机载激光雷达数据获取的规范

机载激光雷达数据制作及EDM高程模型建立

已有基于深度学习的机载激光雷达点云分类方法存在训练时间长、对样本数据需求量较大等问题,无法广泛应用于不同情况下的复杂场景。针对该问题,提出了一种基于迁移学习的小样本机载激光雷达点云分类方法。该方法首先对机载激光雷达点云进行光谱信息的补充,通过提取点云数据的归一化高度、强度值和植被指数特征构建三通道点云特征图;通过设置不同的邻域大小和投影方向,生成多尺度和多投影特征图,并基于迁移学习方法进行多尺度、多投影的深层特征提取。针对上述提取的深层次特征,利用池化操作提取全局特征,并采用卷积神经网络进行初步分类,然后利用图割全局优化策略实现机载激光雷达点云的高精度分类。采用国际摄影测量与遥感协会提供的标准测试数据集对所提方法进行验证。与该协会网站上已公布的分类结果以及同样采用迁移学习方法的分类结果相比,所提方法在仅使用训练集中约0.6%的数据作为训练样本的情况下,总体分类精度可以达到94.9%,分类精度最高。

机载激光雷达(Lidar)点云数据滤波是Lidar 数据后处理研究的重点和难点之一，也是首要解决的问题。传统曲面约束滤波算法利用最小二乘法拟合地形曲面，易受种子点粗差影响。针对这一问题，引入抗差估计理论改善曲面拟合效果，并设计自适应阈值确定的方法区分地面点与地物点。使用国际摄影测量与遥感学会(ISPRS)测试数据进行实验，与传统的8 种经典滤波方法进行对比，实验结果表明，抗差估计能得到更为合理的拟合曲面，获取的滤波结果非常可靠，对各种地形的适应性较强，具备较高实用价值。

CH-T 3014-2014 数字表面模型 机载激光雷达测量技术规程 CH-T 3014-2014 数字表面模型 机载激光雷达测量技术规程 CH-T 3014-2014 数字表面模型 机载激光雷达测量技术规程 CH-T 3014-2014 数字表面模型 机载激光雷达测量技术规程

GB／T 36100-2018 机载激光雷达点云数据质量评价指标及计算方法，新国标，共享给大家。 里面详细记录的机载激光雷达点云评价的相关指标和计算方法，包括点密度、旁向重叠度、对质量检查有知道意义。 希望有更好的资源可以共享。

实现了2017年Improved progressive TIN densification filtering algorithm for airborne LiDAR data in forested areas一文中较高精度的滤波算法 调通代码后仍有问题，欢迎私信。

CHT 8023-2011 机载激光雷达数据处理技术规范.pdf

机载激光雷达数据的两种滤波算法比较，李英，邓喀中，滤波是机载激光雷达数据处理的基础问题，本文在对现有滤波算法进行比较总结的基础上，对形态学和移动平面拟合两种算法进行改进、

机载激光雷达数据处理规范，机载三维激光扫描，获得的点云数据，处理规范及要点