【PTD】DEM generation from laser scanner data using adaptive TIN models利用自适应TIN模型从激光扫描仪数据生成DEM

合集 - 点云滤波(3)

1.【PTD】DEM generation from laser scanner data using adaptive TIN models利用自适应TIN模型从激光扫描仪数据生成DEM2024-06-25

2.【高密度点云>10pts；方法比较；ISPRS数据集】Performance Comparison of Filtering Algorithms for High-Density Airborne LiDAR Point Clouds over Complex LandScapes复杂地形下高密度机载LiDAR点云滤波算法的性能比较2024-06-253.【RGB img生成3D点云；UAV-CSF最佳；分块加速；PTD精度不及预期？】Point cloud filtering on UAV based point cloud基于无人机的点云过滤2024-06-28

收起

• 地面点滤波：区分地表和地物
• 【滤波-不适用场景】地表复杂、不连续的地区（如密集的城市地区和复杂的建筑工地）
• 【ALS点云数据特征】亚随机分布，三维，唯一z~(x,y)值-高程
• 【影响因素】点云密度(根据具体应用调整)、多回波配准(海拔变化-如建筑物的边缘)、振幅/反射率配准(辐射信息)
• 【数据】TopEye系统 精度0.1-0.3m
• 【过滤filtering定义】剔除不需要的测量值，如从地面和植被测量值的混合物中找到地表
• 【规则网格插值的信息损失】相似坐标不同海拔；在处理激光数据时应使用原始数据，直到可以根据对象进行表示和归纳
• 【新点添加到TIN】要符合阈值参数
• 【迭代TIN加密过程】选择种子点-迭代计算参数并和阈值比较-所有的点被分类为地面/物体
• 【PTD参数】到TIN的距离、到顶点的角度
• 【PTD参数阈值】统计表面法线角度/高程差的直方图，取中值
• 【数据统计范围】init，沿扫描线，所有数据；之后，仅TIN中点
• 【TIN种子点】基于用户定义的网格；网格大小grid_size基于该区域最大的结构类型maximum_building_size；PTD算法对种子点的选择不敏感；建议50~100m
• 【不连续曲面截断和镜像点处理】不太懂 ch3.4
• 【仿真数据】梯田和陡峭山坡，最终角度阈值：3°；仅地面点错分为非地面点
• 【飞行数据】最终角度阈值：3°、2°、6°；对于道路和铺设路面等坚硬表面，平均差值低于 0.05 米；而在茂密的灌木丛中，激光测量值会高于真实表面。
• 【高密度点云】大于1 point/m2
• 【评估】和DEM比较、DEM插值、准确激光点；高程平均误差/标准差；