CN112381940A - 一种点云数据生成数字高程模型的处理方法、装置及终端设备 - Google Patents
一种点云数据生成数字高程模型的处理方法、装置及终端设备 Download PDFInfo
- Publication number
- CN112381940A CN112381940A CN202011359491.0A CN202011359491A CN112381940A CN 112381940 A CN112381940 A CN 112381940A CN 202011359491 A CN202011359491 A CN 202011359491A CN 112381940 A CN112381940 A CN 112381940A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- laser point
- data
- processing method
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 23
- 238000001514 detection method Methods 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 10
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012986 modification Methods 0.000 claims 1
- 230000004048 modification Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 238000011031 large-scale manufacturing process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/005—General purpose rendering architectures
-
- 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
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Remote Sensing (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明公开了一种点云数据生成数字高程模型的处理方法、装置及终端设备,该方法包括:对激光点云数据进行质量检测,筛选出符合标准的初始激光点云数据;对初始激光点云数据进行点云数据加载操作;对加载后的初始激光点云数据进行去噪处理,得到去噪后的激光点云数据;对去噪后的激光点云数据实施地面点分类,得到分类后的目标点云数据,再次对目标点云数据进行质量检测,判断质量是否合格;若是,则基于目标点云数据生成数字高程模型。本发明提升了点云数据处理的精度,保障了点云数据有效性,保障了数字高程模型的后续执行效果。
Description
技术领域
本发明涉及点云数据处理技术领域,尤其涉及一种点云数据生成数字高程模型的处理方法、装置及终端设备。
背景技术
激光雷达(LiDAR)是一种通过位置、距离、角度等观测数据直接获取对象表面点三维坐标,实现地表信息提取和三维场景重建的对地观测技术。
利用LiDAR进行目标探测属于主动遥感方式,对天气的依赖性小,不易受阴影和太阳角度的影响。与传统摄影测量技术相比,采用上述激光雷达扫描技术避免了投影(从三维到二维)带来的信息损失,极大地提高高程获取的精度,且优势明显。利用LiDAR数据可以快速完成数字高程模型(DEM)、数字表面模型(DSM)、等高线等地形产品的大规模生产。例如公布号为CN110570466A、公布日为2019.12.13的中国专利:三维实景点云模型的生成方法和装置,该专利通过LiDAR数据完成建立数字高程模型,但是其对提取的云点数据并没有进行严格处理,得到的数字高程模型质量不高、精度低,容易导致误差,无法保障点云数据的有效性。
发明内容
有鉴于此,本发明提出一种点云数据生成数字高程模型的处理方法、装置及终端设备,本发明先通过对激光点云数据进行处理,提高其质量,用处理过的点云数据生成的数字高程模型质量高、精度高,保障了点云数据的有效性。
本发明具体的技术方案如下:
一种点云数据生成数字高程模型的处理方法,包括:
对获取的激光点云数据进行质量检测,筛选出符合标准的初始激光点云数据;
对初始激光点云数据进行点云数据加载操作;
对加载后的初始激光点云数据进行去噪处理,得到去噪后的激光点云数据;
对去噪后的激光点云数据实施地面点分类,得到分类后的目标点云数据;再次对目标点云数据进行质量检测,判断质量是否合格;若是,则基于目标点云数据生成数字高程模型。
优选的,质量检测包括对激光点云数据的点云密度信息和高程精度信息检测,具体包括如下操作步骤:
获取激光点云数据的点云密度信息,识别得到当前激光点云数据的点云密度,判断当前激光点云数据的点云密度是否大于标准点云密度,若是,则判定为点云密度质量检测合格;
获取激光点云数据的高程精度信息,识别得到当前激光点云数据的高程中误差,判断当前激光点云数据的高程中误差是否小于标准误差,若是则判定为高程精度质量检测合格;
当点云密度信息和高程精度信息的检测均为合格时,则当前的激光点云数据为符合标准的初始激光点云数据。
优选的,若初始激光点云数据是LAS/ASCII/PLY格式的点云数据,则进行将其转化为LiData点云格式的加载操作。
优选的,对加载后的初始激光点云数据进行去噪处理,得到去噪后的激光点云数据,具体包括如下执行步骤:
对初始激光点云数据的高位粗差进行识别噪声点,识别确定噪声点后,进行滤除操作;同时还包括对初始激光点云数据的低位粗差进行识别噪声点,识别确定噪声点后,进行滤除操作。
优选的,高位粗差以及低位粗差均基于距离平均值算法识别噪声点,具体包括如下操作步骤:
在初始激光点云数据中随机确定一个基本点,以基本点为基础,在预设邻域内搜索预设点个数的相邻点;
计算基本点到相邻点的距离平均值,计算距离平均值的中值和标准差;
判断当前基本点的距离平均值是否大于最大距离,如果判定为大于,则认定当前基本点为噪声点;其中,最大距离=中值+标准差倍数*标准差。
优选的,在执行对高位粗差以及低位粗差均基于距离平均值算法识别噪声点的同时,还包括对标准差倍数以及预设点个数的设定参数信息进行调整修改操作。
优选的,预设邻域的预设点个数为10个,标准差倍数为5。
优选的,对去噪后的激光点云数据实施地面点分类,其中地面点的分类是指通过点云滤波分离出地面点与非地面点。
相应地,本发明还提供了一种点云数据生成数字高程模型的处理装置,包括数据检测模块、加载模块、去噪模块和生成模块;
数据检测模块,用于对获取的激光点云数据进行质量检测,筛选出符合标准的初始激光点云数据;
加载模块,用于对初始激光点云数据进行点云数据加载操作;
去噪模块,用于对加载后的初始激光点云数据进行去噪处理,得到去噪后的激光点云数据;
生成模块,用于对去噪后的激光点云数据实施地面点分类,得到分类后的目标点云数据;再次对目标点云数据进行质量检测,判断质量是否合格;若是,则基于目标点云数据生成数字高程模型。
相应地,本发明还提供了一种终端设备,包括:处理器和存储器,存储器存储有计算机程序,处理器用于执行计算机程序以实施上述的点云数据生成数字高程模型的处理方法。
本发明的技术方案具有如下有益效果:
本发明提出的点云数据生成数字高程模型的处理方法、装置及终端设备,其具体通过对激光点云数据实时质量检测,严格把关输入的激光点云数据;同时在对初始激光点云数据进行了加载及去噪处理,得到去噪后的激光点云数据;对去噪后的激光点云数据实施地面点分类得到分类后的目标点云数据,再次进行质量检测,只有合格处理后的目标点云数据才能进行生成数字高程模型。本发明提升了点云数据处理的精度,保障了点云数据的有效性,保障了数字高程模型的后续执行效果。
附图说明
图1为本发明的点云数据生成数字高程模型的处理方法的流程示意图;
图2为本发明的点云数据生成数字高程模型的处理装置的结构示意图。
具体实施方式
下面将结合本发明实施例中附图,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。
通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
在下文中,可在本发明的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合,并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
除非另有限定,否则在这里使用的所有术语(包括技术术语和科学术语)具有与本发明的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义,除非在本发明的各种实施例中被清楚地限定。
实施例1
请参照图1,本实施例提出一种点云数据生成数字高程模型的处理方法,执行包括如下操作步骤:
步骤S100:对获取的激光点云数据进行质量检测,筛选出符合标准的初始激光点云数据;
步骤S200:对初始激光点云数据进行点云数据加载操作;
步骤S300:对加载后的初始激光点云数据进行去噪处理,得到去噪后的激光点云数据;
步骤S400:对去噪后的激光点云数据实施地面点分类,得到分类后的目标点云数据;再次对目标点云数据进行质量检测,判断质量是否合格;若是,则基于目标点云数据生成数字高程模型。
本实施例提出的点云数据生成数字高程模型的处理方法,其不同于传统处理方法,其具体通过对激光点云数据实时质量检测,严格把关输入的激光点云数据;同时在对初始激光点云数据进行了加载及去噪处理,得到去噪后的激光点云数据;对去噪后的激光点云数据实施地面点自动分类以及手动分类得到分类后的目标点云数据,再次进行检测,只有合格处理后的目标点云数据才能进行生成数字高程模型。
在步骤S100中,质量检测包括对激光点云数据的点云密度信息和高程精度信息检测,具体包括如下操作步骤:
获取激光点云数据的点云密度信息,识别得到当前激光点云数据的点云密度,判断当前激光点云数据的点云密度是否大于标准点云密度,若是,则判定为点云密度质量检测合格;
获取激光点云数据的高程精度信息,识别得到当前激光点云数据的高程中误差,判断当前激光点云数据的高程中误差是否小于标准误差,若是则判定为高程精度质量检测合格;
当点云密度信息和高程精度信息的检测均为合格时,则当前的激光点云数据为符合标准的初始激光点云数据。
需要说明的是,为了生产高精度DEM/DSM/等高线等地形产品,需要在正式生产前对数据进行质量检查,主要包括以下检查内容:
1、点云密度检查:需保证获取的激光雷达点云数据密度能够满足内插DEM的需求。可采用点密度检查工具对数据进行检查,一般检查裸露的硬直地面区域。具体要求值见下表:
分幅比例尺 | 数字高程模型成果格网间距/米 | 点云密度/(点/米<sup>2</sup>) |
1∶500 | 0.5 | ≥16 |
1∶1000 | 1.0 | ≥4 |
1∶2000 | 2.0 | ≥1 |
1∶5000 | 2.5 | ≥1 |
1∶10000 | 5.0 | ≥0.25 |
2、点云数据高程精度检查:利用野外控制点数据进行检查,其高程中误差具体要求值如下:
在植被密覆盖区域、反射率较低区域(如水域、光滑表面等易形成镜面反射的区域)等特殊困难地区,点云数据高程中误差为上表误差的2倍。
在步骤200中,若初始激光点云数据是LAS/ASCII/PLY格式的点云数据,则进行将其转化为LiData点云格式的加载操作。
需要说明的是,初始激光点云数据一般以LiData/LAS/ASCII/PLY等格式的点云数据作为初始数据格式,LAS/ASCII/PLY等格式的点云数据其中导入软件之后将自动生成对应的LiData格式进行后续处理;所以最终初始激光点云数据都以LiData点云格式进行海量数据高效浏览处理。
在步骤S300中:对加载后的初始激光点云数据进行去噪处理,得到去噪后的激光点云数据,具体包括如下执行步骤:
对初始激光点云数据的高位粗差进行识别噪声点,识别确定噪声点后,进行滤除操作;同时还包括对初始激光点云数据的低位粗差进行识别噪声点,识别确定噪声点后,进行滤除操作。
其中,高位粗差以及低位粗差均基于距离平均值算法识别噪声点,具体包括如下操作步骤:
在初始激光点云数据中随机确定一个基本点,以基本点为基础,在预设邻域内搜索预设点个数的相邻点;
计算基本点到相邻点的距离平均值,计算距离平均值的中值和标准差;
判断当前基本点的距离平均值是否大于最大距离,如果判定为大于,则认定当前基本点为噪声点;其中,最大距离=中值+标准差倍数*标准差。
需要说明的是,上述算法将对每一个点(即基本点)搜索指定邻域点个数的相邻点,计算点(即基本点)到相邻点的距离平均值,计算这些距离平均值的中值和标准差,如果这个点的距离平均值大于最大距离(最大距离=中值+标准差倍数*标准差),则认为是噪声点,将被去掉。
其中,在执行对高位粗差以及低位粗差均基于距离平均值算法识别噪声点的同时,还包括对标准差倍数以及预设点个数的设定参数信息进行调整修改操作。
在本实施例中,预设邻域的预设点个数为10个,且标准差倍数为5。
本实施例采用的点云数据生成数字高程模型的处理方法需要对***进行参数设置,设置的主要内容如下:1、输入数据:输入文件可以是单个点云数据文件,也可以是多数据文件;文件格式:LiData。2、预设点个数(默认为“10”):邻域内所需的点个数,用于计算每个点的平均值距离。如果没有找到足够的点,算法将不会被执行。3、标准差倍数(默认为“5”):与标准偏差相乘的因子,在搜索范围内的点值。4、输出路径:输出文件路径,算法执行后生成去除噪点后的新文件。输入多个文件时,该路径设置为文件夹。
在步骤S400中,对去噪后的激光点云数据实施地面点分类,其中地面点的分类是指通过点云滤波分离出地面点与非地面点,是属于本领域技术人员所知道的技术手段,此处不再叙述。
实施例2
如图2所示,基于同样的发明构思,本发明还提供了一种点云数据生成数字高程模型的处理装置,包括数据检测模块、加载模块、去噪模块和生成模块;
数据检测模块,用于对获取的激光点云数据进行质量检测,筛选出符合标准的初始激光点云数据;
加载模块,用于对初始激光点云数据进行点云数据加载操作;
去噪模块,用于对加载后的初始激光点云数据进行去噪处理,得到去噪后的激光点云数据;
生成模块,用于对去噪后的激光点云数据实施地面点分类,得到分类后的目标点云数据;再次对目标点云数据进行质量检测,判断质量是否合格;若是,则基于目标点云数据生成数字高程模型。
可以理解,上述的点云数据生成数字高程模型的处理装置对应于实施例1的处理方法。实施例1中的任何可选项也适用于本实施例,这里不再详述。
相应地,本实施例还提供一种终端设备,包括:处理器和存储器,存储器存储有计算机程序,处理器用于执行计算机程序以实施上述的点云数据生成数字高程模型的处理方法。
存储器可包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和结构图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种点云数据生成数字高程模型的处理方法,其特征在于,包括:
对获取的激光点云数据进行质量检测,筛选出符合标准的初始激光点云数据;
对初始激光点云数据进行点云数据加载操作;
对加载后的初始激光点云数据进行去噪处理,得到去噪后的激光点云数据;
对去噪后的激光点云数据实施地面点分类,得到分类后的目标点云数据;再次对目标点云数据进行质量检测,判断质量是否合格;若是,则基于目标点云数据生成数字高程模型。
2.根据权利要求1所述的处理方法,其特征在于,质量检测包括对激光点云数据的点云密度信息和高程精度信息检测,具体包括如下操作步骤:
获取激光点云数据的点云密度信息,识别得到当前激光点云数据的点云密度,判断当前激光点云数据的点云密度是否大于标准点云密度,若是,则判定为点云密度质量检测合格;
获取激光点云数据的高程精度信息,识别得到当前激光点云数据的高程中误差,判断当前激光点云数据的高程中误差是否小于标准误差,若是则判定为高程精度质量检测合格;
当点云密度信息和高程精度信息的检测均为合格时,则当前的激光点云数据为符合标准的初始激光点云数据。
3.根据权利要求1所述的处理方法,其特征在于,若初始激光点云数据是LAS/ASCII/PLY格式的点云数据,则进行将其转化为LiData点云格式的加载操作。
4.根据权利要求1所述的处理方法,其特征在于,对加载后的初始激光点云数据进行去噪处理,得到去噪后的激光点云数据,具体包括如下执行步骤:
对初始激光点云数据的高位粗差进行识别噪声点,识别确定噪声点后,进行滤除操作;同时还包括对初始激光点云数据的低位粗差进行识别噪声点,识别确定噪声点后,进行滤除操作。
5.根据权利要求4所述的处理方法,其特征在于,高位粗差以及低位粗差均基于距离平均值算法识别噪声点,具体包括如下操作步骤:
在初始激光点云数据中随机确定一个基本点,以基本点为基础,在预设邻域内搜索预设点个数的相邻点;
计算基本点到相邻点的距离平均值,计算距离平均值的中值和标准差;
判断当前基本点的距离平均值是否大于最大距离,如果判定为大于,则认定当前基本点为噪声点;其中,最大距离=中值+标准差倍数*标准差。
6.根据权利要求5所述的处理方法,其特征在于,在执行对高位粗差以及低位粗差均基于距离平均值算法识别噪声点的同时,还包括对标准差倍数以及预设点个数的设定参数信息进行调整修改操作。
7.根据权利要求5所述的处理方法,其特征在于,预设邻域的预设点个数为10个,标准差倍数为5。
8.根据权利要求1所述的处理方法,其特征在于,对去噪后的激光点云数据实施地面点分类,其中地面点的分类是指通过点云滤波分离出地面点与非地面点。
9.一种点云数据生成数字高程模型的处理装置,其特征在于,包括数据检测模块、加载模块、去噪模块和生成模块;
数据检测模块,用于对获取的激光点云数据进行质量检测,筛选出符合标准的初始激光点云数据;
加载模块,用于对初始激光点云数据进行点云数据加载操作;
去噪模块,用于对加载后的初始激光点云数据进行去噪处理,得到去噪后的激光点云数据;
生成模块,用于对去噪后的激光点云数据实施地面点分类,得到分类后的目标点云数据;再次对目标点云数据进行质量检测,判断质量是否合格;若是,则基于目标点云数据生成数字高程模型。
10.一种终端设备,其特征在于,包括:处理器和存储器,存储器存储有计算机程序,处理器用于执行计算机程序以实施根据权利要求1至8中任一项所述的点云数据生成数字高程模型的处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011359491.0A CN112381940A (zh) | 2020-11-27 | 2020-11-27 | 一种点云数据生成数字高程模型的处理方法、装置及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011359491.0A CN112381940A (zh) | 2020-11-27 | 2020-11-27 | 一种点云数据生成数字高程模型的处理方法、装置及终端设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112381940A true CN112381940A (zh) | 2021-02-19 |
Family
ID=74589090
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011359491.0A Pending CN112381940A (zh) | 2020-11-27 | 2020-11-27 | 一种点云数据生成数字高程模型的处理方法、装置及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112381940A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113466887A (zh) * | 2021-05-12 | 2021-10-01 | 武汉中仪物联技术股份有限公司 | 测距雷达的数据去噪方法、装置、设备和存储介质 |
CN114689015A (zh) * | 2021-11-29 | 2022-07-01 | 成都理工大学 | 一种提高光学卫星立体影像dsm高程精度的方法 |
CN115797814A (zh) * | 2023-02-13 | 2023-03-14 | 广东电网有限责任公司肇庆供电局 | 基于无人机的输电线路树障隐患实时评估计算方法 |
CN117372850A (zh) * | 2023-11-01 | 2024-01-09 | 广西壮族自治区自然资源遥感院 | 一种激光点云建模的数据识别方法及*** |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101914890A (zh) * | 2010-08-31 | 2010-12-15 | 中交第二公路勘察设计研究院有限公司 | 一种基于机载激光测量的公路改扩建勘测方法 |
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 |
CN104463872A (zh) * | 2014-12-10 | 2015-03-25 | 武汉大学 | 基于车载LiDAR点云数据的分类方法 |
CN105118090A (zh) * | 2015-05-19 | 2015-12-02 | 西南交通大学 | 一种自适应复杂地形结构的点云滤波方法 |
CN105488770A (zh) * | 2015-12-11 | 2016-04-13 | 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 |
US20160125226A1 (en) * | 2013-09-17 | 2016-05-05 | Shenzhen Institutes Of Advanced Technology Chinese Academy Of Sciences | Method and system for automatically optimizing quality of point cloud data |
CN107944018A (zh) * | 2017-12-11 | 2018-04-20 | 江苏省测绘工程院 | 一种基于激光点云数据的矢量地图位置精度自动质检方法 |
CN109492563A (zh) * | 2018-10-30 | 2019-03-19 | 深圳大学 | 一种基于无人机高光谱影像和LiDAR点云的树种分类方法 |
CN111105496A (zh) * | 2019-12-19 | 2020-05-05 | 昆明能讯科技有限责任公司 | 一种基于机载激光雷达点云数据的高精dem构建方法 |
CN111950336A (zh) * | 2020-04-14 | 2020-11-17 | 成都理工大学 | 基于背包式激光雷达的植被冠层生态水估算方法 |
CN111986115A (zh) * | 2020-08-22 | 2020-11-24 | 王程 | 激光点云噪声和冗余数据的精准剔除方法 |
-
2020
- 2020-11-27 CN CN202011359491.0A patent/CN112381940A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101914890A (zh) * | 2010-08-31 | 2010-12-15 | 中交第二公路勘察设计研究院有限公司 | 一种基于机载激光测量的公路改扩建勘测方法 |
US20160125226A1 (en) * | 2013-09-17 | 2016-05-05 | Shenzhen Institutes Of Advanced Technology Chinese Academy Of Sciences | Method and system for automatically optimizing quality of point cloud data |
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 |
CN104463872A (zh) * | 2014-12-10 | 2015-03-25 | 武汉大学 | 基于车载LiDAR点云数据的分类方法 |
CN105118090A (zh) * | 2015-05-19 | 2015-12-02 | 西南交通大学 | 一种自适应复杂地形结构的点云滤波方法 |
CN105488770A (zh) * | 2015-12-11 | 2016-04-13 | 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 |
CN107944018A (zh) * | 2017-12-11 | 2018-04-20 | 江苏省测绘工程院 | 一种基于激光点云数据的矢量地图位置精度自动质检方法 |
CN109492563A (zh) * | 2018-10-30 | 2019-03-19 | 深圳大学 | 一种基于无人机高光谱影像和LiDAR点云的树种分类方法 |
CN111105496A (zh) * | 2019-12-19 | 2020-05-05 | 昆明能讯科技有限责任公司 | 一种基于机载激光雷达点云数据的高精dem构建方法 |
CN111950336A (zh) * | 2020-04-14 | 2020-11-17 | 成都理工大学 | 基于背包式激光雷达的植被冠层生态水估算方法 |
CN111986115A (zh) * | 2020-08-22 | 2020-11-24 | 王程 | 激光点云噪声和冗余数据的精准剔除方法 |
Non-Patent Citations (3)
Title |
---|
何高波: "机载 LiDAR在秦岭北缘及华山山前地震活动断裂研究中的应用", 测绘技术装备, pages 5 - 9 * |
张衡;李通;肖鹏;徐花芝;: "机载LiDAR技术在山区高速公路勘测设计中的研究与应用", 北京测绘, no. 06, pages 171 - 186 * |
郭林凯;: "实景三维模型地理精度检测与分析", 城市勘测, no. 02, pages 105 - 108 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113466887A (zh) * | 2021-05-12 | 2021-10-01 | 武汉中仪物联技术股份有限公司 | 测距雷达的数据去噪方法、装置、设备和存储介质 |
CN114689015A (zh) * | 2021-11-29 | 2022-07-01 | 成都理工大学 | 一种提高光学卫星立体影像dsm高程精度的方法 |
CN115797814A (zh) * | 2023-02-13 | 2023-03-14 | 广东电网有限责任公司肇庆供电局 | 基于无人机的输电线路树障隐患实时评估计算方法 |
CN115797814B (zh) * | 2023-02-13 | 2023-05-23 | 广东电网有限责任公司肇庆供电局 | 基于无人机的输电线路树障隐患实时评估计算方法 |
CN117372850A (zh) * | 2023-11-01 | 2024-01-09 | 广西壮族自治区自然资源遥感院 | 一种激光点云建模的数据识别方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112381940A (zh) | 一种点云数据生成数字高程模型的处理方法、装置及终端设备 | |
US20140267250A1 (en) | Method and apparatus for digital elevation model systematic error correction and fusion | |
CN107832849B (zh) | 一种基于知识库的电力线廊道三维信息提取方法及装置 | |
Chen et al. | A mathematical morphology-based multi-level filter of LiDAR data for generating DTMs | |
Zhao et al. | A comparison of LiDAR filtering algorithms in vegetated mountain areas | |
Korzeniowska et al. | Experimental evaluation of ALS point cloud ground extraction tools over different terrain slope and land-cover types | |
CN111275821A (zh) | 一种电力线拟合方法、***及终端 | |
CN112526470A (zh) | 标定雷达参数的方法和装置、电子设备、存储介质 | |
CN115761303A (zh) | 基于机载激光雷达点云和遥感影像数据的地物分类方法 | |
CN114241018A (zh) | 一种牙齿点云配准方法、***及可读存储介质 | |
CN109242786B (zh) | 一种适用于城市区域的自动化形态学滤波方法 | |
CN117495891B (zh) | 点云边缘检测方法、装置和电子设备 | |
CN114898118A (zh) | 基于多源点云的输电线路房屋拆迁量自动统计方法及*** | |
JP6686262B2 (ja) | 地形変化点抽出システム、及び地形変化点抽出方法 | |
KR101927861B1 (ko) | 형태론적 연산에 기반한 공간 기하 정보의 노이즈 제거 방법 및 장치 | |
KR101770742B1 (ko) | 클러터를 억제하는 표적 탐지 장치 및 그 방법 | |
CN111060922B (zh) | 基于机载激光雷达点云空间分布特征的树木点云提取方法 | |
Song et al. | An unsupervised, open-source workflow for 2d and 3d building mapping from airborne lidar data | |
CN114863108B (zh) | 点云处理的方法、***、电子设备及计算机可读存储介质 | |
CN116843860A (zh) | 激光雷达点云与影像密集匹配点云融合建模方法及装置 | |
CN111080536A (zh) | 一种机载激光雷达点云的自适应滤波方法 | |
CN116452764A (zh) | 一种融合地形信息的机载激光雷达点云分级抽稀方法 | |
CN112381029B (zh) | 一种基于欧氏距离的机载LiDAR数据建筑物提取方法 | |
CN114494625A (zh) | 高精度地形图制作方法、装置和计算机设备 | |
Kumar et al. | An efficient method for road tracking from satellite images using hybrid multi-kernel partial least square analysis and particle filter |
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 |