CN109523554A - 一种基于木构件的古建筑点云自动分割方法 - Google Patents

Abstract

本发明公开了一种基于木构件的古建筑点云自动分割方法，针对目前从三维激光扫描点云中基于古建筑木构件分割自动化程度较低的现状，提出一种自动对古建筑进行精确、快速分割的新方法。该方法首先基于点云数据通过聚类方法提取柱列截面点云，然后提取柱构件参数，再基于柱构件参数对古建筑点云数据自动转正，然后通过区域增长的方法对古建筑木柱构件点云进行分割，再利用古建筑几何结构知识、尺寸信息等基于包围盒的方法对梁、枋等木构件点云进行分割，相比传统的手动对构件进行点云分割，本发明提供的方法能够提升效率，简化算法。

Description

一种基于木构件的古建筑点云自动分割方法

技术领域

本发明涉及到一种建筑领域，具体的涉及一种基于木构件的古建筑点云自动分割方法。

背景技术

由于三维激光扫描测量技术具有快速、准确、非接触等特性，使得其在古建筑数字化 保护领域中具有重要的社会和经济意义。但由于古建筑结构复杂、场景规模宏大且三维激 光雷达点云具有数据量大、离散性、噪声和漏洞严重等特性，快速、高效、自动的古建筑三维点云数据处理仍是极富挑战性的难题。古建筑数字化保护的诸多应用如古建筑的建筑信息模型(Building Information Modeling，简称BIM)、古建筑形变监测、古建筑数字化存档等，数据处理的第一步需要先从古建筑点云中分割出构件点云。目前分割构件点云的方法主要是利用第三方软件平台手动的对古建筑点云数据进行木构件分割。这种手动分割的效果并不理想、且费时费力，但目前自动对古建筑进行分割的方法还不太成熟，存在欠分割或过分割的现象以及分类难的问题，且其效率普遍较为低下。如何将古建筑点云数据基于木构件自动分割是当前需要解决的热点和难点问题之一，也是本研究的重点。

点云数据分割算法，国内外学者对此进行了大量的研究。Filin对每个点定义四维特征 向量，然后采用非监督分类的算法进行聚类，但是该方法效率不高，对噪声点较为敏感。 Rabbani提出了基于光滑限制条件的散乱三维点云区域增长分割算法，Perera也对该方法 进行了研究，在区域增长过程中，那些法向量一致且离拟合平面距离和当前点距离相近的 点被增加到区域中，拟合平面也随之调整。区域增长的分割方法具有简单高效的特点，但 它易受噪音点的干扰，容易产生过分割。Schnabel提出了一种基于模型分割的方法，该文 献采用RANSAC方法检测平面、球、圆柱等基础模型，但是对于复杂的曲面却难以适用。Oude Elberink采用霍夫变换进行区域增长法的种子点的选取，对形状复杂对象不适用。Geibel结合主成分分析和区域增长法来对机载激光扫描数据进行了分割，此类方法虽然继承了各类方法的优点，但是对于较为复杂的古建筑类点云数据效果不佳。赵江洪提出了一种古建筑点云分割GOAF算法，该方法利用了区域生长与模型拟合相结合的一种混合分割方法对古建筑点云数据进行分割，但其分割结果却不太理想。张良培提出了一种基于分裂合并的多模型拟合的点云分割方法，在无须提前设置模型数目的情况下实现点云的自动分割，但它适用对象是具有平面、柱面等模型的室内点云数据，没考虑基于建筑构件的点云分割。综上所述，基于构件的点云数据自动分割算法有待进一步深入研究。

古建筑和现代建筑完全不同，它是由成千上万的柱、础、枓、栱、梁、瓦等木构件按照一定的拼接顺序组装成高大宏伟的建筑物，建筑过程不用一钉一铆，全靠枓栱和柱梁镶嵌穿插相连，现有的点云分割方法不能很好的满足古建筑木构件点云分割的目的，需要基于古建筑自身的特点研究相应的点云自动分割方法。

发明内容

本发明的一个目的是解决至少上述问题和/或缺陷，并提供至少后面将说明的优点。

本发明提供所述的一种基于木构件的古建筑点云自动分割方法，相比传统的手动对构 件进行点云分割，本发明提供的方法能够提升效率，简化算法。

为了实现根据本发明的这些目的和其他优点，提供了一种基于木构件的古建筑点云自 动分割方法，包括以下步骤：

第一步、利用扫描仪对古建筑进行扫描，形成三维点云数据；

第二步、对点云数据进行预处理，所述预处理包括：去除点云数据噪音点、结构构件 的欧式聚类、结构构件参数的近似估计以及转正处理；

第四步、对转正后结构构件的点云数据进行点云数据分割，点云数据分割包括以下步 骤：

A、判断是否有结构构件需要分割；

B、如果需要分割，则建立AABB构件包围盒，并输入构件的几何信息，然后将对应构件进行点云数据分割，分割完成后返回A步骤；如果不需要分割，则直接结束。

优选的是，建立KD树进行去噪处理，可以设定半径进行搜索去噪。

优选的是，所述点云数据分割分为两步，先对柱形木构件进行点云数据分割，然后再 对梁、枋木构件进行分割，先对较为简单的构件进行分割，再对其余构建分割，能够简化分割过程，提高效率。

优选的是，所述包围盒为AABB包围盒，根据需求选择适合的包围盒。

优选的是，所述构件的几何信息通过设计图或现场勘测获取。

优选的是，所述转正处理是将结构构件点云数据中的Z轴均变为垂直于地面，使构件 的点云数据Z轴垂直地面，可以三维计算简化为二维运算。

优选的是，所述点云数据分割前还需再次对结构构件参数进行近似估计。

优选的是，结构构件参数近似估计时，可进行多次迭代，使求的数值更为精确。

方法原理：先对古建筑进行扫描，形成点云数据，再依次对点云数据进行去噪处理、 欧式聚类、构件参数近似估计以及转正处理，使Z轴垂直于地面，之后只需考虑X、Y轴，最后建立AABB包围盒，对具体的构件进行点云数据分割，先将柱构件的点云数据分割出来，再对其他构件进行点云数据分割。

本发明至少包括以下有益效果：相比传统的手动对构件进行点云分割，本发明提供的 方法能够提升效率，简化算法。

本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明 的研究和实践而为本领域的技术人员所理解。

附图说明

图1为本发明的去除噪点示意图；

图2为本发明的柱构件近似估计时圆柱参考模型；

图3位本发明的柱构件近似估计时空间变换示意图；

图4位本发明的进行点云数据分割时圆柱中心投影示意图；

图5位本发明的进行点云数据分割时空间直线延长线上数据点的坐标求解图；

图6位本发明的进行点云数据分割时计算包盒在XOY平面内的投影点坐标；

图7位本发明的进行点云数据分割时分割构建的最小包围盒；

图8位本发明的进行点云数据分割时包围盒提取的初步结果；

图9位本发明的其中一个实施例的原始实验数据；

图10位本发明的其中一个实施例的实验数据初步的提取效果；

图11位本发明的其中一个实施例的包围盒分割效果；

图12位本发明的其中一个实施例的实验数据最终分割效果；

图13为本发明的方法流程示意图；

其中，1为红色，2位橙色，3为黄色、4为绿色，5为蓝色，6位紫色，8为粉红色，9

具体实施方式

下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能 够据以实施。

应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不配出一个或多个其它元件或其组合的存在或添加。

如图13所示，提供了一种基于木构件的古建筑点云自动分割方法，包括以下步骤：

第一步、利用扫描仪对古建筑进行扫描，形成三维点云数据；

第二步、对点云数据进行预处理，所述预处理包括：去除点云数据噪音点、结构构件 的欧式聚类、结构构件参数的近似估计以及转正处理；

第四步、对转正后结构构件的点云数据进行点云数据分割，点云数据分割包括以下步 骤：

A、判断是否有结构构件需要分割；

B、如果需要分割，则建立AABB构件包围盒，并输入构件的几何信息，然后将对应构件进行点云数据分割，分割完成后返回A步骤；如果不需要分割，则直接结束。

建立KD树进行去噪处理，可以设定半径进行搜索去噪。

所述点云数据分割分为两步，先对柱形木构件进行点云数据分割，然后再对梁、枋木 构件进行分割，先对较为简单的构件进行分割，再对其余构建分割，能够简化分割过程，提高效率。

所述包围盒为AABB包围盒；所述构件的几何信息通过设计图或现场勘测获取；所述 转正处理是将结构构件点云数据中的Z轴均变为垂直于地面，所述点云数据分割前还需再 次对结构构件参数进行近似估计；结构构件参数近似估计时，可进行多次迭代。

具体操作如下：

第一步、利用站载三维激光扫描仪采集古建筑的点云数据，并进行预处理，具体操作 如下步骤：

A、点云数据去噪

由于点云数据处理算法对噪声极为敏感，本方法需先对点云的噪声点进行处理，处理 的方法为：

如图1所示，先构建kd-tree，以便对每个数据点的邻近域进行获取，设定r作为kd-tree的搜索半径，然后通过kd-tree对每个数据点进行以r为半径的邻域搜索的操作， 获取半径为r内的所有数据点，如果该邻域内数据点的个数n小于指定阈值n₀，即认为该 数据点为噪声点。

B、点云数据欧式聚类

对去噪之后的点云数据，分别求解其在X、Y、Z三个维度上的最小、最大值，依次设为X_min,X_max,Y_min,Y_max,Z_min,Z_max。对于其中任意一数据点P_i(x_i,y_i,z_i)，并且满足以下条 件：

X_min≤x_i≤X_max

Y_min≤y_i≤Y_max

Z_min≤z_i≤Z_max

对于任一点的Z坐标z_i做如下处理：z_i-Z_min，使得每个数据的Z坐标的值均不小于0。设梁距离地面的高度为H_c，考虑到建筑物点云数据的特点，在不影响实验结果的前提下，本研究选取满足条件H_c/2-0.3≤Z≤H_c/2+0.3的数据点，对于获取到的点云数据， 属于若干个柱构件对应的点云数据，然后根据欧氏聚类方法对其进行聚类，此时得到n个 柱构件对应的部分点云数据。

C、柱构件参数近似估计

利用上述分割出的柱构件点云数据分别提取出其对应的柱构件参数，该方法如下：

如图2所示，圆柱面上的任一数据点到圆柱的母线的距离等于圆柱的半径R，圆柱的 参数方程由7个参数组成，包括轴线上一点P₀以及轴线的方向向量，设轴线向量为(a,b,c)， 圆柱的半径为R。根据文献所提供的原理方法对该7个参数赋予初始值，即满足如下关系：

a＝1，b＝1，c＝1，R＝0.1

由于各个参数之间的相关性很大，列误差方程：

以及条件方程：

a²+b²+c²＝1

根据上式可以得到参数的近似解，再根据变换后的误差方程：

V＝P_iP²-R²

进行多次迭代，即可以求得这7个参数的精确值。

D、点云数据的转正处理

先对柱的轴向量方向不一致问题进行处理。若存在向量N₁(n_1x,n_1y,n_1z)， N₂(n_2x,n_2y,n_2z)，N₃(n_3x,n_3y,n_3z)，N₄(n_4x,n_4y,n_4z)，设N₅(0,0,1)，对于上述向量 N_i(n_ix,n_iy,n_iz)，依据余弦定理，如果满足N₅.N_i<0，那么对N_i作如下处理： N_i(-n_ix,-n_iy,-n_iz)，否则不作处理。将处理后的向量相加，然后进行单位化处理，设得到 的向量为然后建立以该向量为Z轴的转正之后的坐标系。依据罗德里格 矩阵方法，计算点云所在的坐标系和转正之后坐标系中两向量间的旋转矩阵，公式如下：

如图3所示，假设旋转前的单位向量为a(a₁,a₂,a₃)，旋转之后的向量为b(b₁,b₂,b₃)。 依据余弦定理得，两向量间的夹角为：

由空间几何的基本原理易知，两向量的旋转轴为：a×b，并设为N_r(n_rx,n_ry,n_rz)，为方便后续处理，此处设其为单位向量。设该旋转矩阵为R(θ)，则满足如下关系：

其中E为3阶单位矩阵，为旋转轴的反对称矩阵，其具体的表达为:

将与N₅分别替换上式中的与即可求解到对应的空间旋转矩阵。

利用该旋转矩阵对点云数据进行空间变换，旋转之后的点云数据与地面垂直。点云坐 标经过空间变换后，很难保证数据点在Z维度上均大于等于0，所以需再次解算点云数据 的AABB型包围盒。假设其包围盒的最小点坐标为P_min(x_min,y_min,z_min)，根据该坐标值对点云数据在Z方向进行平移，设平移的尺度为L_Z，则L_Z满足如下关系：

L_Z＝-z_min

经过上述的预处理阶段，点云数据垂直于地面且数据点的z坐标值均大于等于0。

第二步、基于圆柱参数的柱构件点云分割

数据经过预处理后，还需再次对点云数据的柱参数进行估计，同样依据上文的方法， 分别求解柱子的参数方程，假设圆柱的7个参数分别为：(x_c，y_c，z_c，n_cx,n_cy,n_cz,r_c)，(x_c,y_c,z_c)圆柱轴线上的一点，第4至第6个参数表示轴线的方向向量，第7个参数表示 圆柱的半径。依据空间直线方程的基本理论知识易知，该轴线方程的表达式为L_c：

n_cx(X-x_c)+n_cy(Y-y_c)+n_cz(Z-z_c)＝0

对于任意一数据点P_i(x_i,y_i,z_i)，满足z_i≤H_c，作如下处理：计算该数据点到直线L_c的 距离，设Lc的表达式可由Ax+By+Cz+D＝0来表示，由空间点到直线的距离公式易知则满足 如下关系：

为避免对柱的分割造成欠分割，对柱子的半径设定一阈值。如果d_c满足如下关系：

r_c-r_th≤d_c≤r_c+r_th

那么认为该数据点为柱上的一点，考虑到实际的柱并不是严格的圆柱，经过大量的实 验，r_th一般取0.02为宜，这样既能避免欠分割也能避免过分割现象。

第三步、基于包围盒的梁、枋木构件点云分割

A、木构件点云包围盒的构建

对柱构件点云分割后，还需进一步对梁、枋等构件进行分割。为了避免建筑物屋顶对 此类构件分割造成的影响，需先对屋顶点云进行过滤，对提取柱之后的点云数据作如下处 理：对于任意一数据点P_i，如果满足z_i>H_c，则该数据点则属于建筑物屋顶。如果 H_c/2≤z_i≤H_c,(梁的高度一般介于H_c/2～H_c之间)则做如下操作：

假设古建筑柱构件的参数方程的圆心坐标在XOY平面内的投影坐标分别为 P₁，P₂…P_2n，为了体现算法对各种类型亭子点云数据的适用性，为了方便计算，不妨令 n＝3。

如图4所示，对于该6个投影点作如下处理，遍历每个数据点的x、y坐标值，可以 得到上述6个点在该平面内的最小外包矩形，设构成该最小外包矩形的四个值分别为： x_min、x_max、y_min、y_max。从底边开始沿逆时针方向，依次遍历每一个数据点即可求解出 该投影后的圆心

坐标所构成矩形所对应的4个顶点，如上图中的数据点P₁、P₂、P₃、P₄所示，并由这 4个点依次构成矩形V₁₂₃₄。

对于P₁、P₂构成的直线段设为L₁₂。如图5所示，对于该直线作如下处理。假设梁的长为L_b，一般可以取L₀，且满足L₀≥L_b。L_b即为数据点P′₁，P′₂之间的距离。

以计算P′₂为例，设P₁，P₂之间的直线距离为L₁，设P₂与P′₂之间的距离为L₂，P′₂相对于P₂在 X、Y维度上的偏移量分别设为x_c，y_c。由空间基本理论知识易知：

x_c＝(x_p2-x_p1)*L₁/L₂

y_c＝(y_p2-y_p1)*L₁/L₂

则此时P′₂的坐标解算的结果为：(x_p2+x_c，y_p2+y_c)，由于P′₁坐标与P′₂的求解过程几乎一致，此处不再敖述，P′₁的坐标解算的结果为：(x_p1-x_c，y_p1-y_c)。

其中：L₂＝(L_B-L₁)/2。

同样，由于以上4个数据点的解算过程相似，本研究以计算P_v4为例。

如图6所示：由三角形的基本理论知识，设P′₁、P′₂在XOY平面内的坐标分别为：(x′₁，y′₁)，(x′₂，y′₂),则有：

设P′₂P_v4之间的距离为L₃(梁的宽度为P_v3P_v4之间的距离)，设P_v4的坐标为(x_v4,y_v4)，依据几何原理可以求解其坐标为：x_v4＝x′₂-L₃*sinθ，y_v4＝y′₂-L₃*cosθ。

同理易知P_v1、P_v2、P_v3的坐标解算结果分别为：

x_v1＝x′₁+L₃*sinθ

y_v1＝y′₁-L₃*cosθ

x_v2＝x′₂-L₃*sinθ

y_v2＝y′₂+L₃*cosθ

x_v3＝x′₃-L₃*sinθ

y_v3＝y′₃+L₃*cosθ

构建分割构件的包围盒，设P_v5、P_v6、P_v7、P_v8在XOY平面内的投影点分别与P_v1、P_v2、P_v3、 P_v4对应。依据亭子类建筑物的特点，对于包围盒的构建，对于P_v5、P_v6、P_v7、P_v8在Z维 度上的赋值为H_c，P_v1、P_v2、P_v3、P_v4在Z维度上赋值为0。所以对构件分割的包围盒的模 型最终如图7所示：

数据点与包围盒空间位置关系判断依据为：该数据点与立方体各个面的位置关系。同 样由于构建该包围盒的6个面与数据点的位置判断方法类似，研究以平面F₁₄₈₅为例，该空 间平面由数据点P_v1，P_v4，P_v8，P_v5构成。设数据点P_v1、P_v4构成的向量为V₁₄；设数据点P_v1、P_v5构成的向量为V₁₅，设该平面的法线为N₁₄₈₅，根据空间平面方程的基本定理，由右手定理易知：

N₁₄₈₅＝V₁₄x V₁₅

为了方便计算，令N₁₄₈₅由(f_1x,f_1y,f_1z)来表示，已知平面的法线和平面上一点，则该 平面的方程可以表述为：

f_1x(X-x′₁)+f_1y(Y-y′₁)+f_1z(Z-z′₁)＝0

上式可以化简成空间平面方程的一般表达式，设为：

f_1x*X+f_1y*Y+f_1z*Z+D₁＝0

对于任一数据点P_i(x_i,y_i,z_i)，如果该数据点位于平面法线正向的一侧，则满足如下关 系：

f_ix*x_i+f_iy*y_i+f_iz*z_i+D_i>0

如果位于平面上则满足如下关系：

f_ix*x_i+f_iy*y_i+f_iz*z_i+D_i＝0

如果位于法线反向的一侧，则满足如下关系：

f_ix*x_i+f_iy*y_i+f_iz*z_i+D_i<0

如图6所示，该包围盒的6个面，前、后、左、右、上、下6个面的空间平面方程分 别由F₁，F₂，…F₆来表示，令g_i＝f_ix*x_i+f_iy*y_i+f_iz*z_i+D_i，判定数据点P_i是否位于该 包围盒内,则需要下面公式：

g₁*g₂≤0

g₃*g₄≤0

g₅*g₆≤0

B、梁、枋等木构件点云分割

根据前文求解的分割包围盒，对提取柱子后的点云数据进行切割，由于4个面的提取 方法一致，所以仅以其中一面为例，为了提高算法的稳健性，梁距离地面的高度为H_c已知， 其宽设为w_b，其长设置为L_b；枋距离地面的高度为H_f，考虑到亭子类建筑物的特点，先对任意的数据点P_i(x_i,y_i,z_i)，须满足H_c/2≤i≤H_c(梁、枋等构件距离地面的高度一般 介于此范围之间)，包围盒初步分割的结果如图8所示。

对于存在枋的亭子类数据，如果需要对数据进行进一步分割，只需对下图中的数据作 如下处理，如果H_f≤z_i≤H_c，则该数据点即为梁，否则即为枋。

实施例：

如图9所示，实验数据的基本参数为：梁距离地面的高度为2.2m，长为2.5m，宽为0.23m；枋距离地面的高度为1.9m。先利用前文的空间变换方法对该数据进行自动转正， 为了初次获取到拟合的柱构件的初始参数，依据上文算法处理，获取Z坐标值介于 0.8m-1.4m之间的数据点；然后进行欧氏聚类，通过上文圆柱参数拟合方法初步得到的结 果如表1所示。该7个参数依次为圆柱轴线上的一数据点坐标、轴线的向量以及该拟合圆 柱的半径。

表1初次拟合柱的参数

	x<sub>0</sub>	y<sub>0</sub>	z<sub>0</sub>	N<sub>x</sub>	N<sub>y</sub>	N<sub>z</sub>	I<sub>r</sub>
								柱1	2.787620	-2.876240	1.195470	0.006736	-0.001832	0.999976	0.101395
柱2	2.640230	-1.134200	2.227080	-0.004147	0.001896	-0.99999	0.101152
								柱3	1.038760	-3.040140	1.017640	-0.001337	-0.023256	-0.999729	0.101322
柱4	0.891779	-1.291600	1.044850	-0.005405	-0.004640	-0.999975	0.100969

依照前文方法，对该数据进行转正的问题转换为求向量(0.002077，-0.013917，-0.999901) 与向量(0，0，1)之间的空间变换矩阵，依据罗德里格矩阵方法解得该变换矩阵为:

对每一个数据点使用该旋转矩阵进行空间变换即可将该实验数据严格转正，由于上文 已提及到：经过该空间变换后，对于任一数据点在Z维度上的值z_i无法满足z_i≥0，故再次根据AABB包围盒使得严格转正后的点云数据满足z_i≥0。

对转正之后的数据在Z维度上对z_i≥2.2的数据点进行提取，建筑物屋顶的提取效果 如图11中的b)所示；然后依据前文方法再次对柱进行圆柱拟合，利用该参数对柱进行提取，提取的结果如图10中的a)、d)所示，为了对梁、枋等构件部分进行分割，同时对剩 余的数据点P_i(x_i，y_i，z_i)作如下处理，获取1.1≤z_i≤2.2之间的数据点。亭子数据初步被 分割成如下几个部分，分割效果如图10所示。

对点云数据进行初步分割后，梁与枋还需要做进一步分割，即需要对图10的d)进行分割，前文对分割梁的包围盒的实验过程作了极为细致的论述，该分割包围盒的效果如图11a)所示，由于该亭子数据存在梁和枋，需要对梁和枋作进一步分割，由于事先已经 对亭子数据进行了转正处理，所以只需在Z维度上对其进行切分，对于b)中的数据点 P_i(x_i，y_i，z_i)，如果满足1.9≤z_i≤2.2，则该数据点属于梁，否则属于枋，最终的结果 如图10c)所示。

实验数据最终分割如图12所示。

尽管本发明的实施方案已公开如上，但其并不仅限于说明书和实施方式中所列运用。 它完全可以被适用于各种适合本发明的领域。对于熟悉本领域的人员而言，可容易地实现 另外的修改。因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特 定的细节和这里示出与描述的图例。

Claims (8)

1.一种基于木构件的古建筑点云自动分割方法，包括以下步骤：

第一步、利用三维激光扫描仪对古建筑进行数据采集，获取三维点云数据；

第二步、对点云数据进行预处理，所述预处理包括：去除点云数据噪音点、结构构件的欧式聚类、结构构件参数的近似估计以及转正处理；

第三步、对转正后结构构件的点云数据进行点云数据分割，点云数据分割包括以下步骤：

A、判断是否有结构构件需要分割；

B、如果需要分割，则建立AABB构件包围盒，并输入构件的几何信息，然后将对应构件进行点云数据分割，分割完成后返回A步骤；如果不需要分割，则直接结束。

2.如权利要求1所述的一种基于木构件的古建筑点云自动分割方法，采用建立KD树进行去噪处理。

3.如权利要求1所述的一种基于木构件的古建筑点云自动分割方法，所述点云数据分割分为两步，先对柱形木构件进行点云数据分割，然后再对梁、枋木构件进行分割。

4.如权利要求1所述的一种基于木构件的古建筑点云自动分割方法，所述包围盒为AABB包围盒。

5.如权利要求1所述的一种基于木构件的古建筑点云自动分割方法，所述构件的几何信息通过设计图或现场勘测获取。

6.如权利要求1所述的一种基于木构件的古建筑点云自动分割方法，所述转正处理是将结构构件点云数据中的Z轴均变为垂直于地面。

7.如权利要求1所述的一种基于木构件的古建筑点云自动分割方法，所述点云数据分割前还需再次对结构构件参数进行近似估计。

8.如权利要求1所述的一种基于木构件的古建筑点云自动分割方法，结构构件参数近似估计时，可进行多次迭代。