城市市政井盖的快速定位与提取是智慧城市部件管理中需要解决的关键性问题之一，也是城市道路养护智能化管理实现过程中待解决的技术难题。提出了一种基于移动测量系统的井盖自动定位与提取方法，利用地面粗糙度进行地面点云提取，并将地面点生成地面强度特征图像，基于改进的梯度直方图算法、主成分分析、支持向量机分类器三者结合的方法实现井盖的快速定位与提取，结合同步影像获取井盖的权属信息。基于实验数据对该方法进行定性、定量分析，基于该方法进行城市井盖自动提取的准确率可达88.495%，精确度为99%，证明了该方法的正确性、可行性与稳健性。该方法促进了道路养护部门智能化工作模式的提升，不仅降低了工作的危险系数，提高了检测精度，还将传统的外业检测转变为室内作业模式，自动化、智能化程度得到了大幅提升。

提出了一种基于几何信息的点云自动拼接方法，该方法可以在没有强度、影像等附加信息的情况下实现点云测站间的自动拼接。通过特征距离直方图提取待拼接站的特征点，然后在参考站的特征空间中进行K 临近查找得到特征点的初始匹配集合。提出相对高度和法向量的相似性度量，结合均方根距离剔除误匹配，计算得到初始转换参数，使用香农熵筛选复杂性较低的点参与迭代最临近点(ICP)精拼接。真实点云数据的实验证明，该方法可以剔除初始匹配集合中的误匹配，得到较好的初始转换参数，并提高ICP算法的效率和精度。

提出一种从地面激光点云数据中提取建筑目标并进行分割的新方法，该方法利用半径渐变的主成分分析法确定各点局部几何特征(最佳半径，法向量、维度特征)；根据几何特征将地面点从原始点云中剔除，将非地面点按距离聚类形成点云簇，并对点云簇进行整体特征分析，识别建筑物目标；依据点的局部特征设置区域增长法生长准则对建筑物目标进行平面分割并对分割结果进行优化。实验结果表明，该方法不仅能快速有效提取大场景中的建筑物目标进行分割，并且解决了传统区域增长法不稳定的问题，提高了建筑物点云平面分割的精确性和可靠性。

以国产机载激光扫描仪内较独特的扫描四棱塔镜为基础，提出了四棱镜的误差模型，并分别建立了垂直与水平方向的定位误差模型，依据该模型定性定量分析了对定位精度的影响，研究表明，四棱塔镜误差在垂直与水平方向对定位精度的影响趋势不同，均与扫描角有关，并随测距值的增大而增大。其中，垂直误差在X 方向对定位精度的影响远远大于Y、Z 方向。水平误差在Y 方向影响呈抛物线趋势，Z 方向与横滚角的影响相似。由分析可知，四棱塔镜误差对定位精度的影响较大，必须在转镜设计及加工、主机系统装调及部件集成优化、主机系统检校三个环节严格控制以消除或削弱此误差，研究该误差对机载激光雷达系统定位精度的提高有着重要影响。

鉴于激光点云和影像数据成像机理的差异以及现有配准基元的可获取性特点，通常采用基于特征的配准算法修正两者之间的转换关系，其中建筑物的边缘及角点为最常用的特征。针对城区建筑物分布密集、形状相似的问题，提出了一种基于道路线的机载激光雷达数据和高分辨率航空影像自动配准方法。该方法充分利用点云数据提供的高程与强度信息，提取出高精度的规则化道路矢量线；根据初始外方位元素建立点云数据和航空影像的近似变换关系，以道路矢量线在航空影像的投影位置为先验知识，采用改进的道路矩形整体匹配算法得到影像中的道路中心线，获取同名线特征；以同名道路线段的首末端点作为控制信息，利用基于欧拉角的空间后方交会算法解算新的影像外方位元素，实现航空影像和激光雷达数据的配准。实验结果表明，该方法利用道路特征实现航空影像与激光雷达点云的配准，提取特征少且配准精度较高，大大提高了工作效率。

航空影像房屋提取方法的研究中大多基于灰度影像的区域生长算法, 此类算法不仅忽略了不同材质的房屋所呈现的光谱特征对提取结果的影响, 而且过于依赖种子像素的选取, 处理效率不高。 为了从高分辨率航空影像中实现房屋的自动检测, 综合利用彩色信息与屋顶材料的光谱特征, 采用影像分割原理, 研究了房屋自动检测的方法。 首先对RGB与HIS彩色空间进行转换, 利用HIS空间各分量间不相关的特点和屋顶材料光谱特征进行影像分割, 分离出红色瓦片屋顶与灰色水泥屋顶区域, 并利用标记分水岭算法实现房屋区域的初始分割; 然后计算各标记区域内的色调均值选取种子像斑样本, 进而以像斑为单元在色调分量中进行区域生长, 最后经过消除小斑和矩形拟合优化处理, 得到轮廓清晰的房屋区域。 与传统的基于像素区域分割算法相比, 该方法整个过程无需人工干预且均在一维彩色空间进行处理, 计算量明显降低, 同时采用改进的基于像斑区域生长算法能够兼顾邻近区域内像素的几何结构信息, 使算法精度得到显著提高, 采用上述方法对高分辨率航空影像进行了实验, 结果证明该方法有着较高的处理效率和准确性, 具有实用价值。

云的存在严重影响遥感影像质量。 在航空影像的获取过程中, 实时的云检测能够及时提供准确的云遮挡比例以评价影像质量, 进而指导飞行方案以获取满足质量要求的影像。 采用光谱特征阈值的方法, 通过分析云光谱的特性, 选取能够有效检测云的亮度特征I和归一化差值特征P进行组合。 为实现自动检测, 在一维Otsu自动阈值和带限定条件Otsu阈值的基础上, 设计了阈值的分级配置策略为云特征配置合适的自动阈值, 策略的主要思想是: 首先采用多级分类标准对影像进行无云、 薄云、 厚云的类别判定, 再对不同类别的影像采取不同的特征阈值配置方案, 其中厚云影像的检测需要进一步分类配置阈值。 该策略实现了有云情况下能准确检测云、 无云情况下检测不到云的应用目标。 再结合选择性自动后处理方案, 真正做到云的自动、 高效、 准确的检测。 通过与不同方法的检测结果对比分析, 表明该方法的检测效率高, 精度满足实时质量评定的要求, 通用性强。

传统的分类方法仅仅基于像素光谱特征，不适合于高分辨率遥感影像。本文提出了一种新的基于商空间理论，面向对象的高分辨率遥感影像分类方法，即综合云模型、模糊支持向量机和决策树的分层合成分类技术。针对决定分类效果的两个因素，影像分割和分类算法，分别做出了一些改进。第一，本文提出了一个自适应的基于云模型的区域增长分割策略。第二，本文提出了一个新的基于商空间理论，结合模糊支持向量机和决策树的分层合成分类技术。从实验结果来看，本文提出的方法，在分割效果上基本能满足人眼的视觉要求，在分类精度上比传统的分类方法有更高的准确性，而且能实现分类过程的自动化。

激光雷达是一种比较新的获取地面信息的方法,这种方法得到的数据不仅包括不规则间距的三维数据点云,还包括激光强度信息。现有的激光雷达数据处理方法大都是将三维数据点进行处理得到数字地面模型(DTM),对于激光强度信息的处理方法的研究比较少。针对激光雷达数据中像素级融合了三维信息和强度信息的特点,提出了一种基于高程信息平坦度的均值滤波算法。先将激光雷达的强度信息转换为灰度图像,然后在对各像素进行均值滤波处理时,融合了对应的激光雷达距离信息中该像素邻域内的高程信息。运用此算法和传统均值算法对激光雷达数据进行了处理,并且使用多种指标对处理结果进行了比较。结果表明,该算法既保持了传统均值滤波的优点,又改进了对弱边缘目标的保护。