本文關(guān)鍵詞：城市區(qū)域機載LiDAR與可見光數(shù)據(jù)配準研究，由筆耕文化傳播整理發(fā)布。

【摘要】：城市中有大量的人造建筑物,而建筑物的三維輪廓、構(gòu)成材質(zhì)、表面色彩都有很大隨機性,單一遙感測量數(shù)據(jù)難以實現(xiàn)對城市地物的準確分類和識別。激光雷達能夠獲取高精度的三維數(shù)據(jù),是目前城市三維信息采集的主要手段。將機載Li DAR點云與可見光圖像融合,使之既有三維結(jié)構(gòu)又有紋理色彩,必將提高城市地物分類、目標識別、三維重建等工作的時效性和準確性。異源數(shù)據(jù)融合的首要任務(wù)是數(shù)據(jù)間的配準。為此,本文貼近實際應(yīng)用,以公開的城市實測數(shù)據(jù)為基礎(chǔ),以機載Li DAR四維點云數(shù)據(jù)與高分辨率可見光圖像配準為主要內(nèi)容,對以下幾方面內(nèi)容展開研究:1.原始點云數(shù)據(jù)的預(yù)處理研究。將離散不規(guī)則的原始點云規(guī)則網(wǎng)格化為高程網(wǎng)格和強度網(wǎng)格。針對城市圖像特點,提出一種道路點強度區(qū)間的提取方法和一種自適應(yīng)坡度區(qū)域生長的點云地面提取方法。提取結(jié)果進行迭代插值后,得到了較理想的DEM和DSM數(shù)據(jù),為建筑物和道路提取打下基礎(chǔ)。2.針對城市道路的結(jié)構(gòu)特點,提出一種基于道路Hough參數(shù)的異源圖像粗配準方法。包括配準基元定義、四維配準參數(shù)尋優(yōu)和基于同源數(shù)據(jù)關(guān)聯(lián)性的配準結(jié)果校驗。該方法可以在較低分辨率下提取Hough參數(shù)進行配準,并得到較好的處理結(jié)果,對大數(shù)據(jù)的航空測量圖像有較好的適用性。3.設(shè)計了一種基于建筑物面特征的異源圖像配準方法。應(yīng)用點云數(shù)據(jù)和可見光圖像進行建筑物面特征的提取。通過采樣和加權(quán)將面轉(zhuǎn)化為特征點,迭代計算加權(quán)后點間最小距離,從而達到配準的目的。該方法對于局部輪廓相同的面特征,依然能夠得到比較好的配準結(jié)果。
【關(guān)鍵詞】：機載LiDAR 點云濾波 區(qū)域生長 Hough參數(shù)配準 建筑物提取 面特征配準
【學(xué)位授予單位】：國防科學(xué)技術(shù)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TN957.52
【目錄】：

• 摘要9-10
• ABSTRACT10-11
• 第一章 緒論11-21
• 1.1 引言11-12
• 1.2 機載LiDAR與航空攝影12-16
• 1.2.1 機載LiDAR12-15
• 1.2.2 航空攝影15-16
• 1.3 LiDAR點云的濾波方法16-17
• 1.4 機載LiDAR點云與可見光圖像的配準17-19
• 1.5 實驗數(shù)據(jù)及運行環(huán)境19
• 1.6 本文研究內(nèi)容和結(jié)構(gòu)安排19-21
• 第二章 點云數(shù)據(jù)的預(yù)處理及地面提取21-39
• 2.1 粗差點去除21-23
• 2.1.1 粗差點介紹21-22
• 2.1.2 粗差點的去除22-23
• 2.2 點云數(shù)據(jù)的規(guī)則網(wǎng)格化23-29
• 2.2.1 點云數(shù)據(jù)組織結(jié)構(gòu)23-24
• 2.2.2 規(guī)則網(wǎng)格化24
• 2.2.3 四維點云數(shù)據(jù)的規(guī)則網(wǎng)格化處理24-29
• 2.3 基于自適應(yīng)坡度區(qū)域生長法的地面提取29-36
• 2.3.1 本文算法概述29-31
• 2.3.2 種子點的選取31-33
• 2.3.3 自適應(yīng)坡度生長準則33-34
• 2.3.4 迭代鄰近最小值DEM插值34-36
• 2.4 實驗結(jié)果36-38
• 2.5 本章小結(jié)38-39
• 第三章 LiDAR強度數(shù)據(jù)與可見光圖像的粗配準39-60
• 3.1 圖像配準概述39-41
• 3.1.1 二維圖像配準原理39-40
• 3.1.2 二維圖像配準方法40-41
• 3.1.3 圖像配準的基本問題41
• 3.2 基于強度信息的城市道路直線參數(shù)提取41-44
• 3.2.1 LiDAR數(shù)據(jù)中道路點的提取41-42
• 3.2.2 基于結(jié)構(gòu)特征的LiDAR道路強度分布區(qū)間提取42-43
• 3.2.3 數(shù)學(xué)形態(tài)學(xué)方法43
• 3.2.4 傳統(tǒng)二維空間Hough變換直線提取43-44
• 3.2.5 道路直線特征提取結(jié)果44
• 3.3 基于道路Hough直線參數(shù)的圖像配準算法44-50
• 3.3.1 本文方法配準基元的定義45-48
• 3.3.2 本文方法相似性測度及最優(yōu)配準參數(shù)的求解48-50
• 3.4 基于同源數(shù)據(jù)關(guān)聯(lián)的異源數(shù)據(jù)配準50-54
• 3.4.1 基于SIFT算法的可見光圖像拼接51-52
• 3.4.2 基于同源圖像關(guān)聯(lián)性的配準結(jié)果校驗52-54
• 3.5 實驗結(jié)果54-59
• 3.6 本章小結(jié)59-60
• 第四章 激光與可見光數(shù)據(jù)建筑物提取及配準60-78
• 4.1 基于點云高程和強度信息聚類分割的建筑物提取60-66
• 4.1.1 nDSM圖生成61-62
• 4.1.2 基于高程和強度信息的聚類分割62-63
• 4.1.3 小面積和非正規(guī)區(qū)塊去除63-64
• 4.1.4 基于高程和強度矩陣梯度約束的建筑物提取64-66
• 4.1.5 建筑邊緣修補66
• 4.2 基于建筑物面特征的精確配準算法66-77
• 4.2.1 可見光圖像建筑物面特征提取67-68
• 4.2.2 面特征分級采樣68-69
• 4.2.3 基于面特征加權(quán)采樣的點間最小距離的相似性測度69-70
• 4.2.4 基于本文相似性測度的配準算法70-72
• 4.2.5 實驗結(jié)果72-77
• 4.3 本章小結(jié)77-78
• 第五章 總結(jié)和展望78-80
• 5.1 論文工作總結(jié)78
• 5.2 未來工作展望78-80
• 致謝80-81
• 參考文獻81-84
• 作者在學(xué)期間取得的學(xué)術(shù)成果84

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前1條

1 郭莉莉;陳忠;張寧新;謝庭;;改進的Lidar數(shù)據(jù)橋梁提取算法研究[J];計算機工程與設(shè)計;2014年06期

  本文關(guān)鍵詞：城市區(qū)域機載LiDAR與可見光數(shù)據(jù)配準研究，，由筆耕文化傳播整理發(fā)布。

本文編號：504703