一、基于数学形态学的TIN和GRID自动生成研究（论文文献综述）
吴江[1]（2021）在《黄土侵蚀沟道形态的高分辨率表达与分析》文中认为侵蚀沟道作为构成黄土高原地貌格局的主体,既是地貌发育的产物,在一定程度上也是土壤侵蚀的结果,因此它一直都是土壤侵蚀和地貌领域研究重点关注的对象。早期研究由于受到测绘科技、数据积累情况的限制,致使中低分辨率下不能对流域尺度的侵蚀沟道、特别是尺度较小且活跃的侵蚀沟道做出全面和有效的表达和分析,且与土壤侵蚀精确模拟的要求不相适应。近年来随着高分辨率遥感地形测量技术的进步,为侵蚀沟道相关研究提供了新的机遇。本研究综合全球卫星导航系统（GNSS,Global Navigation Satellite System）、无人机航测以及遥感等现代测量方法,以侵蚀沟道为研究对象展开侵蚀地形形态的高分辨率表达、侵蚀沟提取（切沟冲沟区域）以及地形变量提取尺度效应等方面的分析。该研究进一步深化了侵蚀地形的微观和宏观特征,为高分辨率环境下的土壤侵蚀研究提供了科学支撑。本文的主要研究内容和结论如下:（1）基于低空无人机摄影测量方法可实现侵蚀沟道形态特征的高分辨率采集:通过对现有侵蚀沟道类型体系、形态特征以及众多新型地形测量与遥感技术方法的梳理和分析,提出基于低空无人机摄影测量内外业结合的侵蚀沟道形态数据采集技术体系。该技术体系具有快速灵活、成本低、作业区域广等优势,能够保证地形表达精度的同时兼具较高的性价比,可以满足侵蚀沟道形态高分辨率表达对数据采集的需求。（2）充分考虑人为和自然突变地形特征可建立侵蚀沟道形态的数字表达:着重针对梯田等人为地形特征和沟沿线等自然突变地形特征,将突变地形特征线纳入插值运算构建DEM（Digital Elevation Model）,主要通过高程特征（表面特征,面积高程积分、断面线高程差异）、坡度特征以及剖面曲率特征（统计分布、空间格局）三个方面展开比对分析,建立了侵蚀沟道形态的高分辨率数字表达方法,进而为微小尺度侵蚀地貌特征研究提供更为准确的基础数据。（3）基于机器学习和面向对象图像分析的思路可以实现侵蚀沟道形态的高分辨率提取:基于高精度地形/影像数据构建的多分辨率数据集,选用地形/影像数据相融合的面向对象分析及随机森林自动分类策略,以切沟冲沟区域和突变地形为提取对象,展开高分辨率系列数据环境下的侵蚀沟道提取尺度效应分析。研究结果表明,高分辨率数据集（0.2m DOM,Digital Orthophoto Map+1m DEM）在进行侵蚀沟道提取具有显着优势,其分类结果与对象的实际空间分布最为接近。随着数据集分辨率的降低（最低至5m DOM+5m DEM）,其总体分类精度由90.74%下降为53.63%,主要提取差异体现在地形结构较为破碎复杂的沟头部位,沟沿线特征不显着的部位以及经短历时演化过程形成的尺度较小的切沟区域等。（4）高分辨率侵蚀沟道地形指标的精度随分辨率发生规律性变化:在DEM数据精度方面,随着分辨率的降低（1m～5m）其标准差、中误差、绝对平均误差以及地形描述误差四个指标均逐渐增大;在坡度提取方面,随着分辨率的降低均有一定程度的坡度衰减,其中王茂沟样区的坡度均值由31.80°下降至29.70°,二老虎沟样区由19.88°下降至16.73°,在坡度变化较为剧烈的区域（突变特征线及沟谷区域）衰减更为严重;在流水线提取方面,两个样区随着分辨率的降低其提取的流水线级别均由三级减少为两级,其提取数量分别由28条减少为5条（王茂沟样区）、25条减少至4条（二老虎沟样区）,且对于沟道整体表达的精度及完整度均有一定程度的降低;在LS因子提取方面,随着分辨率的降低LS因子呈上升趋势,具体表现为其均值分别由10.97增大至15.22（王茂沟样区）,6.03增大至7.34（二老虎沟样区）,且较大值的空间分布范围亦随之增加。
宗铭铭[2]（2021）在《基于激光雷达点云的复杂地形DEM构建研究》文中研究说明机载激光雷达（Light Detection and Ranging-LiDAR）集成了激光测距系统,惯性导航系统、全球定位系统等技术,是一种主动对地观测的新型技术,也是测量领域继GPS之后又一项新的科学技术发展革命。它突破了传统逐点测量的方法,使测量工作呈现快速、高效、大范围的特点,使获取的激光雷达数据具有空间三维信息,在一定程度上解决了传统摄影测量获取三维信息不方便的问题。机载激光雷达测量技术被广泛应用于实现对各种大面积的三维地形数据快速采集、快速生成各种数字化地形产品等。数字高程模型在诸如水文、气象、地质、军事和国防建设等领域被广泛应用,特别是可以通过坡度、坡向和坡度变换率等因素对地貌进行分析。本文依托一个广西创新驱动发展专项（科技重大专项）（子课题五:数据一体化处理和示范应用）。根据该课题的实际需求,本文研究了激光雷达点云数据生成数字高程模型的关键技术,从以下三个方面进行介绍,点云数据预处理、点云数据滤处理和点云数据插值处理。主要研究内容如下:1.介绍了机载激光雷达技术和点云数据管理方法。从机载激光雷达技术的组成出发研究了机载激光雷达测量系统工作原理。对机载激光雷达点云数据的格式特点进行了研究,继而引出了点云数据预处理的技术流程,提出了基于K-D树结构改进的K近邻距离算法去除点云数据中的噪点。2.研究了点云数据滤波的算法。从激光雷达点云数据滤波的原理出发,研究了点云数据分布特征。点云数据滤波传统算法对单一地形特征进行滤波效果比较好,但针对于复杂地形滤波效果不是很好,因此本文提出一种顾及地形的布料模拟滤波算法,使滤波后的地面点云数据具有数据的场景信息和地形的结构特征。3.研究了点云数据插值算法。首先介绍了数字高程模型的数据结构格式,从激光雷达点云数据的插值算法原理出发,介绍了点云数据插值算法的特性。在研究传统的点云数据插值算法基础上,提出了基于TIN的前沿推进算法,以此来构建高精度的数字高程模型。
王龙[3]（2021）在《无人机倾斜影像密集匹配点云的处理与应用》文中进行了进一步梳理近些年来,航空摄影测量技术以低成本、大范围的获取高精度的场景信息,已经成为新时代下“数字城市”建设中获取数据的重要手段之一。无人机平台搭载GPS、IMU和非量测相机,采集高精度位置、地面影像数据和姿态数据,可利用计算机视觉的运动恢复目标结构算法（Structure Form Motion,SFM）和多视图立体视觉重构算法（multi View Stereo,MVS）,生成数字正射影像图、数字表面模型和密集点云数据等。在摄影测量方面,大多数的应用都是基于数字正射影像图、数字表面模型和实景三维模型进行,点云作为影像与基础地理信息产品的过度产物往往是被忽略的,以至于对影像密集点云的应用及研究相对较少。而Li DAR（Light Detection and Ranging）点云因为其准确的描述了空间目标地物的形态、大小和其他属性特征被广泛应用地形测图、林业检测,救灾减灾等领域。但是雷达设备成本高、对作业人员的门槛相对较高,加之获取的点云不包含物体光谱信息和无任何语义信息等原因,一定程度上限制了其大规模的普及应用。影像匹配点云除了在精度上弱于Li DAR点云外,其拥有丰富的纹理和光谱特征,容易引入植被指数等特征用于点云分类,加之是基于无人机进行数据采集,其成本相比于Li DAR大幅下降。并且随着计算机视觉和摄影测量技术的发展,在一些地形不复杂的区域,影像匹配点云在精度和密度上能够媲美Li DAR点云。鉴于影像匹配点云所具巨大优势,如何对影像匹配的点云进行应用与研究显得尤为重要。影像匹配的点云中包含了地面点、地表上的建筑物、植被等信息,并不能直接对其进行测图和提取森林结构参数等应用,需要对其滤波和分类,按需提取有用信息。现阶段针对影像匹配点云滤波与分类的方法较少,而Li DAR点云的相关研究与应用比较成熟,虽说影像匹配点云与LIDAR点云存在数据源差异和滤波算法能否兼容的问题。但总的来说两种方式获取的点云之间有共同点,所以本次研究主要是借鉴Li DAR点云的处理方法对影像匹配点云处理,利用影像匹配点云具有丰富的纹理和光谱信息等特点,进行自动分类和目视分类编辑。在点云数据中划分地面点与非地面点的过程称为点云滤波。目前各种经典的点云滤波算法都需要在算法中设置较为复杂的参数,需要专业人员对作业区域有深入的了解,才能达到一定的滤波效果。由于自然和人为等不可控因素的存在,影像匹配点云在数据采集和处理过程中不可避免的出现误差,故在点云滤波之前需采用合适的点云粗差剔除算法对点云中的噪声点去除。本次的研究内容如下:（1）从相机成像模型、二维相片到三维空间的坐标转换、相机的检校、特征点的提取与匹配、运动恢复结构、多视影像密集匹配六方面讲述无人机倾斜影像进行匹配获取三维点云的关键技术和原理,并整理无人机影像数据的获取与影像处理生成点云的具体方法。（2）滤波和分类作为点云应用的基础环节,为了能够对影像匹配点云进行高精度的滤波和分类,在滤波开始前,充分分析点云的特点,运用高程统计和基于密度的算法对点云进行误差的剔除;对于滤波,则深入研究了目前几种经典点云滤波算法,采用定性和定量评价的方法分析各滤波算法在不同地物地貌区域的滤波结果,找到适用于本次研究的最佳算法;分类则是先对点云进行特征统计,选择具有代表性特征运用机器学习的随机森林算法进行分类。（3）结合获取的数字正射影像图和滤波后地面点数据,进行数字线划图的制作。首先对密度较大的点云数据进行抽稀处理,生成数字高程模型和等高线数据;然后将生成的等高线数据和数字正射影像图中矢量化的部分地物结合,局部修改后制作数字线划图;最后选取视图立体视觉重构算法。
王传波[4]（2021）在《基于点云数据的滤波与压缩方法研究》文中进行了进一步梳理目前,以三维激光扫描仪为代表的硬件系统研究相对完善,点云数据的后处理研究还有很大的不足。不论使用何种设备、何种方式采集到的点云数据,都或多或少的存在冗余点。除此之外,点云数据具有栅格性、海量性等特点,采集到的点云数据一般都是吉（GB）级别,甚至太（TB）级别,所以点云数据的存储和处理等操作对计算机硬件提出了很高要求,因此本文针对点云滤波与压缩中的关键技术进行研究并提出相应的改进将很有意义。本文将点云滤波方法分为两类,一类是统计滤波、半径滤波、双边滤波等方法;另一类是针对地物的滤波方法。本文针对传统数学形态学方法存在的问题,提出几点改进:1、使用邻近地面点填充空白格网;2、构建三角网确定局部区域地形坡度;3、改进原始激光点云地面高差阈值的设置,通过ISPRS的官方数据集和测试场点云的实验,证明改进方法能有效降低Ⅱ类误差和总误差,可行性较好。压缩方面,本文首先对基于TMC13的点云属性压缩进行实验分析。然后对点云建立八叉树结构并取体素中心点的最近邻点优化了栅格体素压缩算法,通过分析,使用第三章统计滤波得到的table模型时PSNR相比随机采样算法提升约16.36%,比曲率压缩算法提升约16.61%,比均匀网格算法提升约3.19%;使用第三章改进形态学滤波方法得到的地面模型时,PSNR优于随机采样法和均匀网格法。最后本文基于切平面内点与邻域点投影的夹角提取模型边界信息,改进了基于X-Y边界提取的压缩方法,本文使用第三章滤波后的table模型、地面模型和Stanford大学提出的bunny模型进行实验,通过对本文方法和基于X-Y边界提取压缩方法的结果进行三角网格重构,bunny模型形成的三角面个数分别是14287和10175,从而证明本文方法具有较好的适用性并且在同压缩率下能更好的保留边界特征。
杨凯[5]（2021）在《激光雷达点云高程数据滤波算法研究》文中提出激光雷达（Light Detection and Ranging,Li DAR）是一种能够获取大面积区域精确点云信息的遥感技术,其被广泛地应用于地形测绘,高度估计,电力线监测等诸多方面。然而,在用于获取地表信息的激光雷达点云高程数据中,位于地面和地物（如树冠）上的点混杂在一起,因此在构建地形之前,需要将其分为地面点和非地面点,这一过程被称为滤波。虽然当前已有许多点云滤波算法被提出,但这些算法普遍在具有陡坡或不连续特征的复杂地形处表现不佳,因此本文的研究目的在于改进已有滤波算法,以提升算法在这些复杂地形下的滤波性能,为后续点云数据的应用提供支持。本文的主要工作包括两个部分:（1）为了提升经典渐进不规则三角网加密（Progressive Triangulated Irregular Network Densification,PTD）滤波算法在陡峭或不连续的复杂地形处的滤波性能,本文提出一种基于多级虚拟网格和形态学运算的渐进不规则三角网加密滤波算法,该算法使用多级虚拟网格来获取更多的地面种子点,并使用形态学开运算在迭代加密步骤中对地面点进行重筛选。为了评价改进算法的滤波效果,本文使用国际摄影测量与遥感学会（ISPRS）提供的四组包含有大量不连续地形的标准测试数据进行滤波测试。结果表明,相较于经典算法,改进算法很好地保留了地形特征,并且在所有数据上均产生了更小的第一（Ⅰ）类误差和总误差,定量分析显示这两种误差指标在四组测试数据上的最大值分别是3.05%和4.22%,均小于经典算法产生的相应误差结果的五分之一。（2）在改善了经典PTD算法对复杂地形处理能力不足的问题之后,为解决该算法对全局统一的经验参数敏感的问题,提出一种基于分割和地形自适应参数的渐进不规则三角网加密算法,该算法实现了根据局部地形自适应设置的阈值参数,并使用区域生长技术将原始点云进行分割以获取更充足的地面种子点。在使用ISPRS提供的标准测试数据进行滤波测试时,改进算法较好地保留了地形特征,在定量测试中,改进算法产生的第一（Ⅰ）类误差和总误差均保持在7%以下,第二（Ⅱ）类误差均小于20%。同时,在后续的参数测试中改进算法也表现出较好的鲁棒性。
王海洋[6]（2020）在《基于LiDAR点云数据的建筑物边缘特征提取与DEM构建方法研究》文中研究说明机载LiDAR作为一种新兴的三维空间数据采集技术,具有快速有效、高精度、海量数据的特点,为获取高分辨率的空间信息提供了重要支撑。目前机载LiDAR点云数据已成为重要的三维空间数据源而应用于多个行业,尤其是在大范围数字地表模型数据采集方面表现出了明显的优势,可以精确地描述建筑物轮廓、植被、道路、桥梁等地物的复杂构造,而建立利用机载LiDAR点云数据快速准确地提取建筑物的边缘和构建DEM的方法是机载LiDAR点云数据处理和三维建模的基础性研究内容,具有重要的理论意义和应用价值。本文探索了一种基于Canny算法与GVF-Snake模型组合的利用LiDAR数据提取建筑物边缘的方法,研究了 LiDAR数据抽稀算法和DEM构建的方法,主要研究内容和成果如下:（1）本文分析了机载LiDAR点云数据采集的特点以及误差产生原因,研究了当前机载LiDAR点云数据处理的方法。本文基于CSF布料滤波算法进行地面点与地物点分离的实验,在此基础上,提出并探索了一种基于扫描线和渐进三角网相融合的滤波思想。（2）建筑物边缘提取是本文的研究重点,主要内容包括DSM距离影像和DSM深度影像的获取、影像数据的滤波和建筑物边缘提取。首先基于机载LiDAR点云数据的高程值和反射强度值应用空间数据插值方法获取DSM距离影像和DSM深度影像;基于自适应滤波方法对DSM距离影像和DSM深度影像进行滤波处理,有效地剔除了噪声点;在此基础上,研究了基于Canny算法和GVF-Snake模型组合的建筑物边缘提取方法,通过与Sobel算子、拉普拉斯算子等进行直线边缘检测方法对比实验,证明该方法能更精细的表达建筑物边缘。（3）本文通过对基于距离和高差数据抽稀算法和基于坡度的点云数据抽稀算法进行改进,建立了机载LiDAR点云数据抽稀的方法,该方法平衡了 DEM精度与点云抽稀率之间关系,并进行了点云数据抽稀和DEM的构建的实验,实验表明在保持一定DEM精度的条件下,进行适当的点云数据抽稀对地形影响在可接受范围内,能满足实际应用的需要,并可提高生成DEM的速度。
王晨辉[7]（2020）在《高压输电线路机载LiDAR点云滤波及特征提取技术研究》文中指出机载LiDAR是一门新兴的测绘技术,是测绘领域继GPS技术之后的又一次技术革命。目前LiDAR技术已经成为广大科研和工程技术人员解决空间数据获取问题的新手段,为工程与科学研究提供了更准确的数据。LiDAR技术在硬件方面国内外的研究已经取得了长足的进展,但在LiDAR点云数据后处理方面尽管有一些突破,依旧没有十分成熟的方案,仍然是研究的难点和热点。本篇论文基于高压输电线路通道机载LiDAR点云数据,首先对点云数据进行了噪点剔除,生成滤波和特征提取的基础数据;然后再对比分析数学形态学滤波和渐进TIN滤波在点云滤波处理特点的基础上,提出组合滤波方法,并进行了滤波实验研究和精度评价;最后将多尺度邻域下提取的局部特征与Point Net提取的全局特征通过全连接层组合,对点云数据进行了特征提取研究,并进行了结果分析。本文得出的主要结论有:（1）在局部地形变化不大的地方,数学形态学的移动窗口可以进行较为准确的滤波,但是当遇到地形起伏较大或者结构复杂的构筑物,数学形态学的移动窗口就不能准确的分割地面点和非地面点,造成大区域范围内滤波精度的下降;渐进TIN滤波主要受到初始TIN建立时种子点的选取影响产生滤波误差,而且这种误差具有传递性和累积性,因此本文提出将粗差剔除后的点云数据首先进行数学形态学粗滤波,分割出结构突变、点云高差明显的非地面点,然后在剩余的点云数据中进行搜索选取种子点,建立TIN,再用渐进三角网滤波算法进行多次迭代周期的滤波,直到没有非地面点的产生,就可以得到准确的地面点云数据。结果显示,相比于渐进TIN滤波与数学形态学滤波算法,本文所提的滤波策略的三类误差,与渐进TIN的滤波算法相比,除植被覆盖度高的Data1点云数据的滤波在Ⅱ类误差和总误差方面分别略高了1.49%、0.3%之外,其余的误差指标均有降低。验证了研究提出的算法,在植被覆盖度较高的复杂场景和植被覆盖度较低、较为平坦的场景中,均能表现出一定的适应性。在地貌简单的场景中,能够降低滤波误差,而在复杂场景中,相比于形态学滤波,精度也有较好的提升。（2）Point Net点云深度学习框架的对点云数据的全局特征有较好的提取,但是对点云的局部特征提取时却存在一定的不足。本文在研究Point Net特征提取网络的基础上,提出在Point Net进行全局特征提取的同时,构建多尺度因子的局部特征提取网络,然后将不同尺度邻域提取的局部特征与Point Net提取得到的全局特征进行全连接,最后通过多层感知机,输出点云数据中各点的分类分数。这样提高了学习网络对于点云数据局部信息的学习,提高了最终特征提取结果的精度,而且具有一定的泛化能力和各类场景的通用性。结果显示,在整体上线路杆塔的点云数据特征提取,外轮廓清晰,特征物点云没有与其他特征点云混合的地方,均能准确的进行提取,输电线路的电缆和杆塔也能较好的分别提取;地面的低矮草丛点云、灌木林由于点云特征差别很小,所以被分为一类;较为高大的乔木林的点云特征明显区别于低矮植物,所以能够根据树冠提取出植被的特征。而在局部特征上,本文提出的网络模型,因为增加了多尺度网络结构提取点的局部特征,在最主要的杆塔特征提取上相对于Point Net提高了6.1%,所以能够将Point Net误识别的“一团杆塔点云”,准确的识别为低矮植被点云。提高了点云局部特征的识别率。
詹俏[8]（2020）在《基于TLS的滑坡体数据预处理及地表特征变化探测》文中研究表明在我国西南山区,滑坡、崩塌、泥石流等地质灾害高发,灾害一旦发生,往往造成严重的经济损失和人员伤亡。对滑坡体进行变化探测在地质灾害领域是一项极其重要的工作,高效的滑坡体变化检测可以提前对灾害进行有效的预测,采取应对措施,可以预防和减轻滑坡事故带来的危害。地面三维激光扫描技术是最近十几年快速发展起来的测绘新技术,因其能够快速、非接触、高精度和高密度的获取目标对象的空间三维坐标,现已在滑坡变化检测领域得到广泛应用。本文以地处昆明市东川区大白泥河泥石流沟的一伴生滑坡体为试验对象,利用地面三维激光扫描技术对滑坡体进行两个时期点云数据采集,经过点云配准、滤波去噪数据预处理,内插生成面向滑坡体的DEM,利用Arc GIS平台基于DEM提取滑坡体山脊点、山谷点、山脊线、山谷线和剖面线等地表特征,最后对滑坡体进行基于点、线、面状特征的变化探测分析,形成了一整套的面向滑坡体的变化探测流程,达到了多方位、全面的变化探测目的。在论文研究中,最终得到以下研究结果:（1）开展了面向泥石流沟伴生滑坡体的点云滤波处理方法探究:以第一期滑坡体TLS点云数据为数据源,分别采用基于数学形态学滤波、基于坡度滤波、基于渐进加密不规则TIN滤波和基于CSF算法滤波四种滤波方法进行滤波处理,从定性和定量两方面进行精度评定,并对四种方法进行对比总结。结果表明:基于渐进加密不规则TIN滤波方法的滤波总误差为5.51%,在本文试验区的效果最好,能很好的适应复杂地形且能有效的滤除密集低矮植被;基于数学形态学方法的滤波总误差为7.61%,滤波过程较繁琐,实用性差;基于坡度的滤波总误差为14.61%,滤波效果最差,不适用于地形条件复杂的试验区域;CSF滤波的总误差为13.80%,该方法在相对平坦区域能够取得很好的滤波效果,但是针对既包含平坦和陡峭区域的泥石流沟伴生滑坡体并不适用。（2）以滤波后点云为数据源,分别采用反距离加权法、自然邻域法、克里金法和ANUDEM算法,内插生成面向滑坡体DEM的研究,通过检查点法得到DEM内插的高程精度指标（中误差、平均绝对误差和拟合优越度）,利用Matlab绘制检查点点位误差分布图,对DEM内插精度进行对比分析。结果表明:克里金法插值生成DEM高程精度指标更优,更适用于高山地地貌、原始数据分布不均匀的点云数据类型。并基于此DEM运用Arc GIS平台进行坡向分析提取山脊点、山谷点、山脊线和山谷线等地表特征。（3）研究分析了地面三维激光扫描在泥石流沟伴生滑坡体进行变化探测的实际应用问题,利用扫描获取的两期点云数据,以第一期点云数据为基准,对滑坡体地表特征点、特征线以及“面”状特征在X、Y、Z方向上的变化探测综合分析,为滑坡体变化探测提供一种新思路。
郝红科[9]（2019）在《基于机载激光雷达的森林参数反演研究》文中进行了进一步梳理机载激光雷达脉冲能够穿透部分森林冠层,获取森林的三维结构信息,是目前林业遥感当中最具应用潜力的主动遥感技术之一。尽管目前国内外学者已经在机载激光雷达森林参数反演方面取得了一些不错的科研成果,然而理论和实践远未成熟,核心算法仍有待提高,技术体系仍有待完善。因此,本文以黑河综合遥感联合试验获取的张掖市大野口流域的机载激光雷达数据和样地调查数据为研究对象,系统化的研究了机载激光雷达森林参数提取的技术流程,针对各个重要环节均做了深入的比较和分析,找出了反演过程当中最优的算法和参数设置,提出了一个反演森林参数的激光雷达指标。研究取得的主要结论如下:（1）布料模拟滤波算法（CSF,Cloth Simulation Filter）在本研究区滤波效果好于常用的不规则三角网滤波算法（TIN,Triangular Irregular Networks）和渐进形态滤波算法（PMF,Progressive Morphological Filter）。通过三种滤波算法生成的DEM和试验区差分GPS测量的结果对比,CSF算法可以获取最大误差1.9m,平均误差0.138m/m2的DEM,可以满足森林参数反演的需要。（2）使用归一化点云（NPC,Normalized Point Cloud）生成的树冠高度模型（CHM,Canopy Height Model）无论是在树冠三维结构的表现上,还是在CHM“孔洞”的消除效果上均优于传统的CHM生成方法。同时,本研究对比了CHM生成过程中常用的三种插值算法,距离倒权法（IDW,Inverse Distance Weighted）、不规则三角网插值（TIN）和克里金插值（Kriging）,发现由于树冠尺寸不大但形状多变,简单的IDW算法更适合CHM的插值。（3）对比分析了基于CHM的分水岭单木分割算法和基于点云的空间聚类算法,发现后者由于点云密度不够,不能用于本研究。通过有序对比分水岭算法的参数配置,确定了0.5m像素大小的CHM可以获取最佳的单木分割效果,单木分割率达到68.55%,分割准确率达到57.46%。尽管算法的参数值需要根据点云密度和林分情况变动,但是本研究提出的方法具备一定的参考价值。（4）用单木分割的思路反演林分参数,在无法单木匹配的情况下,本研究提出了用简单的线性回归模型来拟合林分实测值与单木分割估测值的方法。使用冠幅面积加权平均高估测值来拟合实测的胸高断面积加权平均高（LorH）,相关系数（R2）为0.375,均方根误差（RMSE）为2.16m。利用估测的平均树高和平均冠幅两个指标经自然对数变换后线性拟合胸高断面积（BA,Base Area）和地上生物量（AGB,Aboveground Biomass）,R2分别达到了0.571和0.639。（5）用基于样地的思路反演林分参数,本研究从点云中提取了43个指标,通过多元线性回归、支持向量机和人工神经网络三种机器学习算法来回归实测林分参数,结果表明后两者优于常用的多元线性回归模型,原因主要是提取指标之间的共线性问题所致。通过LASSO回归特征选择后,对LorH和AGB的预测,支持向量机最优,R2分别为0.784和0.849,RMSE分别为1.256m和21.298t/ha;对于BA的预测,神经网络模型最优,R2为0.859,RMSE为3.134m2/ha。（6）本文提出了一个基于样地的激光雷达提取指标——冠层高度指标（TCH,Top of Canopy Height）,在假设林分具备和单木相似的异速生长规律的前提下,利用已有的异速生长模型的形式预测各林分参数,其中对LorH、BA和AGB的拟合系数分别为0.129,0.696和0.706,预测精度高于基于单木分割的林分反演精度,低于基于点云分位数的林分反演精度。同时,本文对于影响TCH预测精度的CHM高度阈值和CHM像素大小做了科学的分析,方法具备一定的借鉴意义。总之,本文对基于机载激光雷达的森林参数反演方法进行了系统的研究,对核心算法进行了细致入微的比较和分析,得到的结论可靠有效,将有力推动机载激光雷达技术在我国林业中的深入应用与普及。
黄凌霄[10]（2019）在《黄河宁夏典型河段及水库水动力与水质数值模拟研究》文中指出本文以具有连续弯道的大柳树-沙坡头河段和地形复杂的鸭子荡水库为研究对象,基于RNGk-ε紊流数学模型,结合实测结果进行二维和三维数值模拟,对这两个典型研究对象进行了水流运动、泥沙输移、河床变形和水质对流扩散等问题的研究。首先,利用图像拼接算法、边缘检测算法结合CAD软件和Google Earth软件对水岸边缘进行精准检测,高效地获取研究区域经纬度信息,结合实测高程信息编程生成所需地形文件。其次,通过Bowyer-Watson算法对初始地形进行Delaunay三角化的网格剖分,构造不规则三角网模型TIN,由离散高程点生成不规则三角网,实现网格剖分后的三角形网格地形插值。再次,建立三维水沙水质数学模型和平面二维水沙水质数学模型,并将数学模型的控制方程通过瞬态项、对流项、扩散项和源项写成统一的通用形式。在此基础上,采用有限体积法中的五种格式对通用控制方程进行离散,使用基于非结构网格的SIMPLEC算法结合欠松弛技术对离散后的控制方程进行求解,利用GMES算法结合初始条件和边界条件实现离散方程组的求解。最后,对大柳树-沙坡头河段和鸭子荡水库进行了 RNG k-ε紊流数学模型的验证,对大柳树-沙坡头河段进行了四种工况的平面二维和三维水流运动、河床变形数值模拟,对鸭子荡水库进行了四种类型八种工况的平面二维水流运动数值模拟和三维水质对流扩散数值模拟。对实测的大柳树-沙坡头河段断面高程和断面泥沙粒径进行分析之后,将该河段的平面流场、断面流场、横向流速和河床变形的模拟值与实测值进行了对比,两者结果符合较好。结合实测资料,对该河段的水流运动、河床变形进行了数值模拟,得到该河段水流的流场、泥沙的运移和河床的变形会根据入口流量、悬移质含沙量、k值、ε值和出口水位的不同而产生变化。对实测的鸭子荡水库库底高程、水库等高线和水库三维地形进行分析之后,将该水库的水流流场和断面垂线平均流速的模拟值与实测值进行了对比,两者结果符合较好。结合实测资料,对该水库的水流运动进行了数值模拟,得到该水库中水流的流场和流速受进水量、取水量、风速和风向的支配。对实测的鸭子荡水库取水塔附近的七种水质指标进行采样和分析之后,将该水库中CODCr和TN浓度分布的模拟值与实测值进行了对比,两者结果符合较好。结合实测资料,对该水库的水质对流扩散进行了数值模拟,得到该水库中水质浓度的分布受进水量、取水量、风速和风向、水库中水质的初始浓度分布、入水口进水水质浓度的不同等因素的变化而改变。上述研究结果为研究类似连续弯道和类似水库的水沙运移规律和水环境治理提供了技术支撑和理论依据。
二、基于数学形态学的TIN和GRID自动生成研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于数学形态学的TIN和GRID自动生成研究（论文提纲范文）
（1）黄土侵蚀沟道形态的高分辨率表达与分析（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的与意义 |
| 1.3 国内外研究概况综述 |
| 1.3.1 侵蚀沟道的相关研究 |
| 1.3.2 地形表达方法 |
| 1.3.3 侵蚀地形的高分测量与分析 |
| 1.3.4 黄土侵蚀地形特征要素/地形因子提取分析 |
| 1.3.5 存在的问题 |
| 1.4 研究内容及技术路线 |
| 1.4.1 研究内容 |
| 1.4.2 技术路线 |
| 1.5 论文结构 |
| 第二章 研究样区与数据 |
| 2.1 研究区概况 |
| 2.2 研究样区基本概况 |
| 2.3 基础数据准备 |
| 2.3.1 高分辨率地形/影像采集方法的选定 |
| 2.3.2 高分辨率地形数据采集 |
| 2.3.3 高分辨率系列数字高程模型(DEM) |
| 2.3.4 高分辨率影像数据 |
| 2.4 基础实验软件平台 |
| 2.5 本章小结 |
| 第三章 侵蚀沟道土壤侵蚀地形指标体系及提取方法 |
| 3.1 侵蚀地形指标体系的确定 |
| 3.2 连续地形因子 |
| 3.2.1 坡度 |
| 3.2.2 坡长 |
| 3.2.3 曲率 |
| 3.2.4 坡向 |
| 3.3 离散地形要素 |
| 3.3.1 沟头 |
| 3.3.2 流水线 |
| 3.3.3 沟沿线 |
| 3.4 复合地形指标 |
| 3.4.1 坡度坡长因子 |
| 3.4.2 地表粗糙度 |
| 3.5 本章小结 |
| 第四章 侵蚀沟道高分辨率地形表达 |
| 4.1 典型样区的DEM建立 |
| 4.2 高程特征分析 |
| 4.2.1 表面特征分析 |
| 4.2.2 面积高程积分分析 |
| 4.2.3 侵蚀沟道断面分析 |
| 4.3 坡度特征分析 |
| 4.3.1 坡度统计分布 |
| 4.3.2 坡度空间格局 |
| 4.4 剖面曲率特征分析 |
| 4.4.1 曲率统计分布 |
| 4.4.2 曲率空间格局 |
| 4.5 本章小结 |
| 第五章 侵蚀沟道高分辨率提取与分析 |
| 5.1 数据预处理 |
| 5.2 分割方法设计及实验 |
| 5.2.1 多尺度影像分割 |
| 5.2.2 最优影像分割尺度的评估 |
| 5.2.3 最优分割尺度参数实验分析 |
| 5.3 侵蚀沟道的提取 |
| 5.3.1 侵蚀沟道分类方法的选定 |
| 5.3.2 特征空间构建 |
| 5.3.3 关键特征变量选取试验 |
| 5.4 实验结果分析 |
| 5.4.1 基于多分辨率数据集的侵蚀沟道提取结果分析 |
| 5.4.2 基于多分辨率数据集的分类精度评价 |
| 5.5 本章小结 |
| 第六章 基于高分辨率数据的侵蚀沟道地形因子和要素提取尺度效应分析 |
| 6.1 多分辨率DEM的生成与精度评价 |
| 6.1.1 多种分辨率DEM的生成 |
| 6.1.2 多分辨率DEM对数据精度的影响分析 |
| 6.2 多分辨率DEM坡度尺度效应分析 |
| 6.2.1 整体流域坡度与DEM分辨率的关系 |
| 6.2.2 地形特征线与正负地形坡度与DEM分辨率的关系 |
| 6.2.3 流域坡度空间变异结构与DEM分辨率的关系 |
| 6.3 多分辨率DEM流水线提取尺度效应分析 |
| 6.3.1 流水线空间格局与DEM分辨率的关系 |
| 6.3.2 流水线统计特征与DEM分辨率的关系 |
| 6.4 多分辨率DEM坡度坡长因子尺度效应分析 |
| 6.4.1 LS因子空间格局与DEM分辨率的关系 |
| 6.4.2 LS因子统计分布与DEM分辨率的关系 |
| 6.5 本章小结 |
| 第七章 结论与讨论 |
| 7.1 结论 |
| 7.2 创新点 |
| 7.3 讨论 |
| 参考文献 |
| 附录 |
| 攻读博士学位期间取得的科研成果 |
| 致谢 |
| 作者简介 |
（2）基于激光雷达点云的复杂地形DEM构建研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 相关研究现状 |
| 1.2.1 点云滤波算法研究现状 |
| 1.2.2 构建DEM插值算法研究现状 |
| 1.3 研究内容 |
| 1.4 论文的结构安排 |
| 第2章 机载激光雷达技术与点云数据管理 |
| 2.1 机载激光雷达系统组成 |
| 2.1.1 机载激光雷达测量系统概况 |
| 2.1.2 激光雷达测距系统 |
| 2.1.3 POS系统 |
| 2.1.4 控制单元 |
| 2.1.5 数码相机 |
| 2.2 机载激光雷达系统的测量原理 |
| 2.3 机载激光雷达数据 |
| 2.3.1 机载激光雷达点云数据格式 |
| 2.3.2 机载激光雷达点云数据管理 |
| 2.4 激光雷达点云数据生成数字高程模型流程 |
| 2.4.1 点云数据去噪 |
| 2.4.2 点云数据去噪结果分析 |
| 2.4.3 点云数据滤波 |
| 2.4.4 点云数据插值 |
| 2.5 本章小结 |
| 第3章 机载激光雷达点云数据滤波 |
| 3.1 机载激光雷达点云数据滤波原理 |
| 3.2 机载激光雷达点云数据的空间分布特征 |
| 3.3 机载激光雷达点云数据滤波算法 |
| 3.3.1 三角网渐进滤波算法 |
| 3.3.2 数学形态滤波算法 |
| 3.3.3 坡度滤波算法 |
| 3.4 顾及地形的布料模拟滤波算法 |
| 3.4.1 点云数据的场景分类 |
| 3.4.2 顾及地形特征的布料模拟滤波算法 |
| 3.5 滤波精度评定 |
| 3.6 本章小结 |
| 第4章 机载激光雷达点云数据生成DEM研究 |
| 4.1 数字高程模型 |
| 4.1.1 规则格网数据结构 |
| 4.1.2 不规则格网数据结构 |
| 4.1.3 混合数据结构 |
| 4.2 机载激光雷达点云数据插值算法原理 |
| 4.3 机载激光雷达点云数据插值算法特性 |
| 4.4 机载激光雷达点云数据插值算法 |
| 4.4.1 反距离加权插值法 |
| 4.5 基于TIN改进的前沿推进算法 |
| 4.5.1 不规则三角网的概念 |
| 4.5.2 Delaunay三角网 |
| 4.5.3 基于地形特征的前沿推进算法 |
| 4.6 DEM精度评定 |
| 4.7 本章小结 |
| 第5章 系统设计与实现 |
| 5.1 系统开发环境 |
| 5.2 系统总体设计 |
| 5.3 开发工具简介 |
| 5.3.1 点云数据PCL库 |
| 5.3.2 基于QT界面的图形显示 |
| 5.3.3 LibLAS库 |
| 5.4 机载激光雷达实验数据 |
| 5.5 机载激光雷达数据一体化系统 |
| 5.5.1 点云系统界面 |
| 5.5.2 点云数据显示和点云数据赋色 |
| 5.5.3 点云数据的编辑 |
| 5.5.4 点云数据格式转换 |
| 5.5.5 点云数据去噪 |
| 5.5.6 点云数据滤波 |
| 5.6 点云数据生成数字高程模型 |
| 5.7 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 个人简历、申请学位期间的研究成果及发表的学术论文 |
| 致谢 |
（3）无人机倾斜影像密集匹配点云的处理与应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究的背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 倾斜摄影测量现状 |
| 1.2.2 影像匹配密集点云现状 |
| 1.2.3 点云数据处理技术研究现状 |
| 1.3 论文内容及结构安排 |
| 1.3.1 论文技术路线 |
| 1.3.2 论文组织结构 |
| 第二章 倾斜摄影测量密集匹配点云的原理 |
| 2.1 相机成像模型 |
| 2.1.1 坐标系统 |
| 2.1.2 相机标定 |
| 2.2 特征点提取与匹配 |
| 2.3 基本矩阵和本质矩阵求解 |
| 2.4 三角测量 |
| 2.5 光束法平差 |
| 2.6 多视影像密集匹配 |
| 第三章 影像匹配点云的生产流程 |
| 3.1 研究区概况 |
| 3.2 点云数据获取 |
| 3.2.1 数据获取 |
| 3.2.2 无人机倾斜影像密集匹配点云的获取 |
| 3.2.3 影像匹配点云的精度检验 |
| 3.3 本章小结 |
| 第四章 影像匹配点云的滤波与分类 |
| 4.1 影像匹配点云与LIDAR点云的特点 |
| 4.1.1 无人机倾斜影像匹配点云的特点 |
| 4.1.2 Li DAR点云获取的基本原理和特点 |
| 4.2 点云粗差剔除 |
| 4.2.1 粗差点分类 |
| 4.2.2 点云粗差剔除的主要算法 |
| 4.2.3 实验与分析 |
| 4.3 点云滤波算法简介 |
| 4.3.1 坡度法 |
| 4.3.2 移动曲面拟合法 |
| 4.3.3 数学形态学 |
| 4.3.4 不规则三角网加密法 |
| 4.3.5 布料滤波 |
| 4.4 滤波实验及质量分析 |
| 4.4.1 实验地块的滤波实验 |
| 4.4.2 实验结果质量分析 |
| 4.4.3 研究区域的滤波结果 |
| 4.5 倾斜摄影测量点云分类 |
| 4.6 本章小结 |
| 第五章 影像匹配点云的应用 |
| 5.1 构建高精度的三维模型 |
| 5.2 地形测图 |
| 5.2.1 点云抽稀 |
| 5.2.2 数字高程模型和等高线的生成 |
| 5.2.3 地物数字化 |
| 5.3 成果分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间的主要研究成果 |
（4）基于点云数据的滤波与压缩方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 点云滤波研究现状 |
| 1.2.2 点云压缩研究现状 |
| 1.3 本文主要研究内容与结构安排 |
| 第2章 激光点云的基本理论 |
| 2.1 三维激光扫描系统原理及应用 |
| 2.2 激光点云的分类及数据格式 |
| 2.3 PCL库 |
| 2.4 近邻搜索与几何信息计算 |
| 2.4.1 K近邻搜索 |
| 2.4.2 几何信息计算 |
| 2.5 本章小结 |
| 第3章 改进的数学形态学滤波方法 |
| 3.1 激光点云经典滤波算法 |
| 3.2 布料模拟滤波 |
| 3.3 改进的数学形态学滤波方法 |
| 3.3.1 数学形态学滤波原理 |
| 3.3.2 滤波器参数分析 |
| 3.3.3 改进的数学形态学滤波 |
| 3.4 实验结果分析 |
| 3.4.1 实验评价指标 |
| 3.4.2 实验结果 |
| 3.5 本章小结 |
| 第4章 基于八叉树体素与改进边界提取的压缩方法 |
| 4.1 激光点云经典压缩算法 |
| 4.2 点云属性压缩方法 |
| 4.3 基于八叉树体素的点云压缩方法 |
| 4.3.1 八叉树结构 |
| 4.3.2 基于八叉树体素的点云压缩 |
| 4.4 改进边界提取的点云压缩方法 |
| 4.4.1 RANSAC拟合算法 |
| 4.4.2 点云边界信息提取 |
| 4.4.3 点云关键特征点提取 |
| 4.4.4 点云栅格压缩 |
| 4.5 实验结果分析 |
| 4.5.1 点云压缩实验评价指标 |
| 4.5.2 实验结果 |
| 4.6 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间的学术成果 |
（5）激光雷达点云高程数据滤波算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究历史及现状 |
| 1.3 研究内容及技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.4 论文结构 |
| 第二章 LiDAR点云数据及点云滤波算法介绍 |
| 2.1 LiDAR点云数据 |
| 2.1.1 LiDAR点云数据的构成 |
| 2.1.2 LiDAR点云数据的特点 |
| 2.1.3 LiDAR点云数据的组织方式 |
| 2.2 典型点云滤波算法 |
| 2.2.1 渐进不规则三角网加密滤波算法 |
| 2.2.2 简单形态学滤波算法 |
| 2.2.3 基于薄板样条插值的多分辨率分层滤波算法 |
| 2.2.4 滤波算法对比分析 |
| 2.3 本章小结 |
| 第三章 基于多级虚拟网格和形态学运算的渐进不规则三角网加密滤波算法 |
| 3.1 数学形态学相关理论 |
| 3.2 算法流程 |
| 3.3 评价方法 |
| 3.4 数据介绍 |
| 3.5 滤波结果及分析 |
| 3.5.1 定性分析 |
| 3.5.2 定量分析 |
| 3.6 本章小结 |
| 第四章 基于分割与地形自适应参数的渐进不规则三角网加密滤波算法 |
| 4.1 主成分分析法估计点云法向量相关理论 |
| 4.2 算法流程 |
| 4.3 滤波结果及分析 |
| 4.3.1 与经典PTD算法的对比分析 |
| 4.3.2 与MMPTD算法的对比分析 |
| 4.3.3 与其他滤波算法的结果对比 |
| 4.3.4 对算法中使用参数的讨论 |
| 4.3.5 对测试数据中地形分布的讨论 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（6）基于LiDAR点云数据的建筑物边缘特征提取与DEM构建方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的及意义 |
| 1.3 国内外研究现状 |
| 1.4 论文组织结构 |
| 2 机载LiDAR技术与原理 |
| 2.1 机载LiDAR系统组成及工作原理 |
| 2.2 机载LiDAR的特点 |
| 2.3 机载LiDAR的系统误差 |
| 2.4 机载LiDAR系统应用领域 |
| 2.5 本章小结 |
| 3 机载LiDAR数据滤波 |
| 3.1 实验数据 |
| 3.2 点云数据滤波 |
| 4 基于LiDAR点云数据的建筑物边缘特征自动提取 |
| 4.1 DSM影像生成 |
| 4.2 建筑物边缘特征自动提取 |
| 5 基于LiDAR点云数据的DEM构建 |
| 5.1 DEM构建之点云数据抽稀 |
| 5.2 DEM构建结果与精度评定 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简历 |
| 致谢 |
| 学位论文数据集 |
（7）高压输电线路机载LiDAR点云滤波及特征提取技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景和研究目的 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的 |
| 1.2 国内外研究现状 |
| 1.2.1 机载LiDAR数据处理研究现状 |
| 1.2.2 深度学习在点云特征提取中的研究现状 |
| 1.3 主要研究内容及技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.4 论文结构 |
| 第二章 机载LiDAR系统及数据 |
| 2.1 机载LiDAR系统组成及原理 |
| 2.1.1 机载LiDAR系统组成 |
| 2.1.2 机载LiDAR系统测量原理 |
| 2.2 机载LiDAR点云数据 |
| 2.2.1 机载LiDAR点云数据的构成 |
| 2.2.2 机载LiDAR点云数据的特点 |
| 2.2.3 机载LiDAR点云数据的组织方式 |
| 2.3 本章小结 |
| 第三章 机载LiDAR点云噪声剔除与滤波 |
| 3.1 LiDAR点云数据噪声剔除 |
| 3.2 经典LiDAR点云数据滤波 |
| 3.2.1 渐进TIN滤波方法 |
| 3.2.2 数学形态学滤波方法 |
| 3.3 结合数学形态学和渐进TIN的滤波算法 |
| 3.3.1 算法原理 |
| 3.3.2 实验结果分析 |
| 3.4 本章小结 |
| 第四章 基于深度学习的机载LiDAR点云的特征提取 |
| 4.1 深度学习 |
| 4.2 LiDAR点云的深度学习框架-Point Net |
| 4.3 改进的Point Net神经网络构建 |
| 4.3.1 本文算法原理 |
| 4.3.2 多尺度的网络构建 |
| 4.4 本章小结 |
| 第五章 多尺度特征提取的模型评价及分析 |
| 5.1 实验数据 |
| 5.2 模型训练 |
| 5.2.1 模型参数 |
| 5.2.2 超参数的优化 |
| 5.3 实验结果及分析 |
| 5.4 本章小结 |
| 总结与展望 |
| 主要工作与结论 |
| 研究特色与创新 |
| 问题与展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（8）基于TLS的滑坡体数据预处理及地表特征变化探测（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 三维激光扫描技术的研究现状 |
| 1.2.2 滑坡体变化探测研究现状 |
| 1.2.3 TLS技术应用于滑坡的研究现状 |
| 1.3 论文主要研究内容 |
| 1.4 论文技术路线 |
| 第二章 TLS技术简介 |
| 2.1 TLS系统的构成 |
| 2.1.1 激光测距系统 |
| 2.1.2 激光扫描系统 |
| 2.2 TLS技术工作流程 |
| 2.3 点云数据特征 |
| 第三章 面向滑坡体的TLS点云数据采集与预处理 |
| 3.1 试验区概况与试验条件 |
| 3.1.1 试验区概况 |
| 3.1.2 试验条件 |
| 3.2 面向滑坡体的TLS点云数据采集与配准 |
| 3.2.1 TLS点云数据采集 |
| 3.2.2 TLS点云数据配准 |
| 3.3 面向滑坡体的TLS点云数据滤波试验设计 |
| 3.3.1 基于数学形态学滤波的试验设计 |
| 3.3.2 基于坡度滤波的试验设计 |
| 3.3.3 基于渐进加密不规则TIN滤波的试验设计 |
| 3.3.4 基于布料模拟滤波的试验设计 |
| 3.4 不同滤波试验结果评价 |
| 3.5 不同滤波方法对比总结 |
| 第四章 面向滑坡体的DEM构建及地表特征提取 |
| 4.1 面向滑坡体的DEM构建 |
| 4.1.1 DEM内插方法 |
| 4.1.2 DEM精度分析方法 |
| 4.1.3 DEM内插精度分析 |
| 4.2 基于Arc GIS坡向分析提取山脊线、山谷线 |
| 4.2.1 山脊线、山谷线定义 |
| 4.2.2 Arc GIS坡向计算原理 |
| 4.2.3 提取山脊线、山谷线的技术处理 |
| 4.3 基于Arc GIS坡向分析提取山脊点、山谷点 |
| 第五章 滑坡体地表特征变化探测 |
| 5.1 基于特征点的变化探测 |
| 5.2 基于特征线的变化探测 |
| 5.2.1 基于山脊线、山谷线的变化探测 |
| 5.2.2 基于地形剖面线的变化探测 |
| 5.3 基于“面”状特征的变化探测 |
| 5.3.1 DEM直接比较法 |
| 5.3.2 点云直接比较法 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录A(攻读硕士期间发表论文目录) |
| 附录B(攻读硕士期间参与的科研项目) |
（9）基于机载激光雷达的森林参数反演研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 机载激光雷达技术概要 |
| 1.2.1 测距原理及系统组成 |
| 1.2.2 主要技术参数 |
| 1.2.3 点云及处理流程 |
| 1.3 国内外研究进展 |
| 1.3.1 机载激光单木因子提取研究 |
| 1.3.2 机载激光雷达林分因子提取研究 |
| 1.3.3 机载激光雷达在林业中的其他应用 |
| 1.4 存在的问题与不足 |
| 1.5 主要研究内容 |
| 1.6 技术路线 |
| 第二章 研究区概况及数据预处理 |
| 2.1 研究区概况 |
| 2.1.1 地理概况 |
| 2.1.2 地质地貌特征 |
| 2.1.3 水文气候特征 |
| 2.1.4 矿产及土壤特征 |
| 2.1.5 植被资源 |
| 2.2 样地数据处理 |
| 2.2.1 样地数据获取 |
| 2.2.2 样地数据分析 |
| 2.3 LiDAR数据处理 |
| 2.3.1 LiDAR数据获取 |
| 2.3.2 LiDAR数据预处理 |
| 第三章 点云滤波分析 |
| 3.1 引言 |
| 3.2 研究方法 |
| 3.2.1 滤波算法 |
| 3.2.2 精度评价 |
| 3.2.3 处理流程 |
| 3.3 结果与分析 |
| 3.3.1 滤波结果分析 |
| 3.3.2 滤波精度分析 |
| 3.4 小结 |
| 第四章 CHM插值研究 |
| 4.1 引言 |
| 4.2 研究方法 |
| 4.2.1 数据预处理 |
| 4.2.2 插值算法 |
| 4.2.3 处理流程 |
| 4.3 结果与分析 |
| 4.3.1 插值效果分析与比较 |
| 4.3.2 IDW插值参数优化 |
| 4.3.3 CHM插值法和传统方法的效果比较 |
| 4.4 小结 |
| 第五章 点云分割算法研究 |
| 5.1 引言 |
| 5.2 研究方法 |
| 5.2.1 试验区数据预处理 |
| 5.2.2 单木分割算法及精度评价指标 |
| 5.2.3 处理流程 |
| 5.3 结果与分析 |
| 5.3.1 分水岭算法 |
| 5.3.2 点云聚类分割 |
| 5.4 小结 |
| 第六章 基于单木分割的林分参数反演 |
| 6.1 引言 |
| 6.2 研究方法 |
| 6.2.1 林分平均高 |
| 6.2.2 株数密度 |
| 6.2.3 胸高断面积 |
| 6.2.4 地上生物量 |
| 6.3 结果与分析 |
| 6.3.1 林分平均高反演 |
| 6.3.2 株数密度反演 |
| 6.3.3 胸高断面积反演 |
| 6.3.4 地上生物量反演 |
| 6.4 模型应用 |
| 6.4.1 模型应用思路 |
| 6.4.2 预测结果及统计 |
| 6.5 小结 |
| 第七章 基于样地的林分参数反演 |
| 7.1 引言 |
| 7.2 研究方法 |
| 7.2.1 多元线性回归模型 |
| 7.2.2 LASSO回归特征选择 |
| 7.2.3 支持向量机模型 |
| 7.2.4 人工神经网络模型 |
| 7.2.5 模型评价方法 |
| 7.3 技术路线 |
| 7.4 结果与分析 |
| 7.4.1 变量共线性检验 |
| 7.4.2 LASSO变量筛选 |
| 7.4.3 林分平均高反演 |
| 7.4.4 林分胸高断面积反演 |
| 7.4.5 林分地上生物量反演 |
| 7.5 小结 |
| 第八章 基于TCH的林分参数反演 |
| 8.1 引言 |
| 8.2 研究方法 |
| 8.2.1 TCH生成方法 |
| 8.2.2 林分平均高反演 |
| 8.2.3 林分胸高断面积反演 |
| 8.2.4 地上生物量反演 |
| 8.3 不同CHM高度阈值林分参数反演结果 |
| 8.3.0 TCH生成结果分析 |
| 8.3.1 林分平均高反演 |
| 8.3.2 林分胸高断面积反演 |
| 8.3.3 地上生物量反演 |
| 8.3.4 TCH林分参数反演模型优选结果 |
| 8.4 不同CHM像素大小林分参数反演结果 |
| 8.4.1 TCH与 CHM像素大小的关系 |
| 8.4.2 林分平均高反演 |
| 8.4.3 林分胸高断面积反演 |
| 8.4.4 地上生物量反演 |
| 8.5 TCH模型优选与应用 |
| 8.6 小结 |
| 第九章 结论 |
| 9.1 主要结论 |
| 9.2 不足与展望 |
| 参考文献 |
| 致谢 |
| 个人简历 |
（10）黄河宁夏典型河段及水库水动力与水质数值模拟研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 概述 |
| 1.2.2 水流数学模型研究现状 |
| 1.2.3 泥沙数学模型研究现状 |
| 1.2.3.1 动床阻力 |
| 1.2.3.2 水流挟沙力 |
| 1.2.3.3 推移质输沙率 |
| 1.2.3.4 恢复饱和系数 |
| 1.2.3.5 泥沙扩散系数 |
| 1.2.4 水质数学模型研究现状 |
| 1.3 主要研究内容 |
| 第二章 地形的前处理 |
| 2.1 图像拼接技术 |
| 2.1.1 SURF特征点检测 |
| 2.1.1.1 积分图像 |
| 2.1.1.2 Hessian矩阵 |
| 2.1.2 SURF特征描述 |
| 2.1.3 特征匹配 |
| 2.1.4 图像配准 |
| 2.1.5 图像融合 |
| 2.1.6 实验结果和分析 |
| 2.2 图像边缘检测 |
| 2.2.1 数学形态学基本运算 |
| 2.2.2 多尺度数学形态学的边缘检测 |
| 2.2.2.1 数学形态学的边缘检测 |
| 2.2.2.2 多尺度数学形态学的边缘检测 |
| 2.2.2.3 本文算法描述 |
| 2.2.3 实验结果和分析 |
| 2.3 DXF文件生成结果 |
| 2.4 KML文件生成结果 |
| 2.5 地形文件生成结果 |
| 2.6 小结 |
| 第三章 网格剖分技术 |
| 3.1 网格的分类 |
| 3.2 Delaunay三角化法网格的生成 |
| 3.2.1 Delaunay三角化法的原理 |
| 3.2.2 Delaunay三角化法网格生成的算法 |
| 3.2.3 Delaunay三角化法网格的关键问题 |
| 3.2.4 Delaunay三角化法网格剖分的步骤 |
| 3.2.5 Delaunay三角化法网格剖分的实现 |
| 3.3 网格地形插值技术 |
| 3.3.1 地形数据的获取 |
| 3.3.2 基于散点的网格地形插值 |
| 3.3.3 基于数字高程模型的网格地形插值 |
| 3.4 小结 |
| 第四章 水沙水质数学模型 |
| 4.1 三维水沙水质数学模型 |
| 4.1.1 水流运动方程 |
| 4.1.2 泥沙输移方程 |
| 4.1.3 水质变化方程 |
| 4.2 平面二维水沙水质数学模型 |
| 4.2.1 水流运动方程 |
| 4.2.2 泥沙输移方程 |
| 4.2.3 水质变化方程 |
| 4.3 控制方程的通用形式 |
| 4.3.1 三维水沙水质数学模型控制方程的通用形式 |
| 4.3.2 平面二维水沙水质数学模型控制方程的通用形式 |
| 4.4 小结 |
| 第五章 控制方程的离散和求解 |
| 5.1 离散方法的概述 |
| 5.2 通用控制方程的离散 |
| 5.2.1 常用的离散格式 |
| 5.2.1.1 中心差分格式(Central Differencing Scheme,CDS) |
| 5.2.1.2 一阶迎风格式(First Order Upwind Scheme,FUS) |
| 5.2.1.3 混合格式(Hybrid Scheme,HS) |
| 5.2.1.4 指数格式(Exponential Scheme,ES) |
| 5.2.1.5 乘方格式(Power Law Scheme) |
| 5.2.1.6 二阶迎风格式(Second Order Upwind Scheme,SUS) |
| 5.2.1.7 QUICK格式 |
| 5.2.2 常用离散格式的性能对比 |
| 5.2.3 二维和三维通用控制方程的离散 |
| 5.2.3.1 二维和三维问题的控制体积 |
| 5.2.3.2 二维和三维问题的离散方程 |
| 5.3 离散方程的求解 |
| 5.3.1 流场数值计算的主要方法 |
| 5.3.2 基于同位网格的SIMPLE算法 |
| 5.3.2.1 交错网格和同位网格 |
| 5.3.2.2 动量方程的离散 |
| 5.3.2.3 速度修正方程 |
| 5.3.2.4 压力修正方程 |
| 5.3.2.5 欠松弛技术 |
| 5.3.2.6 同位网格上SIMPLE算法的计算步骤 |
| 5.3.3 基于非结构网格的SIMPLEC算法 |
| 5.3.3.1 SIMPLEC算法 |
| 5.3.3.2 通用控制方程在非结构网格上的离散 |
| 5.3.3.3 动量方程的离散 |
| 5.3.3.4 速度修正方程 |
| 5.3.3.5 压力修正方程 |
| 5.3.3.6 非机构网格上SIMPLEC算法的计算步骤 |
| 5.3.4 离散方程组的求解 |
| 5.3.5 定解条件 |
| 5.3.5.1 初始条件 |
| 5.3.5.2 边界条件 |
| 5.4 小结 |
| 第六章 大柳树-沙坡头河段水沙运移数值模拟 |
| 6.1 大柳树-沙坡头河段实测数据分析 |
| 6.1.1 断面地形的分析 |
| 6.1.2 泥沙粒径的分析 |
| 6.2 大柳树-沙坡头河段平面二维水沙运移数值模拟 |
| 6.2.1 河段地形及网格划分 |
| 6.2.2 初始边界条件 |
| 6.2.3 模型的验证 |
| 6.2.3.1 水流运动数值模拟结果的验证 |
| 6.2.3.2 河床变形数值模拟结果的验证 |
| 6.2.4 模拟结果及分析 |
| 6.2.4.1 水流运动数值模拟 |
| 6.2.4.2 河床变形数值模拟 |
| 6.3 大柳树-沙坡头河段三维水沙运移数值模拟 |
| 6.3.1 河段地形及网格划分 |
| 6.3.2 初始边界条件 |
| 6.3.3 模型的验证 |
| 6.3.3.1 平面流场数值模拟结果的分析 |
| 6.3.3.2 断面流场数值模拟结果的验证 |
| 6.3.3.3 横向流速数值模拟结果的分析 |
| 6.3.3.4 输沙特性的分析 |
| 6.3.4 模拟结果及分析 |
| 6.3.4.1 水流运动数值模拟 |
| 6.3.4.2 河床变形分析 |
| 6.4 小结 |
| 第七章 鸭子荡水库水流运动和水质对流扩散数值模拟 |
| 7.1 鸭子荡水库断面实测数据分析 |
| 7.2 鸭子荡水库平面二维水流运动数值模拟 |
| 7.2.1 水库地形及网格划分 |
| 7.2.2 初始边界条件 |
| 7.2.3 模型的验证 |
| 7.2.4 模拟结果及分析 |
| 7.2.4.1 类型1的模拟结果及分析 |
| 7.2.4.2 类型2的模拟结果及分析 |
| 7.2.4.3 类型3的模拟结果及分析 |
| 7.2.4.4 类型4的模拟结果及分析 |
| 7.3 鸭子荡水库水质实测数据分析 |
| 7.4 鸭子荡水库三维水质对流扩散数值模拟 |
| 7.4.1 水库地形及网格划分 |
| 7.4.2 初始边界条件 |
| 7.4.3 模型的验证 |
| 7.4.4 模拟结果及分析 |
| 7.4.4.1 类型1的模拟结果及分析 |
| 7.4.4.2 类型2的模拟结果及分析 |
| 7.4.4.3 类型3的模拟结果及分析 |
| 7.4.4.4 类型4的模拟结果及分析 |
| 7.5 小结 |
| 第八章 结论和展望 |
| 8.1 结论 |
| 8.2 创新点 |
| 8.3 展望 |
| 参考文猷 |
| 致谢 |
| 个人简介 |
| 博士期间科研成果 |
四、基于数学形态学的TIN和GRID自动生成研究（论文参考文献）
- [1]黄土侵蚀沟道形态的高分辨率表达与分析[D]. 吴江. 西北大学, 2021
- [2]基于激光雷达点云的复杂地形DEM构建研究[D]. 宗铭铭. 桂林理工大学, 2021(01)
- [3]无人机倾斜影像密集匹配点云的处理与应用[D]. 王龙. 贵州师范大学, 2021(12)
- [4]基于点云数据的滤波与压缩方法研究[D]. 王传波. 黑龙江大学, 2021(09)
- [5]激光雷达点云高程数据滤波算法研究[D]. 杨凯. 电子科技大学, 2021(01)
- [6]基于LiDAR点云数据的建筑物边缘特征提取与DEM构建方法研究[D]. 王海洋. 山东科技大学, 2020(06)
- [7]高压输电线路机载LiDAR点云滤波及特征提取技术研究[D]. 王晨辉. 长安大学, 2020
- [8]基于TLS的滑坡体数据预处理及地表特征变化探测[D]. 詹俏. 昆明理工大学, 2020(04)
- [9]基于机载激光雷达的森林参数反演研究[D]. 郝红科. 西北农林科技大学, 2019(02)
- [10]黄河宁夏典型河段及水库水动力与水质数值模拟研究[D]. 黄凌霄. 宁夏大学, 2019(02)