CN109410265B - 一种基于往期dem辅助的tin滤波改进算法 - Google Patents

一种基于往期dem辅助的tin滤波改进算法 Download PDF

Info

Publication number
CN109410265B
CN109410265B CN201910055755.4A CN201910055755A CN109410265B CN 109410265 B CN109410265 B CN 109410265B CN 201910055755 A CN201910055755 A CN 201910055755A CN 109410265 B CN109410265 B CN 109410265B
Authority
CN
China
Prior art keywords
point
ground
dem
previous
added
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
Application number
CN201910055755.4A
Other languages
English (en)
Other versions
CN109410265A (zh
Inventor
徐地保
王朝辉
万红
郑斌
虞秀花
杨婷
羌鑫林
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.)
Jiangsu Province Surveying & Mapping Engineering Institute
Original Assignee
Jiangsu Province Surveying & Mapping Engineering Institute
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 Jiangsu Province Surveying & Mapping Engineering Institute filed Critical Jiangsu Province Surveying & Mapping Engineering Institute
Priority to CN201910055755.4A priority Critical patent/CN109410265B/zh
Publication of CN109410265A publication Critical patent/CN109410265A/zh
Application granted granted Critical
Publication of CN109410265B publication Critical patent/CN109410265B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/521—Depth or shape recovery from laser ranging, e.g. using interferometry; from the projection of structured light
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
    • 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
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Optics & Photonics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Optical Radar Systems And Details Thereof (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于往期DEM辅助的TIN滤波改进算法，属于机载激光雷达数据处理技术领域。该算法利用往期DEM数据提取地形高程信息和地形梯度信息辅助，改进渐进加密不规则三角网中初始地面种子点选取方法，优化地面点判断参数，并对往期DEM数据和现势LiDAR点云数据之间的地形变化进行检测和处理，适用于不同坡度地形条件的复杂地形，滤波效果好。整个处理过程中充分利用往期DEM数据的有用信息，改进滤波过程，实现往期DEM辅助下的无参数自适应的LiDAR点云滤波处理。

Description

一种基于往期DEM辅助的TIN滤波改进算法
技术领域
本发明属于机载激光雷达数据处理技术领域，更具体地说，涉及一种基于往期DEM(数字高程模型)辅助的TIN(不规则三角网)滤波改进算法。
背景技术
传统的渐进加密不规则三角网滤波算法可以概括为四个步骤：1、对LiDAR点云数据进规则格网划分，格网尺寸一般要不小于测区内建筑物最大直径；2、选择对每个格网分块中的最低点作为地面点的初始种子点，构建初始地形TIN模型；3、根据地面点判断准则，逐点判断余下的数据点是否为地面点，若是地面点则添加到TIN模型中，并将数据点标记为地面点；4、迭代进行步骤3，直到没有新的数据点满足地面点判断条件或迭代次数达到限值。渐进加密TIN滤波的稳定性和滤波效果都比较好，能够适应相对复杂的地形，滤波效果具有较强的鲁棒性，但初始种子点的选取对滤波结果影响较大，在不同的坡度地形条件下需要输入不同的地面点判断参数才能获得较好的效果。
发明内容
发明目的：针对现有技术存在的上述问题，本发明的目的在于提供一种基于往期DEM辅助的TIN滤波改进算法，实现往期DEM辅助下的LiDAR点云自适应滤波处理。
技术方案：为了解决上述问题，本发明所采用的技术方案如下：
一种基于往期DEM辅助的TIN滤波改进算法，包括以下步骤：
(1)通过剔除点云噪声对LiDAR点云数据进行预处理；
(2)将点云数据按DEM地形面约束分为非地面点和待分类点，分别加入非地面点集合VNon-Ground和待分类点集合VNon-Classfication；
(3)利用DEM数据的高程信息，从点云数据中选取准确可信的地面点，加入地面点集合VGround；
(4)以步骤(3)所得地面点作为地面种子点构建初始地形TIN模型，利用DEM数据的坡度信息对地面点判断参数进行优化，再在所述初始地形TIN模型的基础上对待分类点集合VNon-Classfication进行地面点的判别，并加入地面点集合VGround；
(5)利用TIN模型对步骤(2)所得非地面点进行分析处理，将非地面点集合VNon-Ground中的地形凸起变化区域地面点重新分类到地面点，并加入地面点集合VGround。
所述步骤(2)具体为：
(2-1)遍历点云数据中的每一个点，若其不是仅一次回波点或多次回波中的末次回波点，则将该点分类为非地面点，加入非地面点集合VNon-Ground，否则保留为待分类点，加入待分类点集合VNon-Classfication；
(2-2)遍历步骤(2-1)得到的所述待分类点集合VNon-Classfication中的每一个点，计算该点与相同平面坐标位置的DEM地形面的高程差；
(2-3)设定高差阈值Hthreshold，并判断每一个点与DEM的高程差值是否超过阈值，若超过阈值，则判断为待定非地面点，加入非地面点集合VNon-Ground，否则保留为待分类点，加入待分类点集合VNon-Classfication。
优选的，所述高差阈值Hthreshold的设定值为2m。
所述步骤(3)具体为：
(3-1)先对LiDAR点云数据建立规则格网索引，然后在每个格网内选择高程值最小点作为地面种子点加入地面点集合VGround；
(3-2)从DEM数据中提取出断裂线区域，将落入断裂线区域的格网划分为更小的格网，再分别在每个小格网内选择高程值最小点作为种子点加入地面点集合VGround。
优选的，所述格网的尺寸为5～10m。
所述步骤(4)具体为：
(4-1)以步骤(3)所得地面点作为地面种子点构建初始地形TIN模型；
(4-2)遍历所述待分类点集合VNon-Classfication中的每一个点，按式1计算该点处的相对地面高度阈值Td和地形角阈值Tθ，并计算该点与TIN模型中所在三角形的相对地面高度d和地形角θ，判断是否满足d＜Td且θ＜Tθ，若满足条件，则该点标记为地面点，加入地面点集合VGround，***到TIN模型中并更新；
所述式1为
其中，a0、a1、b0、b1分别为常数系数；为某激光数据点所处位置的DEM地形梯度，其中fx、fy分别为x和y方向上的坡度值；为地形梯度向量的模；
(4-3)重复步骤(4-2)，直至不再有新的点满足条件。
所述步骤(5)具体为：
(5-1)遍历非地面点集合VNon-Ground中的每一个点，计算该点与TIN模型中所在三角形的相对地面高度d、地形角θ和最近地面点距离L，判断是否同时满足d＜Td，θ＜Tθ，L＜TL，若满足条件，则该点标记为地面点，加入地面点集合VGround，***到所述初始地形TIN模型中并更新；
其中，
式中，xp、yp为待判断点P的x、y坐标，xp′、yp′为距离待判断点最近的地面点P′的x、y坐标；
(5-2)重复步骤(5-1)，直到不再有新的点满足条件。
优选的，Td＜高差阈值Hthreshold，TL为格网索引尺寸的2倍。
有益效果：相比于现有技术，本申请的基于往期DEM辅助的TIN滤波改进算法，往期DEM通过历史点云数据生成，利用往期DEM数据提取地形高程信息和地形梯度信息辅助，改进渐进加密不规则三角网中初始地面种子点选取方法，优化地面点判断参数，并对往期DEM数据和现势LiDAR点云数据之间的地形变化进行检测和处理，适用于不同坡度地形条件的复杂地形，滤波效果好。整个处理过程中充分利用往期DEM数据的有用信息，改进滤波过程，实现往期DEM辅助下的无参数自适应的LiDAR点云滤波处理。
附图说明
图1为非地面点剔除示意图；
图2为种子点选取示意图；
图3为传统选取种子点效果示意图；
图4为改进种子点选取方法效果示意图；
图5为TIN滤波地面点判断参数示意图；
图6为地形梯度对地面点判断参数影响示意图；
图7为地形变化区域示意图；
图8为基于区域生长的变化区域地面点探测原理示意图。
具体实施方式
下面结合具体实施例对本发明进一步进行描述。
实施例
一种基于往期DEM辅助的TIN滤波改进算法，包括以下步骤：
步骤1，通过坐标***一、点云数据组织和点云噪声剔除对LiDAR点云数据进行预处理；
步骤2，将点云数据按DEM地形面约束分为非地面点和待分类点，分别加入非地面点集合VNon-Ground和待分类点集合VNon-Classfication；非地面点剔除原理如图1所示，具体处理流程包括：
(2-1)遍历点云数据中的每一个点，若其不是仅一次回波点或多次回波中的末次回波点，则将该点分类为非地面点，加入非地面点集合VNon-Ground，否则保留为待分类点，加入待分类点集合VNon-Classfication；
(2-2)遍历步骤2-1得到的所述待分类点集合VNon-Classfication中的每一个点，计算该点与相同平面坐标位置的DEM地形面的高程差；
(2-3)设定高差阈值Hthreshold，并判断每一个点与DEM的高程差值是否超过阈值，若超过阈值，则判断为待定非地面点，加入粗剔除非地面点集合VNon-Ground，否则保留为待分类点，加入待分类点集合VNon-Classfication。
高差阈值Hthreshold的确定是关键，其应当足够小以确保大面积建筑物屋顶点能够被剔除，但同时也应当保证地面点最大限度得到保留。经过对建筑物屋顶点的高程特点、DEM与LiDAR点云真实地面点高差的分析，将高程阈值Hthreshold设定为2m。
步骤3，利用DEM数据的高程信息，从点云数据中选取准确可信的地面点，加入地面点集合VGround；具体为：
(3-1)先对LiDAR点云数据建立规则格网索引，然后在每个格网内选择高程值最小点作为地面种子点加入地面点集合VGround；
格网尺寸应不小于车辆、低矮植被等近地面地物的尺寸，在本实施例中设置为5～10m；
(3-2)从DEM数据中提取出断裂线区域，对落入断裂线区域的格网进行***，将原来的一个格网划分为4个尺寸为原来一半的小格网，再分别在每个小格网内选择高程值最小的待处理点作为种子点，并标记种子点为地面点，加入地面点集合VGround。
初始地面种子点选取是渐进加密不规则三角网算法的关键。选取出初始地面种子点的目的是为了找到可信度最高的地面点，然后以这些准确可信的地面点作为地面种子点构建初始地形TIN模型，再在稀疏TIN模型的基础上对其余点进行判别，如图2所示。
初始稀疏地形TIN模型的质量好坏与初始地面种子点的准确度、数量及选取区域有关。传统的渐进加密TIN滤波算法的种子点选取效果如图3所示，通常是先对LiDAR点云数据建立规则格网索引，然后在每个格网内选择高程值最小点作为地面种子点。
使用传统方法进行种子点选取时格网尺寸选择是算法效果的关键。如果格网尺寸小于建筑物尺寸，则可能出现落入格网内的点只有建筑物点，从而导致选择建筑物点错误地选为种子点，最后出现建筑物被误分为地面点的情况。如果格网尺寸过大，则可能会因为构建的TIN模型太粗糙而导致部分地形细节特征丢失。在DEM数据的辅助下，可以对初始地面种子点选取的质量进行改善。由于在非地面点粗剔除中已经利用DEM数据剔除了包括建筑物点在内的非地面点，因此这里可以采用较小的格网尺寸，不会出现建筑物点被选入地面种子点的情况，并且可以在保证准确度的同时增加初始种子点的数量。此外，利用DEM数据提取断裂线区域，并通过增加断裂线区域种子点，保证地形细节特征，可以提高初始地面种子点的质量。改进种子点选取方法后的种子点选取效果如图4所示，从图中可以看出，种子点选取的数量得到了增加，尤其是在地形起伏较大的陡坎附近种子点更密集，能够保留更准确的地形细节。
步骤4，以步骤3所得地面点作为地面种子点构建初始地形TIN模型，利用DEM数据的坡度信息对地面点判断参数进行优化，再在所述初始地形TIN模型的基础上对待分类点集合VNon-Classfication进行地面点的判别，并加入地面点集合VGround；具体为：
(4-1)以步骤3所得地面点作为地面种子点构建初始地形TIN模型；
(4-2)遍历所述待分类点集合VNon-Classfication中的每一个点，按式1计算该点处的相对地面高度阈值Td和地形角阈值Tθ，并计算该点与TIN模型中所在三角形的相对地面高度d和地形角θ，判断是否满足d＜Td且θ＜Tθ，若满足条件，则该点标记为地面点，加入地面点集合VGround，***到TIN模型中并更新；
所述式1为
其中，a0、a1、b0、b1分别为常数系数；为某激光数据点所处位置的DEM地形梯度，其中fx、fy分别为x和y方向上的坡度值；为地形梯度向量的模；
(4-3)重复步骤4-2，直至不再有新的点满足条件。
地面点判断准则合理有效性对TIN滤波算法的滤波质量是至关重要的。经典的TIN滤波算法中使用两个参数对点进行判断，即相对地面高度和地形角，如图5所示。设待判断的数据点为P0，其平面坐标位置落在△P1P2P3内，则地面点判断参数分别为：
相对地面高度d，即点P0到三角形△P1P2P3的垂直距离；
地形角θ，P0与△P1P2P3三个顶点的夹角中的最大值。
判定激光数据点为地面点的条件为：d＜Td且θ＜Tθ。其中Td和Tθ分别为相对地面高度阈值和地形角阈值。
在地形条件不同的区域应选用不同的Td和Tθ阈值，一般在山区等地形起伏较大的地区Td和Tθ的值需要设置较大的值，而在地形平坦的平原地区，则设置为较小的值。在使用TIN滤波算法时，往往需要根据地形情况人工设置。由于从未分类的LiDAR点云数据中不能直接获知准确的地形起伏情况，目前还很难根据地形起伏自适应的调整迭代参数的方法。地形起伏情况可以用地形坡度和地形梯度表达出来，因此在有可靠地形参考数据的情况下，可以用地形梯度对地面点判断参数进行设置。如图6所示，点Pa和Pb位于陡坎处，地形起伏明显，地形梯度较大，相应的相对地面高度阈值Td和地形角阈值Tθ也应该设置较大。
步骤5，利用TIN模型对步骤2所得非地面点进行分析处理，将非地面点集合VNon-Ground中的地形凸起变化区域地面点重新分类到地面点，并加入地面点集合VGround。基于区域生长的变化区域地面点探测原理示意图如图8所示，具体的算法流程如下：
(5-1)遍历非地面点集合VNon-Ground中的每一个点，计算该点与TIN模型中所在三角形的相对地面高度d、地形角θ和最近地面点距离L，判断是否同时满足d＜Td，θ＜Tθ，L＜TL，若满足条件，则该点标记为地面点，加入地面点集合VGround，***到所述初始地形TIN模型中并更新；
其中，
式中，xp、yp为待判断点P的x、y坐标，xp′、yp′为距离待判断点最近的地面点P′的x、y坐标；
(5-2)重复步骤5-1，直到不再有新的点满足条件。
由于在地形变化区域地形情况已发生了明显变化，往期DEM数据不能提供可靠的参考信息。在本实施例中，Td小于非地面点粗剔除中高差阈值Hthreshold，Tθ应设置较大，TL为格网索引尺寸的2倍。
非地面点粗剔除过程将所有LiDAR点云数据分到非地面点集合VNon-Ground和待分类点集合VNon-Classfication两个集合中。待分类点集合VNon-Classfication中主要是地形变化不明显区域的地面点及近地面地物点，经过种子点选取和地面点迭代判断，逐步将地面点识别出来，加入到地面点集合VGround中；非地面点集合VNon-Ground中除了建筑物点、中高植被和人工地物点等非地面点外，还有一些地形变化显著区域的地面点，如图7所示。
地形变化情况可以分为两类：地形凸起和地形凹陷。一个区域发生地形凸起变化后，该区域内激光点会高出往期DEM数据的地形面，若凸起比较显著，高程值上升幅度超过了非地面点粗剔除中高差阈值Hthreshold，则会被分类到非地面点集合VNon-Ground中。而对于地形发生凹陷的区域，激光点会在非地面点粗剔除中保留到待分类点集合VNon-Classfication中，然后通过选择种子点并进行地面点判断，将地面点识别出来，加入到地面点集合VGround中。因此对地形凹陷区域不需要特殊处理，只需要对地形凸起的情况进行考虑，从含有建筑物点、高植被和人工地物点的非地面点集合VNon-Ground中准确识别出地面点。
通过对集合VNon-Ground中真实的非地面点和地形变化区域真实地面点的空间特征分别进行分析，发现以下几个特点：
1、建筑物点一般是分块连续且每一块在其边缘与临近地面点有较大的高程突变；
2、中高植被和其他人工地物一般为离散点状、簇状或线状分布，与临近地面点有显著的高程突变；
3、地形变化区域呈连续曲面片分布，且在其边缘处于临近的地面点高程上一般是连续变化的。
基于以上几个特点，本申请结合区域生长的思想，再次采用TIN滤波方法中地面点判断准则，对非地面点集合VNon-Ground中地形凸起变化区域地面点进行探测和识别。由于已经分类出大部分地形变化不明显区域的地面点，并构建了TIN模型，因此可以用已有的地面点作为种子点对非地面点集合VNon-Ground中再次进行判别。

Claims (6)

1.一种基于往期DEM辅助的TIN滤波改进方法，其特征在于，包括以下步骤：
(1)通过坐标***一、点云数据组织和点云噪声剔除对LiDAR点云数据进行预处理；
(2)将点云数据按DEM地形面约束分为非地面点和待分类点，分别加入非地面点集合VNon-Ground和待分类点集合VNon-Classfication；
(3)利用DEM数据的高程信息，从点云数据中选取准确可信的地面点，加入地面点集合VGround；具体为：
(3-1)先对LiDAR点云数据建立规则格网索引，然后在每个格网内选择高程值最小点作为地面种子点加入地面点集合VGround；
(3-2)从DEM数据中提取出断裂线区域，将落入断裂线区域的格网划分为更小的格网，再分别在每个小格网内选择高程值最小点作为种子点加入地面点集合VGround；
(4)以步骤(3)所得地面点作为地面种子点构建初始地形TIN模型，利用DEM数据的坡度信息对地面点判断参数进行优化，再在所述初始地形TIN模型的基础上对待分类点集合VNon-Classfication进行地面点的判别，并加入地面点集合VGround；具体为：
(4-1)以步骤(3)所得地面点作为地面种子点构建初始地形TIN模型；
(4-2)遍历所述待分类点集合VNon-Classfication中的每一个点，按式1计算该点处的相对地面高度阈值Td和地形角阈值Tθ，并计算该点与TIN模型中所在三角形的相对地面高度d和地形角θ，判断是否满足d＜Td且θ＜Tθ，若满足条件，则该点标记为地面点，加入地面点集合VGround，***到TIN模型中并更新；
所述式1为
其中，a0、a1、b0、b1分别为常数系数；为某激光数据点所处位置的DEM地形梯度，其中fx、fy分别为x和y方向上的坡度值；为地形梯度向量的模；
(4-3)重复步骤(4-2)，直至不再有新的点满足条件；
(5)利用TIN模型对步骤(2)所得非地面点进行分析处理，将非地面点集合VNon-Ground中的地形凸起变化区域地面点重新分类到地面点，并加入地面点集合VGround。
2.根据权利要求1所述的基于往期DEM辅助的TIN滤波改进方法，其特征在于，所述步骤(2)具体为：
(2-1)遍历点云数据中的每一个点，若其不是仅一次回波点或多次回波中的末次回波点，则将该点分类为非地面点，加入非地面点集合VNon-Ground，否则保留为待分类点，加入待分类点集合VNon-Classfication；
(2-2)遍历步骤(2-1)得到的所述待分类点集合VNon-Classfication中的每一个点，计算该点与相同平面坐标位置的DEM地形面的高程差；
(2-3)设定高差阈值Hthreshold，并判断每一个点与DEM的高程差值是否超过阈值，若超过阈值，则判断为待定非地面点，加入非地面点集合VNon-Ground，否则保留为待分类点，加入待分类点集合VNon-Classfication。
3.根据权利要求2所述的基于往期DEM辅助的TIN滤波改进方法，其特征在于，所述高差阈值Hthreshold的设定值为2m。
4.根据权利要求1所述的基于往期DEM辅助的TIN滤波改进方法，其特征在于，所述格网的尺寸为5-10m。
5.根据权利要求2所述的基于往期DEM辅助的TIN滤波改进方法，其特征在于，所述步骤(5)具体为：
(5-1)遍历非地面点集合VNon-Ground中的每一个点，计算该点与TIN模型中所在三角形的相对地面高度d、地形角θ和最近地面点距离L，判断是否同时满足d＜Td，θ＜Tθ，L＜TL，若满足条件，则该点标记为地面点，加入地面点集合VGround，***到所述初始地形TIN模型中并更新；
其中，
式中，xp、yp为待判断点P的x、y坐标，xp′、yp′为距离待判断点最近的地面点P′的x、y坐标；
(5-2)重复步骤(5-1)，直到不再有新的点满足条件。
6.根据权利要求5所述的基于往期DEM辅助的TIN滤波改进方法，其特征在于，Td＜Hthreshold，TL为格网索引尺寸的2倍。
CN201910055755.4A 2019-01-22 2019-01-22 一种基于往期dem辅助的tin滤波改进算法 Active CN109410265B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910055755.4A CN109410265B (zh) 2019-01-22 2019-01-22 一种基于往期dem辅助的tin滤波改进算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910055755.4A CN109410265B (zh) 2019-01-22 2019-01-22 一种基于往期dem辅助的tin滤波改进算法

Publications (2)

Publication Number Publication Date
CN109410265A CN109410265A (zh) 2019-03-01
CN109410265B true CN109410265B (zh) 2019-11-05

Family

ID=65462079

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910055755.4A Active CN109410265B (zh) 2019-01-22 2019-01-22 一种基于往期dem辅助的tin滤波改进算法

Country Status (1)

Country Link
CN (1) CN109410265B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110349092B (zh) * 2019-05-27 2020-09-29 香港理工大学深圳研究院 一种点云滤波方法及设备
CN110660027B (zh) * 2019-08-28 2023-03-31 青岛秀山移动测量有限公司 一种针对复杂地形的激光点云连续剖面地面滤波方法
CN110726998B (zh) * 2019-10-24 2020-08-07 西安科技大学 一种激光雷达扫描测定矿区采煤塌陷盆地的方法
CN112419495B (zh) * 2020-10-26 2022-11-15 天津大学 基于多尺度dem空间模型的高程点自动提取方法
CN112529811A (zh) * 2020-12-17 2021-03-19 中国地质大学（武汉） 一种保留地形表面结构特征的dem数据去噪方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100898617B1 (ko) * 2008-11-20 2009-05-27 주식회사 범아엔지니어링 ＬｉＤＡＲ 측량값 및 ＭＢＥＳ 측량값의 불규칙삼각망(ＴＩＮ) 보간 성과 검증을 통한 육상부와 수심부가 함께 공존하는 지역의 수치표고모델을 구축하는 방법
CN102103202B (zh) * 2010-12-01 2013-01-09 武汉大学 一种融合影像的机载激光雷达数据半监督分类方法
CN103679655A (zh) * 2013-12-02 2014-03-26 河海大学 一种基于坡度与区域生长的LiDAR点云滤波方法
CN104898106B (zh) * 2014-12-04 2017-09-22 武汉天擎空间信息技术有限公司 面向复杂地形机载激光雷达数据的地面点提取方法
CN105488770B (zh) * 2015-12-11 2018-03-02 中国测绘科学研究院 一种面向对象的机载激光雷达点云滤波方法
CN106157309B (zh) * 2016-07-04 2019-03-22 南京大学 一种基于虚拟种子点的机载LiDAR地面点云滤波方法
CN106408604A (zh) * 2016-09-22 2017-02-15 北京数字绿土科技有限公司 一种点云数据的滤波方法及装置

Also Published As

Publication number Publication date
CN109410265A (zh) 2019-03-01

Similar Documents

Publication Publication Date Title
CN109410265B (zh) 一种基于往期dem辅助的tin滤波改进算法
CN103778429B (zh) 一种车载激光扫描点云中道路信息自动提取方法
CN106199557B (zh) 一种机载激光雷达数据植被提取方法
Chen et al. A multiresolution hierarchical classification algorithm for filtering airborne LiDAR data
CN106157309B (zh) 一种基于虚拟种子点的机载LiDAR地面点云滤波方法
CN106529469A (zh) 基于自适应坡度的无人机载LiDAR点云滤波方法
CN103853840B (zh) 一种不均匀散乱点云数据的滤波方法
Briese Three-dimensional modelling of breaklines from airborne laser scanner data
CN105513127A (zh) 基于密度峰值聚类的杆状物规则化三维建模方法及***
CN102103202A (zh) 一种融合影像的机载激光雷达数据半监督分类方法
CN104574303A (zh) 基于空间聚类的机载LiDAR点云地面滤波方法
CN110490888A (zh) 基于机载激光点云的高速公路几何特征矢量化提取方法
CN104240251A (zh) 一种基于密度分析的多尺度点云噪声检测方法
CN108764012A (zh) 基于多帧联合的车载激光雷达数据的城市道路杆状物识别算法
CN103745441A (zh) 一种机载LiDAR点云滤波方法
CN112462347B (zh) 基于密度聚类的激光雷达点云快速分类滤波算法
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
CN111598780B (zh) 一种适用于机载LiDAR点云的地形自适应插值滤波方法
CN109754020A (zh) 融合多层级渐进策略和非监督学习的地面点云提取方法
CN101882303A (zh) 一种自适应滤波器实现多波段图像自动分割的方法
CN111738278B (zh) 一种水下多源声学图像特征提取方法及***
CN111091079A (zh) 基于tls的高寒脆弱区植被优势单株结构参数测定方法
CN107330898A (zh) 植被垂直带定量刻划计算方法和***
CN114862715A (zh) 一种融合地形特征语义信息的tin渐进加密去噪方法
CN109636904A (zh) 一种基于uav航测地形数据的噪声处理技术

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