摘要
无人机航空摄影测量在获取地表三维点云时，会受到各种不可抗性的因素，导致点云孔洞的产生，这会直接影响相关测绘产品的制作精度，从而影响了无人机点云数据的应用价值。在前期的数据处理工作中，需要对这些点云孔洞进行修补。目前，机器学习的各类模型已被广泛运用到点云孔洞的修补中，但仅使用单一的修补模型，难以保证在复杂地形孔洞处的修补精度。因此，需要一种适应性更强、精度更高的修补方法。本文以线性组合原理为基础，提出基于动态加权组合模型的点云孔洞修补方法。论文主要内容如下： 1.构建了麻雀搜索算法优化的点云孔洞修补模型。麻雀搜索算法具有极强的寻优能力，通过模拟麻雀种群觅食过程，对BP神经网络、最小二乘支持向量机、极限学习机进行模型参数的优化，并将优化前后的各组模型应用于某地表孔洞区域的修补。优化后的三组修补模型在修补精度与模型稳定性上均有较大的提升。 2.构建了动态加权组合修补模型。根据线性组合原理，将麻雀搜索算法优化后的BP神经网络、最小二乘支持向量机、极限学习机进行线性组合，构建出最优加权组合模型与方差倒数组合模型。在方差倒数组合模型的基础上，对其进行改进，提出动态加权组合修补模型，并将三组加权组合模型应用于某地表孔洞区域的修补中。动态加权组合修补模型相较于三组单一的修补模型、两组非动态的组合修补模型，具有更强的稳定性与更高的修补精度，其适应性也具有明显提高。 3.验证了动态加权组合修补模型在无人机地表点云孔洞修补中的可行性。本文利用桂林市某开挖山区的无人机实测数据进行验证，将三组单一修补模型、两组非动态的加权组合模型以及动态加权组合模型进行残差、平均绝对误差、均方误差以及均方根误差的对比与分析，并将动态加权组合模型的修补效果进行了展示。 实验结果表明，在无人机实测数据的孔洞修补中，优化后的BP神经网络、最小二乘支持向量机、极限学习机的均方根误差平均值分别为0.143m、0.152m、0.190m，最优加权组合模型与方差倒数组合模型的均方根误差平均值分别为0.100m、0.114m，而动态加权组合模型均方根误差的平均值为0.081m，验证了该模型的修补精度整体优于单一的修补模型以及非动态的加权组合模型，更能适应无人机复杂地形中的点云孔洞修补。
NETL