CN111325837B - 一种基于地面三维激光点云的边坡dem生成方法 - Google Patents
一种基于地面三维激光点云的边坡dem生成方法 Download PDFInfo
- Publication number
- CN111325837B CN111325837B CN202010076085.7A CN202010076085A CN111325837B CN 111325837 B CN111325837 B CN 111325837B CN 202010076085 A CN202010076085 A CN 202010076085A CN 111325837 B CN111325837 B CN 111325837B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- point
- dimensional laser
- points
- dimensional
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 230000008439 repair process Effects 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims description 17
- 238000010276 construction Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000007619 statistical method Methods 0.000 claims description 5
- 238000007667 floating Methods 0.000 claims description 4
- 230000008520 organization Effects 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000002411 adverse Effects 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 230000009467 reduction Effects 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]
-
- 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4023—Scaling of whole images or parts thereof, e.g. expanding or contracting based on decimating pixels or lines of pixels; based on inserting pixels or lines of pixels
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Remote Sensing (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Graphics (AREA)
- Evolutionary Biology (AREA)
- Processing Or Creating Images (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于地面三维激光点云的边坡DEM生成方法。利用三维激光扫描系统获取反映边坡地表全局特征的三维激光点云数据,基于移动最小二乘原理对边坡地面三维激光点云平面投影插值,获得边坡的插值重构三维点云;然后计算三维点云K邻近平均距离,从插值重构三维点云中识别出空洞修复点云,并将空洞修复点云融合到原始三维激光点云中,进而实现三维激光点云的空洞自适应修补;最后利用MLS原理拟合出投影平面,进行点云法向量计算,采用Delaunay准则构建DEM三角网模型,并采用半边数据结构对三角面片进行组织和管理。本发明能够利用离散点云数据构建边坡DEM,为数字减灾、资源开采、安全生产等方面提供丰富的地形信息。
Description
技术领域
本发明涉及三维激光点云数据处理领域,具体涉及一种基于地面三维激光点云的边坡DEM高效生成方法。
背景技术
滑坡作为一种常见的地质灾害,其强大的破坏力给生态环境和人们的生命财产安全带来了巨大的威胁,滑坡的动态监测与分析已成为国内外公共机构支持灾害响应的一个关键问题。传统的边坡变形监测方法主要是一种局部点位监测,存在采样点少,难以反映变形的全局特征等缺点。而基于三维激光扫描技术的监测方法,可以获取反映边坡地表全局特征的三维激光点云数据,利用离散点云数据构建滑坡体边坡的多时相DEM(DigitalElevation Model),可以实现滑坡点、面结合的实时监测与分析。同时,边坡DEM的生成为数字减灾、资源开采、安全生产等方面提供丰富的地形信息,尤其是在边坡稳定性分析及特征提取等方面DEM有着重要的研究意义。
目前基于离散点云数据的DEM构建方法大致可以分为空间内插法和三角网曲面重构法两大类。基于空间内插的DEM构建法对于海量的离散采样数据,如三维激光点云,进行空间内插计算时需要较高的时间成本,需要对原始三维激光点云进行抽稀、简化才能进行DEM构建,这样就会丢失地理对象的结构信息,如边坡地形起伏信息,因此难以适用于海量离散点的DEM构建。三角网曲面重构方法是当前海量散乱点云数据DEM构建较为常用的方法,但仍然难以直接用于边坡三维激光点云DEM构建,主要由于受到地物遮挡、地形起伏等的影响,获取的边坡三维激光点云数据密度分布极不均匀、且存在许多数据缺失区域,即大量点云空洞,难以满足三角网曲面重构方法对原始点云密度均匀的要求。如果在原始点云空洞修补过程中完全保留原始点云的地形特征,并避免因格网空洞修补而造成的部分地形特征损失,那么能够为三维激光点云的DEM生成高质量的点云数据,并克服边坡复杂地形特征和点云空洞的影响,实现高精度的边坡DEM模型的构建。
发明内容
本发明要解决的技术问题是:为了克服边坡地面三维激光点云空洞修补过程中噪声的影响和边坡地形重要特征的丢失,提供一种基于地面三维激光点云的边坡DEM生成方法。
本发明的技术解决方案是:
一种基于地面三维激光点云的边坡DEM生成方法,具体步骤如下:
步骤1,通过地面三维激光扫描系统获取边坡点云,并对其进行数据预处理,得到待空洞修补的原始三维激光点云;
步骤2,对原始三维激光点云进行曲面重构:结合移动最小二乘曲面拟合投影算法,通过定义流行曲面来逼近大规模数据所表示的曲面,并通过数据重采样的方法来控制逼近误差,拟合出点云曲面;
步骤3,从步骤2重构的点云曲面中提取出原始三维激光点云空洞处所需修补的空洞修复点云,并融合到原始三维激光点云中;
步骤4,通过移动最小二乘原理拟合出投影平面,利用投影平面进行点云法向量计算和三角化,构建边坡DEM;其中,在投影平面内三角化的过程中采用Delaunay的空间区域增长算法提高三角网的质量和构网效率,并采用半边数据结构对三角面片进行组织和管理,实现三角网的有效表达和拓扑关系的高效维护。
所述步骤2的具体流程如下:步骤21,首先对原始三维激光点云建立k-dimensional树;步骤22,设置点云局部表面法线计算的尺度值、多项式拟合运算阶数、曲率运算搜索半径和高斯参数,进行点云表面法向量计算,并保存结果;步骤23,设置上采样半径和迭代步长,对点云插值密度进行控制,并进行点云曲面插值计算,得到插值重构的三维点云;步骤24,使用基于邻域统计分析的滤波方法对曲面重构的地形表面点云的浮点或噪声点进行滤除,解决非封闭点云重构曲面边界拟合差的问题;该滤除过程遍历两次插值重构点云数据:在第一次遍历期间,计算每个点的K邻近平均距离,并通过计算出所有重构点的K邻近平均距离和标准偏差以确定其阈值;在第二次遍历中,如果重构点的平均相邻距离分别低于或高于阈值,则重构点将被分类为内点或外点,并滤除所述内点和外点。
所述步骤3的具体流程如下:步骤31,通过K最邻近搜索,以原始三维激光点云中的每一个点为查询点,从步骤2重构点云的数据中查询K个查询点的最邻近点,并保存其索引值和最近邻距离值;步骤32,计算原始三维激光点云的平均距离分辨率,该分辨率的确定是通过计算原始三维激光点云中的每一个点的K个最邻近值进行查找,计算K个点最邻近点的距离,并求取距离的平均值实现;步骤33,遍历每一个最近邻距离值,并判断每一个点的最近邻距离值是否小于所述原始三维激光点云的平均距离分辨率的值,若小于,则将当前查询点的索引存储在对象数组中,否则不存储;并检查所述对象数组中的重复索引,然后去除重复索引;步骤34,重复步骤31至33,直到原始三维激光点云中所有点都遍历完成,依据索引值,在重构点云中提取出不在索引值中的点,即排除重构点云中的多余点集,保留空洞处的点云;将原始三维激光点云与空洞处的点云合并,完成点云空洞自适应修补,并保存修补数据。
所述步骤4的具体流程如下:步骤41,设置搜索半径、最大搜索数量、三角形最大最小阈值和相邻两点的法向量角度阈值参数;步骤42,自适应快速k邻近搜索操作:对已构建k-dimensional树的三维激光点云数据,采用动态搜索邻近点的方式,进行自适应快速k邻近搜索操作;设置一个加权因子,当前搜索的范围中得到的邻近点数量不够时,通过与最近点的距离和加权因子的乘积重新设置半径来搜索,以保证搜索到足够数量的点,并克服点云密度不均匀对DEM构网的不利影响;步骤43,三维点云法向量计算:遍历所有的原始激光三维点云,以任意点p开始执行步骤42的自适应快速k邻近搜索操作,利用MLS原理拟合出一个平面,计算该平面的法向量,将该法向量作为p点的法向量;如果搜索到的相邻点不符合法向量计算要求时,设其法向量为异常值;重复上述操作,获得点云中每个点的法向量;步骤44,DEM构建及表达:再次遍历所有的原始激光三维点云,以任意一点q开始执行步骤42的自适应快速k邻近搜索操作,如果搜索到的相邻点的法向量为异常值,则跳过该点;将q点投影到其k个相邻局部点拟合的曲面相切的平面中,然后以q点为种子点,依据Delauney准则进行三角形构建;利用半边数据结构进行DEM三角网模型的数据组织与表达。
进一步地,所述步骤2中,迭代步长必须小于上采样(插值)半径,否则不能进行点云的平面投影插值;上采样(插值)半径必须小于搜索半径,如果上采样(插值)半径大于搜索半径,会得到大量浮点或噪声点。通过调整平面投影插值方法中上采样(插值)半径参数和迭代步长参数对点云插值密度进行控制,其中上采样半径默认大小为6米,迭代步长默认大小为1.5米。
优选地,所述步骤3中,三维激光点云K邻近查询的点个数用于衡量插值重构三维点云中需要排除非空洞修复点云的数量,决定了空洞修复点云的密度,K值的大小需要结合原始三维激光点云空洞情况和DEM精度要求来确定。
本发明提出了一种基于地面三维激光点云的边坡DEM高效生成方法,具有以下有益效果:
(1)将得到的插值重构三维点云中提取出空洞部分的点云,把空洞修复点云融合到原始三维激光点云中,即可实现点云空洞的自适应修补,并且能够达到空洞修复点云与点云空洞边界和地形特征高度提贴合的效果,最大限度的保留了原始三维激光点云的地形细节特征,为实现基于三维激光点云的高精度的边坡监测提供可能;
(2)采用修补后的三维激光点云进行格网构建,结合了逆向工程中的隐式曲面重构理论,将闭合点云的曲面重构方法运用于非封闭点云曲面中,解决了非封闭点云曲面重构边界不清晰、不合格点云较多的问题,实现高效地边坡三维激光点云DEM构建。
(3)本发明对数字城市化的发展及高精度DEM的构建有很大的理论参考价值,为数字减灾、资源开采、安全生产等领域解决更多实际问题。
附图说明
图1为本发明方法流程示意图。
图2为本发明方法中空洞修复点云识别的基本流程图。
图3为本发明方法实施例中,对地面三维激光扫描仪获取的某边坡三维激光点云数据的空洞修补前后对比,(a)为空洞修补前原始点云,(b)为空洞修补前原始点云格网化DEM,(c)为空洞修补后点云,(d)为空洞修补后点云格网化DEM。
具体实施方式
以下将结合附图,以地面三维激光扫描仪获取的某边坡三维激光点云数据网格化DEM构建为例,说明本发明的具体实施方法:
1、通过地面三维激光扫描系统获取边坡点云,并对其进行数据预处理,得到待空洞修补的原始点云。
利用Riegl VZ-1000型三维激光扫描仪对某边坡进行数据采集,获得边坡三维激光点云数据,扫描模式设置为Panorama_20,从而获得较密的激光点云数据。外业数据采集之后,内业利用RiSCAN PRO软件对获得的三维激光点云数据进行去噪、配置、过滤等预处理操作。对于明显的遮挡点及非坡面噪点如建筑物、树木、汽车、行人等,直接删除,对于其他肉眼分辨不出的噪声点采用统一采样命令,通过合理设置参数化采样百分比完成采样点云数据的去噪;选择同名点作为激光点云特征进行站点之间的初始配准,通过软件参数化设置公差、最大跌代数及采样大小等一系列参数完成站点之间的精细配准。各站点之间配准后,能够得到不同测站的扫描仪坐标系相对于工程项目坐标系的旋转平移矩阵,即SOP矩阵。
利用基于邻域统计分析的滤波算法进行点云的滤波处理,通过对某一点邻域范围内的点进行数学统计分析后,剔除不符合一定标准的点。该算进行两次遍历输入数据,在第一次迭代过程中,将每个点与其k个最邻近点计算,计算出他们的平均距离和标准差来确定其距离阈值;在第二次的迭代过程中,判断他们的相邻点的平均距离是否低于或高于阈值,将其分为内部点和外部点,并对其进行剔除。经过点云数据的预处理,得到待空洞修补的原始点云。
2、基于移动最小二乘(MLS)曲面拟合投影算法,通过定义流形曲面来逼近大规模数据所表示的曲面,并通过数据重采样的方法来控制逼近误差,拟合出研究区域的曲面点云。基于MLS的地面三维激光点云平面投影插值方法流程如下:
1)首先对三维激光点云建立Kd-Tree,实现点云的组织与管理,便于三维激光点云的存储、查询以及空间关系确定,并声明MLS对象;
2)设置点云局部表面法线计算的尺度值、多项式拟合运算阶数为3阶、曲率运算搜索半径为6m、高斯参数为2,进行点云表面法向量计算,保存结果;
3)设置上采样(插值)半径为6m和迭代步长为1.5m,进行点云曲面插值计算,得到插值重构的三维点云;
4)使用基于邻域统计分析的滤波方法对曲面重构的地形表面点云的浮点或噪声点进行滤除,该算法遍历两次插值重构点云数据:在第一次遍历期间,计算每个点的K(设置K为50)邻近平均距离,并通过计算出所有这些查询点云的K邻近平均距离和标准偏差以确定其阈值;在第二次迭代中,如果它们的平均相邻距离分别低于或高于该阈值,则这些点将被分类为内点或外点。
3、通过对原始三维激光点云进行曲面重构后,从重构的点云曲面中提取出原始点云空洞处所需修补的空洞修复点云(空洞修复点云识别的基本流程图如图2所示),并融合到原始点云中,从而解决点云空洞修补的自适应问题。基于MLS的边坡三维激光点云自适应空洞修补方法流程如下:
1)输入插值重构三维点云(标记为C)和原始待空洞修补的三维激光点云(标记为B),并对每个点云构建Kd-Tree,为散乱点云的空间查询提供必要条件;
2)通过K(设置K为15)最邻近搜索,以点云B中的每一个点为查询点searchPoint,从点云C中查询K个searchPoint点的最邻近点,并保存其索引值和最近邻距离值分别在对象数组pointIdxNKNSearch和pointNKNSquaredDistance中;
3)计算点云B的平均距离分辨率值(PointDistanceResolution)。该分辨率的确定是通过计算点云B中的每一个点的K个最邻近值进行查找,并计算其K个点最邻近点的距离,并求取距离的平均值实现;
4)遍历pointNKNSquaredDistance中的每一个距离值,并判断每一个pointNKNSquaredDistance[i]的距离是否小于点云B的PointDistanceResolution,若小于PointDistanceResolution值,则将该点的索引存储在对象数组select_pointIdxNKNSearch中,否则不存储;并检查select_pointIdxNKNSearch点云索引中的重复索引,去除重复索引;
5)通过步骤2)和4),直到点云B中所有点都遍历完成,依据索引值select_pointIdxNKNSearch,在点云C中提取出不在索引值select_pointIdxNKNSearch中的点,即排除点云C中的多余点集,保留空洞处的点云D,将B(原始点云)与D(空洞修复点云)合并,完成点云空洞自适应修补,并保存修补数据。
4、基于MLS对贪婪投影三角化算法进行改进,通过MLS原理拟合出投影平面,利用该平面进行点云法向量计算和三角化;在投影平面内三角化的过程中采用Delaunay的空间区域增长算法提高三角网的质量和构网效率,并采用HalfEdge数据结构对三角面片进行组织和管理,实现三角网的有效表达和拓扑关系的高效维护。基于MLS的边坡地面三维激光点云DEM生成具体的实现流程如下:
1)设置搜索半径为8m、最大搜索数量为100、三角形内角最小角度为10°、三角形内角最大角度为120°、相邻两点的法向量角度阈值为45°等参数;
2)对已构建Kd-tree的三维激光点云数据,采用利用动态搜索邻近点的方式,进行自适应快速k(设置K为100)邻近搜索操作;设置一个加权因子mu为2.5,当前搜索的范围中得到的邻近点数量不够时,通过最近点的距离d和mu的乘积重新设置半径来搜索,以保证搜索到足够数量的点,并克服点云密度不均匀对DEM构网的不利影响;
3)三维点云法向量计算。遍历所有的三维点云,以任意点p开始执行步骤2)的自适应快速k邻近搜索操作,利用MLS原理拟合出一个平面,计算该平面的法向量,将该法向量作为p点的法向量;如果搜索到的相邻点不符合法向量计算要求时,设其法向量为异常值,标识为(NaN,NaN,NaN),NaN为异常标识符;重复上述操作,获得点云中每个点的法向量;
4)DEM构建及表达。再次遍历所有的三维点云,以任意一点q开始执行步骤2)的自适应快速k邻近搜索操作,如果搜索到的相邻点的法向量为异常值,则跳过该点;将q点投影到其k个相邻局部点拟合的曲面相切的平面中,然后以q点为种子点,依据Delauney准则(即最大最小角特性和空圆特性)进行三角形构建;利用半边(HalfEdge)数据结构进行DEM三角网模型的数据组织与表达。
本实施例某边坡三维激光点云经过基于MLS的点云空洞自适应修补方法处理后,构建的DEM效果如图3的(d)图所示。由图3可以看出,利用本发明方法构建的边坡DEM模型较为完善、精确,能够利用离散点云数据构建滑坡体边坡的多时相DEM,实现滑坡点、面结合的实时高效地监测与分析。
Claims (5)
1.一种基于地面三维激光点云的边坡DEM生成方法,其特征在于,该方法的具体步骤如下:
步骤1,通过地面三维激光扫描系统获取边坡点云,并对其进行数据预处理,得到待空洞修补的原始三维激光点云;
步骤2,对原始三维激光点云进行曲面重构:结合移动最小二乘曲面拟合投影算法,通过定义流行曲面来逼近大规模数据所表示的曲面,并通过数据重采样的方法来控制逼近误差,拟合出点云曲面;
步骤3,从步骤2重构的点云曲面中提取出原始三维激光点云空洞处所需修补的空洞修复点云,并融合到原始三维激光点云中;
步骤4,通过移动最小二乘原理拟合出投影平面,利用投影平面进行点云法向量计算和三角化,构建边坡DEM;其中,在投影平面内三角化的过程中采用Delaunay的空间区域增长算法提高三角网的质量和构网效率,并采用半边数据结构对三角面片进行组织和管理,实现三角网的有效表达和拓扑关系的高效维护。
2.根据权利要求1所述的一种基于地面三维激光点云的边坡DEM生成方法,其特征在于,所述步骤2的具体流程如下:
步骤21,首先对原始三维激光点云建立k-dimensional树;
步骤22,设置点云局部表面法线计算的尺度值、多项式拟合运算阶数、曲率运算搜索半径和高斯参数,进行点云表面法向量计算,并保存结果;
步骤23,设置上采样半径和迭代步长,对点云插值密度进行控制,并进行点云曲面插值计算,得到插值重构的三维点云;
步骤24,使用基于邻域统计分析的滤波方法对曲面重构的地形表面点云的浮点或噪声点进行滤除,解决非封闭点云重构曲面边界拟合差的问题;该滤除过程遍历两次插值重构点云数据:在第一次遍历期间,计算每个点的K邻近平均距离,并通过计算出所有重构点的K邻近平均距离和标准偏差以确定其阈值;在第二次遍历中,如果重构点的平均相邻距离分别低于或高于阈值,则重构点将被分类为内点或外点,并滤除所述内点和外点。
3.根据权利要求2所述的一种基于地面三维激光点云的边坡DEM生成方法,其特征在于,所述步骤23中,上采样半径设置为6米,迭代步长设置为1.5米。
4.根据权利要求2所述的一种基于地面三维激光点云的边坡DEM生成方法,其特征在于,所述步骤3的具体流程如下:
步骤31,通过K最邻近搜索,以原始三维激光点云中的每一个点为查询点,从步骤2重构点云的数据中查询K个查询点的最邻近点,并保存其索引值和最近邻距离值;
步骤32,计算原始三维激光点云的平均距离分辨率,该分辨率的确定是通过计算原始三维激光点云中的每一个点的K个最邻近值进行查找,计算K个点最邻近点的距离,并求取距离的平均值实现;
步骤33,遍历每一个最近邻距离值,并判断每一个点的最近邻距离值是否小于所述原始三维激光点云的平均距离分辨率的值,若小于,则将当前查询点的索引存储在对象数组中,否则不存储;并检查所述对象数组中的重复索引,然后去除重复索引;
步骤34,重复步骤31至33,直到原始三维激光点云中所有点都遍历完成,依据索引值,在重构点云中提取出不在索引值中的点,即排除重构点云中的多余点集,保留空洞处的点云;将原始三维激光点云与空洞处的点云合并,完成点云空洞自适应修补,并保存修补数据。
5.根据权利要求4所述的一种基于地面三维激光点云的边坡DEM生成方法,其特征在于,所述步骤4的具体流程如下:
步骤41,设置搜索半径、最大搜索数量、三角形最大最小阈值和相邻两点的法向量角度阈值参数;
步骤42,自适应快速k邻近搜索操作:对经步骤21已建立k-dimensional树的三维激光点云数据,采用动态搜索邻近点的方式,进行自适应快速k邻近搜索操作;设置一个加权因子,当前搜索的范围中得到的邻近点数量不够时,通过与最近点的距离和加权因子的乘积重新设置半径来搜索,以保证搜索到足够数量的点,并克服点云密度不均匀对DEM构网的不利影响;
步骤43,三维点云法向量计算:遍历所有经步骤34修补后的激光三维点云,以任意点p开始执行步骤42的自适应快速k邻近搜索操作,利用MLS原理拟合出一个平面,计算该平面的法向量,将该法向量作为p点的法向量;如果搜索到的相邻点不符合法向量计算要求时,设其法向量为异常值;重复上述操作,获得点云中每个点的法向量;
步骤44,DEM构建及表达:再次遍历所有经步骤34修补后的激光三维点云,以任意一点q开始执行步骤42的自适应快速k邻近搜索操作,如果搜索到的相邻点的法向量为异常值,则跳过该点;将q点投影到其k个相邻局部点拟合的曲面相切的平面中,然后以q点为种子点,依据Delauney准则进行三角形构建;利用半边数据结构进行DEM三角网模型的数据组织与表达。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010076085.7A CN111325837B (zh) | 2020-01-23 | 2020-01-23 | 一种基于地面三维激光点云的边坡dem生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010076085.7A CN111325837B (zh) | 2020-01-23 | 2020-01-23 | 一种基于地面三维激光点云的边坡dem生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111325837A CN111325837A (zh) | 2020-06-23 |
CN111325837B true CN111325837B (zh) | 2022-08-09 |
Family
ID=71165189
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010076085.7A Active CN111325837B (zh) | 2020-01-23 | 2020-01-23 | 一种基于地面三维激光点云的边坡dem生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111325837B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111986115A (zh) * | 2020-08-22 | 2020-11-24 | 王程 | 激光点云噪声和冗余数据的精准剔除方法 |
CN112215763B (zh) * | 2020-09-01 | 2023-02-24 | 青岛秀山移动测量有限公司 | 一种基于图像数据辅助的面状内部缺失点云修补方法 |
CN112348950B (zh) * | 2020-11-04 | 2022-10-18 | 大连理工大学 | 一种基于激光点云分布特性的拓扑地图节点生成方法 |
CN112734651A (zh) * | 2020-12-17 | 2021-04-30 | 浙江静远电力实业有限公司 | 一种大坝廊道扫描点云成果数据快速建模的方法 |
CN112529891B (zh) * | 2020-12-21 | 2024-03-19 | 深圳辰视智能科技有限公司 | 一种基于点云的空心孔洞识别与轮廓检测方法、装置及存储介质 |
CN112906124B (zh) * | 2021-04-02 | 2023-06-13 | 广州南方卫星导航仪器有限公司 | 一种土方量计算方法、装置、设备和介质 |
CN113218310B (zh) * | 2021-04-16 | 2022-08-12 | 华中师范大学 | 基于三维激光点云的尾矿库干滩重要参数提取方法及系统 |
CN113569856B (zh) * | 2021-07-13 | 2024-06-04 | 盎锐(杭州)信息科技有限公司 | 用于实测实量的模型语义分割方法及激光雷达 |
CN113627548A (zh) * | 2021-08-17 | 2021-11-09 | 熵智科技(深圳)有限公司 | 一种平面工件模板匹配方法、装置、介质及计算机设备 |
CN114266796B (zh) * | 2021-11-05 | 2022-09-13 | 广东省国土资源测绘院 | 基于激光点云数据与平均大潮高潮面的自然岸线自动获取方法、设备、介质 |
CN114612598A (zh) * | 2022-02-16 | 2022-06-10 | 苏州一径科技有限公司 | 一种点云的处理方法、装置及激光雷达 |
CN116051782B (zh) * | 2022-11-30 | 2024-03-22 | 港珠澳大桥管理局 | 基于正交网格曲线插值的数据处理及重构建模方法、设备和存储介质 |
CN115661004B (zh) * | 2022-12-26 | 2023-03-21 | 武汉天际航信息科技股份有限公司 | 三维地形模型及道路dem的更新方法、设备以及存储介质 |
CN116385684B (zh) * | 2023-04-10 | 2023-11-03 | 长江水利委员会水文局 | 一种基于库岸点云的河道断面自动提取方法 |
CN117173069A (zh) * | 2023-11-01 | 2023-12-05 | 湖北工业大学 | 一种边坡结构面点云数据补全方法 |
CN117274116B (zh) * | 2023-11-22 | 2024-03-05 | 广州中望龙腾软件股份有限公司 | 点云修补方法、装置、存储介质及计算机设备 |
CN117953174B (zh) * | 2024-03-26 | 2024-06-18 | 山东观和集团有限公司 | 一种地质调查过程中三维建模方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100810294B1 (ko) * | 2006-09-12 | 2008-03-06 | 삼성전자주식회사 | 3차원 메쉬 데이터의 특징-유지 간략화 방법 |
EP3457357B1 (en) * | 2017-09-13 | 2021-07-07 | Tata Consultancy Services Limited | Methods and systems for surface fitting based change detection in 3d point-cloud |
CN107798728B (zh) * | 2017-10-18 | 2020-10-20 | 中国电建集团中南勘测设计研究院有限公司 | 一种基于激光点云数据的地表三维模型构建方法 |
CN108171780A (zh) * | 2017-12-28 | 2018-06-15 | 电子科技大学 | 一种基于激光雷达构建室内真实三维地图的方法 |
CN108520550B (zh) * | 2018-04-10 | 2021-09-24 | 南京信息工程大学 | 基于噪声分类与mls的点云数据泊松曲面重建方法 |
CN110276732B (zh) * | 2019-06-18 | 2022-06-07 | 昆明理工大学 | 一种顾及地形特征线要素的山区点云空洞修复方法 |
-
2020
- 2020-01-23 CN CN202010076085.7A patent/CN111325837B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111325837A (zh) | 2020-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111325837B (zh) | 一种基于地面三维激光点云的边坡dem生成方法 | |
CN106529469B (zh) | 基于自适应坡度的无人机载LiDAR点云滤波方法 | |
CN111986115A (zh) | 激光点云噪声和冗余数据的精准剔除方法 | |
CN112784403B (zh) | 基于点云数据建立节理岩体离散元模型的数值模拟方法 | |
CN110276732B (zh) | 一种顾及地形特征线要素的山区点云空洞修复方法 | |
CN116310192A (zh) | 一种基于点云的城市级建筑物三维模型单体重建方法 | |
CN105118090A (zh) | 一种自适应复杂地形结构的点云滤波方法 | |
CN105427317A (zh) | 一种适用于多视角自动化配准多站地面激光点云数据的方法 | |
CN113868476B (zh) | 一种基于局部密度的八叉树点云预处理方法 | |
Qin et al. | Automated reconstruction of parametric bim for bridge based on terrestrial laser scanning data | |
CN111899353A (zh) | 一种基于生成对抗网络的三维扫描点云孔洞填补方法 | |
CN110544298B (zh) | 变电站建模方法、装置、计算机设备和存储介质 | |
CN114926602B (zh) | 基于三维点云的建筑物单体化方法及系统 | |
CN111784840A (zh) | 基于矢量数据自动分割lod层级三维数据单体化方法及系统 | |
CN110084865A (zh) | 一种离散点分级加权拟合规则格网的方法 | |
CN116736331A (zh) | 一种基于激光雷达的煤仓中存煤量的自动化测量方法 | |
CN113987969A (zh) | 多高程尺度水流网的陆地水动态仿真模型 | |
CN113971718A (zh) | 一种对三维点云模型进行布尔运算的方法 | |
CN113763529B (zh) | 一种基于三维扫描的变电站建模方法 | |
CN117422841A (zh) | 一种基于远探测数据的三维重建方法及系统 | |
CN110675501A (zh) | DEM架构下的TIN向Grid模型的高效转换方法 | |
CN115311574A (zh) | 一种建筑物监测方法、设备及介质 | |
Sun et al. | Datum feature extraction and deformation analysis method based on normal vector of point cloud | |
CN118247462A (zh) | 一种dem数据生成方法、系统、存储介质及电子设备 | |
CN114332366B (zh) | 数字城市单体房屋点云立面3d特征提取方法 |
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 |