CN110415337A - 一种基于影像直线特征的建筑物屋顶面重建方法和装置 - Google Patents
一种基于影像直线特征的建筑物屋顶面重建方法和装置 Download PDFInfo
- Publication number
- CN110415337A CN110415337A CN201910633435.2A CN201910633435A CN110415337A CN 110415337 A CN110415337 A CN 110415337A CN 201910633435 A CN201910633435 A CN 201910633435A CN 110415337 A CN110415337 A CN 110415337A
- Authority
- CN
- China
- Prior art keywords
- straight line
- image
- remote sensing
- tri patch
- sensing satellite
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Abstract
本发明公开了一种基于影像直线特征的建筑物屋顶面重建方法和装置。所述方法通过二次筛选遥感卫星图像的初始直线段,提取建筑物的特征直线段,并利用特征直线段所构造的三角网络划分遥感卫星图像的三维点云数据,从而通过能量优化方法得到重建图像。不仅基于建筑物的特征直线段有效划分三维点云数据,还根据不同平面的最大可能空间位置重建图像,提高了建筑物屋顶面重建的精细度。
Description
技术领域
本发明涉及影像处理领域,尤其涉及一种基于影像直线特征的建筑物屋顶面重建方法和装置。
背景技术
从遥感卫星图像自动反演地面三维建筑物的屋顶面结构是一个经典难题。由于卫星图像成像技术限制,通常无法保证足够的几何和辐射精度,以生成高精细度的屋顶面结构信息。如今,建筑物的结构趋于多样,对于一些复杂的建筑物,难以从遥感卫星图像自动反演得到高精细度的屋顶面结构。
发明内容
本发明所要解决的技术问题在于,提供一种基于影像直线特征的建筑物屋顶面的重建方法和装置,提高建筑物屋顶面重建的精细度。
为了解决上述技术问题,本发明提出了一种基于影像直线特征的建筑物屋顶面的重建方法,包括:根据至少一组遥感卫星图像生成目标区域的三维点云数据;根据所述遥感卫星图像,提取所述目标区域内所有与建筑物相关的特征直线段;根据约束条件,将所述特征直线段构造为三角网络,并在所述三角网络中划分所述三维点云数据,得到三角面片;通过能量优化方法聚合所述三角面片,得到重建图像。
进一步地,所述根据至少一组遥感卫星图像生成目标区域的三维点云数据,包括:当为多组所述遥感卫星图像时,需先对各组的三维点云数据进行融合以生成所述目标区域的三维点云数据。
进一步地,所述根据所述遥感卫星图像,提取所述目标区域内所有与建筑物相关的特征直线段,具体的,逐个检测所述遥感卫星图像中的所有直线段,并标记为初始直线段;对全部所述遥感卫星图像的所述初始直线段进行直线匹配,得到所述初始直线段交集;判断所述初始直线段交集中所述初始直线段左右两侧是否具有二阶高程差;提取具有二阶高程差的所述初始直线段,并标记为特征直线段。
进一步地,所述约束条件为,所述特征直线段均可构造成为所述三角网络中的一条显示边。
进一步地,所述通过能量优化方法聚合所述三角面片,具体的,计算所述三角面片的能量函数的最小值;其中,所述能量函数包括数据代价、邻域代价和标签代价;所述数据代价为所述三角面片被分配到一个平面的能量损失;所述邻域代价为相邻的所述三角面片被分配到不同平面的能量损失;所述标签代价为所述三角面片被分配到一新平面的能量损失;根据所述能量函数的最小值聚合所述三角面片。
实施本发明的实施例具有如下有益效果:
本发明的实施例,能够通过二次筛选遥感卫星图像的初始直线段,提取建筑物的特征直线段,并利用特征直线段所构造的三角网络划分遥感卫星图像的三维点云数据,从而通过能量优化方法得到重建图像。不仅基于建筑物的特征直线段有效划分三维点云数据,还根据不同平面的最大可能空间位置重建图像,提高了建筑物屋顶面重建的精细度。
本发明还提出了一种基于影像直线特征的建筑物屋顶面的重建装置,包括:生成模块,用于根据至少一组遥感卫星图像生成目标区域的三维点云数据;提取模块,用于根据所述遥感卫星图像,提取所述目标区域内所有与建筑物相关的特征直线段;构造模块,用于根据约束条件,将所述特征直线段构造为三角网络,并在所述三角网络中划分所述三维点云数据,得到三角面片;聚合模块,用于通过能量优化方法聚合所述三角面片,得到重建图像。
进一步地,所述生成模块,包括:当为多组所述遥感卫星图像时,需先对各组的三维点云数据进行融合以生成所述目标区域的三维点云数据。
进一步地,所述提取模块,包括:检测单元,用于逐个检测所述遥感卫星图像中的所有直线段,并标记为初始直线段;匹配单元,用于对全部所述遥感卫星图像的所述初始直线段进行直线匹配,得到所述初始直线段交集;判断单元,用于判断所述初始直线段交集中所述初始直线段左右两侧是否具有二阶高程差;提取单元,用于提取具有二阶高程差的所述初始直线段,并标记为特征直线段。
进一步地,所述约束条件为,所述特征直线段均可构造成为所述三角网络中的一条显示边。
进一步地,所述聚合模块,包括:计算单元,用于计算所述三角面片的能量函数的最小值;其中,所述能量函数包括数据代价、邻域代价和标签代价;所述数据代价为所述三角面片被分配到一个平面的能量损失;所述邻域代价为相邻的所述三角面片被分配到不同平面的能量损失;所述标签代价为所述三角面片被分配到一新平面的能量损失;聚合单元,用于根据所述能量函数的最小值聚合所述三角面片。
实施本发明的实施例具有如下有益效果:
本发明的实施例,能够通过二次筛选遥感卫星图像的初始直线段,提取建筑物的特征直线段,并利用特征直线段所构造的三角网络划分遥感卫星图像的三维点云数据,从而通过能量优化方法得到重建图像。不仅基于建筑物的特征直线段有效划分三维点云数据,还根据不同平面的最大可能空间位置重建图像,提高了建筑物屋顶面重建的精细度。
附图说明
图1为本发明第一实施例中的一种基于影像直线特征的建筑物屋顶面重建方法的流程示意图;
图2为本发明第一实施例中的一优选的实施例的流程示意图;
图3为本发明第一实施实例中的另一优选的实施例的流程示意图;
图4为本发明第二实施例中的一种基于影像直线特征的建筑物屋顶面重建装置的结构示意图;
图5为本发明第三实施例中的实验结果图;
图6为本发明第三实施例中采用不同方法所得到的重建图像对比图。
具体实施方式
下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,文中的步骤编号,仅为了方便具体实施例的解释,不作为限定步骤执行先后顺序的作用。本实施例提供的方法可以由相关的服务器执行,且下文均以服务器作为执行主体为例进行说明。
第一实施例,请参阅图1-3。
如图1所示,第一实施例提供的一种基于影像直线特征的建筑物屋顶面重建方法,包括步骤S1~S4:
S1、根据至少一组遥感卫星图像生成目标区域的三维点云数据。
S2、根据所述遥感卫星图像,提取所述目标区域内所有与建筑物相关的特征直线段。
S3、根据约束条件,将所述特征直线段构造为三角网络,并在所述三角网络中划分所述三维点云数据,得到三角面片。
S4、通过能量优化方法聚合所述三角面片,得到重建图像。
在具体的实施例当中,根据获取的至少一组遥感卫星图像,利用倾斜摄影测量技术生成目标区域的三维点云数据。
可以解释的是,利用遥感卫星图像自带的有理多项式参数或基于多个遥感卫星图像的同名像点,估算得到不同遥感卫星影像的外方位元素,从而利用不同遥感卫星图像像对所对应的密集同名像点和遥感卫星图像各自的外方位元素,生成三维点云数据。
在具体的实施例当中,所述根据至少一组遥感卫星图像生成目标区域的三维点云数据,包括:当为多组所述遥感卫星图像时,需先对各组的三维点云数据进行融合以生成所述目标区域的三维点云数据。
如图2所示,在一优选的实施例当中,所述步骤S2,包括步骤S21~S24:
S21、逐个检测所述遥感卫星图像中的所有直线段,并标记为初始直线段。
S22、对全部所述遥感卫星图像的所述初始直线段进行直线匹配,得到所述初始直线段交集。
S23、判断所述初始直线段交集中所述初始直线段左右两侧是否具有二阶高程差。
S24、提取具有二阶高程差的所述初始直线段,并标记为特征直线段。
可以理解的是,由于建筑物的特征直线段均会出现在每一个遥感卫星图像中,通过对全部所述遥感卫星图像的所述初始直线段进行直线匹配以得到所述初始直线段交集,可以对遥感卫星图像的直线段进行一次筛选,剔除未能匹配的直线段,即与建筑物无关的直线段。另外,由于建筑物的特征直线段相比于其他非特征直线段(如道路边缘线)通常具有一定的高程差,通过判断所述初始直线段交集中所述初始直线段左右两侧是否具有二阶高程差,可以对所述初始直线段交集中的直线段进行二次筛选,剔除建筑物的非特征直线段,确保所提取的特征直线段均与建筑物相关,如屋脊线,屋顶边缘线等。
在具体的实施例当中,所述约束条件为,所述特征直线段均可构造成为所述三角网络中的一条显示边。
可以理解的是,所述三角网络的构造方式主要基于所述特征直线段的端点,以全部端点构造一个全连接的三角网络。
在具体的实施例当中,在所述三角网络中划分所述三维点云数据,得到三角面片。通过计算所述三角面片的拟合效果判断所述三角面片是否属于建筑物的屋顶面。
可以理解的是,在所述三角网络中划分所述三维点云数据,即将所述三维点云数据用于拟合所述三角网络中的每一个小三角形。若所述三维点云数据与对应的小三角形的拟合效果达到拟合标准,则表明所形成的三角面片属于建筑物的屋顶面。反之,若所述三维点云数据与对应的小三角形的拟合效果没有达到拟合标准,则表明所形成的三角面片不属于建筑物的屋顶面,可能需要舍弃。
如图3所示,在另一优选的实施例当中,所述步骤S4,包括步骤S41~S42:
S41、计算所述三角面片的能量函数的最小值;其中,所述能量函数包括数据代价、邻域代价和标签代价;所述数据代价为所述三角面片被分配到一个平面的能量损失;所述邻域代价为相邻的所述三角面片被分配到不同平面的能量损失;所述标签代价为所述三角面片被分配到一新平面的能量损失。
S42、根据所述能量函数的最小值聚合所述三角面片。
需要说明的是,所述能量函数如式1所示。
E(L)=∑p∈ND(p,l)+∑P∈N∑q∈NV(p,q)·δ(Lp≠Lq)+∑p∈NW(p,l)·δ(l), (式1)
其中,等式左边E(L)表示对所有所述三角面片标记后的总体能量函数;L表示所有标签集。等式右边表示不同的能量项:包括数据代价、邻域代价和标签代价。数据代价D(p,l)表示三角面片p被归为标签l的能量损失;V(p,q)表示相邻位置p和q被分配为不同标签时的能量代价;W(p,l)表示三角面片p被赋予新标签l的代价。
所述数据代价的计算公式如式2所示。
其中,dist(p,l)表示三角形p被标注为类别l时的拟合位置偏移量,Δd表示标准单位位移。
可以理解的是,由于三角面片p表示所述三角网络中的一个小三角形平面,因此,被划分到三角面片p内的所有三维点云数据都将参与计算,并计算所有三维点云数据到参考平面l的平均距离,以作为数据代价。
所述邻域代价的计算公式如式3所示。
可以理解的是,基于所述三角网络的结构,不同三角面片之间的空间位置关系可归为三种,即相邻,不相邻的和相邻且共享直线段。对于不同的空间邻域关系,邻域代价被赋予不同的权重。例如,当两个三角形相邻且共享同一直线段时,表明这两个三角形之间存在屋脊线,很可能属于不同的屋顶面。因此,对于该情况赋予-1的权值。
所述标签代价的计算公式如式4所示。
W(p,l)=C·∑l∈LD(p,l)/N, (式4)
其中,W(p,l)表示三角面片p被指定为标签l时的标签代价;D表示上述数据代价项;N表示三角面片的总数;C用来平衡标签代价和数据代价,默认为常量。
可以理解的是,通过计算所述能量函数的最小值,即计算所述数据代价、所述邻域代价,所述标签代价,判断所述三角面片的最大可能空间位置,保证重建的屋顶面贴近真实的屋顶面结构,从而提高建筑物屋顶面重建的精细度。
实施本发明的实施例具有如下有益效果:
本发明的实施例,能够通过二次筛选遥感卫星图像的初始直线段,提取建筑物的特征直线段,并利用特征直线段所构造的三角网络划分遥感卫星图像的三维点云数据,从而通过能量优化方法得到重建图像。不仅基于建筑物的特征直线段有效划分三维点云数据,还根据不同平面的最大可能空间位置重建图像,提高了建筑物屋顶面重建的精细度。
第二实施例,请参阅图4。
如图4所示,第一实施例提供的一种基于影像直线特征的建筑物屋顶面重建装置,包括:生成模块41,用于根据至少一组遥感卫星图像生成目标区域的三维点云数据;提取模块42,用于根据所述遥感卫星图像,提取所述目标区域内所有与建筑物相关的特征直线段;构造模块43,用于根据约束条件,将所述特征直线段构造为三角网络,并在所述三角网络中划分所述三维点云数据,得到三角面片;聚合模块44,用于通过能量优化方法聚合所述三角面片,得到重建图像。
在具体的实施例当中,所述生成模块41利用倾斜摄影测量技术生成目标区域的三维点云数据。
可以解释的是,利用遥感卫星图像自带的有理多项式参数或基于多个遥感卫星图像的同名像点,估算得到不同遥感卫星影像的外方位元素,从而利用不同遥感卫星图像像对所对应的密集同名像点和遥感卫星图像各自的外方位元素,生成三维点云数据。
在具体的实施例当中,所述生成模块41包括:当为多组所述遥感卫星图像时,需先对各组的三维点云数据进行融合以生成所述目标区域的三维点云数据。
在具体的实施例中,所述提取模块42,包括:检测单元421,用于逐个检测所述遥感卫星图像中的所有直线段,并标记为初始直线段;匹配单元422,用于对全部所述遥感卫星图像的所述初始直线段进行直线匹配,得到所述初始直线段交集;判断单元423,用于判断所述初始直线段交集中所述初始直线段左右两侧是否具有二阶高程差;提取单元424,用于提取具有二阶高程差的所述初始直线段,并标记为特征直线段。
可以理解的是,由于建筑物的特征直线段均会出现在每一个遥感卫星图像中,通过对全部所述遥感卫星图像的所述初始直线段进行直线匹配以得到所述初始直线段交集,可以对遥感卫星图像的直线段进行一次筛选,剔除未能匹配的直线段,即与建筑物无关的直线段。另外,由于建筑物的特征直线段相比于其他非特征直线段(如道路边缘线)通常具有一定的高程差,通过判断所述初始直线段交集中所述初始直线段左右两侧是否具有二阶高程差,可以对所述初始直线段交集中的直线段进行二次筛选,剔除建筑物的非特征直线段,确保所提取的特征直线段均与建筑物相关,如屋脊线,屋顶边缘线等。
在具体的实施例当中,所述约束条件为,所述特征直线段均可构造成为所述三角网络中的一条显示边。
可以理解的是,所述三角网络的构造方式主要基于所述特征直线段的端点,以全部端点构造一个全连接的三角网络。
在具体的实施例当中,在所述三角网络中划分所述三维点云数据,得到三角面片。通过计算所述三角面片的拟合效果判断所述三角面片是否属于建筑物的屋顶面。
可以理解的是,在所述三角网络中划分所述三维点云数据,即将所述三维点云数据用于拟合所述三角网络中的每一个小三角形。若所述三维点云数据与对应的小三角形的拟合效果达到拟合标准,则表明所形成的三角面片属于建筑物的屋顶面。反之,若所述三维点云数据与对应的小三角形的拟合效果没有达到拟合标准,则表明所形成的三角面片不属于建筑物的屋顶面,可能需要舍弃。
在具体的实施例当中,所述聚合模块44,包括计算单元441,用于计算所述三角面片的能量函数的最小值;其中,所述能量函数包括数据代价、邻域代价和标签代价;所述数据代价为所述三角面片被分配到一个平面的能量损失;所述邻域代价为相邻的所述三角面片被分配到不同平面的能量损失;所述标签代价为所述三角面片被分配到一新平面的能量损失;聚合单元442,用于根据所述能量函数的最小值聚合所述三角面片。
需要说明的是,所述能量函数如式1所示。
E(L)=∑p∈ND(p,l)+∑P∈N∑q∈NV(p,q)·δ(Lp≠Lq)+∑p∈NW(p,l)·δ(l), (式1)
其中,等式左边E(L)表示对所有所述三角面片标记后的总体能量函数;L表示所有标签集。等式右边表示不同的能量项:包括数据代价、邻域代价和标签代价。数据代价D(p,l)表示三角面片p被归为标签l的能量损失;V(p,q)表示相邻位置p和q被分配为不同标签时的能量代价;W(p,l)表示三角面片p被赋予新标签l的代价。
所述数据代价的计算公式如式2所示。
其中,dist(p,l)表示三角形p被标注为类别l时的拟合位置偏移量,Δd表示标准单位位移。
可以理解的是,由于三角面片p表示所述三角网络中的一个小三角形平面,因此,被划分到三角面片p内的所有三维点云数据都将参与计算,并计算所有三维点云数据到参考平面l的平均距离,以作为数据代价。
所述邻域代价的计算公式如式3所示。
可以理解的是,基于所述三角网络的结构,不同三角面片之间的空间位置关系可归为三种,即相邻,不相邻的和相邻且共享直线段。对于不同的空间邻域关系,邻域代价被赋予不同的权重。例如,当两个三角形相邻且共享同一直线段时,表明这两个三角形之间存在屋脊线,很可能属于不同的屋顶面。因此,对于该情况赋予-1的权值。
所述标签代价的计算公式如式4所示。
W(p,l)=C·∑l∈LD(p,l)/N, (式4)
其中,W(p,l)表示三角面片p被指定为标签l时的标签代价;D表示上述数据代价项;N表示三角面片的总数;C用来平衡标签代价和数据代价,默认为常量。
可以理解的是,通过计算所述能量函数的最小值,即计算所述数据代价、所述邻域代价,所述标签代价,判断所述三角面片的最大可能空间位置,保证重建的屋顶面贴近真实的屋顶面结构,从而提高建筑物屋顶面重建的精细度。
实施本发明的实施例具有如下有益效果:
本发明的实施例,能够通过二次筛选遥感卫星图像的初始直线段,提取建筑物的特征直线段,并利用特征直线段所构造的三角网络划分遥感卫星图像的三维点云数据,从而通过能量优化方法得到重建图像。不仅基于建筑物的特征直线段有效划分三维点云数据,还根据不同平面的最大可能空间位置重建图像,提高了建筑物屋顶面重建的精细度。
第三实施例。基于第一实施例的实施例,请参阅图5-6。
以三个遥感卫星图像为例。即以于2015年5月1日,2015年6月15日,2015年11月1日拍摄美国弗洛里达州某小镇约1公里×1公里的覆盖范围的遥感卫星图像为例。
如图5所示,根据第一实施例提出的一种基于影像直线特征的屋顶面重建方法,所述三维点云数据如图5(a)所示,所述三角网络如图5(b)所示,所述重建图像如图5(c)所示。
在本实施例中,利用正确率,查全率和F1综合评分三个常用精度评价指标评估重建图像的精细度,即数值越大则表明分割结果越好。其中,正确率表示重建图像中正确检测到的屋顶点同所有房屋顶面的比值,而查全率则表示正确检测到的屋顶点同最终分割结果的比值。考虑到正确率和查全率在特殊情况下会有一定的评估偏差,F1综合评分用于平衡正确率和查全率两个精度指标。
通过计算上述三个评价指标,可以得到佛罗里达某镇的屋顶面分割结果的正确率,查全率和F1综合得分值分别为73.9%,78.2%以及76.1%。
如图6所示,在本实施例中,采用不同方法,即区域生长方法、RANSAC方法,第一实施例所述方法所得到的重建图像和实际屋顶面图像分别如图6(a)-(d)所示。而采用区域生长方法、RANSAC方法,第一实施例所述方法所得到的重建图像的所述评价指标数值如表1所示。
表1基于不同方法得到结果的精度评价及对比
可见,相比于区域生长方法、RANSAC方法,采用第一实施例所述方法所得到的重建图像能够较完整重建复杂建筑物的屋顶面结构。
实施本发明的实施例具有如下有益效果:
本发明的实施例,能够通过二次筛选遥感卫星图像的初始直线段,提取建筑物的特征直线段,并利用特征直线段所构造的三角网络划分遥感卫星图像的三维点云数据,从而通过能量优化方法得到重建图像。不仅基于建筑物的特征直线段有效划分三维点云数据,还根据不同平面的最大可能空间位置重建图像,提高了建筑物屋顶面重建的精细度。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
Claims (10)
1.一种基于影像直线特征的建筑物屋顶面重建方法,其特征在于,包括:
根据至少一组遥感卫星图像生成目标区域的三维点云数据;
根据所述遥感卫星图像,提取所述目标区域内所有与建筑物相关的特征直线段;
根据约束条件,将所述特征直线段构造为三角网络,并在所述三角网络中划分所述三维点云数据,得到三角面片;
通过能量优化方法聚合所述三角面片,得到重建图像。
2.根据权利要求1所述的基于影像直线特征的建筑物屋顶面重建方法,其特征在于,所述根据至少一组遥感卫星图像生成目标区域的三维点云数据,包括:当为多组所述遥感卫星图像时,需先对各组的三维点云数据进行融合以生成所述目标区域的三维点云数据。
3.根据权利要求1所述的基于影像直线特征的建筑物屋顶面重建方法,其特征在于,所述根据所述遥感卫星图像,提取所述目标区域内所有与建筑物相关的特征直线段,具体的,
逐个检测所述遥感卫星图像中的所有直线段,并标记为初始直线段;
对全部所述遥感卫星图像的所述初始直线段进行直线匹配,得到所述初始直线段交集;
判断所述初始直线段交集中所述初始直线段左右两侧是否具有二阶高程差;
提取具有二阶高程差的所述初始直线段,并标记为特征直线段。
4.根据权利要求1所述的基于影像直线特征的建筑物屋顶面重建方法,其特征在于,所述约束条件为,所述特征直线段均可构造成为所述三角网络中的一条显示边。
5.根据权利要求1所述的基于影像直线特征的建筑物屋顶面重建方法,其特征在于,所述通过能量优化方法聚合所述三角面片,具体的,
计算所述三角面片的能量函数的最小值;其中,所述能量函数包括数据代价、邻域代价和标签代价;
所述数据代价为所述三角面片被分配到一个平面的能量损失;
所述邻域代价为相邻的所述三角面片被分配到不同平面的能量损失;
所述标签代价为所述三角面片被分配到一新平面的能量损失;
根据所述能量函数的最小值聚合所述三角面片。
6.一种基于影像直线特征的建筑物屋顶面重建装置,其特征在于,包括:
生成模块,用于根据至少一组遥感卫星图像生成目标区域的三维点云数据;
提取模块,用于根据所述遥感卫星图像,提取所述目标区域内所有与建筑物相关的特征直线段;
构造模块,用于根据约束条件,将所述特征直线段构造为三角网络,并在所述三角网络中划分所述三维点云数据,得到三角面片;
聚合模块,用于通过能量优化方法聚合所述三角面片,得到重建图像。
7.根据权利要求6所述的基于影像直线特征的建筑物屋顶面重建装置,其特征在于,所述生成模块,包括:当为多组所述遥感卫星图像时,需先对各组的三维点云数据进行融合以生成所述目标区域的三维点云数据。
8.根据权利要求6所述的基于影像直线特征的建筑物屋顶面重建装置,其特征在于,所述提取模块,包括:
检测单元,用于逐个检测所述遥感卫星图像中的所有直线段,并标记为初始直线段;
匹配单元,用于对全部所述遥感卫星图像的所述初始直线段进行直线匹配,得到所述初始直线段交集;
判断单元,用于判断所述初始直线段交集中所述初始直线段左右两侧是否具有二阶高程差;
提取单元,用于提取具有二阶高程差的所述初始直线段,并标记为特征直线段。
9.根据权利要求6所述的基于影像直线特征的建筑物屋顶面重建装置,其特征在于,所述约束条件为,所述特征直线段均可构造成为所述三角网络中的一条显示边。
10.根据权利要求6所述的基于影像直线特征的建筑物屋顶面重建装置,其特征在于,所述聚合模块,包括:
计算单元,用于计算所述三角面片的能量函数的最小值;其中,所述能量函数包括数据代价、邻域代价和标签代价;
所述数据代价为所述三角面片被分配到一个平面的能量损失;
所述邻域代价为相邻的所述三角面片被分配到不同平面的能量损失;
所述标签代价为所述三角面片被分配到一新平面的能量损失;
聚合单元,用于根据所述能量函数的最小值聚合所述三角面片。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910633435.2A CN110415337B (zh) | 2019-07-12 | 2019-07-12 | 一种基于影像直线特征的建筑物屋顶面重建方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910633435.2A CN110415337B (zh) | 2019-07-12 | 2019-07-12 | 一种基于影像直线特征的建筑物屋顶面重建方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110415337A true CN110415337A (zh) | 2019-11-05 |
CN110415337B CN110415337B (zh) | 2021-03-23 |
Family
ID=68361395
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910633435.2A Active CN110415337B (zh) | 2019-07-12 | 2019-07-12 | 一种基于影像直线特征的建筑物屋顶面重建方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110415337B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101373543A (zh) * | 2008-09-28 | 2009-02-25 | 武汉大学 | 三维网格模型的快速剖切方法 |
CN104036544A (zh) * | 2014-06-25 | 2014-09-10 | 西安煤航信息产业有限公司 | 一种基于机载LiDAR数据的建筑物屋顶重建方法 |
CN104484668A (zh) * | 2015-01-19 | 2015-04-01 | 武汉大学 | 一种无人机多重叠遥感影像的建筑物轮廓线提取方法 |
US20190108679A1 (en) * | 2017-10-11 | 2019-04-11 | Alibaba Group Holding Limited | Point Cloud Meshing Method, Apparatus, Device and Computer Storage Media |
CN109993783A (zh) * | 2019-03-25 | 2019-07-09 | 北京航空航天大学 | 一种面向复杂三维建筑物点云的屋顶及侧面优化重建方法 |
-
2019
- 2019-07-12 CN CN201910633435.2A patent/CN110415337B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101373543A (zh) * | 2008-09-28 | 2009-02-25 | 武汉大学 | 三维网格模型的快速剖切方法 |
CN104036544A (zh) * | 2014-06-25 | 2014-09-10 | 西安煤航信息产业有限公司 | 一种基于机载LiDAR数据的建筑物屋顶重建方法 |
CN104484668A (zh) * | 2015-01-19 | 2015-04-01 | 武汉大学 | 一种无人机多重叠遥感影像的建筑物轮廓线提取方法 |
US20190108679A1 (en) * | 2017-10-11 | 2019-04-11 | Alibaba Group Holding Limited | Point Cloud Meshing Method, Apparatus, Device and Computer Storage Media |
CN109993783A (zh) * | 2019-03-25 | 2019-07-09 | 北京航空航天大学 | 一种面向复杂三维建筑物点云的屋顶及侧面优化重建方法 |
Non-Patent Citations (1)
Title |
---|
娄安颖: "遥感影像直线提取、匹配及三维重建", 《遥感影像直线提取、匹配及三维重建》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110415337B (zh) | 2021-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lin et al. | Line segment extraction for large scale unorganized point clouds | |
CN103913131B (zh) | 一种基于双目视觉的自由曲面法矢量测量方法 | |
US9942535B2 (en) | Method for 3D scene structure modeling and camera registration from single image | |
CN110532894A (zh) | 基于边界约束CenterNet的遥感目标检测方法 | |
CN104599258B (zh) | 一种基于各向异性特征描述符的图像拼接方法 | |
CN102804231A (zh) | 三维场景的分段平面重建 | |
CN106485690A (zh) | 基于点特征的点云数据与光学影像的自动配准融合方法 | |
CN107657644B (zh) | 一种移动环境下稀疏场景流检测方法和装置 | |
CN104021538A (zh) | 物体定位方法和装置 | |
US20150138193A1 (en) | Method and device for panorama-based inter-viewpoint walkthrough, and machine readable medium | |
AliAkbarpour et al. | Fast structure from motion for sequential and wide area motion imagery | |
CN109741240A (zh) | 一种基于层次聚类的多平面图像拼接方法 | |
CN106327576B (zh) | 一种城市场景重建方法及系统 | |
Hofer et al. | Line-based 3D reconstruction of wiry objects | |
US20210209776A1 (en) | Method and device for depth image fusion and computer-readable storage medium | |
Zhou et al. | Three-dimensional (3D) reconstruction of structures and landscapes: A new point-and-line fusion method | |
Honauer et al. | The hci stereo metrics: Geometry-aware performance analysis of stereo algorithms | |
Stentoumis et al. | A local adaptive approach for dense stereo matching in architectural scene reconstruction | |
Shim et al. | Stereo-vision-based 3D concrete crack detection using adversarial learning with balanced ensemble discriminator networks | |
CN104992433B (zh) | 基于线段匹配的多光谱图像配准的方法及装置 | |
CN111402429B (zh) | 一种尺度还原、三维重建方法、系统、存储介质及设备 | |
Brown et al. | A pointwise smooth surface stereo reconstruction algorithm without correspondences | |
Megyesi et al. | Affine propagation for surface reconstruction in wide baseline stereo | |
CN110415337A (zh) | 一种基于影像直线特征的建筑物屋顶面重建方法和装置 | |
CN105405147B (zh) | 一种基于融合lbp和灰度特征描述的直线段匹配方法 |
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 |