CN110070109B - 一种适用于建筑排列密集区的地物散乱点自动聚类的方法 - Google Patents
一种适用于建筑排列密集区的地物散乱点自动聚类的方法 Download PDFInfo
- Publication number
- CN110070109B CN110070109B CN201910241213.6A CN201910241213A CN110070109B CN 110070109 B CN110070109 B CN 110070109B CN 201910241213 A CN201910241213 A CN 201910241213A CN 110070109 B CN110070109 B CN 110070109B
- Authority
- CN
- China
- Prior art keywords
- points
- point
- building
- road
- scattered
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Abstract
本发明公开了一种适用于建筑排列密集区的地物散乱点自动聚类的方法,首先,获取建筑物散乱点数据,并对数据进行预处理;其次,计算每个点的邻近两个点及对应距离,判断原建筑物间是否存在宽阔道路;若存在宽阔道路计算宽阔道路所在直线方程,将散乱点分割为独立的建筑群点集;若不存在宽阔道路,计算细窄道路所在直线方程,将独立建筑群点集分割为独立的建筑点集。本发明可适用于建筑物普遍比较方正且排列极其密集区域的人工地物散乱点自动聚类的任务,具有广阔的应用前景。
Description
所属领域
本发明属于地理信息科学技术领域,具体涉及一种适用于建筑排列密集区的地物散乱点自动聚类的方法。
背景技术
随着中国经济的日益发展,城市化步伐加快,城市用地也迅速扩张,废旧房区的拆迁与新楼盘的建设使得城市面貌不断变化,因此准确地掌握城市地类的变化信息,对政府部门进行正确决策、平衡城市各区位的协调发展具有非常重要的意义。人工地物作为城市地类的重要组成部分,能够快速地反映出城市区域的发展变化规律。
在建筑物比较密集的地方,采用全站仪等传统方法测量建筑物的地面轮廓点时,为了测量效率,常常会同时对多个建筑物进行测量,这样导致了采集点的次序混乱,无法区分哪些点属于同一个建筑物。
目前常见的聚类算法可以分为五种:基于划分、分层、网格、模型以及密度的方法。K-means Clustering是聚类中较为经典的算法之一,计算简单而且运行速度快,但却无法胜任聚类数目不可预知的任务。能够正确学习聚类数目的算法还比较少,大部分的文章溢出了自动聚类的思想,即能够根据样本特征自动地选择合适的聚类数目。虽然自动聚类算法凭借其实际应用价值受到越来越多的研究者的关注,但是其相关的理论研究还不够成熟,且算法复杂度较高,无法将其应用到各种实际问题的处理上。
发明内容
技术问题:本发明提供一种适用于建筑排列密集区的地物散乱点自动聚类的方法,解决由采集得到的地物散乱点集进行聚类问题,能识别出哪些点属于同一个建筑物。
技术方案:本发明所述的一种适用于建筑排列密集区的地物散乱点自动聚类的方法,包括以下步骤:
(1)获取人工地物散乱点数据集,并对数据集进行预处理;
(2)计算每个点的邻近两个点及对应距离,判断原建筑物间是否存在宽阔道路,如果存在,继续步骤(3);如果不存在,转步骤(4);
(3)计算宽阔道路所在直线方程,将散乱点分割为独立的建筑群点集;
(4)计算细窄道路所在直线方程,将独立建筑群点集分割为独立的建筑点集。
步骤(1)所述数据集为人工地物多边形的顶点坐标数据集。
所述步骤(2)包括以下步骤:
(21)遍历人工地物散乱点集,获取每个点i的邻近两个点j,k,并计算距离dij,dik;
(22)判断两点间是否存在宽阔道路:设置宽阔道路的宽度阈值Dth,细窄道路的宽度阈值dth,对于点对i,j,若dth<dij<Dth,点i,j间的距离位于细窄道路阈值和宽阔道路阈值之间,说明点i,j所属的两个建筑物之间存在宽阔道路;若dij>Dth,点i,j间的距离大于宽阔道路阈值,则说明两点间不存在道路,即两点属于同一个建筑物;若dij<dth,点i,j间存在细窄道路。
所述步骤(3)包括以下步骤:
(31)在点集中筛选出所有符合条件“dth<dij<Dth”的点对,并计算每个点对的中点坐标,得到中点点集;
(32)取中点点集中的一点为定点;
(33)随机选择一个点,通过这两个点,计算出两点所表示的模型方程y=ax+b;
(34)将点集中所有数据点代入这个模型方程中计算误差;
(35)找到所有满足误差阈值的点,统计支持该模型的点的数量;
(36)重复(33)-(35)过程,直到达到一定迭代次数后,选出被支持的点数量最多的模型方程,作为最终结果,该直线方程即为一条宽阔道路所在直线方程;
(37)在中点点集中去除支持该模型的所有点;
(38)重复(32)-(37)过程,直至遍历所有点集,得到各条宽阔道路所在的直线方程;
(39)用得到的直线方程对人工地物散乱点集进行分割。
所述步骤(4)包括以下步骤:
(41)在点集中筛选出所有符合条件“dij<dth”的点对,并计算每个点对的中点,得到中点点集,对点集中所有点运用RANSAC算法进行线性拟合,获得细窄道路所在直线;
(42)根据点与直线的关系,用得到的直线方程对人工地物散乱点集进行分割。
有益效果:与现有技术相比,本发明的有益效果:计算简单,能够适用于聚类数目不可预知的人工地物散乱点集自动聚类的任务,自动识别出哪些点属于同一个建筑物。
附图说明
图1为本发明方法的流程示意图;
图2为某地区部分人工地物图;
图3为标注中点后的人工地物图;
图4为标注中点拟合直线后的人工地物图;
图5为人工地物散乱点聚类的图形化结果。
具体实施方式
本发明根据城中村建筑物普遍比较方正且排布极其密集的特点,对于人工地物散乱形状点,能够计算出建筑物之间的潜在道路,并利用其对散乱点进行分割,识别出哪些点属于同一建筑物。
下面结合附图对本发明作进一步详细说明。图1为本发明的流程图,如图1所示,本发明包括以下步骤:
1、获取人工地物散乱点数据。
(1)获取人工地物多边形的顶点坐标数据;
(2)对多边形顶点数据进行预处理,如一多边形连续三个以上顶点共线,则去掉中间的点,不影响多边形的整体框架,便于后期分割任务。
2、计算每个点的邻近两个点及对应距离,判断原建筑物间是否存在宽阔道路,如果存在,继续步骤3;如果不存在,转步骤4。
(1)遍历人工地物散乱点集,获取每个点i的邻近两个点j,k,并计算距离dij,dik;由于建筑物排列密集,所以建筑物的宽度w普遍大于道路的宽度;又建筑物的一个顶点最多涉及两条道路,因此只取邻近的两个点,点i与点j。图2所示为典型的建筑物方正且排列密集。
(2)判断两点间是否存在宽阔道路。设置宽阔道路的宽度阈值Dth,细窄道路的宽度阈值dth。由于建筑物的宽度w大于道路宽度,即设w>Dth>dth,对于点对i,j,有若dth<dij<Dth,点i,j间的距离位于细窄道路阈值和宽阔道路阈值之间,说明点i,j所属的两个建筑物之间存在宽阔道路;若dij>Dth,点i,j间的距离大于宽阔道路阈值,则说明两点间不存在道路,即两点属于同一个建筑物;
点对i,k同理。
3、计算宽阔道路所在直线方程,将散乱点分割为独立的建筑群点集。
计算宽阔道路所在直线方程。在点集中筛选出所有符合条件“dth<dij<Dth”的点对,并计算每个点对的中点,可知中点位于宽阔道路上。此时得到中点点集,对点集中所有点运用RANSAC算法进行线性拟合,所得直线即为宽阔道路所在直线。算法如下:
(1)取中点点集中的一点为定点;
(2)随机选择一个点,通过这两个点,计算出两点所表示的模型方程y=ax+b;
(3)将点集中所有数据点代入这个模型方程中计算误差;
(4)找到所有满足误差阈值的点,统计支持该模型的点的数量;
(5)重复(2)-(4)过程,直到达到一定迭代次数后,选出被支持的点数量最多的模型方程,作为最终结果,该直线方程即为一条宽阔道路所在直线方程;
(6)在中点点集中去除支持该模型的所有点;
(7)重复(1)-(6)过程,直至遍历所有点集;最终得到的直线方程即为各条宽阔道路所在的直线方程。
(8)根据点与直线的关系,用得到的直线方程对人工地物散乱点集进行分割,可将图2分割为两个独立的建筑群;
4、计算细窄道路所在直线方程,将独立建筑群点集分割为独立的建筑点集。
(1)判断两点间是否存在细窄道路。
对于点对i,j,若dij<dth,点i,j间存在细窄道路。
点对i,k同理。
(2)计算细窄道路所在直线方程。在点集中筛选出所有符合条件“dij<dth”的点对,并计算每个点对的中点,可知中点位于细窄道路上,如图3所示。此时得到中点点集,对点集中所有点运用RANSAC算法进行线性拟合,所得直线即为细窄道路所在直线,如图4所示。算法同步骤3所述算法相同,最终得到的直线方程即为各条细窄道路所在的直线方程。
(3)根据点与直线的关系,用得到的直线方程对人工地物散乱点集进行分割,将分割结果图像化,即如图5所示,较粗的直线即为步骤2中RANSAC算法计算得到的宽阔道路所在直线,将散乱点集分割成左右两个子集,再对两个子集分别进行步骤3处理,作进一步分割,比较图5与图2可知,分割结果正确。
Claims (4)
1.一种适用于建筑排列密集区的地物散乱点自动聚类的方法,其特征在于,包括以下步骤:
(1)获取人工地物散乱点数据集,并对数据集进行预处理;
(2)计算每个点的邻近两个点及对应距离,判断原建筑物间是否存在宽阔道路,如果存在,继续步骤(3);如果不存在,转步骤(4);
(3)计算宽阔道路所在直线方程,将散乱点分割为独立的建筑群点集;
(4)计算细窄道路所在直线方程,将独立建筑群点集分割为独立的建筑点集;
所述步骤(2)包括以下步骤:
(21)遍历人工地物散乱点集,获取每个点i的邻近两个点j,k,并计算距离dij,dik;
(22)判断两点间是否存在宽阔道路:设置宽阔道路的宽度阈值Dth,细窄道路的宽度阈值dth,对于点对i,j,若dth<dij<Dth,点i,j间的距离位于细窄道路阈值和宽阔道路阈值之间,说明点i,j所属的两个建筑物之间存在宽阔道路;若dij>Dth,点i,j间的距离大于宽阔道路阈值,则说明两点间不存在道路,即两点属于同一个建筑物;若dij<dth,点i,j间存在细窄道路。
2.根据权利要求1所述的一种适用于建筑排列密集区的地物散乱点自动聚类的方法,其特征在于,步骤(1)所述数据集为人工地物多边形的顶点坐标数据集。
3.根据权利要求1所述的一种适用于建筑排列密集区的地物散乱点自动聚类的方法,其特征在于,所述步骤(3)包括以下步骤:
(31)在点集中筛选出所有符合条件“dth<dij<Dth”的点对,并计算每个点对的中点坐标,得到中点点集;
(32)取中点点集中的一点为定点;
(33)随机选择一个点,通过这两个点,计算出两点所表示的模型方程y=ax+b;
(34)将点集中所有数据点代入这个模型方程中计算误差;
(35)找到所有满足误差阈值的点,统计支持该模型的点的数量;
(36)重复(33)-(35)过程,直到达到一定迭代次数后,选出被支持的点数量最多的模型方程,作为最终结果,该直线方程即为一条宽阔道路所在直线方程;
(37)在中点点集中去除支持该模型的所有点;
(38)重复(32)-(37)过程,直至遍历所有点集,得到各条宽阔道路所在的直线方程;
(39)用得到的直线方程对人工地物散乱点集进行分割。
4.根据权利要求1所述的一种适用于建筑排列密集区的地物散乱点自动聚类的方法,其特征在于,所述步骤(4)包括以下步骤:
(41)在点集中筛选出所有符合条件“dij<dth”的点对,并计算每个点对的中点,得到中点点集,对点集中所有点运用RANSAC算法进行线性拟合,获得细窄道路所在直线;
(42)根据点与直线的关系,用得到的直线方程对人工地物散乱点集进行分割。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910241213.6A CN110070109B (zh) | 2019-03-28 | 2019-03-28 | 一种适用于建筑排列密集区的地物散乱点自动聚类的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910241213.6A CN110070109B (zh) | 2019-03-28 | 2019-03-28 | 一种适用于建筑排列密集区的地物散乱点自动聚类的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110070109A CN110070109A (zh) | 2019-07-30 |
CN110070109B true CN110070109B (zh) | 2021-02-26 |
Family
ID=67366727
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910241213.6A Active CN110070109B (zh) | 2019-03-28 | 2019-03-28 | 一种适用于建筑排列密集区的地物散乱点自动聚类的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110070109B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111368468B (zh) * | 2020-02-21 | 2023-07-28 | 东南大学 | 基于数理方法及编程算法求取集中型村落二维边界的方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1087326A1 (de) * | 1999-09-24 | 2001-03-28 | Ascom Systec AG | Verfahren zur Bildung von Clustern |
CN101604450A (zh) * | 2009-07-24 | 2009-12-16 | 武汉大学 | 集成影像与LiDAR数据提取建筑物轮廓的方法 |
CN103778429A (zh) * | 2014-01-24 | 2014-05-07 | 青岛秀山移动测量有限公司 | 一种车载激光扫描点云中道路信息自动提取方法 |
CN105513127A (zh) * | 2015-12-25 | 2016-04-20 | 武汉大学 | 基于密度峰值聚类的杆状物规则化三维建模方法及系统 |
CN107918753A (zh) * | 2016-10-10 | 2018-04-17 | 腾讯科技(深圳)有限公司 | 点云数据处理方法及装置 |
CN108416392A (zh) * | 2018-03-16 | 2018-08-17 | 电子科技大学成都研究院 | 基于som神经网络的建筑物聚类方法 |
CN108919295A (zh) * | 2018-05-15 | 2018-11-30 | 国网通用航空有限公司 | 机载LiDAR点云道路信息提取方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105975913B (zh) * | 2016-04-28 | 2020-03-10 | 武汉大学 | 一种基于自适应聚类学习的道路网提取的方法 |
CN107146280B (zh) * | 2017-05-09 | 2020-11-17 | 西安理工大学 | 一种基于切分的点云建筑物重建方法 |
-
2019
- 2019-03-28 CN CN201910241213.6A patent/CN110070109B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1087326A1 (de) * | 1999-09-24 | 2001-03-28 | Ascom Systec AG | Verfahren zur Bildung von Clustern |
CN101604450A (zh) * | 2009-07-24 | 2009-12-16 | 武汉大学 | 集成影像与LiDAR数据提取建筑物轮廓的方法 |
CN103778429A (zh) * | 2014-01-24 | 2014-05-07 | 青岛秀山移动测量有限公司 | 一种车载激光扫描点云中道路信息自动提取方法 |
CN105513127A (zh) * | 2015-12-25 | 2016-04-20 | 武汉大学 | 基于密度峰值聚类的杆状物规则化三维建模方法及系统 |
CN107918753A (zh) * | 2016-10-10 | 2018-04-17 | 腾讯科技(深圳)有限公司 | 点云数据处理方法及装置 |
CN108416392A (zh) * | 2018-03-16 | 2018-08-17 | 电子科技大学成都研究院 | 基于som神经网络的建筑物聚类方法 |
CN108919295A (zh) * | 2018-05-15 | 2018-11-30 | 国网通用航空有限公司 | 机载LiDAR点云道路信息提取方法及装置 |
Non-Patent Citations (2)
Title |
---|
基于车载激光扫描的城市道路提取方法;张达 等;《测绘通报》;20161231(第7期);全文 * |
特征分类与邻近图相结合的建筑物群空间分布特征提取方法;郭庆胜 等;《测绘学报》;20170531;第46卷(第5期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110070109A (zh) | 2019-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110135351B (zh) | 基于城市建筑空间数据的建成区边界识别方法及设备 | |
CN111299815B (zh) | 一种用于低灰度橡胶垫视觉检测与激光切割轨迹规划方法 | |
CN108197583B (zh) | 基于图割优化和影像结构特征的建筑物变化检测方法 | |
CN107292276B (zh) | 一种车载点云聚类方法及系统 | |
CN103870833B (zh) | 基于凹性测度的路面裂缝提取与测评方法 | |
CN102096072B (zh) | 一种城市部件自动化测量方法 | |
CN108898605A (zh) | 一种基于图的栅格地图分割方法 | |
CN111986322B (zh) | 一种基于结构分析的点云室内场景布局重建方法 | |
CN106023312A (zh) | 基于航空LiDAR数据的三维建筑物模型自动重建方法 | |
CN110276732B (zh) | 一种顾及地形特征线要素的山区点云空洞修复方法 | |
CN106918311A (zh) | 基于车载激光点云数据的单株树树冠投影面积自动计算方法 | |
CN103870845A (zh) | 点云聚类去噪过程中新的k值优化方法 | |
CN111191628B (zh) | 基于决策树与特征优化的遥感影像震害建筑物识别方法 | |
CN112132840B (zh) | 一种车载行道树点云分类与特征信息提取方法 | |
CN113487730A (zh) | 一种基于激光雷达点云数据的城市三维自动建模方法 | |
CN107944383A (zh) | 基于三维Voronoi图的建筑物屋顶面片分割方法 | |
CN102184423B (zh) | 一种全自动的区域不透水面遥感信息精确提取方法 | |
CN115115627B (zh) | 基于数据处理的土壤盐碱地监测方法 | |
CN110070109B (zh) | 一种适用于建筑排列密集区的地物散乱点自动聚类的方法 | |
CN116258857A (zh) | 一种面向室外树木激光点云分割与提取方法 | |
CN114898118A (zh) | 基于多源点云的输电线路房屋拆迁量自动统计方法及系统 | |
CN102609721B (zh) | 遥感影像的聚类方法 | |
CN108108700B (zh) | 一种基于弦轴变换的猪的特征区域识别方法 | |
CN111091049B (zh) | 一种基于反向特征匹配的路面障碍物检测方法 | |
CN106153507B (zh) | 一种测试压裂支撑剂圆球度的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |