CN114037708A - 一种陆地桥梁提取方法和系统 - Google Patents
一种陆地桥梁提取方法和系统 Download PDFInfo
- Publication number
- CN114037708A CN114037708A CN202111299758.6A CN202111299758A CN114037708A CN 114037708 A CN114037708 A CN 114037708A CN 202111299758 A CN202111299758 A CN 202111299758A CN 114037708 A CN114037708 A CN 114037708A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- vegetation
- point
- cloud data
- bridge
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10024—Color image
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种陆地桥梁提取方法及系统,该方法包括步骤获取桥梁原始点云数据;将原始点云数据去噪,获得第一点云数据;采用分散度法去除点云数据中散乱分布的植被点云,获得第二点云数据;根据植被点云与桥梁点云的颜色与高程特征的差异,运用颜色与高程特征对半径滤波算法进行改进,运用改进的半径滤波算法对第二点云数据中的所有植被点云进行滤除获得第三点云数据;计算第三点云数据的高程信息与法向信息,并通过构建的法向滤波模型,对第三点云数据中地面点云进行滤除,获得桥梁点云。本发明能够更准确的滤除植被与地面点云,提高了桥梁点云的提取完整度。
Description
技术领域
本发明涉及建筑提取技术领域,具体涉及陆地桥梁提取方法和系统。
背景技术
桥梁是重要的建筑之一,桥梁的识别对全球定位系统数据获取、地图更新及桥梁建设辅助监督有重要意义;由于道路桥梁周围环境复杂,建筑、植被、道路绿化及光线照射生成的桥梁自身阴影对桥梁提取带来一定困难。
当前算法大都是基于聚类、统计、起伏变化、密度等特征进行目标点云的提取。基于强度信息和地形信息的滤波算法,运用渐进三角网滤波算法设置不同的构网优先级,但计算量较大,并不适用于处理大型点云。基于高程统计绘制地物点云的高程频率直方图确定植被高程阈值,剔除植被点云,该方法虽易于操作,但只适用于较平坦和植被点云高程较为统一的地区;采用密度空间聚类和统计滤波的点云去噪方法,其对于距离近且密度大的团状点云无法有效地去除;利用主成分分析法估计样点表面的法线方向提取建筑物表面,同时植被的边界也会被提取出,无法明确区分建筑物与植被。使用渐进式形态学滤波算法分割地面点与非地面点,但该方法对倾斜地面点云的分割效果不佳;利用高差信息和扫描线方向的二次导数来判断相邻点云是否连续,进而区分建筑物与植被,但粗壮的树干的表面也较为规则、连续,故无法准确区分。针对建筑物提取不完整问题,提出EXG(过绿指数)模型对植被点云进行滤除,但该颜色模型只适用于颜色区别明显的无人机点云,对颜色特征混合的点云并不适用;提出的基于点云均匀度的植被剔除方法,该方法可有效去除分布散乱的点云,但分布密集均匀的非目标点会被错误保留。
有鉴于此,亟需提供一种解决现有方法对建筑桥梁的提取完整度存在的问题,提出可更加精确、完整地提取桥梁的方法。
发明内容
为了解决上述技术问题,本发明所采用的技术方案是提供了一种陆地桥梁提取方法,包括以下步骤:
获取桥梁原始点云数据;将桥梁原始点云数据作为目标点云数据;并将目标点云数据去噪,获得第一点云数据;采用分散度法去除第一点云数据中散乱分布的植被点云,获得第二点云数据;根据植被点云与桥梁点云的颜色与高程特征的差异,运用颜色与高程特征对半径滤波算法进行改进,运用改进的半径滤波算法对第二点云数据中的所有植被点云进行滤除获得第三点云数据;计算第三点云数据的高程信息与法向信息,并通过构建的法向滤波模型,对第三点云数据中地面点云进行滤除,获得桥梁点云。
上述方法中,所述采用分散度法去除第一点云数据中散乱分布的植被点云,获得第二点云数据具体包括以下步骤:
根据第一点云数据构建KD-Tree,建立点云的拓扑关系,并构建点云中所有点的k邻域;
任选其中一个k邻域,计算该邻域x,y,z三个方向上的最大坐标差,以其为边长构建最大包围体,并计算出体积为Vmax;
再计算x,y,z三个方向上各自的坐标差并分别作为最小包围体的长、宽、高,并计算出体积为Vmin;
令D为最小包围体与最大包围体的体积之比;根据统计法得到滤除阈值α,若D>α,则认为该点是植被点,滤除;若D<α,则认为该点是非植被点,则保留;
重复上述步骤,直至第一点云数据中所有点云都处理完毕,即完成第一点云数据中散乱植被点云的滤除操作,获得第二点云数据。
上述方法中,所述根据植被点云与桥梁点云的颜色与高程特征的差异,运用颜色与高程特征对半径滤波算法进行改进,运用改进的半径滤波算法对第二点云数据中的所有植被点云进行滤除获得第三点云数据具体包括以下步骤:
基于点云的高度信息,将第二点云数据分割成六个部分点云数据,依次计算各个部分点云的分布广度,据此判断各部分点云是否包含植被点云;
再将各个部分点云中只包含建筑桥梁点云的全部点云标记为非植被可疑点;对同时包含植被与桥梁点云的那部分数据运用颜色模型判断是否为植被可疑点;
即获取植被与桥梁点云的颜色特征I,且根据统计方法得到颜色阈值T,当I>T被标记为植被可疑点,否则为非植被可疑点,至此,全部点云数据都被标记处理;
根据上述被标记的点云中任意球邻域的邻近点,计算邻域点云个数,若邻域点云总个数大于阈值M1或邻域内植被可疑点所占比例小于M2,则被认为是非植被点,予以保留,否则认为是植被点予以滤除;
重复上述步骤,直至各部分点云中的所有植被点都处理完毕,最后获得第三点云数据。
上述方法中,所述计算第三点云数据的高程信息与法向信息,并通过构建的法向滤波模型,对第三点云数据中地面点云进行滤除,获得桥梁点云具体包括以下步骤:
根据第三点云数据构建KD-Tree,建立点云的拓扑关系,获取点云中所有点的球邻域;
任选其中一球邻域,拟合出局部平面,基于局部平面进行法向量估计;
计算各个点的法向量与向量(0,0,1)的余弦值,将所有第三点云数据高程值与余弦值相结合,根据统计方法计算出阈值滤除地面点云,得到最终的桥梁点云。
上述方法中,所述获取第三点云数据后,还实现以下步骤:
通过统计单位长度点云数目,计算出相应区间点云的分布概率,确定分割阈值,并由此分割植被点云与建筑桥梁点云。
上述方法中,所述任选其中一球邻域,拟合出局部平面,基于局部平面进行法向量估计具体包括以下步骤:
任取一点p,搜索其最相邻的k个点,计算中心点与其邻域点最小二乘意义上的局部平面P此平面的计算公式为:
将局部平面P的法向量当作当前点p的法向量,平面P的法向量可以由主成分分析得到,由运算知P经过其k邻域点的质心p0,且法向量满足对下式中的协方差矩阵M进行特征值分解,M的最小特征值对应的特征向量即P的法向量
本发明还提供了一种陆地桥梁提取系统,包括
数据获取单元:用于获取桥梁原始点云数据,具体可通过激光雷达技术获取桥梁原始点云数据;
数据处理单元:用于将桥梁原始点云数据作为目标点云数据;并将目标点云数据去噪,获得第一点云数据;
植被点云初步去除单元:采用分散度法去除数据处理单元获取的第一点云数据中散乱分布的植被点云,获得第二点云数据;
植被点云去除单元:用于根据植被点云与桥梁点云的颜色与高程特征的差异,运用颜色与高程特征对半径滤波算法进行改进,运用改进的半径滤波算法对第二点云数据中的所有植被点云进行滤除获得第三点云数据;
地面点云去除单元:用于计算第三点云数据的高程信息与法向信息,并构建法向滤波模型,对第三点云数据中地面点云进行滤除,获得桥梁点云。
在上述方案中,所述植被点云初步去除单元具体实现以下步骤:
根据数据处理单元的第一点云数据构建KD-Tree,建立点云的拓扑关系,并构建点云中所有点的k邻域;
任选其中一个k邻域,计算该邻域x,y,z三个方向上的最大坐标差,以其为边长构建最大包围体,并计算出体积为Vmax;
再计算x,y,z三个方向上各自的坐标差并分别作为最小包围体的长、宽、高,并计算出体积为Vmin;
令D为最小包围体与最大包围体的体积之比;根据统计法得到滤除阈值α,若D>α,则认为该点是植被点,滤除;若D<α,则认为该点是非植被点,则保留;
重复上述步骤,直至第一点云数据中所有点云都处理完毕,即完成第一点云数据中散乱植被点云的滤除操作,获得第二点云数据。
在上述方案中,所述植被点云去除单元具体实现以下步骤:
基于点云的高度信息,将点云初步去除单元的第二点云数据分割成六个部分点云数据,依次计算各个部分点云的分布广度,据此判断各部分点云是否包含植被点云;
再将各个部分点云中只包含建筑桥梁点云的全部点云标记为非植被可疑点;对同时包含植被与桥梁点云的那部分数据运用颜色模型判断是否为植被可疑点;
即获取植被与桥梁点云的颜色特征I,且根据统计方法得到颜色阈值T,当I>T被标记为植被可疑点,否则为非植被可疑点,至此,全部点云数据都被标记处理;
根据获取点云中任意球邻域的邻近点,计算邻域点云个数,若邻域点云总个数大于阈值M1或邻域内植被可疑点所占比例小于M2,则被认为是非植被点,予以保留,否则认为是植被点予以滤除;
重复上述步骤,直至各部分点云中的所有植被点都处理完毕,最后获得第三点云数据。
在上述方案中,所述地面点云去除单元具体实现以下步骤:
根据点云去除单元的第三点云数据构建KD-Tree,建立点云的拓扑关系,获取点云中所有点的球邻域;
任选其中一球邻域,拟合出局部平面,基于局部平面进行法向量估计;
计算各个点的法向量与向量(0,0,1)的余弦值,将高程值与余弦值相结合,根据统计方法计算出阈值滤除地面点云;得到最终的桥梁点云。本发明利用植被点云分布发散这一特征,运用分散度法对植被点云进行初步滤除;为充分利用颜色与高程特征,构建改进的半径滤波算法,对树干植被点云与剩余点云进行滤除;最后利用法向滤波模型对地面点云进行滤除;本发明对颜色、形状、范围大小各不相同的非目标点进行滤除,能够更准确的滤除植被与地面点云,提高了桥梁点云的提取完整度。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的方法流程图;
图2为本发明提供的点云数据图;
图3为本发明提供的步骤S3具体实施步骤流程图;
图4为本发明提供的步骤S4具体实施步骤流程图;
图5为本发明提供的步骤S5具体实施步骤流程图;
图6为本发明提供的发明方法与其他案例的对比桥梁效果图;其中,
图(a)本发明的组合滤波方法(颜色模型+高程模型+法向滤波算法)提取桥梁的效果图;
图(b)为使用半径+颜色+布料模拟滤波算法提取桥梁的效果图;
图(c)为使用半径+高程+布料模拟滤波算法提取桥梁的效果图;
图(d)为使用半径+颜色+法向滤波算法提取桥梁的效果图;
图(e)为使用半径+高程+法向滤波算法提取桥梁的效果图;
图7为本发明提供的系统示意框图;
图8为本发明提供的计算机可读存储介质结构示意框图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术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,都属于本发明保护的范围。
在本发明的描述中,需要理解的是,术语"中心"、"纵向"、"横向"、"长度"、"宽度"、"厚度"、"上"、"下"、"前"、"后"、"左"、"右"、"竖直"、"水平"、"顶"、"底"、"内"、"外"、"顺时针"、"逆时针"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"仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有"第一"、"第二"的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中,"多个"的含义是两个或两个以上,除非另有明确具体的限定。此外,术语"安装"、"相连"、"连接"应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,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。
下面结合具体实施方式和说明书附图对本发明做出详细的说明。
方法实施例
根据本发明实施例,提供了一种陆地桥梁提取方法,如图1所示,根据本发明实施例的陆地桥梁提取方法,包括以下步骤:
S1、获取桥梁原始点云数据;本实施例通过激光雷达技术获取桥梁原始点云数据。
S2、获取桥梁原始点云数据作为目标点云数据;并将目标点云数据去噪,获得第一点云数据;本实施例采用统计去噪法去除点云数据中的离群噪声点。
S3、采用分散度法去除第一点云数据中散乱分布的植被点云,获得第二点云数据;
S4、根据植被与桥梁点云的颜色与高程特征的差异,运用颜色与高程特征对半径滤波算法进行改进,运用改进的半径滤波算法对第二点云数据中的植被点云进行滤除获得第三点云数据;通过统计植被与桥梁点云的红、绿、蓝三个颜色波段的均值与方差,构建能明显区分植被与桥梁的颜色模型。
本实施例单一运用颜色模型进行滤除,会将大量桥面点云错误滤除。由于植被的高度相对于桥面是较低的,所以将高度信息加入颜色模型中,以防止桥面点云被错误滤除。
综上依据植被与桥梁点云的颜色与高程差异,对植被点云进行滤除。
S5、计算第三点云数据的高程信息与法向信息,并构建法向滤波模型,对第三点云数据中地面点云进行滤除,获得桥梁点云。
本实施例,利用植被点云分布发散这一特征,运用分散度法对植被点云进行初步滤除;为充分利用颜色与高程特征信息,构建改进的半径滤波算法,对树干植被点云与剩余点云进行滤除;最后利用法向滤波模型对地面点云进行滤除;本发明对颜色、形状、范围大小各不相同的非目标点进行滤除,能够更准确的滤除植被与地面点云,提高了桥梁点云的提取完整度。
下面对本发明实施例技术方案进行详细说明。
基于步骤S1获取桥梁原始点云数据作为目标点云数据,该点云数据量是11,804,344,如图2所示,该数据最终以(x,y,z,R,G,B,I)的格式输出,其中x,y,z表示数据的几何位置信息;R,G,B表示颜色信息;I表示回波强度信息,再将目标点云数据进行去除离群噪点,具体可为:
基于KD-Tree的k邻域搜索,确定查询点与邻域点的平均距离,再由平均距离的统计特征确定截断阈值对离群噪声点进行去除,去除噪声后的点云数据的数量是11,256,372,即为第一点云数据。
进一步优选,通过观察点云数据发现,植被点云可分为散乱、线状植被点云,因此步骤S3采用分散度法去除第一点云数据中散乱分布的植被点云,获得第二点云数据,如图3所示,具体通过以下步骤实现:
S31:对第一点云数据构建KD-Tree,建立点云的拓扑关系,并构建点云中所有点的k邻域;
S32:任选其中一个k邻域,计算该邻域x,y,z三个方向上的最大坐标差,以其为边长构建最大包围体,并计算出体积为Vmax;
S33:然后计算x,y,z三个方向上各自的坐标差分别作为最小包围体的长宽高,由此计算出体积为Vmin;
S34:令D为最小包围体与最大包围体的体积之比;根据统计法得到滤除阈值α,若D>α,则认为该点是植被点,滤除;若D<α,则认为该点是非植被点,则保留;
S35:重复上述步骤S32~S34,直至点云中所有点都处理完毕,即完成第一点云数据中散乱植被点云的滤除操作,获得第二点云数据。
进一步优选,再根据根据植被点云与桥梁点云的颜色与高程特征的差异,运用颜色与高程特征对半径滤波算法进行改进,运用改进的半径滤波算法对第二点云数据中的所有植被点云进行滤除获得第三点云数据,主要用于滤除路边绿化带,树枝,树干等植被点云。如图4所示,具体通过以下步骤实现:
S41:基于点云的高度信息,将第二点云数据分割成六个部分点云数据,依次计算各个部分点云的分布广度,据此判断各部分点云是否包含植被点云;各个部分点云的分布广度的计算为对于六个部分点云依次计算点云x方向的宽度(也就是计算x轴的最大坐标)。
S42:将上述各个部分点云中只包含建筑桥梁点云的全部点云标记为非植被可疑点;对同时包含植被与桥梁点云的那部分数据运用颜色模型判断是否为植被可疑点;
即获取植被与桥梁点云的颜色特征I,且根据统计方法得到颜色阈值T,当I>T被标记为植被可疑点,否则为非植被可疑点,至此,全部点云数据都被标记处理。
S43:根据步骤S42中被标记的点云中任意球邻域的邻近点,计算邻域点云个数,若邻域点云总个数大于阈值M1或邻域内植被可疑点所占比例小于M2,则被认为是非植被点,予以保留,否则认为是植被点予以滤除;
S44:重复上述步骤S42~S43,直至各部分点云中的所有植被点都处理完毕,最后获得第三点云数据。
其中步骤S42中颜色模型构建具体如下:
S421:利用K-MEANS聚类算法将原始点云聚为9类,选取其中只包含植被与桥梁的点云数据进行统计分析;
S422:统计点云数据分析红、绿、蓝三个波段的特征均值与方差,如表1所示;
表1
S423:分析统计的均值与方差,构建颜色模型。
本实施例优选,所述步骤S4还包括以下步骤:
按照x轴的方向进行观察发现粗壮树干点云稀疏地分布在建筑桥梁的两侧。依据此特点,包括步骤:
通过统计单位长度第三点云数目,计算出相应区间点云的分布概率,确定分割阈值,并由此分割植被点云与建筑桥梁点云。该步骤实现对树干植被点云与剩余点云进行滤除,使滤除后的点云数据更精准。
进一步优选,计算第三点云数据的高程信息与法向信息,并构建法向滤波模型,对第三点云数据中地面点云进行滤除,获得桥梁点云,如图5所示,具体包括以下步骤:
S51:对第三点云数据构建KD-Tree,建立点云的拓扑关系,获取点云中所有点的球邻域;
S52:任选其中一球邻域,拟合出局部平面,基于局部平面进行法向量估计;
S53:计算各个点的法向量与向量(0,0,1)的余弦值,将所有第三点云数据高程值与余弦值相结合,根据统计方法计算出阈值滤除地面点云,得到最终的桥梁点云。其中,
步骤中S52中法向量估计具体包括以下分步骤:
S521:任取一点p,搜索其最相邻的k个点,计算中心点与其邻域点最小二乘意义上的局部平面P此平面的计算公式为:
S522:将局部平面P的法向量当作当前点p的法向量,平面P的法向量可以由主成分分析得到,由运算知P经过其k邻域点的质心p0,且法向量满足对下式中的协方差矩阵M进行特征值分解,M的最小特征值对应的特征向量即P的法向量
下面通过具体对比案例说明上述实施例,具体如下:
本案例选取的算法1和算法2均是目前常用的滤波算法,将算法1和2中的布料模拟滤波替换成法向滤波得到算法3和4,运用颜色、高程和法向三种特征构建的组合滤波算法即本文算法。
本实施例对比半径+颜色+布料模拟滤波算法、半径+高程+布料模拟滤波算法、半径+颜色+法向滤波算法、半径+高程+法向滤波算法四种方法对同一场景中的桥梁进行提取,且提取的效果图依次如图6(a)、(b)、(c)、(d)及(e)所示;
如图对比所示,本实施例提取桥梁的效果图,与半径+颜色+布料模拟滤波算法的对比图,由图可知大量植被点云与地面点云被保留下且大量桥面点云被误滤除,运用高程信息将颜色信息进行替换效果对比图见图6(c),由图可知大量桥面点云得以保留,但仍存在大量植被与地面点云。运用法向滤波模型将布料模拟滤波模型进行替换效果对比图见图6(d),由图可知大量地面点云被滤除。与半径+高程+法向滤波算法对比图见图6(e),由图可知大量植被点云虽被错误保留,但桥梁点云完整度相对较好。
为了定量分析评估滤波算法的性能,将原始点云O分为目标点云Ot和非目标点云On,将点云进行滤波后,保留的点云包含目标点云Rt和非目标点云Rn,滤除的点云包括目标点云Dt和非目标点云Dn。定义
第I类误差:将非目标点云误判为目标点云,即Ea=Rn/On×100%。
第II类误差为总误差:将非目标点云误判为目标点云和将目标点云误判为非目标点云,即Eb=(Dt+Rn)/O×100%.定义桥梁点云的提取完整度:保留的目标点云与目标点云的比值,即I=Rt/Ot。
与其他方法的对比见下表2,本实施例提取桥梁点云的完整率为99.3%,误差为0.73%,对比现有滤波方法,组合滤波方法可更完整的提取桥梁点云,准确率更高。
表2
本实施例方法为有效剔除土木桥梁施工场景下的植被与地面点云,该算法利用点云的分散度、颜色特征、高程特征和统计特征对植被点云进行滤除,之后进一步分析地面与桥梁点云的分布特征,建立法向滤波模型滤除地面点云,从而更加精确地提取桥梁点云。
系统实施例
根据本发明实施例,提供了一种陆地桥梁提取系统,如图7所示,根据本发明实施例的陆地桥梁提取系统,包括:
数据获取单元:用于获取桥梁原始点云数据,具体可通过激光雷达技术获取桥梁原始点云数据。
数据处理单元:用于将桥梁原始点云数据作为目标点云数据,并将目标点云数据去噪,获得第一点云数据;本单元采用统计去噪法去除点云数据中的离群噪声点,具体为:
基于KD-Tree的k邻域搜索,确定查询点与邻域点的平均距离,再由平均距离的统计特征确定截断阈值对离群噪声点进行去除,去除噪声后的点云数据的数量是11,256,372,即为第一点云数据。
植被点云初步去除单元:采用分散度法去除数据处理单元获取的第一点云数据中散乱分布的植被点云,获得第二点云数据;本单元具体实现步骤如下:
A1:对第一点云数据构建KD-Tree,建立点云的拓扑关系,并构建点云中所有点的k邻域;
A2:任选其中一个k邻域,计算该邻域x,y,z三个方向上的最大坐标差,以其为边长构建最大包围体,并计算出体积为Vmax;
A3:然后计算x,y,z三个方向上各自的坐标差分别作为最小包围体的长宽高,由此计算出体积为Vmin;
A4:令D为最小包围体与最大包围体的体积之比;根据统计法得到滤除阈值α,若D>α,则认为该点是植被点,滤除;若D<α,则认为该点是非植被点,则保留;
A5:重复上述步骤A2~A4,直至点云中所有点都处理完毕,即完成第一点云数据中散乱植被点云的滤除操作,获得第二点云数据。
植被点云去除单元:根据植被点云与桥梁点云的颜色与高程特征的差异,运用颜色与高程特征对半径滤波算法进行改进,运用改进的半径滤波算法对第二点云数据中的所有植被点云进行滤除获得第三点云数据;本单元具体实现步骤如下:
B1:基于点云的高度信息,将第二点云数据分割成6部分点云数据,依次计算各个部分点云的分布广度,据此判断各部分点云是否包含植被点云;
B2:将上述各个部分点云中只包含建筑桥梁点云的全部点云标记为非植被可疑点;对同时包含植被与桥梁点云的那部分数据运用颜色模型判断是否为植被可疑点;
即获取植被与桥梁点云的颜色特征I,且根据统计方法得到颜色阈值T,当I>T被标记为植被可疑点,否则为非植被可疑点,至此,全部点云数据都被标记处理。
B3:根据获取点云中任意球邻域的邻近点,计算邻域点云个数,若邻域点云总个数大于阈值M1或邻域内植被可疑点所占比例小于M2,则被认为是非植被点,予以保留,否则认为是植被点予以滤除;
B4:重复上述步骤,直至各部分点云中的所有植被点都处理完毕,最后获得第三点云数据。
其中步骤B2中颜色模型构建具体如下:
B21:利用K-MEANS聚类算法将原始点云聚为9类,选取其中只包含植被与桥梁的点云数据进行统计分析;
B22:统计点云数据分析红、绿、蓝三个波段的特征均值与方差;
B23:分析统计的均值与方差,构建颜色模型。
本实施例优选,植被点云去除单元还实现以下步骤:
通过统计单位长度点云数目,计算出相应区间点云的分布概率,确定分割阈值,并由此分割植被点云与建筑桥梁点云。
地面点云去除单元:用于计算第三点云数据的高程信息与法向信息,并构建法向滤波模型,对第三点云数据中地面点云进行滤除,获得桥梁点云。
C1:对第三点云数据构建KD-Tree,建立点云的拓扑关系,获取点云中所有点的球邻域;
C2:任选其中一球邻域,拟合出局部平面,基于局部平面进行法向量估计;
C3:计算各个点的法向量与向量(0,0,1)的余弦值,将高程值与余弦值相结合,根据统计方法计算出阈值滤除地面点云,得到最终的桥梁点云。其中,
步骤中C2中法向量估计具体包括以下分步骤:
C21:任取一点p,搜索其最相邻的k个点,计算中心点与其邻域点最小二乘意义上的局部平面P此平面的计算公式为:
C22:将局部平面P的法向量当作当前点p的法向量,平面P的法向量可以由主成分分析得到,由运算知P经过其k邻域点的质心p0,且法向量满足对下式中的协方差矩阵M进行特征值分解,M的最小特征值对应的特征向量即P的法向量
如图8所示,本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述实施例中陆地桥梁提取方法,或者计算机程序被处理器执行时实现上述实施例中陆地桥梁提取方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种陆地桥梁提取方法,其特征在于,包括以下步骤:
获取桥梁原始点云数据;将桥梁原始点云数据作为目标点云数据;并将目标点云数据去噪,获得第一点云数据;采用分散度法去除第一点云数据中散乱分布的植被点云,获得第二点云数据;根据植被点云与桥梁点云的颜色与高程特征的差异,运用颜色与高程特征对半径滤波算法进行改进,运用改进的半径滤波算法对第二点云数据中的所有植被点云进行滤除获得第三点云数据;计算第三点云数据的高程信息与法向信息,并通过构建的法向滤波模型,对第三点云数据中地面点云进行滤除,获得桥梁点云。
2.如权利要求1所述的陆地桥梁提取方法,其特征在于,所述采用分散度法去除第一点云数据中散乱分布的植被点云,获得第二点云数据具体包括以下步骤:
根据第一点云数据构建KD-Tree,建立点云的拓扑关系,并构建点云中所有点的k邻域;
任选其中一个k邻域,计算该邻域x,y,z三个方向上的最大坐标差,以其为边长构建最大包围体,并计算出体积为Vmax;
再计算x,y,z三个方向上各自的坐标差并分别作为最小包围体的长、宽、高,并计算出体积为Vmin;
令D为最小包围体与最大包围体的体积之比;根据统计法得到滤除阈值α,若D>α,则认为该点是植被点,滤除;若D<α,则认为该点是非植被点,则保留;
重复上述步骤,直至第一点云数据中所有点云都处理完毕,即完成第一点云数据中散乱植被点云的滤除操作,获得第二点云数据。
3.如权利要求1所述的陆地桥梁提取方法,其特征在于,所述根据植被点云与桥梁点云的颜色与高程特征的差异,运用颜色与高程特征对半径滤波算法进行改进,运用改进的半径滤波算法对第二点云数据中的所有植被点云进行滤除获得第三点云数据具体包括以下步骤:
基于点云的高度信息,将第二点云数据分割成六个部分点云数据,依次计算各个部分点云的分布广度,据此判断各部分点云是否包含植被点云;
再将各个部分点云中只包含建筑桥梁点云的全部点云标记为非植被可疑点;对同时包含植被与桥梁点云的那部分数据运用颜色模型判断是否为植被可疑点;
即获取植被与桥梁点云的颜色特征I,且根据统计方法得到颜色阈值T,当I>T被标记为植被可疑点,否则为非植被可疑点,至此,全部点云数据都被标记处理;
根据上述被标记的点云中任意球邻域的邻近点,计算邻域点云个数,若邻域点云总个数大于阈值M1或邻域内植被可疑点所占比例小于M2,则被认为是非植被点,予以保留,否则认为是植被点予以滤除;
重复上述步骤,直至各部分点云中的所有植被点都处理完毕,最后获得第三点云数据。
4.如权利要求1所述的陆地桥梁提取方法,其特征在于,所述计算第三点云数据的高程信息与法向信息,并通过构建的法向滤波模型,对第三点云数据中地面点云进行滤除,获得桥梁点云具体包括以下步骤:
根据第三点云数据构建KD-Tree,建立点云的拓扑关系,获取点云中所有点的球邻域;
任选其中一球邻域,拟合出局部平面,基于局部平面进行法向量估计;
计算各个点的法向量与向量(0,0,1)的余弦值,将所有第三点云数据高程值与余弦值相结合,根据统计方法计算出阈值滤除地面点云,得到最终的桥梁点云。
5.如权利要求1所述的陆地桥梁提取方法,其特征在于,所述获取第三点云数据后,还实现以下步骤:
通过统计单位长度第三点云数目,计算出相应区间点云的分布概率,确定分割阈值,并由此分割植被点云与建筑桥梁点云。
7.一种陆地桥梁提取系统,其特征在于,包括
数据获取单元:用于获取桥梁原始点云数据,具体可通过激光雷达技术获取桥梁原始点云数据;
数据处理单元:用于将桥梁原始点云数据作为目标点云数据;并将目标点云数据去噪,获得第一点云数据;
植被点云初步去除单元:采用分散度法去除数据处理单元获取的第一点云数据中散乱分布的植被点云,获得第二点云数据;
植被点云去除单元:根据植被点云与桥梁点云的颜色与高程特征的差异,运用颜色与高程特征对半径滤波算法进行改进,运用改进的半径滤波算法对第二点云数据中的所有植被点云进行滤除获得第三点云数据;
地面点云去除单元:用于计算第三点云数据的高程信息与法向信息,并构建法向滤波模型,对第三点云数据中地面点云进行滤除,获得桥梁点云。
8.如权利要求7所述的一种陆地桥梁提取系统,其特征在于,所述植被点云初步去除单元具体实现以下步骤:
根据数据处理单元的第一点云数据构建KD-Tree,建立点云的拓扑关系,并构建点云中所有点的k邻域;
任选其中一个k邻域,计算该邻域x,y,z三个方向上的最大坐标差,以其为边长构建最大包围体,并计算出体积为Vmax;
再计算x,y,z三个方向上各自的坐标差并分别作为最小包围体的长、宽、高,并计算出体积为Vmin;
令D为最小包围体与最大包围体的体积之比;根据统计法得到滤除阈值α,若D>α,则认为该点是植被点,滤除;若D<α,则认为该点是非植被点,则保留;
重复上述步骤,直至第一点云数据中所有点云都处理完毕,即完成第一点云数据中散乱植被点云的滤除操作,获得第二点云数据。
9.如权利要求7所述的一种陆地桥梁提取系统,其特征在于,所述植被点云去除单元具体实现以下步骤:
基于点云的高度信息,将点云初步去除单元的第二点云数据分割成六个部分点云数据,依次计算各个部分点云的分布广度,据此判断各部分点云是否包含植被点云;
再将各个部分点云中只包含建筑桥梁点云的全部点云标记为非植被可疑点;对同时包含植被与桥梁点云的那部分数据运用颜色模型判断是否为植被可疑点;
即获取植被与桥梁点云的颜色特征I,且根据统计方法得到颜色阈值T,当I>T被标记为植被可疑点,否则为非植被可疑点,至此,全部点云数据都被标记处理;
根据获取点云中任意球邻域的邻近点,计算邻域点云个数,若邻域点云总个数大于阈值M1或邻域内植被可疑点所占比例小于M2,则被认为是非植被点,予以保留,否则认为是植被点予以滤除;
重复上述步骤,直至各部分点云中的所有植被点都处理完毕,最后获得第三点云数据。
10.如权利要求7所述的一种陆地桥梁提取系统,其特征在于,所述地面点云去除单元具体实现以下步骤:
根据点云去除单元的第三点云数据构建KD-Tree,建立点云的拓扑关系,获取点云中所有点的球邻域;
任选其中一球邻域,拟合出局部平面,基于局部平面进行法向量估计;
计算各个点的法向量与向量(0,0,1)的余弦值,将高程值与余弦值相结合,根据统计方法计算出阈值滤除地面点云,得到最终的桥梁点云。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111299758.6A CN114037708A (zh) | 2021-11-04 | 2021-11-04 | 一种陆地桥梁提取方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111299758.6A CN114037708A (zh) | 2021-11-04 | 2021-11-04 | 一种陆地桥梁提取方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114037708A true CN114037708A (zh) | 2022-02-11 |
Family
ID=80136193
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111299758.6A Pending CN114037708A (zh) | 2021-11-04 | 2021-11-04 | 一种陆地桥梁提取方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114037708A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116167668A (zh) * | 2023-04-26 | 2023-05-26 | 山东金至尊装饰工程有限公司 | 基于bim的绿色节能建筑施工质量评价方法及系统 |
CN116797741A (zh) * | 2023-07-24 | 2023-09-22 | 广州葛洲坝建设工程有限公司 | 一种基于点云数据的曲面多边形弯扭骨架逆向建模方法 |
-
2021
- 2021-11-04 CN CN202111299758.6A patent/CN114037708A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116167668A (zh) * | 2023-04-26 | 2023-05-26 | 山东金至尊装饰工程有限公司 | 基于bim的绿色节能建筑施工质量评价方法及系统 |
CN116167668B (zh) * | 2023-04-26 | 2023-07-14 | 山东金至尊装饰工程有限公司 | 基于bim的绿色节能建筑施工质量评价方法及系统 |
CN116797741A (zh) * | 2023-07-24 | 2023-09-22 | 广州葛洲坝建设工程有限公司 | 一种基于点云数据的曲面多边形弯扭骨架逆向建模方法 |
CN116797741B (zh) * | 2023-07-24 | 2024-01-05 | 广州葛洲坝建设工程有限公司 | 一种基于点云数据的曲面多边形弯扭骨架逆向建模方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021143778A1 (zh) | 一种基于激光雷达的定位方法 | |
CN108363983B (zh) | 一种基于无人机影像与重建点云的城市植被分类方法 | |
CN104778721B (zh) | 一种双目图像中显著性目标的距离测量方法 | |
Vosselman | Point cloud segmentation for urban scene classification | |
CN104463872B (zh) | 基于车载LiDAR点云数据的分类方法 | |
CN114037708A (zh) | 一种陆地桥梁提取方法和系统 | |
CN110992341A (zh) | 一种基于分割的机载LiDAR点云建筑物提取方法 | |
US9064151B2 (en) | Device and method for detecting plantation rows | |
CN110309781B (zh) | 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法 | |
CN105976310A (zh) | 一种基于分块的vca端元提取方法 | |
CN111723721A (zh) | 基于rgb-d的三维目标检测方法、系统及装置 | |
CN105389799B (zh) | 基于素描图与低秩分解的sar图像目标检测方法 | |
CN112990313B (zh) | 高光谱图像异常检测方法、装置、计算机设备及存储介质 | |
Cheng et al. | Building boundary extraction from high resolution imagery and lidar data | |
CN111626269A (zh) | 一种实用的大空间范围滑坡提取方法 | |
CN106650580A (zh) | 基于图像处理的货架快速清点方法 | |
CN113538264B (zh) | 一种点云数据的去噪方法、装置及存储介质 | |
CN115690086A (zh) | 一种基于对象的高分辨率遥感影像变化检测方法及系统 | |
CN112669333A (zh) | 一种单木信息提取方法 | |
CN110348478B (zh) | 一种基于形状分类与组合的室外点云场景中树木提取方法 | |
CN111487643A (zh) | 一种基于激光雷达点云和近红外影像的建筑物检测方法 | |
CN106324708B (zh) | 雨量记录图纸的数字化方法、装置 | |
CN111860359B (zh) | 一种基于改进随机森林算法的点云分类方法 | |
Nelson et al. | Spatial statistical techniques for aggregating point objects extracted from high spatial resolution remotely sensed imagery | |
Vannier et al. | Detection of wooded hedgerows in high resolution satellite images using an object-oriented 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 |