CN110580705B - 一种基于双域图信号滤波检测建筑物边缘点的方法 - Google Patents
一种基于双域图信号滤波检测建筑物边缘点的方法 Download PDFInfo
- Publication number
- CN110580705B CN110580705B CN201911084608.6A CN201911084608A CN110580705B CN 110580705 B CN110580705 B CN 110580705B CN 201911084608 A CN201911084608 A CN 201911084608A CN 110580705 B CN110580705 B CN 110580705B
- Authority
- CN
- China
- Prior art keywords
- dimensional
- undirected
- domain
- edge
- graph model
- 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
Images
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
- G06T7/50—Depth or shape recovery
- G06T7/521—Depth or shape recovery from laser ranging, e.g. using interferometry; from the projection of structured light
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral filtering
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20164—Salient point detection; Corner detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Optics & Photonics (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于双域图信号滤波的建筑物边缘点检测方法,该方法包括通过采集机载激光雷达数据并生成三维点云数据;基于顶点的局部特征统计直方图和高程值,构建空域和值域的双域信号图;通过直方图交叉核和高斯函数构建三维空间加权无向信号图模型;利用双边滤波对信号图模型进行边缘感知平滑,剔除近地点和噪声点;基于双域信号图模型,构建双阈值高通滤波器自动化提取建筑边缘点。本发明利用机载激光雷达系统和POS系统采集地表建筑物三维点云数据,然后基于局部特征统计直方图构建三维加权双域信号图,利用不用的滤波器分别进行双边滤波平滑和双阈值高通滤波边缘检测,从而达到直接从原始点云数据中准确提取建筑物边缘点的目的。
Description
技术领域
本发明涉及一种激光雷达数据处理方法,尤其是涉及一种直接检测激光雷达数据的建筑物边缘点的方法,属于激光雷达数据处理技术领域。
背景技术
激光雷达(Light Detection And Ranging,LiDAR)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、POS系统于一身,具备直接获取探测目标三维坐标信息的能力。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空间信息提供了一种全新的技术手段。
近年来,LiDAR技术已成为地理信息系统应用、摄影测量和地图制图生产常见的技术方法。利用LiDAR数据对研究目标进行分析的一个基础步骤是分割,分割是通过将整个数据集分成不同区域,并使得相同的区域具有相似的属性,以此实现对特定兴趣对象的提取和分析。在许多研究中,分割问题采用基于边缘特征的方法来处理,通过确定数据集上的边缘特征得到分割结果。
传统的LiDAR数据边缘检测方法主要借鉴图像边缘检测的方法,通过将LiDAR数据转换为距离图像数据,再使用图像处理算法进行边缘提取。但该方法中LiDAR数据从三维点云转换为二维图像会导致信息丢失,最后的边缘检测效果不佳。因此,一种直接从三维LiDAR点云数据中准确检测建筑物边缘的方法对LiDAR点云数据中的建筑物提取具有重要的现实意义。
发明内容
本发明的目的是针对现有技术存在的不足,提供一种基于双域图信号滤波检测建筑物边缘点的方法,其技术方案如下:
一种基于双域图信号滤波检测建筑物边缘点的方法,包括以下步骤:
1)点云采集:利用配置和安装在飞行平台上的机载激光雷达和POS系统的数据信息,采集并生成三维点云数据;
2)三维无向双域信号图模型构建:利用三维点云数据构建三维无向图,并基于局部特征统计直方图和高程值,构建包含空域信号和值域信号的三维无向双域信号图模型;
3)三维加权无向信号图模型构建:根据步骤2)中得到的三维无向双域信号图模型作为输入值,基于直方图交叉核计算的空域距离和值域距离,根据高斯函数来进行三维无向双域信号图模型边矩阵的权重计算,构建三维加权无向信号图模型;
4)双边滤波平滑:基于优化的双边滤波技术以及边缘保持原则,对步骤3)中构建的信号图模型进行边缘感知平滑,过滤掉近地物体及噪声点;
5)建筑物边缘点检测:基于步骤4)中得到的过滤掉近地物体及噪声点的三维加权无向信号图模型作为输入值,利用梯度幅值的双阈值高通滤波器自动化提取和检测建筑边缘点。
其中,所述的步骤1)中还通过高程值基于多级阈值分割法对三维点云数据进行异常值剔除。
其中,所述的步骤2)中三维无向双域信号图模型构建的方法包括以下子步骤:
2.1)将步骤1)中已剔除异常值的数据点作为顶点,构成顶点集合v;基于KD tree确定查询点三维空间中的半径r范围内的k个近邻点,构成k条无向边并组成边集合ε,构建三维无向图g(v,ε);
2.2)计算图模型中各顶点的局部特征统计直方图,将其视为顶点的空域信号;
2.3)基于顶点的空域信号和由高程值得到的值域信号,构建三维无向双域信号图模型G(v,ε),其中v表示构成顶点集合,ε构成k条无向边并组成边集合。
其中,所述步骤3)中三维加权无向信号图模型构建的方法包括以下子步骤:
3.1)基于三维无向双域信号图模型G(v,ε),通过直方图交叉核和高程差分别计算出边矩阵ε在空域和值域下的距离值;
3.2)由高斯函数计算双域信号图的权重;将权重带入到三维无向双域信号图模型G(v,ε),构建三维加权无向信号图模型G(v,ε,w),其中v表示构成顶点集合,ε构成条无向边并组成边集合,w表示权重。
其中,所述的步骤4)中双边滤波平滑的方法的方法包括以下步骤:
4.1)将三维加权无向信号图模型G(v,ε,w)作为数据输入,基于边的双域权重,对顶点数据中集中的数据进行处理;
4.2)基于边权重,计算三维加权无向信号图模型G(v,ε,w)中每个顶点的归一化系数;
4.3)基于边缘保持的原则,通过值域和空域双频空间,构建双边滤波器;
4.4)将三维加权无向信号图模型G(v,ε,w)中顶点的双频信号作为输入,利用构建的双边滤波器得到边缘感知平滑后的输出信号。
其中,所述的步骤5)中建筑物边缘点检测包括以下子步骤:
5.1)基于三维加权无向信号图模型的空域和值域信号,利用Sobel滤波器分别计算图模型各顶点在X,Y方向上的梯度幅值和方向;
5.2)利用梯度方向上的局部幅值对比,抑制局部非极大值;
5.3)构建双阈值高通滤波器,通过设定的高低阈值自动化提取出建筑物边缘点。
有益效果:本发明具有以下有益效果:
(1)本发明直接检测建筑物边缘点,针对现有技术先进行地面点识别再进行建筑物提取及边缘点检测存在的处理流程复杂、计算量大等缺点,提出了基于双域图信号处理思想直接检测建筑物边缘点的方法,新的建筑物边缘点检测方法处理流程简单,计算效率得到明显提高;
(2)本发明将点数据的局部特征统计直方图作为空域信号,高程值作为值域信号,构建三维加权无向信号图模型;基于边缘保持原则,先进行双边滤波,不仅剔除了近地的小物体,同时也保留了边缘的显著性。最后,基于双阈值高通滤波检测边缘点,提高了建筑物边缘点的检测精度。
附图说明
图1为本发明流程图;
图2为本发明点云数据中异常点剔除前效果图;
图3为本发明点云数据中异常点剔除后效果图
图4为本发明中双边滤波平滑处理前效果图;
图5为本发明中双边滤波平滑处理后效果图;
图6为本发明中建筑物边缘点提取效果图。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明,本实施例在以本发明技术方案为前提下进行实施,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围。
如图1所示,一种基于双域图信号滤波检测建筑物边缘点的方法,包括以下步骤:
1)点云采集:利用配置和安装在飞行平台上的机载激光雷达和POS系统的数据信息,采集并生成三维点云数据;
2)三维无向双域信号图模型构建:利用三维点云数据构建三维无向图,并基于局部特征统计直方图和高程值,构建包含空域信号和值域信号的三维无向双域信号图模型;
3)三维加权无向信号图模型构建:根据步骤2)中得到的三维无向双域信号图模型作为输入值,基于直方图交叉核计算的空域距离和值域距离,根据高斯函数来进行三维无向双域信号图模型边矩阵的权重计算,构建三维加权无向信号图模型;
4)双边滤波平滑:基于优化的双边滤波技术以及边缘保持原则,对步骤3)中构建的信号图模型进行边缘感知平滑,过滤掉近地物体及噪声点;
5)建筑物边缘点检测:基于步骤4)中得到的过滤掉近地物体及噪声点的三维加权无向信号图模型作为输入值,利用梯度幅值的双阈值高通滤波器自动化提取和检测建筑边缘点。
实施例1
本实施例中,将步骤1中得到的激光雷达点云数据作为输入,并基于多级阈值分割法对三维点数据进行异常值剔除,其剔除效果如图2和图3所示;而步骤2)中的三维无向双域信号图模型的计算方法包括以下子步骤:
2.1)将步骤1)中得到的激光雷达点云数据作为输入,并基于多级阈值分割法对三维点数据进行异常值剔除,并构建三维无向图g(v,ε),其中v表示构成顶点集合,ε构成k条无向边并组成边集合;
2.2)对去噪后的每个三维查询点pi进行步骤2.3)的处理;
2.4)计算协方差矩阵Cov(pi),其最下的特征值作为点pi的法向量ni;
2.6)对获取的三个几何特征进行统计并归一化,生成一个30维的局部特征统计直方图描述子Des30=Nd+Nθ+Nρ。其中,Nd=10,Nθ=10和Nρ=10分别表示在局部深度,法向量偏角和水平投影距离上的描述子维数。
2.7)将Des30作为三维无向图g(v,ε)顶点v的空域信号fs,将三维点的高程值作为值域信号fc构建三维无向双域信号图模型G(v,ε)。
本实施例,步骤3)中三维加权无向信号图模型构建包括以下子步骤:
3.1)将步骤2)中得到的三维无向双域信号图模型G(v,ε)作为输入值;
3.2)进行步骤3.3-3.6的处理,计算边矩阵ε的值与权重;
3.3)设置点pi和pj值域距离Dc可由值域差异表示:
Dc(pi,pj)=|zi-zj|
其中,zi和zj分别表示构成顶点集合Z值,即为值域信号,||表示绝对值;
3.4)基于直方图交叉核计算pi和pj的空域距离Ds:
Ds(pi,pj)=1/L(H(pi),H(pj))
其中,L(H(pi),H(pj))称为交集函数,用于表示两相连顶点的局部特征直方图的重叠程度,重叠程度越大时,两顶点相似程度越高,则空域距离越小,表示为:
3.5)利用高斯函数分别计算点pi和pj连接边εij在值域和空域上的权重wc(i,j)和ws(i,j):
3.6)将权重w=(wc(i,j),ws(i,j))代入到三维无向双域信号图模型G(v,ε),构建三维加权无向信号图模型G(v,ε,w)。
本实施例,步骤4)中双边滤波平滑的方法包括以下子步骤:
4.1)将三维加权无向信号图模型G(v,ε,w)作为数据输入,基于边的双域权重,对顶点数据集中的数据进行步骤4.2-4.4处理;
4.2)基于边权重,计算G(v,ε,w)中每个顶点点pi的归一化系数k(pi):
其中,双边滤波平滑效果如图4和图5所示。
本实施例,步骤5)中建筑物边缘点检测的方法包括以下子步骤:
5.1)以步骤4中双边滤波平滑后的图模型作为输入,对图模型进行步骤5.2-5.4的处理;
5.2)基于高程跳跃原则,利用三维加权无向信号图模型G(v,ε,w)的空域和值域信号,利用Sobel滤波器分别计算图模型各顶点pi在X,Y方向上的梯度幅值Gradx,Grady:
其中,Hx和Hy分别表示为X和Y方向上的卷积阵列,表示为:
5.3)计算得到梯度幅值Grad(pi)和方向Dire(pi):
5.4)利用梯度方向Dire(pi)上的顶点梯度值与中心点梯度值进行比较,如果中心梯度值不大于其他梯度值则令其值为0,从而对局部非极大值进行抑制;
5.5),利用双阈值高通滤波器的高阈值和低阈值,基于获取得到的梯度幅值对图模型信号进行过滤,其过滤原则表示为:
式中,εij∈ε表示点pi和pj之间存在连接边;
5.6),获取得到的最后的双域信号图模型中,顶点值为1的即为边缘点;如图6所示,为最后的建筑物边缘点提取效果图。
本发明直接检测建筑物边缘点,针对现有技术先进行地面点识别再进行建筑物提取及边缘点检测存在的处理流程复杂、计算量大等缺点,提出了基于双域图信号处理思想直接检测建筑物边缘点的方法,新的建筑物边缘点检测方法处理流程简单,计算效率得到明显提高。
本发明将点数据的局部特征统计直方图作为空域信号,高程值作为值域信号,构建三维加权无向信号图模型;基于边缘保持原则,先进行双边滤波,不仅剔除了近地的小物体,同时也保留了边缘的显著性。最后,基于双阈值高通滤波检测边缘点,提高了建筑物边缘点的检测精度。
以上仅是本发明的优选实施方式,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,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种基于双域图信号滤波检测建筑物边缘点的方法,其特征在于:包括以下步骤:
1)点云采集:利用配置和安装在飞行平台上的机载激光雷达和POS系统的数据信息,采集并生成三维点云数据;
2)三维无向双域信号图模型构建:利用三维点云数据构建三维无向图,并基于局部特征统计直方图和高程值,构建包含空域信号和值域信号的三维无向双域信号图模型;
3)三维加权无向信号图模型构建:根据步骤2)中得到的三维无向双域信号图模型作为输入值,基于直方图交叉核计算的空域距离和值域距离,根据高斯函数来进行三维无向双域信号图模型边矩阵的权重计算,构建三维加权无向信号图模型;
4)双边滤波平滑:基于优化的双边滤波技术以及边缘保持原则,对步骤3)中构建的三维加权无向信号图模型进行边缘感知平滑,过滤掉近地物体及噪声点;
5)建筑物边缘点检测:基于步骤4)中得到的过滤掉近地物体及噪声点的三维加权无向信号图模型作为输入值,利用梯度幅值的双阈值高通滤波器自动化提取和检测建筑边缘点。
2.根据权利要求1所述的一种基于双域图信号滤波检测建筑物边缘点的方法,其特征在于:所述的步骤1)中还通过高程值基于多级阈值分割法对三维点云数据进行异常值剔除。
3.根据权利要求2所述的一种基于双域图信号滤波检测建筑物边缘点的方法,其特征在于:所述的步骤2)中三维无向双域信号图模型构建的方法包括以下子步骤:
2.1)将步骤1)中已剔除异常值的数据点作为顶点,构成顶点集合v;基于KD tree确定查询点三维空间中的半径r范围内的k个近邻点,构成k条无向边并组成边集合ε,构建三维无向图g(v,ε);
2.2)计算图模型中各顶点的局部特征统计直方图,将其视为顶点的空域信号;
2.3)基于顶点的空域信号和由高程值得到的值域信号,构建三维无向双域信号图模型G(v,ε)。
4.根据权利要求3所述的一种基于双域图信号滤波检测建筑物边缘点的方法,其特征在于:所述步骤3)中三维加权无向信号图模型构建的方法包括以下子步骤:
3.1)基于三维无向双域信号图模型G(v,ε),通过直方图交叉核和高程差分别计算出边矩阵ε在空域和值域下的距离值;
3.2)由高斯函数计算三维无向双域信号图模型的权重;将权重带入到三维无向双域信号图模型G(v,ε),构建三维加权无向信号图模型G(v,ε,w),其中,w表示权重。
5.根据权利要求4所述的一种基于双域图信号滤波检测建筑物边缘点的方法,其特征在于:所述的步骤4)中双边滤波平滑的方法的方法包括以下步骤:
4.1)将三维加权无向信号图模型G(v,ε,w)作为数据输入,基于边的双域权重,对顶点数据中集中的数据进行处理;
4.2)基于边权重,计算三维加权无向信号图模型G(v,ε,w)中每个顶点的归一化系数;
4.3)基于边缘保持的原则,通过值域和空域双频空间,构建双边滤波器;
4.4)将三维加权无向信号图模型G(v,ε,w)中顶点的双频信号作为输入,利用构建的双边滤波器得到边缘感知平滑后的输出信号;得到双边滤波平滑后的图模型。
6.根据权利要求5所述的一种基于双域图信号滤波检测建筑物边缘点的方法,其特征在于:所述的步骤5)中建筑物边缘点检测包括以下子步骤:
5.1)基于三维加权无向信号图模型的空域和值域信号,利用Sobel滤波器分别计算步骤4.4)中双边滤波平滑后的图模型各顶点在X,Y方向上的梯度幅值和方向;
5.2)利用梯度方向上的局部幅值对比,抑制局部非极大值;
5.3)构建双阈值高通滤波器,通过设定的高低阈值自动化提取出建筑物边缘点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911084608.6A CN110580705B (zh) | 2019-11-08 | 2019-11-08 | 一种基于双域图信号滤波检测建筑物边缘点的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911084608.6A CN110580705B (zh) | 2019-11-08 | 2019-11-08 | 一种基于双域图信号滤波检测建筑物边缘点的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110580705A CN110580705A (zh) | 2019-12-17 |
CN110580705B true CN110580705B (zh) | 2020-04-03 |
Family
ID=68815468
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911084608.6A Active CN110580705B (zh) | 2019-11-08 | 2019-11-08 | 一种基于双域图信号滤波检测建筑物边缘点的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110580705B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111158015B (zh) * | 2019-12-31 | 2020-11-24 | 飞燕航空遥感技术有限公司 | 机载激光雷达点云数据误分地面点的检测方法和系统 |
CN111524537B (zh) * | 2020-03-24 | 2023-04-14 | 苏州数言信息技术有限公司 | 针对实时语音流的咳嗽及打喷嚏识别方法 |
WO2023015407A1 (zh) * | 2021-08-09 | 2023-02-16 | 深圳市速腾聚创科技有限公司 | 一种伪像点识别方法、终端设备及计算机可读存储介质 |
CN113963305B (zh) * | 2021-12-21 | 2022-03-11 | 网思科技股份有限公司 | 一种视频关键帧和特写片段提取方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110187704A1 (en) * | 2010-02-04 | 2011-08-04 | Microsoft Corporation | Generating and displaying top-down maps of reconstructed 3-d scenes |
US8295589B2 (en) * | 2010-05-20 | 2012-10-23 | Microsoft Corporation | Spatially registering user photographs |
CN102629367B (zh) * | 2012-01-17 | 2014-11-26 | 安徽建筑工业学院 | 基于KDTree的点云数据双边滤波去噪的方法 |
CN108765568A (zh) * | 2018-06-04 | 2018-11-06 | 河海大学 | 一种基于激光雷达点云的多层次建筑物快速三维重建方法 |
-
2019
- 2019-11-08 CN CN201911084608.6A patent/CN110580705B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110580705A (zh) | 2019-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110580705B (zh) | 一种基于双域图信号滤波检测建筑物边缘点的方法 | |
CN107301661B (zh) | 基于边缘点特征的高分辨率遥感图像配准方法 | |
CN106778551B (zh) | 一种高速路段及城市道路车道线识别方法 | |
CN102122359B (zh) | 一种图像配准方法及装置 | |
CN109919960B (zh) | 一种基于多尺度Gabor滤波器的图像连续边缘检测方法 | |
Cheng et al. | Building boundary extraction from high resolution imagery and lidar data | |
CN109829423B (zh) | 一种结冰湖泊红外成像检测方法 | |
CN106408597A (zh) | 基于邻域熵和一致性检测的sar图像配准方法 | |
CN112308872B (zh) | 基于多尺度Gabor一阶导数的图像边缘检测方法 | |
CN102222322A (zh) | 基于多尺度非局部均值的红外图像背景抑制方法 | |
CN110222661B (zh) | 一种用于运动目标识别及跟踪的特征提取方法 | |
CN106815819A (zh) | 多策略粮虫视觉检测方法 | |
CN106204570A (zh) | 一种基于非因果分数阶梯度算子的角点检测方法 | |
CN103077499B (zh) | 基于相似块的sar图像预处理方法 | |
Wu et al. | Research on crack detection algorithm of asphalt pavement | |
CN106355576A (zh) | 基于mrf图像分割算法的sar图像配准方法 | |
CN112329677A (zh) | 基于特征融合的遥感图像河道目标检测方法和装置 | |
CN115035350B (zh) | 一种基于边缘检测增强的对空地、地面背景小目标检测方法 | |
Liu et al. | SAR image matching based on speeded up robust feature | |
CN115049552A (zh) | 基于结构张量加权局部对比度测量的红外小目标检测方法 | |
CN106845489B (zh) | 基于改进Krawtchouk矩的SAR图像目标特征提取方法 | |
Wang et al. | Improved Morphological Band‐Pass Filtering Algorithm and Its Application in Circle Detection | |
CN107607927A (zh) | 一种条纹激光回波信息提取方法 | |
CN106682672A (zh) | 一种高光谱图像特征描述子的获取方法及装置 | |
CN108280453B (zh) | 基于深度学习的低功耗快速检测图像目标方法 |
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 |