基于力场的点云树木骨架提取方法

树木骨架是树木仿真及建模的基础,笔者根据树木的拓扑原理,直接利用地面激光雷达扫描获得的单木点云数据,提出了一种基于物理学中力场概念的点云数据树木骨架提取方法:首先对点云树木模型运用空间层次剖分的方法进行分层,根据点云的邻域关系建立基于树木特征点的简化表示,然后根据计算点的测地距离对树木特征点进行连接,再运用力场将位于树木表面的骨架连线压缩至树木内部,最后根据骨架夹角阈值对骨架进行顺滑得到最终的树木骨架。研究显示,将该方法分别应用在含笑树和樱花树的骨架提取中效果较好,相比同类算法效率较高。     

基于林地激光点云的树木胸径自动提取方法

提出了一种基于随机RANSAC模型的树木胸径自动提取算法。首先,采用布料模拟滤波（CSF）算法对林地点云数据进行滤波,获取树木、地面数据与数字地面模型（DEM）并提取树木胸径处点云,然后进行欧式距离聚类,最后基于随机random sample consensus（RANSAC）模型拟合树木模型,实现自动化的树木胸径提取。使用上海市青浦区某区域两林区样地的地面激光点云数据对该算法进行验证,与实际人工测量树木胸径的平均偏差分别为0.79cm和0.52cm。实验对比结果表明,该算法在精度与时间性能上均优于基于Hough变换的算法与基于最小二乘的算法。     

一种深度学习网络的树木点云骨架重建方法

基于激光雷达(light detection and ranging, LiDAR)数据重建树体三维模型并精准获取林木空间枝干结构参数是精准林业发展的必然趋势。本文研究面向激光点云提出了一种融合基于晶格投影的深度学习网络,以及面向提取的枝干点云的树木模型骨架重建的方法。该深度学习网络包括旋转不变性模块、晶格投影与重心插值模块,多尺度变换与卷积操作层,通过将旋转变换后的点云晶格投影到三个坐标平面上再分别重心插值获得变换系数,解决了三维点云因排列无序而造成空间卷积困难的问题。以海南多类树木为研究对象,首先,把带枝叶标签的林木点云基团带入构造的深度学习网络中训练网络参数,实现测试样本中的林木数据的枝叶分离。其次,对分类后的树木枝干点云垂直分层并空间聚类,获取每层的聚类中心点并按相邻层中心点距离最小原则实现骨架链表构造,同时采用自适应随机抽样一致(random sample consensus, RANSAC)方法来计算的圆柱体拟合半径,以重建树木的各级枝干。最后,根据中心点连通的链表结构以及角度变化最小准则自动识别树木中的主枝干和各个一级分枝。通过与实测数据比对验证表明,深度学习枝叶分类准确...     

EOS／MODIS遥感影像云剔除方法

针对不同的云层厚度采用不同的去云方法,弥补了不同去云方法的欠缺;并详细研究了同态滤波法、替补法等在MODIS影像中云的去除效果,提出基于图像融合的方法对无云区数据进行了还原,保证了无云区信息不改变,去云效果明显。     

面向智慧交通的移动激光点云树木分割

单树分割有利于提取交通标志牌,减少对交通标志的遮挡影响.针对有效采集到的道路两旁树木的点云数据,提出了一种改进的分水岭车载激光扫描的树木分割方法.该方法包含5个步骤:1)利用RANSAC(random sample consensus)自动检测和剔除地面点;2)压缩所有地面点到图像网格并保留三维信息;3)简化和去除不合格网格;4)利用启发式搜索方法查找树峰;5)应用改进分水岭方法划分单树树冠.通过对福建省厦门市环岛路进行实地采集的点云数据进行实验,验证了所提出的分割模型对于车载林木点云数据具有较好的分割结果.     

基于空间无序点云的层次构造三角化方法

描述了一种新的利用空间无序点云重构三维模型的算法,利用分层扫描的原理将无序的三维点云进行平面投影,使用矢量外边界扫描算法将点信息提取为线段信息,由于分层的有序性使得线段之间存在着良好的拓扑关系,经过在有序线段中提取拐点矢量,连接上下两层相关点,点模型就完成了三角化。该方法计算速度快,拓扑清晰,且不会出现失真(泊松表面重建)和空洞现象(区域增长法)。     

基于地面激光雷达点云的树木冠层变化定量分析

采用切片形式的Alpha Shape 3D法估算树木冠层体积,从不同相对位置分析体素空间分布状态的变化.基于网格模型提取变化点云,研究冠层组分的空间变化,以受台风玛利亚破坏树木冠层为例,应用所提出的方法进行定量分析.通过多角度分析可知,该台风对目标树木总体破坏较小,树木冠层垂直方向的中下部受损较大,枝叶受损多集中于距离冠层中心水平方向2.0～2.5 m区间.分析结果表明,该定量分析方法可以反映树木冠层分布及体积变化情况.     

水胡林群落树木种群空间分布及种间关联性

对1 hm2水胡林群落结构、主要树种的空间分布格局以及树木种群的种间关联进行了系统的分析和研究.分别利用负二项分布K值、扩散指数C、扩散型指数Iδ、Cassie指标CA、丛生指数I、聚块性指标M*/M等聚集度指标对5个主要乔木种群的空间格局进行了研究,发现这5个种群的空间分布格局均为聚集分布;基于2×2列联表,通过X2检验发现15主要树种之间有20个种对存在着显著的种间关联.利用关联强度指标AC对物种关联进行分析发现:树种之间正关联的种对少,关联强度低,而负关联多且较高,群落结构组成不稳定.     

杉木云毛虫幼虫空间分布型的研究

本文采用聚集度指标法和回归分析法 ,对杉木云毛虫在林间的空间格局进行测定 ,并采用刀切法给出了其估计区间 ;结果表明 ,杉木云毛虫幼虫在林间为聚集分布 ,分布的基本成分是个体群     

基于四目系统的复杂表面高精度密集空间点云获取方法

在敦煌莫高窟文化遗产数字化保护中,针对基于立体视觉的方法对目标进行三维重建时,复杂表面缺乏特征点,难以获取高密度和高精度空间三维点云的问题,提出了一种基于投影和四目立体视觉的方法。首先,采用投影仪向目标投射黑白棋盘格,并检测角点;然后通过软件细分,将棋盘格在横向和纵向分别平移9次,将棋盘格角点数扩展81倍;最后,用基于四目立体视觉系统的匹配策略,短基距系统用来立体匹配,长基距系统用来计算空间坐标,获取均匀、高密度和高精度的三维点云。实验结果表明:与传统的Harris算子相比较,所提方法获取的三维点云数据能更准确地描述目标的三维结构,点数在数量级上有提高。精度方面,所获取三维点云空间坐标的绝对误差小于1 cm,相对误差小于10%。     

点云数据特征点提取方法的比较

点云特征的提取在城市、地质等领域有非常重要的使用价值。特征点是最基本的几何特性和纹理特征的特征基元,其不会因为坐标系的改变而发生变化。通过用不同的方法提取点云数据中的特征点,可以在减少计算量的前提下,保留点云的几何特征。通过对利用法矢、曲率和体积积分不变量3种不同的特征点提取方法进行比较,并通过Matlab进行特征点提取实验并分析情况,对其优缺点及适用性进行探讨。     

基于离群点剔除的SVM信用风险评价方法

针对信用评价数据存在离群点和噪声问题, 提出一种基于离群点剔除的支持向量机（SVM）信用风险评价模型. 该模型利用模糊c-均值聚类算法剔除样本离群点, 采用粒子群算法优化支持向量机分类参数, 进而提高支持向量机的分类性能. 将该方法应用于信用风险评价中的结果表明, 相比于其他模型, 该方法分类精度更高.     

信号预处理中错点剔除方法的研究

对工程信号进行错点剔除,是信号预处理中的-项重要内容.本文分析了统计学中用于错点剔除的肖维勒准则、狄克逊准则、格拉布斯准则和拉依达准则,针对上述各项准则在处理大样本信号中的局限性,引入一种新式错点剔除方法,并用拉依达准则与此方法对-段实际工程信号进行处理对比,结果表明,新式错点剔除方法能够更好地剔除错点.     

空间点云物体理解与识别的研究进展

空间物体的理解与识别是计算机视觉与计算机图形领域的重要研究课题,广泛应用于机器人感知导航、人身安全和环境监控等方面。以点云为物体的数据表示形式,依据空间物体的形状复杂度不同,从简单场景(单目标物体)、复杂场景(多目标场景)两个方面来重点探讨,以分割、理解及识别为主线分别针对空间点云物体的理解与识别的研究现状和进展进行了归纳和总结,并通过分类讨论和剖析现有方法的优缺点,指出空间物体理解与识别方面所遇到的姿态、拓扑关联及语义等关键性问题,并提出相应的解决思路和下一步的研究重点。     

点云数据滤波方法综述

本文介绍了点云滤波的基本原理,对异常点检测问题的特点、分类及应用领域进行了阐述,同时对异常点检测的各种算法进行了分类研究与深入分析,最后指出异常点检测今后的研究方向。     

点云精简的一种方法

重构曲面之前,需要对三维数据点集做精简处理,即在保留特征点的前提下剔除尽可能多的冗余点,这样可以保证后续曲面重构工作的高效进行.本文以样点邻近点与强制中心点切平面的关系,来判断局部空间点的分布情况,从而提供了一种新的数据精简方法.     

基于激光点云的树木三维几何建模系统的设计与实现

根据树木的几何拓扑原理,直接利用地面激光扫描仪扫描获得的活立木点云数据,提出了一种基于点云数据的树木三维高精度、真实感的快速重建技术,重点解决了树木骨架点的提取、枝条系统分级重建、模型交互式编辑等关键技术.应用结果表明,基于点云的树木三维几何建模系统能够克服传统树木建模精度低、效率低、形态逼真度差等不足,依据点云数据能快速高效地重建出忠实于现实树木形态结构的三维真实感模型.系统具有良好、灵活的交互性以及较强的实用性,可广泛应用于森林资源管理、精准农业、古树名木管理、园林规划设计等领域.     

基于单应性矩阵剔除SIFT错误匹配点的方法

根据图像几何变换的单应性矩阵将匹配点一一对应的特点,提出一种基于单应性矩阵的剔除方法.该方法首先利用SIFT进行匹配,得到初始匹配对,进行初步筛选,然后利用相似三角形求出基准单应性矩阵,设定阈值,剔除不满足阈值的匹配点对,最后得到精确匹配点对.通过与RANSAC算法以及结合欧式距离的RANSAC改进算法进行实验比较,该算法具有更高的正确匹配率.     

基于空间网格划分的点云质量检测算法

随着三维激光扫描技术的快速发展,它以非接触性、高密度、高精度、数字化、自动化等特点,被广泛用于多个邻域,其中在建筑物变形监测领域的应用也越来越广泛。针对扫描设备获取的大量变形监测数据,快速地统计出前后两期数据变化差异值,提出了一种基于空间网格划分的点云质量检测算法,算法通过对不同期点云模型进行空间网格划分,依据网格进行点云邻域搜索,并根据点云变化差异值给点云赋予不同色谱颜色值,最后进行直观的两期点云变化差异可视化,并绘制出统计信息图。研究表明,该算法能够快速地分析对比两期点云数据,输出变化差异统计信息,能够为工程的运营提供快速的安全指导参考。