数据处理流程市赛获奖.pptx

三维激光扫描技术;三维激光扫描技术;产生噪声点的原因主要有以下方面： ①由被扫描对象表面因素产生的误差，例如，受不同的粗糙程度、表面材质、波纹、颜色对比度等反射特性引起的误差。当被摄物体的表面较黑或者人射激光的反射光信号较弱等光照环境较差的情况下也很容易产生噪声。 ②偶然噪声，即在扫描实施过程中由于--些偶然的因素造成的点云数据错误，如在扫描建筑物时，有车辆或行人在仪器与扫描对象间经过，这样得到的数据就是直接的“坏点”，很明显应该删除或者过滤掉。 ③由测量系统本身引起的误差。例如，扫描设备的精度、CCD摄像机的分辨率、振动，等等。对于目前常见的非接触式三维激光扫描设备，受到物体本身性质的影响更大。;在处理由随机误差产生的噪声点时，要充分考虑点云数据的分布特征，根据分布特征采用不同的噪声点处理方法。 目前，点云数据的分布特征主要有： ①扫描线式点云数据，按某一特定方向分布的点云数据; ②阵列式点云数据，按某种顺序排列的有序点云数据： ③格网式(三角化)点云数据，数据呈三角网互连的有序点云数据; ④散乱式点云数据，数据分布无章可循，完全散乱。;第一种数据属于部分有序数据，第二种和第三种数据属于有序数据，这三种形式的数据点之间存在拓扑关系，去噪压缩相对简单，采用平滑滤波的方法就可以进行去噪处理。常用的滤波方法有高斯滤波、中值滤波、平均滤波。 对于散乱点云数据，由于数据点之间没有建立拓扑关系。目前散乱点云数据的去噪处理还没有一种快速、有效的方法。目前对散乱点云数据滤波的研究主要分两类：一类是将散乱点云数据转换成网格模型，然后运用网格模型的滤波方法进行滤波处理;另一类是直接对点云数据进行滤波操作。常见的散乱点云数据滤波方法有双边滤波算法、拉普拉斯(Laplace)滤波、二次Laplace方法、平均曲率流、稳健滤波算法点云去噪处理。;根据噪声点的空间分布情况，可将噪声点大致分为以下四类： ①飘移点，即那些明显远离点云主体，飘浮于点云上方的稀疏、散乱点。 ②孤立点，即那些远离点云中心区，小而密集的点云。 ③冗余???，即那些超出预定扫描区域的多余扫描点。 ④混杂点，即那些和正确点云混淆在一起的噪声点。 对于第①、②、③类噪声，通常可采用现有的点云处理软件通过可视化交互方式直接删除，而第四类噪声必须借助点云去噪算法才能剔除。; 一键全自动剔除植被;数据缩减是对密集的点云数据进行缩减，从而实现点云数据量的减小。通过数据缩减可以极大地提高点云数据的处理效率。 常用缩减方法： ①在数据获取时对点云数据进行简化，根据目标物的形状以及分辨率的要求，设置不同的采样间隔来简化数据，同时使得相邻测站没有太多的重叠，这种方法效果明显，但会大大降低分辨率。 ②在正常采集数据的基础上，利用--些算法来进行缩减。常用的数据缩减算法有基于Delaunay三角化的数据缩减算法(主要方法有包络网格法、顶点聚类法、区域合并法、边折叠法、小波分解法)、基于八叉树的数据缩减算法、点云数据的直接缩减算法。;点云数据优化一般分两种：去除冗余和抽稀简化。冗余数据是指多站数据配准后虽然得到了完整的点云模型，但是也会生成大量重叠区域的数据。这种重叠区域的数据会占用大量的资源，降低操作和储存的效率，还会影响建模的效率和质量。某些非重要站的点云可能会出现点云过密的情况，则采用抽稀简化。抽稀简化的方法很多，简单的如设置点间距，复杂的如利用曲率和网格。;《规程》中指出：降噪与抽稀应符合下列规定：①点云数据中存在脱离扫描目标物的异常点、孤立点时，应采用滤波或人机交互进行降噪处理;②点云数据抽稀应不影响目标物特征识别与提取，且抽稀后点间距应满足相应的要求。;点云压缩主要根据点云表征对象的几何特征，去除冗余点，保留生成对象形面的主要特征，以此提高点云存储和处理效率。理想的点云压缩方法应做到能用尽量少的点来表示尽量多的信息，目标是在给定的压缩误差范围内找到具有最小采样率的点云，使由压缩后点云构成的几何模型表面与原始点云生成的模型表面之间的误差最小，同时追求更快的处理速度。;常见的数据缩减方法如下： ①扫描线式点云数据，可以采用曲率累加值重采样，均匀弦长重采样，弦高差重采样等方法。 ②阵列式点云数据，可以采用倍率缩减、等间距缩减、弦高差缩减等压缩方法。 ③格网式点云数据，可采用等密度法，最小包围区域等方法。 ④散乱式点云数据，可采用包围盒法，均匀网格法，分片法、曲率采样，聚类法等方法。;二、研究内容;将点云数据导入到数字地形图软件如CASS进行整理 ;THANKS