基于压缩感知理论的机载激光雷达稀疏点云三维地形重建

To densely vegetated mountainous area, airborne LiDAR ground point cloud can be incredibly rare, and the reconstruction accuracy of DEM can hardly achieve the requirements. In order to address the problem, this issue will go a further study in the application and optimization of compressive sensing in the reconstruction of airborne LiDAR sparse point cloud. At the stage of terrain reconstruction, landscape features are extracted to increase the compressibility of the point cloud, and the over-complete dictionary for point cloud reconstruction is ameliorated with the help of topographic feature. Then, on the basis of the acquired reconstruction result, the analysis of different geomorphological point cloud data’s sampling rate scale is given. Finally, to those point cloud extremely missing place, the Poisson reconstruction theory is brought in to obtain more realistic three-dimensional terrain. Through a series of studies, this project is supposed to perfect the theory and methodology of 3D topographic reconstruction with sparse airborne LiDAR point cloud based on the viewpoint of signal processing, thus increasing the reconstruction accuracy of densely vegetated mountainous area’s DEM.

本课题针对植被茂密的山区机载LiDAR地面点云稀疏，导致DEM重建精度严重不足的现状，探索基于压缩感知的机载LiDAR稀疏点云三维地形重建技 术。在地形重构阶段，首先通过提取地貌特征来增强点云可压缩性；结合地貌特征完善过完备字典稀疏点云重构方法；在此基础上，进行不同地貌条件下点云数据采样率尺度分析。最后，针点云过于稀疏无法满足压缩感知重构条件时，研究基于泊松重建理论的机载LiDAR地形三维表面重建方法，获取真实感更强的三维地形。通过这一系列的研究，从信号处理的角度完善机载LiDAR稀疏点云恢复与地形三维重建新理论与新方法，改善植被覆盖度高的山地高精度DEM获取困难的现状。

本课题针对植被茂密的山区机载LiDAR地面点云稀疏，导致DEM重建精度严重不足的现状，探索基于压缩感知的机载LiDAR稀疏点云三维地形重建技术。主要成果如下：. 1）在稀疏点云三维重建预处理阶段，提出了基于模型迁移和主动学习的密集点云滤波。实验表明在山区场景下，几乎所有的主动学习的分类误差均低于10%，具有非常好的精度和鲁棒性。同时提出了基于开度算子的地形渲染和特征提取算法，试验表明基于开度算子提取的地貌特征的精确度高，完整性更好。. 2）在地形重构阶段，首先通过提取地貌特征来增强点云可压缩性；并结合地貌特征完善过完备字典稀疏点云重构方法。实验表明，基于地形开度和高程构建的联合稀疏表示模型进行三维地形的恢复后，稀疏点云的点云信息量（PSNR）可以从14.08 dB提升到37.15 dB，DEM中误差能从1.51米降低到0.82米，效果非常显著。在此基础上，课题组分别选择高山地、丘陵、平原三种不同的地形条件，进行了三维重建效果尺度分析，寻找点云缺失率与实际重建效果之间的数学关系，对后续研究工作进行有力指导。. 3）针点云过于稀疏无法满足压缩感知重构条件时，研究基于泊松重建理论的机载LiDAR地形三维表面重建方法。课题组通过改进的DETMM方法实现鲁棒的法线估计，通过基于自约束泊松方程避免重建过程中大空洞导致的扭曲。实验证明，对山谷、山坡等区域进行重建，中误差分别从3.01米、3.45米和3.64米下降到了0.73米、1.2米和1.36米，最大误差分别从12.23米、10.03米和9.44米下降为 3.21米、4.28米和4.51米，可见改进的泊松重建方法可以有效的提升空洞区域地形重建的精度。. 通过这一系列的研究，从信号处理的角度完善机载LiDAR 稀疏点云恢复与地形三维重建新理论与新方法，改善植被覆盖度高的山地高精度DEM获取困难的现状。