A (zh) * | 2018-12-29 | 2019-06-11 | 中国科学院遥感与数字地球研究所 | 一种波形信息辅助下的渐进加密三角网LiDAR点云滤波方法 |
-
2019
- 2019-09-03 CN CN201910825913.XA patent/CN110532975A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101915912A (zh) * | 2010-07-02 | 2010-12-15 | 武汉大学 | 一种全面的激光测高回波仿真方法 |
CN107479045A (zh) * | 2017-06-29 | 2017-12-15 | 武汉天擎空间信息技术有限公司 | 基于全波形激光雷达点云数据剔除低矮植被的方法及系统 |
CN109872281A (zh) * | 2018-12-29 | 2019-06-11 | 中国科学院遥感与数字地球研究所 | 一种波形信息辅助下的渐进加密三角网LiDAR点云滤波方法 |
Non-Patent Citations (1)
Title |
---|
王素元 等: "《基于分组LM算法的全波形LiDAR高斯分解》", 《测绘与空间地理信息》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111288985A (zh) * | 2020-03-04 | 2020-06-16 | 北京易控智驾科技有限公司 | 地图确定方法及装置、设备、矿车自动驾驶方法 |
CN111551952A (zh) * | 2020-05-08 | 2020-08-18 | 中国地质大学(武汉) | 一种水深测量激光数据的提取方法、水深测量方法及装置 |
CN111551952B (zh) * | 2020-05-08 | 2022-10-18 | 中国地质大学(武汉) | 一种水深测量激光数据的提取方法、水深测量方法及装置 |
CN112595243A (zh) * | 2020-12-02 | 2021-04-02 | 中国科学院空天信息创新研究院 | 一种适用于野外连续观测的植被株高自动测定方法及系统 |
CN112595243B (zh) * | 2020-12-02 | 2022-05-17 | 中国科学院空天信息创新研究院 | 一种适用于野外连续观测的植被株高自动测定方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Woodcock et al. | Inversion of the Li-Strahler canopy reflectance model for mapping forest structure | |
CN107085710B (zh) | 一种基于多光谱LiDAR数据的单木自动提取方法 | |
Popescu et al. | Fusion of small-footprint lidar and multispectral data to estimate plot-level volume and biomass in deciduous and pine forests in Virginia, USA | |
Solberg et al. | Single tree segmentation using airborne laser scanner data in a structurally heterogeneous spruce forest | |
Takahashi et al. | Estimating individual tree heights of sugi (Cryptomeria japonica D. Don) plantations in mountainous areas using small-footprint airborne LiDAR | |
Allouis et al. | Stem volume and above-ground biomass estimation of individual pine trees from LiDAR data: Contribution of full-waveform signals | |
Gong et al. | ICEsat GLAS data for urban environment monitoring | |
CN110532975A (zh) | 基于全波形机载激光雷达数据的tin滤波修正方法 | |
Farid et al. | Using airborne lidar to discern age classes of cottonwood trees in a riparian area | |
Andersen et al. | Processing and performance of topobathymetric lidar data for geomorphometric and morphological classification in a high-energy tidal environment | |
Mason et al. | Data utilization in flood inundation modelling | |
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 | |
White et al. | Using an acoustic ground discrimination system to map coral reef benthic classes | |
Chen et al. | Site quality assessment of a Pinus radiata plantation in Victoria, Australia, using LiDAR technology | |
CN108766203A (zh) | 一种紧致极化水稻制图的方法及系统 | |
Wagner et al. | Robust filtering of airborne laser scanner data for vegetation analysis | |
Wezyk | The integration of the terrestrial and airborne laser scanning technologies in the semi-automated process of retrieving selected trees and forest stand parameters Integração das tecnologias terrestre e aerotransportada de scanner laser no processo semi | |
Bao et al. | Synchronous estimation of DTM and fractional vegetation cover in forested area from airborne LIDAR height and intensity data | |
Levick et al. | Structural biodiversity monitoring in savanna ecosystems: Integrating LiDAR and high resolution imagery through object-based image analysis | |
Soederman et al. | On analysis and visualization of full-waveform airborne laser scanner data | |
Woolard et al. | Shoreline mapping from airborne lidar in Shilshole Bay, Washington | |
García et al. | Delineation of individual tree crowns for LiDAR tree and stand parameter estimation in Scottish woodlands | |
Zhang et al. | Airborne laser mapping of mangroves on the Biscayne Bay coast, Miami, Florida | |
CN111797494B (zh) | 一种顾及植被郁闭度的机载激光雷达设计方法 | |
CN117131653B (zh) | 一种岛岸环境雷达目标反射特性仿真方法和系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191203 |