多源数据融合的DIM点云滤波及DEM生成

发布时间：2021-01-11 19:15

　　针对已有密集影像匹配（DIM）点云滤波算法通用性差,滤波效果受限于参数设置,且均未利用生成点云的影像信息等问题,该文提出一种融合多源数据的DIM点云滤波算法。首先融合影像和DIM点云高程多源信息;再引入新型分类器对融合影像进行分类,其分类结果作为知识引导用于点云滤波中,即将分类专题图与DIM点云叠加以过滤非地面点,实现点云滤波并生成数字高程模型;最后选用航空影像进行密集匹配和滤波实验。实验结果表明,利用该点云滤波算法生成的DEM与参考DEM呈现高度相关性,可大大减少生产DEM人工后处理的工作量。 

【文章来源】：测绘科学. 2020,45(01)北大核心

【文章页数】：7 页

【部分图文】：

DOM及其融合影像

多源数据融合可以将多种不同特征（包括各种遥感及非遥感）的数据结合起来，相互取长补短，获得比任何单一数据更准确、更丰富的信息，生成一副具有新的空间、波谱、时间特征的合成图像[16]。借鉴该思路，首先结合影像和DIM点云各自优势（影像具有波谱及纹理特征，而点云数据提供了地物准确可靠的三维信息），将二者融合后生成一幅既有波段信息又有高程信息的复合影像；然后引入支持向量机（support vector machines,SVM）的分类方法对融合后的影像进行分类，可有效提高单一影像数据源的分类精度；最后将分类后的专题图作为DIM点云滤波的依据，将二者叠加以区分地面点和非地面点，达到点云滤波目的，本文算法实施流程如图1所示。1.1 DIM点云及其深度图获取

影像提供了丰富的光谱及纹理信息，但缺乏非光谱信息，例如地物高程信息、地物点与其相邻地物的空间结构关系等。利用密集匹配点云可获取相应区域点云深度图，其深度值代表该点在实际地物处的高程。点云深度图类似于影像，也由一定间隔的规则阵列逐行逐列进行像素组织，与常见影像像素值代表意义不同，点云深度图的每个像素值代表高程。图2(a）为航空影像经过空三和密集影像匹配生成的点云，每个点均从原始影像中获取该点地物真彩色RGB值，图2(b）为根据点云获取的深度图，其格网间距为2cm。1.2 多源数据融合和影像分类

【参考文献】：
期刊论文
[1]多源光学卫星影像匹配及精准几何信息提取[J]. 张力,孙钰珊,杜全叶,韩晓霞.  测绘科学. 2019(06)
[2]高光谱遥感影像分类研究进展[J]. 杜培军,夏俊士,薛朝辉,谭琨,苏红军,鲍蕊.  遥感学报. 2016(02)
[3]基于有理多项式模型RFM的稀少控制SPOT-5卫星影像区域网平差[J]. 张力,张继贤,陈向阳,安宏.  测绘学报. 2009(04)
[4]基于多基线影像匹配的高分辨率遥感影像DEM自动生成[J]. 张力,张继贤.  测绘科学. 2008(S2)
[5]基于多尺度特征融合和支持向量机的高分辨率遥感影像分类[J]. 黄昕,张良培,李平湘.  遥感学报. 2007(01)

博士论文
[1]机载LiDAR与影像密集匹配点云数据的滤波方法研究[D]. 叶立志.武汉大学 2016
[2]三维信息辅助的建筑物自动变化检测若干关键技术研究[D]. 庞世燕.武汉大学 2015



本文编号：2971327