從機載雷達點云數據中快速準確提取建筑物是當前研究的難點和熱點。在對現有建筑物點云提取方法充分研究和分析的基礎上,本文提出了一種基于lidar點云的建筑物提取方法。首先根據建筑物的幾何特性提取初始建筑物輪廓點;然后構建局部協方差矩陣計算點云分布特征,剔除非建筑物輪廓點;最后利用dbscan聚類算法對建筑物輪廓點聚類,以聚類結果為基礎構建緩沖區,以緩沖區內所有建筑物輪廓點為初始種子點,采用圓柱體鄰域進行多種子點區域增長,實現建筑物點云的提取。通過兩組試驗,共5組數據驗證本文算法的性能。試驗結果表明,該方法能夠準確、有效地提取多層復雜的建筑物點云,效率高,且具有一定的適用性。

本文以濾波后的機載lidar非地面點集作為數據源,提出了基于平面擬合及法向量的區域生長建筑物分類算法,剔除了大量的非建筑物點集,但在這些點云中仍存在少量非建筑物點,為了精確去除非建筑物點,分割出每個建筑物點集,提出了基于點集特征約束的建筑物分割算法,依據點數、點集離地面平均高度及平面面積特征分割每個建筑物,實驗結果表明,該算法可完整去除非建筑物點,具有重要的應用價值。

為解決機載lidar點云數據建筑物提取精度不高的問題,首先分析了現有的基于機載lidar點云數據的建筑物提取方法；然后綜合地形、樹木、建筑物密度等對建筑物提取的影響,以德國斯圖加特市法伊英根的lidar點云數據為例進行了建筑物提取實驗；最后對提取結果進行了定量精度評定。結果表明,基于影像的機載lidar點云數據建筑物提取精度為93.1%；而基于數學形態學圖像的處理方法和基于delaunay三角剖分的方法受建筑物形狀和地形等限制較多,提取精度分別為87.6%和81.3%,說明基于影像的機載lidar點云數據建筑物提取方法的準確性較高,限制性條件較少。

建筑物立面點云分割是車載激光掃描數據特征提取與建模的基礎。本文將隨機抽樣一致性算法(ran-domsamplingconsensus)方法引入對點云的分割中,并在判斷準則中引入了點云的r半徑密度,消除了噪聲的影響,同時建立角度和距離兩個約束條件對平面分割結果進行優化,提取出了最終的建筑物立面特征平面。

機載激光雷達技術已經成為快速獲取城市建筑三維數字模型的有效手段,而建筑物屋頂點云提取則是建筑物三維數字模型重建的關鍵.為有效剔除植被和墻面點云,以及消除地形起伏對建筑點云提取精度的影響,提出一種層進式屋頂點云提取方法.首先對lidar點云進行濾波,在此基礎上利用點云回波特性和點云法向量檢測并刪除非地面點中特征明顯的植被點和建筑物墻面點,然后利用連通成分分析法對非地面點聚類得到初始建筑點,最后結合dtm并利用建筑物面積和高度信息分離得到建筑物屋頂點云.試驗結果表明,本方法能有效地從機載點云數據中快速提取建筑屋頂點云,有效率可達85%以上.

機載lidar點云數據分布呈現離散化,掃描的目標點云沒有明確的輪廓,而建筑物形狀呈現復雜化和多樣化,這給提取機載lidar數據中建筑物輪廓線帶來了困難。alphashapes算法的優點在于無需知道點云中各點處的法向量及其他先驗知識就能進行處理,避免了插值算法帶來的誤差影響,對于少量點云缺失及數據冗余的情況,算法仍具有良好的穩定性和適應性。alphashapes方法可以得到較為精細的建筑物邊緣,且該算法適用于各種多邊形建筑物輪廓線的提取。

機載激光雷達技術已經成為快速獲取城市建筑三維數字模型的有效手段,而建筑物屋頂點云提取則是建筑物三維數字模型重建的關鍵.為有效剔除植被和墻面點云,以及消除地形起伏對建筑點云提取精度的影響,提出一種層進式屋頂點云提取方法.首先對lidar點云進行濾波,在此基礎上利用點云回波特性和點云法向量檢測并刪除非地面點中特征明顯的植被點和建筑物墻面點,然后利用連通成分分析法對非地面點聚類得到初始建筑點,最后結合dtm并利用建筑物面積和高度信息分離得到建筑物屋頂點云.試驗結果表明,本方法能有效地從機載點云數據中快速提取建筑屋頂點云,有效率可達85%以上.

航空影像中,垂直邊緣對建筑物提取具有重要意義。為快速準確地提取垂直邊緣,依據航空攝影測量學的有關知識,利用攝影測量成像模型推導出垂直邊緣滅點位置,并結合物方空間幾何約束和圖像空間邊緣信息,采用一種自適應模糊hough變換算法,實現了建筑物垂直邊緣的自動提取。實驗證明,該算法是行之有效的。

針對地面激光點云包含大量冗余數據、特征信息不明顯等缺點,提出了一種自動提取建筑物點云輪廓線的方法。首先基于主成分分析和熵函數計算每個點的最佳鄰域,再根據幾何位置關系,濾除散亂點和平面中的點,保留輪廓線點云。針對不同地面激光點云數據,無需反復調整閾值。實驗證明,該方法提取的建筑物點云輪廓線清晰完整,與現有方法提取的結果相比正確率有一定的提高,且冗余點云幾乎全部被濾除,自動化程度高,具有良好的適用性。

建筑物立面兼顧規則和非規則的幾何結構排列,利用先驗或提取的立面結構規則推理數據稀疏區域立面模型時,會產生不合理的重建結果.為此,提出一種結合規則推理和點云數據驗證的數據稀疏區域建筑物立面重建方法,能夠對推測的立面模型合理性進行驗證.在利用影像數據改善立面點云數據初始重建模型偏移的基礎上,分析立面結構的排列規律.采用四鄰域模板匹配方法推理點云數據稀疏區域立面幾何結構的位置和類型.最后用點云數據驗證推理重建結果的可靠性.實驗表明,對于結構多樣的建筑物立面,該方法可檢測出不合理的重建結果,提高了基于規則建筑物立面重建的可靠性.

簡述三種典型的利用lidar點云自動提取建筑物的方法。提出對建筑物提取結果的精度評價指標,并對三種方法的提取結果進行比較。結果表明基于dempster-shafer理論的建筑物自動提取方法最為穩健。

基于航空影像建筑物個數繁多、形狀復雜,且存在較多的干擾信息,提出一種新穎的建筑物邊緣直線特征提取方法.對航空影像進行改進標記分水嶺分割,并結合dsm高度信息,有效去除道路和陰影的影響.同時,對影像進行基于多尺度自適應加權的改進canny算子的邊緣檢測.在每一個分割得到的建筑物初始區域內,對檢測到的邊緣點進行相位編組提取直線,利用建筑物屋頂約束條件,統計屋頂的主方向,修正和規劃直線段,實現了建筑物邊緣直線特征快速、有效的提取.

建筑物是城市地圖中數量最多的地物，本文介紹了由多邊形頂點生成普通建筑物、棚房和暖房等三種建筑物符號的算法。

提出一種利用高分辨率遙感影像半自動提取建筑物邊緣的方法。先對遙感影像進行預處理,對所有邊緣進行邊緣檢測,然后進行邊緣跟蹤,提取建筑物的主方向線,利用模型進行線段關系判斷,再進行線段關系處理、區域分割和區域生長,最后進行區域合并提取出建筑物的輪廓。用上述方法對quickbird衛星的高分辨率影像進行了實驗,實驗結果證明該方法有較高的識別率、較好的準確性,具有一定的實用價值。

提出了一種基于蟻群算法的地面激光掃描數據建筑物立面提取方法,該方法可以有效地區分沿街lidar掃描景觀數據中建筑物立面和位于其前方的樹木、街燈、行人、停靠車輛等遮擋物。三組真實的地面激光點云的實驗結果表明,該方法能準確、有效地提取建筑物立面點云數據。

建筑物輪廓的準確提取是建筑物三維重建中最重要的一步。本文在研究已有建筑物輪廓提取方法的基礎上,針對lidar離散的點云數據,提出了一種自動快速提取建筑物輪廓信息的方法。首先通過點云數據生成城市的數字表面模型(dsm)和數字地面模型(dtm)相減計算得出規則化的數字表面模型(ndsm),進而將地面點和非地面點進行分類;其次,考慮到地物的幾何特性,提出一種8鄰域搜索的方法對非地面點點云進行分割,得到建筑物表面點云;最后運用基于梯度圖的邊界跟蹤的方法來獲取建筑物的輪廓信息。實驗表明:該方法能有效地提取建筑物輪廓。

機載激光雷達是dem生產和城市三維重建的重要技術手段之一。文章在現有濾波算法的基礎上提出一種基于lidar影像分層的分割算法。該方法按照固定的高差間隔將dsm劃分為不同高度的數據層;然后在不同的數據層中對圖像目標進行分割,并計算各個圖像目標的特征變化;最后分析影像分割在垂直方向上尺寸和形狀的變化以及其中心位置的偏移,在此基礎上完成建筑物的提取。結果表明上述方法可有效地提取大規模復雜的建筑物。

激光雷達技術(lidar)已廣泛應用于數字高程模型(dem)的快速獲取和三維城市模型的建立中,但仍有許多不足之處,需要做更深入的研究。本文介紹了一種新的建筑物提取方法,稱之為fc-s法。該方法首先利用等高線特征進行濾波,從lidar數據內插的數字表面模型(dsm)中提取出dem,利用dsm與dem的高差閾值和dsm邊緣特征參數去掉地面點和汽車等矮小物體,獲得主要包含植被和建筑物的地物點群,然后對地物點群進行分割,利用二次梯度和面積等參數去掉植被點,并采用迭代逼近的方法精化建筑物。文章通過實驗對所提方法進行驗證,并借助高分辨率的航空影像對建筑物提取結果進行評估,評估結果表明該方法能夠在地形起伏的區域中較準確地提取出建筑物。

標志牌上包含了許多重要的信息,提取自然場景圖像中標志牌上的文本具有很高的實用價值。本文提出了一種有效的基于邊緣的文本提取方法。該方法對背景的復雜度、文字的顏色、大小以及排列方向具有很強的魯棒性。首先,算法有效地去除大量不規則的非文本長邊緣;然后,針對不同的字符大小范圍進行分級提取,根據文本區域中邊緣之間的關系,用窗口法掃描邊緣圖像,進一步去除非文本邊緣;然后,將提取的結果合并。在驗證階段,本文應用了字符邊緣的特點,提高驗證的準確率。最后,詳細介紹了實驗結果。

傳統算法直接使用數字表面模型(dsm)進行建筑物提取,忽略了地形影響,只適用于地形變化較小的區域。針對該問題,提出了一種基于局部高程差異的建筑物提取算法。利用地物相對于局部區域的高程差異來反映地物高度,再運用基于知識的提取算法提取建筑物。實驗結果表明,該算法具有較高的精度,比svm算法降低了1.18%的誤提率和6.51%的漏提率。

本文提出了一種基于全色波段航空影像和激光雷達數據的建筑物檢測方法。如何從激光點云數據中提取出建筑物激光腳點,是建筑物三維重建和輪廓提取的難點問題之一。植被密集區域以及與建筑物緊密相鄰的樹木的激光點很難與建筑物激光點區分開。本文利用支持向量機對單個激光點的特征進行兩分類,特征向量包括激光點的高程、高程變化信息以及與激光點配準的影像光譜信息。實驗表明,基于支持向量機的點態分類算法能夠有效提取建筑物激光腳點,影像光譜信息能明顯提高分類精度。

運用點云切片提取建筑物特征線擬合建模,對于長方體、圓柱體、管狀體等規則物體自動匹配建模,對于不規則物體進行點云切割、側視圖提取輪廓線、擬合建模,對相同的結構復制等方式批量處理,然后根據點云組合模型,完成建筑物主體建模;通過平面投影方式提取門窗等細節的輪廓線,將輪廓線導出到第三方軟件,實現對門窗的精細建模;最后通過紋理貼圖生成極富真實感的三維模型并對其數字化展示.