新闻中心

点云已成为无人机摄影测量和遥感常见数据源之一

行业资讯 2019-07-29 14:01

       点云已经成为无人机摄影测量和遥感、计算机视觉、机器学习等多个领域常见数据源之一,且其类型多样。
        机载LiDAR测量技术的出现和发展,为地理空间三维信息获取提供了全新的技术手段,它被誉为是继全球定位系统以来在测绘遥感领域的又一场技术革命。其创新性、开拓性,既表现在新颖的数据获取方式、组织方式,又表现在数据处理和信息提取需要新理论、新方法。这种新颖的数据被称为机载LiDAR点云,它具有海量(数据量大)、高冗余、局部数据缺失、点密度不均一、非结构化的特点。同时,机载LiDAR点云类型也正在日益多样化。例如,将LiDAR点云赋予与之相匹配影像的色彩信息,可以产生影像点云;同时,随着目前多光谱/高光谱激光雷达测量技术的发展,也可以直接获取带有多光谱/高光谱特征的LiDAR点云。
       目前,点云已经广泛地应用于高精度大比例尺数字高程模型(DEM)制作、电力巡线、建筑物三维建模、地表覆盖分类、变化检测、森林资源调查、生物量估算、基础设施制图、海岸带测量、矿山测量、灾害评估、湿地测图、城市规划等领域。尽管目前点云处理和应用的领域十分广泛,但是学术界和工业界也认识到:点云信息提取(本文点云信息提取只涉及滤波、分类)是点云应用的必经步骤和基础性工作。然而,尽管已有大量点云信息提取方法,且部分方法已经工程化应用,但是点云信息提取研究仍然处于发展阶段,还有许多问题没有得到解决,尤其是目前主流的基于点的信息提取方法并未充分挖掘点云数据本身的自动化潜力,迫切需要新的点云信息提取理论与方法。
1、基于多基元的点云信息提取
       在点云信息提取领域,滤波通常指区分点云中的地面点和地物点(非地面点)的过程。另外,点云分类有狭义与广义之分。狭义的点云分类,是将地物点进一步区分为植被点、建筑物点、水体点等更精细类别点的过程;广义的点云分类同时包含了滤波和狭义点云分类的全部内容。点云信息提取中使用的基本处理单元,称为“基元”。按照基元类型,可以将已有的方法划分为基于点、剖面、体素、对象、多基元融合(如图 1所示)等4类点云信息提取方式。
2、基于点基元的信息提取
      点云本质上是点的集合,点是点云信息提取中最原始的基元。滤波方面,有代表性的基于点的滤波方法包括渐进加密不规则三角网、分层稳健线性内插、坡度、渐进窗口形态学、Top-Hat形态学变换、布料拟合滤波等。
分类方面,提出了大量的基于点的点云分类方法。例如,以点为基元计算特征,进行电力线路走廊机载LiDAR点云分类。以点为基元提取了20余种特征、并顾及空间上下文关系进行机载LiDAR点云分类。
      在分类过程中,基于点基元的分类方法通常使用了3种近邻邻域关系确定任意一点的特征,这3种邻近包括:球半径邻近、圆柱体邻近、K最邻近;且这3种邻近关系的查询均可以借助kd-tree实现。另外,最优邻域的选择也是基于点基元的分类方法关注焦点之一;但是,最优邻域选择过程一般计算复杂度高、特别耗时。
3、基于体素基元的信息提取
体素将原始激光点云数据划分到具有一定体积大小的长方体中,每个长方体内的点集称为一个体素。滤波方面,有文献提出了一种基于体素的滤波方法。该方法将点云数据划分为不同分辨率等级的体素,以体素为单位通过与邻域体素的高程加权均值比较剔除植被点、保留地面点,从而获取森林地区的DEM。有文献介绍了机载LiDAR点云的体素剖分过程及其滤波应用。
分类方面,鲜见体素在机载LiDAR和摄影测量点云分类中的应用。但体素在车载LiDAR点云信息提取中有应用。有文献使用体素组织点云数据来提取点云中的树木。有文献使用体素基元来提取点云中的建筑物。鉴于体素能够很好地判别局部点云的共线、共面或球状分布的状态,有文献用体素基元来识别点云中的电力线点云。

目前,体素对机载LiDAR和摄影测量点云信息提取的适用性有限,它比较适合作为车载LiDAR点云信息提取的基元。

              

无人机

上一篇:无人机航拍和测绘内业的工作有哪些?
下一篇:无人机无线充电技术或助力无人机发展