CN112734677B - 一种机载LiDAR点云空洞内插方法和系统 - Google Patents

一种机载LiDAR点云空洞内插方法和系统 Download PDF

Info

Publication number
CN112734677B
CN112734677B CN202110080778.8A CN202110080778A CN112734677B CN 112734677 B CN112734677 B CN 112734677B CN 202110080778 A CN202110080778 A CN 202110080778A CN 112734677 B CN112734677 B CN 112734677B
Authority
CN
China
Prior art keywords
point
hole
points
interpolation
point cloud
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
Application number
CN202110080778.8A
Other languages
English (en)
Other versions
CN112734677A (zh
Inventor
程晓光
潘瑶
严明
马爱萍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Feiyan Aviation Remote Sensing Technology Co ltd
Original Assignee
Feiyan Aviation Remote Sensing Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Feiyan Aviation Remote Sensing Technology Co ltd filed Critical Feiyan Aviation Remote Sensing Technology Co ltd
Priority to CN202110080778.8A priority Critical patent/CN112734677B/zh
Publication of CN112734677A publication Critical patent/CN112734677A/zh
Application granted granted Critical
Publication of CN112734677B publication Critical patent/CN112734677B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/77—Retouching; Inpainting; Scratch removal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06T17/005—Tree description, e.g. octree, quadtree
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/06—Topological mapping of higher dimensional structures onto lower dimensional surfaces
    • G06T3/067—Reshaping or unfolding 3D tree structures onto 2D planes
    • 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
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/12—Bounding box
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Computer Graphics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Image Generation (AREA)

Abstract

本发明公开了一种机载LiDAR点云空洞内插方法，包括：1、在投影坐标系下将类别为C的点云数据SC垂直投影到XY平面，获取点云数据在XY平面的外边界、X和Y坐标的最大值和最小值，并基于XY坐标构建点云二维空间索引；设置空洞宽度范围；2、检测并获取有效空洞点，构成有效空洞点集合Shole；3、对Shole中的有效空洞点进行聚类，得到一个或多个有效空洞点子集；4、遍历有效空洞点聚类结果，对每个有效空洞点子集进行内插。该方法可以稳健高效地检测到点云空洞，在对空洞进行内插时充分利用空洞两侧的采样点，避免只利用内插位置的最邻近采样点造成的牛眼、阶跃等内插异常情况，生成符合局部空间趋势的点云。

Description

一种机载LiDAR点云空洞内插方法和系统
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，具体涉及一种点云空洞的内插方法。
背景技术
在机载激光雷达(Light Detection And Ranging，LiDAR)点云中，经常存在大片没有点的区域，即空洞。例如，激光脉冲一般不能穿透建筑物屋顶，导致在建筑物屋顶覆盖的区域(面积可达数百数千平方米)，没有一个地面点；在郁闭度很高的森林，激光脉冲难以穿透树冠到达地面并产生有效的地面回波，这使得地面点分布非常稀疏，可能几十几百平方米内才存在一个地面点。在飞机飞行高度较高(例如大于6000m)时，为了确保机舱内的温度和压力正常，需要对机舱做密封处理，而在对LiDAR进行密封处理时，需要在发射器/接收器外安装均匀透明的玻璃板。由于玻璃板的漫反射无法完全消除，因而会有漫反射的激光脉冲进入激光接收器，在时间上和前期发射的激光脉冲的回波有重叠，有可能导致这些漫反射激光脉冲被认为是有效的回波信号，也有可能导致有效的回波信号被认为是漫反射噪声。后者会形成条带状空洞，空洞覆盖的地形的高程集中在一个狭窄的范围内，即在特定区域的特定高程范围缺乏点云，表达为细条带状的空洞。如果不对这些空洞进行内插，则后续的点云分类、DEM生成、DSM生成、等高线生成等都会受到很大的影响，尤其影响模型的精度。
对空洞进行内插，首先需要检测空洞。常见的检测方法包括Alpha-shape法、三角网法、栅格到矢量转换的方法等。这些方法存在需要在全局进行检测、计算复杂度高、执行效率低等问题。
在GIS和测绘领域常用的空间数据内插方法包括最邻近点法、双线性内插法、双三次内插法、反距离加权法、移动平均法、三角线性内插法、克里金法、最小曲率法、多元回归法、Shepard法、自然邻域法等。
双线性内插法、双三次内插法、样条函数内插法等适用于规则格网分布的采样点，不适合分布存在随机性的机载LiDAR点云。其它方法虽然可以有条件地应用在机载LiDAR点云内插中，但并不特别适合对点云空洞进行内插。其中最核心的问题是这些方法在选取采样点时一般采用和内插位置最接近的已知点作为采样点进行内插。当用在空洞内插上，会出现如图1所示的情况。在图1-(a)中，白色点为空洞左侧的已知点，灰色点为空洞右侧的已知点，白色和灰色的矩形均为空洞。如果使用最邻近的已知点作为采样点，则位于白色矩形内的内插点均会选用白色点作为采样点，而位于灰色矩形内的内插点均会选用灰色点作为采样点。作为两组不同的点，很明显，白色点和灰色点所反映的局部空间分布趋势不可能完全一致。基于此进行推断内插，得到的点分布也不会一致，很容易在白色矩形和灰色矩形交界处造成如图1-(b)所示的阶跃和不连续。图1-(b)是图1-(a)的垂直剖面图。对于地形来说，这种不连续是不能接受的。
三角线性内插法虽然在选取采样点时有可能避免只采用最邻近采样点，但是由于只取内插点落入三角形的三个顶点，所以只能进行线性内插，不能描述复杂的空间曲面。
综上所述，对于机载LiDAR点云来说，亟需一种新的空洞内插方法，能够快速高效检测点云空洞，且在内插时避免只利用最邻近采样点，而是可以利用到空洞两侧数目足够多的采样点进行内插，使内插出的点准确符合局部点云分布趋势。
发明内容
发明目的：针对现有技术中存在的问题，本发明提供一种机载LiDAR点云空洞内插方法，该方法可以稳健高效地检测到点云空洞，在对空洞进行内插时充分利用空洞两侧的采样点，避免只利用内插位置的最邻近采样点造成的牛眼、阶跃等内插异常情况，生成符合局部空间趋势的点云。
技术方案：本发明一方面公开了一种机载LiDAR点云空洞内插方法，包括：
S1、在投影坐标系下将待内插的类别为C的点云数据SC垂直投影到XY平面，获取点云数据在XY平面的外边界，计算点云数据SC X坐标的最大值xmax和最小值xmin，Y坐标的最大值ymax和最小值ymin，并基于SC的XY坐标构建点云二维空间索引；
设置空洞最小宽度wmin，最大宽度wmax；
S2、检测并获取有效空洞点，构成有效空洞点集合Shole；
S21、对点云在XY平面的投影区域进行栅格化，每个栅格是边长为dcell的正方形，dcell＝wmin/2；设X方向的栅格数为Ncol，Y方向的栅格数为Nrow；
Figure BDA0002909049460000031
为向上取整运算符；
每个栅格的中心点为二维空洞检测点，第i行第j列的二维空洞检测点cellij(xdtc,ydtc)坐标的计算方法是：
Figure BDA0002909049460000032
S22、将同时满足如下三个条件的二维空洞检测点cellij设置为有效空洞点，构成有效空洞点集合Shole：
条件1：cellij位于点云外边界内部；
条件2：在以cellij为圆心，dcell为半径的圆内没有类别为C的点；
条件3：在以cellij为圆心，wmax/2为半径的圆内有类别为C的点；
S3、对Shole中的有效空洞点进行二维欧几里得聚类，得到一个或多个有效空洞点子集；
S4、遍历有效空洞点聚类结果，对每个有效空洞点子集进行内插；m＝1,2,…,M，M为有效空洞点子集个数；对第m个有效空洞点子集Subhole,m的内插步骤为：
S4.1、对Subhole,m构建空洞构成点集合STIN,m，STIN,m中的元素为：SC中到Subhole,m中有效空洞点的距离小于预设的空洞外扩距离RTIN的点；
S4.2、以STIN,m中点的X,Y坐标为顶点，构建Delaunay三角网；
S4.3、对Subhole,m中的每个有效空洞点，生成随机分布在其附近的候选内插点，构成候选内插点集合Sitp,m；对有效空洞点(xhole,yhole)，其候选内插点X,Y坐标(xitp,yitp)为：
Figure BDA0002909049460000041
其中cx,cy为分布在[-1,1]范围内的随机数，△x为xitp偏离xhole的最大幅度，△y为yitp偏离yhole的最大幅度；
内插点数目的确定原则是尽量使得内插点密度和非空洞区域的点密度接近；设非空洞区域的平均点密度为dnohole，则每个有效空洞点平均要生成的候选内插点的数目Nitp是：
Figure BDA0002909049460000042
S4.4、遍历Sitp,m内的候选内插点，查找当前候选内插点落入Delaunay三角网中三角形的三个顶点pd,pe,pf，并计算三个顶点的最大高程差△h；对Sitp,m内所有的候选内插点，计算△h的平均值
Figure BDA0002909049460000043
如果/>
Figure BDA0002909049460000044
不小于预设的高程差阈值，则称所述Sitp,m内的候选内插点为内插点，对所述内插点的高程值进行内插；
内插点高程的计算方法为：
在SC中分别查找pd,pe,pf的K个最邻近点，构成采样点集合Ssamp，K的取值为使Ssamp中的点数满足内插算法要求的最小点数；
根据Ssamp中的采样点，采用内插算法确定所述内插点的高程。
步骤S1中采用KD树或四叉树建立点云二维空间索引。
步骤S22中采用射线法判断二维空洞检测点是否在点云外边界内部。
步骤S3对Shole中的有效空洞点采用二维欧几里得聚类，聚类最小点数
Figure BDA0002909049460000045
聚类最大点数/>
Figure BDA0002909049460000046
其中Amin和Amax分别为待内插空洞的最小面积和最大面积；聚类的搜索半径为REC，且/>
Figure BDA0002909049460000047
内插算法包括且不限于：反距离加权法、Shepard法、移动曲面法、自然邻域法、三角线性内插法、最小曲率法。
另一方面，本发明还公开了一种机载LiDAR点云空洞内插系统，包括：
点云二维空间索引模块(1)，用于在投影坐标系下将待内插的类别为C的点云数据SC垂直投影到XY平面，获取点云数据在XY平面的外边界，计算点云数据SC X坐标的最大值xmax和最小值xmin，Y坐标的最大值ymax和最小值ymin，并基于SC的XY坐标构建点云二维空间索引；
内插参数设置模块(2)，用于设置空洞最小宽度wmin，最大宽度wmax；
空洞检测模块(3)，用于检测并获取有效空洞点，构成有效空洞点集合Shole；包括：
投影区域栅格化模块(3-1)，用于对点云在XY平面的投影区域进行栅格化，每个栅格是边长为dcell的正方形，dcell＝wmin/2；设X方向的栅格数为Ncol，Y方向的栅格数为Nrow；
Figure BDA0002909049460000051
为向上取整运算符；
每个栅格的中心点为二维空洞检测点，第i行第j列的二维空洞检测点cellij(xdtc,ydtc)坐标的计算方法是：
Figure BDA0002909049460000052
有效空洞点判断模块(3-2)，用于将同时满足如下三个条件的二维空洞检测点cellij设置为有效空洞点，构成有效空洞点集合Shole：
条件1：cellij位于点云外边界内部；
条件2：在以cellij为圆心，dcell为半径的圆内没有类别为C的点；
条件3：在以cellij为圆心，wmax/2为半径的圆内有类别为C的点；
有效空洞点聚类模块(4)，用于对Shole中的有效空洞点进行聚类，得到一个或多个有效空洞点子集；
有效空洞点子集内插模块(5)，用于遍历有效空洞点聚类结果，对每个有效空洞点子集进行内插；包括：
空洞构成点集合构建模块(5-1)，用于对Subhole,m生成空洞构成点集合STIN,m，STIN,m中的元素为：SC中到Subhole,m中有效空洞点距离小于预设的空洞外扩距离RTIN的点；
Delaunay三角网构建模块(5-2)，用于以STIN,m中点的X,Y坐标为顶点，构建Delaunay三角网；
候选内插点集合构建模块(5-3)，用于对Subhole,m中的每个有效空洞点，生成随机分布在其附近的候选内插点，构成候选内插点集合Sitp,m；对有效空洞点(xhole,yhole)，其候选内插点X,Y坐标(xitp,yitp)为：
Figure BDA0002909049460000061
其中cx,cy为分布在[-1,1]范围内的随机数，△x为xitp偏离xhole的最大幅度，△y为yitp偏离yhole的最大幅度；
内插点数目的确定原则是尽量使得内插点密度和非空洞区域的点密度接近；设非空洞区域的平均点密度为dnohole，则每个有效空洞点平均要生成的候选内插点的数目Nitp是
Figure BDA0002909049460000062
内插点高程值设置模块(5-4)，用于遍历Sitp,m内的候选内插点，查找当前候选内插点落入Delaunay三角网中三角形的三个顶点pd,pe,pf，并计算三个顶点的最大高程差△h；对Sitp,m内的所有候选内插点，计算△h的平均值
Figure BDA0002909049460000063
如果/>
Figure BDA0002909049460000064
不小于预设的高程差阈值，则Sitp,m内的候选内插点为内插点，对所述内插点的高程值进行内插；
内插点高程的计算方法为：
在SC中分别查找pd,pe,pf的K个最邻近点，构成采样点集合Ssamp，K的取值为使Ssamp中的点数满足内插算法要求的最小点数；
根据Ssamp中的采样点，采用内插算法确定所述内插点的高程。
有益效果：本发明公开的机载LiDAR点云空洞内插方法能够快速检测空洞，不需要逐点将点分入网格，执行效率高。相比传统的空间数据内插方法，该方法可以有效利用到空洞两侧的点云做采样点，且采样点的数目能有充分保证，能够描绘复杂的地形，不需要不断尝试新半径或窗口大小，避免了传统只采用最邻近采样点造成的阶跃或牛眼等问题，可以确保内插出的点既在空洞延伸方向上连续，也在空洞延伸方向的垂直方向上连续。该方法采用空洞周边点构建Delaunay三角网，降低了构网的计算复杂度和对存储空间的要求。
附图说明
图1为采用最邻近采样点进行内插造成高程阶跃、不连续的示意图；
图2为本发明公开的机载LiDAR点云空洞内插方法的流程图；
图3为采用同向法判断点是否落入某三角形的流程图；
图4为机载LiDAR点云空洞内插系统的组成示意图。
具体实施方式
下面结合附图和具体实施方式，进一步阐明本发明。
对于机载LiDAR来说，原始点云数据一般经过坐标变换到投影坐标系下进行处理。投影坐标系是由大地基准面和地图投影方法共同确定的。在中国，机载LiDAR点云常用的高斯-克吕格投影、通用横轴墨卡托投影等，以中央经线和赤道的交点作为坐标原点，以中央经线的投影为纵坐标X轴，以赤道的投影为横坐标Y轴。点云高程(通常表达为Z坐标值)为点相对于大地基准面的高度。本实施例是在投影坐标系下对点云数据中的空洞进行内插。
测区机载LiDAR点云中包含多种类别的点，对这些点进行分类，如分为地面点、低植被点等类别。对待进行内插处理类别的点云按本发明公开的机载LiDAR点云空洞内插方法进行处理，如图2所示，包括：
S1、在投影坐标系下将待内插的类别为C的点云数据SC垂直投影到XY平面，获取点云数据在XY平面的外边界，计算点云数据SC X坐标的最大值xmax和最小值xmin，Y坐标的最大值ymax和最小值ymin，并基于SC的XY坐标构建点云二维空间索引；本实施例采用KD树或四叉树建立点云二维空间索引。C为待进行内插处理的类别。
xmax和xmin，ymax和ymin可以通过计算SC在XY平面的矩形包围盒来获取，(xmin,ymin)和(xmax,ymax)为该矩形包围盒对角线的两端点。
点云外边界可以采用基于栅格到矢量转换算法、Alpha-shape算法、基于不规则三角网追踪外边界等方法获取到。
设置空洞最小宽度wmin，最大宽度wmax；wmin和wmax可以通过使用点云处理软件在平面模式下测量空洞宽度分布范围获得，但是，一般要保证wmin大于非空洞区域的点云密度对应的点间距。设非空洞区域的点密度为Q点/m2，则需要保证
Figure BDA0002909049460000081
S2、检测并获取有效空洞点，构成有效空洞点集合Shole，包括：
S21、对点云在XY平面的投影区域进行栅格化，每个栅格是边长为dcell的正方形，dcell＝wmin/2；设X方向的栅格数为Ncol，Y方向的栅格数为Nrow；
Figure BDA0002909049460000082
为向上取整运算符；
每个栅格的中心点为二维空洞检测点，第i行第j列的二维空洞检测点cellij(xdtc,ydtc)坐标的计算方法是：
Figure BDA0002909049460000083
S22、将同时满足如下三个条件的二维空洞检测点cellij设置为有效空洞点，构成有效空洞点集合Shole：
条件1：cellij位于点云外边界内部；本实施例中采用射线法判断二维空洞检测点cellij是否在点云外边界内部；
条件2：在以cellij为圆心，dcell为半径的圆内没有类别为C的点；
条件3：在以cellij为圆心，wmax/2为半径的圆内有类别为C的点；
本实施例中，可以通过点云二维空间索引进行检索，判断圆内是否有SC中的点。
条件1的设置是为了保证空洞检测点在点云内；条件2和条件3的设置是为了检测宽度在wmin～wmax的空洞。
S3、对Shole中的有效空洞点进行聚类，得到一个或多个有效空洞点子集；
本实施例中对Shole中的有效空洞点采用二维欧几里得聚类，聚类最小点数Nmin和聚类最大点数Nmax的取值与待内插的空洞的大小直接相关，本实施例中取值为：
Figure BDA0002909049460000091
其中Amin和Amax分别为预设的空洞最小面积和最大面积，可根据点云数据中空洞的具体情况进行设置，或者依据经验设置；聚类的搜索半径为REC，且
Figure BDA0002909049460000092
本实施例中REC＝2dcell。
S4、遍历有效空洞点聚类结果，对每个有效空洞点子集进行内插；m＝1,2,…,M，M为有效空洞点子集个数；对第m个有效空洞点子集Subhole,m的内插步骤为：
S4.1、对Subhole,m生成空洞构成点集合STIN,m，STIN,m中的元素为：SC中到Subhole,m中有效空洞点距离小于预设的空洞外扩距离RTIN的点；
本实施例中，利用点云二维空间索引在SC中搜索与Subhole,m中的有效空洞点二维欧几里得距离小于RTIN的点，构成与Subhole,m对应的空洞构成点集合STIN,m。RTIN控制了空洞外扩的距离，必须大于dcell，一般来说，取2dcell～3dcell足够，取太大的值会增大后续构建Delaunay三角网的计算量。
S4.2、以STIN,m中点的X,Y坐标为顶点，构建Delaunay三角网；可以采用逐点插入法、逐步生长法、Bowyer-Watson方法、分割-归并方法等算法实现；
S4.3、对Subhole,m中的每个有效空洞点，生成随机分布在其附近的候选内插点，构成候选内插点集合Sitp,m；对有效空洞点(xhole,yhole)，其候选内插点X,Y坐标(xitp,yitp)为：
Figure BDA0002909049460000101
其中cx,cy为分布在[-1,1]范围内的随机数，△x为xitp偏离xhole的最大幅度，△y为yitp偏离yhole的最大幅度；△x和△y均要大于0，小于dcell/2。
内插点数目的确定原则是尽量使得内插点密度和非空洞区域的点密度接近。设非空洞区域的平均点密度为dnohole，则每个有效空洞点平均要生成的候选内插点的数目Nitp是：
Figure BDA0002909049460000102
S4.4、遍历Sitp,m内的候选内插点，查找当前候选内插点落入Delaunay三角网中三角形的三个顶点pd,pe,pf；查找落入三角形的方法可以是内角和法、同向法、重心法等，图3是使用同向法判断候选内插点是否位于某三角形内的流程图。
计算三个顶点的最大高程差△h：△h＝max(hd,he,hf)-min(hd,he,hf)，hd,he,hf分别为pd,pe,pf的高程值，max(·)和min(·)分别为计算最大值和最小值的函数。
对Sitp,m内所有的候选内插点，计算△h的平均值
Figure BDA0002909049460000103
如果
Figure BDA0002909049460000104
不小于预设的高程差阈值△hthre，则Sitp,m内的候选内插点为内插点，对所述内插点的高程值进行内插；
即：如果
Figure BDA0002909049460000105
则不对该有效空洞点子集进行内插。△hthre为预设的高程差阈值，可以取一个经验值，如1.5m、2m等。此处对/>
Figure BDA0002909049460000106
较小的空洞不做处理，是为了避免对水体等正常空洞进行内插。
设置内插点高程的方法为：
利用点云二维空间索引在SC中分别查找pd,pe,pf的K个最邻近点，构成采样点集合Ssamp，K取值为使Ssamp中的点数满足内插算法要求的最小点数。设Ssamp内采样点数为Nsamp，内插算法要求至少N′samp个采样点，则需要保证Nsamp≥N′samp。因为三角形三个顶点的K个最邻近点之间可能有重合，所以3K≥Nsamp≥N′samp，因此K的最小取值是
Figure BDA0002909049460000111
如果K取
Figure BDA0002909049460000112
不能使Nsamp满足Nsamp≥N′samp，则需要进一步增大K；
根据Ssamp中的采样点，采用内插算法确定所述内插点的高程。
内插算法包括且不限于：反距离加权法、Shepard法、移动曲面法、自然邻域法、三角线性内插法、最小曲率法，但要避免使用最邻近法。
本实施例还公开了实现上述机载LiDAR点云空洞内插方法的系统，如图4所示，包括：
点云二维空间索引模块1，用于在投影坐标系下将待内插的类别为C的点云数据SC垂直投影到XY平面，获取点云数据在XY平面的外边界，计算点云数据SC X坐标的最大值xmax和最小值xmin，Y坐标的最大值ymax和最小值ymin，并基于SC的XY坐标构建点云二维空间索引；
内插参数设置模块2，用于设置空洞最小宽度wmin，最大宽度wmax；
空洞检测模块3，用于检测并获取有效空洞点，构成有效空洞点集合Shole；包括：
投影区域栅格化模块3-1，用于对点云在XY平面的投影区域进行栅格化，每个栅格是边长为dcell的正方形，dcell＝wmin/2；设X方向的栅格数为Ncol，Y坐标方向的栅格数为Nrow；
Figure BDA0002909049460000113
为向上取整运算符；
每个栅格的中心点为二维空洞检测点，第i行第j列的二维空洞检测点cellij(xdtc,ydtc)坐标的计算方法是：
Figure BDA0002909049460000114
有效空洞点判断模块3-2，用于将同时满足如下三个条件的二维空洞检测点cellij设置为有效空洞点，构成有效空洞点集合Shole：
条件1：cellij位于点云外边界内部；
条件2：在以cellij为圆心，dcell为半径的圆内没有类别为C的点；
条件3：在以cellij为圆心，wmax/2为半径的圆内有类别为C的点；
有效空洞点聚类模块4，用于对Shole中的有效空洞点进行二维欧几里得聚类，得到一个或多个有效空洞点子集；
有效空洞点子集内插模块5，用于遍历有效空洞点聚类结果，对每个有效空洞点子集进行内插；包括：
空洞构成点集合构建模块5-1，用于对Subhole,m构建空洞构成点集合STIN,m，STIN,m中的元素为：SC中到Subhole,m中有效空洞点的距离小于预设的空洞外扩距离RTIN的点；
Delaunay三角网构建模块5-2，用于以STIN,m中点的X,Y坐标为顶点，构建Delaunay三角网；
候选内插点集合构建模块5-3，用于对Subhole,m中的每个有效空洞点，生成随机分布在其附近的候选内插点，构成候选内插点集合Sitp,m；对有效空洞点(xhole,yhole)，其候选内插点X,Y坐标(xitp,yitp)为：
Figure BDA0002909049460000121
其中cx,cy为分布在[-1,1]范围内的随机数，△x为xitp偏离xhole的最大幅度，△y为yitp偏离yhole的最大幅度；
内插点数目的确定原则是尽量使得内插点密度和非空洞区域的点密度接近；设非空洞区域的平均点密度为dnohole，则每个有效空洞点平均要生成的候选内插点的数目Nitp是
Figure BDA0002909049460000122
内插点高程值设置模块5-4，用于遍历Sitp,m内的候选内插点，查找其落入Delaunay三角网中三角形的三个顶点pd,pe,pf，并计算三个顶点的最大高程差△h；对Sitp,m内所有候选内插点，计算△h的平均值
Figure BDA0002909049460000131
如果/>
Figure BDA0002909049460000132
不小于预设的高程差阈值，则称Sitp,m内的候选内插点为内插点，对内插点的高程值进行内插；
内插点高程的设置方法为：
在SC中分别查找pd,pe,pf的K个最邻近点，构成采样点集合Ssamp，K的取值为使Ssamp中的点数满足内插算法要求的最小点数；
根据Ssamp中的采样点，采用内插算法确定所述内插点的高程。

Claims (10)

1.一种机载LiDAR点云空洞内插方法，其特征在于，包括：
S1、在投影坐标系下将待内插的类别为C的点云数据SC垂直投影到XY平面，获取点云数据在XY平面的外边界，计算点云数据SC X坐标的最大值xmax和最小值xmin，Y坐标的最大值ymax和最小值ymin，并基于SC的XY坐标构建点云二维空间索引；
设置空洞最小宽度wmin，最大宽度wmax；
S2、检测并获取有效空洞点，构成有效空洞点集合Shole，包括：
S21、对点云在XY平面的投影区域进行栅格化，每个栅格为边长是dcell的正方形，dcell＝wmin/2；设X方向的栅格数为Ncol，Y方向的栅格数为Nrow；
Figure FDA0002909049450000011
Figure FDA0002909049450000012
为向上取整运算符；
每个栅格的中心点为二维空洞检测点，第i行第j列的二维空洞检测点cellij(xdtc,ydtc)坐标的计算方法是：
Figure FDA0002909049450000013
S22、将同时满足如下三个条件的二维空洞检测点cellij设置为有效空洞点，构成有效空洞点集合Shole：
条件1：cellij位于点云外边界内部；
条件2：在以cellij为圆心，dcell为半径的圆内没有类别为C的点；
条件3：在以cellij为圆心，wmax/2为半径的圆内有类别为C的点；
S3、对Shole中的有效空洞点进行二维欧几里得聚类，得到一个或多个有效空洞点子集；
S4、遍历有效空洞点聚类结果，对每个有效空洞点子集进行内插；m＝1,2,…,M，M为有效空洞点子集个数；对第m个有效空洞点子集Subhole,m的内插步骤为：
S4.1、对Subhole,m生成空洞构成点集合STIN,m，STIN,m中的元素为：SC中到Subhole,m中有效空洞点的距离小于预设的空洞外扩距离RTIN的点；
S4.2、以STIN,m中点的X,Y坐标为顶点，构建Delaunay三角网；
S4.3、对Subhole,m中的每个有效空洞点，生成随机分布在其附近的候选内插点，构成候选内插点集合Sitp,m；对有效空洞点(xhole,yhole)，其候选内插点X,Y坐标(xitp,yitp)为：
Figure FDA0002909049450000021
其中cx,cy为分布在[-1,1]范围内的随机数，△x为xitp偏离xhole的最大幅度，△y为yitp偏离yhole的最大幅度；
内插点数目的确定原则是尽量使得内插点密度和非空洞区域的点密度接近；设非空洞区域的平均点密度为dnohole，则每个有效空洞点平均要生成的候选内插点的数目Nitp是：
Figure FDA0002909049450000022
S4.4、遍历Sitp,m内的候选内插点，查找当前候选内插点落入Delaunay三角网中三角形的三个顶点pd,pe,pf，并计算三个顶点的最大高程差△h；对Sitp,m内所有候选内插点，计算△h的平均值
Figure FDA0002909049450000023
如果/>
Figure FDA0002909049450000024
不小于预设的高程差阈值，则称Sitp，m内的候选内插点为内插点，对所述内插点的高程值进行内插；
内插点高程的计算方法为：
在SC中分别查找pd,pe,pf的K个最邻近点，构成采样点集合Ssamp，K的取值为使Ssamp中的点数满足内插算法要求的最小点数；
根据Ssamp中的采样点，采用内插算法确定所述内插点的高程。
2.根据权利要求1所述的机载LiDAR点云空洞内插方法，其特征在于，所述步骤S1中采用KD树或四叉树建立点云二维空间索引。
3.根据权利要求1所述的机载LiDAR点云空洞内插方法，其特征在于，所述步骤S22中采用射线法判断二维空洞检测点是否在点云外边界内部。
4.根据权利要求1所述的机载LiDAR点云空洞内插方法，其特征在于，所述步骤S3对Shole中的有效空洞点采用二维欧几里得聚类，聚类最小点数
Figure FDA0002909049450000031
聚类最大点数
Figure FDA0002909049450000032
其中Amin和Amax分别为预设的空洞最小面积和最大面积，int为取整函数；聚类的搜索半径为REC，且/>
Figure FDA0002909049450000033
5.根据权利要求1所述的机载LiDAR点云空洞内插方法，其特征在于，所述内插算法包括且不限于：反距离加权法、Shepard法、移动曲面法、自然邻域法、三角线性内插法、最小曲率法。
6.一种机载LiDAR点云空洞内插系统，其特征在于，包括：
点云二维空间索引模块(1)，用于在投影坐标系下将待内插的类别为C的点云数据SC垂直投影到XY平面，获取点云数据在XY平面的外边界，计算点云数据SC X坐标的最大值xmax和最小值xmin，Y坐标的最大值ymax和最小值ymin，并基于SC的XY坐标构建点云二维空间索引；
内插参数设置模块(2)，用于设置空洞最小宽度wmin，最大宽度wmax；
空洞检测模块(3)，用于检测并获取有效空洞点，构成有效空洞点集合Shole；包括：
投影区域栅格化模块(3-1)，用于对点云在XY平面的投影区域进行栅格化，每个栅格为边长是dcell的正方形，dcell＝wmin/2；设X方向的栅格数为Ncol，Y方向的栅格数为Nrow；
Figure FDA0002909049450000034
Figure FDA0002909049450000035
为向上取整运算符；
每个栅格的中心点为二维空洞检测点，第i行第j列的二维空洞检测点cellij(xdtc,ydtc)坐标的计算方法是：
Figure FDA0002909049450000041
有效空洞点判断模块(3-2)，用于将同时满足如下三个条件的二维空洞检测点cellij设置为有效空洞点，构成有效空洞点集合Shole：
条件1：cellij位于点云外边界内部；
条件2：在以cellij为圆心，dcell为半径的圆内没有类别为C的点；
条件3：在以cellij为圆心，wmax/2为半径的圆内有类别为C的点；
有效空洞点聚类模块(4)，用于对Shole中的有效空洞点进行二维欧几里得聚类，得到一个或多个有效空洞点子集；
有效空洞点子集内插模块(5)，用于遍历有效空洞点聚类结果，对每个有效空洞点子集进行内插；包括：
空洞构成点集合构建模块(5-1)，用于对Subhole,m构建空洞构成点集合STIN,m，STIN,m中的元素为：SC中到Subhole,m中有效空洞点的距离小于预设的空洞外扩距离RTIN的点；
Delaunay三角网构建模块(5-2)，用于以STIN,m中点的X,Y坐标为顶点，构建Delaunay三角网；
候选内插点集合构建模块(5-3)，用于对Subhole,m中的每个有效空洞点，生成随机分布在其附近的候选内插点，构成候选内插点集合Sitp,m；对有效空洞点(xhole,yhole)，其候选内插点X,Y坐标(xitp,yitp)为：
Figure FDA0002909049450000042
其中cx,cy为分布在[-1,1]范围内的随机数，△x为xitp偏离xhole的最大幅度，△y为yitp偏离yhole的最大幅度；
内插点数目的确定原则是尽量使得内插点密度和非空洞区域的点密度接近；设非空洞区域的平均点密度为dnohole，则每个有效空洞点平均要生成的候选内插点的数目Nitp是：
Figure FDA0002909049450000051
内插点高程值设置模块(5-4)，用于遍历Sitp,m内的候选内插点，查找当前候选内插点落入Delaunay三角网中三角形的三个顶点pd,pe,pf，计算三个顶点的最大高程差△h；对Sitp,m内所有候选内插点，计算△h的平均值
Figure FDA0002909049450000055
如果/>
Figure FDA0002909049450000056
不小于预设的高程差阈值，则Sitp,m内的候选内插点为内插点，对内插点的高程值进行内插；
内插点高程的设置方法为：
在SC中分别查找pd,pe,pf的K个最邻近点，构成采样点集合Ssamp，K的取值为使Ssamp中的点数满足内插算法要求的最小点数；
根据Ssamp中的采样点，采用内插算法确定所述内插点的高程。
7.根据权利要求6所述的机载LiDAR点云空洞内插系统，其特征在于，所述点云二维空间索引模块(1)采用KD树或四叉树建立点云二维空间索引。
8.根据权利要求6所述的机载LiDAR点云空洞内插系统，其特征在于，所述有效空洞点判断模块(3-2)采用射线法判断二维空洞检测点是否在点云外边界内部。
9.根据权利要求6所述的机载LiDAR点云空洞内插系统，其特征在于，所述有效空洞点聚类模块(4)对Shole中的有效空洞点采用二维欧几里得聚类，聚类最小点数
Figure FDA0002909049450000052
聚类最大点数/>
Figure FDA0002909049450000053
其中Amin和Amax分别为预设的空洞最小面积和最大面积；聚类的搜索半径为REC，且/>
Figure FDA0002909049450000054
10.根据权利要求6所述的机载LiDAR点云空洞内插系统，其特征在于，所述内插点高程值设置模块(5-4)中采用的内插算法包括且不限于：反距离加权法、Shepard法、移动曲面法、自然邻域法、三角线性内插法、最小曲率法。
CN202110080778.8A 2021-01-21 2021-01-21 一种机载LiDAR点云空洞内插方法和系统 Active CN112734677B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110080778.8A CN112734677B (zh) 2021-01-21 2021-01-21 一种机载LiDAR点云空洞内插方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110080778.8A CN112734677B (zh) 2021-01-21 2021-01-21 一种机载LiDAR点云空洞内插方法和系统

Publications (2)

Publication Number Publication Date
CN112734677A CN112734677A (zh) 2021-04-30
CN112734677B true CN112734677B (zh) 2023-07-11

Family

ID=75594728

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110080778.8A Active CN112734677B (zh) 2021-01-21 2021-01-21 一种机载LiDAR点云空洞内插方法和系统

Country Status (1)

Country Link
CN (1) CN112734677B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113624133A (zh) * 2021-08-05 2021-11-09 合肥阳光智维科技有限公司 一种故障定位方法、装置及电子设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012150060A (ja) * 2011-01-20 2012-08-09 Univ Of Tsukuba 空洞計測装置及びレーザプローブ装置
CN110008207A (zh) * 2019-03-28 2019-07-12 武汉大学 基于密度直方图的机载LiDAR点云数据漏洞快速检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012150060A (ja) * 2011-01-20 2012-08-09 Univ Of Tsukuba 空洞計測装置及びレーザプローブ装置
CN110008207A (zh) * 2019-03-28 2019-07-12 武汉大学 基于密度直方图的机载LiDAR点云数据漏洞快速检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
空间边界缓冲区切片曲线拟合在点云空洞修补中的应用;林松;田林亚;毕继鑫;朱依民;;测绘科学技术学报(第02期);全文 *

Also Published As

Publication number Publication date
CN112734677A (zh) 2021-04-30

Similar Documents

Publication Publication Date Title
CN110490888B (zh) 基于机载激光点云的高速公路几何特征矢量化提取方法
CN111028327B (zh) 一种三维点云的处理方法、装置及设备
CN111209828B (zh) 从机载激光雷达点云中提取建筑物屋顶点的方法和系统
CN106886980B (zh) 一种基于三维激光雷达目标识别的点云密度增强的方法
JP6756889B1 (ja) 渦検出装置、渦検出方法、プログラム及び学習済モデル
CN111369600B (zh) 一种基于参照物的激光雷达点云数据配准方法
CN112381862B (zh) 一种cad模型与三角网格全自动配准方法和装置
CN108169751A (zh) 一种天气雷达基数据三维栅格化方法、计算机可读存储介质及电子设备
CN109255837B (zh) 一种用于激光雷达点云数据处理的高效b样条曲面的构造方法
CN112734677B (zh) 一种机载LiDAR点云空洞内插方法和系统
CN114332291A (zh) 一种倾斜摄影模型建筑物外轮廓规则提取方法
CN113569958A (zh) 激光点云数据聚类方法、装置、设备及介质
CN116109601A (zh) 一种基于三维激光雷达点云的实时目标检测方法
CN116189147A (zh) 一种基于yolo的三维点云低功耗快速目标检测方法
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
CN112669458A (zh) 基于激光点云进行地面滤波的方法、设备和程序载体
CN111736167B (zh) 一种获取激光点云密度的方法和装置
CN113269889B (zh) 一种基于椭圆域的自适应点云目标聚类方法
CN112734619B (zh) 一种面向检测特征扫描不确定度的自由曲面覆盖视点自动采样方法
CN114398996A (zh) 目标处理方法以及控制系统
WO2024007869A1 (zh) 水平度校验方法、终端和计算机可读存储介质
CN111598941A (zh) 一种杆塔倾斜度测量方法、装置、设备及存储介质
Liu et al. A localizability estimation method for mobile robots based on 3d point cloud feature
CN116500648A (zh) 一种地基激光雷达目标区风廓线反演方法
CN115932883A (zh) 基于激光雷达的导线舞动边界识别方法

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