《表1 城市景观点云数据的典型特征》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《结合全景影像的车载街景点云数据增强方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

1）本文采用基于密度DBSCAN的车载点云数据聚类方法[17]。该方法由核心对象和所有密度可达对象共同构成一个聚簇，可以检测出空间集合中任意形状的聚簇，特别适合于车载点云这样含有噪声或者空间密度分布不均的数据的聚类。经过DBSCAN聚类后，点云数据分割成不同点簇，还需进一步对点簇的类别进行判定。本文主要针对城市街景中的主要景观建筑物、电力线、电线杆及路灯和树木4种目标进行识别。在分析4种目标点云数据在高程差、XOY平面投影面积、XOY平面投影密度、法向量及维数信息等方面特点的基础上，归纳其对应的典型特征，见表1。对应点簇而言，高程差为点簇的z坐标最大值与最小值之差，将点簇中的点按照z坐标从大到小排序，该序列中5%和95%对应点的z坐标值为点簇的z坐标最大和最小值。XOY平面投影密度为点簇的点数与XOY平面投影最小外接矩形面积之比。法向量为点簇中所有点的法向量方向峰值，每一个点的法向量为该点邻域点集拟合平面的法向量。对于空间任一点，利用PCA（principal component analysis）[18]算法计算其对应的维数，分别用一维、二维及三维点描述空间点的线性、平面性及点状属性。统计点簇中一维、二维及三维点的数目，数目最多点的维数信息则为点簇的维数信息。