基于不规则三角网的LiDAR点云数据边缘检测方法
【专利摘要】本发明公开了一种基于不规则三角网的LiDAR点云数据边缘检测方法：读取目标区域原始LiDAR点云数据；剔除粗差噪声点；将剔除粗差噪声后的LiDAR点云数据进行Delaunay三角剖分；计算不规则三角网中每个空间三角形的形变量并保存；计算三角形的形变量阈值；将得到的形变量大于形变量阈值的空间三角形标记为边缘三角形；计算狭长三角形；比较各三角形的狭长度Li和狭长度阈值；确定边缘点，得到LiDAR点云数据的边缘图像。本发明的方法利用三角剖分过程中三角形的形状变化进行具有高程突变的边缘点检测，利用狭长三角形进行数据空白区域的边缘点检测，实现了在原始数据中进行边缘检测保留LiDAR点云数据更多的信息。
【专利说明】基于不规则三角网的LiDAR点云数据边缘检测方法
【技术领域】
[0001]本发明属于遥感应用研究领域，具体涉及一种基于不规则三角网的LiDAR点云数据边缘检测方法。
【背景技术】
[0002]机载LiDAR系统能够直接获取地面三维数据，具有高精度、高密度、高效率和低成本的优点，利用它快速获得的海量数据可得到所需的各种图像产品，因此在现代测绘中发挥越来越重要的作用。图像边缘是图像的重要特性之一，是图像中比较有价值的信息。将检测到的边缘信息作为特征信息，为图像的配准与融合提供了前提条件。因此，利用机载LiDAR系统快速获取高精度的LiDAR点云数据，并检测出理想的边缘具有重要的意义。LiDAR点云数据是指机载LiDAR系统通过发射和接收激光脉冲得到地表的高精度3维点坐标。
[0003]传统的LiDAR点云数据的边缘检测方法，一般是将离散的LiDAR点云数据进行规则格网重采样，得到数字深度(高程)矩阵，再将不同的深度值进行灰度量化和拉伸变换，得到同灰度图像一样的距离灰度图像，这个过程称为“距离成像”。赖旭东、万幼川等对深度图像进行中值滤波，利用Robert算子、Sobel算子以及Prewitt算子进行边缘提取；王大莹、程新文、潘慧波等对深度图像使用最佳阈值进行二值化后使用Canny和Log算子进行边缘检测；徐景中、万幼川等对深度图像利用自适应的中值滤波以及自适应阈值的Canny算子进行边缘检测；吴杭彬、刘春等对深度图像利用数学形态学中的膨胀和腐蚀方法进行序贯运算。并将得到的图像进行边缘提取和边缘矢量化，得到每个地物所对应的边缘和数据点。
[0004]通过对上述各种LiDAR点云数据的边缘检测方法进行分析，发现它们存在有如下缺陷:距离成像过程中进行重采样时会带来误差，使得一些河流或者点云空白区域的边缘无法被检测出来；在灰度量化和拉伸变换时会带来舍入误差，高程差异较小的点在进行灰度量化时可能会量化为同一个灰度级或者灰度差异很小，也可能将差别较小的高程量化为不同的灰度级，因此在边缘检测时都会带来一定的误差，使得一些边缘点检测不到或得到错误的边缘点。
[0005]综上，现有的基于深度图像进行LiDAR点云数据的边缘检测方法虽然能够达到一定的效果，但是深度图像化的过程中却丢失了一些数据信息，得到的边缘信息不够完整，因此得到的边缘信息并不能得到LiDAR点云数据的其他等有用信息，不利于后续的处理。
【发明内容】
[0006]针对现有的将LiDAR点云数据转换为深度图像进行边缘检测的不足，本文的目的在于，提供一种基于不规则三角网的LiDAR点云数据边缘检测方法，该方法直接在原始数据上基于不规则三角网中三角形形变量的差异情况进行LiDAR点云数据边缘检测。该方法充分利用三角剖分过程中三角形的形状变化进行具有高程突变的边缘点检测，利用狭长三角形进行数据空白区域的边缘点检测，实现了在原始数据中进行边缘检测保留LiDAR点云数据更多的信息。本发明可以应用于机载LiADR点云数据边缘检测。
[0007]为了实现上述任务，本发明采用如下技术方案予以解决:
[0008]一种基于不规则三角网的LiDAR点云数据边缘检测方法，具体包括如下步骤:
[0009]步骤1:读取目标区域原始LiDAR点云数据；
[0010]步骤2:剔除粗差噪声点；
[0011]步骤3:将步骤2得到的剔除粗差噪声后的LiDAR点云数据进行Delaunay三角剖分，生成xoy平面上的不规则三角网；在不规则三角网上加上各点的高程信息后形成xyz空间不规则三角网TIN ；
[0012]步骤4:计算不规则三角网中每个空间三角形的形变量并保存；
[0013]步骤5:计算三角形的形变量阈值；
[0014]步骤6:将步骤4得到的形变量大于形变量阈值的空间三角形标记为边缘三角形；
[0015]步骤7:计算狭长三角形，比较各三角形的狭长度Li和狭长度阈值Thresd，如果Li大于Thresd，则该三角形为狭长三角形，将该三角形标记为边缘三角形，其中，Thresd不小于100 ；
[0016]步骤8:确定边缘点,得到LiDAR点云数据的边缘图像,具体步骤如下:
[0017]801:粗边缘点的确定:
[0018]对于步骤6得到的每个边缘三角形利用式8计算高程阈值H(G)，并分别对每个边缘三角形中的顶点进行粗边缘点的选取:
[0019]
【权利要求】
1.一种基于不规则三角网的LiDAR点云数据边缘检测方法，其特征在于，具体包括如下步骤: 步骤1:读取目标区域原始LiDAR点云数据； 步骤2:剔除粗差噪声点； 步骤3:将步骤2得到的剔除粗差噪声后的LiDAR点云数据进行Delaunay三角剖分，生成xoy平面上的不规则三角网；在不规则三角网上加上各点的高程信息后形成xyz空间不规则三角网TIN; 步骤4:计算不规则三角网中每个空间三角形的形变量并保存； 步骤5:计算三角形的形变量阈值； 步骤6:将步骤4得到的形变量大于形变量阈值的空间三角形标记为边缘三角形； 步骤7:计算狭长三角形，比较各三角形的狭长度Li和狭长度阈值Thresd，如果Li大于Thresd，则该三角形为狭长三角形，将该三角形标记为边缘三角形，其中，Thresd不小于100 ； 步骤8:确定边缘点，得到LiDAR点云数据的边缘图像，具体步骤如下: 801:粗边缘点的确定: 对于步骤6得到的每个边缘三角形利用式8计算高程阈值H(G)，并分别对每个边缘三角形中的顶点进行粗边缘点的选取:!i(G、j峰剛(8)
3 其中，H (A)、H (B)、H (C)分别是A、B、C点的高程信息，单位:m ；H (G)为高程阈值，单位:m ； 若边缘三角形的三个顶点A，B，C中有任意两点A，B的高程均大于H(G)且H(A)-H(B) I≤。，。取0.5_2.5，则将Α，B两点均取为粗边缘点，否则，将Α，B，C三点中高程最大的点取为粗边缘点； 对步骤7得到的每个边缘三角形的三个顶点都确定为粗边缘点；:802:删除所有粗边缘点中的孤立点，将剩余的粗边缘点作为最终的边缘点输出，即得到LiDAR点云数据的边缘图像。
2.如权利要求1所述的基于不规则三角网的LiDAR点云数据边缘检测方法，其特征在于，所述步骤2的粗差噪声点利用式I计算得到: η = Σ (I P1-Pj < σ) (I) 其中，Pi表示原始LiDAR点云数据中点i的XY坐标，η表示原始LiDAR点云数据中与坐标Pi的距离小于σ的点的个数，η取0-10, ο取10_20m。
3.如权利要求1所述的基于不规则三角网的LiDAR点云数据边缘检测方法，其特征在于，所述步骤4的计算不规则三角网中每个空间三角形的形变量是指:对每个三角形利用式2进行计算:
4.如权利要求1所述的基于不规则三角网的LiDAR点云数据边缘检测方法，其特征在于，所述步骤5计算三角形的形变量阈值的具体步骤如下: 501:读取所有空间三角形的形变量s组成的形变量集合S ;设定形变量阈值Tk的初始值T0:
5.如权利要求1所述的基于不规则三角网的LiDAR点云数据边缘检测方法，其特征在于，所述步骤7的计算狭长三角形是指: 利用式7计算步骤3得到的空间三角网中所有三角形的狭长度；
Li = IAiGiI^lBiGiI2+ICiGiI2 (7) 其中，Li表示三角网中第i个三角形的狭长度分别为第i个三角形的三个顶点，Gi为第i个三角形的重心。
6.如权利要求1所述的基于不规则三角网的LiDAR点云数据边缘检测方法，其特征在于，所述步骤8的802中所述孤立点利用步骤2的公式9进行计算: η = Σ (IP1-PjI < σ) (9) 其中，Pi, Pj表示粗边缘点中点i和点j的坐标，η表示粗边缘点中与坐标Pi的距离小于σ的点的个数，η取0-10，σ取10_20m。
【文档编号】G06T15/00GK103729846SQ201310732429
【公开日】2014年4月16日 申请日期:2013年12月23日 优先权日:2013年12月23日
【发明者】苗启广, 宋建锋, 宣贺君, 刘如意, 许鹏飞, 权义宁, 陈为胜, 郭雪 申请人:西安电子科技大学