CN113589319A - 一种迭代极小值激光雷达点云滤波方法 - Google Patents
一种迭代极小值激光雷达点云滤波方法 Download PDFInfo
- Publication number
- CN113589319A CN113589319A CN202111168061.5A CN202111168061A CN113589319A CN 113589319 A CN113589319 A CN 113589319A CN 202111168061 A CN202111168061 A CN 202111168061A CN 113589319 A CN113589319 A CN 113589319A
- Authority
- CN
- China
- Prior art keywords
- point
- point cloud
- ground
- clouds
- points
- 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
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
-
- 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
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (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)
- Electromagnetism (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明公开了一种迭代极小值的激光雷达点云滤波方法，首先对雷达点云数据进行预处理；然后按点云高程进行排序，将高程最小的点云确定为初始地面点，同时将该高程最小点云的高度阈值范围内的点云标记为地面参考点，将该高程最小点云高度阈值范围外的其他点云标记为非地面参考点，对没有被标记过的点云重复上述步骤，直到所有的点云都进行了初始分类；再以地面参考点点集构建地面参考面，对点云数据精分类；最后去除地面边缘处孤立点，确定滤波结果。本发明的激光雷达点云滤波方法，能有效的将地面点与非地面点进行分离，设置参数较少，且阈值具备一定的自适应性，对于绝大多数场景具备普适性。
Description
技术领域
本发明涉及激光雷达数据处理技术领域，具体涉及激光雷达点云地面点滤波，尤其是涉及一种迭代极小值激光雷达点云滤波方法。
背景技术
激光雷达(Light Detection and Ranging，LiDAR)是一种高效获取空间三维信息的探测技术，它使得更直接、更方便地获取地球三维表面信息成为可能。目前已被广泛应用于城市三维建模、地质灾害监测、森林资源调查、矿山测量和文物保护等。点云滤波是将非地面点从点云数据中剔除的过程，是获取地面点并生成地面高程模型的关键步骤。
在过去二十年中，行业内提出了许多著名的滤波方法，由于地形的多样性和地物的复杂性，激光雷达点云滤波仍处于研究和发展阶段，存在许多困难，大多数滤波算法在平面和简单的场景中表现良好，然而，当遇到陡峭的景观与茂密的植被时，大多数滤波算法存在问题。目前LiDAR点云滤波方法主要有数学形态学的算法、地形坡度的算法和不规则三角网的算法等。传统的数学形态学滤波是使用固定大小的结构元素窗口对点云进行运算，通过计算点云滤波前后的高程差变化确定点云属性，但难以根据不同地形特征自动调整滤波窗口大小。文献“Vosselman（G. Vosselmann, “Slope Based Filtering of LaserAltimetry Data,” International Archives of Photogrammetry and Remote Sensing,Amsterdam, Vol. 33(B3), 2000, pp. 935-942.”中提出了基于坡度的滤波算法，该方法能将地形细节特征较好的保留，但坡度阈值需根据不同地形设定，自适应性较差，且在地形突变区域效果差。文献“Axelsson, P. (2000) DEM Generation from Laser ScannerData Using Adaptive TIN Models. International Archives of Photogrammetry andRemote Sensing, 33, 111-118.”中提出了一种基于不规则三角网（TIN）的逐渐加密滤波算法，对于不同密度数据都有一定的适用性。但滤波计算量大，对于不同地形需要分块处理，设置不同的滤波阈值。此外，文献“Zhang, W., J. Qi, P. Wan, H. Wang and G. J.R. S. Yan (2016). "An Easy-to-Use Airborne LiDAR Data Filtering Method Basedon Cloth Simulation." 8(6): 501.”中提出的布料模拟滤波算法(cloth simulationfiltering，CSF)，其相较于传统滤波方法参数较少且易于设置，在处理各类地形上更具便利性，受到广泛关注。
尽管现有滤波算法在相关数据测试和实际应用中取得了较为理想的效果，众多滤波算法也在不同类型的场景中体现出各自的优势，但仍然存在一些缺陷。目前滤波算法精度容易受滤波参数影响，较好的滤波效果在多数情况下均需要人为设置滤波参数，且参数设置较为复杂，同时滤波算法缺乏普适性，在一种场景中表现优异的算法，可能在另一种场景中很难达到预期效果。
发明内容
本发明的目的在于提供一种迭代极小值激光雷达点云滤波方法，以解决现有技术存在的上述缺陷。本发明充分考虑了不同场景对于滤波算法的影响，尽可能的减少滤波参数，提高滤波参数的自适应性。
为了实现上述目的，本发明提供了一种迭代极小值激光雷达点云滤波方法，包括如下步骤：
步骤1、对获取的激光雷达点云数据进行预处理；
步骤2、按点云高程进行排序，将高程最小的点云确定为初始地面点，同时将该高程最小点云的高度阈值范围内的点云标记为地面参考点，将该高程最小点云高度阈值范围外的其他点云标记为非地面参考点，对没有被标记过的点云重复上述步骤，直到所有的点云都进行了初始分类；
步骤3、再以地面参考点点集构建地面参考面，对点云进行精分类；
步骤4、去除地面边缘处孤立点，确定滤波结果。
进一步的，所述步骤1中，激光雷达点云数据预处理包括数据读取、点云抽稀和点云显示。
进一步的，所述步骤2包括以下步骤：
步骤2.1、从点云数据中提取空间位置信息，并对点云数据信息增加“是否判断”及“判断类别”两项内容；建立KD树，设置水平阈值和垂直阈值；
步骤2.2、提取高程最小的点云，根据K最近邻搜索算法筛选出该高程最小点云在水平阈值范围内的点云，用筛选出的点云与该高程最小的点云之间的垂直距离作为判断依据，将垂直阈值范围内的点云视为地面参考点，否则标记为非地面参考点，并将提取的所有点云标记为“已判断”；
步骤2.3、提取未判断的点，在未判断的点云中继续提取高程最小的点云，重复所述步骤2.2，直到所有的点云都被标记为“已判断”，地面点与非地面点得到初步分离。
进一步的，所述步骤3中，对非地面参考点进行精判断的具体过程为：首先在所有点云中随机选取一些点云，接着计算这些随机点云与所有点云之间的距离，并以所有最小距离的平均值作为栅格分辨率建立地面参考面，最后利用K最近邻搜索算法结合垂直距离判断，对错分的点云进行校正。
进一步的，采用欧式距离度量两个点云之间的实际距离，表达式如下：
进一步的，所述步骤4中，去除地面边缘处孤立点的具体操作是：采用K最近邻搜索算法判断完成，通过比较点云间的距离与最近邻阈值，判断该点是否为孤立点，随后剔除孤立点。其中，若地面点与最近邻点的距离大于阈值，则判断为该点为孤立点。
相比于现有技术，本发明具有以下有益效果：
本发明的一种迭代极小值的激光雷达点云滤波方法，首先对激光雷达点云数据进行预处理；然后按点云高程进行排序，将高程最小的点云确定为初始地面点，同时将该高程最小点云的高度阈值范围内的点云标记为地面参考点，将该高程最小点云高度阈值范围外的其他点云标记为非地面参考点；对没有被标记过的点云重复上述步骤，直到所有的点云都进行了初始分类；再以地面参考点点集构建地面参考面，对点云数据精分类；最后去除地面边缘处孤立点，确定滤波结果。本发明能有效的将地面点与非地面点进行分离，设置参数较少，且阈值具备一定的自适应性，对于绝大多数场景具备普适性。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。
附图说明
附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
图1是本发明一种迭代极小值激光雷达点云滤波方法的一个实施例的流程示意图。
图2是水平阈值和垂直阈值对本发明方法第Ⅰ类误差的敏感性分析图；
图3是水平阈值和垂直阈值对本发明方法第Ⅱ类误差的敏感性分析图；
图4是水平阈值和垂直阈值对本发明方法总误差的敏感性分析图；
图5是平坦样地samp21的原始点云分布图；
图6是平坦样地samp21的真实地面点分布图；
图7是采用本发明方法对平坦样地samp21滤波后的地面点点云分布图；
图8是采用本发明方法对平坦样地samp21滤波后的错分地面点点云分布图；
图9是平坦样地samp42的原始点云分布图；
图10是平坦样地samp42的真实地面点分布图；
图11是采用本发明方法对平坦样地samp42滤波后的地面点点云分布图；
图12是采用本发明方法对平坦样地samp42滤波后的错分地面点点云分布图；
图13是缓坡样地samp12的原始点云分布图；
图14是缓坡样地samp12的真实地面点分布图；
图15是采用本发明方法对缓坡样地samp12滤波后的地面点点云分布图；
图16是采用本发明方法对缓坡样地samp12滤波后的错分地面点点云分布图；
图17是缓坡样地samp22的原始点云分布图；
图18是缓坡样地samp22的真实地面点分布图；
图19是采用本发明方法对缓坡样地samp22滤波后的地面点点云分布图；
图20是采用本发明方法对缓坡样地samp22滤波后的错分地面点点云分布图；
图21是陡坡样地samp52的原始点云分布图；
图22是陡坡样地samp52的真实地面点分布图；
图23是采用本发明方法对陡坡样地samp52滤波后的地面点点云分布图；
图24是采用本发明方法对陡坡样地samp52滤波后的错分地面点点云分布图；
图25是陡坡样地samp53的原始点云分布图；
图26是陡坡样地samp53的真实地面点分布图；
图27是采用本发明方法对陡坡样地samp53滤波后的地面点点云分布图；
图28是采用本发明方法对陡坡样地samp53滤波后的错分地面点点云分布图；
图29是缓坡样地samp41的原始点云分布图；
图30是缓坡样地samp41的真实地面点点云分布图；
图31是采用本发明方法对缓坡样地samp41滤波后的地面点点云分布图；
图32是采用CSF算法对缓坡样地samp41滤波后的地面点点云分布图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
请参见图1，在本发明的一个实施例中，提供一种迭代极小值激光雷达点云滤波方法，具体步骤包括：
步骤1、对获取的激光雷达点云数据进行预处理；该预处理包括点云读取、点云抽稀和点云显示。在本实施例中，由于点云数量不大，抽稀参数设为“1”。
步骤2、按点云高程进行排序，将高程最小的点云确定为初始地面点，同时将该高程最小点云的高度阈值范围内的点云标记为地面参考点，将该高程最小点云高度阈值范围外的其他点云标记为非地面参考点，对没有被标记过的点云重复上述步骤，直到所有的点云都进行了初始分类。具体包括以下步骤：
步骤2.1、从点云数据中提取空间位置信息，并对点云数据信息增加“是否判断”及“判断类别”两项内容。本实施例中统一对已判断过的点标记为“1”，未判断过的点标记为“0”，判断结果为地面参考点的点标记为“1”，判断结果为非地面参考点的点标记为“0”。建立KD树，设置水平阈值和垂直阈值。在本实施例中，依据实际情况，将垂直阈值的范围规划在1m~15m，高度阈值的范围规划在0.2m~2m，分别对所有场景中的不同阈值进行滤波结果测试。
步骤2.2、提取高程最小的点云，根据K最近邻搜索算法筛选出在水平阈值范围内的点云，用搜索到的点云与相应的高程最小的点云间的垂直距离作为判断依据，将垂直阈值范围内的点视为地面参考点，否则标记为非地面参考点，并将提取的所有点云标记为“已判断”。
步骤2.3、提取未判断的点，在未判断的点云中提取高程最小的点云，重复步骤2.2，直到所有的点云均被标记为“已判断”，地面点与非地面点得到初步分离。
步骤3、再以地面参考点点集构建地面参考面，对点云数据进行精分类。经过初始分类得到的地面点还可能存在被错分为非地面点的情况，尤其在地形较为复杂的坡度较大的区域，还需对地面点进一步判断。首先在所有点云中随机选取一定数量的点云，计算这些随机点云与所有点云之间的距离，并以平均最小距离作为栅格分辨率建立地面参考面，随后利用K最近邻搜索算法，结合垂直距离判断，对错分的点云进行校正。其中，采用欧式距离度量两个点云之间的实际距离，表达式如下：
步骤4、去除地面边缘处孤立点，确定滤波结果。由于场景边缘区域存在点云稀少，场景点云断层的情况，导致建立的参考面在场景边缘处效果不佳，会存在少许孤立点的情况。地面孤立点的去除采用K最近邻搜索算法判断完成，通过比较距离与给定的阈值，若某一地面点与最近邻点的距离大于阈值，则判断为该点为孤立点，随后剔除孤立点。
布料模拟滤波(CSF)方法源于计算机图形学中的布料模拟，其实质是把点云滤波的方式转变成物理模拟的过程，在所研究的区域范围内的地形表面放一块布，假想这块布具有极其柔软的特性，当其受到重力作用的情况下，会受重力的作用自由下落，从而完全紧密的贴合在地面上。根据布的水平表面的边缘形状特征可以得到数字表面模型，若将地形倒置，布的水平表面的边缘形状特征就代表数字地面模型。CSF方法参数的设置比较少，对地形地貌适应性较强，在点云数据处理方面可以表现出较佳的性能，故采用CSF方法与本发明方法进行实验对比，分别对三类地形——“平坦地形”、“陡坡地形”和“缓坡地形”进行分析。
下面结合具体实例对本发明方法的有效性进行说明：
本实施例的实验数据采用了国际摄影测量与遥感协会（ISPRS）第Ⅲ小组于2003年进行滤波算法测评时公布的测试数据，该数据是利用Optech ALTM系统获取的Vaihingen/Enz和Stuttgart市的激光点云数据。本实施例将样本划分为三类：平坦样地、缓坡样地和陡坡样地。表1为实验样地的分类情况。
表 
实验样本分类情况
ISPRS 2003提出了第Ⅰ类误差、第Ⅱ类误差和总误差的评判标准，采用该评判标准对本发明方法进行评估，总误差反映了滤波质量与算法的可行性，总误差越小则滤波结果越精确。对上述的所有样本分别计算本发明方法与CSF方法的第Ⅰ类、第Ⅱ类和总误差，并进行对比分析。
由于本发明方法中的两类阈值（水平方向X-Y阈值和垂直方向Z阈值）的设置会影响到精度评定结果，故根据ISPRS标准计算出本发明滤波算法的第Ⅰ类、第Ⅱ类和总误差，并分析各类误差大小与本发明方法阈值间的关系，结果分别如图2、图3和图4所示。图2-图4中每个子图的横坐标是X-Y阈值变化，纵坐标是Z阈值变化，图中颜色由浅到深代表各误差由小变大。
从图2至图4中可以看出，不同类型的地形对本发明方法阈值敏感性影响较小，在不同的地形条件下，误差随阈值变化的规律较为一致。比如X-Y阈值越大，Z阈值越小时，第Ⅰ类误差越小；X-Y阈值越小，Z阈值越大时，第Ⅱ类误差越小；X-Y阈值越小，Z阈值越大时，第Ⅱ类误差越小；X-Y阈值和Z阈值居中时，总误差较小。因此，为了使得方法总误差较小，根据敏感性分析的结果，在本实施例对不同场景中的X-Y和Z阈值分别选择为：平坦区域内为11m和1m；缓坡区域内为13m和2m；陡坡区域为11m和2m。
本发明较佳的实施例中，对三种不同类型的样地进行滤波处理，其中每种类型的样地选取两个样地进行展示，具体见图5~图28。
本发明较佳的实施例中，各类型样地的实验结果如表2所示，可以看出平坦区域内，地面参考点云个数与实验结果点云个数均很接近，地面点错分率均在8%以内，最低可达到1.46%，总错分率为4.25%。缓坡区域内，滤波效果略差，总错分率为10.52%。陡坡区域在三种类型样地中表现最好，地面错分率最高只有3.92%，最低0.59%，总错分率仅为2.26%高。虽然本发明方法不能在所有场景中都达到最好，在个别样本也存在明显错分情况，但根据总体滤波结果，总实验点云个数为384955，总体错分率为5.82%，实验结果较为理想。
表 2 本发明滤波方法处理结果
本发明较佳的实施例中，用布料模拟滤波（CSF）算法进行对比，如表3所示，结合三种不同的场景类型综合考虑，本发明滤波方法精度优于CSF方法。在平坦样地中，本发明方法采用适应于多数平坦区域的两个阈值，CSF模式为Flat；该样地中所有场景中的本发明方法的总误差结果均优于CSF算法，CSF算法有三个场景的总误差大于10%，而本发明方法的总误差均保持在10%以内，总误差最大为8.81%。在缓坡样地中，本发明方法采用适应于多数缓坡区域的两个阈值，CSF模式为Relief；本发明方法与CSF算法在不同场景中表现出各自的优势，但CSF算法在samp22、samp24、samp41中的表现优于本发明方法，尤其是在samp41中，本发明方法表现较差。在陡坡区域，本发明方法采用适应于多数陡坡区域的两个阈值，CSF模式为Steep slope；本发明方法相较于CSF算法表现优异，CSF算法在陡坡场景下总误差均高于本发明方法，总误差最高为25.75%，反观本发明方法的总误差均保持在6%以内，远低于CSF算法。
表 3 各类误差在所有样地的结果
本发明方法针对于样地samp41效果不理想，故将samp41单独进行分析的结构，如图29至图32所示。图29为缓坡样地samp41的原始点云分布图，图30为缓坡样地samp41的真实地面点点云分布图，为采用本发明方法对缓坡样地samp41滤波后的地面点点云分布图，图32为采用CSF算法对缓坡样地samp41滤波后的地面点点云分布图。由图29至图32可知，该缓坡场景较为特殊，点云较稀疏，分布较为离散，地面点占总点云个数的49.88%，不到总点云数的一半。同时该场景呈现间断的情况，在水平和垂直方向上均出现间断，用目视判别的方式也难以区分出地面点与非地面点。在这种情况下，本发明方法难以确定局部极小值所对应的点云，滤波效果也会略差。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种迭代极小值激光雷达点云滤波方法，其特征在于，包括如下步骤：
步骤1、对获取的激光雷达点云数据进行预处理；
步骤2、按点云高程进行排序，将高程最小的点云确定为初始地面点，同时将该高程最小点云的高度阈值范围内的点云标记为地面参考点，将该高程最小点云高度阈值范围外的其他点云标记为非地面参考点；对没有被标记过的点云重复上述步骤，直到所有的点云都进行了初始分类；
步骤3、再以地面参考点点集构建地面参考面，对点云进行精分类；
步骤4、去除地面边缘处孤立点，确定滤波结果。
2.根据权利要求1所述的激光雷达点云滤波方法，其特征在于，所述步骤1中，激光雷达点云数据预处理包括数据读取、点云抽稀和点云显示。
3.根据权利要求1所述的激光雷达点云滤波方法，其特征在于，所述步骤2包括以下步骤：
步骤2.1、从点云数据中提取空间位置信息，并对点云数据信息增加“是否判断”及“判断类别”两项内容；建立KD树，设置水平阈值和垂直阈值；
步骤2.2、提取高程最小的点云，根据K最近邻搜索算法筛选出该高程最小点云在水平阈值范围内的点云，用筛选出的点云与该高程最小的点云之间的垂直距离作为判断依据，将垂直阈值范围内的点云视为地面参考点，否则标记为非地面参考点，并将提取的所有点云标记为“已判断”；
步骤2.3、提取未判断的点，在未判断的点云中继续提取高程最小的点云，重复所述步骤2.2，直到所有的点云均被标记为“已判断”，地面点与非地面点得到初步分离。
4.根据权利要求1所述的激光雷达点云滤波方法，其特征在于，所述步骤3中，对非地面参考点进行精判断的具体过程为：首先在所有点云中随机选取一些点云，接着计算这些随机点云与所有点云之间的距离，并以所有最小距离的平均值作为栅格分辨率建立地面参考面，最后利用K最近邻搜索算法结合垂直距离判断，对错分的点云进行校正。
5.根据权利要求4所述的激光雷达点云滤波方法，其特征在于，采用欧式距离度量两个点云之间的实际距离，表达式如下：
6.根据权利要求1所述的激光雷达点云滤波方法，其特征在于，所述步骤4中，去除地面边缘处孤立点的具体操作是：采用K最近邻搜索算法判断完成，通过比较点云间的距离与最近邻阈值，判断该点是否为孤立点，随后剔除孤立点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111168061.5A CN113589319A (zh) | 2021-10-08 | 2021-10-08 | 一种迭代极小值激光雷达点云滤波方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111168061.5A CN113589319A (zh) | 2021-10-08 | 2021-10-08 | 一种迭代极小值激光雷达点云滤波方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113589319A true CN113589319A (zh) | 2021-11-02 |
Family
ID=78242852
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111168061.5A Pending CN113589319A (zh) | 2021-10-08 | 2021-10-08 | 一种迭代极小值激光雷达点云滤波方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113589319A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090185741A1 (en) * | 2008-01-09 | 2009-07-23 | Tiltan Systems Engineering Ltd. | Apparatus and method for automatic airborne LiDAR data processing and mapping using data obtained thereby |
| CN103745441A (zh) * | 2014-01-08 | 2014-04-23 | 河海大学 | 一种机载LiDAR点云滤波方法 |
| CN105488770A (zh) * | 2015-12-11 | 2016-04-13 | 中国测绘科学研究院 | 一种面向对象的机载激光雷达点云滤波方法 |
| CN106408604A (zh) * | 2016-09-22 | 2017-02-15 | 北京数字绿土科技有限公司 | 一种点云数据的滤波方法及装置 |
| CN111158015A (zh) * | 2019-12-31 | 2020-05-15 | 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 |
| CN111257905A (zh) * | 2020-02-07 | 2020-06-09 | 中国地质大学（武汉） | 一种基于单光子激光点云密度分割的切片自适应滤波算法 |
| CN111598780A (zh) * | 2020-05-14 | 2020-08-28 | 山东科技大学 | 一种适用于机载LiDAR点云的地形自适应插值滤波方法 |
-
2021
- 2021-10-08 CN CN202111168061.5A patent/CN113589319A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090185741A1 (en) * | 2008-01-09 | 2009-07-23 | Tiltan Systems Engineering Ltd. | Apparatus and method for automatic airborne LiDAR data processing and mapping using data obtained thereby |
| CN103745441A (zh) * | 2014-01-08 | 2014-04-23 | 河海大学 | 一种机载LiDAR点云滤波方法 |
| CN105488770A (zh) * | 2015-12-11 | 2016-04-13 | 中国测绘科学研究院 | 一种面向对象的机载激光雷达点云滤波方法 |
| CN106408604A (zh) * | 2016-09-22 | 2017-02-15 | 北京数字绿土科技有限公司 | 一种点云数据的滤波方法及装置 |
| CN111158015A (zh) * | 2019-12-31 | 2020-05-15 | 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 |
| CN111257905A (zh) * | 2020-02-07 | 2020-06-09 | 中国地质大学（武汉） | 一种基于单光子激光点云密度分割的切片自适应滤波算法 |
| CN111598780A (zh) * | 2020-05-14 | 2020-08-28 | 山东科技大学 | 一种适用于机载LiDAR点云的地形自适应插值滤波方法 |
Non-Patent Citations (2)
| Title |
|---|
| 王濮: "基于机载LiDAR的森林单木识别研究", 《中国优秀博硕士学位论文全文数据库(硕士)•信息科技辑》 * |
| 陈传法 等: "适用于林区机载LiDAR点云的多分辨率层次插值滤波方法", 《山东科技大学学报（自然科学版）》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lu et al. | Object-oriented change detection for landslide rapid mapping | |
| Duncanson et al. | An efficient, multi-layered crown delineation algorithm for mapping individual tree structure across multiple ecosystems | |
| Chen et al. | A multiresolution hierarchical classification algorithm for filtering airborne LiDAR data | |
| CN110119438B (zh) | 基于主动学习的机载LiDAR点云滤波方法 | |
| CN108197583B (zh) | 基于图割优化和影像结构特征的建筑物变化检测方法 | |
| Hui et al. | A mean shift segmentation morphological filter for airborne LiDAR DTM extraction under forest canopy | |
| Ma et al. | DEM refinement by low vegetation removal based on the combination of full waveform data and progressive TIN densification | |
| CN104502919A (zh) | 利用机载激光雷达点云提取城市植被三维覆盖的方法 | |
| KR101080985B1 (ko) | 항공 라이다 성과를 이용한 수고 및 개체 수 확인방법 | |
| 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 | |
| CN110988909A (zh) | 基于tls进行高寒脆弱区沙地植被的植被盖度测定方法 | |
| Chen et al. | A mathematical morphology-based multi-level filter of LiDAR data for generating DTMs | |
| CN112669333A (zh) | 一种单木信息提取方法 | |
| Rashidi et al. | Ground filtering LiDAR data based on multi-scale analysis of height difference threshold | |
| Rashidi et al. | Extraction of ground points from LiDAR data based on slope and progressive window thresholding (SPWT) | |
| Zhang et al. | Automatic extraction of DTM from low resolution DSM by twosteps semi-global filtering | |
| Süleymanoğlu et al. | Comparison of filtering algorithms used for DTM production from airborne lidar data: A case study in Bergama, Turkey | |
| CN109242786A (zh) | 一种适用于城市区域的自动化形态学滤波方法 | |
| Zhang et al. | Building footprint and height information extraction from airborne LiDAR and aerial imagery | |
| Yun et al. | Dynamic stratification for vertical forest structure using aerial laser scanning over multiple spatial scales | |
| Li et al. | An efficient method for automatic road extraction based on multiple features from LiDAR Data | |
| CN113589319A (zh) | 一种迭代极小值激光雷达点云滤波方法 | |
| CN109785261A (zh) | 一种基于灰度体元模型的机载lidar三维滤波方法 | |
| CN111507423B (zh) | 输电线路通道清理的工程量测算方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211102 |
|
| RJ01 | Rejection of invention patent application after publication |