CN114862715A - 一种融合地形特征语义信息的tin渐进加密去噪方法 - Google Patents

一种融合地形特征语义信息的tin渐进加密去噪方法 Download PDF

Info

Publication number
CN114862715A
CN114862715A CN202210495011.6A CN202210495011A CN114862715A CN 114862715 A CN114862715 A CN 114862715A CN 202210495011 A CN202210495011 A CN 202210495011A CN 114862715 A CN114862715 A CN 114862715A
Authority
CN
China
Prior art keywords
point cloud
tin
denoising
model
cloud data
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
Application number
CN202210495011.6A
Other languages
English (en)
Inventor
杨敏
袁希平
甘淑
杨永明
何凯
郭天伟
周新瑞
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.)
West Yunnan University Of Applied Sciences
Original Assignee
West Yunnan University Of Applied Sciences
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 West Yunnan University Of Applied Sciences filed Critical West Yunnan University Of Applied Sciences
Priority to CN202210495011.6A priority Critical patent/CN114862715A/zh
Publication of CN114862715A publication Critical patent/CN114862715A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明公开了一种融合地表语义特征信息的TIN渐进加密去噪处理方法，涉及点云去噪技术领域。获取目标区域的原始点云数据构建DEM和DSM；基于DEM和DSM构建地表语义特征信息；根据地表语义特征信息对原始点云数据进行分块，构建多尺度规则格网；运用多尺度规则格网提取每个格网中的高程最低点作为初始地面点，并基于初始地面点构建目标区域的初始不规则三角网TIN表面模型；将原始点云数据以预设坡度划分区块，并对每一区块分别确定原始点云数据与初始TIN表面模型的反复角和反复距离，进行渐进加密去噪处理。本发明方法克服了传统去噪中山脊特征被过度平滑的问题，能够在对原始数据去噪的同时有效地恢复地形表面结构特征。

Description

一种融合地形特征语义信息的TIN渐进加密去噪方法
技术领域
本发明涉及点云去噪技术领域，具体涉及一种融合地形特征语义信息的TIN渐进加密去噪方法。
背景技术
利用TLS(Terrestrial Laser Scanning,地面三维激光扫描)技术采集泥石流沟的点云数据时，由于受地面物体的遮挡及环境对激光脉冲信号的影响，获取到的点云中除了有地面点信息、还有地物点和其他噪声点的信息。为了生成高精度的地形三维模型，支撑变化监测、可视化分析、景观分析和水文分析等众多应用需求，通常要对原始点云进行去噪处理，提取准确的地面点信息。
地形三维模型的精度取决于2个关键点：一是噪声点，噪声点是不参与地形模型构建的点，一般指区域内的构筑物、建筑物和植被等，因此需全部剔除，但在实际去噪处理中，一些长在地形起伏较大的坡面上的低矮植被点很容易被滤波器判定为地面点，为了解决这一问题，通常的做法是严格控制滤波器的阈值，将可能是噪声点的点均拦截在外，这会导致过度去噪，将一些地面点误分为噪声点；二是地形结构特征，一般指山脊、山谷、山顶等，是地形分析中的关键点，多是几何上的凸点或者凹点，直接控制地表复刻精度，但去噪处理的思维是运用一个平滑的面去逐渐拟合真实地表，这个过程中几何上较突出的点往往很难被选到，因此大多数去噪方法均存在地形特征恢复困难的问题，也很难做到既要保证噪声点被完全去除，同时要确保地形特征被完整保留。
目前，已有不少国内外学者对点云去噪处理的方法开展了研究，其中，不规则三角网渐进加密去噪法因计算速度快，灵活性强，可通过调整阈值来适应不同地形条件下的处理对象等优点，在山区和城区点云去噪处理中均得到了广泛应用。TIN渐进加密去噪处理方法以一个初始地形表面为基础，通过分析三维点与初始地形表面之间的角度和距离关系来识别“地面点”。控制TIN渐进加密去噪法处理精度的要素有两个：一是规则格网尺寸，规则格网尺寸决定初始地面点的数量和位置。格网尺寸小，初始地面点的数量就大，但初始地面点中掺杂非地面点的可能性就大，这种错误会在计算中层层累积。格网尺寸大，则会使初始地面种子点密度不足，以至于初始地形三角网过度平滑，导致地形起伏较大区域的地表在后期加密处理中难以恢复，造成地表结构严重失真。二是判定阈值，判定阈值决定哪些点是地面点，哪些点是非地面点，阈值判定可根据处理对象的环境进行调节，只要进行充分的试验分析，即可找到合适的阈值。
因此现有技术中，对于地形起伏较大，沟谷纵横且低矮植被密集的复杂山地环境，TIN渐进加密去噪处理中若缺乏地形环境考量，会导致去噪效果不理想，提取到的地面点所构建的地表模型严重失真。
发明内容
本发明的目的就在于解决上述背景技术的问题，而提出一种融合地形特征语义信息的TIN渐进加密去噪方法。
本发明的目的可以通过以下技术方案实现：
本发明实施例提供了一种融合地表语义特征信息的TIN渐进加密去噪方法，所述方法包括：
获取目标区域的原始点云数据，基于所述原始点云数据构建所述目标区域的绝对数字高程模型DEM和数字地表模型DSM；
基于所述绝对DEM和所述DSM运用地形位指数模型构建地表语义特征信息；
根据所述地表语义特征信息对所述原始点云数据进行分块，通过试错法确定每类点云块的最佳格网尺寸，构建多尺度规则格网；
运用所述多尺度规则格网提取每个格网中的高程最低点作为初始地面点，并基于所述初始地面点构建所述目标区域的初始不规则三角网TIN表面模型；
将所述原始点云数据以预设坡度划分区块，并对每一区块分别确定所述原始点云数据与所述初始TIN表面模型的反复角和反复距离，进行渐进加密去噪处理。
可选地，基于所述原始点云数据构建所述目标区域的绝对数字高程模型DEM和数字地表模型DSM，包括：
提取所述原始点云数据中的稀疏地面点作为基础数据，在ArcGIS平台中构建绝对DEM；
提取所述原始点云数据中的地物点作为数据基础，在ArcGIS平台中构建DSM。
可选地，基于所述绝对DEM和所述DSM运用地形位指数模型构建地表语义特征信息，包括：
基于所述绝对DEM生成所述目标区域的坡度图，基于所述绝对DEM和所述DSM的差分模型生成所述目标区域的相对数字高程模型DHM，作为植被覆盖度图；
运用地形位指数模型对表现地表语义特征的所述坡度图和所述植被覆盖度图两个因子进行综合描述，实现地表语义特征信息刻画；所述地形位指数模型为：
Figure BDA0003632551460000031
其中，T为地形位指数，P及
Figure BDA0003632551460000032
分别为所述坡度图中各个栅格的坡度和试验区的平均坡度，S及
Figure BDA0003632551460000033
分别为所述植被覆盖度图中各个栅格的植被覆盖度和试验区的平均植被覆盖度。
可选地，所述差分模型为：DHM＝DSM-DEM。
可选地，根据所述地表语义特征信息对所述原始点云数据进行分块，通过试错法确定每类点云块的最佳格网尺寸，构建多尺度规则格网，包括：
融合所述地表语义特征信息，运用Jenks最佳自然间断法对所述原始点云数据所在区域进行分类，并提取分类边界；
基于所述分类边界提取原始点云；
每类选取一块原始点云作为试验对象，运用试错法确定提取初始地面点的规格格网的最小尺寸，进而形成一个多尺度规则格网。
可选地，将所述原始点云数据以预设坡度划分区块，并对每一区块分别确定所述原始点云数据与所述初始TIN表面模型的反复角和反复距离，进行渐进加密去噪处理，包括：
步骤一，将所述原始点云数据以预设坡度为界分成物源区和流通区两块；
步骤二，运用试错法和统计法进行对比分析，分别确定所述物源区和所述流通区的判定阈值；
步骤三，判定所述原始点云数据中的每一点云到所述初始TIN表面模型中最近三角形的距离和角度是否小于判定阈值，若小于则该点云为地面点，并加入地面点集中，否则该点云为非地面点；
步骤四，将新的地面点加入初始地面点中，并重构所述初始TIN表面模型；
步骤五，迭代计算上述步骤三和步骤四，直至没有任何新的地面点加入，则去噪结束，最终参与所述初始TIN表面模型的点云即为地面点。
可选地，若所述目标区域的地形类型为泥石流沟谷，则所述预设坡度为8°。
可选地，运用试错法和统计法进行对比分析，分别确定所述物源区和所述流通区的判定阈值，包括：
假设三角面片的平面方程为：
Ex+Fy+Gz+I＝0
其中，x、y和z分别为所述三角面片三个顶点的坐标，E、F和G为所述三角面片的法向量，I为该平面的定位参数；
点云P与TIN表面模型中最近三角面片的距离d和夹角α、β、γ的数学计算模型如下：
Figure BDA0003632551460000051
其中，d为点云P到TIN表面模型中最近三角面片的垂直距离，即反复距离，xP、yP、zP为点云P的坐标；
Figure BDA0003632551460000052
同理求β、γ；
α、β、γ分别为点云P与TIN表面模型中最近三角面片三个顶点的连线的夹角，即反复角，Sα为点云P与夹角α处三角面片顶点的距离；
运用试错法和统计法进行对比分析，确定物源区和流通区的反复距离阈值dmax和反复角阈值θmax。
基于本发明实施例提供的一种融合地表语义特征信息的TIN渐进加密去噪处理方法，获取目标区域的原始点云数据，基于原始点云数据构建目标区域的数字高程模型DEM和数字地表模型DSM；基于DEM和DSM运用地形位指数模型构建地表语义特征信息；根据地表语义特征信息对原始点云数据进行分块，通过试错法确定每类点云块的最佳格网尺寸，构建多尺度规则格网；运用多尺度规则格网提取每个格网中的高程最低点作为初始地面点，并基于初始地面点构建目标区域的初始不规则三角网TIN表面模型；将原始点云数据以预设坡度划分区块，并对每一区块分别确定原始点云数据与初始TIN表面模型的反复角和反复距离，进行渐进加密去噪处理。本发明以坡度和植被覆盖度信息作为先验知识，构建一个多尺度非均匀规则格网来提取尽可能多的地形结构附近的点参与初始TIN表面构建模型，进而增强点云去噪处理中地形结构的恢复率，处理方法克服了传统去噪中山脊特征被过度平滑的问题，能够在对原始数据去噪的同时有效地恢复地形表面结构特征。
附图说明
下面结合附图对本发明作进一步的说明。
图1为本发明实施例提供的一种融合地表语义特征信息的TIN渐进加密去噪处理方法的流程图；
图2为本发明实施例提供的另一种融合地表语义特征信息的TIN渐进加密去噪处理方法的流程图；
图3为本发明实施例提供的生成地表语义特征信息的示意图；
图4为采用多尺度规则格网提取的初始TIN表面示意图；
图5为本发明实施例提供的一种融合地表语义特征信息的TIN渐进加密去噪方法的原理图；
图6为本发明实施例提供的融合地表语义特征信息的TIN渐进加密去噪方法与其他3种方法的去噪效果对比图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本发明实施例提供了一种融合地表语义特征信息的TIN渐进加密去噪处理方法。参见图1，图1为本发明实施例提供的一种融合地表语义特征信息的TIN渐进加密去噪处理方法的流程图，该方法可以包括以下步骤：
S101，获取目标区域的原始点云数据，基于原始点云数据构建目标区域的绝对数字高程模型DEM和数字地表模型DSM。
S102，基于绝对DEM和DSM运用地形位指数模型构建地表语义特征信息。
S103，根据地表语义特征信息对原始点云数据进行分块，通过试错法确定每类点云块的最佳格网尺寸，构建多尺度规则格网。
S104，运用多尺度规则格网提取每个格网中的高程最低点作为初始地面点，并基于初始地面点构建目标区域的初始不规则三角网TIN表面模型。
S105，将原始点云数据以预设坡度划分区块，并对每一区块分别确定原始点云数据与初始TIN表面模型的反复角和反复距离，进行渐进加密去噪处理。
基于本发明实施例提供的一种融合地表语义特征信息的TIN渐进加密去噪处理方法，以坡度和植被覆盖度信息作为先验知识，构建一个多尺度非均匀规则格网来提取尽可能多的地形结构附近的点参与初始TIN表面构建模型，进而增强点云去噪处理中地形结构的恢复率，处理方法克服了传统去噪中山脊特征被过度平滑的问题，能够在对原始数据去噪的同时有效地恢复地形表面结构特征。
一种实现方式中，通过绝对DEM(Digital Elevation Model，数字高程模型)和DSM(Digital Surface Model，数字地表模型)构建地表语义特征信息，可以对地形特征进行精化，也就是说，将影响规则格网尺寸确定的地形因子进行整合和量化。
在一个实施例中，基于原始点云数据构建目标区域的绝对数字高程模型DEM和数字地表模型DSM具体包括：
步骤1、提取原始点云数据中的稀疏地面点作为基础数据，在ArcGIS平台中构建绝对DEM。
步骤2、提取原始点云数据中的地物点作为数据基础，在ArcGIS平台中构建DSM。
一种实现方式中，提取稀疏地面点生成坡度图为：首先获取区域内最大地物的边长，然后以该边长为规则格网尺寸，构建遍历整个点云区域的规则格网，提取每个格网中的高程最低点，放入稀疏地面点集中，再运用该组地面点在Arcgis软件平台中插值生成1m分辨率的DEM，进而生成坡度图。
在一个实施例中，参见图2，在图1的基础上步骤S102包括：
S1021，基于绝对DEM生成目标区域的坡度图，基于绝对DEM和DSM的差分模型生成目标区域的相对数字高程模型DHM，作为植被覆盖度图。
S1022，运用地形位指数模型对表现地表语义特征的坡度图和植被覆盖度图两个因子进行综合描述，实现地表语义特征信息刻画。
地形位指数模型为：
Figure BDA0003632551460000081
其中，T为地形位指数，P及
Figure BDA0003632551460000082
分别为坡度图中各个栅格的坡度和试验区的平均坡度，S及
Figure BDA0003632551460000083
分别为植被覆盖度图中各个栅格的植被覆盖度和试验区的平均植被覆盖度。
一种实现方式中，相对DHM(Digital Height Model，数字高程模型)的地形因子包括坡度和地形起伏度。坡度描述地形的陡缓程度，其中地形特征处的坡度通常较大，而且泥石流沟谷中坡度较大的区域生长的多是植被灌丛较小的草木和灌木，而冠层较大的植被则多生长在平缓的区域，由此可以确定地形坡度较大的区域规则格网尺寸要尽可能小。DHM表达的内容分两种，真地形下表达的是地表面的起伏情况，伪地形下表达的是植被的生长情况，植被的生长情况决定格网尺寸，DHM越大说明植被越高，规则格网尺寸就越大，反之，则规则格网尺寸就越小。为了综合反映坡度和DHM的空间分异，研究用地形位指数来对两个地形因子进行综合描述。
在一个实施例中，步骤S1021中差分模型为：
DHM＝DSM-DEM (2)
一种实现方式中，在Arcgis软件平台中运用栅格计算工具对DSM和DEM进行差分运算处理，生成植被覆盖度图。参见图3，图3为本发明实施例提供的生成地表语义特征信息的示意图。其中，图3(a)是坡度图，图3(b)为植被覆盖度图，图3(c)坡度图和植被覆盖度图经地形位指数模型处理后形成地表语义特征信息。
一种实现方式中，运用上式(2)处理后，每个点上都有一个地表语义特征信息数值，坡度和DHM的空间分异特征就集中在地表语义特征信息上，坡度大、DHM大地形位指数就大，坡度小、DHM小地形位指数就小，其他情况的地形位指数居中间值区间。
在一个实施例中，步骤S103可以包括以下步骤：
步骤1，融合地表语义特征信息，运用Jenks最佳自然间断法对原始点云数据所在区域进行分类，并提取分类边界。
步骤2，基于分类边界提取原始点云。
步骤3，每类选取一块原始点云作为试验对象，运用试错法确定提取初始地面点的规格格网的最小尺寸，进而形成一个多尺度规则格网。
一种实现方式中，融合地表语义特征信息的点云聚类分块就是按照地表语义特征信息的空间分异信息，将点云按空间邻近性和地表语义特征邻近性进行聚类分块，其实质就是将空间上相邻，且地表语义特征相似的栅格分为一类。
运用Jenks最佳自然间断法将地表语义特征分成8类，并运用Arcgis软件平台的栅格转线工具将每类的边界线转成.shp格式的矢量边界。
用.shp格式的矢量边界分割目标点云，使地表语义特征信息相似区块的点云形成独立的块。
根据坡度越大栅格尺寸越小，植被覆盖度越大栅格尺寸越大的原则构建多尺度分均匀规则格网，使地表起伏越大的地方初始地面点越密集，那么靠近地形结构特征处的点也会越密集，后期得到恢复的可能性就越大。
一种实现方式中，根据点云聚类分块的结果，在每种类型中选择一块样区进行试验。以0.5m为栅格尺寸的起算数据，0.5m为步距，用不同尺寸的栅格遍历样区来提取地面点，并用提取的初始地面点构建初始地形表面，最后将首次提取到光滑无毛刺初始地形表面的规则格网对应的尺寸定位此类型分块的最佳栅格尺寸。
一种实现方式中，以每类样地确定的最小规则格网尺寸为基准，构建一个多尺度非均匀规则格网。
在一个实施例中，参见图4，图4为采用多尺度规则格网提取的初始TIN表面示意图。
在一个实施例中，步骤S105可以包括以下步骤：
步骤一，将原始点云数据以预设坡度为界分成物源区和流通区两块。
步骤二，运用试错法和统计法进行对比分析，分别确定物源区和流通区的判定阈值。
步骤三，判定原始点云数据中的每一点云到初始TIN表面模型中最近三角形的距离和角度是否小于判定阈值，若小于则该点云为地面点，并加入地面点集中，否则则该点云为非地面点。
步骤四，将新的地面点加入初始地面点中，并重构初始TIN表面模型。
步骤五，迭代计算上述步骤三和步骤四，直至没有任何新的地面点加入，则去噪结束，最终参与初始TIN表面模型的点云即为地面点。
一种实现方式中，TIN渐进加密提取地面点就是以初始TIN表面为基准，判定原始点云中的点与反复距离和反复角的关系，当两个值均小于既定阈值时，该点就被判定为地面点，输入到地面点集中，参与地形表面更新，反之则保留在原始点云中，继续参加迭代，直至没有新的点加入为止。
TIN渐进加密去噪处理的效果取决于两个关键技术，即确定规则格网尺寸和确定地面点判定阈值。规则格网尺寸在步骤S101-S103中进行了优化，该步骤主要是确定地面点判定阈值(反复角和反复距离)，反复角控制原始点与初始地形表面的角度，反复距离控制向上抬升的距离，保证三角网表面不会出现较大跳跃。
一种实现方式中，预设坡度可以由技术人员根据目标区域的地形特点进行设置，在此不作限定。
一种实现方式中，确定地面点判定阈值。在流通区和物源区分别找出一块样地作为试验区，运用统计分析法，结合经验设定反复角为2°-10°，步距为2°，反复距离为0.2m-1m，步距为0.2m进行组合实验，以去噪效果良好，且地形特征恢复较快为标准，找出两个区域的反复角和反复距离最佳组合。由实验数据可得，物源区的反复距离阈值dmax＝0.8m且反复角阈值θmax＝6°；流通区的反复距离阈值dmax＝0.4m且反复角阈值θmax＝8°。
在一个实施例中，若目标区域的地形类型为泥石流沟谷，则预设坡度为8°。
一种实现方式中，针对泥石流沟谷，泥石流沟谷最大的地形特点就是物源区和流通区的地形分异较大，流通区坡度一般小于8°，且地形起伏较小。物源区沟壑纵横，地形起伏较大，且坡度一般大于8°。因此针对物源区和流通区的差异采用两套地面点判定阈值进行点云去噪处理，以8°为界限对步骤一中生成的坡度图进行重分类，提取分类界限。运用分类界限裁剪点云，将点云分成物源区点云和流通区点云两类。
在一个实施例中，运用试错法和统计法进行对比分析，分别确定物源区和流通区两个区域的判定阈值，包括：
假设三角面片的平面方程为：
Ex+Fy+Gz+I＝0 (3)
其中，x、y和z分别为所述三角面片三个顶点的坐标，E、F和G为所述三角面片的法向量，I为该平面的定位参数；
点云P与TIN表面模型中最近三角面片的距离d和夹角α、β、γ的数学计算模型如下：
Figure BDA0003632551460000121
其中，d为点云P到TIN表面模型中最近三角面片的垂直距离，即反复距离，xP、yP、zP为点云P的坐标；
Figure BDA0003632551460000122
同理求β、γ；
α、β、γ分别为点云P与TIN表面模型中最近三角面片三个顶点的连线的夹角，即反复角，Sα为点云P与夹角α处三角面片顶点的距离；
运用试错法和统计法进行对比分析，确定物源区和流通区的反复距离阈值dmax和反复角阈值θmax。
一种实现方式中，上述步骤三计算模型如下：
d≤dmmax，(α，β，γ)max≤θmax (4)
在一个实施中，参见图5，图5为本发明实施例提供的一种融合地表语义特征信息的TIN渐进加密去噪方法的原理图。
在一个实施中，通过将基于坡度的形态学去噪方法、CSF去噪法、传统TIN渐进加密去噪法和本发明提出的方法进行实验对比，验证本发明提出的方法。参见图6，图6为本发明实施例提供的融合地表语义特征信息的TIN渐进加密去噪方法与其他3种方法的去噪效果对比图。对四种方法的结果图6(a)、图6(b)、图6(c)和图6(d)进行对比，其中图6(a)基于坡度的形态学去噪方法的去噪效果图中地形结构特征处的点云存在大面积缺失，而且坡面上的去噪也不彻底，地形表面存在明显的毛刺，图6(b)CSF去噪法的去噪效果图中地形特征得到很好的修复，但是坡面上的去噪不彻底，存在毛刺，图6(c)传统TIN渐进加密去噪法的去噪效果图中坡面去噪效果良好，但地形结构特征被过度平滑，不论进行多少次迭代均无法恢复，图6(d)本发明提出的融合地表语义特征信息的TIN渐进加密去噪处理方法得到的效果图在保留地形结构特征和剔除噪声点的综合效果上表现最好。
表一给出了运用两类误差标准对传统TIN渐进加密去噪法和本发明提出的方法进行评价的结果对比：
表一
Figure BDA0003632551460000131
其中I类误差是地面点被错分为地物点的比例，II类误差是地物点被错分为地面点的比例。
参照表1，本发明提出的去噪处理方法的I类误差较传统TIN渐进加密去噪处理方法降低了4.88个百分点，显然本发明提出的方法对I类误差的控制能力明显提高，II类误差也得到了较好的控制。
以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。

Claims (8)

1.一种融合地表语义特征信息的TIN渐进加密去噪方法，其特征在于，所述方法包括：
获取目标区域的原始点云数据，基于所述原始点云数据构建所述目标区域的绝对数字高程模型DEM和数字地表模型DSM；
基于所述绝对DEM和所述DSM运用地形位指数模型构建地表语义特征信息；
根据所述地表语义特征信息对所述原始点云数据进行分块，通过试错法确定每类点云块的最佳格网尺寸，构建多尺度规则格网；
运用所述多尺度规则格网提取每个格网中的高程最低点作为初始地面点，并基于所述初始地面点构建所述目标区域的初始不规则三角网TIN表面模型；
将所述原始点云数据以预设坡度划分区块，并对每一区块分别确定所述原始点云数据与所述初始TIN表面模型的反复角和反复距离，进行渐进加密去噪处理。
2.基于权利要求1所述的一种融合地表语义特征信息的TIN渐进加密去噪方法，其特征在于，基于所述原始点云数据构建所述目标区域的绝对数字高程模型DEM和数字地表模型DSM，包括：
提取所述原始点云数据中的稀疏地面点作为基础数据，在ArcGIS平台中构建绝对DEM；
提取所述原始点云数据中的地物点作为数据基础，在ArcGIS平台中构建DSM。
3.基于权利要求1所述的一种融合地表语义特征信息的TIN渐进加密去噪方法，其特征在于，基于所述绝对DEM和所述DSM运用地形位指数模型构建地表语义特征信息，包括：
基于所述绝对DEM生成所述目标区域的坡度图，基于所述绝对DEM和所述DSM的差分模型生成所述目标区域的相对数字高程模型DHM，作为植被覆盖度图；
运用地形位指数模型对表现地表语义特征的所述坡度图和所述植被覆盖度图两个因子进行综合描述，实现地表语义特征信息刻画；所述地形位指数模型为：
Figure FDA0003632551450000021
其中，T为地形位指数，P及
Figure FDA0003632551450000022
分别为所述坡度图中各个栅格的坡度和试验区的平均坡度，S及
Figure FDA0003632551450000023
分别为所述植被覆盖度图中各个栅格的植被覆盖度和试验区的平均植被覆盖度。
4.基于权利要求3所述的一种融合地表语义特征信息的TIN渐进加密去噪方法，其特征在于，所述差分模型为：DHM＝DSM-DEM。
5.基于权利要求1所述的一种融合地表语义特征信息的TIN渐进加密去噪方法，其特征在于，根据所述地表语义特征信息对所述原始点云数据进行分块，通过试错法确定每类点云块的最佳格网尺寸，构建多尺度规则格网，包括：
融合所述地表语义特征信息，运用Jenks最佳自然间断法对所述原始点云数据所在区域进行分类，并提取分类边界；
基于所述分类边界提取原始点云；
每类选取一块原始点云作为试验对象，运用试错法确定提取初始地面点的规格格网的最小尺寸，进而形成一个多尺度规则格网。
6.基于权利要求1所述的一种融合地表语义特征信息的TIN渐进加密去噪方法，其特征在于，将所述原始点云数据以预设坡度划分区块，并对每一区块分别确定所述原始点云数据与所述初始TIN表面模型的反复角和反复距离，进行渐进加密去噪处理，包括：
步骤一，将所述原始点云数据以预设坡度为界分成物源区和流通区两块；
步骤二，运用试错法和统计法进行对比分析，分别确定所述物源区和所述流通区的判定阈值；
步骤三，判定所述原始点云数据中的每一点云到所述初始TIN表面模型中最近三角形的距离和角度是否小于判定阈值，若小于则该点云为地面点，并加入地面点集中，否则该点云为非地面点；
步骤四，将新的地面点加入初始地面点中，并重构所述初始TIN表面模型；
步骤五，迭代计算上述步骤三和步骤四，直至没有任何新的地面点加入，则去噪结束，最终参与所述初始TIN表面模型的点云即为地面点。
7.基于权利要求6所述的一种融合地表语义特征信息的TIN渐进加密去噪方法，其特征在于，若所述目标区域的地形类型为泥石流沟谷，则所述预设坡度为8°。
8.基于权利要求6所述的一种融合地表语义特征信息的TIN渐进加密去噪方法，其特征在于，运用试错法和统计法进行对比分析，分别确定所述物源区和所述流通区的判定阈值，包括：
假设三角面片的平面方程为：
Ex+Fy+Gz+I＝0
其中，x、y和z分别为所述三角面片三个顶点的坐标，E、F和G为所述三角面片的法向量，I为该平面的定位参数；
点云P与TIN表面模型中最近三角面片的距离d和夹角α、β、γ的数学计算模型如下：
Figure FDA0003632551450000031
其中，d为点云P到TIN表面模型中最近三角面片的垂直距离，即反复距离，xP、yP、zP为点云P的坐标；
Figure FDA0003632551450000041
同理求β、γ；
α、β、γ分别为点云P与TIN表面模型中最近三角面片三个顶点的连线的夹角，即反复角，Sα为点云P与夹角α处三角面片顶点的距离；
运用试错法和统计法进行对比分析，确定物源区和流通区的反复距离阈值dmax和反复角阈值θmax。
CN202210495011.6A 2022-05-07 2022-05-07 一种融合地形特征语义信息的tin渐进加密去噪方法 Pending CN114862715A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210495011.6A CN114862715A (zh) 2022-05-07 2022-05-07 一种融合地形特征语义信息的tin渐进加密去噪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210495011.6A CN114862715A (zh) 2022-05-07 2022-05-07 一种融合地形特征语义信息的tin渐进加密去噪方法

Publications (1)

Publication Number Publication Date
CN114862715A true CN114862715A (zh) 2022-08-05

Family

ID=82634442

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210495011.6A Pending CN114862715A (zh) 2022-05-07 2022-05-07 一种融合地形特征语义信息的tin渐进加密去噪方法

Country Status (1)

Country Link
CN (1) CN114862715A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116012613A (zh) * 2023-01-04 2023-04-25 北京数字绿土科技股份有限公司 一种基于激光点云的露天矿的土方量变化测算方法和系统
CN116246069A (zh) * 2023-02-07 2023-06-09 北京四维远见信息技术有限公司 自适应地形点云滤波的方法、装置、智能终端及存储介质
CN117392569A (zh) * 2023-11-06 2024-01-12 上海勘测设计研究院有限公司 融合DOM影像和三维实景模型的机载Lidar点云地面点提取方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116012613A (zh) * 2023-01-04 2023-04-25 北京数字绿土科技股份有限公司 一种基于激光点云的露天矿的土方量变化测算方法和系统
CN116012613B (zh) * 2023-01-04 2024-01-16 北京数字绿土科技股份有限公司 一种基于激光点云的露天矿的土方量变化测算方法和系统
CN116246069A (zh) * 2023-02-07 2023-06-09 北京四维远见信息技术有限公司 自适应地形点云滤波的方法、装置、智能终端及存储介质
CN116246069B (zh) * 2023-02-07 2024-01-16 北京四维远见信息技术有限公司 自适应地形点云滤波的方法、装置、智能终端及存储介质
CN117392569A (zh) * 2023-11-06 2024-01-12 上海勘测设计研究院有限公司 融合DOM影像和三维实景模型的机载Lidar点云地面点提取方法

Similar Documents

Publication Publication Date Title
CN114862715A (zh) 一种融合地形特征语义信息的tin渐进加密去噪方法
CN106529469B (zh) 基于自适应坡度的无人机载LiDAR点云滤波方法
CN105513127A (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
CN112784403B (zh) 基于点云数据建立节理岩体离散元模型的数值模拟方法
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
CN116310192A (zh) 一种基于点云的城市级建筑物三维模型单体重建方法
CN111598780B (zh) 一种适用于机载LiDAR点云的地形自适应插值滤波方法
CN113269791B (zh) 一种基于边缘判定与区域生长的点云分割方法
CN112132840B (zh) 一种车载行道树点云分类与特征信息提取方法
CN109410265B (zh) 一种基于往期dem辅助的tin滤波改进算法
CN112669333B (zh) 一种单木信息提取方法
CN115222625A (zh) 一种基于多尺度噪声的激光雷达点云去噪方法
Zhao et al. A comparison of LiDAR filtering algorithms in vegetated mountain areas
CN113570621B (zh) 一种基于高精度点云与影像的树木信息提取方法及装置
CN116704333B (zh) 一种基于激光点云数据的单株林木检测方法
CN110660027B (zh) 一种针对复杂地形的激光点云连续剖面地面滤波方法
Deng et al. A novel fast classification filtering algorithm for LiDAR point clouds based on small grid density clustering
CN114170149A (zh) 一种基于激光点云的道路几何信息提取方法
CN116186864B (zh) 一种基于bim技术的深基坑模型快速建模方法及系统
CN116579949A (zh) 适用于城市多噪声环境下机载点云地面点滤波方法
CN115410036A (zh) 一种高压架空输电线路关键要素激光点云自动分类方法
CN113763280A (zh) 用于点云去噪的基于空间层次拓扑关系的区域生长算法
CN116977593A (zh) 一种基于超体素凹凸性分割与颜色区域生长的单木分割方法
CN112462422A (zh) 沙漠区三维地震勘探物理点位自动化设计方法及装置
CN118212139A (zh) 一种基于凸凹地形分类的激光点云地面滤波方法

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