一种基于稀疏编码的LiDAR点云数据修复方法

摘要

本发明公开了一种基于稀疏编码的LiDAR点云数据修复方法，包括1)利用ArcGIS软件对原始点云数据重采样，获取栅格化后的点云数据形成点云数据矩阵；2)对点云数据矩阵进行掩膜矩阵提取并将掩膜矩阵应用到上述点云数据矩阵；3)通过稀疏编码的自适应学过程对步骤2)得到的点云数据矩阵中缺失的数据进行修补；4)利用加权平均对步骤3)所得字典矩阵和稀疏向量矩阵进行运算，从而完成对点云数据矩阵中缺失的数据进行修复。本发明解决了由于地形地貌比较复杂或因为高吸收性地物、航带无重叠度、地物遮挡等原因造成点云数据缺失，可以较多的保留细节特征，生成完整的DSM和DEM模型，更好地实现了后续的处理及应用。

主权项

一种基于稀疏编码的LiDAR点云数据修复方法，包括如下步骤：步骤一、利用ArcGIS软件对原始点云数据重采样，获取栅格化后的点云数据形成点云数据矩阵；步骤二、对所述点云数据矩阵进行掩膜矩阵提取并将掩膜矩阵应用到上述点云数据矩阵，即将掩膜矩阵和点云数据矩阵进行点乘；步骤三、通过稀疏编码的自适应学习过程，对步骤二得到的点云数据矩阵中缺失的数据进行修补；$\left\{{\hat{\alpha }}_{ij},\hat{D},\hat{x}\right\}=\underset{D,{\alpha }_{ij},x}{\arg \min }\lambda \left|\right|\beta \otimes \left(x-y\right)|{|}_2^2+\underset{ij}{\Sigma }{\mu }_{ij}|\left|{\alpha }_{ij}\right|{|}_0+\underset{ij}{\Sigma }\left|\right|\left(T_{ij}\beta \right)\otimes \left({\mathrm{D\alpha }}_{ij}-T_{ij}x\right)|{|}_2^2---\left(1\right)$式(1)中，λ为拉格朗日乘数，β为掩膜矩阵，y为上述点云数据矩阵，T_ij为二进制矩阵，为字典矩阵，为稀疏向量，为经修复的点云数据矩阵；具体步骤包括：3‑1)建立二进制矩阵T_ij，对输入的点云数据矩阵y及掩膜矩阵β在固定位置进行(6～10)×(6～10)矩阵提取并将提取出的(6～10)×(6～10)矩阵转换为向量的形式；3‑2)建立输出点云数据矩阵保存经修复的点云数据并将输入的点云数据矩阵y直接赋值给输出的点云数据矩阵完成初始化；3‑3)建立字典矩阵保存运算过程中产生的字典并利用外部数据集对字典矩阵初始化；3‑4)建立稀疏向量矩阵保存运算过程中产生的稀疏向量利用OMP算法求解最优化问题完成对稀疏向量矩阵的初始化：3‑5)更新字典矩阵3‑6)更新稀疏向量矩阵；3‑7)对步骤3‑5)及步骤3‑6)进行迭代，迭代次数为8～20；步骤四、利用加权平均的方法对经过步骤三后的字典矩阵和稀疏向量矩阵进行运算，对点云数据矩阵中缺失的数据进行修复，输出经修复后的点云数据矩阵。