大场景激光点云下建筑目标高效分割与优化算法

本文主要探讨了一种针对大场景内建筑物点云提取与平面分割的创新算法。该方法首先利用半径渐变的主成分分析（PCA）技术，对每个激光点云中的点进行深入分析，确定其局部几何特征，包括最佳半径、法向量和维度特征。这些特征有助于区分地面点和非地面点，如建筑物。 在预处理阶段，通过基于几何特征的策略，剔除地面点，留下非地面点，并采用距离聚类的方式将剩余的点分组形成点云簇。这种方法允许对建筑物点云的整体特性进行有效的统计分析，从而提高识别建筑物目标的准确性。 接下来，作者引入了区域增长法作为关键分割技术，但是不同于传统的区域增长法，该方法特别考虑了点的局部特征作为生长准则。这使得分割过程更加稳定，避免了传统方法可能遇到的不稳定性问题。通过对建筑物目标进行细致的平面分割，并结合优化算法对分割结果进行后期处理，确保了分割结果的精确性和可靠性。 实验结果显示，这种方法在处理大规模激光点云数据时表现出高效性，不仅能够准确地提取和分割建筑物，而且显著提升了建筑物点云平面分割的质量，对于遥感领域中的建筑物检测与分析具有重要的实际应用价值。关键词包括遥感技术（remote sensing）、点云分割、维度特征、建筑物提取以及区域增长算法（region growing）。这项研究的工作被分类为TN958.98，并获得了较高的学术认可，发表在《中国激光》杂志上，文献标识码为A，DOI为10.3788/CJL201542.0914004。