导读:本文包含了回光强度论文开题报告文献综述及选题提纲参考文献，主要关键词:机载LIDAR,回光强度,KNN算法,BP神经网络
回光强度论文文献综述
梁宇乾,袁希平,甘淑[1]（2018）在《基于LIDAR点云回光强度信息的KNN算法与BP神经网络算法分类对比研究》一文中研究指出机载LIDA点云数据中的回光强度信息可对地物进行精细分类。KNN算法和BP神经网络算法是目前比较热门的分类算法,在数据分类方面应用广泛,对这两种算法进行了分类比较研究。将回光强度信息作为训练样本,利用两种不同的方法进行分类。实验结果表明,BP神经网络在地物的精细分类以及边界线提取方面要优于KNN算法。(本文来源于《软件导刊》期刊2018年04期）
梁宇乾[2]（2018）在《基于机载LIDAR点云回光强度对地物分类方法对比研究》一文中研究指出机载激光雷达是一种综合的主动式遥感技术,机载激光LIDAR系统是由叁部分组成的:全球定位系统、激光扫描测距系统以及动态载体姿态测量系统~([1-2])。机载LIDAR可以迅速的采集目标地物的空间叁维坐标信息,并且机载LIDAR系统所发出的脉冲激光束具有较强的穿透性,可以穿透部分林木直达地面。近年来,由于机载LIDAR技术的所具有的高效性和数据精度高等特点,所以其在地形测绘、叁维建模等多个领域以其特有的优势被广泛应用。在所有机载LIDAR采集的数据当中,其最重要的是叁维点云数据。怎样利用机载LIDAR技术对空间信息进行提取,以及根据机载LIDAR的点云数据如何进行快速高效的处理并对其进行分类,是研究者们所要攻克的难点。本文着重对时下热门的两种点云数据的分类算法进行对比研究。首先对机载LIDAR点云回光强度值进行基于法向量的改正;其次,基于改正后的点云回光强度信息通过KNN算法和BP神经网络算法对点云数据进行分类并对比研究。本文的主要研究内容如下:1.详细介绍了机载激光雷达系统的硬件结构和特点、激光雷达的工作方法、数据特性和误差源。对机载激光雷达点云数据的处理流程进行了详细的总结。2.根据机载LIDAR点云数据的特点,在前人对机载LIDAR点云的分类方法的基础上提出了基于矫正回光强度的分类方法。本文提出了一种新的考虑入射角对点云回光强度的影响的校正模型。可以有效的减少机载LIDAR在扫描目标地物时所产生的入射角对回光强度信息的影响。3.通过KNN算法和BP神经网络算法对回光强度信息校正后的点云数据进行分类研究。首先进行大量实验确定算法中阈值的最优性,并由两种算法对海量点云数据分类,验证方法的可行性。4.通过实验验证机载LIDAR点云回光强度校正模型的可行性。通过两种算法对相同条件的点云数据分类,并对其分类效果进行对比分析。实验表明,在精细分类上,由于BP神经网络拥有主动学习能力其分类效果更加理想。(本文来源于《昆明理工大学》期刊2018-03-01）
彭占伟,吴学群,王云全[3]（2015）在《点云测距误差与回光强度关系分析》一文中研究指出通过构建K近邻来计算点云的基于曲面变化度的局部离群系数SVLOF,离群系数反应了点偏离主体点云的程度,可以确定近离群点。以某地铁隧道扫描数据为例,计算点云的离群系数和近邻点的平均回光强度值,然后比对近离群点的局部离群系数及其近邻点的平均回光强度值,从而揭示近离群点和回光强度之间的联系,即光强较弱会增大测距误差。计算结果显示,近离群点以及其近邻点的平均回光强度值低于整体点云,平均回光强度值越小,离群系数越大,即点越偏离近邻点拟合平面,测距误差越大。(本文来源于《工程勘察》期刊2015年01期）
赵松,西勤,刘松林,宋海平,张振杰[4]（2013）在《基于回光强度的地面叁维激光扫描仪测距误差模型》一文中研究指出地面叁维激光扫描仪是一种新型测量仪器,其核心优势是非接触、速度快、精度高,应用领域非常广泛,而使用之前的设备检校极为重要。影响地面叁维激光扫描仪测距精度的因素很多,本文的研究以地面叁维激光扫描仪测距原理及误差来源为基础,提出一种稳健的曲线拟合算法对点云数据进行处理,建立了基于回光反射强度的地面叁维激光扫描仪测距误差模型,经实验验证取得了良好效果。(本文来源于《测绘科学》期刊2013年03期）
王力,李广云,张洪新[5]（2011）在《基于回光强度的平面标靶自动识别方法》一文中研究指出平面标靶在中长距离叁维激光扫描仪的检校、数据采集、单点测量等环节中发挥着重要作用,而平面标靶的高精度、自动化识别是在其使用中面临的一个关键问题。在分析扫描数据特点的基础上,提出一种基于回光强度的平面标靶自动识别方法。具体的步骤为:改正回光强度以消除距离的影响;基于回光强度进行阈值分割以得到平面标靶点云;提出一种基于扫描线的聚类算法,将平面标靶点云聚集在一起;采用形状检测技术排除非标靶对象;采用回光强度加权法计算平面标靶中心的叁维坐标。通过对Riegl公司的叁维激光扫描仪LMS Z620获取的实测数据进行实验,结果表明:此方法能完成标靶的快速、全自动识别,点位精度优于2 mm,能够满足测量任务的需要。(本文来源于《红外与激光工程》期刊2011年10期）
黄磊,卢秀山,梁勇[6]（2009）在《基于激光扫描回光强度的建筑物立面信息提取与分类》一文中研究指出针对车载叁维测量系统中的激光扫描仪回光强度值,提出了一种基于强度值的地物信息提取和分类方法。将回光强度值进行角度、距离统一改正,并分级显示,通过绘制地物在不同能量级上的分布曲线,确定曲线峰值对应的强度级。实验结果表明,区分不同地物分布曲线上的峰值可以实现地物的提取和分类。(本文来源于《武汉大学学报(信息科学版)》期刊2009年02期）
回光强度论文开题报告
（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：
机载激光雷达是一种综合的主动式遥感技术,机载激光LIDAR系统是由叁部分组成的:全球定位系统、激光扫描测距系统以及动态载体姿态测量系统~([1-2])。机载LIDAR可以迅速的采集目标地物的空间叁维坐标信息,并且机载LIDAR系统所发出的脉冲激光束具有较强的穿透性,可以穿透部分林木直达地面。近年来,由于机载LIDAR技术的所具有的高效性和数据精度高等特点,所以其在地形测绘、叁维建模等多个领域以其特有的优势被广泛应用。在所有机载LIDAR采集的数据当中,其最重要的是叁维点云数据。怎样利用机载LIDAR技术对空间信息进行提取,以及根据机载LIDAR的点云数据如何进行快速高效的处理并对其进行分类,是研究者们所要攻克的难点。本文着重对时下热门的两种点云数据的分类算法进行对比研究。首先对机载LIDAR点云回光强度值进行基于法向量的改正;其次,基于改正后的点云回光强度信息通过KNN算法和BP神经网络算法对点云数据进行分类并对比研究。本文的主要研究内容如下:1.详细介绍了机载激光雷达系统的硬件结构和特点、激光雷达的工作方法、数据特性和误差源。对机载激光雷达点云数据的处理流程进行了详细的总结。2.根据机载LIDAR点云数据的特点,在前人对机载LIDAR点云的分类方法的基础上提出了基于矫正回光强度的分类方法。本文提出了一种新的考虑入射角对点云回光强度的影响的校正模型。可以有效的减少机载LIDAR在扫描目标地物时所产生的入射角对回光强度信息的影响。3.通过KNN算法和BP神经网络算法对回光强度信息校正后的点云数据进行分类研究。首先进行大量实验确定算法中阈值的最优性,并由两种算法对海量点云数据分类,验证方法的可行性。4.通过实验验证机载LIDAR点云回光强度校正模型的可行性。通过两种算法对相同条件的点云数据分类,并对其分类效果进行对比分析。实验表明,在精细分类上,由于BP神经网络拥有主动学习能力其分类效果更加理想。
（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。
回光强度论文参考文献
[1].梁宇乾,袁希平,甘淑.基于LIDAR点云回光强度信息的KNN算法与BP神经网络算法分类对比研究[J].软件导刊.2018
[2].梁宇乾.基于机载LIDAR点云回光强度对地物分类方法对比研究[D].昆明理工大学.2018
[3].彭占伟,吴学群,王云全.点云测距误差与回光强度关系分析[J].工程勘察.2015
[4].赵松,西勤,刘松林,宋海平,张振杰.基于回光强度的地面叁维激光扫描仪测距误差模型[J].测绘科学.2013
[5].王力,李广云,张洪新.基于回光强度的平面标靶自动识别方法[J].红外与激光工程.2011
[6].黄磊,卢秀山,梁勇.基于激光扫描回光强度的建筑物立面信息提取与分类[J].武汉大学学报(信息科学版).2009