CN114463338B - 一种基于图割与后处理的建筑物激光脚点自动提取方法 - Google Patents
一种基于图割与后处理的建筑物激光脚点自动提取方法 Download PDFInfo
- Publication number
- CN114463338B CN114463338B CN202210014684.5A CN202210014684A CN114463338B CN 114463338 B CN114463338 B CN 114463338B CN 202210014684 A CN202210014684 A CN 202210014684A CN 114463338 B CN114463338 B CN 114463338B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- laser radar
- building
- airborne laser
- 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
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 21
- 238000012805 post-processing Methods 0.000 title claims abstract description 13
- 239000013598 vector Substances 0.000 claims abstract description 51
- 238000001914 filtration Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000000750 progressive effect Effects 0.000 claims abstract description 7
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 4
- 230000011218 segmentation Effects 0.000 claims abstract description 4
- 230000001174 ascending effect Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 2
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003384 imaging method 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
- 238000003672 processing method Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar 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
- G06T2207/20—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
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明公开了一种基于图割与后处理的建筑物激光脚点自动提取方法,该方法包括:使用渐进三角网加密滤波算法对机载激光雷达点云数据进行处理,得到地面点与非地面点;使用主成分分析法计算非地面点的曲率特征以及法向量方差特征,并使用逻辑函数对特征进行归一化处理;使用非地面点云与归一化曲率特征以及法向量方差特征构建无向权重图,并根据最小割原理对权重图进行分割,得到初始建筑物;使用高程约束、限制性区域增长、最大夹角约束与一致性约束对初提取结果进行后处理,得到精确的建筑物。本发明以数据驱动方式对采集到的建筑物区域的机载LiDAR点云数据进行处理,提取建筑物,便于后续基于建筑物的各种应用。
Description
技术领域
本发明属于机载激光雷达数据处理技术领域,尤其涉及一种基于图割与后处理的建筑物激光脚点自动提取方法。
背景技术
从遥感数据中自动提取建筑物在建筑物三维重建、城市规划、灾害分析以及数字地图自动更新中至关重要,自从机载激光雷达(Airborne Light Detection And Ranging,LiDAR)的出现,由于其可以获取高密度和高精度的点云数据,在建筑物自动提取中得到广泛的运用。
在LiDAR数据处理领域,建筑物提取是将点分成建筑物点与非建筑物点,又称为建筑物探测。由于建筑物结构的复杂性和三维场景构成的多样性,如何高效、精确、自动提取三维建筑物是一个难点。尤其是具有多个屋面的复杂结构建筑物,屋脊线处的点云特征与植被很相近,同时机载激光雷达点云数据具有离散、不规则的特点,均增加了建筑物提取的难度。
发明内容
本发明针对机载激光雷达点云数据建筑物脚点自动化提取的问题,在于提出一种基于图割与后处理的建筑物激光脚点自动提取方法,以达到准确、快速提取建筑物激光脚点的目的。
本发明提出了一种基于图割与后处理的建筑物激光脚点自动提取方法,具体步骤如下:
步骤1:引入机载激光雷达点云数据;
步骤2:将机载激光雷达点云数据使用渐进三角网加密滤波算法进行滤波处理,获取机载激光雷达点云数据中非地面点云以及机载激光雷达点云数据中地面点云;
步骤3:使用主成分分析法计算机载激光雷达点云数据中非地面点云的曲率特征以及法向量方差特征,使用逻辑函数对机载激光雷达点云数据中非地面点云的曲率特征以及法向量方差特征分别进行归一化处理,得到机载激光雷达点云数据中非地面点云的归一化曲率特征以及归一化法向量方差特征;
步骤4,使用机载激光雷达点云数据中非地面点云的归一化曲率特征以及归一化法向量方差特征构建无向权重图G{V,E},V是无向权重图中的节点,表示机载激光雷达点云数据中非地面点,E是无向权重图中边,连接机载激光雷达点云数据中相邻两个非地面点。根据机载激光雷达点云数据中非地面点云的归一化曲率特征以及归一化法向量方差特征使用数据惩罚函数计算无向权重图中每个节点属于建筑物与非建筑物的数据惩罚值,根据机载激光雷达点云数据中非地面点云的归一化曲率特征、归一化法向量方差特征以及点云的三维坐标使用平滑惩罚函数计算无向权重图中相邻节点之间的平滑惩罚值。根据最小割原理对机载激光雷达点云数据中非地面点云的归一化曲率特征以及归一化法向量方差特征构建的无向权重图进行分割,得到机载激光雷达点云数据中初始的建筑物点云数据;
步骤5,使用欧氏距离计算方法计算机载激光雷达点云数据中初始的建筑物点云数据中每个建筑物点距离该点最近的机载激光雷达点云数据中地面点之间的欧氏距离,若欧氏距离小于距离阈值则将该点标记为建筑物,得到机载激光雷达点云数据中新的建筑物点云数据和机载激光雷达点云数据中新的地面点。以机载激光雷达点云数据中新的建筑物点云数据为种子点进行区域增长得到机载激光雷达点云数据中较新的建筑物点云数据和机载激光雷达点云数据中较新的非建筑物点云数据。对于机载激光雷达点云数据中较新的建筑物点云数据中每个点,从机载激光雷达点云数据中地面点搜索近邻点并与机载激光雷达点云数据中较新的建筑物点云数据中点构造向量,使用向量间夹角计算方法计算每个构造的向量与竖直方向单位向量之间的夹角,并对夹角进行升序排序得到升序夹角,计算任意相邻升序夹角之间的角度差得到最大角度差值。若最大角度差值大于阈值则标记该点为建筑物点,得到机载激光雷达点云数据中次新的建筑物点云数据和机载激光雷达点云数据中次新的非建筑物点云数据。对于机载激光雷达点云数据中次新的建筑物点云数据中每个点,从机载激光雷达点云数据中使用KDtree搜索近邻点,若所有的近邻点均属于机载激光雷达点云数据中次新建筑物点,则标记该点为建筑物,得到最终机载激光雷达点云数据中所有的建筑物点。
本发明与现有技术相比,具有以下优点:
提出了一种基于低秩子空间聚类(LRSC)的法向量方差特征,可以有效区分屋脊线处的建筑物点与植被。相比较基于PCA的方向量方差特征,其对参数阈值设置更稳健,更适合提取复杂结构的建筑物。
提出的最大夹角约束可以有效剔除狭长的大型非建筑物点簇,如沿街的绿化带和天桥,克服了基于面积约束方法难以设置阈值的缺陷。
在算法中引入上下文信息与一致性约束信息,可以有效消除不一致性现象,提高建筑物提取精度。
仅使用2个点云特征进行建筑物提取,降低了点云特征计算成本,有利于提高算法效率。
附图说明
图1:一种基于图割与后处理的建筑物激光脚点自动提取方法的流程图;
图2:渐进三角网加密算法中初始种子点选取并构建TIN示意图;
图3:计算角度与距离示意图;
图4:低秩子空间聚类估算的法向量示意图;
图5:逻辑函数示意图;
图6:构建的无向权重图示意图;
图7:最大夹角计算示意图;
图8:建筑物激光脚点提取结果示意图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
本发明包括第一实施例以及第二实施例。
所述第一实施例如图1所示,一种基于图割与后处理的建筑物激光脚点自动提取方法,包括以下步骤:
步骤1:引入机载激光雷达点云数据;
步骤2:将机载激光雷达点云数据使用渐进三角网加密滤波算法进行滤波处理,获取机载激光雷达点云数据中非地面点云以及机载激光雷达点云数据中地面点云;
步骤3:使用主成分分析法计算机载激光雷达点云数据中非地面点云的曲率特征以及法向量方差特征,使用逻辑函数对机载激光雷达点云数据中非地面点云的曲率特征以及法向量方差特征分别进行归一化处理,得到机载激光雷达点云数据中非地面点云的归一化曲率特征以及归一化法向量方差特征;
步骤4,使用机载激光雷达点云数据中非地面点云的归一化曲率特征以及归一化法向量方差特征构建无向权重图G{V,E},V是无向权重图中的节点,表示机载激光雷达点云数据中非地面点,E是无向权重图中边,连接机载激光雷达点云数据中相邻两个非地面点。根据机载激光雷达点云数据中非地面点云的归一化曲率特征以及归一化法向量方差特征使用数据惩罚函数计算无向权重图中每个节点属于建筑物与非建筑物的数据惩罚值,根据机载激光雷达点云数据中非地面点云的归一化曲率特征、归一化法向量方差特征以及点云的三维坐标使用平滑惩罚函数计算无向权重图中相邻节点之间的平滑惩罚值。根据最小割原理对机载激光雷达点云数据中非地面点云的归一化曲率特征以及归一化法向量方差特征构建的无向权重图进行分割,得到机载激光雷达点云数据中初始的建筑物点云数据;
步骤5,使用欧氏距离计算方法计算机载激光雷达点云数据中初始的建筑物点云数据中每个建筑物点距离该点最近的机载激光雷达点云数据中地面点之间的欧氏距离,若欧氏距离小于距离阈值则将该点标记为建筑物,得到机载激光雷达点云数据中新的建筑物点云数据和机载激光雷达点云数据中新的地面点。以机载激光雷达点云数据中新的建筑物点云数据为种子点进行区域增长得到机载激光雷达点云数据中较新的建筑物点云数据和机载激光雷达点云数据中较新的非建筑物点云数据。对于机载激光雷达点云数据中较新的建筑物点云数据中每个点,从机载激光雷达点云数据中地面点搜索近邻点并与机载激光雷达点云数据中较新的建筑物点云数据中点构造向量,使用向量间夹角计算方法计算每个构造的向量与竖直方向单位向量之间的夹角,并对夹角进行升序排序得到升序夹角,计算任意相邻升序夹角之间的角度差得到最大角度差值。若最大角度差值大于阈值则标记该点为建筑物点,得到机载激光雷达点云数据中次新的建筑物点云数据和机载激光雷达点云数据中次新的非建筑物点云数据。对于机载激光雷达点云数据中次新的建筑物点云数据中每个点,从机载激光雷达点云数据中使用KDtree搜索近邻点,若所有的近邻点均属于机载激光雷达点云数据中次新建筑物点,则标记该点为建筑物,得到最终机载激光雷达点云数据中所有的建筑物点。
本发明的第二实施例如下:
步骤1,在航飞载体上搭载一套LiDAR系统,包括惯性测量单元(IMU)、差分GPS(DGPS)、激光扫描测距系统和成像装置,采集得到建筑物场景的机载激光雷达点云数据;
步骤2,使用渐进三角网加密算法对点云进行滤波,获取地面点与非地面点;
步骤3,对步骤2中的激光雷达数据利用KD-tree结构进行组织,计算点云特征,并使用归一化函数对点云特征进行归一化处理;
步骤4,根据计算的点云特征以及非地面点,构建无向权重图并进行图割;
步骤5,使用高程约束、限制性区域增长、最大夹角约束与一致性约束对提取结果进行后处理,得到精确的建筑物点;
如上所述的步骤2中,使用渐进三角网加密算法对点云进行滤波的方法为:
步骤2.1,首先将整个数据划分成规则格网,并将每个格网中最低点指定为初始地面点;
步骤2.2,将步骤2.1中获取的地面点构建成三角网作为参考地面(如图2所示);
步骤2.3;对于每个三角形,对位于该三角形中未标记的点,计算该点到三角网中最近的距离d,以及该点和该三角形顶点的连线与三角形面之间的夹角α(如图3所示);
其中为未标记点与三角网顶点构成的向量,/>为该三角网面对应的法向量,三角网平面方程ax+by+cz+d=0,arccos()为反余弦函数;
步骤2.4,若步骤2.3中计算的角度与距离均小于设定的阈值,则将该点标记为地面点;
步骤2.5,将当前迭代中标记的所有地面点添加到先前的地面点集中并重建三角网,执行步骤2.3-2.4,直至所有点标记为地面点或者非地面点时,停止迭代。
如上所述的步骤3中,激光雷达数据利用KD-tree结构进行组织,计算点云特征,并使用归一化函数对点云特征进行归一化处理的方法为:
步骤3.1,利用KD-tree结构对步骤1中得到的点云数据进行组织,搜索每个点的K最近邻点;
步骤3.2,根据K最近邻点采用主成分分析(Principal Component Analysis,PCA)计算该点的曲率特征fc:
其中,M为协方差矩阵,其由点p及近邻点Np构成,λ1,λ2,λ3(λ1≤λ2≤λ3)为M的三个特征值,通过对M进行特征值分解得到;
步骤3.3,根据K最近邻点,采用低秩子空间聚类算法估算每个点p的法向量(如图4所示):
其中,Ω为引导矩阵,其作为先验知识,E为软融合约束条件,β和γ为权重系数,||·||1为一阶范数,||·||2,1为l2,1范数,Z为系数矩阵;
步骤3.4,计算每个点p的法向量与竖直方向的夹角θ:
其中,为点p的法向量,/>为竖直方向向量,arccos()为反余弦函数;
步骤3.5,将[0,π/2]均匀划分成Dn个区间构成Dn维度直方图,对于任意点p及其近邻点NP={q1,q2,…,qm}对应的角度αP={α1,α2,…,αm},根据角度将其划分到对应的子区间;
步骤3.6,根据直方图计算点p的方向量方差特征fv:
其中,m为近邻点个数,ni为落入第i个格网内角度的个数;
步骤3.7,根据步骤3.5-3.6,计算每个点的法向量方差特征;
步骤3.8,使用逻辑函数(如图5所示)对曲率特征与法向量方差特征进行归一化:
其中,x0为特征阈值,k控制逻辑函数曲线陡度。
如上所述的步骤4中,利用点云特征与非地面点,构建无向权重图及图割的方法为:
步骤4.1,根据点云特征计算每个点的数据惩罚项Dp(lp)值:
Dp(lp=建筑物)=λ1fc+λ2fv (11)
Dp(lp=非建筑物)=1-(λ1fc+λ2fv) (12)
其中,λ1和λ2为曲率特征fc和法向量方差特征fv的权重,并且满足λ1+λ2=1;
步骤4.2,使用KD-tree搜索近邻点,计算相邻点的平滑项Vpq(lp,lq)值:
其中,fpc和fqc是点p和q的曲率特征fc,fpv和fqv是点p和q的法向量方差特征fv,ds为点之间的欧氏距离阈值,将其设置成2倍的平均点距,d(p,q)为点p与点q之间的欧氏距离。构建好的无向图权重示意图(如图6所示),使用最小割进行图割得到初始建筑物点;
如上所述的步骤5中,建筑物点云后处理的方法为:
步骤5.1,对于粗提取的建筑物,从地面点中搜索距离其最近的地面点,若该点高于距离其最近地面点一定高程,则标记该点为建筑物点,否则标记为非地面点;
步骤5.2,以当前提取的建筑物点为种子点,从非建筑物点中利用KD-tree搜索近邻点,并计算种子点与候选点绝对高差Δh:
Δh=abs(hseed-hcandidate) (15)
其中,hseed为种子点高程,hcandidate为候选点高程,abs()为绝对值函数;
步骤5.3,若Δh小于阈值,则标记其为建筑物点,否则标记为非建筑物点,绝对高差阈值一般设置为0.1m;
步骤5.4,以当前提取的建筑物点,利用KD-tree从地面点与非建筑物点中搜索近邻点,并与每一个近邻点构造法向量;
步骤5.5,选取某一方向为起始方向,对步骤5.4中构建的法向量,计算其与初始法向量之间的夹角(如图7所示);
步骤5.6,对计算的夹角进行升序排序,并计算相邻法向量之间的夹角δ:
其中,k为近邻点个数;
步骤5.7,选取δi中最大的角度最为该点的最大夹角δmax。若δmax大于阈值则标记该点为建筑物点,否则标记为非建筑物点,最大夹角约束值设置成180°;
步骤5.8,将建筑物点与非建筑物点,根据点p(xi,yi)的坐标划入到相应的格网内:
row=[(xi-xmin)/l] (17)
col=[(yi-ymin)/l] (18)
其中,row与col为该点在格网内的行号与列号,xmin与ymin为所有非地面点的x和y坐标的最小值,l为格网尺寸,一般设置成2倍平均点距,[]为取整函数;
步骤5.9,对于建筑物点所在格网,向四个方向搜索格网直至格网内包括点则停止,得到4个格网。若4个格网内没有建筑物点以及地面点,则该点标记为非建筑物点。最终建筑物激光脚点提取的最终结果,其提取的结果如图8所示。
本发明中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (1)
1.一种基于图割与后处理的建筑物激光脚点自动提取方法,通过使用图割算法与后处理方法来实现建筑物自动提取,其特征在于包括以下步骤:
步骤1:引入机载激光雷达点云数据;
步骤2:将机载激光雷达点云数据使用渐进三角网加密滤波算法进行滤波处理,获取机载激光雷达点云数据中非地面点云以及机载激光雷达点云数据中地面点云;
步骤3:使用主成分分析法计算机载激光雷达点云数据中非地面点云的曲率特征以及法向量方差特征,使用逻辑函数对机载激光雷达点云数据中非地面点云的曲率特征以及法向量方差特征分别进行归一化处理,得到机载激光雷达点云数据中非地面点云的归一化曲率特征以及归一化法向量方差特征;
步骤4,使用机载激光雷达点云数据中非地面点云的归一化曲率特征以及归一化法向量方差特征构建无向权重图G{V,E},V是无向权重图中的节点,表示机载激光雷达点云数据中非地面点,E是无向权重图中边,连接机载激光雷达点云数据中相邻两个非地面点;根据机载激光雷达点云数据中非地面点云的归一化曲率特征以及归一化法向量方差特征使用数据惩罚函数计算无向权重图中每个节点属于建筑物与非建筑物的数据惩罚值,根据机载激光雷达点云数据中非地面点云的归一化曲率特征、归一化法向量方差特征以及点云的三维坐标使用平滑惩罚函数计算无向权重图中相邻节点之间的平滑惩罚值;根据最小割原理对机载激光雷达点云数据中非地面点云的归一化曲率特征以及归一化法向量方差特征构建的无向权重图进行分割,得到机载激光雷达点云数据中初始的建筑物点云数据;
步骤5,使用欧氏距离计算方法计算机载激光雷达点云数据中初始的建筑物点云数据中每个建筑物点距离该点最近的机载激光雷达点云数据中地面点之间的欧氏距离,若欧氏距离小于距离阈值则将该点标记为建筑物,得到机载激光雷达点云数据中新的建筑物点云数据和机载激光雷达点云数据中新的地面点;以机载激光雷达点云数据中新的建筑物点云数据为种子点进行区域增长得到机载激光雷达点云数据中较新的建筑物点云数据和机载激光雷达点云数据中较新的非建筑物点云数据;对于机载激光雷达点云数据中较新的建筑物点云数据中每个点,从机载激光雷达点云数据中地面点搜索近邻点并与机载激光雷达点云数据中较新的建筑物点云数据中点构造向量,使用向量间夹角计算方法计算每个构造的向量与竖直方向单位向量之间的夹角,并对夹角进行升序排序得到升序夹角,计算任意相邻升序夹角之间的角度差得到最大角度差值;若最大角度差值大于阈值则标记该点为建筑物点,得到机载激光雷达点云数据中次新的建筑物点云数据和机载激光雷达点云数据中次新的非建筑物点云数据;对于机载激光雷达点云数据中次新的建筑物点云数据中每个点,从机载激光雷达点云数据中使用KDtree搜索近邻点,若所有的近邻点均属于机载激光雷达点云数据中次新建筑物点,则标记该点为建筑物,得到最终机载激光雷达点云数据中所有的建筑物点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210014684.5A CN114463338B (zh) | 2022-01-07 | 2022-01-07 | 一种基于图割与后处理的建筑物激光脚点自动提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210014684.5A CN114463338B (zh) | 2022-01-07 | 2022-01-07 | 一种基于图割与后处理的建筑物激光脚点自动提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114463338A CN114463338A (zh) | 2022-05-10 |
CN114463338B true CN114463338B (zh) | 2024-05-03 |
Family
ID=81409107
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210014684.5A Active CN114463338B (zh) | 2022-01-07 | 2022-01-07 | 一种基于图割与后处理的建筑物激光脚点自动提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114463338B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116071530B (zh) * | 2023-03-07 | 2023-07-28 | 青岛市勘察测绘研究院 | 一种基于机载激光点云的建筑物屋顶体素化分割方法 |
CN117237902B (zh) * | 2023-11-15 | 2024-01-26 | 山东飞宏工程机械有限公司 | 基于深度学习的机器人物体识别系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529431A (zh) * | 2016-10-31 | 2017-03-22 | 武汉大学 | 基于车载激光扫描数据的路坎点自动提取及矢量化方法 |
CN108764157A (zh) * | 2018-05-30 | 2018-11-06 | 湖北大学 | 基于法向量高斯分布的建筑物激光脚点提取方法及系统 |
CN110992341A (zh) * | 2019-12-04 | 2020-04-10 | 沈阳建筑大学 | 一种基于分割的机载LiDAR点云建筑物提取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2532948B (en) * | 2014-12-02 | 2021-04-14 | Vivo Mobile Communication Co Ltd | Object Recognition in a 3D scene |
-
2022
- 2022-01-07 CN CN202210014684.5A patent/CN114463338B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529431A (zh) * | 2016-10-31 | 2017-03-22 | 武汉大学 | 基于车载激光扫描数据的路坎点自动提取及矢量化方法 |
CN108764157A (zh) * | 2018-05-30 | 2018-11-06 | 湖北大学 | 基于法向量高斯分布的建筑物激光脚点提取方法及系统 |
CN110992341A (zh) * | 2019-12-04 | 2020-04-10 | 沈阳建筑大学 | 一种基于分割的机载LiDAR点云建筑物提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114463338A (zh) | 2022-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110570428B (zh) | 一种从大规模影像密集匹配点云分割建筑物屋顶面片的方法及系统 | |
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 | |
KR100963651B1 (ko) | 항공라이다자료를 이용한 건물외곽선 자동 추출 방법 | |
CN110794413B (zh) | 线性体素分割的激光雷达点云数据电力线检测方法和系统 | |
CN109241978B (zh) | 地基三维激光点云中平面片的快速提取方法 | |
CN111340723B (zh) | 一种地形自适应的机载LiDAR点云正则化薄板样条插值滤波方法 | |
Zeybek | Classification of UAV point clouds by random forest machine learning algorithm | |
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 | |
CN112945196B (zh) | 一种基于点云数据的露天矿台阶线提取和边坡监测的方法 | |
CN111354083B (zh) | 一种基于原始激光点云的递进式建筑物提取方法 | |
US7778808B2 (en) | Geospatial modeling system providing data thinning of geospatial data points and related methods | |
CN111950589B (zh) | 结合K-means聚类的点云区域生长优化分割方法 | |
CN113379919A (zh) | 一种基于无人机rgb相机的植被冠层高度快速提取方法 | |
CN111814715A (zh) | 一种地物分类方法及装置 | |
CN117765006A (zh) | 基于无人机影像与激光点云的多层次密集树冠分割方法 | |
CN112070787A (zh) | 基于对立推理理论的航空三维点云平面分割方法 | |
CN117253205A (zh) | 一种基于移动测量系统的道路面点云快速提取方法 | |
Qin et al. | A voxel-based filtering algorithm for mobile LiDAR data | |
CN111582156A (zh) | 一种基于倾斜摄影城市三维模型的高大植被提取方法 | |
Peeroo et al. | Building extraction for 3D city modelling using airborne laser scanning data and high-resolution aerial photo | |
Abdullah et al. | Automatic segmentation of LiDAR point cloud data at different height levels for 3D building extraction | |
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 | |
CN114463523A (zh) | 一种最小豪斯多夫距离面特征约束的点云航带平差方法 | |
CN111932574A (zh) | 基于多层次语义特征的建筑立面点云提取系统及方法 | |
Ye et al. | Gaussian mixture model of ground filtering based on hierarchical curvature constraints for airborne lidar point clouds |
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 |