荒漠植被区机载LiDAR点云生成DEM算法研究

发布时间：2020-04-20 09:47

【摘要】：无人机载LiDAR能主动获取高密度三维空间信息,且数字高程模型DEM是重要的地形产品之一,所以其成为生成高精度DEM的数据来源之一。对LiDAR点云处理以生成DEM的关键技术仍需深入研究,本文采用无人机载LiDAR系统采集荒漠植被区点云数据,且从点云精简、点云滤波和点云内插三个方面展开相关研究。采用箱形图检测方法,对点云属性信息进行处理,实现非地面点的快速提出,提高点云滤波速度。采用K-means++方法对点云法向量进行聚类,以实现点云精简。同时,结合回波强度的K-means聚类滤波方法,以获取地面点云。进一步建立了基于RBF神经网络方法的点云高程预测模型,通过Delaunay三角网内插生成DEM,主要研究内容和研究结果如下。(1)针对原始LiDAR点云中存在大量非地面点的问题,采用一种基于箱形图去除非地面点的方法。结合点云回波次数、高度和点云回波强度三种属性信息,采用箱形图检验方法获取非地面点云,并使用反复建立三角网方法分别对检测前后的点云数据集进行滤波对比分析。为减少参与点云滤波的数据量,提高滤波速度针对试验区,利用箱形图可以实现非地面点云的快速剔除,以降低滤波时间为32.2s。(2)针对原始LiDAR点云离散、稀疏、无序的数据结构,利用基于KD树存储散乱点云。同时,针对原始LiDAR点云的海量性,采用基于点云法向量的K-means++聚类精简方法,以实现点云存储和快速处理。根据点云回波次数去除多次回波点云,且在使用零-均值标准化方法得到点云属性标准值的基础上,采用KD树建立点云索引,进一步构建点云K邻域,利用PCA估算点云法向量,借助肘方法确定最佳聚类数目,最终通过K-means++聚类方法实现点云精简。同时,将精简结果生成Delaunay三角网并转换为栅格数据,通过相关系数验证方法的有效性。当精简率为18.167%时,可得到最高相关系数0.892,说明聚类方法可以有效实现点云精简。(3)针对点云滤波过程中存在的效率低问题,使用基于回波强度的K-means聚类滤波方法。在对点云三维坐标进行K-means聚类得到不同聚类结果的基础上,对不同聚类结果的点云回波强度原始值进行标准化,得到不同范围的回波强度标准值。针对不同聚类结果选择不同范围的回波强度标准值得到对应地面点云,合并不用聚类结果的地面点得到最终地面点云,截取试验区验证方法的有效性,结果表明该方法能够较好地保持地形轮廓并降低地面点云的数据量,为后期快速建立高精度DEM奠定基础。(4)针对原始LiDAR点云因离散性和数据缺失性导致不能连续表达地表信息的问题,采用一种基于RBF神经网络的点云高程预测模型,且基于Delaunay不规则三角网的插值生成DEM。在点云回波强度约束下,采用K-means聚类得到试验区地面点云的基础上,采用Kriging方法插值不同精简率的地面点云数据,以获取较优精简率。进一步将点云高程值作为变量用以建立RBF神经网络预测模型,并通过线性回归检验方法对模型进行精度分析,采用Delaunay三角网内插离散点云高程值以生成DEM。结果表明,点云高程预测的决定系数R为0.887,均方根误差RMSE为0.168,表明使用RBF神经网络对点云高程值具有较好预测效果。
【图文】：

ScoutB1-100无人机搭载激光扫描系统

荒漠植被区机载LiDAR点云生成DEM算法研究

试验区和回波强度图
【学位授予单位】：石河子大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TN958.98

【相似文献】