机载LiDAR的强度归一化

为大型地理区域(如州或国家)构建点云可能需要多年的努力。通常会使用多个供应商获取 LiDAR 数据，且单一区域可能被多次 LiDAR 扫描覆盖。一个关键挑战是保持这些扫描间的一致性，包括点密度、回波次数和强度。强度在各扫描间差异可能很大，即使在重叠区域也是如此。归一化扫描间的强度以消除这些差异是昂贵且耗时的。在本文中，我们提出一种基于深度神经网络的新型点云归一化方法。我们使用高质量真实世界 LiDAR 数据集对我们的方法进行了定量与定性评估。我们将我们的方法与若干基线比较，包括标准插值方法以及直方图匹配。我们表明，在强度分布相似的地区我们的方法与最佳基线表现相当，而在强度分布不同的地区优于所有基线。源代码见 https://github.com/mvrl/lidar-harmonization 。