CN113643444A - 一种基于坡度补偿的渐进加密三角网点云滤波方法 - Google Patents
一种基于坡度补偿的渐进加密三角网点云滤波方法 Download PDFInfo
- Publication number
- CN113643444A CN113643444A CN202110868657.XA CN202110868657A CN113643444A CN 113643444 A CN113643444 A CN 113643444A CN 202110868657 A CN202110868657 A CN 202110868657A CN 113643444 A CN113643444 A CN 113643444A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- slope
- triangle
- cloud
- filtering
- 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
- 238000001914 filtration Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000000750 progressive effect Effects 0.000 title claims abstract description 40
- 238000005070 sampling Methods 0.000 claims abstract description 10
- 230000002159 abnormal effect Effects 0.000 claims abstract description 9
- 230000011218 segmentation Effects 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 5
- 238000005192 partition Methods 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 3
- 239000002994 raw material Substances 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 2
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 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
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
Landscapes
- Engineering & Computer Science (AREA)
- Architecture (AREA)
- Computer Graphics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于坡度补偿的渐进加密三角网点云滤波方法，包括，对边坡激光雷达点云进行去噪，剔除异常点，并进行降采样；将降采样后的点云进行分割，获得边坡倾斜面点云和边坡水平面点云；对边坡倾斜面点云进行分段处理，获得边坡点云；利用坡度补偿的渐进加密三角网对旋转的边坡点云和边坡水平面点云进行滤波；本发明对高倾斜度边坡采用坐标转换的方法，可以有效的消除其坡度信息，使得在进行滤波过程中能够找到正确的地面最低点，进而完成边坡的滤波。
Description
技术领域
本发明涉及矿山边坡测量的技术领域，尤其涉及一种基于坡度补偿的渐进加密三角网点云滤波方法。
背景技术
激光雷达技术(Light Detection And Ranging，LiDAR)，具有全自动、非接触、高精度的三维数据获取能力，已被广泛应用于国土、能源、农业、林业、文物保护、电力巡检、智能交通、数字城市、应急减灾等多个领域。点云滤波，旨在从点云中自动筛选出地面点和非地面点，是数据处理中的一项关键内容。
针对点云滤波，国内外已有诸多研究，提出了多种点云滤波算法，如基于形态学滤波、基于坡度滤波、基于渐进加密三角网滤波、二次曲面迭代滤波等。上述方法通过在一定邻域范围内寻找高程最低点来确定地面点，但对高陡边坡等地形起伏较大的场景则缺乏适用性。由Axelsson最初提出的渐进加密三角网滤波算法经过多年来研究学者研究，重点围绕初始种子点选取和优化迭代加密两个策略进行补充与改进，使该类算法在绝大多数场景下都有不错的滤波效果，较适用于地形起伏的应用场景，但其参数设置较多，处理大量点云数据时间成本较高。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
因此，本发明提供了一种基于坡度补偿的渐进加密三角网点云滤波方法，能够消除边坡点云由于倾斜度引起的滤波失准问题。
为解决上述技术问题，本发明提供如下技术方案：包括，对边坡激光雷达点云进行去噪，剔除异常点，并进行降采样；将降采样后的点云进行分割，获得边坡倾斜面点云和边坡水平面点云；对所述边坡倾斜面点云进行分段处理，获得边坡点云；利用坡度补偿的渐进加密三角网对旋转的边坡点云和所述边坡水平面点云进行滤波。
作为本发明所述的基于坡度补偿的渐进加密三角网点云滤波方法的一种优选方案，其中：所述剔除异常点包括，采用高程直方图设置阈值，以剔除所述异常点。
作为本发明所述的基于坡度补偿的渐进加密三角网点云滤波方法的一种优选方案，其中：所述降采样包括，通过设置相邻点云最小距离阈值对边坡激光雷达点云进行所述降采样。
作为本发明所述的基于坡度补偿的渐进加密三角网点云滤波方法的一种优选方案，其中：所述分段处理包括，根据下式将边坡倾斜面的坡底和坡顶点云分别进行最小二乘法曲线拟合：
通过设置曲率阈值，当曲率大于所述曲率阈值时，在对应坡底、坡顶曲率最大点处进行连接，得到分割线，进而得到分段点云；拟合所述分段点云，直到拟合曲线曲率小于阈值，获得所述边坡点云；其中，xi、yi分别为曲线拟合点的横、纵坐标，i＝1，2，3…m；
为拟合曲线，
为偏差平方和。
作为本发明所述的基于坡度补偿的渐进加密三角网点云滤波方法的一种优选方案，其中：所述旋转的边坡点云包括，将所述边坡点云格网化，设置四个网格，任意选取每个网中的三个最低点P1、P2、P3，以拟合平面β；
计算拟合平面β的法向量
旋转所述拟合平面β，使得旋转的拟合平面β平行于xoy平面，且旋转后的拟合平面β的法向量
朝Z轴正向；根据法向量
的点积计算旋转角θ；通过计算法向量
的叉积，获得同时垂直于法向量
的旋转轴
根据所述旋转角θ和旋转轴
得到旋转矩阵M，并利用所述旋转矩阵M对所述边坡点云进行旋转。
作为本发明所述的基于坡度补偿的渐进加密三角网点云滤波方法的一种优选方案，其中：所述法向量
包括，
其中，a、b、c为拟合平面β的系数。
作为本发明所述的基于坡度补偿的渐进加密三角网点云滤波方法的一种优选方案，其中：所述旋转矩阵M包括，
其中，
为旋转轴
的单位向量。
作为本发明所述的基于坡度补偿的渐进加密三角网点云滤波方法的一种优选方案，其中：所述滤波包括，滤波前先对所述旋转的边坡点云进行栅格化，并记录每个格网中的最低点；对栅格数据进行开运算，获得初始地面种子点；通过所述初始地面种子点构建初始三角网；基于所述初始三角网构建所述坡度补偿的渐进加密三角网，通过判断迭代角度和迭代高度对地面点进行分类；其中，所述迭代角度为三角形内的点与三角形顶点和该三角形所形成平面的夹角，所述迭代高度为三角形内的点到该三角形所形成平面的垂直距离；三角形为初始三角网中的任意一个三角形。
作为本发明所述的基于坡度补偿的渐进加密三角网点云滤波方法的一种优选方案，其中：还包括，通过逆变换旋转矩阵M1将所述旋转的边坡点云转换为初始坐标系统，并对所述分段点云和边坡水平面点云进行融合，得到最终地面点云；其中，所述逆变换旋转矩阵M1为：
其中，
为逆变换矩阵旋转轴，
的单位矩阵为
本发明的有益效果：本发明对高倾斜度边坡采用坐标转换的方法，可以有效的消除其坡度信息，使得在进行滤波过程中能够找到正确的地面最低点，进而完成边坡的滤波。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明第一个实施例所述的基于坡度补偿的渐进加密三角网点云滤波方法的流程示意图；
图2为本发明第一个实施例所述的基于坡度补偿的渐进加密三角网点云滤波方法的边坡倾斜面点云分割示意图；
图3为本发明第一个实施例所述的基于坡度补偿的渐进加密三角网点云滤波方法的边坡点云旋转示意图；
图4为本发明第一个实施例所述的基于坡度补偿的渐进加密三角网点云滤波方法的渐进加密三角网滤波算法原理示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1～4，为本发明的第一个实施例，本实施例针对露天矿山等高陡边坡倾斜度大的特点，提供了一种基于坡度补偿的渐进加密三角网点云滤波方法，包括：
S1：对边坡激光雷达点云进行去噪，剔除异常点，并进行降采样。
采用高程直方图设置阈值，以剔除异常点。
进一步的，通过设置相邻点云最小距离阈值对边坡激光雷达点云进行降采样，从而得到理想密度的点云数据，减小数据冗余度。
S2：将降采样后的点云进行分割，获得边坡倾斜面点云和边坡水平面点云。
本实施例采用区域增长方法进行点云分割，得到边坡倾斜面点云和边坡水平面点云。
S3：对边坡倾斜面点云进行分段处理，获得边坡点云。
分段处理的步骤为：
(1)根据下式将边坡倾斜面的坡底和坡顶点云分别进行最小二乘法曲线拟合，得到曲线XY方程：
其中，xi、yi分别为曲线拟合点的横、纵坐标，i＝1，2，3…m；
为拟合曲线，
为偏差平方和。
(2)通过设置曲率阈值，当曲率大于曲率阈值时，在对应坡底、坡顶曲率最大点处进行连接，得到分割线，进而得到分段点云；
(3)拟合分段点云，直到拟合曲线曲率小于阈值，即可最终完成分段处理，获得较为平缓的边坡点云；如图2所示。
S4：利用坡度补偿的渐进加密三角网对旋转的边坡点云和边坡水平面点云进行滤波。
旋转边坡点云的具体步骤为：
(1)参照图3，将边坡点云格网化，设置四个网格，取每个网中最低点可得四个点，任意选取每个网中的三个最低点P1、P2、P3，以拟合平面β，如下式所示：
β:ax+by+cz+d＝0
其中，a、b、c、d为拟合平面β的系数。
(2)计算拟合平面β的法向量
旋转拟合平面β，使得旋转的拟合平面β平行于xoy平面，记旋转的拟合平面β为O-XY平面，且该平面的法向量
朝Z轴正向；
法向量
为：
(3)根据法向量
的点积计算旋转角θ；
(4)通过计算法向量
的叉积，获得同时垂直于法向量
的旋转轴
旋转轴：
(5)根据旋转角θ和旋转轴
得到旋转矩阵M，并利用旋转矩阵M对边坡点云进行旋转，消除其坡度影响，获得旋转的边坡点云。
旋转矩阵M：
进一步的，利用坡度补偿的渐进加密三角网对旋转的边坡点云和边坡水平面点云进行滤波，具体步骤如下：
(1)滤波前先对旋转的边坡点云进行栅格化，并记录每个格网中的最低点；
(2)对栅格数据进行开运算，获得初始地面种子点；
开运算通过先腐蚀后膨胀，腐蚀是选择栅格中的最低点，膨胀是从栅格中的最低点中选择最大值，得到初始地面种子点；
(3)通过初始地面种子点构建初始三角网；
(4)基于初始三角网构建坡度补偿的渐进加密三角网；
在构建坡度补偿的渐进加密三角网中，通过判断迭代角度和迭代高度对地面点进行分类；
其中，迭代角度为三角形内的点与三角形顶点和该三角形所形成平面的夹角，如图4中用χ表示，迭代高度为三角形内的点到该三角形所形成平面的垂直距离，如图4中用S表示；三角形为初始三角网中的任意一个三角形，为初始地面种子点所构建；
(5)通过逆变换旋转矩阵M1将旋转的边坡点云转换为初始坐标系统，并对分段点云和边坡水平面点云进行融合，得到最终地面点云；
逆变换旋转矩阵M1为：
其中，
为逆变换矩阵旋转轴，
的单位矩阵为
较佳的是，本方法首先通过分析边坡曲率变化对边坡进行分段，然后将分段点云进行格网化，对于各段点云取其每个网格中的高程最低点进行平面拟合，继而计算拟合平面与水平面的夹角，将拟合平面旋转为水平面，以此来消除边坡倾斜度对滤波结果的影响；对于转换后点云采用渐进加密三角网滤波算法，先将点云进行格网化，然后采用先腐蚀后膨胀的方法选择初始地面种子点构建不规则三角网(Triangular Irregular Network，TIN)，最终选择合理的迭代高度和迭代角度进行加密三角网，达到边坡滤波的效果。
实施例2
为了对本方法中采用的技术效果加以验证说明，本实施例选择传统的技术方案(坡度法滤波、TPS法滤波)和采用本方法进行对比测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。
传统的技术方案对近地点的滤波效果一般，处理大量点云数据时间成本较高；为验证本方法相对传统的技术方案具有较佳的滤波效果和处理效率，本实施例中将采用传统的技术方案和本方法分别对点云数据进行滤波。
本实施例选择了ISPRS在线发布的SIte2参考数据作为实验数据，实验区的每个点都被标记成地面点或非地面点；该实验区的范围为630m×420m，点数为243400个，区域存在复杂房屋、大型建筑物及数据空洞，平均点距为1～1.5m。
为了定量地分析实验效果，本实施例采用2类误差进行评价：滤波质量可由第1类误差(即地面点被错误分类为地物点的误差)和第2类误差(即地物点被当作地面点的误差)的形式来体现；误差的计算方法如下：
第1类误差：
第2类误差：
总误差：
其中，a为被正确分类的地面点，b为被错误分类为地物点的地面点，c为被错误分类为地面点的地物点，d为被正确分类的地物点；对滤波后的点云数据进行统计，并对比参考数据给出的标准分类结果，如表1所示。
表1：滤波误差结果分析。
由上表可见，本方法对地面点和非地面点以不同阈值进行滤波，较为有效地控制了低矮点被错误分为地面点的可能性，且第2类误差及总误差也比坡度法滤波、TPS法滤波相应减小。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (9)
1.一种基于坡度补偿的渐进加密三角网点云滤波方法，其特征在于：包括，
对边坡激光雷达点云进行去噪，剔除异常点，并进行降采样；
将降采样后的点云进行分割，获得边坡倾斜面点云和边坡水平面点云；
对所述边坡倾斜面点云进行分段处理，获得边坡点云；
利用坡度补偿的渐进加密三角网对旋转的边坡点云和所述边坡水平面点云进行滤波。
2.如权利要求1所述的基于坡度补偿的渐进加密三角网点云滤波方法，其特征在于：所述剔除异常点包括，
采用高程直方图设置阈值，以剔除所述异常点。
3.如权利要求1所述的基于坡度补偿的渐进加密三角网点云滤波方法，其特征在于：所述降采样包括，
通过设置相邻点云最小距离阈值对边坡激光雷达点云进行所述降采样。
4.如权利要求2或3所述的基于坡度补偿的渐进加密三角网点云滤波方法，其特征在于：所述分段处理包括，
根据下式将边坡倾斜面的坡底和坡顶点云分别进行最小二乘法曲线拟合：
通过设置曲率阈值，当曲率大于所述曲率阈值时，在对应坡底、坡顶曲率最大点处进行连接，得到分割线，进而得到分段点云；
拟合所述分段点云，直到拟合曲线曲率小于阈值，获得所述边坡点云；
其中，xi、yi分别为曲线拟合点的横、纵坐标，i＝1，2，3…m；
为拟合曲线，
为偏差平方和。
5.如权利要求1所述的基于坡度补偿的渐进加密三角网点云滤波方法，其特征在于：所述旋转的边坡点云包括，
将所述边坡点云格网化，设置四个网格，任意选取每个网中的三个最低点P1、P2、P3，以拟合平面β；
计算拟合平面β的法向量
旋转所述拟合平面β，使得旋转的拟合平面β平行于xoy平面，且旋转后的拟合平面β的法向量
朝Z轴正向；
根据法向量
的点积计算旋转角θ；
通过计算法向量
的叉积，获得同时垂直于法向量
的旋转轴
根据所述旋转角θ和旋转轴
得到旋转矩阵M，并利用所述旋转矩阵M对所述边坡点云进行旋转。
6.如权利要求5所述的基于坡度补偿的渐进加密三角网点云滤波方法，其特征在于：所述法向量
包括，
其中，a、b、c为拟合平面β的系数。
7.如权利要求5或6所述的基于坡度补偿的渐进加密三角网点云滤波方法，其特征在于：所述旋转矩阵M包括，
其中，
为旋转轴
的单位向量。
8.如权利要求1所述的基于坡度补偿的渐进加密三角网点云滤波方法，其特征在于：所述滤波包括，
滤波前先对所述旋转的边坡点云进行栅格化，并记录每个格网中的最低点；
对栅格数据进行开运算，获得初始地面种子点；
通过所述初始地面种子点构建初始三角网；
基于所述初始三角网构建所述坡度补偿的渐进加密三角网，通过判断迭代角度和迭代高度对地面点进行分类；其中，所述迭代角度为三角形内的点与三角形顶点和该三角形所形成平面的夹角，所述迭代高度为三角形内的点到该三角形所形成平面的垂直距离；三角形为初始三角网中的任意一个三角形。
9.如权利要求7所述的基于坡度补偿的渐进加密三角网点云滤波方法，其特征在于：还包括，
通过逆变换旋转矩阵M1将所述旋转的边坡点云转换为初始坐标系统，并对所述分段点云和边坡水平面点云进行融合，得到最终地面点云；
其中，所述逆变换旋转矩阵M1为：
其中，
为逆变换矩阵旋转轴，
的单位矩阵为
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110868657.XA CN113643444A (zh) | 2021-07-30 | 2021-07-30 | 一种基于坡度补偿的渐进加密三角网点云滤波方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110868657.XA CN113643444A (zh) | 2021-07-30 | 2021-07-30 | 一种基于坡度补偿的渐进加密三角网点云滤波方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113643444A true CN113643444A (zh) | 2021-11-12 |
Family
ID=78419109
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110868657.XA Pending CN113643444A (zh) | 2021-07-30 | 2021-07-30 | 一种基于坡度补偿的渐进加密三角网点云滤波方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113643444A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114754741A (zh) * | 2022-06-15 | 2022-07-15 | 湖南大学 | 边坡断面坡度测量方法 |
| CN116047464A (zh) * | 2023-01-28 | 2023-05-02 | 武汉理工大学 | 一种基于激光雷达的地下矿区坡度检测方法及系统 |
-
2021
- 2021-07-30 CN CN202110868657.XA patent/CN113643444A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114754741A (zh) * | 2022-06-15 | 2022-07-15 | 湖南大学 | 边坡断面坡度测量方法 |
| CN116047464A (zh) * | 2023-01-28 | 2023-05-02 | 武汉理工大学 | 一种基于激光雷达的地下矿区坡度检测方法及系统 |
| CN116047464B (zh) * | 2023-01-28 | 2023-08-11 | 武汉理工大学 | 一种基于激光雷达的地下矿区坡度检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105513127B (zh) | 基于密度峰值聚类的杆状物规则化三维建模方法及系统 | |
| CN103473734B (zh) | 一种基于车载LiDAR数据的电力线提取与拟合方法 | |
| CN105184250B (zh) | 一种电力走廊机载LiDAR点云数据的地物分类方法 | |
| CN103853840B (zh) | 一种不均匀散乱点云数据的滤波方法 | |
| CN113643444A (zh) | 一种基于坡度补偿的渐进加密三角网点云滤波方法 | |
| CN110363861B (zh) | 基于激光雷达点云的田地作物三维重构方法 | |
| CN107146277B (zh) | 基于点云数据对变电站进行建模的方法 | |
| CN111985496B (zh) | 一种基于植被三维凸包的树障隐患快速检测方法和终端 | |
| 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 | |
| CN106709946A (zh) | 基于LiDAR点云的多分裂导线自动提取与精细建模方法 | |
| CN105118090B (zh) | 一种自适应复杂地形结构的点云滤波方法 | |
| CN112883878B (zh) | 一种基于三维格网的变电站场景下的点云自动分类方法 | |
| CN111598780B (zh) | 一种适用于机载LiDAR点云的地形自适应插值滤波方法 | |
| CN112132795B (zh) | 一种基于LiDAR点云的电塔受灾风险评估方法及系统 | |
| CN110335352B (zh) | 一种机载激光雷达点云的双基元多分辨率层次滤波方法 | |
| CN112785596B (zh) | 基于dbscan聚类的点云图螺栓分割和高度测量方法 | |
| CN108920765A (zh) | 一种基于建筑物三维线段模型的假设平面拟合方法 | |
| CN117132915A (zh) | 一种基于点云自动分类的输电线路树障隐患分析方法 | |
| CN116580048B (zh) | 一种提取房屋倾斜模型上直角房屋的轮廓线的方法及系统 | |
| CN108986024A (zh) | 一种基于网格的激光点云规则排列处理方法 | |
| CN115131231A (zh) | 辅以多特征聚类的复杂地形区点云层次滤波方法 | |
| CN114119902A (zh) | 一种基于无人机倾斜三维模型的建筑物提取方法 | |
| CN114463338B (zh) | 一种基于图割与后处理的建筑物激光脚点自动提取方法 | |
| CN114862715A (zh) | 一种融合地形特征语义信息的tin渐进加密去噪方法 | |
| 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 |
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 |