浙江工商大学
硕士学位论文
基于二维激光雷达的自动室内三维重建系统
姓名：苏胜利
申请学位级别：硕士
专业：通信与信息系统
指导教师：任志国
20070101
速度为３０．６ｋｍ／ｈ，越野环境白天行驶最高速度为２４ｋｎｇｈ，夜间行驶最高速度为１５ｋｍ／ｈ，同时支持ｌ临场感遥控驾驶及战场侦察等功能。
图１－１ＡＬＶＬＡＢＩ
图Ｉ－２ＡＬＶＬＡＢＩＩ
１．１．４ＡＬＶ研究的关键技术
ＡＬＶ是一个综合多学科、多领域的大型系统性科研项目，涉及多种理论、工程及工程技术，其研究课题可分为传感器及多传感器信息处理与数据融合方面的研究，车辆运动规划、导航与驾驶方面的研究、体系结构方面的研究。具体地说，涉及ＡＬＶ的关键技术有【４７】：
（１）视觉信息的实时处理技术
ＡＬＶ的环境的感知主要依赖视觉传感器视觉信息能否准确、实时地处理关系到车辆运行的速度和安全，对车体控制的实时性、鲁棒性具有决定性作用，故这是一关键性技术。一般而言，ＡＬＶ的视觉导航可以分为二维和三维视觉，其中由于三维视觉可以直接获得环境的三维距离信息，通过处理就可以得知ＡＬＶ
1概述 随着计算机软硬件技术的快速发展，大规模复杂场景的实时绘制已经成为可能，这也加快了虚拟现实技术的发展，又对模型的复杂度和真实感提出了新的要求。虚拟场景是虚拟现实系统的重要组成部分，它的逼真度将直接影响整个虚拟现实系统的沉浸感。客观世界在空间上是三维的，而现有的图像采集装置所获取的图像是二维的。尽管图像中含有某些形式的三维空间信息，但要真正在计算机中使用这些信息进行进一步的应用处理，就必须采用三维重建技术从二维图像中合理地提取并表达这些 三维信息。 三维建模工具虽然日益改进，但构建稍显复杂的三维模型依旧是一件非常耗时费力的工作。而很多要构建的三维模型都存在于现实世界中，因此三维扫描技术和基于图像建模技术就成了人们心目中理想的建模方式；又由于前者一般只能获取景物的几何信息，而后者为生成具有照片级真实感的合成图像提供了一种自然的方式，因此它迅速成为目前计算机图形学领域中的研究热点。 2三维建模技术 三维重建技术能够从二维图像出发构造具有真实感的三维图形，为进一步的场景变化和组合运算奠定基础，从而促进图像和三维图形技术在航天、造船、司法、考古、 工业测量、 电子商务等领域的深入广泛的应用。3基于图像的三维重建技术 基于图像的建模最近几年兴起的一门新技术，它使用直接拍摄到的图像，采用尽量少的交互操作，重建场 景。 它克服了传统的基于几何的建模技术的许多不足，有无比的优越性。传统的三维建模工具虽然日益改进，但构建稍显复杂的三维模型依旧是一件非常耗时费力的工作。考虑到我们要构建的很多三维模型都能在现实世界中找到或加以塑造，因此三维扫描技术和基于图像建模技术就成了人们心目中理想的建模方式；又由于前者一般只能获取景物的几何信息，而后者为生成具有照片级真实感的合成图像提供了一种自然的方式，因此它迅速成为目前计算机图形学领域中的研究热点。 4 基于图像重建几何模型的方法 4.1 基于侧影轮廓线重建几何模型 物体在图像上的侧影轮廓线是理解物体几何形状的 一条重要线索１当以透视投影的方式从多个视角观察某一空间物体时，在每个视角的画面上都会得到一条该物体的侧影轮廓线，这条侧影轮廓线和对应的透视投影中心共同确定了三维空间中一个一般形状的锥体１显然，该物体必将位于这个锥体之内；而所有这些空间锥体的交则构成了一个包含该物体的空间包络１这个空间包络被称为物体的可见外壳，当观察视角足够多时，可见外壳就可以被认为是该物体的一个合理的逼近。鉴于此类算法一般需要大量的多视角图像，因此图像的定标工作就变得非常复杂。 4.2采用立体视觉方法重建几何模型 基于立体视觉重建三维几何是计算机视觉领域中的经典问题，被广泛应用于自动导航装置。近年来，立体视觉 图像三维重建技术 康皓，王明倩，王莹莹 （装甲兵技术学院电子工程系，吉林长春130117） 摘要:基于图像的三维重建属于计算机视觉中的一个重要的研究方向，从提出到现在已有十多年的历史。文章首先对三维重建技术做了详细阐述，并着重从计算机图形学的研究角度对基于图像建模技术进行了综述，介绍了 具有代表性的基于图像建模的方法及其最新研究进展,给出了这些方法的基本原理， 并对这些方法进行分析比较,最后对基于图像建模技术的未来研究给出了一些建议和应解决的问题。关键词:三维建模技术；图像建模技术；计算机图形学；虚拟现实中图分类号：TP271文献标识码：A 文章编号1006-8937（2009）11-0042-02 Three-dimensional image reconstruction technique KANG Hao,WANG Ming-qian,WANG Ying-ying （ＤｅｐａｒｔｍｅｎｔｏｆＥｌｅｃｔｒｏｎｉｃＥｎｇｉｎｅｅｒｉｎｇ，ＡｒｍｏｒｅｄＩｎｓｔｉｔｕｔｅｏｆＴｅｃｈｎｏｌｏｇｙ，Ｃｈａｎｇｃｈｕｎ，Ｊｉｌｉｎ１３０１１７，Ｃｈｉｎａ） Abstract:Image-based Three-dimensional reconstruction is an important research direction in computer vision ,from now more than ten years'history.This article first describes three-dimensional reconstruction technique in detail and review image-based modeling techniques from the perspective of computer graphics research,introduce a representative of the method of image-based modeling and the latest research progress,give the basic principles of these methods,analysis and compare these methods,finally,give a number of recommendations and problems which should be solved on image-based modeling technology for future research. Keywords:three-dimensional modeling techniques;image modeling techniques;computer graphics;virtual reality 收稿日期：2009-03-19 作者简介：康皓（1978-），女，吉林长春人，硕士研究生，讲师，研 究方向：计算机辅助设计与编程。 TECHNOLOGICAL DEVELOPMENT OF ENTERPRISE 2009年6月Jun.2009 企业技术开发 第28卷
小面阵三维成像激光雷达原理样机 激光三维成像雷达作为近年来高速发展的新型遥感技术,国内研究单位的热点多集中于点源和线列探测的民用测绘领域,由于受到阵列探测器的渠道制约,面阵探测器的研究未受到重视。本系统试以基于小面阵探测器的高帧频、宽收容的激光三维主动成像雷达为探索目标,研究了实现高帧频、宽收容所涉及的关键技术,完成原理样机系统的搭建。同时,对MEMS摆镜在小型化激光三维成像雷达系统中的应用进行了研究。本文主要围绕小面阵三维成像激光雷达样机的设计要求,提出了用激光分束照明以实现发射光束与探测器像元的配准,同时采用了收发共口径的光学系统,有利于系统的小型化集成。 对于小面阵探测器的高精度激光测距技术,详细分析了激光测距的误差组成,研究了对面阵探测器的温度补偿技术、低噪声回波放大技术、恒比定时技术等,分别基于单元探测器和面阵探测器设计了高精度的测距实验,并对实验结果进行了分析。本文的主要研究成果和创新点归纳如下:(1)利用达曼光栅实现了发射激光束的分束照明,配合收发共口径的光学系统,实现了APD阵列像元和激光探测光斑的配准关系,缩小了光学头部的体积。(2)通过研究低噪声放大技术、自动温度补偿技术、恒比定时技术和峰值保持电路等,解决了小面阵探测器的并行高速处理技术,实现了小面阵探测器的厘米级高精度的测距结果。(3)在国内小面阵APD探测器三维成像工程应用领域,做出了有益的探索,在单束发射脉冲无扫描 的原理样机试验中,得到了探测目标的面阵成像数据,取得了理想的结果。 (4)对MEMS摆镜应用于小型化激光成像雷达的方案做出了分析,提出了配合二次光学扩束系统的收发共轴光学系统。
激光雷达高速数据采集系统解决方案 0、引言 1、 当雷达探测到目标后, 可从回波中提取有关信息，如实现对目标的距离和空间角度定位,并由其距离和角度随时间变化的规律中得到目标位置的变化率，由此对目标实现跟踪; 雷达的测量如果能在一维或多维上有足够的分辨力, 则可得到目标尺寸和形状的信息; 采用不同的极化方法，可测量目标形状的对称性。雷达还可测定目标的表面粗糙度及介电特性等。接下来坤驰科技将为您具体介绍一下激光雷达在数据采集方面的研究。 1、雷达原理 目标标记： 目标在空间、陆地或海面上的位置, 可以用多种坐标系来表示。在雷达应用中, 测定目标坐标常采用极(球)坐标系统, 如图1.1所示。图中, 空间任一目标P所在位置可用下列三个坐标确定: 1、目标的斜距R； 2、方位角α；仰角β。 如需要知道目标的高度和水平距离, 那么利用圆柱坐标系统就比较方便。在这种系统中, 目标的位置由以下三个坐标来确定: 水平距离D，方位角α，高度H。 图1.1 用极(球)坐标系统表示目标位置
系统原理： 由雷达发射机产生的电磁能, 经收发开关后传输给天线, 再由天线将此电磁能定向辐射于大气中。电磁能在大气中以光速传播, 如果目标恰好位于定向天线的波束内, 则它将要截取一部分电磁能。目标将被截取的电磁能向各方向散射, 其中部分散射的能量朝向雷达接收方向。雷达天线搜集到这部分散射的电磁波后, 就经传输线和收发开关馈给接收机。接收机将这微弱信号放大并经信号处理后即可获取所需信息, 并将结果送至终端显示。 图1.2 雷达系统原理图 测量方法 1）.目标斜距的测量 雷达工作时, 发射机经天线向空间发射一串重复周期一定的高频脉冲。如果在电磁波传播的途径上有目标存在, 那么雷达就可以接收到由目标反射回来的回波。由于回波信号往返于雷达与目标之间, 它将滞后于发射脉冲一个时间tr, 如图1.3所示。 我们知道电磁波的能量是以光速传播的, 设目标的距离为 R, 则传播的距离等于光速乘上时间间隔, 即2R=ct r 或 2 r ct R
探地雷达成像算法研究 摘要 探地雷达(Ground Penetrating Radar,简称GPR)集无损检测、穿透能力强、分辨率高等众多优点而成为检测和识别地下目标的一种有效技术手段。性能优良的探地雷达成像方法有助于精确定位地下目标，同时提高对目标的检测和识别能力，从而推动探地雷达在城市质量监控、地质灾害、考古挖掘、高速公路无损检测、地雷探测等各个方面得到更广泛的应用。 本文以中国电波传播研究所的探地雷达LD-2000为实验设备，从中读取探测数据。以MATLAB为软件平台，实现了探地雷达数据的显示、处理、成像几个部分。其中数据显示方式包括数据的波形堆积图，剖面面色阶图以及带数据波形图；数据处理部分包括直达波的去除、背景噪声的去除、振幅增益等；雷达成像算法部分主要采用波前成像算法和投影层析成像算法。
Imaging Algorithm of Ground Penetrating Radar ABSTRACT GPR (Ground Penetrating Radar, referred GPR) set of non-destructive testing, penetration ability, many advantages of high resolution detection and identification of underground and become the target of an effective technical means. Excellent performance GPR imaging approach helps pinpoint underground targets, while increasing the target detection and identification capabilities, thereby promoting the quality of ground penetrating radar surveillance in the city, geological disasters, archaeological excavation, highway nondestructive testing, mine detection, etc. aspects to be more widely used. In this paper, China Institute of Radiowave Propagation GPR LD-2000 for the experimental apparatus, reads probe data. MATLAB as the software platform to achieve a ground-penetrating radar data display, processing, imaging several parts. Wherein the data includes a data waveform display stacked, with a cross-sectional side view and a gradation data waveform; data processing section includes the removal of the direct wave, the background noise removal, the amplitude gain, etc.; radar imaging algorithm some of the major imaging algorithm and the wavefront projection tomography algorithms.
基于三维激光雷达技术的大比例尺地形图解决方案 一激光雷达技术 1.1 综述 激光雷达测量技术（LiDAR）是当今测绘业界先进的遥感测量手段，是继GPS空间定位系统之后又一项测绘技术新突破。自20世纪60年代末世界第一部激光雷达诞生以来，激光雷达技术作为一种重要的航空遥感技术，与成像光谱、成像雷达共同被誉为对地观测三大核心技术。迄今为止，激光雷达的研究与应用均取得了相当大的进展，已成为航空遥感领域主流之一，其应用已超出传统测量、遥感以及近景测量所覆盖的范围，成为一种独特的数据获取方式。LIDAR技术具有高精度、高分辨率、高自动化且高效率的优势，集激光扫描、全球定位系统和惯性导航系统技术于一身，同时配备高分辨率数码相机，可实现对目标的同步测量，生成高密度激光点云数据，已成为世界各国进行大面积地表数据采集的重要主流与趋势。与传统摄影测量技术相比，激光雷达技术生成三维信息更快、更准确，特别能穿透地表覆盖的森林植被快速获取地形信息的能力，具有其他技术无可比拟的优势。采用激光雷达技术获取地面及其覆盖物（植被、电力线等）的精确三维坐标,生成高精度地形信息,可作为土地利用、工程建设规划、城市管理、河海地形、水库大坝、山坡检测、防灾、矿业、农业、林业、公共管理等方面数字化、自动化等应用基础。 1.2 激光雷达技术基本原理 激光雷达是一种有效的主动遥感技术，通过发射激光脉冲及精准的量测回波所经过的时间计算传感器与目标物之间的距离，再结合飞行器姿态信息、位置信息进行相关解算和坐 .下载可编辑.
标转换可以得到高精度的三维数据。机载激光雷达系统主要由飞行平台、激光测距系统、全球定位系统（GPS）、惯性导航系统（INS）以及相关的控制存储单元组成。 激光测距系统是激光雷达的核心组成部分，通过发射、接收激光信号可以精确测量发射器和目标物的距离。激光测距一般采用方式：脉冲测距和连续波的相位差测距。连续波激光器市场上较为少见，因此现有的激光雷达系统多采用脉冲测距的方式。通过激光器发射一束窄脉冲，与目标物接触后产生反射，并通过接收器接收回波信号。由于脉冲的速度已知（光速），接收器可以精确测量脉冲发射到接收到反射信号的时间，从而获得目标物与激光器的距离，其测量精度常常可以达到毫米级。 随着激光雷达技术的发展，激光雷达的飞行平台可以根据需要和实际作业条件进行多种选择，目前常见的搭载平台有小型飞机、固定翼飞机、直升飞机、无人机、动力三角翼、无人飞艇等。 激光雷达系统工作原 .下载可编辑.
程序流图： MATLAB 源码： clc; clear all; close all; % load mri %载入mri 数据，是matlab 自带库 % ph = squeeze(D); %压缩载入的数据D ，并赋值给ph ph = phantom3d(128); prompt={'Enter the Piece num(1 to 128):'}; %提示信息“输入1到27的片的数字” name='Input number'; %弹出框名称 defaultanswer={'1'}; %默认数字 numInput=inputdlg(prompt,name,1,defaultanswer) %弹出框，并得到用户的输入信息 P= squeeze(ph(:,:,str2num(cell2mat(numInput))));%将用户的输入信息转换成数字，并从ph 中得到相应的片信息P imshow(P) %展示图片P D = 250; %将D 赋值为250,是从扇束顶点到旋转中心的像素距离。 dsensor1 = 2; %正实数指定扇束传感器的间距2 F1 = fanbeam(P,D,'FanSensorSpacing',dsensor1); %通过P ，D 等计算扇束的数据值 dsensor2 = 1; %正实数指定扇束传感器的间距1 F2 = fanbeam(P,D,'FanSensorSpacing',dsensor2); %通过P ，D 等计算扇束的数据值 dsensor3 = 0.25 %正实数指定扇束传感器的间距0.25 [F3, sensor_pos3, fan_rot_angles3] = fanbeam(P,D,... 'FanSensorSpacing',dsensor3); %通过P ，D 等计算扇束的数据值，并得到扇束传感器的位置sensor_pos3和旋转角度fan_rot_angles3 figure, %创建窗口 imagesc(fan_rot_angles3, sensor_pos3, F3) %根据计算出的位置和角度展示F3的图片 colormap(hot); %设置色图为hot colorbar; %显示色栏 xlabel('Fan Rotation Angle (degrees)') %定义x 坐标轴 ylabel('Fan Sensor Position (degrees)') %定义y 坐标轴 output_size = max(size(P)); %得到P 维数的最大值，并赋值给output_size Ifan1 = ifanbeam(F1,D, ... 'FanSensorSpacing',dsensor1,'OutputSize',output_size); %根据扇束投影数据F1及D 等数据重建图像 figure, imshow(Ifan1) %创建窗口，并展示图片Ifan1 title('图一'); disp('图一和原图的性噪比为：'); result=psnr1(Ifan1,P); Ifan2 = ifanbeam(F2,D, ... 'FanSensorSpacing',dsensor2,'OutputSize',output_size); %根据扇束投影数据F2及D 等数据重建图像 figure, imshow(Ifan2) %创建窗口，并展示图片Ifan2 disp('图二和原图的性噪比为：'); result=psnr1(Ifan2,P); title('图二'); Ifan3 = ifanbeam(F3,D, ... 生成128的输入图片数字对图片信息进行预处 用函数fanbeam 进行映射，得到扇束的数据，并用函数ifanbeam 根据扇束投影数据重建图像，并计算重建图像和原图的 结束
本技术公开了一种基于MATLAB的二维探地雷达三维成像方法，包括以下步骤：S1、对二维探地雷达进行组装和调试；S2、对采集路线中的各条车道进行数据采集；S3、三维成像模型建立；S4、对三维成像模型进行外观优化和尺寸调整；S5、三维数据导出；S6、数据格式转换；S7、三维反射电压数据模拟；S8、对最大及最小值的颜色进行设定；S9、将三维数据导入三维成像模型，得到三维成像；S10、对异常位置进行切片化显示，直观地显示出道路深层病害。本技术通过三维模型的建立与优化，形成能够容纳三维雷达数据的成像模型，在将模拟的三维数据导入后，实现三维雷达成像，并具备图像切割功能，以便观察道路内部异常图像。 权利要求书 1.一种基于MATLAB的二维探地雷达三维成像方法，其特征在于，该方法包括以下步骤： S1、准备工作：对二维探地雷达进行组装和调试，将其安装在雷达车上，确认进行数据采集的路段和采集时间，并制定数据采集计划； S2、数据采集：通过雷达车按照采集计划中的采集路线，对采集路线中的各条车道进行数据采集，为让雷达车按直线行驶，在采集左轮迹带时，将左轮轧在车道左标线上；在采集右轮迹带时，将右轮轧在车道右标线上；通过二维探地雷达配套数据处理软件Pavecheck对数据进行数据完整性检查； S3、三维成像模型建立：通过生成超立方体定义域中的数据点矩阵的方法，在MATLAB中建立用于存储三维数据的三维矩阵，作为三维成像模型；S4、模型优化：对三维成像模型进行外观优化和尺寸调整，使其符合道路外形； S5、三维数据导出：通过二维探地雷达配套数据处理软件Pavecheck对数据进行导出； S6、数据格式转换：对导出的数据进行格式转换，转换为MATLAB中三维成像模型能够识别的Excel格式数据； S7、三维反射电压数据模拟：目前采集到的单车道测线为3条，将两条测线间的数据进行线性扩充模拟，每两条测线间的数据扩充4组，提高其分辨率； S8、颜色设定：对最大及最小值的颜色进行设定；
激光雷达与激光成像雷达 一、激光雷达与激光成像雷达 一、激光雷达与激光成像雷达 人通过感觉器官感知，认识外部世界的一切。用耳朵听音乐、话音、机器的轰隆声、钟声、铃声等一切通过声音传递的信息；用手感觉温度、物体的硬软以及物质的存在；用眼睛观察外部世界的形状、颜色、运动状态、速度、位置、识别物体的种类等等。人的眼睛之所以可以看见外部世界，是因为太阳光谱中的可见光照射在物体上反射的结果。那么除了“可见光谱”之外还存在别的“不可见的光谱”吗？事实上，广义的光谱按频段的不同，有大家所熟悉的电磁波、远红外、近红外、可见光、紫外光谱，而可见光谱区中，红色的光波长最长，紫色的波长最短。而且人们已经发现不同的物质辐射不同的谱线，在特定的条件下还可以只辐射某一单一波长的谱线，当其人们发现不可见光谱区中的单一的光谱谱线具有可贵的特性的时候，就力图去产生、开发、利用这种单一光谱谱线，由此产生了激光及用于不同场合的激光系统。 视觉引发人们的形象思维，眼睛从外界事物所获取的信息量大，直接而快速，是其他感觉器官所不能代替的，这也就是古人所说的“眼见为实”的深切内涵。正是因为这个道理，人们不愿受限于“可见光”的可见，而想去探求自然光条件下所看不见的东西，如想在漆黑的夜晚，去观察外部世界，就开发出了“夜视仪”。被动“红外热成像仪”也不是依赖于可见光的反射特性去观察变幻莫测的外部世界的，而是依赖于物体本身的热辐射，无论白天或黑夜都可以用以观察人类世界的一切，而且已经是超视距的。目前最新的热成像仪，1ms内热敏成像。红外成像高速测温用来检测来复枪，其射出的弹头在弹道上飞行速度为840m/s，弹头距枪口0.914 4m处的热成像还能分辨出弹头上不同部位摩擦热的温差。 遥感仪则可以依据物体本身的辐射谱线，包括电磁波段与红外光区，远距离成像，把肉眼原本看不见的自然变化，转化为可见，以照片的形式或屏幕显示的图像，甚至动态图像的形式展现出来，这就是当今人们感兴趣的可视化技术。人们力图从各个领域做这方面的研究和开发应用。 通过眼睛人们能够确定方向——定位，作为控制手的动作的依据，当然这是受限于“视距”之内的，通过望远镜可以延伸视距；但是“定位”的精度达不到人们通用目的需要，所谓“差之毫厘，失之千里”。雷达满足了远距离定位和精度的要求，雷达源于英文Radio Detection And Ranging的缩写RADAR，于1935年问世。 当其“激光”这种波长处于红外光谱波段的“激光光源”被研究出来之后，人们自然想到利用微米波段（红外光谱波段）的光波作为信息的载体去探测、获取其他手段难于探测、观测到的目标的信息。激光雷达研制成功后，相继激光成像雷达应运而生。激光雷达的英文名字“LADAR”是Laser Detection And Ranging的缩写。激光雷达的研究是从目标探测和测距入手的，早期（1962～1976年）的研究系统被称为光雷达（Optical RADAR），并命名为LIDAR（Light Detection And Ranging）。可以说军事应用对测量系统精确度的要求日
二维及三维重建技术 2008年12月22日星期一 17:25 一、二维重建 1、多层面重建（MPR）：在CT任意断面上按需要划线，然后沿该划线将断面上的层面重组，即可获得该划线平面的二维重建图象。MPR可较好地显示组织器官内复杂解剖关系，有利于病变的准确定位。 2、曲面重建（CPR）：在容积数据的基础上，沿感兴趣区划一条曲线，计算指定曲面的所有象素的 CT值，并以二维的图象形式显示出来。曲面重建将扭曲、重叠的血管、支气管、牙槽等结构伸展拉 直显示在同一平面上，较好地显示其全貌，是MPR的延伸和发展。
二、三维重建 1、多层面容积重建（MPVR）：是将不同角度或某一平面选取的原始容积资料，采用最大密度投影（MIP）、最小密度投影（MinMIP）或平均密度投影（AIP）方法进行运算所得到重组二维图象的方法。这些二维图象可从不同角度观察和显示。 MIP是取每一线束的最大密度进行投影，反映组织的密度差异，对比度较高，临床上常用于显示具有相对较高密度的组织结构，例如注射对比剂后显影的血管、明显强化的软组织肿块等，对于密度差异较小的组织结构则难以显示。 MinMIP的方法与MIP相似，是对每一线束所遇密度最小值重组二维图象，主要用于气道的显示。 AIP法因组织密度分辨率较低，临床很少应用。
2、表面遮盖显示（SSD）：是通过计算被观察物体表面所有相关象素的最高和最低CT值并保留其影象，但超过限定CT域值的象素被当作透明处理后重组成三维图象。此技术用于骨骼系统、空腔结构、腹腔脏器和肿瘤的显示，其空间立体感强，解剖关系清晰，有利于病灶的定位。 由于受CT域值选择的影响较大，容积资料丢失较多，常失去利于定性诊断的CT密度，使细节显示不佳。域值高时易造成管腔狭窄的假象，分支结构显示少或不能显示；域值低则边缘模糊。
Li-Air无人机激光雷达扫描系统 Li-Air无人机激光雷达扫描系统可以实时、动态、大量采集空间点云信息。根据用户不同应用需求可以选择多旋翼无人机、无人直升机和固定翼无人机平台，可快速获取高密度、高精度的激光雷达点云数据。 硬件设备 Li-Air无人机激光雷达系统可搭载多种类型扫描仪，包括Riegl, Optech, MDL, Velodyne等，同时集成GPS、IMU和自主研发的控制平台。 图1扫描仪、GPS、IMU、控制平台 无人机激光雷达扫描系统设备参数见表格1： 表格 1 Li-Air无人机激光雷达扫描系统 图2 八旋翼无人机激光雷达系统图3 固定翼无人机激光雷达系统 设备检校
公司提供完善的设备检较系统，在设备使用过程中，定期对系统的各个组件进行重新标定，以保证所采集数据的精度。 图1扫描仪检校前（左）扫描仪检校后（中）检校前后叠加图（右） 图4（左）为检校前扫描线：不连续且有异常抖动；图4（中）为检校后扫描线：数据连续且平滑变化；图4（右）为检校前后叠加图，红线标记的部分检校效果对比明显。 图5从左至右依次为校正前（侧视图）、校正后（侧视图）、叠加效果图图5（左）为检校前扫描线：不在同一平面；图4（中）为检校后扫描线：在同一平面；图4（右）为检校前后叠加图。 成熟的飞控团队 公司拥有成熟的软硬件团队以及经验丰富的飞控手，保证数据质量以及设备的安全性，大大节约了外业成本和时间。
图6无人机激光雷达系统以及影像系统 完善的数据预处理软件 公司自主研发的无人机系统配备有成套的激光雷达数据预处理软件Li-Air，该软件可对无人机实时传回的激光雷达数据进行航迹解算、数据生成、可视化等。 图7 Li-Air数据预处理功能 成功案例 2014年7月，本公司利用Li-Air无人机激光雷达扫描系统进行中关村软件园园区扫描项目，采集园区高清点云以及影像数据。飞行高度200m，点云密度约50点/平方米，影像地面分辨率为5cm。通过POS数据解算，完成对点云和影像数据的整合，得到地形信息和DOM等。
CT三维重建指南 1、脊柱重建： 腰椎： 西门子及GE图像均发送至西门子工作站，进入3D选项卡 A、椎体矢状位及冠状位： a. 选择骨窗薄层图像（西门子 1mm 70s；GE 0.625mm BONE），载入3D重建，调整定位线，使椎体冠状位、矢状位定位线与解剖位置一致，并将横断位定位线与两者垂直，将三 幅图像模式改为MPR； b. 横断位作为定位相，做矢状位重建，打开定位线选项卡，点击垂直定位线，变换数字顺序，使其从右向左，选择层厚3mm，层间距3mm，方向平行于棘突-椎体轴线，两边范围 包全椎体及横突根部（一般为19层），点击确定，保存； c. 矢状位作为定位相，打开曲面重建选项卡，沿各椎体中心弧度画定位相曲线，范围包全，双击结束，选择层厚3mm，层间距3mm，变换数字顺序，使其从前向后，范围前至椎体 前缘，后至棘突根部（一般为19层），点击确定，保存。 B、椎间盘重建： a. 选择软组织窗薄层图像（西门子 1mm 30s；GE 0.625mm STND），载入3D重建，调整定位线，使椎体冠状位、矢状位定位线与解剖位置一致，并将横断位定位线与两者垂直，将 三幅图像模式改为MPR； b. 矢状位作为定位相，做椎间盘重建，打开定位线选项卡，点击水平定位线，变换数字顺序，使其从上向下，选择层厚3mm，层间距3mm，层数5层，方向沿椎间隙走行方向， 做L1/2-L5/S1椎间盘，注意右下角图像放大，逐个保存。 注意：脊柱侧弯患者，椎间盘重建过程中需不断调整冠状位定位相上矢状定位线（红色），使其保持与相应椎间隙垂直。 C、椎体横断位重建： 椎体骨质病变者，如压缩性骨折、骨转移、PVP术后等病人，加做椎体横断位重建，矢状 位图像做定位相，沿病变椎体轴向，做横断位重建，注意重建图像放大，保存。 打片： 矢状位及冠状位二维一张：8×5；椎间盘一张：6×5； 若为椎体骨质病变者，椎间盘图像不打，打椎体横断位重建图像，共两张胶片。
程序流图： MATLAB 源码： clc; clear all; close all; % load mri %载入mri 数据，是matlab 自带库 % ph = squeeze(D); %压缩载入的数据D ，并赋值给ph ph = phantom3d(128); prompt={'Enter the Piece num(1 to 128):'}; %提示信息“输入1到27的片的数字” name='Input number'; %弹出框名称 defaultanswer={'1'}; %默认数字 numInput=inputdlg(prompt,name,1,defaultanswer) %弹出框，并得到用户的输入信息 P= squeeze(ph(:,:,str2num(cell2mat(numInput))));%将用户的输入信息转换成数字，并从ph 中得到相应的片信息P imshow(P) %展示图片P D = 250; %将D 赋值为250,是从扇束顶点到旋转中心的像素距离。 生成128的图片信息 输入图片数字选择 对图片信息进行预处理，并进行展示 用函数fanbeam 进行映射，得到扇束的数据，并展示 用函数ifanbeam 根据扇 束投影数据重建图像，并 展示 计算重建图像和原图的性噪比，并进行输出 结束
dsensor1 = 2; %正实数指定扇束传感器的间距2 F1 = fanbeam(P,D,'FanSensorSpacing',dsensor1); %通过P，D等计算扇束的数据值 dsensor2 = 1; %正实数指定扇束传感器的间距1 F2 = fanbeam(P,D,'FanSensorSpacing',dsensor2); %通过P，D等计算扇束的数据值 dsensor3 = 0.25 %正实数指定扇束传感器的间距0.25 [F3, sensor_pos3, fan_rot_angles3] = fanbeam(P,D,... 'FanSensorSpacing',dsensor3); %通过P，D等计算扇束的数据值，并得到扇束传感器的位置sensor_pos3和旋转角度fan_rot_angles3 figure, %创建窗口 imagesc(fan_rot_angles3, sensor_pos3, F3) %根据计算出的位置和角度展示F3的图片 colormap(hot); %设置色图为hot colorbar; %显示色栏 xlabel('Fan Rotation Angle (degrees)') %定义x坐标轴 ylabel('Fan Sensor Position (degrees)') %定义y坐标轴 output_size = max(size(P)); %得到P维数的最大值，并赋值给output_size Ifan1 = ifanbeam(F1,D, ... 'FanSensorSpacing',dsensor1,'OutputSize',output_size); %根据扇束投影数据F1及D等数据重建图像 figure, imshow(Ifan1) %创建窗口，并展示图片Ifan1 title('图一'); disp('图一和原图的性噪比为：'); result=psnr1(Ifan1,P); Ifan2 = ifanbeam(F2,D, ... 'FanSensorSpacing',dsensor2,'OutputSize',output_size); %根据扇束投影数据F2及D等数据重建图像 figure, imshow(Ifan2) %创建窗口，并展示图片Ifan2 disp('图二和原图的性噪比为：'); result=psnr1(Ifan2,P); title('图二'); Ifan3 = ifanbeam(F3,D, ... 'FanSensorSpacing',dsensor3,'OutputSize',output_size); %根据扇束投影数据F3及D等数据重建图像 figure, imshow(Ifan3) %创建窗口，并展示图片Ifan3 title('图三'); disp('图三和原图的性噪比为：');
激光雷达技术课程报告 课程名称：激光雷达技术 班级：113121 姓名：张栋 学号：20121003790 专业：遥感科学与技术 日期: 2015 年1 月14 日
激光雷达在汽车产业和公路交通中的应用研究意义： 1.有效提高汽车的安全性能： 为保障汽车驾驶时的舒适性和安全性，世界各国对汽车防撞技术的研究和发展投入了大量的人力、物力和财力。据统计，危险境况时，如果能给驾驶员半秒钟的预处理时间，则可分别减少追尾事故的30％，路面相关事故的50％，迎面撞车事故的60％，所以现代汽车安装各类雷达系统以保障行车安全。[1] 2.检测车身零部件的精度： 激光雷达的检测系统是有着诸多优点,其中包括高精度、适用能力强以及较高的可靠性,才能够飞速的发展。激光雷达的检测技术在汽车产业中可适用的项目种类较多。激光雷达系统能够用来测量较复杂位置的尺寸。例如可以测量汽车的凸轮轴、曲轴以及阀座等零部件的长度、直线度、垂直度和密度等。这些尺寸的分辨率可达到,重复的精度可达到0.2;am。 3.通过逆向设计，节约汽车生产成本： 激光雷达扫描系统的快速成型技术主要应用于样件汽车模型的制作和模具的幵发,这项技术能够较大的缩短新产品的幵发周期,降低了开发的成本,并且能够使新产品的市场竞争力得到了提高。还能够应用在汽车的零部件上,多用于分析和检验加工的工艺性能、装配性能、相关的工装模具以及测试运动特性、风洞实验和表达有限元分析结果的实体等。利用激光雷达的非接触式测量、高精度、检测速度快等特点,在汽车车身的三维检测和幵发设计过程中,激光雷达得到了广泛的应用。利用激光雷达测量得到车身的点云数据,对车身进行逆向设计,将点云数据进行预处理,然后进行曲线、曲面、实体模型的重构,最终实现车身模型重现的目的。[2] 研究现状： 一、车载激光雷达的发展历史： 20世纪60年代，以欧美和日本为代表的一些在汽车行业领先的发达国家进行研究汽车防撞雷达。由于当时技术水平的限制，加上汽车主动防御没被完全重视的原因，尽管掀起的这股研究高潮中各个研究机构和汽车制造商合作并有了一些成果，局限于微波理论和硬件的技术水平和硬件系统的成本问题，雷达很难做到结构简单、体积轻巧和价格低廉。加上车载雷达工作的环境恶劣、干扰因素较多，当时的防撞雷达研究并不很理想。
医学图像三维重建中的关键算法 罗东礼，徐大宏，赵于前 (中南大学信息物理工程学院生物医学工程研究所，长沙410083) 摘要：本文主要讨论了基于序列图像的三维重建中的两个关键算法：特征数据点列的重采样算法与三角化算法。本文把Douglas-Peucker线性简化算法应用在特征边界的重采样上，数据的压缩比得到了明显的改善，也显著地提高了可视化速度。并使用一种简单的三角化算法，对重采样后的数据点列进行三角化，实现目标的三维重建。 关键词：图像序列，三维重建，重采样，三角化 The Algorithm about 3D Reconstruction of Image Sequences Luo Dongli，Xu Dahong，Zhao Yuqian (Institute of biomedical Engineering, School of Info-Physics Geomatics Engineering, CSU, Changsha 410083) Abstract This paper discusses two important algorithms in 3D reconstruction of image sequences, i.e. re-sampling algorithm and triangulation algorithm. An improved algorithm for Doulas-Peucker Line-Simplification is presented. This algorithm can improve the performance of re-sampling and 3D data field visualization. Triangulation is implemented by using a simple triangulation algorithm. Sequentially, 3D object reconstruction is achieved. Keywords Image Sequence, 3D Reconstruction, re-sampling, Triangulation 0 引言 随着计算机软硬件技术，以及医学成像技术的日益发展，基于数字图像技术的医学应用系统也逐渐得到了长足的发展。在这些医学应用系统中，在有效精确地提取出医学图像中相应目标特征量的基础上，进行人体组织或器官的三维重建[1,2]，是很多实用系统的基础，如基于图像的病理分析[3]、基于图像的手术导引与增强[4,5,6,8]、虚拟手术平台[7]等应用系统，因此医学图像的三维重建一直是国内外医学界及图像领域的研究与应用热点之一。 三维重建的目的是从一系列二维切片数据（图像）中得到物体的三维表示，一般使用网格的形式来表示。目前，三维重建过程中经常延用的一种经典算法是Lorensen等人于1987年提出的Marching Cubes方法[10]，其原理简单，易于实现。但这种方法计算效率低，输出的三角网格数量巨大。因此近些年来，仍然有研究者们从不同角度对该算法进行改进[9,11,12]。本文在文献[13]的基础上提出了一种改进重采样算法结合文献[9]基于轮廓的三维重建方法，运用并改进了相关算法，与直接运用文献[9]所提出的算法相比较，本文所提出并改进的方法处理速度更快，输出的三角网格数量也较少，而且三角网格的形态也比较理想。 在第1小节中对算法作了描述，第2小节总结并分析了本文所提出方法的一些性能。 1 算法描述 作者实现基于序列图像三维重建的主要思路如下： (1) 特征提取：在序列图像中提取出需要重建目标的轮廓；
Computer Science and Application 计算机科学与应用, 2019, 9(6), 1169-1182 Published Online June 2019 in Hans. https://www.doczj.com/doc/6c3161963.html,/journal/csa https://https://www.doczj.com/doc/6c3161963.html,/10.12677/csa.2019.96132 Combine Laser Scan Data with Open Street Map to Produce a Three-Dimensional Road Map Chenjing Ding, Xingqun Zhao School of Biological and Medical Engineering, Southeast University, Nanjing Jiangsu Received: Jun. 7th, 2019; accepted: Jun. 21st, 2019; published: Jun. 28th, 2019 Abstract With the continuous development of computer technology, the method to acquire spatial data has updated rapidly. Three-dimensional digital map attracts so much attention to be developed. Gene-rating a three-dimensional digital map requires a basic map. Because the Open Street Map (OSM) is open-source and free, it has received widespread attention. However, the height information of the road is very sparse in the OSM, and the mean square error is higher than 5 meters, which makes more and more researchers focus on the generation of high-precision three-dimensional maps. Due to the Light Detection and Ranging (LiDAR) point cloud’s high-precision characteristics whose average square error is about 20 cm, it can extend the OSM to generate high-precision 3D maps. This paper studies the method of OSM combined with LiDAR point cloud to generate a three-dimensional digital map. Due to the sampling characteristics of the airborne LiDAR used in the overhead view, the oc-cluded area cannot be sampled. The method proposed in this paper can solve the challenge of occlu-sion. It is composed of 3 main parts: 1) dealing with indoor area; 2) handling with outdoor area; 3) applied Weighted Hough Transform (WHT) for recalculation. The main steps for dealing with indoor area are as follows: 1) The three-dimensional road surface is projected into a two-dimensional line by orthogonal projection. 2) To find a set of road candidate points, the line is fitted by Hough Transform (HT). 3) Random Sampling the Uniform Sample Consensus (RANSAC) combined with the least squares method (LSM) is used to fit the road plane according to the obtained set of candidate points. This pa-per proposes a method for estimating the height of an indoor road using the height of the associated outdoor channel which is added up with different weights according to their projection distance. For the road with abnormal slope, the Weighted Hough Transform (WHT) is used for recalculation. This paper uses the airborne lidar point cloud (root mean square error is about 20 cm) provided by the municipal government of Cologne, Germany, to establish a three-dimensional road map for the city of Aachen. The results show that compared with the Ordering Points to Identify The Clustering Structure (OPTICS) algorithm, PHT successfully predicts 87% of the scenarios, which is greater than the 13% success rate of the OPTICS algorithm. In conclusion, the accuracy of the PHT algorithm is higher. In addition, PHT is more robust to the occlusion problem, change of point cloud density and the interfe-rence of noise points. Keywords 3D Reconstruction, Lidar, Hough Transform, 3D Map