回波强度约束下的无人机LiDAR点云K-means聚类滤波
Filtering UAV LiDAR Point Cloud with K-means Clustering under the Constraint of Echo Intensity
查看参考文献22篇
|
文摘
|
针对目前无人机激光雷达点云滤波过程中存在的效率低、误分割和精度差等问题,本文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,引入最大-最小标准化方法对不同聚类结果的点云回波强度原始值进行标准化,得到0-1范围回波强度规则值。针对不同聚类结果选择不同范围的回波强度规则值得到对应地面点云,以提升研究区点云的滤波精度并减少其地面点云的数据量。同时,对比利用K-means聚类对三维坐标和回波强度原始值进行滤波的结果。结果表明:对研究区点云去噪、抽稀预处理后得到107 372个点云数,利用K-means方法对三维坐标和回波强度原始值进行聚类滤波得到地面点数为66 713个,占点云总数的62.133%。通过使用本文方法可剔除过分割地表植被点13 648个,得到地面点云占点云总数的49.422%。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,从而为后期快速建立高精度DEM奠定基础。 |
|
其他语种文摘
|
Digital elevation model (DEM) is an effective way of describing terrain. Unmanned Aerial Vehicle (UAV) light detection and ranging (LiDAR) has become a novel and powerful technology to produce DEM. Point cloud filtering is very important to generate DEM. However, low efficiency, over-segmentation, under-segmentation, and low precision have been problems in point cloud filtering. In order to improve filter accuracy and reduce ground point clouds data volume for rapidly establishing high accuracy DEM, this paper puts forward a filter method by K-means clustering to acquire ground point clouds based on constraint of normalized echo intensity values. UAV Scout B1-100 was used to carry laser scanner VUX-1 to acquire point clouds with high density and resolution in Xinjiang mana's valley. The Riegl LMS and OxTS NAVgraph software were then used to carry out registration and correction of point clouds in study area. The point clouds after processing of removing noise points and diluting points had a total of 107 372 points. Then, K-means method was used under constraint of three-dimensional coordinates' values of point clouds to get three different clustering results. Meanwhile, maximum-minimum standard method was introduced to normalize values of original echo intensity to a range of 0 to 1. The corresponding ground point clouds were obtained for different clustering results by choosing different ranges based on normalized intensity values. Finally, we merged ground point clouds from different clustering results to acquire ground point clouds in entire study area. For comparisons, we also used K-means clustering method under constraint of original values of echo intensity and three-dimensional coordinates. The results show that the ground point cloud obtained from K-means clustering and constraint with original values of echo intensity has 66 713 points, accounting for 62.133% of the total number of point clouds in this paper. An additional 13 648 subsurface vegetation points can be removed by using this paper' method, reducing the ratio of ground point clouds to total point clouds to 49.422%. This method can better maintain terrain profile and reduce data volume of the ground point cloud, thus laying the foundation for the rapid establishment of high precision DEM. |
|
来源
|
地球信息科学学报
,2018,20(4):471-479 【核心库】
|
|
DOI
|
10.12082/dqxxkx.2018.170423
|
|
关键词
|
无人机LiDAR
;
K-means聚类
;
点云预处理
;
点云滤波
;
回波强度标准化
|
|
地址
|
1.
石河子大学信息科学与技术学院, 石河子, 832000
2.
国家遥感中心新疆兵团分部, 石河子, 832000
3.
兵团空间信息工程技术研究中心, 兵团空间信息工程技术研究中心, 石河子, 832000
|
|
语种
|
中文 |
|
文献类型
|
研究性论文 |
|
ISSN
|
1560-8999 |
|
学科
|
测绘学 |
|
基金
|
新疆生产建设兵团科技计划项目
;
兵团空间信息工程技术研究中心创建项目
;
中央引导地方科技发展专项资金项目
|
|
文献收藏号
|
CSCD:6216736
|
参考文献 共
22
共2页
|
|
1.
Polat N. An investigation of DEM generation process based on LiDAR data filtering, decimation and interpolation methods for an urban area.
Journal of the International Measurement Confederation,2015,75:50-51
|
CSCD被引
6
次
|
|
|
|
|
2.
马鼎. 黄土沟壑区切沟植被的激光点云滤波及地形构建.
农业工程学报,2013,29(15):162-164
|
CSCD被引
13
次
|
|
|
|
|
3.
喻亮. 基于多维欧氏空间相似度的激光点云分割方法.
国土资源遥感,2014,26(3):31-36
|
CSCD被引
7
次
|
|
|
|
|
4.
朱磊. 采用聚类分析的车载点云地物分类.
测绘科学,2016,41(4):77
|
CSCD被引
4
次
|
|
|
|
|
5.
王丽辉.
三维点云数据处理的技术研究,2011
|
CSCD被引
8
次
|
|
|
|
|
6.
于双. 基于模糊C均值聚类的机载LiDAR点云滤波.
测绘与空间地理信息,2015,38(2):141-143
|
CSCD被引
1
次
|
|
|
|
|
7.
孙红岩. 基于K-means聚类方法的三维点云模型分割.
计算机工程与应用,2006(10):42-45
|
CSCD被引
13
次
|
|
|
|
|
8.
伊丕源. 典型地物机载激光雷达测量系统回波强度特征实验分析.
科学技术与工程,2016,16(16):216-221
|
CSCD被引
2
次
|
|
|
|
|
9.
张小红. 利用激光强度信息分类激光扫描测高数据.
武汉大学学报·信息科学版,2005,30(3):189-192
|
CSCD被引
1
次
|
|
|
|
|
10.
曾齐红.
机载激光雷达点云数据处理与建筑物三维重建,2009
|
CSCD被引
16
次
|
|
|
|
|
11.
曾静静. 基于LIDAR回波信息的道路提取.
测绘科学,2011,36(2):142-143
|
CSCD被引
11
次
|
|
|
|
|
12.
都伟冰. 基于机载LiDAR粗糙度指数和回波强度的道路提取.
测绘科学技术学报,2013,30(1):63-67
|
CSCD被引
8
次
|
|
|
|
|
13.
张爱玲. 融合激光扫描强度和遥感信息的建筑物分类研究.
激光杂志,2016,37(1):22-25
|
CSCD被引
1
次
|
|
|
|
|
14.
路兴昌. 基于回波强度和采样点距离的点云滤波研究.
测绘科学,2009,34(6):196-197
|
CSCD被引
5
次
|
|
|
|
|
15.
龚亮. 基于强度信息聚类的机载LiDAR点云道路提取.
测绘通报,2011(9):15-17
|
CSCD被引
14
次
|
|
|
|
|
16.
Xian F H. A review of algorithms for filtering the 3D point cloud.
Signal Processing Image Communication,2017,57:103-105
|
CSCD被引
1
次
|
|
|
|
|
17.
孙智慧. 基于点云数据的植物叶片曲面重构方法.
农业工程学报,2012,28(3):1854-190
|
CSCD被引
1
次
|
|
|
|
|
18.
尹艳豹. 多回波机载LiDAR数据提取林地DEM的判别分析方法.
林业科学,2011,47(12):106-113
|
CSCD被引
7
次
|
|
|
|
|
19.
Aroraa P. Analysis of k-means and k-medoids algorithm for big data.
Procedia Computer Science,2016,78:507-510
|
CSCD被引
27
次
|
|
|
|
|
20.
张坤.
基于三维激光扫描的点云数据逆向重建算法研究,2016
|
CSCD被引
3
次
|
|
|
|
|
了解气象卫星更多信息，请访问