CN111060922B - 基于机载激光雷达点云空间分布特征的树木点云提取方法 - Google Patents
基于机载激光雷达点云空间分布特征的树木点云提取方法 Download PDFInfo
- Publication number
- CN111060922B CN111060922B CN201911265048.4A CN201911265048A CN111060922B CN 111060922 B CN111060922 B CN 111060922B CN 201911265048 A CN201911265048 A CN 201911265048A CN 111060922 B CN111060922 B CN 111060922B
- Authority
- CN
- China
- Prior art keywords
- point
- point cloud
- tree
- target
- data
- 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
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Electromagnetism (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明属于机载激光雷达点云数据处理技术领域,具体涉及一种基于机载激光雷达点云空间分布特征的树木点云提取方法。本发明是通过利用机载激光雷达获取三维激光点云数据,并根据分析树木的点云分布特征与其他地物点云分布特征的不同,根据点与点之间的关系,经历点云间关系的确定、运算区域划分、计算树木点云因子数值的处理,建立基于原始激光点云从空间中提取出树木点云的方法。本发明可以摆脱树木点云提取对先验数据的依赖,克服因点云密度分布不均匀所导致的归类错误的问题,以数值计算的方式代替掉传统的逐步分离法,具有首创性和理论上的优越性,提取效果优异。
Description
技术领域
本发明属于机载激光雷达点云数据处理技术领域,具体涉及一种基于机载激光雷达点云空间分布特征的树木点云提取方法。
背景技术
激光雷达(Light Detection And Ranging,LiDAR)是近年来发展十分迅速的主动遥感技术,主要通过测定传感器发出的激光在传感器与目标物体之间传播的距离,分析目标地物表面的反射能量大小以及反射波谱的幅度、频率和相位等信息,呈现目标物精确的三维结构信息。可以直接、快速、精确地获取研究对象的三维空间坐标,具有独特的优势。
森林是地球自然资源中的一个重要组成部分,利用遥感技术获取森林冠层结构参数是当前研究热点。机载激光雷达可以获取树木三维结构信息,为了提高运算效率和降低存储量,发展准确高效的算法提取树木点云非常必要。
国内外学者利用机载激光雷达数据已经开展了树木点云提取工作,但大多集中于森林地区。传统林区植被的测量大多通过现场测量或卫星图像进行,其中还面临着现场控制、控制点选择、图像匹配等困难。随着机载激光雷达的出现,由于其对树木等穿透物体的垂直结构具有很强的探测能力,林木三维结构参数准确反演取得了重大突破。
波佩斯库等人基于机载LiDAR点云数据,通过不断调整窗口大小进行局部过滤处理,有效地提取林区不同层次的植被信息。Blair等人利用大点激光雷达技术对热带茂密森林进行扫描和测量(覆盖率为95%),证明可以准确提取植被信息。美国宇航局开发了激光植被成像传感器(LVIS)系统,可用于森林资源的调查和管理,包括计算植被参数和森林垂直结构,如树高、树冠直径、树密度、植被生长、木材数量、树种等。庞勇等人首先对实验区的激光雷达点云数据进行分类处理,获取了地面点、植被点和高程规范化植被点三大类,然后计算出上四分位数的高度基于高程规范化的植被点,并与测得的数据进行比较,最后进行了实际分析。
但是上述方法都采用逐项分离技术,普适性较差,并且在复杂区域内的树木点云提取效果不佳。目前城区的机载雷达点云数据区分植物和其他地物通常采用人工分离或人机交互等方式。人工分离工程量巨大且繁琐,而人机交互的方式则是通过激光雷达首末次回波的强度差与高程等多种方法相结合来进行粗分离,之后再用人力来剔除一些异常点云数据。人机交互的方法虽然比纯人工效率高了不少,但是对于不同的数据仍需要进行针对性的参数调整,这种方法依赖雷达回波强度差值的准确性以及对城市建筑结构的先验知识,也缺乏普适性。
发明内容
针对上述存在的问题或不足,本发明提供了一种基于机载激光雷达点云空间分布特征的树木点云提取方法,即基于原始激光雷达点云数据,通过目标点与周围点云的分布函数运算得到目标点的离散程度值,再通过每个点的离散程度值来进行树木点的判定。
本发明具体技术方案如下:
步骤一、确定目标点与运算点的加权距离影响因子,其中原始点云数据指的是原始数据中的所有点云数据,目标点指的是当前处理的点,运算点指的是原始点云数据中除了目标点本身并与目标点计算的点;
(1)确定目标点与运算点的正投影欧式距离。
设目标点P0正投影坐标为(x0,y0),运算点Pi正投影坐标为(xi,yi),则目标点与运算点的正投影欧式距离Distanceoi:
(2)确定目标点与运算点之间的生成距离Disoi,其中Rresolution为最小距离单位长度;Rresolution取决于处理数据的扫描分辨率,Rresolution∈[0.05,0.001];
(3)得出加权距离影响因子D0i
(4)得出目标点P0与运算点Pi高程差H0i(H0i≥0);
步骤二、点云运算区块的确定:
(1)由于激光雷达点云数据量大,如果让目标点与数据库中的所有点云都进行一次运算,会极大的增加运算的时间,并且过多的树木点云会影响最后运算的合理性与准确性。因此在运算前划分好每一个目标点的运算区块很有必要。
设原始点云数据的最小x坐标为xmin,最大x坐标为xmax,最小y坐标为ymin,最大y坐标为ymax。
在待处理的点云数据(即原始点云数据)已经分块完成的基础上,如若ymax-ymin≥100(m),则对原始点云数据进行分割,将原始点云数据以y坐标为变量,平均分成M份,最终原始点云数据共计分为N×M块运算区块。
(2)设定目标点搜索半径Rth:Rth取决于处理数据的点云密度,Rth∈[1,10](m);
遍历目标点所在的运算区块内的所有点云,当Distanceoi小于Rth时进行下一步操作,即步骤二(3),否则跳过该点云,遍历下一点云直到该运算区块内所有点云被遍历完成。
(3)设定目标点高程滤波阈值Hth:Hth取决于处理数据的点云密度,Hth∈[5,10]m;
为了减少点云数据中的高程突变点影响,我们只进行Hth高程范围内的点云运算,从而将其他地物剔除出去。当H0i小于Hth时则开始树木点因子函数值运算,否则跳过该点云,遍历下一点云直到该运算区块内所有点云被遍历完成。
步骤三、计算目标点树木点因子数值V0:
(1)初始化目标点树木点因子数值V0,即令V0=0。
(2)通过目标点与运算点进行自定义函数运算,通过自定义函数得到的值与F0i成正相关,与H0i成正相关,并累加到目标点树木点因子数值V0上。自定义函数为算法通过局部范围内的起伏变化来判定树木点云,所以从点云的空间分布角度来说,就是目标点周围越靠近的运算点高程起伏程度越大,那么目标点就越有可能是树木点云。因此我们将H0i乘以D0i得到一个数值,我们称之为运算点对目标点贡献的树木点因子数值Vi,通过目标点与周围的运算点进行不断的运算,从而得到最终的V0,即这样一来就综合考虑到了目标点所在搜索半径内的起伏变化趋势。通过局部范围内的起伏变化趋势,我们可以将点云进行树木点云和非树木点云的归类。
步骤四、提取出树木点云:
设目标点的树木点因子数值阈值为Vth,在结束所有目标点的运算之后,通过遍历每一个点云的目标点树木点因子数值V0,比较Vth与V0的大小,将V0小于Vth的点云删去,保留下来的点云即为树木点云。
步骤二所涉及的原理:
因为目标数据的点云密度分布并不均匀,并且考虑到点云可能出现重复扫描的状况,所以在处理数据的时候会出现诸多点云正投影后过度聚集,从而影响加权距离因子的合理性,所以在计算加权距离因子时并不能直接采用原始的欧式距离数据。如果一个点云中存在着z方向上高度一样但是并不相邻的点时,就会导致那些点的树木点因子数值V0趋向于无穷大,无法和其他地物点进行区别。其次,面对地表起伏较大的数据,输出结果的误差就会被放大。再次,对于建筑物的边缘交界处,存在较大的高度差,不利于建筑物点云与树木点云的区分,在这里我们引入最小距离单位长度Rresolution,通过将Distanceoi除以Rresolution后向上取整得到Disoi,这样可以避免在扫描过程中因为重复扫描对结果带来的不良影响。
本发明首先通过对目标点与周围点云关系的确定,划分出目标点运算的范围;再通过目标点与周围点云起伏的变化计算得到树木点云因子数值的累加,从而确定目标点是否是树木点云。其流程如图1所示。
本发明的技术效果:
本发明是通过利用机载激光雷达获取三维激光点云数据,并根据分析树木的云分布特征与其他地物点云分布特征的不同,根据点与点之间的关系,经历点云间关系的确定、运算区域划分、计算树木点云因子数值的处理,建立基于原始激光点云从空间中提取出树木点云的方法。
综上所述,本发明可以摆脱树木点云提取对先验数据的依赖,克服因点云密度分布不均匀所导致的归类错误的问题,以数值计算的方式代替掉传统的逐步分离法,具有首创性和理论上的优越性,提取效果优异。
附图说明
图1为本算法的流程示意图;
图2为样方1编号为TEST-1的原始点云与树木点云提取对比图(右为原始点云);
图3为样方2编号为TSET-2的原始点云与树木点云提取对比图(右为原始点云)。
具体实施方式
以下通过一个样方的实施例并结合附图对本发明作进一步详细说明:
开发环境为Dev-C++5.11,编程语言为C++。
步骤1,以中国内蒙古呼伦贝尔和额尔古纳之间的上库里农场(120°36'至120°52'E,50°21'至52°24'N)为研究区域,并选取实地测量的六个样方作为单木分割验证区,利用Leica LAS60扫描获取该区域的机载激光雷达数据,航飞时间为2012年9月,具体系统参数参见表1。以下步骤为对样方1编号为TEST-1的树木点云提取详细步骤。
表1机载激光雷达系统参数
步骤2,在确定了原始机载激光雷达点云数据的文件位置之后,将文件的地址导入到树木点云提取程序中,并且将树木点云提取程序要输出的文件夹地址导入到程序中,并运行树木点云提取程序。
步骤3,树木点云提取程序输出的文件名为“输出数据”,文件格式为txt格式,其中包含的数据即为提取出的树木点云。
步骤4,将提取出的树木点云数据文件“输出数据”导入到lidar360程序中查看,即可获得其三维可视化图形。
样方编号为TEST-1的输入数据和输出数据的点云三维可视化效果如图2所示。样方编号为TEST-1共有39589个点云,其中被提取为树木点云的数量为727,被正确提取的数量为648,真实的树木点云数量为648,其卡帕系数为0.94,提取效果具有较高的精度。
Claims (1)
1.基于机载激光雷达点云空间分布特征的树木点云提取方法,具体步骤如下:
步骤一、确定目标点与运算点的加权距离影响因子,原始点云数据是指原始数据中的所有点云数据,目标点是指当前处理的点,运算点是指原始点云数据中除了目标点本身并与目标点计算的点云;
(1)确定目标点与运算点的正投影欧式距离;
设目标点P0正投影坐标为(x0,y0),运算点Pi正投影坐标为(xi,yi),则目标点与运算点的正投影欧式距离Distanceoi:
(2)确定目标点与运算点之间的生成距离Disoi,其中Rresolition为最小距离单位长度,取决于处理数据的扫描分辨率,Rresolution∈[0.05,0.001];
(3)得出加权距离影响因子D0i
(4)得出目标点P0与运算点Pi高程差H0i,H0i≥0;
步骤二、点云运算区块的确定:
(1)设原始点云数据的最小x坐标为xmin,最大x坐标为xmax,最小y坐标为ymin,最大y坐标为ymax;
(2)设定目标点搜索半径Rt::Rt:取决于处理数据的点云密度,Rt:∈[1,10];
遍历目标点所在的运算区块内的所有点云,当Distanceoi小于Rt:时进行下一步操作,即步骤二(3);否则跳过该点云,遍历下一点云直到该运算区块内所有点云被遍历完成;
(3)设定目标点高程滤波阈值Ht::Ht:取决于处理数据的点云密度,Ht:∈[5,10];
只进行Ht:高程范围内的点云运算,当H0i小于Ht:时则开始树木点因子函数值运算,否则跳过该点云,遍历下一点云直到该运算区块内所有点云被遍历完成;
步骤三、计算目标点树木点因子数值V0:
(1)初始化目标点树木点因子数值V0,即令V0=0;
(2)通过目标点与运算点进行自定义函数运算,通过自定义函数得到的值与D0i成正相关,与H0i成正相关,并累加到目标点树木点因子数值V0上;H0i乘以D0i为运算点对目标点贡献的树木点因子数值Vi,通过目标点与周围的运算点进行不断的运算,从而得到最终的V0;
步骤四、提取出树木点云:
设目标点的树木点因子数值阈值为Vth,在结束所有目标点的运算之后,通过遍历每一个点云的目标点树木点因子数值V0,比较Vth与V0的大小,将V0小于Vth的点云删去,保留下来的点云即为树木点云。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911265048.4A CN111060922B (zh) | 2019-12-11 | 2019-12-11 | 基于机载激光雷达点云空间分布特征的树木点云提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911265048.4A CN111060922B (zh) | 2019-12-11 | 2019-12-11 | 基于机载激光雷达点云空间分布特征的树木点云提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111060922A CN111060922A (zh) | 2020-04-24 |
CN111060922B true CN111060922B (zh) | 2023-04-18 |
Family
ID=70298762
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911265048.4A Active CN111060922B (zh) | 2019-12-11 | 2019-12-11 | 基于机载激光雷达点云空间分布特征的树木点云提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111060922B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111679288B (zh) * | 2020-06-19 | 2022-10-21 | 中国林业科学研究院资源信息研究所 | 一种点云数据的空间分布度量方法 |
CN112285733B (zh) * | 2020-10-21 | 2023-09-26 | 中核勘察设计研究有限公司 | 一种城乡规划核实测绘数据处理方法 |
Citations (11)
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 |
CN102520401A (zh) * | 2011-12-21 | 2012-06-27 | 南京大学 | 一种基于LiDAR数据的建筑物区域提取方法 |
CN103196368A (zh) * | 2013-03-18 | 2013-07-10 | 华东师范大学 | 基于车载激光扫描数据的单株树三维绿量自动估算方法 |
CN104778744A (zh) * | 2014-10-25 | 2015-07-15 | 中国科学院植物研究所 | 基于Lidar数据的大规模三维森林可视化场景建立技术 |
CN105184250A (zh) * | 2015-08-31 | 2015-12-23 | 哈尔滨工业大学 | 一种电力走廊机载LiDAR点云数据的地物分类方法 |
CN105701856A (zh) * | 2016-01-15 | 2016-06-22 | 厦门大学 | 一种植被提取方法及系统 |
CN106600622A (zh) * | 2016-12-06 | 2017-04-26 | 西安电子科技大学 | 一种基于超体素的点云数据分割方法 |
CN107274417A (zh) * | 2017-07-05 | 2017-10-20 | 电子科技大学 | 一种基于机载激光点云聚集关系的单木分割方法 |
CN108537811A (zh) * | 2018-03-15 | 2018-09-14 | 华东师范大学 | 一种三维激光扫描数据植被滤除方法 |
CN108830931A (zh) * | 2018-05-23 | 2018-11-16 | 上海电力学院 | 一种基于动态网格k邻域搜索的激光点云精简方法 |
AU2019200259A1 (en) * | 2013-08-02 | 2019-01-31 | Xactware Solutions, Inc. | System and method for detecting features in aerial images using disparity mapping and segmentation techniques |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9098773B2 (en) * | 2013-06-27 | 2015-08-04 | Chevron U.S.A. Inc. | System and method of detecting objects in scene point cloud |
CN106407408B (zh) * | 2016-09-22 | 2019-08-16 | 北京数字绿土科技有限公司 | 一种海量点云数据的空间索引构建方法及装置 |
-
2019
- 2019-12-11 CN CN201911265048.4A patent/CN111060922B/zh active Active
Patent Citations (11)
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 |
CN102520401A (zh) * | 2011-12-21 | 2012-06-27 | 南京大学 | 一种基于LiDAR数据的建筑物区域提取方法 |
CN103196368A (zh) * | 2013-03-18 | 2013-07-10 | 华东师范大学 | 基于车载激光扫描数据的单株树三维绿量自动估算方法 |
AU2019200259A1 (en) * | 2013-08-02 | 2019-01-31 | Xactware Solutions, Inc. | System and method for detecting features in aerial images using disparity mapping and segmentation techniques |
CN104778744A (zh) * | 2014-10-25 | 2015-07-15 | 中国科学院植物研究所 | 基于Lidar数据的大规模三维森林可视化场景建立技术 |
CN105184250A (zh) * | 2015-08-31 | 2015-12-23 | 哈尔滨工业大学 | 一种电力走廊机载LiDAR点云数据的地物分类方法 |
CN105701856A (zh) * | 2016-01-15 | 2016-06-22 | 厦门大学 | 一种植被提取方法及系统 |
CN106600622A (zh) * | 2016-12-06 | 2017-04-26 | 西安电子科技大学 | 一种基于超体素的点云数据分割方法 |
CN107274417A (zh) * | 2017-07-05 | 2017-10-20 | 电子科技大学 | 一种基于机载激光点云聚集关系的单木分割方法 |
CN108537811A (zh) * | 2018-03-15 | 2018-09-14 | 华东师范大学 | 一种三维激光扫描数据植被滤除方法 |
CN108830931A (zh) * | 2018-05-23 | 2018-11-16 | 上海电力学院 | 一种基于动态网格k邻域搜索的激光点云精简方法 |
Non-Patent Citations (8)
Title |
---|
Cheng Ziyang, Ren Guoquan, Zhang Yin.Ground segmentation from 3D point cloud using features of scanning line segments.《Opto-Electronic Engineering》.2019,第46卷(第7期),180268. * |
JF Liu ; ZL Xiao ; YP Chen et.AUTOMATED EXTRACTION OF URBAN ROADSIDE TREES FROM MOBILE LASER SCANNING POINT CLOUDS BASED ON A VOXEL GROWING METHOD.《IEEE International Symposium on Geoscience and Remote Sensing IGARSS》.2018,1832-1835. * |
刘慧,刘加林,沈跃,等.植株点云超体聚类分割方法.《农业机械学报》.2018,第49卷(第12期),172-179. * |
吴英杰.基于水平截面法的树木点云提取方法.《北京测绘》.2019,第33卷(第4期),448-453. * |
王和平,邹彪,陈大光.基于机载LIDAR点云数据的电力线路自动提取与三维建模.《低碳世界》.2018,(第7期),91-93. * |
王洪蜀,李世华,郭加伟等.地基激光雷达的玉兰林冠层叶面积密度反演.《遥感学报》.2016,第20卷(第4期),570-578. * |
谭晔汶,王鑫.点云空间分布的树木点剔除方法.《辽宁工程技术大学学报(自然科学版)》.2016,第35卷(第10期),1155-1158. * |
黄鹏頔.三维激光扫描点云典型场景可见性分析方法研究.《中国博士学位论文全文数据库 基础科学辑》.2019,(第8期),A005-76. * |
Also Published As
Publication number | Publication date |
---|---|
CN111060922A (zh) | 2020-04-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107274417B (zh) | 一种基于机载激光点云聚集关系的单木分割方法 | |
CN111709981A (zh) | 特征线融合的激光点云与模拟图像的配准方法 | |
Aschoff et al. | Describing forest stands using terrestrial laser-scanning | |
US9330435B2 (en) | Bare earth finding and feature extraction for 3D point clouds | |
AU2013317709B2 (en) | On-ground or near-ground discrete object detection method and system | |
Pyysalo et al. | Reconstructing tree crowns from laser scanner data for feature extraction | |
Zhao et al. | A comparison of LiDAR filtering algorithms in vegetated mountain areas | |
CN111060922B (zh) | 基于机载激光雷达点云空间分布特征的树木点云提取方法 | |
Su et al. | Extracting wood point cloud of individual trees based on geometric features | |
Hu et al. | A fast and simple method of building detection from LiDAR data based on scan line analysis | |
CN112099046A (zh) | 基于多值体素模型的机载lidar三维平面检测方法 | |
CN115690081A (zh) | 一种树木计数方法、系统、存储介质、计算机设备及终端 | |
Li et al. | A new approach for estimating living vegetation volume based on terrestrial point cloud data | |
Elberink et al. | Detection of collapsed buildings by classifying segmented airborne laser scanner data | |
CN114898118A (zh) | 基于多源点云的输电线路房屋拆迁量自动统计方法及系统 | |
Dos Santos et al. | Automatic building change detection using multi-temporal airborne LiDAR data | |
Jiangui et al. | A method for main road extraction from airborne LiDAR data in urban area | |
CN110120070A (zh) | 基于机载激光雷达点云体元连续性分析的滤波方法 | |
Li et al. | Registration of aerial imagery and lidar data in desert areas using the centroids of bushes as control information. | |
CN112381029B (zh) | 一种基于欧氏距离的机载LiDAR数据建筑物提取方法 | |
Liu et al. | Rigorous density correction model for single-scan TLS point clouds | |
Smreček et al. | Automated tree detection and crown delineation using airborne laser scanner data in heterogeneous East-Central Europe forest with different species mix | |
Barber et al. | Change detection for topographic mapping using three-dimensional data structures | |
Kuçak et al. | Comparison of CSF Ground Filtering Method by Using Airborne LiDAR Data | |
Harintaka et al. | Automatic point cloud segmentation using RANSAC and DBSCAN algorithm for indoor model |
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 |