Strip Adjustment of Airborne LiDAR Data in Urban Scenes Using Planar Features by the Minimum Hausdorff Distance
Notice bibliographique
Résumé
In Airborne Light Detection and Ranging (LiDAR) data acquisition practice, discrepancies exist between adjacent strips even though careful system calibrations have been performed. A strip adjustment method using planar features acquired by the Minimum Hausdorff Distance (MHD) is proposed to eliminate these discrepancies. First, semi-suppressed fuzzy C-means and restricted region growing algorithms are used to extract buildings. Second, a binary image is generated from the minimum bounding rectangle that covers overlapping regions. Then, connected components labeling algorithm is applied to process the binary image to extract individual buildings. After that, building matching is performed based on MHD. Third, a coarse-to-fine approach is used to segment building roof planes. Then, plane matching is conducted under the constraints of MHD and normal vectors similarity. The last step is the calculation of the parameters based on Euclidean distance minimization between matched planes. Two different types of datasets, one of which was acquired by a dual-channel LiDAR system Trimble AX80, were selected to verify the proposed method. Experimental results show that the corresponding planar features that meet adjustment requirements can be successfully detected without any manual operations or auxiliary data or transformation of raw data, while the discrepancies between strips can be effectively eliminated. Although adjustment results of the proposed method slightly outperform the comparison alternative, the proposed method also has the advantage of processing the adjustment in a more automatic manner than the comparison method.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».