机载LIDAR及其数据处理.ppt

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * We propose an iterative least squares solution method to RFM. The numerical properties and important practical issues on RFM, including stability, accuracy of the solution, and the required number and distribution of ground control points, are investigated by tests using various data sets * * * * * * * * * * * * Thanks * * * * * * * * * * * * * * * * * * * * * * * * * * * * Mapping of erosion Survey of a coastal section of the island Sylt every year for monitoring erosion Sediments which have been transported away by wind and water have to be replaced to preserve the shape of the island which is very import for tourism and for preservation of infrastructure and buildings * 边缘检测 阶跃边缘检测 实验比较传统边缘提取方法在LIDAR数据中效果 顾及LIDAR特点的点云数据边缘点检测 基于角度分解的离散点直线检测 3.1实验比较传统边缘提取方法 比较的内容： 细小边缘的个数 检测率 坐标的准确程度 LIDAR数据是一种距离图像，这些传统的边缘特征提取算法能不能用？ 算法： Sobel Prewitt Laplacian 3.1 测试数据 内插后的距离图像 实地测量的矢量图 Sobel Prewitt Laplacian Canny Edison Slope Alg.a Pt NO. Val NO. R.Rate Acc. VPR Sobel 2187 1549 0.219 1.074 0.71 Prew. 2143 1579 0.213 1.115 0.73 Lap. 4163 3312 0.360 1.218 0.79 Canny 5132 4838 0.474 1.156 0.94 Edison 4944 4917 0.550 1.056 0.99 Slope 18845 14202 0.569 * 0.75 Acc.: 检测到的边缘与实际边缘距离的标准差 算法的性能比较表: 3.1 结果比较 总的看来,Edison效果最佳,但所有算法的弱边缘检测效果都不好。 ★算法检测的边缘坐标与实际数值有一定偏差 3.1 造成偏差的原因分析 偏差可能原因有： 1.LIDAR数据获取过程中由于遮挡导致数据空缺 2.算法在边缘点选取时通常取构成梯度的中间点作为边缘点，在LIDAR数据中，应选取构成梯度的上边点。 3.数据的噪声、内插和处理过程带来的误差。 3.2 顾及LIDAR特点的点云数据边缘点检测 Pc Pn 计算每个点邻域内Z坐标差异 特征直线检测:基于角度分解 1 1 6 5 4 3 2 0 7 8 每个点局部方向 权值函数曲线 一个点对一条直线的贡献与点到直线的距离有关系 角度分解结果优化  优化内容： 孤立点分类 线段合并 线段竞争 规则化 使检测到的特征线段满足平行垂直关系，更加符合建筑物常有的形态 4. 屋顶面片检测 问题： 1. 复杂建筑物屋顶面在检测时会互相干扰。 2. 目前，LIDAR数据屋顶面片检测方法主要是扩展到3D空间的Hough变换。Hough变换速度慢，计算量大。 3. 三角形法向量统计是屋顶面片检测的另一种方法，但由于数据密集，三角形小，法向量对噪声十分敏感。若平滑数据，平滑算法通常会导致建筑物体积缩小。 法向量噪声大 4. 屋顶面片检测 思路： 1. 将复杂建筑物分解 2. 点法向量统计：用点和其邻域内的点构成的小平面代替三角形计算法向量 3. 多重阈值：避免漏检 分解建筑物 原始LIDAR数据 高程直方图+区域增长 建筑物分解 主要目的: 消除3D重建过程中的复杂度 多重阈值的基于点法向量统计