CN116246069A - 自适应地形点云滤波的方法、装置、智能终端及存储介质 - Google Patents
自适应地形点云滤波的方法、装置、智能终端及存储介质 Download PDFInfo
- Publication number
- CN116246069A CN116246069A CN202310075768.4A CN202310075768A CN116246069A CN 116246069 A CN116246069 A CN 116246069A CN 202310075768 A CN202310075768 A CN 202310075768A CN 116246069 A CN116246069 A CN 116246069A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- terrain
- point
- preset
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000001914 filtration Methods 0.000 title claims abstract description 61
- 238000003860 storage Methods 0.000 title claims abstract description 20
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 39
- 230000011218 segmentation Effects 0.000 claims abstract description 13
- 230000001788 irregular Effects 0.000 claims description 76
- 230000003044 adaptive effect Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 description 15
- 230000000694 effects Effects 0.000 description 14
- 239000003086 colorant Substances 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 239000004744 fabric Substances 0.000 description 6
- 238000012217 deletion Methods 0.000 description 5
- 230000037430 deletion Effects 0.000 description 5
- 238000013136 deep learning model Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012876 topography Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Processing Or Creating Images (AREA)
Abstract
本申请涉及一种自适应地形点云滤波的方法、装置、智能终端及存储介质。获取点云数据；针对每一点云数据，利用语义分割，确定所述每一点云数据的语义信息，并根据所述每一点云数据的语义信息确定所述点云数据的类别，并确定各类点云数据之间的几何边界；根据预设地形类型，将所述各类点云数据与所述预设地形类型进行匹配；所述预设地形类型包括水域、植被、建筑物；基于所述几何边界、所述预设地形类型，将所述几何边界内与所述预设地形类型、预设判定条件匹配的点云数据设为非地面点并删除。
Description
技术领域
本申请涉及地形测绘技术领域，尤其是涉及一种自适应地形点云滤波的方法、装置、智能终端及存储介质。
背景技术
点云滤波是点云处理的基本步骤，也是进行high level三维图像处理之前必须进行的预处理。目前主流的点云滤波方法包括：基于数学形态学的点云滤波、基于坡度的点云滤波、基于曲面拟合的滤波算法、基于不规则三角网的滤波算法、基于分割的滤波算法等。
多数滤波算法对地形类型依赖较高，对特定单一地形可以得到理想的效果，但对于多种复杂地形（如依山而建的城镇）滤波效果不佳。如果需要达到满意的滤波效果，在实际作业中甚至需要进行人工按地形切块分别进行滤波，这样的方式既影响工作效率也容易出错。
发明内容
本申请提供一种自适应地形点云滤波的方法、装置、智能终端及存储介质，实现对复杂地形的滤波，降低人工成本提高工作效率。
第一方面，本申请提供一种自适应地形点云滤波的方法，所述方法包括：
获取点云数据；
针对每一点云数据，利用语义分割，确定所述每一点云数据的语义信息，并根据所述每一点云数据的语义信息确定所述点云数据的类别，并确定各类点云数据之间的几何边界；
根据预设地形类型，将所述各类点云数据与所述预设地形类型进行匹配；所述预设地形类型包括水域、植被、建筑物；
基于所述几何边界、所述预设地形类型，将所述几何边界内与所述预设地形类型、预设判定条件匹配的点云数据设为非地面点并删除。
可选的，所述点云数据包括地形点的三维坐标，所述方法还包括：
将删除所述非地面点后剩余的点云数据全部设为地面点；
基于所述地面点的三维坐标，生成不规则三角网；
在所述不规则三角网构成的平面中内插任一新的地形点，并计算所述新的地形点的高程；
根据所述地形点的高程，生成数字高程模型。
可选的，所述基于所述几何边界、所述预设地形类型，将所述几何边界内与所述预设地形类型、预设判定条件匹配的点云数据设为非地面点并删除，包括：
针对任一类点云数据，当所述点云数据与所述预设地形类型中的建筑物匹配时，基于所述建筑物对应的所述几何边界，将所述几何边界外扩一定的点云间距；
根据外扩的所述点云间距，生成所述建筑物的新的几何边界；
将所述建筑物的新的几何边界内的点云数据设为非地面点并删除。
可选的，所述基于所述几何边界、所述预设地形类型，将所述几何边界内与所述预设地形类型、预设判定条件匹配的点云数据设为非地面点并删除，包括：
针对任一类点云数据，当所述点云数据与所述预设地形类型中的植被匹配时，将所述植被对应的所述几何边界构建为不规则三角网；
针对所述几何边界内的每一点云数据，根据预先设定的坡度阈值，判断所述几何边界内的点云数据是否属于植被；
若所述点云数据不属于植被，则利用所述点云数据加密所述不规则三角网；
若所述点云数据属于植被，则将所述点云数据设为非地面点并删除。
可选的，所述基于所述几何边界、所述预设地形类型，将所述几何边界内与所述预设地形类型、预设判定条件匹配的点云数据设为非地面点并删除，包括：
针对任一类点云数据，当所述各类点云数据与所述预设地形类型中的水域匹配时，基于所述水域对应的所述几何边界，将所述几何边界内的点云数据设为非地面点并删除。
可选的，所述基于所述地面点的三维坐标，生成不规则三角网，包括：
以所述地面点中的任一点为基准点，在目标范围内选择任意两点与所述基准点构成三角形使所述三角形各内角之间的方差最小；
基于全部所述地面点生成多个三角形，直至任一点都能和其余点连接生成三角形从而结合为不规则三角网；所述多个三角形的中的任意两个三角形的各边皆不相交且任意一个三角形的外接圆范围内不存在其他点。
可选的，所述计算所述新的地形点的高程，包括：
在所述不规则三角网构成的平面中内插任一新的地形点，并确定所述新的地形点的归属三角形；
计算所述新的地形点到所述归属三角形各顶点的距离；
根据所述距离，计算所述新的地形点的权重；
基于所述权重、所述归属三角形的三个顶点的高程，计算所述新的地形点的高程。
第二方面，本申请提供一种自适应地形点云滤波的装置，所述装置包括：
点云数据获取模块，用于获取点云数据；
确定类别及几何边界模块，用于针对每一点云数据，利用语义分割，确定所述每一点云数据的语义信息，并根据所述每一点云数据的语义信息确定所述点云数据的类别，并确定各类点云数据之间的几何边界；
点云数据匹配模块，用于根据预设地形类型，将所述各类点云数据与所述预设地形类型进行匹配；所述预设地形类型包括水域、植被、建筑物；
点云数据删除模块，用于基于所述几何边界、所述预设地形类型，将所述几何边界内与所述预设地形类型、预设判定条件匹配的点云数据设为非地面点并删除。
可选的，所述装置还包括数字高程模型生成模块，用于：
将删除所述非地面点后剩余的点云数据全部设为地面点；
基于所述地面点的三维坐标，生成不规则三角网；
在所述不规则三角网构成的平面中内插任一新的地形点，并计算所述新的地形点的高程；
根据所述地形点的高程，生成数字高程模型。
可选的，所述点云数据删除模块，具体用于：
针对任一类点云数据，当所述点云数据与所述预设地形类型中的建筑物匹配时，基于所述建筑物对应的所述几何边界，将所述几何边界外扩一定的点云间距；
根据外扩的所述点云间距，生成所述建筑物的新的几何边界；
将所述建筑物的新的几何边界内的点云数据设为非地面点并删除。
可选的，所述点云数据删除模块，具体还用于：
针对任一类点云数据，当所述点云数据与所述预设地形类型中的植被匹配时，将所述植被对应的所述几何边界构建为不规则三角网；
针对所述几何边界内的每一点云数据，根据预先设定的坡度阈值，判断所述几何边界内的点云数据是否属于植被；
若所述点云数据不属于植被，则利用所述点云数据加密所述不规则三角网；
若所述点云数据属于植被，则将所述点云数据设为非地面点并删除。
可选的，所述点云数据删除模块，具体还用于：
针对任一类点云数据，当所述各类点云数据与所述预设地形类型中的水域匹配时，基于所述水域对应的所述几何边界，将所述几何边界内的点云数据设为非地面点并删除。
可选的，所述数字高程模型生成模块在基于所述地面点的三维坐标，生成不规则三角网时，具体用于：
以所述地面点中的任一点为基准点，在目标范围内选择任意两点与所述基准点构成三角形使所述三角形各内角之间的方差最小；
基于全部所述地面点生成多个三角形，直至任一点都能和其余点连接生成三角形从而结合为不规则三角网；所述多个三角形的中的任意两个三角形的各边皆不相交且任意一个三角形的外接圆范围内不存在其他点。
可选的，所述数字高程模型生成模块在计算所述新的地形点的高程时，具体用于：
在所述不规则三角网构成的平面中内插任一新的地形点，并确定所述新的地形点的归属三角形；
计算所述新的地形点到所述归属三角形各顶点的距离；
根据所述距离，计算所述新的地形点的权重；
基于所述权重、所述归属三角形的三个顶点的高程，计算所述新的地形点的高程。
第三方面，本申请提供一种智能终端，包括：存储器和处理器，所述存储器上存储有能够被处理器加载并执行第一方面的方法的计算机程序。
第四方面，本申请提供一种计算机可读存储介质，存储有能够被处理器加载并执行第一方面的方法的计算机程序。
本申请提供了一种自适应地形点云滤波的方法、装置、智能终端及存储介质。在获取点云数据后，由于获取的点云有多项语义信息，因此针对每一点云数据进行语义分割，确定每一点云数据的语义信息，并根据确定出的语义信息进行点云数据类别的划分，同时确定出各类点云数据的几何边界。根据确定的几何边界以及预设地形类型、预设判定条件，将几何边界内与预设地形类型、预设判定条件相匹配的点云数据设为非地面点并删除。通过这种方式，使复杂的地形通过智能终端进行分块滤波，减少了人力的消耗，简化了繁琐的操作流程，降低了出错率，提高了工作效率。
其次，将删除非地面点后剩下的点全部设为地面点并根据地面点的三维坐标建立不规则三角网。通过建立不规则三角网，既可以减少规则格网方法带来的数据冗余，也能够避免地形起伏平坦时的数据冗余。另外，直接在不规则三角网所构成的平面中选择任意一点作为新的地形点并通过计算这一新的地形点的高程从而基于地面点的高程得到数字高程模型。这样可以使数字高程模型更加准确，提高工作效率，降低工作成本。
另外，将与预设类型相匹配的点云数据，如水域、植被、建筑物，通过预设判定条件进行细节处理以后设为非地面点并删除。通过这样的方式减少了工作人员现场进行区域划分的工作压力。
由于植被的分布情况比较特殊，因此在进行植被区域的处理时，在植被的几何边界构建不规则三角网。针对几何边界内的每一点云数据，根据预先设定的坡度阈值确定几何边界内的点云数据是否为植被。如果不是植被，则利用这一点云数据加密所构成的不规则三角网，如果是植被，则直接将这一点云数据设为非地面点并删除。通过这种方式可以更加有针对性地处理属于植被的非地面点，使结果更加精准。
在构建不规则三角网时，首先将已经确定出的任一地面点作为基准点，在目标范围内选择任意两点与这一基准点进行连接，使这三点所构成的三角形各内角之间的方差最小。从而逐一将不规则三角网中的所有地面点均进行结合生成三角形，并且不规则三角网中所生成的三角形中任意两个三角形的各边皆不相交且任意一个三角形的外接圆范围内不存在其他点。通过这种形式可以使不规则三角网更加的规则。
通过在不规则三角网中添加新的地形点并根据已知地面点的高程计算新的地形点的高程，将两者进行结合能够得到更加精细的数字高程模型。使得数字高程模型所展示的内容更加准确，减少了误差。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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他的附图。
图1为本申请一实施例提供的一种应用场景示意图；
图2为本申请一实施例提供的一种自适应地形点云滤波的方法流程图；
图3为本申请一实施例提供的另一种自适应地形点云滤波的方法流程图；
图4为本申请一实施例提供的一种自适应地形点云滤波的装置结构示意图；
图5为本申请一实施例提供的一种智能终端的装置结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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他实施例，都属于本申请保护的范围。
另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，如无特殊说明，一般表示前后关联对象是一种“或”的关系。
下面结合说明书附图对本申请实施例作进一步详细描述。
点云滤波是点云处理的基本步骤，也是进行high level三维图像处理之前必须进行的预处理。
但是目前主流的点云滤波方法对地形类型依赖较高，对特定单一地形可以得到理想的效果，但对于多种复杂地形（如依山而建的城镇）滤波效果不佳。如果需要达到满意的滤波效果，在实际作业中有时不仅需要进行人工按地形切块分别进行滤波，甚至需要对多种复杂地形进行相对应的调整。这样的方式既影响工作效率也容易出错。
基于此，本申请提供一种自适应地形点云滤波的方法、装置、智能终端及存储介质。实现对多种地形的智能分块处理。减少了人力的消耗，简化了繁琐的操作流程，降低了人工操作带来的出错率，提高了工作效率。
图1为本申请提供的一种应用场景示意图。通过点云数据获取设备获取相应的点云数据并传输给智能终端。当智能终端接收到相应的点云数据时，进行语义分割，确定点云数据对应的语义信息，并根据语义信息确定点云数据的类别。通过预先设定的地形类型将各类点云数据进行匹配。将匹配到的对应预设地形类型的点云数据删除，未匹配到的点云数据进行相关的处理以后生成数字高程模型。通过这种方式简化了繁琐的操作流程，减少了工作人员的工作压力，降低了人工操作带来的出错率。从而得到更加准确清晰的数字高程模型。
具体的实现方式可以参考以下实施例。
图2为本申请一实施例提供的一种自适应地形点云滤波的方法流程图，本实施例的方法可以应用于以上场景中的智能终端。如图2所示的，该方法包括：
S201、获取点云数据。
本申请可以通过点云数据获取设备利用激光雷达等主动遥感方式，发射激光照射相应地形并反射回点云数据获取设备，通过采集上述操作所对应的时间来测量地形，从而直接获取点云数据进而传输给智能终端。也可以使用摄影测量的方法根据影像的匹配生成对应的点云数据并传输给智能终端。
获取的点云数据是本次所要测量的所有地形的相关数据。不仅包括起伏的地面，同时也包括建筑物在内的无关因素。在获取点云数据时，无法直接将无关因素过滤不采集，所以需要后续进行相关操作进行删除。
S202、针对每一点云数据，利用语义分割，确定每一点云数据的语义信息，并根据每一点云数据的语义信息确定点云数据的类别，并确定各类点云数据之间的几何边界。
在一些具体实现方式中，可以在步骤S201获取点云影像后，利用深度学习模型对对应影像的每一个像素点进行语义信息特征的提取，并基于语义信息进行预测，确定点云数据所属的类别。类别可以为建筑物的地形点、水域的地形点或者植被的地形点等等，这里不做限制，只是作为举例。
语义信息在本申请中代表了地形点所隐含的地形信息，能够体现地形点的特征。例如通过分析得到对应的地形点的颜色是红色、位置坐标是（5,6）等等，当然也可以通过分析得到地形点对应的地形类型、地形点所属土壤类型等等，所有采集到的信息都可以是语义信息，在这里不做限制。
通过将点云数据进行分类以后，可以得到所对应的每类点云数据与其他区域进行区分的边界。具体的，在根据确定的语义信息将点云数据进行分类以后会形成一定的范围，这个范围内的点云数据都是属于对应的语义信息。这个范围会形成一定的边界用于与其他类型的点云数据进行区分，在本实施例中被称为几何边界。
在一些实现方式中，可以利用临近原则对同一类别的点云数据进行聚合，按照聚合的范围确定同一类别的点云数据所形成的几何边界。比如，若某一点云数据为植被类别，利用临近原则，确定临近点云数据是否为植被类别，若是，则将属于植被类别的点云数据进行聚合，得到范围内属于植被的点云数据。另外，由于聚合得到了一个植被类别，这与其他类别的点云数据有所区分。将这一范围所构成的边界作为这一类别－植被的几何边界。
在另一些实现方式中，可以将上述步骤获取的点云数据，按照点云数据对应的遥感影像将点云数据进行语义分割获得语义信息，并将其与样本数据进行对比，将样本数据对应的语义标签分配给相应的语义信息。进而确定同一语义标签下的点云数据所形成的几何边界。
在另一些实现方式中，还可以利用局部特征聚合的方式将点云数据进行语义分割，分割出同类别的点云数据并确定不同类别之间的几何边界。
本实施例可以通过语义分割的方式确定语义信息，同时根据语义信息将所获取的点云数据划分相应的类别，进而根据类别的不同确定出每一类点云数据的几何边界。
S203、根据预设地形类型，将各类点云数据与预设地形类型进行匹配；预设地形类型包括水域、植被、建筑物。
预设地形类型是根据本领域常见地形进行配置的，主要有水域、植被、建筑物。但是这里并不做限定，任何可能的地形都可能会出现，在这里只是列举常见的几种。
具体的，根据上述步骤S202通过确定的语义信息将点云数据进行分类后，将各类点云数据与预设地形类型进行匹配，判断是否相符。若对应类别的点云数据与预设地形类型相符，则说明匹配成功。若对应类别的点云数据与预设地形类型不符，则说明匹配失败。
在另一些场景中，获取的点云数据包括地形点的颜色。可以根据地形点对应的颜色与预设地形类型的颜色进行比对。若出现颜色相符的情况，则将颜色相符的地形点一定范围内的地形点的颜色进行匹配，若范围内的地形点的颜色仍然与对应地形类型的颜色相符，则说明范围内进行比对的地形点与预设地形类型相匹配。
S204、基于所述几何边界、所述预设地形类型，将所述几何边界内与所述预设地形类型、预设判定条件匹配的点云数据设为非地面点并删除。
预设判定条件可以理解为根据地形类型的区别进行更加精细的判定的限定条件。比如，植被，由于植被的分布不如水域集中，可能存在不属于植被的地形类型。因此，无法统一将一个范围内的所有点云数据均按照植被处理，所以可以设置预设判定条件为坡度阈值，将不符合坡度阈值的点云数据归为植被类型。在实际实现过程中，可以根据具体情况限定预设判定条件。
非地面点是附着于地面但是不属于地面的类似于水、植物、建筑物等的可能会对地面造成混淆的地形点。
具体的，通过S202得到的对应语义信息的几何边界以及S203所匹配到的点云数据进行相应的处理，将匹配到的所有点云数据均设为非地面点并删除。同时也包括几何边界上的点云数据。
本实施例中的S202-S203可以使用深度学习模型来实现。构建一个深度学习模型，借助大量的数据（训练样本）对该深度学习模型进行训练，使其具有进行地形分类的能力。其中，训练样本为对应不同地形类型的数据，比如水域的图像内容、建筑物的图像内容等等。在实现过程中，将S201获取的点云数据输入训练好的深度学习模型中，通过模型的自动识别实现S202、S203，确定各类点云数据所对应的地形类型，进而可以执行S204进行进一步的数据处理。
本申请提供了一种自适应地形点云滤波的方法、装置、智能终端及存储介质。在获取点云数据后，由于获取的点云有多项语义信息，因此针对每一点云数据进行语义分割，确定每一点云数据的语义信息，并根据确定出的语义信息进行点云数据类别的划分，同时确定出各类点云数据的几何边界。根据确定的几何边界以及预设地形类型、预设判定条件，将几何边界内与预设地形类型、预设判定条件相匹配的点云数据设为非地面点并删除。通过这种方式，使复杂的地形通过智能终端进行分块滤波，减少了人力的消耗，简化了繁琐的操作流程，降低了出错率，提高了工作效率。
在一些实施例中，可以将剩余点全部设为地面点，通过生成不规则三角网以及预先设定的格网间距，计算高程从而生成数字高程模型。具体的，上述方法还可以包括：将删除非地面点后剩余的点云数据全部设为地面点；基于地面点的三维坐标，生成不规则三角网；在不规则三角网构成的平面中内插任一新的地形点，并计算新的地形点的高程；根据地形点的高程，生成数字高程模型。
上述步骤S201获取的点云数据包括地形点的三维坐标。地形点可以是非地面点，也可以是地面点。
根据上述实施例删除非地面点后，剩余的点云数据则为所需数据，将其设为地面点。地面点可以理解为地面上真正表示地形的点。
具体的，利用地面点的三维坐标构建不规则三角网，使所有地面点两两相连形成三角形。进而得到不规则三角网。在不规则三角网中任意内插一新的地形点。通过相应的计算，得到对应新的地形点的高程。从而根据每个地面点的高程以及对应的新的地形点的高程，得到精密的数字高程模型。
在一些实现方式中，可以在不规则三角网中添加密集的格网，这一格网中的每个点都可以看做是内插的新的地形点。在具体实现方式中，选择格网的任意一点作为新的地形点，然后进行相应的计算，确定新的地形点的高程
还可以使用其他的方法得到精密的数字高程模型，在本实施例中不做限制。
本实施例通过构建地面点所对应的不规则三角网避免了地形出现起伏或趋于平坦时所产生的数据冗余的情况，减少一定的工作量。另外，直接在不规则三角网所构成的平面中选择任意一点作为新的地形点对已经得到的不规则三角网进行加密得到更加精细的不规则三角网，从而得到处理后的精密的数字高程模型。减少误差，提高准确度。
在一些实施例中，基于建筑物对应的几何边界，可以将与预设地形类型匹配的点云数据删除。具体的，上述方法还可以包括：针对任一类点云数据，当各类点云数据与预设地形类型中的建筑物匹配时，基于建筑物对应的几何边界，将几何边界外扩一定的点云间距；根据外扩的点云间距，生成建筑物的新的几何边界；将建筑物的新的几何边界内的点云数据设为非地面点并删除。
针对任一类点云数据，当分类后的点云数据匹配到预设地形类型中的建筑物时，由于建筑物对应的几何边界相对模糊，可以将匹配的建筑物对应的几何边界进行一定点云间距的外扩，使属于建筑物地形类型的点云数据能够尽可能地删除干净。
在对建筑物对应的几何边界进行一定点云间距的外扩后，会形成新的几何边界。对新的几何边界范围内的地形点进行颜色匹配，若新的几何边界范围内的地形点的颜色与建筑物的颜色相匹配，则说明对应的地形点属于建筑物。若新的几何边界范围内的地形点的颜色与建筑物的颜色相匹配，则说明对应的地形点不属于建筑物。将所有地形点都进行匹配并得到结果以后，将所有属于建筑物的地形点设为非地面点并删除。
本实施例通过匹配到预设地形类型中的建筑物，进行相应操作后，将所有属于建筑物的地形点设为非地面点并删除。减少了工作人员根据地形划分区域的工作量，降低了劳动成本，提高了工作效率。
在一些实施例中，基于植被对应的几何边界，可以将与预设地形类型匹配的点云数据删除。具体的，上述方法还可以包括：针对任一类点云数据，当点云数据与预设地形类型中的植被匹配时，将植被对应的几何边界构建为不规则三角网；针对几何边界内的每一点云数据，根据预先设定的坡度阈值，判断几何边界内的点云数据是否属于植被；若点云数据不属于植被，则利用点云数据加密不规则三角网；若点云数据属于植被，则将点云数据设为非地面点并删除。
当获取的点云数据匹配到预设地形类型中的植被时，由于植被的区域分布不明显，所以针对于植被所对应的几何边界，构建不规则三角网。
坡度阈值可以用于表示地形的起伏，地形越陡，数值越大。若所测地形点的坡度值在坡度阈值范围内，则说明所测地形点为地面点；若所测地形点远高于坡度阈值的范围，则说明所测地形点可能为植被。为了进一步排除误差，可以再将这些测地形点的颜色与植被颜色进行匹配，若匹配这可以说明所测地形点为植被。
可以将坡度阈值设置为（0.05,0.3），当然也可以根据具体的植被类型进行设定，本申请提供的数值只是举例。
在实际实现方式中，除了通过坡度阈值的方式确定点云数据是否为植被，还可以通过其他方式确定，实际操作过程中，可以根据自身经验或地形情况进行调整，这里不再进行赘述。
具体的，首先确定某一类点云数据与预设地形类型中的植被匹配时，在这一类别的几何边界处构建不规则三角网，然后不断从外向内加密不规则三角网。在加密过程中，利用预先设定的坡度阈值判断加密过程中的每一点云数据是否属于植被。如果属于植被则将对应的点云数据设为非地面点删除，如果不属于植被，则用来加密不规则三角网。直到几何边界范围内的所有点云数据都通过坡度阈值判断后，最终得到新的不规则三角网，完成最终的目的－将所有属于植被的点云数据全部设为非地面点并删除。
本实施例通过匹配到预设地形类型中的植被，由于植被的分布情况比较特殊，因此在进行植被区域的处理时，在植被的几何边界构建不规则三角网。针对几何边界内的每一点云数据，根据预先设定的坡度阈值确定几何边界内的点云数据是否为植被。如果不是植被，则利用这一点云数据加密所构成的不规则三角网，如果是植被，则直接将这一点云数据设为非地面点并删除。通过这种方式可以更加有针对性地处理属于植被的非地面点，使结果更加精准。减少了工作人员根据地形划分区域的工作量，降低了劳动成本，提高了工作效率。
在一些实施例中，基于水域对应的几何边界，可以将与预设地形类型匹配的点云数据删除。具体的，上述方法还可以包括：当各类点云数据与预设地形类型中的水域匹配时，基于水域对应的所述几何边界，将几何边界内的点云数据设为非地面点并删除。
水域对应的几何边界相对清晰，所以在匹配到对应的水域地形时，可以根据水域所对应的几何边界，将几何边界内的所有点云数据直接设为非地面点并删除。
在一些实现方式中，将几何边界内的所有点云数据直接设为非地面点并删除可能会存在部分不属于水域的点云数据被误删，或者部分属于水域的点云数据未被完全删除。针对这种情况可以根据上述删除植被的地形点的方式建立不规则三角网，通过加密不规则三角网的方式得到所有属于水域的地形点，并将其设为非地面点并删除。另外可根据对应地形点的颜色判断是否属于水域的地形点，若属于水域的地形点则将其设为非地面点并删除；若不属于水域的地形点则将对应地面点剔除水域范围内。执行步骤与上述实施例的步骤相同，只是执行的对象不同，在此不再赘述。
本实施例通过匹配到预设地形类型中的水域，进行相应操作后，将水域以及水域对应的几何边界设为非地面点并删除。减少了工作人员根据地形划分区域的工作量，降低了劳动成本，提高了工作效率。
在一些实施例中，可以根据地面点的三维坐标，生成不规则三角网。具体的，上述方法还可以包括：以地面点中的任一点为基准点，在目标范围内选择任意两点与基准点构成三角形使三角形各内角之间的方差最小；基于全部地面点生成多个三角形，直至任一点都能和其余点连接生成三角形从而结合为不规则三角网；多个三角形的中的任意两个三角形的各边皆不相交且任意一个三角形的外接圆范围内不存在其他点。
方差最小在本实施例中可以认为三个顶点所构成的三角形的三个角度相差最小。
基准点在本实施例中可以理解为在构成三角形时首先选择的第一个顶点。
目标范围可以理解为在本实施例中确定基准点后，以这一基准点为圆心，设定一定距离为半径所构成的圆的范围。在具体实现方式中，还可以利用其他方式设定目标范围。可以根据当下待测地形的情况以及工作经验进行设定，在本实施例中不做限制。
具体的，在通过上述实施例将与预设地形类型相同的点云数据设置为非地面点并删除以后，将所有删除的点云数据设为地面点，同时选择地面点中的任意一点作为基准点，同时根据已经设定好的目标范围，在目标范围内选择两点使这两点与选择的基准点构成各内角之间方差最小的三角形。遍历所有地面点生成多个三角形，直到任意一点和其余点连接生成三角形从而结合为不规则三角网。需要注意的是，在生成多个三角形的过程中，任意两个三角形的各边均不相交，并且任意一个三角形的外接圆范围内不存在其他点。在一些特殊情况下，可以允许任意两个三角形存在公共边。另外，在构成三角形的过程中，优先选择未形成任一三角形的点进行连接，避免点与点之间连接形成一个三角锥。
通过本实施例的方式构建不规则三角网，可以避免存在过于狭长的三角形，更好地满足不规则三角网的构建规则，同时也能提高不规则三角网的精确度。可以保证任意一个地面点都不会被遗漏。
在一些实施例中，可以根据预先设定的格网间距，采用内插法计算不规则三角网中新的地形点的高程。具体的，所述方法还可以包括：在不规则三角网构成的平面中内插任一新的地形点，并确定新的地形点的归属三角形；计算新的地形点到归属三角形各顶点的距离；根据距离，计算新的地形点的权重；基于权重、归属三角形的三个顶点的高程，计算新的地形点的高程。
在进行内插得到一个新的地形点后，可以通过不规则三角网所形成的多个三角形确定这一新的地形点包含在哪个三角形中，这一包含了新的地形点的三角形在本实施例中就可以作为归属三角形。
本实施例通过上述实施例的方法在不规则三角网所构成的平面中内插新的地形点并确定这一新的地形点的所属三角形。将这一归属三角形顶点分别标记为顶点1、顶点2、顶点3，计算对应新的地形点到归属三角形的顶点1的距离，如公式（1）所示：
其中，
表示对应新的地形点到归属三角形的顶点1的距离；/>
表示归属三角形顶点1在X轴上的位置；/>
表示对应新的地形点在X轴上的位置；/>
表示归属三角形顶点1在Y轴上的位置；/>
表示对应新的地形点在Y轴上的位置。
计算对应新的地形点到归属三角形的顶点2的距离，如公式（2）所示：
其中，
表示对应新的地形点到归属三角形的顶点2的距离；/>
表示归属三角形顶点2在X轴上的位置；/>
表示对应新的地形点在X轴上的位置；/>
表示归属三角形顶点2在Y轴上的位置；/>
表示对应新的地形点在Y轴上的位置。
计算对应新的地形点到归属三角形的顶点3的距离，如公式（3）所示：
其中，
表示对应新的地形点到归属三角形的顶点3的距离；/>
表示归属三角形顶点3在X轴上的位置；/>
表示对应新的地形点在X轴上的位置；/>
表示归属三角形顶点3在Y轴上的位置；/>
表示对应新的地形点在Y轴上的位置。
根据上述计算得到的距离，计算对应新的地形点到归属三角形顶点的权重。
计算对应新的地形点到归属三角形的顶点1的权重，如公式（4）所示：
其中，
表示对应新的地形点到归属三角形的顶点1的权重；/>
表示对应新的地形点到归属三角形的顶点1的距离。
计算对应新的地形点到归属三角形的顶点2的权重，如公式（5）所示：
其中，
表示对应新的地形点到归属三角形的顶点2的权重；/>
表示对应新的地形点到归属三角形的顶点2的距离。
计算对应新的地形点到归属三角形的顶点3的权重，如公式（6）所示：
其中，
表示对应新的地形点到归属三角形的顶点3的权重；/>
表示对应新的地形点到归属三角形的顶点2的距离。
基于归属三角形的顶点的高程，根据上述公式（4）、公式（5）、公式（6）得到的权重，计算对应新的地形点的高程，如公式（7）所示：
其中，
表示对应新的地形点的高程；/>
表示对应新的地形点到归属三角形的顶点1的权重；/>
表示对应新的地形点到归属三角形的顶点2的权重；/>
表示对应新的地形点到归属三角形的顶点3的权重；/>
表示归属三角形的顶点1的高程；/>
表示归属三角形的顶点2的高程；/>
表示归属三角形的顶点3的高程。
本实施例通过在不规则三角网中添加新的地形点并根据已知地面点的高程计算新的地形点的高程，将两者进行结合能够得到更加精细的数字高程模型。使得数字高程模型所展示的内容更加准确，减少了误差。
快速、高精度的获取点云是实现地形测量的常用手段。目前获取点云主要途径有2种：由激光雷达等主动遥感方式直接获取点云；用摄影测量的办法由立体影像匹配生成点云。无论哪种方式获取的点云处理的基本环节都是将地面点分离出来，这一过程就是点云滤波。
目前主流的点云滤波方法包括：基于数学形态学的点云滤波、基于坡度的点云滤波、基于曲面拟合的滤波算法、基于不规则三角网的滤波算法、基于分割的滤波算法等，这些滤波算法主要针对激光雷达点云，权威机构对不同的滤波算法进行了对比认为，各种算法都具有不同的优势和短板，如三角网滤波算法计算量和复杂度大、曲面拟合算法滤波精度取决于种子点选取、基于坡度的滤波算法主要依赖初始坡度的设定等，多数滤波算法对特定地形可以得到理想的效果，但对于多种复杂地形滤波效果不佳。
布料模拟滤波（Cloth Simulation Filtering，CSF）是一种物理模拟算法。该算法先将地表点云翻转，然后让一块由格网构成的虚拟布料放置于翻转后的点云表面最高处，使其自由落下，布料节点在重力和邻近节点相互作用力的影响下会产生位移，会贴附于地形表面上。运算完成后，当布料上某节点的高程小于或等于对应点云的高程，则将用点云的高程为该节点赋值，并将其标记为不可移动点。最后，计算密集匹配点云与布料节点的高差，大于阈值的被视为非地面点高差，反之则被视为地面点。
然而，上述的现有技术方案仍然有让用户不够方便以及体验不够好的地方。目前的滤波算法存在不足：
算法对参数依赖较高，普遍对单一地形滤波效果较好，但对复杂地形（如依山而建的城镇）点云滤波效果差强人意。如果需要达到满意的滤波效果，在实际作业中甚至需要进行人工按地形切块分别进行滤波，过程操作繁琐既影响工作效率也容易出错。
本申请提出的按语义信息智能自适应参数滤波的主要过程如图3所示：
①对点云或者点云对应的影像利用深度学习等方法进行语义分割，提取地物包括水域、植被、建筑物的边界和语义信息
②逐一将水域区域多边形边界内的点云设为非地面点并删除，其他部分为地面点
③将建筑物的几何边界外扩一定的距离（如一个像素或者点云间距），将剩余的地面点进一步排查，逐一将建筑物多边形边界内的点云设为非地面点并删除。
④在离植被几何范围线外最近的地面点，由这些点构建不规则三角网，再按照坡度阈值的规则逐步加入其余点，加密构建地面点三角网，以此为基础将点云初分为地面点、非地面点；删除非地面点。
⑤认为剩余的点云全部为地面点，由其构建不规则三角网，并按照作业要求的间隔内插生成数字高程模型。滤波过程结束。
具体的，本申请适用于多种数据源的点云或者数字地表模型（Digital SurfaceModel，DSM），尤其是区域面积较大的复杂地形。该发明可以按照识别的语义，自适应选择不同的滤波方案，通过上述作业流程，可以让整个区域滤波一次完成并保证了滤波效果，从而达到作业要求。
图4为本申请一实施例提供的一种自适应地形点云滤波的装置结构示意图，如图4所示的，本实施例的自适应地形点云滤波的装置400包括：点云数据获取模块401、确定类别及几何边界模块402、点云数据匹配模块403、点云数据删除模块404。
点云数据获取模块401，用于获取点云数据；
确定类别及几何边界模块402，用于针对每一点云数据，利用语义分割，确定所述每一点云数据的语义信息，并根据所述每一点云数据的语义信息确定所述点云数据的类别，并确定各类点云数据之间的几何边界；
点云数据匹配模块403，用于根据预设地形类型，将所述各类点云数据与所述预设地形类型进行匹配；所述预设地形类型包括水域、植被、建筑物；
点云数据删除模块405，用于基于所述几何边界、所述预设地形类型，将所述几何边界内与所述预设地形类型、预设判定条件匹配的点云数据设为非地面点并删除。
可选的，所述自适应地形点云滤波的装置400还包括数字高程模型生成模块405，用于：
将删除所述非地面后剩余的点云数据全部设为地面点；
基于所述地面点的三维坐标，生成不规则三角网；
在所述不规则三角网构成的平面中内插任一新的地形点，并计算所述新的地形点的高程；
根据所述地形点的高程，生成数字高程模型。
可选的，所述点云数据删除模块404，具体用于：
针对任一类点云数据，当所述点云数据与所述预设地形类型中的建筑物匹配时，基于所述建筑物对应的所述几何边界，将所述几何边界外扩一定的点云间距；
根据外扩的所述点云间距，生成所述建筑物的新的几何边界；
将所述建筑物的新的几何边界内的点云数据设为非地面点并删除。
可选的，所述点云数据删除模块404，具体还用于：
针对任一类点云数据，当所述点云数据与所述预设地形类型中的植被匹配时，将所述植被对应的所述几何边界构建为不规则三角网；
针对所述几何边界内的每一点云数据，根据预先设定的坡度阈值，判断所述几何边界内的点云数据是否属于植被；
若所述点云数据不属于植被，则利用所述点云数据加密所述不规则三角网；
若所述点云数据属于植被，则将所述点云数据设为非地面点并删除。
可选的，所述点云数据删除模块404，具体还用于：
针对任一类点云数据，当所述各类点云数据与所述预设地形类型中的水域匹配时，基于所述水域对应的所述几何边界，将所述几何边界内的点云数据设为非地面点并删除
可选的，所述数字高程模型生成模块405，在基于所述地面点的三维坐标，生成不规则三角网时，具体用于：
以所述地面点中的任一点为基准点，在目标范围内选择任意两点与所述基准点构成三角形使所述三角形各内角之间的方差最小；
基于全部所述地面点生成多个三角形，直至任一点都能和其余点连接生成三角形从而结合为不规则三角网；所述多个三角形的中的任意两个三角形的各边皆不相交且任意一个三角形的外接圆范围内不存在其他点。
可选的，所述数字高程模型生成模块405，在计算所述新的地形点的高程时，具体还用于：
在所述不规则三角网构成的平面中内插任一新的地形点，并确定所述新的地形点的归属三角形；
计算所述新的地形点到所述归属三角形各顶点的距离；
根据所述距离，计算所述新的地形点的权重；
基于所述权重、所述归属三角形的三个顶点的高程，计算所述新的地形点的高程。
本实施例的装置，可以用于执行上述任一实施例的方法，其实现原理和技术效果类似，此处不再赘述。
图5为本申请一实施例提供的一种智能终端的结构示意图，如图5所示，本实施例的智能终端500可以包括：存储器501和处理器502。
存储器501上存储有能够被处理器502加载并执行上述实施例中方法的计算机程序。
其中，处理器502和存储器501相连，如通过总线相连。
可选地，智能终端500还可以包括收发器。需要说明的是，实际应用中收发器不限于一个，该智能终端500的结构并不构成对本申请实施例的限定。
处理器502可以是CPU（Central Processing Unit，中央处理器），通用处理器，DSP（Digital Signal Processor，数据信号处理器），ASIC（Application SpecificIntegrated Circuit，专用集成电路），FPGA（Field Programmable Gate Array，现场可编程门阵列）或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器502也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线可包括一通路，在上述组件之间传送信息。总线可以是PCI（PeripheralComponent Interconnect，外设部件互连标准）总线或EISA（Extended Industry StandardArchitecture，扩展工业标准结构）总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器501可以是ROM（Read Only Memory，只读存储器）或可存储静态信息和指令的其他类型的静态存储设备，RAM（Random Access Memory，随机存取存储器）或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM（Electrically ErasableProgrammable Read Only Memory，电可擦可编程只读存储器）、CD-ROM（Compact DiscRead Only Memory，只读光盘）或其他光盘存储、光碟存储（包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等）、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
存储器501用于存储执行本申请方案的应用程序代码，并由处理器502来控制执行。处理器502用于执行存储器501中存储的应用程序代码，以实现前述方法实施例所示的内容。
其中，智能终端包括但不限于：移动电话、笔记本电脑、数字广播接收器、PDA（个人数字助理）、PAD（平板电脑）、PMP（便携式多媒体播放器）、车载终端（例如车载导航终端）等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。还可以为服务器等。图5示出的智能终端仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
本实施例的智能终端，可以用于执行上述任一实施例的方法，其实现原理和技术效果类似，此处不再赘述。
本申请还提供一种计算机可读存储介质，存储有能够被处理器加载并执行如上实施例中的方法的计算机程序。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.一种自适应地形点云滤波的方法，其特征在于，包括：
获取点云数据；
针对每一点云数据，利用语义分割，确定所述每一点云数据的语义信息，并根据所述每一点云数据的语义信息确定所述点云数据的类别，并确定各类点云数据之间的几何边界；
根据预设地形类型，将所述各类点云数据与所述预设地形类型进行匹配；所述预设地形类型包括水域、植被、建筑物；
基于所述几何边界、所述预设地形类型，将所述几何边界内与所述预设地形类型、预设判定条件匹配的点云数据设为非地面点并删除。
2.根据权利要求1所述的方法，其特征在于，所述点云数据包括地形点的三维坐标，所述方法还包括：
将删除所述非地面点后剩余的点云数据全部设为地面点；
基于所述地面点的三维坐标，生成不规则三角网；
在所述不规则三角网构成的平面中内插任一新的地形点，并计算所述新的地形点的高程；
根据所述地形点的高程，生成数字高程模型。
3.根据权利要求1所述的方法，其特征在于，所述基于所述几何边界、所述预设地形类型，将所述几何边界内与所述预设地形类型、预设判定条件匹配的点云数据设为非地面点并删除，包括：
针对任一类点云数据，当所述点云数据与所述预设地形类型中的建筑物匹配时，基于所述建筑物对应的所述几何边界，将所述几何边界外扩一定的点云间距；
根据外扩的所述点云间距，生成所述建筑物的新的几何边界；
将所述建筑物的新的几何边界内的点云数据设为非地面点并删除。
4.根据权利要求1所述的方法，其特征在于，所述基于所述几何边界、所述预设地形类型，将所述几何边界内与所述预设地形类型、预设判定条件匹配的点云数据设为非地面点并删除，包括：
针对任一类点云数据，当所述点云数据与所述预设地形类型中的植被匹配时，将所述植被对应的所述几何边界构建为不规则三角网；
针对所述几何边界内的每一点云数据，根据预先设定的坡度阈值，判断所述几何边界内的点云数据是否属于植被；
若所述点云数据不属于植被，则利用所述点云数据加密所述不规则三角网；
若所述点云数据属于植被，则将所述点云数据设为非地面点并删除。
5.根据权利要求1所述的方法，其特征在于，所述基于所述几何边界、所述预设地形类型，将所述几何边界内与所述预设地形类型、预设判定条件匹配的点云数据设为非地面点并删除，包括：
针对任一类点云数据，当所述点云数据与所述预设地形类型中的水域匹配时，基于所述水域对应的所述几何边界，将所述几何边界内的点云数据设为非地面点并删除。
6.根据权利要求2所述的方法，其特征在于，所述基于所述地面点的三维坐标，生成不规则三角网，包括：
以所述地面点中的任一点为基准点，在目标范围内选择任意两点与所述基准点构成三角形使所述三角形各内角之间的方差最小；
基于全部所述地面点生成多个三角形，直至任一点都能和其余点连接生成三角形从而结合为不规则三角网；所述多个三角形的中的任意两个三角形的各边皆不相交且任意一个三角形的外接圆范围内不存在其他点。
7.根据权利要求6所述的方法，其特征在于，所述计算所述新的地形点的高程，包括：
在所述不规则三角网构成的平面中内插任一新的地形点，并确定所述新的地形点的归属三角形；
计算所述新的地形点到所述归属三角形各顶点的距离；
根据所述距离，计算所述新的地形点的权重；
基于所述权重、所述归属三角形的三个顶点的高程，计算所述新的地形点的高程。
8.一种自适应地形点云滤波的装置，其特征在于，包括：
点云数据获取模块，用于获取点云数据；
确定类别及几何边界模块，用于针对每一点云数据，利用语义分割，确定所述每一点云数据的语义信息，并根据所述每一点云数据的语义信息确定所述点云数据的类别，并确定各类点云数据之间的几何边界；
点云数据匹配模块，用于根据预设地形类型，将所述各类点云数据与所述预设地形类型进行匹配；所述预设地形类型包括水域、植被、建筑物；
点云数据删除模块，用于基于所述几何边界、所述预设地形类型，将所述几何边界内与所述预设地形类型、预设判定条件匹配的点云数据设为非地面点并删除。
9.一种智能终端，其特征在于，包括：存储器和处理器；
所述存储器，用于存储程序指令；
所述处理器，用于调用并执行所述存储器中的程序指令，执行如权利要求1-7任一项所述的一种自适应地形点云滤波的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序；所述计算机程序被处理器执行时，实现如权利要求1-7任一项所述的一种自适应地形点云滤波的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310075768.4A CN116246069B (zh) | 2023-02-07 | 2023-02-07 | 自适应地形点云滤波的方法、装置、智能终端及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310075768.4A CN116246069B (zh) | 2023-02-07 | 2023-02-07 | 自适应地形点云滤波的方法、装置、智能终端及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116246069A true CN116246069A (zh) | 2023-06-09 |
| CN116246069B CN116246069B (zh) | 2024-01-16 |
Family
ID=86625506
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310075768.4A Active CN116246069B (zh) | 2023-02-07 | 2023-02-07 | 自适应地形点云滤波的方法、装置、智能终端及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116246069B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117253153A (zh) * | 2023-10-16 | 2023-12-19 | 江苏省工程勘测研究院有限责任公司 | 一种用于水利勘测的地面点提取方法及系统 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB0704368D0 (en) * | 2007-03-07 | 2007-04-11 | Kokkas Nikolaos | Geodata fusion for automated 3D city modelling |
| CN104574303A (zh) * | 2014-12-26 | 2015-04-29 | 河海大学 | 基于空间聚类的机载LiDAR点云地面滤波方法 |
| CN106127857A (zh) * | 2016-06-24 | 2016-11-16 | 南京林业大学 | 综合数据驱动与模型驱动的机载LiDAR数据建模方法 |
| CN110136138A (zh) * | 2019-04-02 | 2019-08-16 | 中国人民解放军61540部队 | 基于点云区域分割的自适应滤波方法 |
| US20210063578A1 (en) * | 2019-08-30 | 2021-03-04 | Nvidia Corporation | Object detection and classification using lidar range images for autonomous machine applications |
| CN113420674A (zh) * | 2021-06-24 | 2021-09-21 | 深圳市城市公共安全技术研究院有限公司 | 基于点云数据的森林档案模型构建方法、装置及存储介质 |
| CN113888691A (zh) * | 2020-07-03 | 2022-01-04 | 上海大界机器人科技有限公司 | 构建建筑场景语义地图的方法、装置及储存介质 |
| CN114140586A (zh) * | 2022-01-29 | 2022-03-04 | 苏州工业园区测绘地理信息有限公司 | 面向室内空间的三维建模方法、装置和存储介质 |
| CN114401666A (zh) * | 2019-07-15 | 2022-04-26 | 普罗马顿控股有限责任公司 | 基于深度学习的3d点云的对象检测和实例分割 |
| KR20220055707A (ko) * | 2020-10-27 | 2022-05-04 | 건국대학교 산학협력단 | 의미론적 포인트 클라우드 기반의 객체 추적 장치 및 방법 |
| WO2022099528A1 (zh) * | 2020-11-12 | 2022-05-19 | 深圳元戎启行科技有限公司 | 点云法向量计算方法、装置、计算机设备和存储介质 |
| CN114862715A (zh) * | 2022-05-07 | 2022-08-05 | 滇西应用技术大学 | 一种融合地形特征语义信息的tin渐进加密去噪方法 |
| CN115033967A (zh) * | 2022-06-27 | 2022-09-09 | 北京航空航天大学 | 一种基于点云数据的建筑物模板实例化建模方法 |
| CN115311457A (zh) * | 2022-10-09 | 2022-11-08 | 广东汇天航空航天科技有限公司 | 点云数据处理方法、计算设备、飞行装置及存储介质 |
-
2023
- 2023-02-07 CN CN202310075768.4A patent/CN116246069B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB0704368D0 (en) * | 2007-03-07 | 2007-04-11 | Kokkas Nikolaos | Geodata fusion for automated 3D city modelling |
| CN104574303A (zh) * | 2014-12-26 | 2015-04-29 | 河海大学 | 基于空间聚类的机载LiDAR点云地面滤波方法 |
| CN106127857A (zh) * | 2016-06-24 | 2016-11-16 | 南京林业大学 | 综合数据驱动与模型驱动的机载LiDAR数据建模方法 |
| CN110136138A (zh) * | 2019-04-02 | 2019-08-16 | 中国人民解放军61540部队 | 基于点云区域分割的自适应滤波方法 |
| CN114401666A (zh) * | 2019-07-15 | 2022-04-26 | 普罗马顿控股有限责任公司 | 基于深度学习的3d点云的对象检测和实例分割 |
| US20210063578A1 (en) * | 2019-08-30 | 2021-03-04 | Nvidia Corporation | Object detection and classification using lidar range images for autonomous machine applications |
| CN113888691A (zh) * | 2020-07-03 | 2022-01-04 | 上海大界机器人科技有限公司 | 构建建筑场景语义地图的方法、装置及储存介质 |
| KR20220055707A (ko) * | 2020-10-27 | 2022-05-04 | 건국대학교 산학협력단 | 의미론적 포인트 클라우드 기반의 객체 추적 장치 및 방법 |
| WO2022099528A1 (zh) * | 2020-11-12 | 2022-05-19 | 深圳元戎启行科技有限公司 | 点云法向量计算方法、装置、计算机设备和存储介质 |
| CN113420674A (zh) * | 2021-06-24 | 2021-09-21 | 深圳市城市公共安全技术研究院有限公司 | 基于点云数据的森林档案模型构建方法、装置及存储介质 |
| CN114140586A (zh) * | 2022-01-29 | 2022-03-04 | 苏州工业园区测绘地理信息有限公司 | 面向室内空间的三维建模方法、装置和存储介质 |
| CN114862715A (zh) * | 2022-05-07 | 2022-08-05 | 滇西应用技术大学 | 一种融合地形特征语义信息的tin渐进加密去噪方法 |
| CN115033967A (zh) * | 2022-06-27 | 2022-09-09 | 北京航空航天大学 | 一种基于点云数据的建筑物模板实例化建模方法 |
| CN115311457A (zh) * | 2022-10-09 | 2022-11-08 | 广东汇天航空航天科技有限公司 | 点云数据处理方法、计算设备、飞行装置及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 张刚 等: ""基于区域特征分割的密集匹配点云渐进形态学滤波"", 《地球信息科学》, pages 2 - 3 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117253153A (zh) * | 2023-10-16 | 2023-12-19 | 江苏省工程勘测研究院有限责任公司 | 一种用于水利勘测的地面点提取方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116246069B (zh) | 2024-01-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105701478B (zh) | 杆状地物提取的方法和装置 | |
| US9959670B2 (en) | Method for rendering terrain | |
| Widyaningrum et al. | Building outline extraction from ALS point clouds using medial axis transform descriptors | |
| CN113112603B (zh) | 三维模型优化的方法和装置 | |
| CN112396133B (zh) | 基于多尺度空间的城市区域空地一体融合点云分类方法 | |
| CN113012063B (zh) | 一种动态点云修复方法、装置及计算机设备 | |
| CN116246069B (zh) | 自适应地形点云滤波的方法、装置、智能终端及存储介质 | |
| CN114332291A (zh) | 一种倾斜摄影模型建筑物外轮廓规则提取方法 | |
| CN114387506A (zh) | 输电杆塔监测方法、装置、计算机设备、存储介质 | |
| CN112328880A (zh) | 地理区域聚类方法、装置、存储介质和电子设备 | |
| CN113822892B (zh) | 仿真雷达的评测方法、装置、设备及计算机存储介质 | |
| Park et al. | Segmentation of Lidar data using multilevel cube code | |
| CN108563915B (zh) | 车辆数字化仿真测试模型构建系统及方法、计算机程序 | |
| CN112632399B (zh) | 一种基于空间位置的拓扑关系获取方法、装置和存储介质 | |
| CN115953541B (zh) | 一种四叉树lod地形生成方法、装置、设备及存储介质 | |
| CN116012613B (zh) | 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 | |
| CN111598941A (zh) | 一种杆塔倾斜度测量方法、装置、设备及存储介质 | |
| CN113077473A (zh) | 三维激光点云路面分割方法、系统、计算机设备及介质 | |
| CN114782652B (zh) | 模型放平的方法、装置、设备及存储介质 | |
| CN115628720A (zh) | 一种智能三维地形图测绘方法及系统 | |
| CN116401326A (zh) | 道路标识的更新方法及装置 | |
| CN108062794A (zh) | 一种建筑物模型的获取方法、装置、服务器及存储介质 | |
| CN112487522B (zh) | Bim模型的生成方法、装置以及计算机存储介质 | |
| CN117807782B (zh) | 一种实现三维仿真模型的方法 | |
| CN116383451B (zh) | 一种地图分割方法、装置、电子设备及存储介质 |
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 |