三维激光扫描技术在建筑物重建中的应用

随着三维激光扫描仪成本的不断下降,运用三维激光扫描仪获取点云数据进行处理和分析应用越来越广泛。本文介绍了如何对建筑物进行扫描得到原始的点云数据,并根据数据特征选择不同软件进行拼接、去噪处理,得到了用于三维建模所需的建筑物表面的点云数据。再将这些处理后的点云数据进行分割和拟合,最后经过纹理渲染,得到了比较理想的建筑物三维模型。     

融合高斯核及指数函数聚类的点云目标物提取

针对聚类算法的聚类中心重复性和无法对点云聚类的问题,提出了融合高斯核及指数函数的聚类中心均匀化的点云聚类方法,以优化聚类中心的均匀化分布,实现点云的均匀化聚类。首先,根据高斯核函数及密度指数函数确定局部密度,再依据局部密度的大小确定距离参数。其次,依据局部密度和距离参数的乘积确定聚类中心,同时消除聚类中心的邻近化,使得聚类中心更加均匀分布于整个数据集中。最后,利用数据点到聚类中心距离逐个确定每个数据的聚类归属,并合并邻近聚类实现点云目标物的提取。将该算法与常规的基于密度峰值的聚类算法（clustering function based on density peak,CFDP）、K-means聚类算法、具有噪声的基于密度的聚类方法（density-based spatial clustering of applications with noise,DBSCAN）进行比较,该文所提方法可以对教室内3排椅子实现100%的提取。与相对密度关系的峰值聚类（density peak clustering,DPC）算法及深度学习方法相比,所提方法对不同分辨率目标物点云的提取精度均为96.7%,在计算效率和精度方面均优于其他两种方法。     

融合高斯核及指数函数聚类的点云目标物提取

针对聚类算法的聚类中心重复性和无法对点云聚类的问题,提出了融合高斯核及指数函数的聚类中心均匀化的点云聚类方法,以优化聚类中心的均匀化分布,实现点云的均匀化聚类。首先,根据高斯核函数及密度指数函数确定局部密度,再依据局部密度的大小确定距离参数。其次,依据局部密度和距离参数的乘积确定聚类中心,同时消除聚类中心的邻近化,使得聚类中心更加均匀分布于整个数据集中。最后,利用数据点到聚类中心距离逐个确定每个数据的聚类归属,并合并邻近聚类实现点云目标物的提取。将该算法与常规的基于密度峰值的聚类算法（clustering function based on density peak, CFDP）、K-means聚类算法、具有噪声的基于密度的聚类方法（density-based spatial clustering of applications with noise,DBSCAN）进行比较,该文所提方法可以对教室内3排椅子实现100%的提取。与相对密度关系的峰值聚类（density peak clustering, DPC）算法及深度学习方法相比,所提方法对不同分辨率目标物点云的提取精度均为96.7%...     

三维点云表示的人体动作序列预测

要：目前对三维人体动作序列的预测工作相对较少，且主要使用三角形网格表示人体模型，不如三维点云那样简单又容易获取。为此，该文用三维点云表示人体模型，提出一种基于MeteorNet的点云动作序列预测方法。将动作序列中不同时刻的三维点云融合在一起，寻找点的时空邻域进行分组；叠加三层Meteor模块在时空邻域聚合信息，以获取点云序列的时空特征；通过三层全连接网络预测动作的点云坐标。实验结果表明，该方法预测出的人体动作与真实动作的误差较小。     

激光点云线性KNN算法FPGA实现及加速

针对三维激光点云线性K最近邻（K-nearest neighbor, KNN）搜索耗时长的问题，提出了一种利用多处理器片上系统（multi-processor system on chip, MPSoC）现场可编程门阵列（field-programmable gate array,FPGA）实现三维激光点云KNN快速搜索的方法。首先给出了三维激光点云KNN算法的MPSoC FPGA实现框架；然后详细阐述了每个模块的设计思路及实现过程；最后利用MZU15A开发板和天眸16线旋转机械激光雷达搭建了测试平台，完成了三维激光点云KNN算法MPSoC FPGA加速的测试验证。实验结果表明：基于MPSoC FPGA实现的三维激光点云KNN算法能在保证邻近点搜索精度的情况下，减少邻近点搜索耗时。     

基于强化局部特征的3D点云分类与分割网络

在点云的处理过程中，许多深度学习网络未能充分考虑局部点之间的复杂关系，导致大量空间几何信息丢失。针对该问题，提出了一个强化局部特征的网络，用于点云的目标分类和语义分割。该网络通过设计编码单元对点的多方向信息进行编码；通过注意力机制学习采样分组后形成局部点云的特征。同时提出了一种新的多维损失函数，结合使用交叉熵损失函数与中心损失函数作用于分类任务。在数据集ModelNet40和ScanNet上进行了大量实验，结果表明：该网络在点云的目标分类和语义分割任务上表现出较好的性能。     

基于强化局部特征的3D点云分类与分割网络

在点云的处理过程中,许多深度学习网络未能充分考虑局部点之间的复杂关系,导致大量空间几何信息丢失.针对该问题,提出了一个强化局部特征的网络,用于点云的目标分类和语义分割.该网络通过设计编码单元对点的多方向信息进行编码;通过注意力机制学习采样分组后形成局部点云的特征.同时提出了一种新的多维损失函数,结合使用交叉熵损失函数与...     

无人机激光雷达点云电力杆塔倾斜状态测量

针对传统杆塔倾斜度测量方法难度大、强度大、效率低的问题，提出了一种基于无人机激光雷达点云的电力杆塔倾斜率精准测量方法。该方法利用无人机LiDAR电力巡线获取的散乱杆塔三维激光点云，通过拟合塔身结构来计算杆塔中心线，进而计算杆塔倾斜率。为验证方法的有效性，挑选了6种类型共18个电力杆塔，分析点云密度对倾斜检测算法的影响，并计算倾斜检测算法的精度。结果显示电力杆塔倾斜角测量的平均相对误差小于0.7°，证明了该方法的有效性和正确性。     

无人机激光雷达点云电力杆塔倾斜状态测量

针对传统杆塔倾斜度测量方法难度大、强度大、效率低的问题,提出了一种基于无人机激光雷达点云的电力杆塔倾斜率精准测量方法。该方法利用无人机LiDAR电力巡线获取的散乱杆塔三维激光点云,通过拟合塔身结构来计算杆塔中心线,进而计算杆塔倾斜率。为验证方法的有效性,挑选了6种类型共18个电力杆塔,分析点云密度对倾斜检测算法的影响,并计算倾斜检测算法的精度。结果显示电力杆塔倾斜角测量的平均相对误差小于0.7°,证明了该方法的有效性和正确性。     

基于RealWorks和SketchUp的建筑物点云数据三维建模

随着激光扫描技术的不断提高及数据处理方法的不断完善,地基三维激光扫描技术在建筑物三维建模方面的应用越来越广泛。本文基于RealWorks和SketchUp,以实例详细介绍了地基激光扫描三维建模的技术流程,重点对点云数据的配准、去噪、特征线提取、三维几何建模和纹理贴图等步骤进行详细论述,实现了建筑物点云数据三维建模。     

一种改进的K means聚类彩色图像分割方法

图像分割是从图像处理到图像分析的关键步骤.图像分割的目的是将图像分割为多个互不重叠且又各具特性的区域,主要应用于图像压缩、目标提取、模式识别等.以往的图像分割技术主要应用于灰度图像,随着计算机技术的进步,彩色图像分割逐渐受到关注.该文在前人对彩色图像分割问题的大量研究成果基础上,提出了一种将K-means聚类、蚁群算法以及分水岭算法相结合的分割方法.本方法有效的克服了聚类数目必须依据先验知识提前设定、最初的聚类中心是随机选取的、聚类的效果好坏依赖于距离判定公式的缺陷.     

结合上下文特征和图割算法的车载点云聚类方法

可靠、准确的点云聚类是后续高精度场景目标分析与解译的基础.该文提出了一种基于上下文特征和图割算法的车载点云聚类方法.首先用DBSCAN （density-based spatial clustering of applications with noise）对点云数据进行过分割，得到密度可达的超体素；然后引入空间和属性上下文特征来描述超体素间的关联，并用于定义超体素构建的图模型边的权值；最后基于多标记的图割优化算法得到最佳超体素聚簇.实验结果表明，该方法能够有效改善点云聚类过分割，从而提高聚类的精度.     

两阶段纹理图像分割

谱聚类是一种以图和相似性为基础的聚类新算法.当图像很大时,计算相似性矩阵及其特征值和特征向量十分耗时.为了将谱聚类算法应用于大规模聚类问题,该文提出一种两阶段纹理图像分割算法,采用改进的分水岭算法进行预分割,然后用特征值尺度化特征multiway谱聚类算法进行最终分割.为了检验算法性能,将其应用于纹理图像分割,分割结果令人满意.     

压缩感知点云数据压缩

在研究FARO 激光扫描点云数据特点的基础上,将压缩感知理论和算法应用于3D 点云数据的压缩. 通过对点云数据降维处理,直接对坐标数据进行采样压缩,应用正交匹配追踪算法进行恢复,并对恢复数据采用统计滤波的方法滤除边缘噪点. 仿真结果表明：该方法能有效地实现点云数据的压缩,且有较好的鲁棒性.     

面向对象的机载LiDAR数据建筑物提取

基于LiDAR数据,提出一种由粗到细的面向对象的建筑物自动提取方法.首先通过机载LiDAR数据构建出归一化数字表面模型(normalized digital surface model, nDSM),利用首尾两次回波高程计算出归一化差值(normalized difference, ND),并采用形态学运算消除边缘特殊回波点.基于nDSM和ND数据,依据建筑物的高程及穿透性信息,用阈值分割法进行建筑物粗提取.结合nDSM和ND数据以及强度信息,对粗提取得到的备选建筑物采取多尺度分割,合并亮度值相差较小的邻近分割结果对象,达到对分割结果的优化处理.最后利用目标对象的亮度、形状、面积和空间关系等特征,完成建筑物的精提取.实验结果表明,该方法可得到较高精度的建筑物信息,是基于机载LiDAR数据提取建筑物的新思路.     

基于三维脉冲耦合神经网络模型的医学图像分割

该文将脉冲耦合神经网络模型从二维平面扩展到三维空间,同时提出一种新的乘积型互信息算法,将其作为脉冲耦合神经网络分割算法的最优分割准则,并将两者结合实现三维医学图像的整体自动分割. 利用该文提出的算法对三维CT肺部图像进行分割实验,结果表明,该算法在保证分割精度的基础上显著地减少了分割运行时间,提高了分割效率,具有应用于医学图像分割的潜在价值.     

浮选中泡沫图像的分割算法

描述了浮选中泡沫图像的分割算法，根据测定泡沫的尺寸、形状和纹理分割泡沫图像。因这些泡沫图像的图案和性质千差万别，用现有的分割算法是很困难的，我们修改并结合不同的现有图像分割算法，形成了一种分割泡沫图像的新算法。在这种算法中，使用并修改了阈值算法，自动地检测泡沫的种子点或种子区域，然后使用形态学技术产生泡沫区域。最后，基于泡沫形状分析，合并过于分割的泡沫部分为一泡沫。文中列举了分割三个泡沫图像的结果，它表明这种分割泡沫图像的方法是合理的。     

改进的多任务学习方法的眼底视盘分割与定位

提出了一种改进的多任务学习方法,网络的主结构由特征提取网络和分别进行视盘分割与视盘定位的双路径网络组成,通过端到端的训练与测试可以实现眼底图像视盘自动分割与定位相结合的多任务目的。在特征提取网络的编码阶段利用密集连接提取眼底图像视盘的上下文特征。视盘分割任务是依靠解码阶段逐步恢复原来的图像分辨率并获取整个视盘轮廓,视盘中心定位任务由空洞空间金字塔模块和金字塔池化模块来进一步提取视盘抽象特征,得到精准的视盘中心坐标。对350幅眼底图像进行了视盘分割和中心定位,实验结果表明:该方法自动分割的视盘结果与手动标注视盘区域的Dice系数为0.965,自动定位的视盘中心坐标与手动标记的视盘中心的平均绝对距离为0.191 mm(34.7像素)。