CN116579949A - 适用于城市多噪声环境下机载点云地面点滤波方法 - Google Patents
适用于城市多噪声环境下机载点云地面点滤波方法 Download PDFInfo
- Publication number
- CN116579949A CN116579949A CN202310636797.3A CN202310636797A CN116579949A CN 116579949 A CN116579949 A CN 116579949A CN 202310636797 A CN202310636797 A CN 202310636797A CN 116579949 A CN116579949 A CN 116579949A
- Authority
- CN
- China
- Prior art keywords
- point
- points
- point cloud
- ground
- noise
- 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 37
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 claims abstract description 17
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 230000001788 irregular Effects 0.000 claims abstract description 10
- 230000000750 progressive effect Effects 0.000 claims abstract description 8
- 238000010276 construction Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 5
- 238000013461 design Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
- G06T2207/30184—Infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
Abstract
本发明提出了一种适用于城市多噪声环境下机载点云地面点滤波方法，属于机载点云数据处理技术领域。本发明首先将飞行获取的原始LiDAR点云标签设置为未分类，并利用空间点密度特征剔除原始LiDAR点云中的孤立点；通过局部高程直方图获取最佳模拟表面点，并采用曲面拟合算法从未分类点云中提取出表面点；渐进式不规则三角网加密滤波算法被用于从表面点中提取初始地面点；以初始地面点所构建的TIN模型为基准地形面，将高程值低于基准地形面一定阈值的点云视为低噪声点进行剔除；最后通过优化参数阈值再次采用渐进式不规则三角网加密滤波算法提取精确的地面点。本发明设计了一套稳健的、自动的城市多噪声机载点云的地面点提取方法，解决了现有滤波算法在多噪声环境机载点云数据中地面点提取不精确的问题。
Description
技术领域
本发明涉及机载点云数据处理技术领域，尤其是涉及适用于城市多噪声环境下机载点云地面点滤波方法。
背景技术
在过去的几十年里，激光雷达(Light detection and ranging，LiDAR)技术取得了极大的发展，通过LiDAR系统直接获取地物目标的三维空间信息变得越来越方便。与2D图像数据相比，3D点云数据可以提供丰富的几何、形状和尺度信息，且具有不易受到光照强度变化和其他物体遮挡影响的特点。这些优势有助于精确反映现实世界中物体的实际几何结构。机载激光扫描(Airborne laser scanning，ALS)系统能够适应各种复杂的地理环境，并高效地提供覆盖范围大、分辨率高、数据质量优异的3D点云数据。因此，LiDAR点云已被广泛应用于数字高程模型(Digital elevation model，DEM)生成、森林生态系统调查、3D建筑建模和地质灾害调查等领域。在大多数机载点云应用中，将点云分类为地面点和非地面点的过程，即点云滤波，是后续点云数据处理的前提步骤，在点云处理领域中占有非常重要的地位。
已有的点云滤波算法根据其原理不同可分为基于不规则三角网的迭代加密滤波算法、移动曲面拟合法、布料模拟法、迭代线性插值法、基于数学形态学的滤波算法和基于机器学习的滤波算法等。其中，基于不规则三角网的迭代加密滤波算法是最常用且普适性最好的滤波算法，目前已在Terrasolid Scan、LiDAR-DP、LiDAR_Suite等多个商用软件中集成。然而，该算法以表面上的最低点为地面种子点开始迭代地创建三角网表面模型，对数据集中的低点噪声十分敏感，其自下而上的运算方式容易受到噪声点(尤其是低噪声点)的影响，从而导致提取的表面模型无法准确的描述真实地形地貌。
城市场景中存在大量光滑的立体墙面，其对激光脉冲的折射或多路径效应容易造成原始机载点云中存在大量聚集性的噪声点。这部分噪声信息通常采用人工目视判断分类的方式进行剔除，其自动化程度低下，并且容易引入人为误判因素，极大降低了点云滤波的准确率和效率。因此，需要设计适用于城市多噪声环境下机载点云地面点滤波方法，以便提高地面点提取的效率和准确性。
发明内容
本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种适用于城市多噪声环境下机载点云地面点滤波方法。
为了实现本发明的上述目的，本发明提供了一种适用于城市多噪声环境下机载点云地面点滤波方法，包括以下步骤：
步骤1，点云数据获取：通过机载激光雷达系统获取城市激光点云数据，原始点云的初始标签类别设置为未分类；
步骤2，孤立噪声点剔除：基于空间点密度剔除原始LiDAR点云中的孤立点，孤立点标签设置为噪声点；
步骤3，表面点提取：通过局部高程直方图获取最佳模拟表面点，采用移动曲面拟合算法从未分类点云中提取出表面点；
步骤4，初始地面点提取：利用渐进式不规则三角网加密滤波算法从表面点中提取初始地面点；
步骤5，低噪声点剔除：以步骤4提取的初始地面点构成的TIN模型为基准地形面，将高程值低于基准地形面一定阈值Δh的点云视为噪声点进行剔除，Δh的值一般设置为0.2m。
步骤6，地面点提取：采用渐进式不规则三角网加密滤波算法提取地面点，并优化滤波算法参数，即种子地面点、迭代角度、迭代距离。
进一步地，所述步骤2中孤立噪声点剔除具体包括以下步骤：
步骤2.1：计算每个点云的空间k邻域点集；
步骤2.2：统计空间k邻域点集中的点数量，将邻域点数小于4的点云标签设置为孤立点，k的大小由原始点云的平均密度决定。
进一步地，所述步骤3中表面点提取具体包括以下步骤：
步骤3.1：对未分类点云数据进行格网化处理，格网的大小设置为2m；
步骤3.2：对格网内点云数据进行高程直方图统计，统计每个高程区间的点数量，计算点数最多的高程区间中的点云的均值坐标，该坐标所对应点即为模拟表面点；
步骤3.3：利用模拟表面点拟合地形曲面，判断未分类点云数据到拟合曲面的距离，将小于给定阈值的未分类点云数据标记为表面点；
步骤3.4：删除模拟表面点。
进一步地，所述步骤4中初始地面点提取具体包括以下步骤：
步骤4.1：对步骤3中提取的表面点云进行格网化处理，格网的大小由测区内最大建筑物的长度决定；
步骤4.2：取格网最低表面点作为种子地面点构建初始地面模型；
步骤4.3：遍历所有表面点云，将同时满足迭代角度约束和迭代距离约束的点云加入到地面模型构建中，并标记为地面点，不满足条件的点云标记为未分类点。
进一步地，所述步骤5中低噪声点剔除具体包括以下步骤：
步骤5.1：利用步骤4提取的地面点构建TIN模型；
步骤5.2：以TIN模型为基准地形面，通过插值计算每个点云在基准地形面上投影点的高程值，并将高程低于基准地形面一定阈值Δh的点云视为噪声点进行剔除，Δh的值一般设置为0.2m。
进一步地，所述步骤6中地面点提取具体包括以下步骤：
步骤6.1：对测区点云数据进行格网化处理；
步骤6.2：搜索格网中的最低点，并将其和步骤4所提的初始地面点一起作为种子地面点，构建初始TIN模型；
步骤6.3：遍历所有未分类点，根据初始TIN模型计算点所在三角形的坡度，动态调整每个待判断点的迭代角度和迭代距离，将同时满足迭代角度约束和迭代距离约束的点云加入到地面模型构建中，并标记为地面点，不满足条件的点云标记为未分类点。
综上所述，由于采用了上述技术方案，本发明具有以下优点：
1、本发明设计了一套稳健的、自动的机载点云地面点提取方法，解决了现有滤波算法在多噪声点云数据中地面点提取不精确的问题。此外，全自动化的方式有效提高了数据处理的效率。
2、本发明设计了一种由粗到细、逐步改进的低点噪声剔除策略，能够有效解决现有点云去噪算法对簇状噪声点无法准确识别的问题，提高地面点的提取准确性。
3、本发明方案实施简单方便，实用性强，已在省级范围点云数据生产应用中进行了实践测试，并取得了较好的结果，具有重要的市场价值。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明实施例的适用于城市多噪声环境下机载点云地面点滤波方法流程图。
图2为本发明实施例的渐进式不规则三角网加密滤波方法流程图。
图3为本发明实施例的样例数据整体示意图。
图4为本发明实施例的样例数据噪声点云剖面示意图
图5为本发明实施例的样例数据地面点分类结果渲染图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
如附图1所示，本发明实施例提供的适用于城市多噪声环境下机载点云地面点滤波方法，包括以下步骤：
步骤1，通过机载激光雷达系统获取城市激光点云数据，原始点云的初始标签类别设置为未分类；获取城市激光点云数据如图3所示。
步骤2，基于空间点密度剔除原始LiDAR点云中的孤立点，具体步骤包括：
步骤2.1：计算每个点云的空间k邻域点集，其计算公式如下：
式中，(xp,yp,zp)为目标点云p的空间坐标，(xq,yq,zq)为点云q的空间坐标，dpq是点云p和点云q的欧式距离，Q未分类是未分类点云数据集，Qpk是目标点的空间k邻域点集，k是检索半径，其值由原始点密度σ决定，
步骤2.2：通过每个点云的空间k邻域点集中的点数量，将邻域点数小于4的点云设置为孤立点。
步骤3，通过局部高程直方图获取最佳模拟表面点，采用曲面拟合算法从未分类点云中提取出表面点，具体步骤包括：
步骤3.1：对未分类点云数据进行格网化处理，格网的大小设置为2m；
步骤3.2：提取格网内高程最大值和最小值设置点云高程范围区间[Hlow,Hhigh]，将高程范围[Hlow,Hhigh]按等间隔划分n个小区间，并统计落于每个区间的点数量，计算点数最多的高程区间中的点云的均值坐标，将其赋给模拟表面点。
步骤3.3：利用模拟表面点拟合地形曲面，判断未分类点云数据到拟合曲面的距离，将小于给定阈值的未分类点云数据标记为表面点，阈值的大小与点云高程精度有关，依据行业规范《机载激光雷达数据获取技术规范》中的平地高程精度要求，阈值大小设为0.13m较为合适。移动曲面拟合算法的基本公式如下：
式中，(Xi,Yi,Zi)是第i个模拟表面点的空间坐标，a、b、c、d、e、f是二次移动曲面的系数。
步骤3.4：删除模拟表面点。
步骤4，以表面点为对象，利用迭代加密三角网加密滤波算法从表面点中提取初始地面点，其流程如附图2所示，具体步骤包括：
步骤4.1：对步骤3中提取的表面点云进行格网化处理，格网的大小由测区内最大建筑物的长度尺寸决定；
步骤4.2：取格网内的最低表面点作为种子地面点参与构建初始地面模型，即TIN模型；
步骤4.3：遍历所有表面点云，将同时满足迭代角度约束和迭代距离约束的点云加入到地面模型构建中，并标记为初始地面点，不满足条件的点云标记为未分类点。此处的迭代角度阈值和迭代距离阈值设置为经验阈值，分别为8°，1.0米。
步骤5，通过高程特征约束进行低噪声点的剔除，具体步骤包括：
步骤5.1：利用步骤4提取的初始地面点构建TIN模型；
步骤5.2：以TIN模型为基准地形面，通过插值计算每个点云在基准地形面上投影点的高程值；其插值过程如下：对于给定的待插值点，依据平面坐标确定其所在TIN三角网中的三角形。如果投影点恰好位于三角形的一个顶点上，则顶点的高程值被赋给该投影点，否则，投影点的高程值通过将三个顶点的高程值作为插值的已知点采用反距离加权插值法进行估算。数据噪声点云剖面示意图如图4所示。
步骤5.3：计算点云和对应投影点的高程差值，将高程差值小于给定阈值-Δh的点云视为低噪声点进行剔除，Δh的值一般设置为0.2m。
步骤6，优化滤波参数，采用渐进式不规则三角网加密滤波算法从未分类和表面点中提取地面点，具体步骤包括：
步骤6.1：对测区点云数据进行格网化处理；
步骤6.2：搜索格网中的最低点，并将其和步骤4所提的初始地面点一起作为种子地面点，构建初始TIN模型；
步骤6.3：遍历所有未分类点，根据初始TIN模型计算点所在三角形的边长，动态调整每个待判断点的迭代角度和迭代距离，将同时满足迭代角度约束和迭代距离约束的点云加入到地面模型构建中，并标记为地面点，不满足条件的点云标记为未分类点。地面点分类结果渲染图如图5所示。
迭代角度和迭代距离的优化规则如下：计算点所在三角形的三个边长值，如果任两条边的长度值大于给定阈值3m，则将迭代角度适当扩大，设置为初始迭代角度的1.2倍。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
Claims (6)
1.一种适用于城市多噪声环境下机载点云地面点滤波方法，其特征在于，包括以下步骤：
步骤1，点云数据获取：通过机载激光雷达系统获取城市激光点云数据，原始点云的初始标签类别设置为未分类；
步骤2，孤立噪声点剔除：基于空间点密度剔除原始LiDAR点云中的孤立点，孤立点标签设置为噪声点；
步骤3，表面点提取：通过局部高程直方图获取最佳模拟表面点，采用曲面拟合算法从未分类点云中提取出表面点；
步骤4，初始地面点提取：利用渐进式不规则三角网加密滤波算法从表面点中提取初始地面点；
步骤5，低噪声点剔除：以步骤4提取的初始地面点构成的TIN模型为基准地形面，并采用高程约束特征将低于基准地形面一定高程差的点云视为低噪声点进行剔除；
步骤6，地面点提取：采用渐进式不规则三角网加密滤波算法提取地面点，并优化滤波算法参数，即种子地面点、迭代角度、迭代距离。
2.根据权利要求1所述的适用于城市多噪声环境下机载点云地面点滤波方法，其特征在于，所述步骤2中孤立噪声点剔除包括以下步骤：
步骤2.1：计算每个点云的空间k邻域点集；
步骤2.2：统计空间k邻域点集中的点数量，将点数小于阈值的点云标签为孤立点，k的大小由原始点云的平均密度决定。
3.根据权利要求2所述的适用于城市多噪声环境下机载点云地面点滤波方法，其特征在于，所述步骤3中表面点提取包括以下步骤：
步骤3.1：对未分类点云数据进行格网化处理；
步骤3.2：对格网内点云数据进行高程直方图统计，统计每个高程区间的点数量，计算点数最多的高程区间中的点云的均值坐标，该坐标所对应点即为模拟表面点；
步骤3.3：利用模拟表面点拟合测区表面，判断未分类点云数据到拟合曲面的距离，将小于给定距离阈值的未分类点标记为表面点；
步骤3.4：删除模拟表面点。
4.根据权利要求3所述的适用于城市多噪声环境下机载点云地面点滤波方法，其特征在于，所述步骤4中初始地面点提取包括以下步骤：
步骤4.1：对步骤3中提取的表面点云进行格网化处理，格网的大小由测区内最大建筑物的长度决定；
步骤4.2：取格网最低表面点作为种子地面点构建初始地面模型；
步骤4.3：遍历所有表面点云，将同时满足迭代角度约束和迭代距离约束的点云加入到地面模型构建中，并标记为地面点，不满足条件的点云标记为未分类点。
5.根据权利要求4所述的适用于城市多噪声环境下机载点云地面点滤波方法，其特征在于，所述步骤5中低噪声点剔除包括以下步骤：
步骤5.1：利用步骤4提取的地面点构建TIN模型；
步骤5.2：以TIN模型为基准地形面，通过插值计算每个点云在基准地形面上投影点的高程值，并将高程值低于基准地形面一定阈值Δh的点云视为噪声点进行剔除。
6.根据权利要求5所述的适用于城市多噪声环境下机载点云地面点滤波方法，其特征在于，所述步骤6中地面点提取包括以下步骤：
步骤6.1：对测区点云数据进行格网化处理；
步骤6.2：搜索格网中的最低点，并将其和步骤4所提的初始地面点一起作为种子地面点，构建初始TIN模型；
步骤6.3：遍历所有未分类点，根据初始TIN模型计算点所在三角形的坡度，动态调整每个待判断点的迭代角度和迭代距离，将同时满足迭代角度约束和迭代距离约束的点云加入到地面模型构建中，并标记为地面点，不满足条件的点云标记为未分类点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310636797.3A CN116579949A (zh) | 2023-05-31 | 2023-05-31 | 适用于城市多噪声环境下机载点云地面点滤波方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310636797.3A CN116579949A (zh) | 2023-05-31 | 2023-05-31 | 适用于城市多噪声环境下机载点云地面点滤波方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116579949A true CN116579949A (zh) | 2023-08-11 |
Family
ID=87541257
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310636797.3A Pending CN116579949A (zh) | 2023-05-31 | 2023-05-31 | 适用于城市多噪声环境下机载点云地面点滤波方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116579949A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117953174A (zh) * | 2024-03-26 | 2024-04-30 | 山东观和集团有限公司 | 一种地质调查过程中三维建模方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103745441A (zh) * | 2014-01-08 | 2014-04-23 | 河海大学 | 一种机载LiDAR点云滤波方法 |
| CN105844629A (zh) * | 2016-03-21 | 2016-08-10 | 河南理工大学 | 一种大场景城市建筑物立面点云自动分割方法 |
| US20180081035A1 (en) * | 2016-09-22 | 2018-03-22 | Beijing Greenvalley Technology Co., Ltd. | Method and device for filtering point cloud data |
| CN109299739A (zh) * | 2018-09-26 | 2019-02-01 | 速度时空信息科技股份有限公司 | 基于法向量的曲面拟合对车载激光点云滤波的方法 |
| CN111598780A (zh) * | 2020-05-14 | 2020-08-28 | 山东科技大学 | 一种适用于机载LiDAR点云的地形自适应插值滤波方法 |
| CN112381029A (zh) * | 2020-11-24 | 2021-02-19 | 沈阳建筑大学 | 一种基于欧氏距离的机载LiDAR数据建筑物提取方法 |
-
2023
- 2023-05-31 CN CN202310636797.3A patent/CN116579949A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103745441A (zh) * | 2014-01-08 | 2014-04-23 | 河海大学 | 一种机载LiDAR点云滤波方法 |
| CN105844629A (zh) * | 2016-03-21 | 2016-08-10 | 河南理工大学 | 一种大场景城市建筑物立面点云自动分割方法 |
| US20180081035A1 (en) * | 2016-09-22 | 2018-03-22 | Beijing Greenvalley Technology Co., Ltd. | Method and device for filtering point cloud data |
| CN109299739A (zh) * | 2018-09-26 | 2019-02-01 | 速度时空信息科技股份有限公司 | 基于法向量的曲面拟合对车载激光点云滤波的方法 |
| CN111598780A (zh) * | 2020-05-14 | 2020-08-28 | 山东科技大学 | 一种适用于机载LiDAR点云的地形自适应插值滤波方法 |
| CN112381029A (zh) * | 2020-11-24 | 2021-02-19 | 沈阳建筑大学 | 一种基于欧氏距离的机载LiDAR数据建筑物提取方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117953174A (zh) * | 2024-03-26 | 2024-04-30 | 山东观和集团有限公司 | 一种地质调查过程中三维建模方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106157309B (zh) | 一种基于虚拟种子点的机载LiDAR地面点云滤波方法 | |
| CN106600622B (zh) | 一种基于超体素的点云数据分割方法 | |
| CN106199557B (zh) | 一种机载激光雷达数据植被提取方法 | |
| CN112070769B (zh) | 一种基于dbscan的分层点云分割方法 | |
| CN106529469B (zh) | 基于自适应坡度的无人机载LiDAR点云滤波方法 | |
| CN110992341A (zh) | 一种基于分割的机载LiDAR点云建筑物提取方法 | |
| CN110443810B (zh) | 基于快速邻接体素查询的点云平面分割方法 | |
| CN109215112B (zh) | 一种单侧点云模型的标注方法 | |
| 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 | |
| CN111007531A (zh) | 一种基于激光点云数据的道路边沿检测方法 | |
| CN109241978A (zh) | 地基三维激光点云中平面片的快速提取方法 | |
| CN111932669A (zh) | 一种基于边坡岩体特征对象的变形监测方法 | |
| CN111598780A (zh) | 一种适用于机载LiDAR点云的地形自适应插值滤波方法 | |
| CN116579949A (zh) | 适用于城市多噪声环境下机载点云地面点滤波方法 | |
| CN107590347A (zh) | 一种基于设计模型匹配孤立点识别与删除方法及系统 | |
| CN116704333B (zh) | 一种基于激光点云数据的单株林木检测方法 | |
| CN117292181A (zh) | 基于3d点云处理的钣金件孔组分类及全尺寸测量方法 | |
| CN109785261B (zh) | 一种基于灰度体元模型的机载lidar三维滤波方法 | |
| CN117036971A (zh) | 自适应局部空谱一致下的机载LiDAR数据建筑物提取方法 | |
| CN115880325A (zh) | 基于点云维度和空间距离聚类的建筑物轮廓自动提取方法 | |
| CN113763280B (zh) | 用于点云去噪的基于空间层次拓扑关系的区域生长方法 | |
| CN113139982B (zh) | 一种室内房间点云的自动分割方法 | |
| CN111242857A (zh) | 具有地质方向特征的等值线生成优化方法 | |
| Fan et al. | Noncontact measurement of indoor objects with 3D laser camera-based | |
| CN117409024B (zh) | 用于稀疏点云的高鲁棒性高压电力线分割方法及其应用 |
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 |