CN109615695B - 房屋外部的空间照片到屋顶cad图纸的自动化转换方法 - Google Patents

Abstract

本发明涉及一种房屋外部的空间照片到屋顶CAD图纸的自动化转换方法，无人机拍摄一组房屋外部照片，将获取的照片导入自动处理软件，得到数字表面高程图，进行数据算法处理后，得到光伏电站有效区域轮廓的点集和有效区域轮廓内障碍物轮廓点集坐标信息传递到CAD软件中，进行自动化绘制，输出CAD图纸。通过本发明方法，直接输出光伏电站区域的图纸，包含区域内的障碍物等信息，极大的降低了勘测风险，提高了作业效率。

Description

房屋外部的空间照片到屋顶CAD图纸的自动化转换方法

技术领域

本发明涉及一种图像处理运用技术，特别涉及一种房屋外部的空间照片到屋顶CAD图纸的自动化转换方法。

背景技术

目前光伏行业的屋顶勘测以手工测量为主，直接在CAD绘制图运用于设计。对于现在信息大数据化，数据信息采集有些辅助用无人机高空起飞拍摄照片，按传统方法将照片人为去转换为CAD所需矢量数据，费时并且精确度还得不到保证。

发明内容

本发明是针对CAD图纸需要适应现在采集数据手段的问题，提出了一种房屋外部的空间照片到屋顶CAD图纸的自动化转换方法按空间比例还原电站区域照片，最终建立CAD图纸，用于光伏系统的设计。

本发明的技术方案为：一种房屋外部的空间照片到屋顶CAD图纸的自动化转换方法，无人机拍摄一组房屋外部照片，将获取的照片导入自动处理软件，得到数字表面高程图，进行数据算法处理后，得到光伏电站有效区域轮廓的点集和有效区域轮廓内障碍物轮廓点集坐标信息传递到CAD软件中，，进行自动化绘制，输出CAD图纸；

数据算法处理的具体步骤如下：

数字表面高程图中含有由点(X_m,Y_n,H(X_m,Y_n))组成的点集，X_m为地理横坐标，Y_m为地理纵坐标，H(X_m,Y_n)为高程数据，单位为米；同时，数字表面高程图中像素点为(X_m,Y_n)，像素点的高程值为H(X_m,Y_n)，m∈(1,M)n∈(1,N)，M和N为数字表面高程图中横纵像素点的个数；

1)刺点确定：

对图片间隔进行像素阵列选点，进行了图像降采样，选择降采集倍数k，(X_m,Y_n)变化为

遍历

判断H(X_ki,Y_kj)值，当高程H(X_ki,Y_kj)≤X米，判断为无效点，X为屋顶有效高度设定值，即屋顶高度在X米以上，X米以下的点都舍弃，当高程H(X_ki,Y_kj)>X米，保留这些点作为刺点进入下一步；

2)拟合平面：

循环开始，以步骤1)中传递的每个有效刺点为一次循环，确定刺点的拟合平面；对步骤1)传递下来有效刺点中的任意一点(X_ki,Y_kj)进行该刺点的拟合平面，以(X_ki,Y_kj)为中心加上与其距离Y米的最近周围8个像素点，其中图像分辨率为a米/像素，Y/a值向上取整，则产生8个像素点(X_ki-Y/a,Y_kj-Y/a)，(X_ki-Y/a,Y_kj)，(X_ki-Y/a,Y_kj+Y/a)……(X_ki+Y/a,Y_kj+Y/a)，共9点空间点，进行平面拟合，获得平面K_ij，计算得平面K_ij与水平面倾角α，其中α<90°；

对于在刺点周围领域选点中的距离Y的设定，取决于图像分辨率和模型质量，较差的模型质量需要扩大Y值来减小误差；

3)共面点标记：

以(X_ki,Y_kj)为中心，领域进行像素点外扩，第一圈周围有8个点((X_ki-1,Y_kj-1)，(X_ki-1,Y_kj)，(X_ki-1,Y_kj+1)……(X_ki+1,Y_kj+1))，第二圈有16个点，第Q圈有8Q个点；像素点外扩遇到边界值的处理方式：从中心点外扩，依次遇到图像的右边界，上边界，下边界，左边界；每次遇到边界后，该方向停止外扩，其余方向继续外扩；

共面点标记：按步骤2)确认得到拟合平面K_ij，以及外扩点后，计算外扩点真实高程值，与代入平面K_ij后的高程值之差；以第Q圈某一像素点(X_ki-Q,Y_kj-Q)为例，H(X_ki-Q,Y_kj-Q)为该像素点的真实高程值，HK_ij(X_ki-Q,Y_kj-Q)为该像素点代入平面K_ij的高程值，

当|H(X_ki-Q,Y_kj-Q)-HK_ij(X_ki-Q,Y_kj-Q)|<Z，即实际高程与拟合平面K_ij的高程差小于Z米，判定实际点落在了拟合平面内，是共面点，标记该像素点灰度值为255，F(X_ki-Q,Y_kj-Q)＝255；

当|H(X_ki-Q,Y_kj-Q)-HK_ij(X_ki-Q,Y_kj-Q)|≥Z，即实际高程与拟合高程差大于等于Z米，认为实际点落在了拟合平面外，非共面点，标记该像素点灰度值为0，F(X_ki-Q,Y_kj-Q)＝0；

外扩结束判断和标记：当外扩到所扩的一圈上所有像素点灰度值都为0时，则停止此循环外扩；

若外扩中有一侧遇到边界值后，该侧所有像素灰度值均为0，不必进行共平面点的判断；

实际高程与拟合平面K_ij的高程差Z值的选定取决于模型质量与障碍物高度判定；

共面点标记结束后得到二值化图像；

4)轮廓确定：

引入机器视觉库OpenCV中的cvFindContours()函数，对得到二值化图像进行内部轮廓搜寻，得到最外侧轮廓像素点集Roof_ij，作为有效区域轮廓，在有效区域轮廓内，得到内部孔的轮廓点集inRoof_{ij_1}，inRoof_{ij_2}……，而内部孔轮廓点集即作为障碍物轮廓；

5)有效轮廓筛选与储存：

有效区域判断，计算点集Roof_ij包裹范围内的区域面积S′ij，为地理正投影面积值，此面积值再投影到K_ij平面后，对应真实区域面积为Sij＝S′ij/cos(α)；当平面面积Sij大于等于Sx平方米时，记为有效区域轮廓，若Sij小于Sx平方米时，舍弃该区域轮廓；

将有效轮廓的点集Roof_ij存储，供图纸生成使用，当存储库中存有有效轮廓时，设定标志位Flag＝1，当存储库中的有效轮廓为空时，设定标志位Flag＝0；

有效区域面积判定值Sx是自定义值，取决于该光伏电站项目工程中可接受的最小光伏组件排布面积；

6)至此，基于点(X_ki,Y_kj)完成了一次完整的有效区域轮廓和对应障碍物轮廓搜寻；对剩下的刺点进行判断，如刺点在有效轮廓中则对下一个刺点进行判断，如选择刺点不在有效轮廓内，则重复步骤2)～5)过程，完成轮廓搜寻，得到所有有效轮廓及障碍物轮廓。

所述步骤4)轮廓确定中的障碍物轮廓可通过自定义障碍物进行筛选，具体方法如下：

对步骤4)中得到的二值图片进行再处理，遍历轮廓点集Roof_ij包裹内所有像素点，计算其实际高程与代入平面K_ij后的高程差：

以某一像素点(X_ki-n,Y_kj-n)为例，H(X_ki-Q,Y_kj-Q)为该像素点的真实高程值，HK_ij(X_ki-Q,Y_kj-Q)为该像素点代入平面K_ij的高程值，

当|H(X_ki-Q,Y_kj-Q)-HK_ij(X_ki-Q,Y_kj-Q)|>height，

标记该点灰度值为0，F(X_ki-Q,Y_kj-Q)＝0；

当|H(X_ki-Q,Y_kj-Q)-HK_ij(X_ki-Q,Y_kj-Q)|≤height，

标记该点灰度值为255，F(X_ki-Q,Y_kj-Q)＝255，height≠Z，

得到更新版二值图像；

对更新版二值图像重新获取轮廓，获得更新版内部孔轮廓点集inRoof′_{ij_1}，inRoof′_{ij_2}……，作为轮廓Roof_ij中的障碍物轮廓点集。

本发明的有益效果在于：本发明房屋外部的空间照片到屋顶CAD图纸的自动化转换方法，拍摄的一组对象照片，通过本发明方法，直接输出光伏电站区域的图纸，包含区域内的障碍物等信息，极大的降低了勘测风险，提高了作业效率。

附图说明

图1为本发明方法中图像像素点选取用于拟合平面的选点示意图；

图2为本发明方法中以选取像素点为中心，向外辐射，按圈层定义像素的示意说明图；

图3为本发明方法中说明了像素外扩到边界值后的处理示意图；

图4为本发明方法中拟合平面立体示意图；

图5为本发明方法中领域进行像素点外扩后标识示意图。

具体实施方式

由某无人机拍摄一组房屋外部照片，保证每张照片之间的图像重叠率达到80％以上；将获取的照片导入自动处理软件，例如Context Capture；计算处理完获得DSM图片(数字表面高程图，Digital Surface Model，缩写DSM，图像中含有的是地理信息点的高度信息，可以真实地表达地面起伏情况，可理解为地形图，抽象后，DSM包含的是一系列三维数组点，高程数据等于H(X_m,Y_n)，单位为米，其中X_m为地理横坐标，Y_m为地理纵坐标)。针对DSM中的数据点进行一系列算法操作，获得光伏电站有效区域轮廓点集，和轮廓内的障碍物轮廓点集。传递该点集坐标到CAD软件，进行自动化绘制，输出CAD图纸。

一、数据算法处理：

DSM中含有的数据抽象为由点(X_m,Y_n,H(X_m,Y_n))组成的点集。X_m为地理横坐标，Y_m为地理纵坐标，H(X_m,Y_n)为高程数据，单位为米。同时，DSM也有像素点的概念，以5000*5000像素DSM图像为例，m∈(1,5000)n∈(1,5000)，即由横纵5000个像素点组成，每个像素点之间有采样距离，对应正式地理长度，下面以0.1米采样举例。当DSM图像的采样距离为0.1m时，5000*5000像素DSM图像代表的是500*500米范围的高程数据。后文中以(X_m,Y_n)通用表达DSM中的某个数据点，其高程值为H(X_m,Y_n)。

步骤A：刺点确定

对图片间隔进行像素阵列选点，以5000*5000像素DSM图像为例，图像的像素分辨率为0.1米/像素，例如每隔10个像素点(即间隔1米)进行了图像降采样，最终共有499个*499个像素点(X_ki,Y_kj)作为选点(边缘点舍弃)。其中，(X_ki,Y_kj)中k＝1/0.1＝10且ki<m kj<ni∈(1,499)，j∈(1,499)。删选后的像素分布变化如下：

遍历i∈(1,499)，j∈(1,499)判断H(X_ki,Y_kj)值，当高程H(X_ki,Y_kj)≤X米，判断为无效点，X为屋顶有效高度设定值，即屋顶高度在X米以上，X米以下的点都舍弃，当高程H(X_ki,Y_kj)>X米，保留这些点作为刺点进入下一步。

特别的，

1、其中间隔选点的方式(降采样)取决于图像分辨率和筛查强度，例子中采用0.1米/像素的DSM图像，间隔10点采样，得到的是每间隔1米的地理信息点，根据光伏电站项目有效排布区域的抉择，调节其间隔，达到高效而准确的区域筛选。

2、有效高度X的设定按照现场情况而定。

步骤B：拟合平面

循环开始，以步骤A中传递的每个有效刺点为一次循环，确定刺点的拟合平面。

对步骤A传递下来有效刺点中的任意一点(X_ki,Y_kj)进行该刺点的拟合平面，以(X_ki,Y_kj)为中心加上与其距离Y米的最近周围8个像素点，其中图像分辨率为a米/像素，Y/a值向上取整，则产生8个像素点(X_ki-Y/a,Y_kj-Y/a)，(X_ki-Y/a,Y_kj)，(X_ki-Y/a,Y_kj+Y/a)……(X_ki+Y/a,Y_kj+Y/a)，共9点空间点，进行平面拟合，获得平面K_ij，计算得平面K_ij与水平面倾角α，其中α<90°。

如图1所示，拟合平面的选点示意图，当Y＝1米，分辨率0.1米/像素，k＝10时，八个点为(X_k(i-1),Y_k(j-1))，(X_k(i-1),Y_kj)，(X_k(i-1),Y_k(j+1))……(X_k(i+1),Y_k(j+1))。

特别的，

对于在刺点周围领域选点中的距离Y的设定，取决于图像分辨率和模型质量，较差的模型质量需要扩大Y值来减小误差。

步骤C：共面点标记。

以(X_ki,Y_kj)为中心，领域进行像素点外扩，第一圈周围有8个点((X_ki-1,Y_kj-1)，(X_ki-1,Y_kj)，(X_ki-1,Y_kj+1)……(X_ki+1,Y_kj+1))，第二圈有16个点，第Q圈有8Q个点(未外扩至边界的条件下)，如图2。

当像素点外扩遇到边界值的处理方式：如图3说明了像素外扩到边界值后的处理：从中心点外扩，依次遇到图像的右边界，上边界，下边界，左边界。每次遇到边界后，该方向停止外扩，其余方向继续外扩。数值处理如下，以5000*5000像素DSM图像为例，当外扩像素点(X_ki+Q,Y_kj)中ki+Q＝5000，k＝1/0.1＝10且ki<m kj<n，即右横方向的像素点已经触及边界，其下一轮外扩点(X_ki+Q+1,Y_kj)中ki+Q+1＝5001>5000，图像中不存在此点，令ki+Q为边界点，即不再向右方向扩展。

如图4，在确认得到拟合平面K_ij，以及外扩点后，计算外扩点真实高程值，与代入平面K_ij后的高程值之差。以第Q圈某一像素点(X_ki-Q,Y_kj-Q)为例，H(X_ki-Q,Y_kj-Q)为该像素点的真实高程值，HK_ij(X_ki-Q,Y_kj-Q)为该像素点代入平面K_ij的高程值，

当|H(X_ki-Q,Y_kj-Q)-HK_ij(X_ki-Q,Y_kj-Q)|<Z，即实际高程与拟合平面K_ij的高程差小于Z米，判定实际点落在了拟合平面内，是共面点，标记该像素点灰度值为255(黑)，F(X_ki-Q,Y_kj-Q)＝255；

当|H(X_ki-Q,Y_kj-Q)-HK_ij(X_ki-Q,Y_kj-Q)|≥Z，即实际高程与拟合高程差大于等于Z米，认为实际点落在了拟合平面外，非共面点，标记该像素点灰度值为0(白)，F(X_ki-Q,Y_kj-Q)＝0。

当外扩到所扩的一圈上所有像素点灰度值都为0时，则停止此循环外扩。如图5中，快扩的像素点，遇到最后一圈全部标0后，外扩停止。图像边界像素点灰度值均记为0。如图5中，快扩的像素点，遇到最后一圈全部标0后，快扩停止。

如此，若外扩中有一侧遇到边界值后，该侧所有像素灰度值均为0，不必进行共平面点的判断。

实际高程与拟合平面K_ij的高程差Z值的选定取决于模型质量与障碍物高度判定，较粗糙的模型要适当提高Z值。

共面点标记结束后得到二值化图像；如此获得了一张像素二值化效果图片，即以(X_ki,Y_kj)为中心，第Q圈为搜寻截止像素以内，所有重新标记的像素点组成的点集，灰度值为0或255。

图像二值化就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果的过程。

步骤D：轮廓确定。

引入机器视觉库OpenCV中的cvFindContours()函数，对得到二值化图像进行内部轮廓搜寻，得到最外侧轮廓像素点集Roof_ij，作为有效区域轮廓，在有效区域轮廓内，得到内部孔的轮廓点集inRoof_{ij_1}，inRoof_{ij_2}……，而内部孔轮廓点集即作为障碍物轮廓。

注：cvFindContours()函数，是OpenCV计算机图像处理函数库中的一个，用于从二值图像中检索轮廓。

对于函数cvFindContours()，此应用中需要输入参数有：

1.image二值图像输入---步骤C中所得

2.mode检索模式选择CV_RETR_TREE只检测最外围轮廓

3.method轮廓近似方法选择CV_CHAIN_APPROX_NONE保存轮廓上所有点。

函数输出：

1.contours是一个双重数组，数组内每个元素保存了一组由连续的Point点构成的点的集合的数组，每一组Point点集就是一个轮廓。

2.hierarchy也是一个数组，阐明了contours中轮廓的层级关系。

步骤E：有效轮廓筛选与储存。

有效区域判断，计算点集Roof_ij包裹范围内的区域面积S′ij，为地理正投影面积值，此面积值再投影到K_ij平面后，对应真实区域面积为Sij＝S′ij/cos(α)。当平面面积Sij大于等于Sx平方米时，记为有效区域轮廓，若Sij小于Sx平方米时，舍弃该区域轮廓。

将有效轮廓的点集Roof_ij存储，供图纸生成使用，当存储库中存有有效轮廓时，设定标志位Flag＝1，当存储库中的有效轮廓为空时，设定标志位Flag＝0。

有效区域面积判定值Sx是自定义值，取决于该光伏电站项目工程中可接受的最小光伏组件排布面积。

步骤F：自定义障碍物筛选(可选步骤)

当障碍物高度判定准则需要自定义时(非Z米这个筛选值，变更自定义值为height)，需要对步骤D中得到的二值图片进行再处理。

遍历轮廓点集Roof_ij包裹内所有像素点，计算其实际高程与代入平面K_ij后的高程差：

以某一像素点(X_ki-n,Y_kj-n)为例，H(X_ki-Q,Y_kj-Q)为该像素点的真实高程值，HK_ij(X_ki-Q,Y_kj-Q)为该像素点代入平面K_ij的高程值，当|H(X_ki-Q,Y_kj-Q)-HK_ij(X_ki-Q,Y_kj-Q)|>height标记该点灰度值为0(白)，F(X_ki-Q,Y_kj-Q)＝0；当|H(X_ki-Q,Y_kj-Q)-HK_ij(X_ki-Q,Y_kj-Q)|≤height标记该点灰度值为255，F(X_ki-Q,Y_kj-Q)＝255，得到更新版二值图像。

重复步骤D，对二值图像重新获取轮廓，获得更新版内部孔轮廓点集inRoof′_{ij_1}，inRoof′_{ij_2}……，作为轮廓Roof_ij中的障碍物轮廓点集。

至此，基于点(X_ki,Y_kj)完成了一次完整的有效区域轮廓和对应障碍物轮廓搜寻。

对剩下的刺点进行判断，如刺点在有效轮廓中则对下一个刺点进行判断，如选择刺点不在有效轮廓内，则重复B～F过程，完成轮廓搜寻，得到所有有效轮廓。

以5000*5000像素DSM图像为例，以上第一轮步骤完成了基于点(X₁₀,Y₁₀)的轮廓搜寻，还剩下499*499-1个刺点循环需要完成。

2、图纸生成

将有效轮廓的点集的坐标信息传递到CAD软件中，绘制一系列封闭曲线，代表有效工程区域，对应障碍物轮廓点集绘制障碍物轮廓，得到最终图纸文件。

至此完成由由一组屋顶勘测照片到屋顶轮廓CAD图纸的处理过程。

Claims (2)

1.一种房屋外部的空间照片到屋顶CAD图纸的自动化转换方法，其特征在于，无人机拍摄一组房屋外部照片，将获取的照片导入自动处理软件，得到数字表面高程图，进行数据算法处理后，得到光伏电站有效区域轮廓的点集和有效区域轮廓内障碍物轮廓点集坐标信息传递到CAD软件中，，进行自动化绘制，输出CAD图纸；

数据算法处理的具体步骤如下：

数字表面高程图中含有由点(X_m,Y_n,H(X_m,Y_n))组成的点集，X_m为地理横坐标，Y_m为地理纵坐标，H(X_m,Y_n)为高程数据，单位为米；同时，数字表面高程图中像素点为(X_m,Y_n)，像素点的高程值为H(X_m,Y_n)，m∈(1,M)n∈(1,N)，M和N为数字表面高程图中横纵像素点的个数；

1)刺点确定：

对图片间隔进行像素阵列选点，进行了图像降采样，选择降采集倍数k，(X_m,Y_n)变化为(X_ki,Y_kj)，

遍历

判断H(X_ki,Y_kj)值，当高程H(X_ki,Y_kj)≤X米，判断为无效点，X为屋顶有效高度设定值，即屋顶高度在X米以上，X米以下的点都舍弃，当高程H(X_ki,Y_kj)>X米，保留这些点作为刺点进入下一步；

2)拟合平面：

循环开始，以步骤1)中传递的每个有效刺点为一次循环，确定刺点的拟合平面；对步骤1)传递下来有效刺点中的任意一点(X_ki,Y_kj)进行该刺点的拟合平面，以(X_ki,Y_kj)为中心加上与其距离Y米的最近周围8个像素点，其中图像分辨率为a米/像素，Y/a值向上取整，则产生8个像素点(X_ki-Y/a,Y_kj-Y/a)，(X_ki-Y/a,Y_kj)，(X_ki-Y/a,Y_kj+Y/a)……(X_ki+Y/a,Y_kj+Y/a)，共9点空间点，进行平面拟合，获得平面K_ij，计算得平面K_ij与水平面倾角α，其中α<90°；

对于在刺点周围领域选点中的距离Y的设定，取决于图像分辨率和模型质量，较差的模型质量需要扩大Y值来减小误差；

3)共面点标记：

以(X_ki,Y_kj)为中心，领域进行像素点外扩，第一圈周围有8个点((X_ki-1,Y_kj-1)，(X_ki-1,Y_kj)，(X_ki-1,Y_kj+1)……(X_ki+1,Y_kj+1))，第二圈有16个点，第Q圈有8Q个点；像素点外扩遇到边界值的处理方式：从中心点外扩，依次遇到图像的右边界，上边界，下边界，左边界；每次遇到边界后，该方向停止外扩，其余方向继续外扩；

共面点标记：按步骤2)确认得到拟合平面K_ij，以及外扩点后，计算外扩点真实高程值，与代入平面K_ij后的高程值之差；以第Q圈某一像素点(X_ki-Q,Y_kj-Q)为例，H(X_ki-Q,Y_kj-Q)为该像素点的真实高程值，HK_ij(X_ki-Q,Y_kj-Q)为该像素点代入平面K_ij的高程值，

当|H(X_ki-Q,Y_kj-Q)-HK_ij(X_ki-Q,Y_kj-Q)|<Z，即实际高程与拟合平面K_ij的高程差小于Z米，判定实际点落在了拟合平面内，是共面点，标记该像素点灰度值为255，F(X_ki-Q,Y_kj-Q)＝255；

当|H(X_ki-Q,Y_kj-Q)-HK_ij(X_ki-Q,Y_kj-Q)|≥Z，即实际高程与拟合高程差大于等于Z米，认为实际点落在了拟合平面外，非共面点，标记该像素点灰度值为0，F(X_ki-Q,Y_kj-Q)＝0；

外扩结束判断和标记：当外扩到所扩的一圈上所有像素点灰度值都为0时，则停止此循环外扩；

若外扩中有一侧遇到边界值后，该侧所有像素灰度值均为0，不必进行共平面点的判断；

实际高程与拟合平面K_ij的高程差Z值的选定取决于模型质量与障碍物高度判定；

共面点标记结束后得到二值化图像；

4)轮廓确定：

引入机器视觉库OpenCV中的cvFindContours()函数，对得到二值化图像进行内部轮廓搜寻，得到最外侧轮廓像素点集Roof_ij，作为有效区域轮廓，在有效区域轮廓内，得到内部孔的轮廓点集inRoof_{ij_1}，inRoof_{ij_2}……，而内部孔轮廓点集即作为障碍物轮廓；

5)有效轮廓筛选与储存：

有效区域判断，计算点集Roof_ij包裹范围内的区域面积S′ij，为地理正投影面积值，此面积值再投影到K_ij平面后，对应真实区域面积为Sij＝S′ij/cos(α)；当平面面积Sij大于等于Sx平方米时，记为有效区域轮廓，若Sij小于Sx平方米时，舍弃该区域轮廓；

将有效轮廓的点集Roof_ij存储，供图纸生成使用，当存储库中存有有效轮廓时，设定标志位Flag＝1，当存储库中的有效轮廓为空时，设定标志位Flag＝0；

有效区域面积判定值Sx是自定义值，取决于该光伏电站项目工程中可接受的最小光伏组件排布面积；

6)至此，基于点(X_ki,Y_kj)完成了一次完整的有效区域轮廓和对应障碍物轮廓搜寻；对剩下的刺点进行判断，如刺点在有效轮廓中则对下一个刺点进行判断，如选择刺点不在有效轮廓内，则重复步骤2)～5)过程，完成轮廓搜寻，得到所有有效轮廓及障碍物轮廓。

2.根据权利要求1所述房屋外部的空间照片到屋顶CAD图纸的自动化转换方法，其特征在于，所述步骤4)轮廓确定中的障碍物轮廓可通过自定义障碍物进行筛选，具体方法如下：

对步骤4)中得到的二值图片进行再处理，遍历轮廓点集Roof_ij包裹内所有像素点，计算其实际高程与代入平面K_ij后的高程差：

以某一像素点(X_ki-n,Y_kj-n)为例，H(X_ki-Q,Y_kj-Q)为该像素点的真实高程值，HK_ij(X_ki-Q,Y_kj-Q)为该像素点代入平面K_ij的高程值，

当|H(X_ki-Q,Y_kj-Q)-HK_ij(X_ki-Q,Y_kj-Q)|>height，

标记该点灰度值为0，F(X_ki-Q,Y_kj-Q)＝0；

当|H(X_ki-Q,Y_kj-Q)-HK_ij(X_ki-Q,Y_kj-Q)|≤height，

标记该点灰度值为255，F(X_ki-Q,Y_kj-Q)＝255，height≠Z，

得到更新版二值图像；

对更新版二值图像重新获取轮廓，获得更新版内部孔轮廓点集inRoof′_{ij_1}，inRoof′_{ij_2}……，作为轮廓Roof_ij中的障碍物轮廓点集。

Images