無人機低空攝影測量技術(shù)能夠通過少量地面控制點快速高效的獲取大量測區(qū)點位坐標、DSM、DOM等數(shù)據(jù),其在測繪領(lǐng)域的不斷發(fā)展完善,正在一步步替代傳統(tǒng)測量手段,已經(jīng)成為測繪領(lǐng)域的中堅力量。隨著傾斜攝影測量技術(shù)的發(fā)展,通過無人機影像密集匹配點云數(shù)據(jù)的精度不斷提高,相較于LIDAR點云成本大大降低。但無人機影像密集匹配點云數(shù)據(jù)量大且密度不均勻,為獲取高精度的DEM就需要將大量地物點去除,現(xiàn)行的濾波算法或多或少的存在著一些問題,本文在分析機載LIDAR點云與無人機影像匹配點云的異同后,對于經(jīng)典的LIDAR點云濾波算法進行改進,使其適用于無人機影像密集匹配點云。主要成果如下:點云粗差剔除主要分為極值粗差點剔除和一般粗差點剔除兩部分,極值粗差點通過基于高程統(tǒng)計的方法進行粗差點的剔除。對于一般粗差點,討論了當前主流的粗差剔除方法:基于虛擬格網(wǎng)高程信息的粗差剔除、基于k-d樹索引的k鄰近距離的粗差剔除;發(fā)現(xiàn)這兩種方法很難滿足建筑物邊緣點位眾多且點云密度不均勻的無人機影像密集匹配點云。本文通過引入LOF算法進行無人機影像密集匹配點云的粗差剔除,LOF算法是基于局部密度的離群點檢測方法,適合于密度存在差異的數(shù)據(jù)中的離群值識別,通過實驗表明:在參數(shù)k值合理的情況下,基于LOF的離群點檢測方法能夠剔除較少的地面點。在點云濾波中,本文基于漸進加密三角網(wǎng)的點云濾波算法進行改進。在種子點選擇中,原始算法通過研究區(qū)最大建筑物尺寸將研究區(qū)進行格網(wǎng)劃分,本文參照移動面的濾波方法,將固定格網(wǎng)變?yōu)椴粩嘁苿拥奶摂M格網(wǎng),這種方法能夠提取更多的地面種子點,大大提高了后續(xù)的迭代效率。閾值的選擇中引入了OTSU算法,通過計算每個初始TIN中的待定點到TIN的距離來計算距離閾值,并通過地面種子點來計算坡度閾值。
【學位單位】：中國礦業(yè)大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：P231
【文章目錄】：
致謝
摘要
abstract
變量注釋表Ⅻ
1 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 研究內(nèi)容
    1.4 論文組織結(jié)構(gòu)
2 點云數(shù)據(jù)獲取及其特點
    2.1 機載LIDAR獲取點云
    2.2 無人機影像密集匹配點云獲取
    2.3 無人機影像密集匹配點云與LIDAR點云對比
    2.4 本章小結(jié)
3 點云粗差剔除
    3.1 基于高程統(tǒng)計的極值粗差點剔除
    3.2 一般粗差點剔除
    3.3 本章小結(jié)
4 改進的點云濾波算法
    4.1 點云濾波算法概述
    4.2 改進的漸進加密三角網(wǎng)的點云濾波
    4.3 本章小結(jié)
5 實驗驗證
6 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻
作者簡歷
學位論文數(shù)據(jù)集

【相似文獻】

相關(guān)期刊論文 前10條

1 王雯;任小玲;陳逍遙;;一種改進的區(qū)域增長彩色3D點云分割算法[J];國外電子測量技術(shù);2018年11期

2 陳華臻;高健;;面向反光工件點云缺陷的點云增強算法[J];計算機輔助設(shè)計與圖形學學報;2019年07期

3 馬東嶺;王曉坤;李廣云;;一種基于高度差異的點云數(shù)據(jù)分類方法[J];測繪通報;2018年06期

4 楊澤鑫;程效軍;丁瓊;程小龍;;面向室內(nèi)場景點云的對象重建[J];測繪通報;2017年06期

5 翁福洲;黃鶴;;快速點云定向數(shù)學模型實際精度分析[J];北京測繪;2017年04期

6 琚俏俏;王令文;;基于自適應(yīng)切片的點云壓縮算法[J];工程勘察;2017年09期

7 許寧;鐘友玲;;地面三維激光掃描點云重建技術(shù)研究[J];數(shù)碼世界;2017年08期

8 龔書林;;三維激光點云處理軟件的若干關(guān)鍵技術(shù)[J];測繪通報;2014年06期

9 徐守乾;朱延娟;;稀疏點云的曲面重構(gòu)[J];中國制造業(yè)信息化;2011年03期

10 梁新合;梁晉;郭成;曹巨明;;法向約束的多幅點云數(shù)據(jù)融合算法[J];西安交通大學學報;2009年05期

相關(guān)博士學位論文 前10條

1 趙宗澤;基于數(shù)學形態(tài)學的機載LiDAR點云建筑物區(qū)域提取[D];武漢大學;2016年

2 魏崇陽;城市環(huán)境中基于三維特征點云的建圖與定位技術(shù)研究[D];國防科學技術(shù)大學;2016年

3 奚以成;基于機載LiDAR技術(shù)的城市智能感知與變化檢測技術(shù)研究[D];沈陽農(nóng)業(yè)大學;2018年

4 宋孟肖;LiDAR點云輔助的城區(qū)航空影像空中三角測量[D];武漢大學;2018年

5 李明磊;激光掃描點云的線結(jié)構(gòu)提取與應(yīng)用研究[D];戰(zhàn)略支援部隊信息工程大學;2017年

6 曹如軍;基于機載LiDAR點云的建筑屋頂三維重建[D];武漢大學;2017年

7 黃鵬頔;三維激光掃描點云典型場景可見性分析方法研究[D];廈門大學;2017年

8 羅歡;高分辨率激光掃描點云語義標注研究[D];廈門大學;2017年

9 付瑋;基于攝影測量系統(tǒng)的標定與表面數(shù)據(jù)融合算法研究[D];南昌大學;2018年

10 黃旭;LiDAR點云約束下的多視影像密集匹配與融合方法研究[D];武漢大學;2016年

相關(guān)碩士學位論文 前10條

1 汪霞;融合序列影像的激光點云三維實景建模[D];中國礦業(yè)大學;2019年

2 段志鑫;三維激光掃描數(shù)據(jù)精簡、表面重構(gòu)方法及應(yīng)用研究[D];中國礦業(yè)大學;2019年

3 帥煒;基于多種類型特征約束的LiDAR點云配準算法研究[D];中國礦業(yè)大學;2019年

4 崔紹臣;三維點云數(shù)據(jù)處理系統(tǒng)設(shè)計與開發(fā)[D];吉林大學;2019年

5 陳哲;應(yīng)用于無人駕駛的視覺定位關(guān)鍵技術(shù)研究[D];吉林大學;2019年

6 楊禮;融合UAV遙感影像與SFM點云的樹木識別及參數(shù)提取[D];河南理工大學;2018年

7 郭強;基于激光雷達的車前地形復(fù)現(xiàn)關(guān)鍵技術(shù)研究[D];吉林大學;2019年

8 孔威;基于WEB的三維點云重建研究與實現(xiàn)[D];云南大學;2018年

9 李沛婷;荒漠植被區(qū)機載LiDAR點云生成DEM算法研究[D];石河子大學;2019年

10 彭信杰;基于深度點云卷積神經(jīng)網(wǎng)絡(luò)DPCNet的三維場景分割[D];河南大學;2019年

本文編號：2864440