摘要 | 第12-15页 |
ABSTRACT | 第15-17页 |
1 绪论 | 第18-37页 |
1.1 研究目的和意义 | 第18-20页 |
1.2 国内外的研究现状与发展趋势 | 第20-33页 |
1.2.1 LiDAR点云滤波 | 第21-28页 |
1.2.2 建筑物检测 | 第28-32页 |
1.2.3 发展趋势 | 第32-33页 |
1.3 研究内容 | 第33-34页 |
1.4 研究方案 | 第34-37页 |
2 多点改进的渐近加密三角网滤波方法 | 第37-66页 |
2.1 城区地形特点分析 | 第37-40页 |
2.2 经典渐进加密三角网滤波 | 第40-42页 |
2.2.1 算法原理 | 第40-42页 |
2.2.2 存在的不足 | 第42页 |
2.3 置信区间估计理论辅助的种子点优化选择 | 第42-48页 |
2.3.1 区间估计理论的应用 | 第44-45页 |
2.3.2 种子点优化策略 | 第45-48页 |
2.4 基于规则约束的陡坎地形检测 | 第48-50页 |
2.5 面向斜坡地形的“两步式”滤波 | 第50-52页 |
2.6 试验与分析 | 第52-64页 |
2.6.1 算法流程 | 第52-53页 |
2.6.2 数据准备 | 第53-56页 |
2.6.3 定量评价与比较方法 | 第56-57页 |
2.6.4 结果分析 | 第57-64页 |
2.7 本章小结 | 第64-66页 |
3 平面特征约束的LiDAR建筑物检测方法 | 第66-100页 |
3.1 离散点云数据的空间索引方法 | 第67-70页 |
3.1.1 常用的点云数据索引方法 | 第67-69页 |
3.1.2 基于KD树的点云数据索引方法 | 第69-70页 |
3.2 基于奇异值分解的平面特征检测 | 第70-76页 |
3.2.1 基于奇异值分解的平面拟合 | 第71-72页 |
3.2.2 平面检测的策略选择 | 第72-76页 |
3.3 平面面片的合并、增长和聚类 | 第76-82页 |
3.3.1 面片合并 | 第76-78页 |
3.3.2 面片区域增长 | 第78-80页 |
3.3.3 面片的筛选和聚类 | 第80-82页 |
3.4 建筑物点云的轮廓提取 | 第82-85页 |
3.4.1 现有的建筑物点云轮廓提取算法 | 第82-83页 |
3.4.2 基于Alpha Shapes算法的点云轮廓提取 | 第83-85页 |
3.5 试验与分析 | 第85-99页 |
3.5.1 算法流程 | 第85-86页 |
3.5.2 数据准备 | 第86-88页 |
3.5.3 定量评价与比较方法 | 第88-89页 |
3.5.4 结果分析 | 第89-99页 |
3.6 本章小结 | 第99-100页 |
4 航空影像辅助的建筑物轮廓精化方法 | 第100-131页 |
4.1 对现有LiDAR屋顶轮廓精化方法的分析 | 第101-105页 |
4.2 Snake模型简述 | 第105-108页 |
4.2.1 模型基本理论 | 第105-106页 |
4.2.2 主要应用背景 | 第106-108页 |
4.3 基于多视影像的物方精化策略 | 第108-110页 |
4.4 改进Snake模型中能量函数的构建 | 第110-113页 |
4.4.1 内部能量函数 | 第110-111页 |
4.4.2 外部能量函数 | 第111-113页 |
4.5 改进Snake模型的收敛策略 | 第113-115页 |
4.6 试验与分析 | 第115-130页 |
4.6.1 算法流程 | 第115-116页 |
4.6.2 数据准备 | 第116-117页 |
4.6.3 试验结果 | 第117-126页 |
4.6.4 精化过程中的不确定性分析 | 第126-130页 |
4.7 本章小结 | 第130-131页 |
5 总结与展望 | 第131-134页 |
5.1 主要工作与创新 | 第131-133页 |
5.2 待进一步解决和研究的问题 | 第133-134页 |
参考文献 | 第134-144页 |
攻读博士学位期间发表的论文与科研情况 | 第144-146页 |
1 发表论文 | 第144-145页 |
2 科研项目 | 第145页 |
3 获奖情况 | 第145-146页 |
致谢 | 第146-147页 |