机载LIDAR点云数据滤波及建筑物点群分割研究

摘要

机载激光雷达(Light Detection and Ranging，LIDAR)技术作为新兴的一门综合性技术，在地理国情监测、地形勘测和三维城市建模等方面有很大地应用。本文从点云滤波和建筑物点群分割两方面进行了探讨和研究。
　　为了便于管理海量的机载LIDAR点云数据，本文基于虚拟格网对原始点云数据进行组织。虚拟格网既保留了点云的原始信息，又具有格网数据便于组织和邻域选择的优点。在对机载LIDAR点云数据特点和现有滤波算法进行研究讨论后，尝试改进了数学形态学滤波算法，将传统数学形态学滤波方法所采用的固定窗口大小和固定高差阈值改进为渐变窗口大小和变高差阈值。
　　本文详细介绍基于形态学梯度和区域生长的滤波方法。该方法以每个点的形态学梯度为先决条件，对形态学梯度满足一定条件的点云进行标记;对标记点的邻域内所有点云进行条件开运算，比较开运算前后的高差，以此为条件进行分离地面点和非地面点;循环上述步骤，直至满足迭代停止条件。对可能造成的过度滤波增加了区域生长，可以有效地提高滤波效果和精度。实验表明，基于形态学梯度和区域生长的滤波方法能够有效地改善建筑物边缘和高大植被区的滤波效果，对各类地形具有一定的适用性。
　　建筑物模型可以看作由多个平面构成，本文对平面所含的点云进行了分割处理，采用了改变的随机霍夫变换对建筑物屋顶面面片所含点云进行了提取。基于改进的随机霍夫变换方法地面片提取本质上只采用了数学的思想，从面片的几何特征进行了考虑，从非地面点云中探测出三维离散点云相对应的最佳平面。决定算法效率的关键参数有四个，沿θ、ψ和ρ三轴的步长以及增长阈值。本文改进的随机霍夫变换通过点与平面的距离、点与点之间的距离和高差来自动控制平面增长，能够有效地提高算法效率和分割精度。
　　最后，联合C＃.NET和AutoCAD.NET技术在AutoCAD上进行了二次开发，编写机载LIDAR点云数据滤波及建筑物点群分割程序——LIDAR-DMP。该程序能够实现数据读取、分类显绘、数据组织、滤波处理、建筑物提取等功能。

目录

声明

摘要

第1章 绪论

1．1 研究背景及意义

1．2 国内外现状

1．2．1 点云滤波

1．2．2 建筑物提取

1．3 本文主要内容及结构

第2章 机载激光雷达点云数据滤波研究

2．1 机载LIDAR点云数据特点及组织

2．1．1 点云数据特点

2．1．2 点云数据组织

2．2 现有滤波算法分析

2．2．1 基于数学形态学的滤波方法

2．2．2 基于坡度的滤波方法

2．2．3 基于不规则三角网加密的滤波方法

2．2．4 基于聚类分割的滤波方法

2．2．5 基于微分形态学断面的滤波方法

2．3 基于改进的数学形态学滤波方法

2．4 基于形态学梯度和区域生长的滤波方法

2．5 本章小结

第3章 建筑物点群分割研究

3．1 现有建筑物提取方法概述

3．1．1 基于区域生长的建筑物提取

3．1．2 基于霍夫变换的建筑物提取

3．1．3 基于影像融合的建筑物提取

3．2 基于随机霍夫变换的建筑物点群分割方法

3．2．1 随机霍夫变换检测直线方法

3．2．2 基于改进的随机霍夫变换的平面提取

3．2．3 边界线提取探讨

3．3 本章小结

第4章 软件研制及实验分析

4．1 软件研制

4．1．1 研制平台

4．1．2 功能模块总体规划和设计

4．1．3 软件操作流程

4．2 实验分析

4．2．1 点云数据滤波

4．2．2 建筑物点群分割

结论与展望

致谢

参考文献