题目：建筑物顶面点云数据分类方法研究

机载激光雷达是一种被应用于测绘和遥感领域的新型探测系统。该系统中集成有全球定位系统、惯性测量单元、激光扫描装置以及航测遥感相机等多光谱成像装置。利用机载激光雷达通过扫描测距的方式可以获得被观测区域的激光点云数据，进而通过数据处理的方法获取被观测区域的地形、地貌以及地物在三维空间中的相关信息。建筑物是地理信息系统中的一个重要组成部分，对建筑物顶面点云数据处理方法的研究一直是机载激光雷达点云数据处理领域中的热点问题。本文通过对目前现有的建筑物顶面点云数据处理方法进行分析，寻找出现有方法的不足之处，提出新型方法对其进行改进，有效提高建筑物顶面点云数据处理的速度与精度。论文的主要研究工作及创新点如下：

1、提出了借助数字图像处理技术的建筑物顶面几何结构快速估计方法。对目前现有建筑物顶面几何结构估计方法进行分析，发现其存在运算时间过长以及无法对处于同一建筑物顶面内具有相同法向量的不同几何平面进行有效区分的问题。针对这些问题，引入数字图像处理方法对建筑物顶面点云数据所对应的高程图像进行分析，提取出顶面内各个几何平面的三维信息，从而实现对建筑物顶面几何结构进行快速、准确地估计。

2、提出了借助聚类算法组合的点云数据分类方法。对目前现有的基于K-means聚类算法的点云数据分类方法进行分析，发现利用该方法很难对点云数据中处于局部不平滑区域内的激光脚点进行有效地分类。针对这一问题，引入K-plane聚类算法对不适合利用K-means聚类算法进行处理的激光脚点进行分类。与K-means聚类算法不同，K-plane聚类算法是以平面作为聚类中心的。在点云数据处理过程中，利用K-plane聚类算法可以更有效地对处于局部不平滑区域内的激光脚点进行分类，从而得出更好的分类结果。

3、提出了基于K-plane聚类算法的点云数据分类方法。通过理论分析和实验验证的方法，发现K-plane聚类算法比K-means聚类算法更适合被用于对建筑物顶面点云数据进行分类处理的工作中。可是，由于K-plane聚类算法中聚类中心平面是无边界的，在分类过程中，在聚类中心平面的相交线区域内的激光脚点会出现一些错误分类的情况。通过提出一种快速提取真实相交线的方法，对这种错误分类情况进行有效地避免，从而实现利用K-plane聚类算法快速、有效地对建筑物顶面点云数据进行分类处理的目的。

4、提出了机载激光雷达点云数据的实时滤波方法。利用数学形态学分析方法对机载激光雷达在扫描过程中所获取到的各条扫描线分别进行滤波处理，快速分离出各条扫描线中所包含的大地表面和地面上物体在三维空间中的相关信息，再对所获得的各条扫描线的滤波结果进行组合，从而实现对利用机载激光雷达所获取到的点云数据进行实时滤波处理的目的。

5、提出了多面体建筑物的在线提取方法。利用离散平稳小波变换对机载激光雷达在扫描过程中所获取到的各条扫描线分别进行处理，快速提取出其中所包含的多面体建筑物在三维空间中的相关信息，并对各条扫描线上所分别获取到的信息进行组合，从而实现对被观测区域内多面体建筑物进行在线提取的目的。