CN111369436A - 一种顾及多元地形特征的机载LiDAR点云抽稀方法 - Google Patents
一种顾及多元地形特征的机载LiDAR点云抽稀方法 Download PDFInfo
- Publication number
- CN111369436A CN111369436A CN202010122080.3A CN202010122080A CN111369436A CN 111369436 A CN111369436 A CN 111369436A CN 202010122080 A CN202010122080 A CN 202010122080A CN 111369436 A CN111369436 A CN 111369436A
- Authority
- CN
- China
- Prior art keywords
- terrain
- point cloud
- parameters
- characteristic
- elevation
- 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 29
- 238000000513 principal component analysis Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 18
- 239000000126 substance Substances 0.000 claims description 6
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 6
- 230000005540 biological transmission Effects 0.000 abstract description 3
- 238000013507 mapping Methods 0.000 abstract description 2
- 238000011160 research Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Graphics (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种顾及多元地形特征的机载LiDAR点云抽稀方法,属于测绘技术领域,其首先获取机载LiDAR点云数据,计算出激光点云坐标;然后对激光点进行局部地形的二次曲面LM(Levenberg‑Marquardt)算法拟合,实现高程标准差、坡度、高斯曲率和粗糙度四类地形特征参数的快速提取;最后基于主成分分析将四类地形特征参数线性构建为多元地形特征复杂度模型,依据获取的点云复杂度及抽稀准则,实现点云的高精度抽稀。本发明通过这种方法,实现了机载LiDAR点云的高精度、强鲁棒性抽稀,有效解决了海量点云在数据显示、处理、存储和传输过程中占用太多内存资源,使得处理器速度缓慢且运算效率不高的问题。
Description
技术领域
本发明属于测绘技术领域,具体涉及一种顾及多元地形特征的机载LiDAR点云抽稀方法。
背景技术
机载LiDAR系统,是一种集激光测距仪、数字航空摄影、全球定位系统(GPS)和惯性导航系统(INS)等多种尖端技术于一体的空间测量系统,是一种主动式的三维信息获取技术。该系统以飞机为载体,通过高速激光扫描测量的方式,可以高效率、高精度、自动化、直接性的获取地形三维数据信息。与传统的测量方法相比,机载LiDAR测量基本不受光照和天气条件的限制,并且具有周期短、速度快、成本低、效率高等优势,充分满足地形三维建模与更新的时效性要求,具有较高的研究价值和重要的现实意义。
机载LiDAR采集的点云数据往往是海量的,海量点云数据直接影响数据处理效率、数据存储速度,增加了数据交互的难度。机载LiDAR采集的点云数据是海量的,由于点云密度非常高,可达到每平方米十几个甚至上百个点,尤其对于大区域地形测量,所得数据量非常大。对于复杂地形区域,海量点云有利于地形的精确表达,但是对于地形平坦、地形变化趋势较小区域,海量点云存在大量冗余数据,这些冗余数据不仅会消耗大量的内存空间,还会增加点云数据后处理的难度。
点云抽稀是应用研究的重要环节。在具体实际应用研究中,很多工程不需要如此高密度的点云数据,庞大的数据量会加大应用研究的难度,同时也会影响工作效率。在满足工程实际应用精度的前提下,对海量点云进行合理抽稀,既可以保证工程应用精度,又可以去除冗余数据,有利于点云数据的存储及处理。因此,机载LiDAR点云抽稀算法研究对于资源勘探、城市规划、农业开发、水利工程、土地利用、环境监测、交通通讯、防震减灾及国家重点建设项目等方面,都具有重要的实际意义和良好的应用前景。
发明内容
针对现有技术中存在的上述技术问题,本发明提出了一种顾及多元地形特征的机载LiDAR点云抽稀方法,设计合理,解决了现有技术大都是基于单一地形特征实现的简单抽稀,不能综合全面地实现复杂地形的精确抽稀,该抽稀方法能够在充分保留地形地貌特征的前提下有效实现点云抽稀,对于不同复杂地形的机载LiDAR点云数据均具有较好的适用性及鲁棒性。
为了实现上述目的,本发明采用如下技术方案:
一种顾及多元地形特征的机载LiDAR点云抽稀方法,包括以下步骤:
步骤1:获取机载LiDAR点云数据,计算出激光点云坐标;
步骤2:对激光点进行局部地形的二次曲面拟合,采用LM算法迭代参数寻优,获得最优化结果下的地形拟合参数,并以地形拟合模型为基础,实现高程标准差、坡度、高斯曲率和粗糙度四类地形特征参数的提取;
步骤3:基于主成分分析,将四类地形特征变量因子线性构建为多元地形特征复杂度模型,依据获取的点云复杂度及抽稀准则,实现点云抽稀。
优选地,在步骤2中,高程标准差、坡度、高斯曲率和粗糙度四类地形特征参数的提取步骤如下:
步骤2.1:进行二次曲面LM算法拟合;
假设以r为半径,搜索给定半径区域内的所有激光点,由该区域内的所有激光点拟合形成的二次曲面模型如公式(1)所示:
f(x,y)=ax2+by2+cxy+dx+ey+f (1);
则二次曲面拟合的目标函数为:
其中,Q为目标函数;(xj,yj,zj)为点集Nj(j=1,2,…,k)内的激光点在局部坐标系中的地理坐标;a、b、c、d、e和f为二次曲面拟合参数;
步骤2.2:提取高程标准差参数;
假设点集Nj(j=1,2,…,k)内的激光点的高程值为Hj,则高程标准差σH如公式(3)所示:
步骤2.3:提取坡度参数;
步骤2.4:提取高斯曲率参数;
激光点具有最大曲率Cmax和最小曲率Cmin,对应的曲率半径分别为Rmax和Rmin,Rmax和Rmin分别是公式(5)关于曲率半径R的两个根:
(rt-s2)R2+h[2pqs-(1+p2)t-(1+q2)r]R+h4=0 (5);
根据微分几何原理,高斯曲率CG的计算如公式(6)所示:
步骤2.5:提取粗糙度参数;
地形粗糙度是地表的实际面积与投影面积之间的比值;由于地表的实际面积难以获取,故采用拟合的曲面面积代替地表实际面积进行计算;故地形粗糙度Kr由公式(7)和公式(8)计算:
其中,SS为二次拟合曲面面积,SE为曲面的投影平面面积,(x1,y1)、(x2,y2)、(x3,y3)、(x4,y4)分别是投影平面上点的水平坐标。
优选地,在步骤3中,多元地形特征复杂度模型构建及点云抽稀方法步骤如下:
步骤3.2:计算地形特征参数的协方差矩阵或相关系数矩阵;
由标准化后的矩阵向量得到各地形特征参数之间的相关系数矩阵R,作为主成分分析矩阵;rwj(w,j=1,2,3,4)为标准化后的各地形特征参数xw和xj的相关系数,且rwj=rjw,根据公式(10),计算各地形特征参数之间的相关系数矩阵R:
其中,
步骤3.3:解特征方程|λE-R|=0,计算特征值λw及对应的特征向量ew(w=1,2,3,4),使||ew||=1,即ewj表示地形特征参数j在第w个主成分中的系数值;将特征值按照大小顺序排列,λ1≥λ2≥λ3≥λ4≥0;根据公式(12)、(13),计算主成分贡献率和累计贡献率:
步骤3.4:根据公式(14),计算主成分载荷系数;
步骤3.5:根据累计贡献率的大小确定主成分的个数并分析主成分的含义;
步骤3.6:根据公式(15),对保留的各主成分进行综合,计算各地形特征参数的综合系数fj:
其中,fj表示地形特征参数j的综合系数;m为保留的主成分个数;ewj表示地形特征参数j在第w个主成分中的系数值;Sw表示第w个主成分的贡献率;
步骤3.7:构建多元地形特征复杂度模型,如公式(16)所示:
其中,T表示构建的多元地形特征复杂度模型;fj为综合系数;tj表示第j类地形特征因子;
步骤3.8:计算所有激光点的多元地形特征复杂度T,将其作为点云的属性计入点信息;依据抽稀的目标尺度,将地形划分为具有统一分辨率的规则格网,并将点云垂直投射至相对应的格网单元内;计算每个格网的区域地形特征复杂度Tm,Tm为该格网内所有激光点的地形复杂度均值;
步骤3.9:确定抽稀阈值;
选择典型的三种常见地形:平坦地形、一般复杂地形和特别复杂地形,分别计算出三种地形的平均地形特征复杂度:T1、T2和T3,将min(T1,T2)和min(T2,T3)作为抽稀阈值;
步骤3.10:依据抽稀准则,完成LiDAR点云抽稀;
点云抽稀准则为:
当0<=Tm<min(T1,T2)时,每个格网只保留一个特征点,该点为格网内高程均值点Zm,其水平坐标为格网中心点坐标;
当min(T1,T2)<=Tm<min(T2,T3)时,每个格网保留两个特征值点,分别为格网内高程最大值点Zmax和高程最小值点Zmin;
当Tm>=min(T2,T3)时,每个格网保留三个特征值点,分别为Zmax、Zmin和Zm点,遍历完成所有格网的判断与选择,实现LiDAR点云抽稀。
本发明所带来的有益技术效果:
本发明提出了顾及多元地形特征的机载LiDAR点云抽稀方法,与现有技术相比,本发明利用二次曲面LM算法对激光点进行局部地形拟合,实现了高程标准差、坡度、高斯曲率和粗糙度四类地形特征参数的快速提取;基于主成分分析算法将四类地形特征参数线性构建为多元地形特征复杂度模型,并依据抽稀准则实现了点云的高精度抽稀;有效解决了海量点云在数据显示、处理、存储和传输过程中占用太多内存资源,使得处理器速度缓慢且运算效率不高的问题。
附图说明
图1为本发明顾及多元地形特征的机载LiDAR点云抽稀方法的流程图。
图2为本发明中坡度、曲率和粗糙度等地形特征参数示意图。
图3为本发明中激光点云抽稀示意图。
图4为本发明中顾及多元地形特征的机载LiDAR点云抽稀方法的详细流程图。
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细说明:
本发明提供了一种顾及多元地形特征的机载LiDAR点云抽稀方法,其流程如图1所示。
包括以下步骤:
步骤1:获取机载LiDAR点云数据,计算出激光点云坐标。
采用机载LiDAR系统获取激光点云数据;经过姿态改正、多源数据融合、坐标系转换后,得到有效激光点云坐标。
步骤2:二次曲面拟合,快速提取四类地形特征参数。
不同的地形特征参数反映了不同的地形变化程度,地形特征提取为点云抽稀提供了有力的数据支撑。为综合全面地实现复杂地形的精确抽稀,以二次曲面LM算法拟合模型为基础,实现高程标准差、坡度、高斯曲率和粗糙度四类地形特征参数的快速提取。其中坡度、曲率和粗糙度等地形特征参数见图2。
进一步的实施例中,步骤2具体包括如下步骤:
步骤2.1:进行二次曲面LM算法拟合;
假设以r为半径,搜索给定半径区域内的所有激光点,由该区域内的所有激光点拟合形成的二次曲面模型如公式(1)所示:
f(x,y)=ax2+by2+cxy+dx+ey+f (1);
则二次曲面拟合的目标函数为:
其中,Q为目标函数;(xj,yj,zj)为点集Nj(j=1,2,…,k)内的激光点在局部坐标系中的地理坐标;a、b、c、d、e和f为二次曲面拟合参数;
步骤2.2:提取高程标准差参数;
假设点集Nj(j=1,2,…,k)内的激光点的高程值为Hj,则高程标准差σH如公式(3)所示:
步骤2.3:提取坡度参数;
步骤2.4:提取高斯曲率参数;
激光点具有最大曲率Cmax和最小曲率Cmin,对应的曲率半径分别为Rmax和Rmin,Rmax和Rmin分别是公式(5)关于曲率半径R的两个根:
(rt-s2)R2+h[2pqs-(1+p2)t-(1+q2)r]R+h4=0 (5);
根据微分几何原理,高斯曲率CG的计算如公式(6)所示:
步骤2.5:提取粗糙度参数;
地形粗糙度是地表的实际面积与投影面积之间的比值;由于地表的实际面积难以获取,故采用拟合的曲面面积代替地表实际面积进行计算;故地形粗糙度Kr由公式(7)和公式(8)计算:
其中,SS为二次拟合曲面面积,SE为曲面的投影平面面积,(x1,y1)、(x2,y2)、(x3,y3)、(x4,y4)分别是投影平面上点的水平坐标。
具体实施时,基于LM算法的二次曲面拟合模型具有连续性和真实性,且稳定性强、效率高,为四类地形特征参数的快速提取提供了保障。
步骤3:构建多元地形特征复杂度模型,实现点云抽稀。
由于提取的四类地形特征参数均为定量值,且各特征参数间具有一定的相关性和相对独立性,故基于主成分分析将四类地形特征参数线性构建为多元地形特征复杂度模型,并设计了合理的抽稀准则,以此实现顾及多元地形特征的激光点云抽稀。激光点云抽稀示意图见图3,顾及多元地形特征的机载LiDAR点云抽稀方法的详细流程见图4。
进一步的实施例中,步骤3具体包括如下步骤:
步骤3.2:计算地形特征参数的协方差矩阵或相关系数矩阵;
由标准化后的矩阵向量得到各地形特征参数之间的相关系数矩阵R,作为主成分分析矩阵;rwj(w,j=1,2,3,4)为标准化后的各地形特征参数xw和xj的相关系数,且rwj=rjw,根据公式(10),计算各地形特征参数之间的相关系数矩阵R:
其中,
步骤3.3:解特征方程|λE-R|=0,计算特征值λw及对应的特征向量ew(w=1,2,3,4),使||ew||=1,即ewj表示地形特征参数j在第w个主成分中的系数值;将特征值按照大小顺序排列,λ1≥λ2≥λ3≥λ4≥0;根据公式(12)、(13),计算主成分贡献率和累计贡献率:
步骤3.4:根据公式(14),计算主成分载荷系数;
步骤3.5:根据累计贡献率的大小来确定主成分的个数并分析主成分的含义;
步骤3.6:根据公式(15),对保留的各主成分进行综合,计算各地形特征参数的综合系数fj:
其中,fj表示地形特征参数j的综合系数;m为保留的主成分个数;ewj表示地形特征参数j在第w个主成分中的系数值;Sw表示第w个主成分的贡献率。
步骤3.7:构建多元地形特征复杂度模型;
其中,T表示构建的多元地形特征复杂度模型;fj为综合系数;tj表示第j类地形特征因子。
步骤3.8:计算所有激光点的多元地形特征复杂度T,将其作为点云的属性计入点信息;依据抽稀的目标尺度,将地形划分为具有统一分辨率的规则格网,并将点云垂直投射至相对应的格网单元内;计算每个格网的区域地形特征复杂度Tm,Tm为该格网内所有激光点的地形复杂度均值;
步骤3.9:确定抽稀阈值;
选择典型的三种常见地形:平坦地形、一般复杂地形和特别复杂地形,分别计算出三种地形的平均地形特征复杂度为T1、T2和T3,确定min(T1,T2)和min(T2,T3)作为抽稀阈值;
步骤3.10:依据抽稀准则,完成LiDAR点云抽稀;
设计点云抽稀准则为:当0<=Tm<min(T1,T2)时,由于区域地形起伏较小,每个格网只保留一个特征点,该点为格网内高程均值点Zm,其水平坐标为格网中心点坐标;当min(T1,T2)<=Tm<min(T2,T3)时,区域地形起伏与褶皱程度较为明显,地形特征相对较大,故每个格网可保留两个特征值点,分别为格网内高程最大值点Zmax和高程最小值点Zmin;当Tm>=min(T2,T3)时,区域地形特征特别明显,起伏与褶皱程度非常大,此时每个格网须保留三个特征值点,分别为Zmax、Zmin和Zm点。遍历完成所有格网的判断与选择,实现LiDAR点云抽稀。
具体实施时,构建的多元地形特征复杂度模型可以综合评判地形特征,为点云抽稀提供有力的质量保障;通过合理设计抽稀阈值和抽稀准则,综合全面地实现了复杂地形的精确抽稀。该方法对于不同复杂地形的机载LiDAR点云数据均具有较好的适用性及鲁棒性。
综上所述,本发明提供了顾及多元地形特征的机载LiDAR点云抽稀方法,方法包括:在获得激光点坐标的前提下,进行局部地形的二次曲面LM算法拟合,实现了高程标准差、坡度、高斯曲率和粗糙度四类地形特征参数的快速提取;基于主成分分析将四类地形特征参数线性构建为多元地形特征复杂度模型,并依据抽稀准则实现点云的高精度抽稀。本发明有效解决了海量点云在数据显示、处理、存储和传输过程中占用太多内存资源,使得处理器速度缓慢且运算效率不高的问题,实现了机载LiDAR点云的高精度、强鲁棒性抽稀。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (3)
1.一种顾及多元地形特征的机载LiDAR点云抽稀方法,其特征在于:包括以下步骤:
步骤1:获取机载LiDAR点云数据,计算出激光点云坐标;
步骤2:对激光点进行局部地形的二次曲面拟合,采用LM算法迭代参数寻优,获得最优化结果下的地形拟合参数,并以地形拟合模型为基础,实现高程标准差、坡度、高斯曲率和粗糙度四类地形特征参数的提取;
步骤3:基于主成分分析,将四类地形特征变量因子线性构建为多元地形特征复杂度模型,依据获取的点云复杂度及抽稀准则,实现点云抽稀。
2.根据权利要求1所述的顾及多元地形特征的机载LiDAR点云抽稀方法,其特征在于:在步骤2中,高程标准差、坡度、高斯曲率和粗糙度四类地形特征参数的提取步骤如下:
步骤2.1:进行二次曲面LM算法拟合;
假设以r为半径,搜索给定半径区域内的所有激光点,由该区域内的所有激光点拟合形成的二次曲面模型如公式(1)所示:
f(x,y)=ax2+by2+cxy+dx+ey+f (1);
则二次曲面拟合的目标函数为:
其中,Q为目标函数;(xj,yj,zj)为点集Nj(j=1,2,…,k)内的激光点在局部坐标系中的地理坐标;a、b、c、d、e和f为二次曲面拟合参数;
步骤2.2:提取高程标准差参数;
假设点集Nj(j=1,2,…,k)内的激光点的高程值为Hj,则高程标准差σH如公式(3)所示:
步骤2.3:提取坡度参数;
步骤2.4:提取高斯曲率参数;
激光点具有最大曲率Cmax和最小曲率Cmin,对应的曲率半径分别为Rmax和Rmin,Rmax和Rmin分别是公式(5)关于曲率半径R的两个根:
(rt-s2)R2+h[2pqs-(1+p2)t-(1+q2)r]R+h4=0 (5);
根据微分几何原理,高斯曲率CG的计算如公式(6)所示:
步骤2.5:提取粗糙度参数;
地形粗糙度是地表的实际面积与投影面积之间的比值;由于地表的实际面积难以获取,故采用拟合的曲面面积代替地表实际面积进行计算;故地形粗糙度Kr由公式(7)和公式(8)计算:
其中,SS为二次拟合曲面面积,SE为曲面的投影平面面积,(x1,y1)、(x2,y2)、(x3,y3)、(x4,y4)分别是投影平面上点的水平坐标。
3.根据权利要求1所述的顾及多元地形特征的机载LiDAR点云抽稀方法,其特征在于:在步骤3中,多元地形特征复杂度模型构建及点云抽稀方法步骤如下:
步骤3.2:计算地形特征参数的协方差矩阵或相关系数矩阵;
由标准化后的矩阵向量得到各地形特征参数之间的相关系数矩阵R,作为主成分分析矩阵;rwj(w,j=1,2,3,4)为标准化后的各地形特征参数xw和xj的相关系数,且rwj=rjw,根据公式(10),计算各地形特征参数之间的相关系数矩阵R:
其中,
步骤3.3:解特征方程|λE-R|=0,计算特征值λw及对应的特征向量ew(w=1,2,3,4),使||ew||=1,即ewj表示地形特征参数j在第w个主成分中的系数值;将特征值按照大小顺序排列,λ1≥λ2≥λ3≥λ4≥0;根据公式(12)、(13),计算主成分贡献率和累计贡献率:
步骤3.4:根据公式(14),计算主成分载荷系数;
步骤3.5:根据累计贡献率的大小确定主成分的个数并分析主成分的含义;
步骤3.6:根据公式(15),对保留的各主成分进行综合,计算各地形特征参数的综合系数fj:
其中,fj表示地形特征参数j的综合系数;m为保留的主成分个数;ewj表示地形特征参数j在第w个主成分中的系数值;Sw表示第w个主成分的贡献率;
步骤3.7:构建多元地形特征复杂度模型,如公式(16)所示:
其中,T表示构建的多元地形特征复杂度模型;fj为综合系数;tj表示第j类地形特征因子;
步骤3.8:计算所有激光点的多元地形特征复杂度T,将其作为点云的属性计入点信息;依据抽稀的目标尺度,将地形划分为具有统一分辨率的规则格网,并将点云垂直投射至相对应的格网单元内;计算每个格网的区域地形特征复杂度Tm,Tm为该格网内所有激光点的地形复杂度均值;
步骤3.9:确定抽稀阈值;
选择典型的三种常见地形:平坦地形、一般复杂地形和特别复杂地形,分别计算出三种地形的平均地形特征复杂度:T1、T2和T3,将min(T1,T2)和min(T2,T3)作为抽稀阈值;
步骤3.10:依据抽稀准则,完成LiDAR点云抽稀;
点云抽稀准则为:
当0<=Tm<min(T1,T2)时,每个格网只保留一个特征点,该点为格网内高程均值点Zm,其水平坐标为格网中心点坐标;
当min(T1,T2)<=Tm<min(T2,T3)时,每个格网保留两个特征值点,分别为格网内高程最大值点Zmax和高程最小值点Zmin;
当Tm>=min(T2,T3)时,每个格网保留三个特征值点,分别为Zmax、Zmin和Zm点,遍历完成所有格网的判断与选择,实现LiDAR点云抽稀。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010122080.3A CN111369436A (zh) | 2020-02-27 | 2020-02-27 | 一种顾及多元地形特征的机载LiDAR点云抽稀方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010122080.3A CN111369436A (zh) | 2020-02-27 | 2020-02-27 | 一种顾及多元地形特征的机载LiDAR点云抽稀方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111369436A true CN111369436A (zh) | 2020-07-03 |
Family
ID=71208267
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010122080.3A Pending CN111369436A (zh) | 2020-02-27 | 2020-02-27 | 一种顾及多元地形特征的机载LiDAR点云抽稀方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111369436A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112465948A (zh) * | 2020-11-24 | 2021-03-09 | 山东科技大学 | 一种保留空间特征的车载激光路面点云抽稀方法 |
CN112950778A (zh) * | 2021-02-26 | 2021-06-11 | 西南林业大学 | 一种度量地貌褶皱的栅格化曲面的构建方法及系统 |
CN112950777A (zh) * | 2021-02-26 | 2021-06-11 | 西南林业大学 | 一种度量地形复杂程度的栅格化曲面的构建方法及系统 |
CN113344808A (zh) * | 2021-05-27 | 2021-09-03 | 武汉大学 | 一种地形自适应的规定密度机载LiDAR点云精简方法 |
CN114648621A (zh) * | 2022-04-06 | 2022-06-21 | 重庆市勘测院(重庆市地图编制中心) | 一种地面点云快速滤波方法、装置、设备及存储介质 |
CN115951371A (zh) * | 2023-03-14 | 2023-04-11 | 山东科技大学 | 一种机载LiDAR测深航带同名点确定方法 |
CN116070414A (zh) * | 2022-12-12 | 2023-05-05 | 中广核风电有限公司 | 基于地表起伏复杂程度的风资源模拟方法及装置 |
CN117036647A (zh) * | 2023-10-10 | 2023-11-10 | 中国电建集团昆明勘测设计研究院有限公司 | 基于倾斜实景三维模型的地面曲面提取方法 |
CN117455970A (zh) * | 2023-12-22 | 2024-01-26 | 山东科技大学 | 基于特征融合的机载激光测深与多光谱卫星影像配准方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110796741A (zh) * | 2019-09-24 | 2020-02-14 | 山东科技大学 | 一种基于双向布料模拟的机载激光测深点云滤波方法 |
-
2020
- 2020-02-27 CN CN202010122080.3A patent/CN111369436A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110796741A (zh) * | 2019-09-24 | 2020-02-14 | 山东科技大学 | 一种基于双向布料模拟的机载激光测深点云滤波方法 |
Non-Patent Citations (1)
Title |
---|
杨安秀 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112465948B (zh) * | 2020-11-24 | 2023-04-18 | 山东科技大学 | 一种保留空间特征的车载激光路面点云抽稀方法 |
CN112465948A (zh) * | 2020-11-24 | 2021-03-09 | 山东科技大学 | 一种保留空间特征的车载激光路面点云抽稀方法 |
CN112950778A (zh) * | 2021-02-26 | 2021-06-11 | 西南林业大学 | 一种度量地貌褶皱的栅格化曲面的构建方法及系统 |
CN112950777A (zh) * | 2021-02-26 | 2021-06-11 | 西南林业大学 | 一种度量地形复杂程度的栅格化曲面的构建方法及系统 |
CN113344808A (zh) * | 2021-05-27 | 2021-09-03 | 武汉大学 | 一种地形自适应的规定密度机载LiDAR点云精简方法 |
CN113344808B (zh) * | 2021-05-27 | 2022-06-07 | 武汉大学 | 一种地形自适应的规定密度机载LiDAR点云精简方法 |
CN114648621B (zh) * | 2022-04-06 | 2023-05-16 | 重庆市勘测院(重庆市地图编制中心) | 一种地面点云快速滤波方法、装置、设备及存储介质 |
CN114648621A (zh) * | 2022-04-06 | 2022-06-21 | 重庆市勘测院(重庆市地图编制中心) | 一种地面点云快速滤波方法、装置、设备及存储介质 |
CN116070414A (zh) * | 2022-12-12 | 2023-05-05 | 中广核风电有限公司 | 基于地表起伏复杂程度的风资源模拟方法及装置 |
CN116070414B (zh) * | 2022-12-12 | 2023-10-17 | 中广核风电有限公司 | 基于地表起伏复杂程度的风资源模拟方法及装置 |
CN115951371A (zh) * | 2023-03-14 | 2023-04-11 | 山东科技大学 | 一种机载LiDAR测深航带同名点确定方法 |
CN117036647A (zh) * | 2023-10-10 | 2023-11-10 | 中国电建集团昆明勘测设计研究院有限公司 | 基于倾斜实景三维模型的地面曲面提取方法 |
CN117036647B (zh) * | 2023-10-10 | 2023-12-12 | 中国电建集团昆明勘测设计研究院有限公司 | 基于倾斜实景三维模型的地面曲面提取方法 |
CN117455970A (zh) * | 2023-12-22 | 2024-01-26 | 山东科技大学 | 基于特征融合的机载激光测深与多光谱卫星影像配准方法 |
CN117455970B (zh) * | 2023-12-22 | 2024-05-10 | 山东科技大学 | 基于特征融合的机载激光测深与多光谱卫星影像配准方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111369436A (zh) | 一种顾及多元地形特征的机载LiDAR点云抽稀方法 | |
Bonczak et al. | Large-scale parameterization of 3D building morphology in complex urban landscapes using aerial LiDAR and city administrative data | |
WO2021232463A1 (zh) | 多源移动测量点云数据空地一体化融合方法、存储介质 | |
CN102122395A (zh) | 一种保持地形特征的自适应尺度dem建模方法 | |
CN104574512A (zh) | 一种顾及地形语义信息的多尺度dem构建方法 | |
CN113066162A (zh) | 一种用于电磁计算的城市环境快速建模方法 | |
CN115659816A (zh) | 基于孪生模型的城市内涝点预测方法及系统 | |
CN109100719A (zh) | 基于星载sar影像与光学影像的地形图联合测图方法 | |
CN114387319A (zh) | 点云配准方法、装置、设备以及存储介质 | |
CN111457930A (zh) | 一种利用车载Lidar与无人机联合的高精度测图定位方法 | |
CN114912370A (zh) | 一种建筑物光伏潜力分析可用面积计算方法 | |
Rebelo et al. | Building 3D city models: Testing and comparing Laser scanning and low-cost UAV data using FOSS technologies | |
CN113157834A (zh) | 城市局地气候分区分类的制图方法及装置 | |
CN116994012A (zh) | 一种基于生态修复的图斑匹配系统及匹配方法 | |
WO2022166510A1 (zh) | 风电场前期测风塔规划选址方法、系统、装置及存储介质 | |
CN115131571A (zh) | 一种基于点云预处理六领域的建筑物局部特征点识别方法 | |
Wang et al. | Geodesics-based topographical feature extraction from airborne LIDAR data for disaster management | |
Ye et al. | Gaussian mixture model of ground filtering based on hierarchical curvature constraints for airborne lidar point clouds | |
Guo et al. | Research on 3D geometric modeling of urban buildings based on airborne lidar point cloud and image | |
CN117876623B (zh) | 矿产资源勘查数字化地形模型生成方法 | |
CN110926428B (zh) | 一种计算太阳辐照度的遮挡检测方法及装置 | |
CN111709432B (zh) | 复杂城市环境下InSAR地面点提取方法、装置、服务器及存储介质 | |
Yanan et al. | DEM extraction and accuracy assessment based on ZY-3 stereo images | |
CN117848302B (zh) | 一种实时地形智能测绘方法及系统 | |
Xu et al. | Filtering of LIDAR Points by a Hierarchical Smoothing Method |
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 |