点云sift matlab,基于面特征和SIFT特征的LiDAR点云与航空影像配准

LiDAR获取的数据主要是离散激光点云,具有高精度的空间几何结构信息,却缺乏光谱信息。而航空影像能够提供丰富的光谱、纹理等信息,2种数据的融合可以同时获取地物的空间信息和语义信息,有效弥补了单一数据源的不足[1],能够提高目标描述的精度。2种数据融合的前提和关键是LiDAR点云与影响的配准。目前两者配准的方法主要有3种[2],一种是利用重叠影像进行密集匹配生成匹配点云,再与LIDAR点云数据进行3D-3D模型的配准。Stamos等[3]利用SIFT特征对影像序列进行匹配,然后用SFM(Structure From Motion)恢复稀疏的三维点云,最后将影像点云和激光点云配准。Zheng等[4]首先用光束法对序列影像进行平差,然后将得到的三维点云与激光点云按照ICP(Iterative Closest Point)方法进行匹配,最后用匹配出的同名激光点坐标来优化光学影像的内外方位元素。这种方法无法进行LiDAR点云与单张影像的配准,同时生成匹配点云的过程也会产生误差和降低精度。第2种是利用LiDAR数据的高程信息等将点云数据转化成二维影像,再利用图像配准的方法进行配准。王蕾等[5]利用高斯核函数构成梯度向量,并结合互信息作为相似性测度实现配准。钟成等[6]等利用6元组松弛法实现LiDAR点云与航空影像的自动配准等。Wong等[7]先从卫星影像上提取Harris角点,再在深度影像中寻找匹配点。徐景中等[8]通过构建建筑物结构特征来完成配准。第3种是建立遥感影像与LiDAR点云之间的直接配准关系,文献[9]用直线特征建立遥感影像与激光点云的直接映射关系。本文提出了一种将面特征和SIFT特征相结合的算法,在提取面特征的基础上,利用SIFT算子[10]提取点特征完成配准,既减少了计算量,又较好地保留了面特征信息。1算法描述本文通过规则网格来组织LiDAR点云数据,利用点云的高程信息生成深度影像,采用顶帽变换[11]的方法提取地物点,进而利用区域生长提取深度影像中建筑物的面特征,同时通过聚类的方法提取航空影像中的面特征,提出了一种将SIFT算子提取的点特征与面特征相结合来完成LiDAR点云与航空影像的配准的方法。1.1点云面特征提取本文采用规则网格[12]组织点云数据,网格的宽度可以根据平均点距确定。规则网格化后生成的深度影像见图1。图1原始点云和深度影像Fig.1 Original point cloud and depth image在生成深度影像的基础上,采用顶帽变换的方法提取地物点。顶帽变换是形态学滤波[13]中的一种运算,为原图像与“开运算”的结果图之差,将之运用于LiDAR数据处理中,顶帽变换定义为高程H和高程H开运算的差,见式(1),其中S为开运算的结构元素。J=H-(HS)(1)结合多尺度滤波的思想[14],通过变换结构元素尺寸的大小进行多次顶帽变换,最终通过加权得到对地面点和地物点分类的阈值,该算法具有一定的自适应性,能较好地分割地面点和地物点,提取结果见图2。图2地物点提取结果Fig.2 The extraction results of location point提取地物点后,采用区域生长[15]的方法进行最后的建筑物面特征提取[16]。建筑物的屋顶一般连续且变化较小,而植被的点是离散的,高程相差较大,并且植被的面积一般较小,因此可以通过区域生长得到不同的区域,再设置不同的阈值来提取建筑物的面特征。区域生长的基本思想是将具有相似性的点集合起来构成区域。本文中设置生长准则为2点间的距离和高程差均小于一定阈值。区域生长结束后,得到的结果