CN111508015A - 一种基于三维实景数据的建筑物高度提取方法及其装置 - Google Patents
一种基于三维实景数据的建筑物高度提取方法及其装置 Download PDFInfo
- Publication number
- CN111508015A CN111508015A CN202010138910.1A CN202010138910A CN111508015A CN 111508015 A CN111508015 A CN 111508015A CN 202010138910 A CN202010138910 A CN 202010138910A CN 111508015 A CN111508015 A CN 111508015A
- Authority
- CN
- China
- Prior art keywords
- building
- surface model
- point cloud
- elevation
- digital surface
- 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
Images
Classifications
-
- 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
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/005—Tree description, e.g. octree, quadtree
-
- 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
- G06T17/05—Geographic models
-
- 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
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
Abstract
一种基于三维实景数据的建筑物高度提取方法,其特征在于:它包括以下步骤:(1)由三维实景数据提取点云数据;(2)由点云数据生成数字表面模型DSM以及数字高程模型DEM;(3)将数字表面模型DSM与数字高程模型DEM做差,得到规则化数字表面模型nDSM,即nDSM=DSM‑DEM;(4)针对规则化数字表面模型nDSM,提取建筑物轮廓;(5)根据建筑物轮廓和规则化数字表面模型nDSM,提取建筑物高度。该基于三维实景数据的建筑物高度提取方法无需人工干预而自动获取、且精度和效率均较高。
Description
技术领域
本发明涉及地理空间数据处理与应用技术领域,具体涉及一种基于三维实景数据的建筑 物高度提取方法及其装置。
背景技术
建筑物是城市最重要的组成要素,城市化的一个重要表现就是大量建筑物的出现。而建 筑物高度又是建筑物的关键参数之一,掌握城市建筑物高度的情况,就可以有效辅助城市规 划、治理等工作的开展,例如,建筑物高度与小区容积率有直接关系,通过分析建筑物高度 可以间接衡量小区居住环境的优劣。另外,建筑物高度在灾害分析、应急响应等领域也具有 非常重要的意义。因此,掌握城市的建筑物高度信息势在必行。
目前,提取建筑物高度的方法主要有以下几种:1)实地测量法,利用全站仪等测量设备, 根据相关测量技术规范对建筑物进行实地测量,该方法精度高,但是工作量大,效率低,不 适用于大范围的调查工作;2)楼层推测法,根据建筑物的楼层信息和标准楼层的高度,推算 出建筑物高度,该方法较为简便,但是误差大,精度低;3)阴影估算法,根据建筑物地图的 阴影长度,结合太阳高度角、方位角等信息来估算建筑物高度,该方法过于复杂,难以保证 精度的一致性。因此,现有技术存在不足,需要改进和完善。因此,目前亟需设计一种无需 人工干预而自动获取、且精度和效率均较高的基于三维实景数据的建筑物高度提取方法。
发明内容
本发明要解决的技术问题是:提供一种无需人工干预而自动获取、且精度和效率均较高 的基于三维实景数据的建筑物高度提取方法。
本发明的技术解决方案是:一种基于三维实景数据的建筑物高度提取方法,其特征在于: 它包括以下步骤:
(1)由三维实景数据提取点云数据;
(2)由点云数据生成数字表面模型DSM以及数字高程模型DEM;
(3)将数字表面模型DSM与数字高程模型DEM做差,得到规则化数字表面模型nDSM,即nDSM=DSM-DEM;
(4)针对规则化数字表面模型nDSM,提取建筑物轮廓;
(5)根据建筑物轮廓和规则化数字表面模型nDSM,提取建筑物高度。
采用上述方法后,本发明具有以下优点:
本发明基于三维实景数据的建筑物高度提取方法,只需利用三维实景数据并对其运行相 应的算法,即可自动获取建筑物的高度,整个过程无需人工干预,处理速度快,自动化程度 和效率均较高;而且三维实景数据是一种全新的地理空间数据,其具有高精度、全要素等优 点,因此最终获得的建筑物高度也较为精确,从而使得该方法非常适用于城市级大范围、高 精度的建筑物高度普查工作;另外该方法不仅可以获取高精度的建筑物高度,还可以获取高 精度的建筑物轮廓。
作为优选,所述步骤(1)中是利用三角网加密算法,由三维实景数据提取稠密且分布均 匀的点云数据,所述三角网加密算法包括以下子步骤:
(s1)令三维实景数据的顶点为{p1,p2,p3…pn},三角网数据为{t1,t2,…tn},
其中:
pi=(xi,yi,zi)为空间坐标,
n为顶点数量,
ti=(Ai,Bi,Ci)为三角形,
Ai,Bi和Ci为顶点的序号;
(s2)令加密后的点云数据为S,S初始化为{p1,p2,p3…pn},加密的最小边长为Lmin;
(s3)令待加密的三角形为ti=(Ai,Bi,Ci),其中,三条边的中点分别为u,v和w,则加 密策略如下:
a)当三条边AiBi、AiCi和BiCi的长度均不小于Lmin时,则将三个中点u、v和w加入到S中,然后对剖分后的四个子三角形Aiuw和uBiv和uvw和wvCi继续进行加密处理;
b)当有两条边的长度不小于Lmin时,将此两条边的中点加入到S中,假设此两条边为AiBi和AiCi,中点分别为u和w,则
i)当AiBi长度不小于AiCi时,将三角形剖分为Aiuw、uBiw和wBiCi;
ii)当AiBi长度小于AiCi时,将三角形剖分为Aiuw、uBiCi和uCiw;
对剖分后的三角形继续进行加密处理;
c)当只有一条边的长度不小于Lmin时,则将此条边的中点加入到S中,同时对两个剖分 后的子三角形AiBiv和AivCi继续进行加密处理;
d)当所有边长均小于Lmin时,此三角形的加密过程结束。
该设置利用三角网加密算法提取一致的点云数据,消除了不同三维实景数据之间的差 异,实现一套算法参数即可适应不同数据;而且对各三角形的三条边均利用中点进行加密处 理,直至所有边均小于Lmin,从而使得获取的点云数据稠密且分布均匀,而稠密且分布均匀 的点云数据能获取更为准确可靠的建筑物高度的结果。
作为优选,所述三角网加密算法在子步骤(s3)之后还包括以下子步骤:
(s4)对S构建八叉树结构,令si为S中的任意一个点,r1为查询半径,查询以si为中心,半径为r1范围内的所有点,记为Q={q1,q2,q3…qn},Q根据高程进行从小到大排序,计算Q中相邻点之间的高程差值Dz,
Dz={dz1,dz2,dz3…dzn-1},
其中:
dzi=qi+1(z)-qi(z)
qi+1(z)、qi(z)分别表示Q中前后两个点qi+1、qi的高程,
令最大高程差值为h,依次对dzi进行判断,如果dzi大于h且i小于第一设定值,则将q1到qi这些点从S中剔除。
该设置可滤除建筑物低处的干扰,使原数据更准确可靠,从而使得最终获取的建筑物高 度的结果也更为准确可靠。
作为优选,所述步骤(2)中是利用反距离加权算法,由点云数据生成数字表面模型DSM, 所述反距离加权算法包括以下子步骤:
(s1)计算点云数据的平面范围,X方向范围为[Xmin,Xmax],Y方向范围为[Ymin,Ymax];
(s2)令数字表面模型DSM的分辨率为res,创建一个长为W、宽为H的二维网格,每个网格单元可以存储一个高程,其中
ceiling函数的作用是向上取最接近的整数;
(s3)针对任一网格单元(u,v),u、v为二维网格中的行列号,则其地理坐标(x,y)的计算公式如下:
(s4)令搜索半径为r2,以(x,y)为中心,搜索半径r2范围内的点云数据,记为Q'={q1',q2',q3',…qn'},并计算Q与(x,y)的距离D,
D={d1,d2,d3,…dn}
其中di表示qi'与(x,y)的平面距离;
(s5)计算每个网格单元的高程h,计算公式如下:
ds=∑di
qi'(z)表示点qi'的高程。
反距离加权算法可使距离越近的点权重越大,而距离越近的点就是越相关的点,使其权 重更大,便可更逼近结果,而且反距离加权算法与稠密且分布均匀的点云数据相结合,可使 结果更趋于完美。
作为优选,所述步骤(2)中由点云数据生成数字高程模型DEM,它包括以下子步骤:
(s1)对点云数据进行处理,提取地面点G,其中地面点G是点云数据S的子集,并设置数 字高程模型DEM长、宽、分辨率均与数字表面模型DSM完全一致;
(s2)对地面点G构建Delaunay三角网,通过Delaunay三角网内插出数字高程模型DEM。
该设置通过构建长、宽、分辨率均与数字表面模型DSM完全一致的数字高程模型DEM, 可方便后续快速获得规则化数字表面模型nDSM,算法更简单方便。
作为优选,所述步骤(4)中针对规则化数字表面模型nDSM,是利用基于等高线的交并比 分析算法,提取建筑物轮廓,所述基于等高线的交并比分析算法包括以下子步骤:
(s1)令规则化数字表面模型nDSM中的高程最大值为Zmax,等高距为1米,则等高线的高 程hi取值范围为1≤hi≤int(Zmax),int表示取整;
(s4)计算交集与并集的面积比(IOU),以下简称交并比IOU:
(s5)令候选建筑物轮廓集为B={b1,b2,b3…bn},最终建筑物轮廓集为A,对B进行极大 值抑制处理,将最佳的建筑物轮廓加入到A中,该步骤还包括以下子步骤:
a)从B中取出当前交并比IOU最大的建筑物轮廓bi,将bi从B中剔除;
b)令bj为B中的剩余的候选建筑物轮廓,计算bi与bj的交并比IOU,若交并比IOU大于 第三设定值,则将bj从B中剔除;
c)若bi面积大于第四设定值,则将bi加入到A中;
重复步骤a)~c),直到B为空。
该基于等高线的交并比分析算法可以获得较为准确的建筑物轮廓。
作为优选,所述步骤(5)中根据建筑物轮廓和规则化数字表面模型nDSM,利用统计算法 提取建筑物高度,所述统计算法包括以下步骤:
(s1)令最终建筑物轮廓A={a1,a2,a3…an},针对最终建筑物轮廓A中的任一轮廓ai,从 规则化数字表面模型nDSM中得到对应的从大到小排序的高程列表{h1,h2,h3,…hm};
(s2)将hj作为建筑物轮廓ai对应的建筑物的高度,其中
j=ceiling(m×k),0<k<0.05。
该设置可有效剔除屋顶附属物对建筑物高程的影响,即可消除高处噪声。
本发明要解决的另一技术问题是:提供一种无需人工干预而自动获取、且精度和效率均 较高的基于三维实景数据的建筑物高度提取装置。
本发明的另一技术解决方案是:一种基于三维实景数据的建筑物高度提取装置,其特征 在于:它包括以下模块:
点云数据提取模块:由三维实景数据提取点云数据;
DSM及DEM模型生成模块:由点云数据生成数字表面模型DSM以及数字高程模型DEM;
nDSM模型生成模块:将数字表面模型DSM与数字高程模型DEM做差,得到规则化数字 表面模型nDSM,即nDSM=DSM-DEM;
建筑物轮廓提取模块:针对规则化数字表面模型nDSM,提取建筑物轮廓;
建筑物高度提取模块:根据建筑物轮廓和规则化数字表面模型nDSM,提取建筑物高度。
采用上述装置后,本发明具有以下优点:
本发明基于三维实景数据的建筑物高度提取装置,只需利用三维实景数据并对其运行相 应的算法,即可自动获取建筑物的高度,整个过程无需人工干预,处理速度快,自动化程度 和效率均较高;而且三维实景数据是一种全新的地理空间数据,其具有高精度、全要素等优 点,因此最终获得的建筑物高度也较为精确,从而使得该方法非常适用于城市级大范围、高 精度的建筑物高度普查工作;另外该方法不仅可以获取高精度的建筑物高度,还可以获取高 精度的建筑物轮廓。
作为优选,所述点云数据提取模块是利用三角网加密算法,由三维实景数据提取稠密且 分布均匀的点云数据,它还包括以下子模块:
参数获取子模块:令三维实景数据的顶点为{p1,p2,p3…pn},三角网数据为{t1,t2,…tn}, 其中:pi=(xi,yi,zi)为空间坐标,n为顶点数量,ti=(Ai,Bi,Ci)为三角形,Ai,Bi和Ci为顶点 的序号;
参数初始化子模块:令加密后的点云数据为S,S初始化为{p1,p2,p3…pn},加密的最小 边长为Lmin;
三角网加密算法子模块:令待加密的三角形为ti=(Ai,Bi,Ci),其中,三条边的中点分别 为u,v和w,则加密策略如下:
a)当三条边AiBi、AiCi和BiCi的长度均不小于Lmin时,则将三个中点u、v和w加入到S中,然后对剖分后的四个子三角形Aiuw和uBiv和uvw和wvCi继续进行加密处理;
b)当有两条边的长度不小于Lmin时,将此两条边的中点加入到S中,假设此两条边为AiBi和AiCi,中点分别为u和w,则
j)当AiBi长度不小于AiCi时,将三角形剖分为Aiuw、uBiw和wBiCi;
ii)当AiBi长度小于AiCi时,将三角形剖分为Aiuw、uBiCi和uCiw;
对剖分后的三角形继续进行加密处理;
c)当只有一条边的长度不小于Lmin时,则将此条边的中点加入到S中,同时对两个剖分 后的子三角形AiBiv和AivCi继续进行加密处理;
d)当所有边长均小于Lmin时,此三角形的加密过程结束;
低处干扰滤除模块:对S构建八叉树结构,令si为S中的任意一个点,r1为查询半径, 查询以si为中心,半径为r1范围内的所有点,记为Q={q1,q2,q3…qn},Q根据高程进行从小 到大排序,计算Q中相邻点之间的高程差值Dz,
Dz={dz1,dz2,dz3…dzn-1},
其中:
dzi=qi+1(z)-qi(z)
qi+1(z)、qi(z)分别表示Q中前后两个点qi+1、qi的高程,
令最大高程差值为h,依次对dzi进行判断,如果dzi大于h且i小于第一设定值,则将q1到qi这些点从S中剔除。
该设置利用三角网加密算法提取一致的点云数据,消除了不同三维实景数据之间的差 异,实现一套算法参数即可适应不同数据;而且对各三角形的三条边均利用中点进行加密处 理,直至所有边均小于Lmin,从而使得获取的点云数据稠密且分布均匀,而稠密且分布均匀 的点云数据能获取更为准确可靠的建筑物高度的结果;此外还可滤除建筑物低处的干扰,使 原数据更准确可靠,从而也进一步使得最终获取的建筑物高度的结果更为准确可靠。
作为优选,所述建筑物轮廓提取模块是针对规则化数字表面模型nDSM,利用基于等高线 的交并比分析算法,提取建筑物轮廓,它还包括以下子模块:
等高线设置模块:令规则化数字表面模型nDSM中的高程最大值为Zmax,等高距为1米,则 等高线的高程hi取值范围为1≤hi≤int(Zmax),int表示取整;
候选建筑物轮廓集B获取模块:计算交集与并集的面积比(IOU),以下简称交并比IOU:
最终建筑物轮廓集A获取模块:令候选建筑物轮廓集为B={b1,b2,b3…bn},最终建筑物 轮廓集为A,对B进行极大值抑制处理,将最佳的建筑物轮廓加入到A中,即先从B中取出 当前交并比IOU最大的建筑物轮廓bi,将bi从B中剔除,然后令bj为B中的剩余的候选建筑物轮廓,计算bi与bj的交并比IOU,若交并比IOU大于第三设定值,则将bj从B中剔除,再 判断bi面积是否大于第四设定值,若是,才将bi加入到A中,重复上述步骤,直到B为空。
该设置利用基于等高线的交并比分析算法可以获得较为准确的建筑物轮廓。
附图说明:
图1为实施例1的基于三维实景数据的建筑物高度提取方法的流程示意图;
图2为实施例1的三角网加密算法的示意图;
图3为实施例1的等高线的提取结果示意图。
具体实施方式
下面结合附图,并结合实施例对本发明做进一步的说明。
实施例1:
一种基于三维实景数据的建筑物高度提取方法,它包括以下步骤:
(1)由三维实景数据提取点云数据;
(2)由点云数据生成数字表面模型DSM以及数字高程模型DEM;
(3)将数字表面模型DSM与数字高程模型DEM做差,得到规则化数字表面模型nDSM,即nDSM=DSM-DEM;
(4)针对规则化数字表面模型nDSM,提取建筑物轮廓;
(5)根据建筑物轮廓和规则化数字表面模型nDSM,提取建筑物高度。
采用上述方法后,本发明具有以下优点:
本发明基于三维实景数据的建筑物高度提取方法,只需利用三维实景数据并对其运行相 应的算法,即可自动获取建筑物的高度,整个过程无需人工干预,处理速度快,自动化程度 和效率均较高;而且三维实景数据是一种全新的地理空间数据,其具有高精度、全要素等优 点,因此最终获得的建筑物高度也较为精确,从而使得该方法非常适用于城市级大范围、高 精度的建筑物高度普查工作;另外该方法不仅可以获取高精度的建筑物高度,还可以获取高 精度的建筑物轮廓。
作为优选,所述步骤(1)中是利用三角网加密算法,由三维实景数据提取稠密且分布均 匀的点云数据,所述三角网加密算法包括以下子步骤:
(s1)令三维实景数据的顶点为{p1,p2,p3…pn},三角网数据为{t1,t2,…tn},
其中:
pi=(xi,yi,zi),为空间坐标,
n为顶点数量,
ti=(Ai,Bi,Ci)为三角形,
Ai,Bi和Ci为顶点的序号;
(s2)令加密后的点云数据为S,S初始化为{p1,p2,p3…pn},加密的最小边长为Lmin,优选 0.2m;
(s3)令待加密的三角形为ti=(Ai,Bi,Ci),其中,三条边的中点分别为u,v和w,则加 密策略如下:
a)当三条边AiBi、AiCi和BiCi的长度均不小于Lmin时,则将三个中点u、v和w加入到S中,然后对剖分后的四个子三角形Aiuw和uBiv和uvw和wvCi继续进行加密处理,如 图2(1)所示;
b)当有两条边的长度不小于Lmin时,将此两条边的中点加入到S中,假设此两条边为AiBi和AiCi,中点分别为u和w,则
k)当AiBi长度不小于AiCi时,将三角形剖分为Aiuw、uBiw和wBiCi;
ii)当AiBi长度小于AiCi时,将三角形剖分为Aiuw、uBiCi和uCiw;
对剖分后的三角形继续进行加密处理,如图2(2)和图2(3)所示;
c)当只有一条边的长度不小于Lmin时,则将此条边的中点加入到S中,同时对两个剖分 后的子三角形AiBiv和AivCi继续进行加密处理,如图2(4)所示;
d)当所有边长均小于Lmin时,此三角形的加密过程结束。
该设置利用三角网加密算法提取一致的点云数据,消除了不同三维实景数据之间的差 异,实现一套算法参数即可适应不同数据;而且对各三角形的三条边均利用中点进行加密处 理,直至所有边均小于Lmin,从而使得获取的点云数据稠密且分布均匀,而稠密且分布均匀 的点云数据能获取更为准确可靠的建筑物高度的结果。
作为优选,所述三角网加密算法在子步骤(s3)之后还包括以下子步骤:
(s4)对S构建八叉树结构,令si为S中的任意一个点,r1为查询半径,优选5m,查询以si为中心,半径为r1范围内的所有点,记为Q={q1,q2,q3…qn},Q根据高程进行从小到大排序,计算Q中相邻点之间的高程差值Dz,
Dz={dz1,dz2,dz3…dzn-1},
其中:
dzi=qi+1(z)-qi(z)
qi+1(z)、qi(z)分别表示Q中前后两个点qi+1、qi的高程,
令最大高程差值为h,优选3m,依次对dzi进行判断,如果dzi大于h且i小于第一设定值, 第一设定值优选5,则将q1到qi这些点从S中剔除。
该设置可滤除建筑物低处的干扰,使原数据更准确可靠,从而使得最终获取的建筑物高 度的结果也更为准确可靠。
作为优选,所述步骤(2)中是利用反距离加权算法,由点云数据生成数字表面模型DSM, 所述反距离加权算法包括以下子步骤:
(s1)计算点云数据的平面范围,X方向范围为[Xmin,Xmax],Y方向范围为[Ymin,Ymax];
(s2)令数字表面模型DSM的分辨率为res,优选0.2m,创建一个长为W、宽为H的二维网格,每个网格单元可以存储一个高程,其中
ceiling函数的作用是向上取最接近的整数;
(s3)针对任一网格单元(u,v),u、v为二维网格中的行列号,则其地理坐标(x,y)的计算公式如下:
(s4)令搜索半径为r2,优选2m,以(x,y)为中心,搜索半径r2范围内的点云数据,记为Q'={q1',q2',q3',…qn'},并计算Q与(x,y)的距离D,
D={d1,d2,d3,…dn}
其中di表示qi'与(x,y)的平面距离;
(s5)计算每个网格单元的高程h,计算公式如下:
ds=∑di
qi'(z)表示点qi'的高程。
反距离加权算法可使距离越近的点权重越大,而距离越近的点就是越相关的点,使其权 重更大,便可更逼近结果,而且反距离加权算法与稠密且分布均匀的点云数据相结合,可使 结果更趋于完美。
作为优选,所述步骤(2)中由点云数据生成数字高程模型DEM,它包括以下子步骤:
(s1)对点云数据进行处理,处理方法可采用渐进式三角网(TIN)滤波算法,提取地面点 G,其中地面点G是点云数据S的子集,并设置数字高程模型DEM长、宽、分辨率均与数字表面 模型DSM完全一致;
(s2)对地面点G构建Delaunay三角网,通过Delaunay三角网内插出数字高程模型DEM。
该设置通过构建长、宽、分辨率均与数字表面模型DSM完全一致的数字高程模型DEM, 可方便后续快速获得规则化数字表面模型nDSM,算法更简单方便。
作为优选,所述由点云数据生成数字高程模型DEM中的子步骤(s3)之后还包括子步骤 (s4):对数字高程模型DEM进行高斯滤波,高斯滤波的窗口大小可优选5。该设置可消除噪 声对数字高程模型DEM的影响。
作为优选,所述步骤(4)中针对规则化数字表面模型nDSM,是利用基于等高线的交并比 分析算法,提取建筑物轮廓,所述基于等高线的交并比分析算法包括以下子步骤:
(s1)令规则化数字表面模型nDSM中的高程最大值为Zmax,等高距为1米,则等高线的高 程hi取值范围为1≤hi≤int(Zmax),int表示取整;
(s4)计算交集与并集的面积比(IOU),以下简称交并比IOU:
(s5)令候选建筑物轮廓集为B={b1,b2,b3…bn},最终建筑物轮廓集为A,对B进行极大 值抑制处理,将最佳的建筑物轮廓加入到A中,该步骤还包括以下子步骤:
d)从B中取出当前交并比IOU最大的建筑物轮廓bi,将bi从B中剔除;
e)令bj为B中的剩余的候选建筑物轮廓,计算bi与bj的交并比IOU,若交并比IOU大于 第三设定值,则将bj从B中剔除,第三设定值优选0.4;
f)若bi面积大于第四设定值,则将bi加入到A中,第四设定值优选20m2;
重复步骤a)~c),直到B为空。
该基于等高线的交并比分析算法可以获得较为准确的建筑物轮廓。
作为优选,所述步骤(5)中根据建筑物轮廓和规则化数字表面模型nDSM,利用统计算法 提取建筑物高度,所述统计算法包括以下步骤:
(s1)令最终建筑物轮廓A={a1,a2,a3…an},针对最终建筑物轮廓A中的任一轮廓ai,从 规则化数字表面模型nDSM中得到对应的从大到小排序的高程列表{h1,h2,h3,…hm};
(s2)将hj作为建筑物轮廓ai对应的建筑物的高度,其中
j=ceiling(m×0.02),0<k<0.05。
该设置可有效剔除屋顶附属物对建筑物高程的影响,即可消除高处噪声。
作为优选,所述统计算法的子步骤(s1)中还采用Douglas-Peucker算法对A中的建筑物 轮廓ai进行化简。该设置可降低建筑物轮廓的复杂度,从而降低整个算法的复杂性。
实施例2:
一种基于三维实景数据的建筑物高度提取装置,它包括以下模块:
点云数据提取模块:由三维实景数据提取点云数据;
DSM及DEM模型生成模块:由点云数据生成数字表面模型DSM以及数字高程模型DEM;
nDSM模型生成模块:将数字表面模型DSM与数字高程模型DEM做差,得到规则化数字 表面模型nDSM,即nDSM=DSM-DEM;
建筑物轮廓提取模块:针对规则化数字表面模型nDSM,提取建筑物轮廓;
建筑物高度提取模块:根据建筑物轮廓和规则化数字表面模型nDSM,提取建筑物高度。
本发明基于三维实景数据的建筑物高度提取装置,只需利用三维实景数据并对其运行相 应的算法,即可自动获取建筑物的高度,整个过程无需人工干预,处理速度快,自动化程度 和效率均较高;而且三维实景数据是一种全新的地理空间数据,其具有高精度、全要素等优 点,因此最终获得的建筑物高度也较为精确,从而使得该方法非常适用于城市级大范围、高 精度的建筑物高度普查工作;另外该方法不仅可以获取高精度的建筑物高度,还可以获取高 精度的建筑物轮廓。
作为优选,所述点云数据提取模块是利用三角网加密算法,由三维实景数据提取稠密且 分布均匀的点云数据,它还包括以下子模块:
参数获取子模块:令三维实景数据的顶点为{p1,p2,p3…pn},三角网数据为{t1,t2,…tn}, 其中:pi=(xi,yi,zi)为空间坐标,n为顶点数量,ti=(Ai,Bi,Ci)为三角形,Ai,Bi和Ci为顶点 的序号;
参数初始化子模块:令加密后的点云数据为S,S初始化为{p1,p2,p3…pn},加密的最小 边长为Lmin;
三角网加密算法子模块:令待加密的三角形为ti=(Ai,Bi,Ci),其中,三条边的中点分别 为u,v和w,则加密策略如下:
a)当三条边AiBi、AiCi和BiCi的长度均不小于Lmin时,则将三个中点u、v和w加入到S中,然后对剖分后的四个子三角形Aiuw和uBiv和uvw和wvCi继续进行加密处理,如 图2(1)所示;
b)当有两条边的长度不小于Lmin时,将此两条边的中点加入到S中,假设此两条边为AiBi和AiCi,中点分别为u和w,则
l)当AiBi长度不小于AiCi时,将三角形剖分为Aiuw、uBiw和wBiCi;
ii)当AiBi长度小于AiCi时,将三角形剖分为Aiuw、uBiCi和uCiw;
对剖分后的三角形继续进行加密处理,如图2(2)和图2(3)所示;
c)当只有一条边的长度不小于Lmin时,则将此条边的中点加入到S中,同时对两个剖分 后的子三角形AiBiv和AivCi继续进行加密处理,如图2(4)所示;
d)当所有边长均小于Lmin时,此三角形的加密过程结束;
低处干扰滤除模块:对S构建八叉树结构,令si为S中的任意一个点,r1为查询半径, 查询以si为中心,半径为r1范围内的所有点,记为Q={q1,q2,q3…qn},Q根据高程进行从小 到大排序,计算Q中相邻点之间的高程差值Dz,
Dz={dz1,dz2,dz3…dzn-1},
其中:
dzi=qi+1(z)-qi(z)
qi+1(z)、qi(z)分别表示Q中前后两个点qi+1、qi的高程,
令最大高程差值为h,依次对dzi进行判断,如果dzi大于h且i小于第一设定值,则将q1到qi这些点从S中剔除。
该设置利用三角网加密算法提取一致的点云数据,消除了不同三维实景数据之间的差 异,实现一套算法参数即可适应不同数据;而且对各三角形的三条边均利用中点进行加密处 理,直至所有边均小于Lmin,从而使得获取的点云数据稠密且分布均匀,而稠密且分布均匀 的点云数据能获取更为准确可靠的建筑物高度的结果;此外还可滤除建筑物低处的干扰,使 原数据更准确可靠,从而也进一步使得最终获取的建筑物高度的结果更为准确可靠。
作为优选,所述建筑物轮廓提取模块是针对规则化数字表面模型nDSM,利用基于等高线 的交并比分析算法,提取建筑物轮廓,它还包括以下子模块:
等高线设置模块:令规则化数字表面模型nDSM中的高程最大值为Zmax,等高距为1米,则 等高线的高程hi取值范围为1≤hi≤int(Zmax),int表示取整;
候选建筑物轮廓集B获取模块:计算交集与并集的面积比(IOU),以下简称交并比IOU:
最终建筑物轮廓集A获取模块:令候选建筑物轮廓集为B={b1,b2,b3…bn},最终建筑物 轮廓集为A,对B进行极大值抑制处理,将最佳的建筑物轮廓加入到A中,即先从B中取出 当前交并比IOU最大的建筑物轮廓bi,将bi从B中剔除,然后令bj为B中的剩余的候选建筑物轮廓,计算bi与bj的交并比IOU,若交并比IOU大于第三设定值,则将bj从B中剔除,再 判断bi面积是否大于第四设定值,若是,才将bi加入到A中,重复上述步骤,直到B为空。
该设置利用基于等高线的交并比分析算法可以获得较为准确的建筑物轮廓。
Claims (10)
1.一种基于三维实景数据的建筑物高度提取方法,其特征在于:它包括以下步骤:
(1)由三维实景数据提取点云数据;
(2)由点云数据生成数字表面模型DSM以及数字高程模型DEM;
(3)将数字表面模型DSM与数字高程模型DEM做差,得到规则化数字表面模型nDSM,即nDSM=DSM-DEM;
(4)针对规则化数字表面模型nDSM,提取建筑物轮廓;
(5)根据建筑物轮廓和规则化数字表面模型nDSM,提取建筑物高度。
2.根据权利要求1所述的一种基于三维实景数据的建筑物高度提取方法,其特征在于:所述步骤(1)中是利用三角网加密算法,由三维实景数据提取稠密且分布均匀的点云数据,所述三角网加密算法包括以下子步骤:
(s1)令三维实景数据的顶点为{p1,p2,p3…pn},三角网数据为{t1,t2,…tn},
其中:
pi=(xi,yi,zi)为空间坐标,
n为顶点数量,
ti=(Ai,Bi,Ci)为三角形,
Ai,Bi和Ci为顶点的序号;
(s2)令加密后的点云数据为S,S初始化为{p1,p2,p3…pn},加密的最小边长为Lmin;
(s3)令待加密的三角形为ti=(Ai,Bi,Ci),其中,三条边的中点分别为u,v和w,则加密策略如下:
a)当三条边AiBi、AiCi和BiCi的长度均不小于Lmin时,则将三个中点u、v和w加入到S中,然后对剖分后的四个子三角形Aiuw和uBiv和uvw和wvCi继续进行加密处理;
b)当有两条边的长度不小于Lmin时,将此两条边的中点加入到S中,假设此两条边为AiBi和AiCi,中点分别为u和w,则
i)当AiBi长度不小于AiCi时,将三角形剖分为Aiuw、uBiw和wBiCi;
ii)当AiBi长度小于AiCi时,将三角形剖分为Aiuw、uBiCi和uCiw;
对剖分后的三角形继续进行加密处理;
c)当只有一条边的长度不小于Lmin时,则将此条边的中点加入到S中,同时对两个剖分后的子三角形AiBiv和AivCi继续进行加密处理;
d)当所有边长均小于Lmin时,此三角形的加密过程结束。
3.根据权利要求2所述的一种基于三维实景数据的建筑物高度提取方法,其特征在于:所述三角网加密算法在子步骤(s3)之后还包括以下子步骤:
(s4)对S构建八叉树结构,令si为S中的任意一个点,r1为查询半径,查询以si为中心,半径为r1范围内的所有点,记为Q={q1,q2,q3…qn},Q根据高程进行从小到大排序,计算Q中相邻点之间的高程差值Dz,
Dz={dz1,dz2,dz3…dzn-1},
其中:
dzi=qi+1(z)-qi(z)
qi+1(z)、qi(z)分别表示Q中前后两个点qi+1、qi的高程,
令最大高程差值为h,依次对dzi进行判断,如果dzi大于h且i小于第一设定值,则将q1到qi这些点从S中剔除。
4.根据权利要求2所述的一种基于三维实景数据的建筑物高度提取方法,其特征在于:所述步骤(2)中是利用反距离加权算法,由点云数据生成数字表面模型DSM,所述反距离加权算法包括以下子步骤:
(s1)计算点云数据的平面范围,X方向范围为[Xmin,Xmax],Y方向范围为[Ymin,Ymax];
(s2)令数字表面模型DSM的分辨率为res,创建一个长为W、宽为H的二维网格,每个网格单元可以存储一个高程,其中
ceiling函数的作用是向上取最接近的整数;
(s3)针对任一网格单元(u,v),u、v为二维网格中的行列号,则其地理坐标(x,y)的计算公式如下:
(s4)令搜索半径为r2,以(x,y)为中心,搜索半径r2范围内的点云数据,记为Q'={q1',q2',q3',…qn'},并计算Q与(x,y)的距离D,
D={d1,d2,d3,…dn}
其中di表示qi'与(x,y)的平面距离;
(s5)计算每个网格单元的高程h,计算公式如下:
qi'(z)表示点qi'的高程。
5.根据权利要求4所述的一种基于三维实景数据的建筑物高度提取方法,其特征在于:所述步骤(2)中由点云数据生成数字高程模型DEM,它包括以下子步骤:
(s1)对点云数据进行处理,提取地面点G,其中地面点G是点云数据S的子集,并设置数字高程模型DEM长、宽、分辨率均与数字表面模型DSM完全一致;
(s2)对地面点G构建Delaunay三角网,通过Delaunay三角网内插出数字高程模型DEM。
6.根据权利要求1所述的一种基于三维实景数据的建筑物高度提取方法,其特征在于:所述步骤(4)中针对规则化数字表面模型nDSM,是利用基于等高线的交并比分析算法,提取建筑物轮廓,所述基于等高线的交并比分析算法包括以下子步骤:
(s1)令规则化数字表面模型nDSM中的高程最大值为Zmax,等高距为1米,则等高线的高程hi取值范围为1≤hi≤int(Zmax),int表示取整;
(s4)计算交集与并集的面积比(IOU),以下简称交并比IOU:
(s5)令候选建筑物轮廓集为B={b1,b2,b3…bn},最终建筑物轮廓集为A,对B进行极大值抑制处理,将最佳的建筑物轮廓加入到A中,该步骤还包括以下子步骤:
a)从B中取出当前交并比IOU最大的建筑物轮廓bi,将bi从B中剔除;
b)令bj为B中的剩余的候选建筑物轮廓,计算bi与bj的交并比IOU,若交并比IOU大于第三设定值,则将bj从B中剔除;
c)若bi面积大于第四设定值,则将bi加入到A中;
重复步骤a)~c),直到B为空。
7.根据权利要求1所述的一种基于三维实景数据的建筑物高度提取方法,其特征在于:所述步骤(5)中根据建筑物轮廓和规则化数字表面模型nDSM,利用统计算法提取建筑物高度,所述统计算法包括以下步骤:
(s1)令最终建筑物轮廓A={a1,a2,a3…an},针对最终建筑物轮廓A中的任一轮廓ai,从规则化数字表面模型nDSM中得到对应的从大到小排序的高程列表{h1,h2,h3,…hm};
(s2)将hj作为建筑物轮廓ai对应的建筑物的高度,其中
j=ceiling(m×k),0<k<0.05。
8.一种基于三维实景数据的建筑物高度提取装置,其特征在于:它包括以下模块:
点云数据提取模块:由三维实景数据提取点云数据;
DSM及DEM模型生成模块:由点云数据生成数字表面模型DSM以及数字高程模型DEM;
nDSM模型生成模块:将数字表面模型DSM与数字高程模型DEM做差,得到规则化数字表面模型nDSM,即nDSM=DSM-DEM;
建筑物轮廓提取模块:针对规则化数字表面模型nDSM,提取建筑物轮廓;
建筑物高度提取模块:根据建筑物轮廓和规则化数字表面模型nDSM,提取建筑物高度。
9.根据权利要求8所述的一种基于三维实景数据的建筑物高度提取装置,其特征在于:所述点云数据提取模块是利用三角网加密算法,由三维实景数据提取稠密且分布均匀的点云数据,它还包括以下子模块:
参数获取子模块:令三维实景数据的顶点为{p1,p2,p3…pn},三角网数据为{t1,t2,…tn},其中:pi=(xi,yi,zi)为空间坐标,n为顶点数量,ti=(Ai,Bi,Ci)为三角形,Ai,Bi和Ci为顶点的序号;
参数初始化子模块:令加密后的点云数据为S,S初始化为{p1,p2,p3…pn},加密的最小边长为Lmin;
三角网加密算法子模块:令待加密的三角形为ti=(Ai,Bi,Ci),其中,三条边的中点分别为u,v和w,则加密策略如下:
a)当三条边AiBi、AiCi和BiCi的长度均不小于Lmin时,则将三个中点u、v和w加入到S中,然后对剖分后的四个子三角形Aiuw和uBiv和uvw和wvCi继续进行加密处理;
b)当有两条边的长度不小于Lmin时,将此两条边的中点加入到S中,假设此两条边为AiBi和AiCi,中点分别为u和w,则
j)当AiBi长度不小于AiCi时,将三角形剖分为Aiuw、uBiw和wBiCi;
ii)当AiBi长度小于AiCi时,将三角形剖分为Aiuw、uBiCi和uCiw;
对剖分后的三角形继续进行加密处理;
c)当只有一条边的长度不小于Lmin时,则将此条边的中点加入到S中,同时对两个剖分后的子三角形AiBiv和AivCi继续进行加密处理;
d)当所有边长均小于Lmin时,此三角形的加密过程结束;
低处干扰滤除模块:对S构建八叉树结构,令si为S中的任意一个点,r1为查询半径,查询以si为中心,半径为r1范围内的所有点,记为Q={q1,q2,q3…qn},Q根据高程进行从小到大排序,计算Q中相邻点之间的高程差值Dz,
Dz={dz1,dz2,dz3…dzn-1},
其中:
dzi=qi+1(z)-qi(z)
qi+1(z)、qi(z)分别表示Q中前后两个点qi+1、qi的高程,
令最大高程差值为h,依次对dzi进行判断,如果dzi大于h且i小于第一设定值,则将q1到qi这些点从S中剔除。
10.根据权利要求8所述的一种基于三维实景数据的建筑物高度提取装置,其特征在于:所述建筑物轮廓提取模块是针对规则化数字表面模型nDSM,利用基于等高线的交并比分析算法,提取建筑物轮廓,它还包括以下子模块:
等高线设置模块:令规则化数字表面模型nDSM中的高程最大值为Zmax,等高距为1米,则等高线的高程hi取值范围为1≤hi≤int(Zmax),int表示取整;
候选建筑物轮廓集B获取模块:计算交集与并集的面积比(IOU),以下简称交并比IOU:
最终建筑物轮廓集A获取模块:令候选建筑物轮廓集为B={b1,b2,b3…bn},最终建筑物轮廓集为A,对B进行极大值抑制处理,将最佳的建筑物轮廓加入到A中,即先从B中取出当前交并比IOU最大的建筑物轮廓bi,将bi从B中剔除,然后令bj为B中的剩余的候选建筑物轮廓,计算bi与bj的交并比IOU,若交并比IOU大于第三设定值,则将bj从B中剔除,再判断bi面积是否大于第四设定值,若是,才将bi加入到A中,重复上述步骤,直到B为空。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010138910.1A CN111508015B (zh) | 2020-03-03 | 2020-03-03 | 一种基于三维实景数据的建筑物高度提取方法及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010138910.1A CN111508015B (zh) | 2020-03-03 | 2020-03-03 | 一种基于三维实景数据的建筑物高度提取方法及其装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111508015A true CN111508015A (zh) | 2020-08-07 |
CN111508015B CN111508015B (zh) | 2022-07-12 |
Family
ID=71877540
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010138910.1A Active CN111508015B (zh) | 2020-03-03 | 2020-03-03 | 一种基于三维实景数据的建筑物高度提取方法及其装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111508015B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111553986A (zh) * | 2020-05-19 | 2020-08-18 | 北京数字绿土科技有限公司 | 三角网的构建方法、构建装置和数字表面模型的生成方法 |
CN112033393A (zh) * | 2020-08-25 | 2020-12-04 | 国网天津市电力公司 | 基于激光雷达点云数据的三维航线规划方法及装置 |
CN114429530A (zh) * | 2022-04-06 | 2022-05-03 | 武汉峰岭科技有限公司 | 自动提取建筑物三维模型的方法、系统、存储介质及设备 |
CN117036959A (zh) * | 2023-09-08 | 2023-11-10 | 江西财经大学 | 一种基于遥感的建筑物洪灾易损性评价方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009131108A1 (ja) * | 2008-04-23 | 2009-10-29 | 株式会社パスコ | 建物屋根輪郭認識装置、建物屋根輪郭認識方法、及び建物屋根輪郭認識プログラム |
CN102103202A (zh) * | 2010-12-01 | 2011-06-22 | 武汉大学 | 一种融合影像的机载激光雷达数据半监督分类方法 |
CN102411778A (zh) * | 2011-07-28 | 2012-04-11 | 武汉大学 | 一种机载激光点云与航空影像的自动配准方法 |
CN104049245A (zh) * | 2014-06-13 | 2014-09-17 | 中原智慧城市设计研究院有限公司 | 基于LiDAR点云空间差异分析的城市建筑物变化检测方法 |
CN110208815A (zh) * | 2019-05-10 | 2019-09-06 | 江苏大学 | 一种基于机载激光雷达的大面积成熟作物收获信息快速获取方法 |
-
2020
- 2020-03-03 CN CN202010138910.1A patent/CN111508015B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009131108A1 (ja) * | 2008-04-23 | 2009-10-29 | 株式会社パスコ | 建物屋根輪郭認識装置、建物屋根輪郭認識方法、及び建物屋根輪郭認識プログラム |
CN102103202A (zh) * | 2010-12-01 | 2011-06-22 | 武汉大学 | 一种融合影像的机载激光雷达数据半监督分类方法 |
CN102411778A (zh) * | 2011-07-28 | 2012-04-11 | 武汉大学 | 一种机载激光点云与航空影像的自动配准方法 |
CN104049245A (zh) * | 2014-06-13 | 2014-09-17 | 中原智慧城市设计研究院有限公司 | 基于LiDAR点云空间差异分析的城市建筑物变化检测方法 |
CN110208815A (zh) * | 2019-05-10 | 2019-09-06 | 江苏大学 | 一种基于机载激光雷达的大面积成熟作物收获信息快速获取方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111553986A (zh) * | 2020-05-19 | 2020-08-18 | 北京数字绿土科技有限公司 | 三角网的构建方法、构建装置和数字表面模型的生成方法 |
CN111553986B (zh) * | 2020-05-19 | 2021-03-05 | 北京数字绿土科技有限公司 | 三角网的构建方法、构建装置和数字表面模型的生成方法 |
CN112033393A (zh) * | 2020-08-25 | 2020-12-04 | 国网天津市电力公司 | 基于激光雷达点云数据的三维航线规划方法及装置 |
CN114429530A (zh) * | 2022-04-06 | 2022-05-03 | 武汉峰岭科技有限公司 | 自动提取建筑物三维模型的方法、系统、存储介质及设备 |
CN114429530B (zh) * | 2022-04-06 | 2022-06-24 | 武汉峰岭科技有限公司 | 自动提取建筑物三维模型的方法、系统、存储介质及设备 |
CN117036959A (zh) * | 2023-09-08 | 2023-11-10 | 江西财经大学 | 一种基于遥感的建筑物洪灾易损性评价方法 |
CN117036959B (zh) * | 2023-09-08 | 2024-02-09 | 江西财经大学 | 一种基于遥感的建筑物洪灾易损性评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111508015B (zh) | 2022-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111508015B (zh) | 一种基于三维实景数据的建筑物高度提取方法及其装置 | |
Zhou et al. | 2.5 d dual contouring: A robust approach to creating building models from aerial lidar point clouds | |
CN109446691B (zh) | 基于激光点云与空气动力学的活立木抗风性能分析方法 | |
CN103020342B (zh) | 一种从地面LiDAR数据中提取建筑物轮廓和角点的方法 | |
CN108010092A (zh) | 一种基于低空摄影测量的城市高密度区太阳能利用潜力评估方法 | |
CN110276732B (zh) | 一种顾及地形特征线要素的山区点云空洞修复方法 | |
CN103701466A (zh) | 基于特征保留的散乱点云压缩算法 | |
CN107392875A (zh) | 一种基于k近邻域划分的点云数据去噪方法 | |
CN111986322B (zh) | 一种基于结构分析的点云室内场景布局重建方法 | |
CN108648271A (zh) | 一种基于gis数据生成复杂地形网格模型的插值方法 | |
CN106600617A (zh) | 基于曲率从Lidar点云数据提取建筑物轮廓线的方法 | |
CN109472802B (zh) | 一种基于边缘特征自约束的表面网格模型构建方法 | |
CN107871327A (zh) | 基于特征点线的单目相机位姿估计和优化方法及系统 | |
CN108614939B (zh) | 顾及三维拓扑的地下工井设施建模方法 | |
CN108765568A (zh) | 一种基于激光雷达点云的多层次建筑物快速三维重建方法 | |
CN110070567A (zh) | 一种地面激光点云配准方法 | |
CA2684893A1 (en) | Geospatial modeling system providing data thinning of geospatial data points and related methods | |
CN112017288A (zh) | 一种基于地形图数据的dem综合与简化方法 | |
CN110111237B (zh) | 一种基于Brep模型的三维模型坐标转换方法 | |
CN109064482B (zh) | 一种三维倾斜摄影场景中自动获取房屋轮廓的方法及装置 | |
CN112365543B (zh) | 基于光学影像的地质结构面提取方法、装置 | |
CN110967778B (zh) | 一种动态坐标系多面体剖分重力布格校正方法 | |
CN117350157A (zh) | 基于时空映射区域辐照度估计及分布式光伏功率预测方法 | |
CN110555189A (zh) | 一种基于反向计算思维的空间插值方法 | |
CN114037810A (zh) | 一种基于二维矢量自动创建CityGML模型的方法 |
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 |