CN111612806B - 一种建筑物立面窗户提取方法及装置 - Google Patents
一种建筑物立面窗户提取方法及装置 Download PDFInfo
- Publication number
- CN111612806B CN111612806B CN202010025069.5A CN202010025069A CN111612806B CN 111612806 B CN111612806 B CN 111612806B CN 202010025069 A CN202010025069 A CN 202010025069A CN 111612806 B CN111612806 B CN 111612806B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- window
- building
- elevation
- points
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 42
- 230000009977 dual effect Effects 0.000 claims abstract description 32
- 238000001914 filtration Methods 0.000 claims abstract description 22
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 claims abstract description 16
- 230000011218 segmentation Effects 0.000 claims abstract description 7
- 238000009499 grossing Methods 0.000 claims abstract description 6
- 230000000877 morphologic effect Effects 0.000 claims abstract description 6
- 238000005070 sampling Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000007812 deficiency Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 5
- 238000010276 construction Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 239000005357 flat glass Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Processing Or Creating Images (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种建筑物立面窗户提取方法及装置,所述方法包括步骤:生成所述建筑物立面点云;对所述点云进行特征分析;采用统计滤波去除所述点云中的无效点;使用距离加权倒数IDW内插方法生成建筑面片的对偶深度图像;对所述对偶深度图像进行阈值分割、中值滤波平滑和形态学滤波处理;找到窗户内的点云及边界。该装置采用上述方法,针对窗户不同情况,提出了通过生成点云对偶深度图像和构建TIN的方式进行边界提取,其中将三维点云转换为二维图像,避免了大量的几何运算,降低了三维的提取难度,而通过构建TIN进行边界提取,则弥补了窗户上点云缺失的情况。
Description
技术领域
本发明属于数字城市技术领域,具体涉及一种建筑物立面窗户提取方法及装置。
背景技术
在数字城市的建设中,建筑物的精细建模已成为研究热点,而激光点云的出现使其成为可能,而如何提取建筑立面的细节特征(如窗户、展台、墙体等)则是实现精细建模的前提。
发明内容
本申请的目的之一在于针对现有技术的不足之处,提供一种建筑物立面窗户提取方法,以在建筑物立面上提取窗户,所述方法包括步骤:
生成所述建筑物立面点云;
对所述点云进行特征分析;
采用统计滤波去除所述点云中的无效点;
使用距离加权倒数IDW内插方法生成建筑面片的对偶深度图像;
对所述对偶深度图像进行阈值分割、中值滤波平滑和形态学滤波处理;
找到窗户内的点云及边界。
优选地,在所述找到窗户内的点云及边界之后还包括步骤:
判断所述窗户内是否存在空洞;
若是,对包含所述空洞的所述建筑物立面构建TIN模型;
提取所述空洞处三角形的边;
提取构成所述三角形边所对应的结点;
对所述结点通过OpenGL进行矩形拟合,构建窗户线框模型,以表示所述窗户的形状和大小。
优选地,所述对所述点云进行特征分析包括步骤:
获取所述建筑物立面点云;
基于墙面点拟合出一个平行于墙面的平面;
将点集分为突出物点云、墙面点云、窗户点云三部分;
获取不同点到所述墙面平面的深度信息。
优选地,所述使用距离加权倒数IDW内插方法生成建筑面片的对偶深度图像包括步骤:
将所述点云数据投影至墙面;
根据采样间隔,确定二维影像的宽度和高度;
根据所述点云的空间分布和高程值,确定每个单元格的特征值;
使用距离加权倒数IDW内插公式将每一所述特征值归化到0-255灰度空间,以得到每个所述单元格的像素值;
生成所述建筑面片的对偶深度图像。
优选地,所述采样间隔及所述二维影像的宽度W和高度H之间的关系式为:
W=(Xmax-Xmin)/GSD;
H=(Ymax-Ymin)/GSD;
其中,Xmax、Xmin分别为X方向上的最大值和最小值,Ymax、Ymin分别为Y方向上的最大值和最小值,GSD为采样间隔。
优选地,所述特征值及所述点云的空间分布和高程值之间的关系式为:
其中为点到对应格网中心的权和高程值的权;Zmax、Zmin为所有点中最大高程和最小高程,hmin(ij)、hmax(ij)为对应格网中点的最大高程和最小高程。
优选地,所述距离加权倒数IDW内插公式为:
Fij=(ΣWijk·Zijk)/(ΣWijk)
其中,Zijk为格网(i,j)中第k个点的高程值。
优选地,在将所述点云的点云数据投影至墙面之前还包括步骤:
获取所述点云中的点云数据(x,y,z);
将其转换,以与墙面平行;
生成新的所述点云数据(x′,y′,z′);其中,为所述点云中的点,(x,y,z)、(x′,y′,z′)分别为在转换前、后的坐标。
优选地,在所述对所述对偶深度图像进行阈值分割之前还包括步骤:
计算所述点云中所有点到墙面的距离d;
将所述距离d替换经坐标转换后的点云数据Pi′(X′,Y′,Z′)中的Z′值,即得到目标点云数据集Oi,点云坐标为Oi(X′,Y′,di)。
本发明还提供了一种建筑物立面窗户提取装置,所述装置包括:
点云生成单元,用于生成所述建筑物立面点云;
特征分析单元,用于对所述点云进行特征分析;
无效点去除单元,用于采用统计滤波去除所述点云中的无效点;
对偶深度图像生成单元,用于使用距离加权倒数IDW内插方法生成建筑面片的对偶深度图像;
对偶深度图像处理单元,用于对所述对偶深度图像进行阈值分割、中值滤波平滑和形态学滤波处理;
窗户生成单元,用于找到窗户内的点云及边界。
本申请针对窗户不同情况,提出了通过生成点云对偶深度图像和构建TIN的方式进行边界提取,其中将三维点云转换为二维图像,避免了大量的几何运算,降低了三维的提取难度,而通过构建TIN进行边界提取,则弥补了窗户上点云缺失的情况。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的一种建筑物立面窗户提取方法的方法流程图;
图2是本发明提供的一种建筑物立面窗户提取装置的结构示意图;
图3是采用统计滤波去噪前的示意图;
图4是采用统计滤波去噪后的示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本公开的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
需要说明的是,下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见,本文中所描述的方面可体现于广泛多种形式中,且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开,所属领域的技术人员应了解,本文中所描述的一个方面可与任何其它方面独立地实施,且可以各种方式组合这些方面中的两者或两者以上。举例来说,可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外,可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是,以下实施例中所提供的图示仅以示意方式说明本公开的基本构想,图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
另外,在以下描述中,提供具体细节是为了便于透彻理解实例。然而,所属领域的技术人员将理解,可在没有这些特定细节的情况下实践所述方面。
本公开实施例提供一种建筑物立面窗户提取方法。本实施例提供的一种建筑物立面窗户提取方法可以由一计算装置来执行,该计算装置可以实现为软件,或者实现为软件和硬件的组合,该计算装置可以集成设置在服务器、终端设备等中。
如图1,在本申请实施例中,本申请提供了一种建筑物立面窗户提取方法,所述方法包括步骤:
S101:生成所述建筑物立面点云。
在本申请实施例中,可以使用多种方法生成所述建筑物立面点云,比如可以使用地面激光三维扫描的方法生成所述建筑物立面点云,本申请对此不进行限制。
S102:对所述点云进行特征分析。
在本申请实施例中,步骤S102中对所述点云进行特征分析具体包括如下步骤:
获取所述建筑物立面点云;
基于墙面点拟合出一个平行于墙面的平面;
将点集分为突出物点云、墙面点云、窗户点云三部分;
获取不同点到所述墙面平面的深度信息。
下面举例对此进行具体阐述。
当生成所述建筑物立面点云后,对这些点云进行分析。建筑物立面中包含有丰富的细节信息,如墙面、窗户、展台、门洞等,这些细节结构的几何特征主要包括方向、位置、大小、拓扑、深度。不同的细节结构在建筑物立面点云中的法向量也不同,如墙面法向量垂直于Z值,地面法向量平行于Z值;窗户通常高于地面而低于建筑物顶面,门洞与地面相接;墙面占比较大,而窗户则很小;墙面和门洞通常与地面垂直相交,而窗户与地面垂直不相交;窗户位于墙面内,展台阳台等突出物位于墙面外,具体如表1。
表1
通过分析可以看出,窗户通常低于墙面,位于墙面内部,而展台阳台等突出物位于墙面外部,对于生成的建筑物立面点云数据,可基于墙面点拟合出一个平面,将点集分为三部分,即突出物点云、墙面点云、窗户点云。利用不同点到墙面平面的深度信息,生成立面对偶深度图像,从而将窗户提取转换到二维平面,降低操作难度,提高窗户提取的准确性。
S103:采用统计滤波去除所述点云中的无效点。
在本步骤中,采用统计滤波去除所述点云中的无效点。
由于窗户处于不同状态时,采集到的数据也会不同。具体地,当窗户玻璃张开时,激光透过窗户打在室内,获取室内点云,则窗户上形成空洞,当窗户闭合且有窗帘遮挡时,点云落在窗户上。为了降低无效点对对偶深度图像生成的影响,本申请采用统计滤波对其进行去除,去噪前、后如图3和4所示。
S104:使用距离加权倒数IDW内插方法生成建筑面片的对偶深度图像。
在本申请实施例中,步骤S104中使用距离加权倒数IDW内插方法生成建筑面片的对偶深度图像具体包括如下步骤:
将所述点云的点云数据投影至墙面。
进一步地,在本申请实施例中,在将所述点云数据投影至墙面之前还包括步骤:
获取所述点云中的点云数据(x,y,z);
将其转换,以与墙面平行;
生成新的所述点云数据(x′,y′,z′);其中,为所述点云中的点,(x,y,z)、(x′,y′,z′)分别为在转换前、后的坐标。
下面举例对此步骤进行说明。
首先根据墙面三点P1(X1,Y1,Z1),P2(X2,Y2,Z2),P3(X3,Y3,Z3),求出该平面的法向量n,其中,
分别绕X轴和Y轴旋转α和β角,最终将Pi(x,y,z)转换到XOY平面(墙面),得到Pi(x′,y′,z′),
其中,
根据采样间隔,确定二维影像的宽度和高度。
其中,所述采样间隔及所述二维影像的宽度W和高度H之间的关系式为:
W=(Xmax-Xmin)/GSD;
H=(Ymax)-Ymin)/GSD;
其中,Xmax、Xmin分别为X方向上的最大值和最小值,Ymax、Ymin分别为Y方向上的最大值和最小值,GSD为采样间隔。
根据所述点云的空间分布和高程值,确定每个单元格的特征值。
其中,所述特征值及所述点云的空间分布和高程值之间的关系式为:
其中为点到对应格网中心的权和高程值的权;Zmax、Zmin为所有点中最大高程和最小高程,hmin(ij)、hmax(ij)为对应格网中点的最大高程和最小高程。
使用距离加权倒数IDW内插公式将每一所述特征值归化到0-255灰度空间,以得到每个所述单元格的像素值。
其中,所述距离加权倒数IDW内插公式为:
Fij=(ΣWijk·Zijk)/(ΣWijk)
其中,Zijk为格网(i,j)中第k个点的高程值。
生成所述建筑面片的对偶深度图像。
通过上述步骤,可以获得所述建筑面片的对偶深度图像。
S105:对所述对偶深度图像进行阈值分割、中值滤波平滑和形态学滤波处理。
S106:找到窗户内的点云及边界。
通过上述步骤S101-S106,可以获取窗户内的点云及边界,从而可以对窗户进行提取。
在本申请实施例中,在步骤S106的所述找到窗户内的点云及边界之后还包括步骤:
判断所述窗户内是否存在空洞;
若是,对包含所述空洞的所述建筑物立面构建TIN模型;
提取所述空洞处三角形的边;
提取构成所述三角形边所对应的结点;
对所述结点通过OpenGL进行矩形拟合,构建窗户线框模型,以表示所述窗户的形状和大小。
上述基于对偶深度图像的窗户提取方法对窗户上附有点云信息的效果显著,而对窗户无点云覆盖、为空洞的情况,本文采用构建TIN的方式对含有空洞的窗户进行边界提取。TIN是基于的数字高程模型,由结点(Node)、边(Edge)、三角形(Triangle)、包面(Hull)和拓扑(Topology)组成。它是基于矢量的数字地理数据的一种形式,通过将一系列折点(点)组成三角形来构建。由于空洞的存在,对于构建的TIN结构,空洞周边生成的三角形的边长远远大于其它点密集的区域,可基于此特点,提取空洞即窗户构成的三角网,然后通过TIN中结点与边长对应的索引关系,找到窗户边界点,再进行矩形拟合,提取边界。
具体地,首先对包含空洞的建筑物立面构建TIN模型,然后对TIN模型中三角形边长值作频率分布图,通过该图可以看出边长值的分布状况,基于窗户空洞的情况下,较长边长一定在空洞或墙的边界原则,选择合适的边长阈值即可提取所需的边;然后根据TIN模型中结点与边对应的关系,提取构成三角形边所对应的结点;最后对所提取出来的窗户边界点通过OpenGL进行矩形拟合,以构建窗户线框模型,从而反映窗户的形状和大小。
进一步地,在本申请实施例中,在所述对所述对偶深度图像进行阈值分割之前还包括步骤:
计算所述点云中所有点到墙面的距离d;
将所述距离d替换经坐标转换后的点云数据Pi′(X′,Y′,Z′)中的Z′值,即得到目标点云数据集Oi,点云坐标为Oi(X′,Y′,di)。
通过上述步骤,可以便于图像的生成及窗户的阈值分割。
如图2,在本申请实施例中,本发明还提供了一种建筑物立面窗户提取装置,所述装置包括:
点云生成单元201,用于生成所述建筑物立面点云;
特征分析单元202,用于对所述点云进行特征分析;
无效点去除单元203,用于采用统计滤波去除所述点云中的无效点;
对偶深度图像生成单元204,用于使用距离加权倒数IDW内插方法生成建筑面片的对偶深度图像;
对偶深度图像处理单元205,用于对所述对偶深度图像进行阈值分割、中值滤波平滑和形态学滤波处理;
窗户生成单元206,用于找到窗户内的点云及边界。
图2所示装置可以对应的执行上述方法实施例中的内容,本实施例未详细描述的部分,参照上述方法实施例中记载的内容,在此不再赘述。
本申请针对窗户不同情况,提出了通过生成点云对偶深度图像和构建TIN的方式进行边界提取,其中将三维点云转换为二维图像,避免了大量的几何运算,降低了三维的提取难度,而通过构建TIN进行边界提取,则弥补了窗户上点云缺失的情况。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定,例如,第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
应当理解,本公开的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述,仅为本公开的具体实施方式,但本公开的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本公开揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本公开的保护范围之内。因此,本公开的保护范围应以权利要求的保护范围为准。
Claims (6)
1.一种建筑物立面窗户提取方法,其特征在于,所述方法包括步骤:
生成建筑物立面点云;
对所述点云进行特征分析;
采用统计滤波去除所述点云中的无效点;
使用距离加权倒数IDW内插方法生成建筑面片的对偶深度图像;
对所述对偶深度图像进行阈值分割、中值滤波平滑和形态学滤波处理;
找到窗户内的点云及边界;
在所述找到窗户内的点云及边界之后还包括步骤:
判断所述窗户内是否存在空洞;
若是,对包含所述空洞的所述建筑物立面构建TIN模型;
提取所述空洞处三角形的边;
提取构成所述三角形边所对应的结点;
对所述结点通过OpenGL进行矩形拟合,构建窗户线框模型,以表示所述窗户的形状和大小;
所述对所述点云进行特征分析包括步骤:
获取所述建筑物立面点云;
基于墙面点拟合出一个平行于墙面的平面;
将点集分为突出物点云、墙面点云、窗户点云三部分;
获取不同点到所述墙面平面的深度信息;
所述使用距离加权倒数IDW内插方法生成建筑面片的对偶深度图像包括步骤:
将所述点云数据投影至墙面;
根据采样间隔,确定二维影像的宽度和高度;
根据所述点云的空间分布和高程值,确定每个单元格的特征值;
使用距离加权倒数IDW内插公式将每一所述特征值归化到0-255灰度空间,以得到每个所述单元格的像素值;
生成所述建筑面片的对偶深度图像。
2.根据权利要求1所述的建筑物立面窗户提取方法,其特征在于,所述采样间隔及所述二维影像的宽度W和高度H之间的关系式为:
W=(Xmax-Xmin)/GSD;
H=(Ymax-Ymin)/GSD;
其中,Xmax、Xmin分别为X方向上的最大值和最小值,Ymax、Ymin分别为Y方向上的最大值和最小值,GSD为采样间隔。
3.根据权利要求1所述的建筑物立面窗户提取方法,其特征在于,所述特征值及所述点云的空间分布和高程值之间的关系式为:
其中Wijk、为点到对应格网中心的权和高程值的权;Zmax、Zmin为所有点中最大高程和最小高程,hmin(ij)、hmax(ij)为对应格网中点的最大高程和最小高程。
4.根据权利要求1所述的建筑物立面窗户提取方法,其特征在于,所述距离加权倒数IDW内插公式为:
Fij=(k∑WijkZijk)/(∑Wijk)
其中,Zijk为格网(i,j)中第k个点的高程值。
5.根据权利要求1所述的建筑物立面窗户提取方法,其特征在于,在将所述点云的点云数据投影至墙面之前还包括步骤:
获取所述点云中的点云数据(x,y,z);
将其转换,以与墙面平行;
生成新的所述点云数据(x′,y′,z′);其中,为所述点云中的点,(x,y,z)、(x′,y′,z′)分别为在转换前、后的坐标。
6.根据权利要求1所述的建筑物立面窗户提取方法,其特征在于,对所述对偶深度图像进行阈值分割之前还包括步骤:
计算所述点云中所有点到墙面的距离d;
将所述距离d替换经坐标转换后的点云数据Pi′(X′,Y′,Z′)中的Z′值,即得到目标点云数据集Oi,点云坐标为Oi(X′,Y′,di)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010025069.5A CN111612806B (zh) | 2020-01-10 | 2020-01-10 | 一种建筑物立面窗户提取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010025069.5A CN111612806B (zh) | 2020-01-10 | 2020-01-10 | 一种建筑物立面窗户提取方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111612806A CN111612806A (zh) | 2020-09-01 |
CN111612806B true CN111612806B (zh) | 2023-07-28 |
Family
ID=72205377
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010025069.5A Active CN111612806B (zh) | 2020-01-10 | 2020-01-10 | 一种建筑物立面窗户提取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111612806B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112288759B (zh) * | 2020-10-26 | 2024-02-09 | 广东博智林机器人有限公司 | 一种边界提取方法、装置、设备及存储介质 |
CN112488910B (zh) * | 2020-11-16 | 2024-02-13 | 广州视源电子科技股份有限公司 | 点云优化方法、装置及设备 |
CN114067073B (zh) * | 2021-11-16 | 2022-09-06 | 安徽理工大学 | 一种基于tls点云的矿区建筑物变形自动提取方法 |
CN114092775A (zh) * | 2021-11-23 | 2022-02-25 | 中国人民解放军战略支援部队航天工程大学士官学校 | 监督型建筑物窗户提取方法、系统及设备 |
CN114742968B (zh) * | 2022-06-13 | 2022-08-19 | 西南石油大学 | 一种基于建筑物立面点云的立面图生成方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201421329D0 (en) * | 2014-12-02 | 2015-01-14 | Nokia Corp | Objection recognition in a 3D scene |
CN105572687A (zh) * | 2015-12-11 | 2016-05-11 | 中国测绘科学研究院 | 一种基于车载激光雷达点云制作建筑物数字线划图的方法 |
CN105809699A (zh) * | 2016-03-18 | 2016-07-27 | 中山大学 | 一种基于图分割的车窗提取方法及系统 |
WO2019174236A1 (zh) * | 2018-03-14 | 2019-09-19 | 浙江大学 | 一种基于ViBe的三维声纳点云图像分割方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9189862B2 (en) * | 2010-06-10 | 2015-11-17 | Autodesk, Inc. | Outline approximation for point cloud of building |
JP2016537901A (ja) * | 2013-11-22 | 2016-12-01 | ヴィディノティ エスアーVidinoti Sa | ライトフィールド処理方法 |
GB2541153A (en) * | 2015-04-24 | 2017-02-15 | Univ Oxford Innovation Ltd | Processing a series of images to identify at least a portion of an object |
CN105205866B (zh) * | 2015-08-30 | 2018-04-13 | 浙江中测新图地理信息技术有限公司 | 基于密集点云的城市三维模型快速构建方法 |
CN105761308B (zh) * | 2016-02-29 | 2018-09-07 | 武汉大学 | 一种地面LiDAR和影像数据融合的遮挡区域建筑物立面重建方法 |
CN106530345B (zh) * | 2016-11-07 | 2018-12-25 | 江西理工大学 | 一种同机影像辅助下的建筑物三维激光点云特征提取方法 |
CN107424193B (zh) * | 2017-04-27 | 2020-10-13 | 巧夺天宫(深圳)科技有限公司 | 一种门窗信息提取方法及其装置 |
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 |
CN108171720A (zh) * | 2018-01-08 | 2018-06-15 | 武汉理工大学 | 一种基于几何统计信息的倾斜摄影模型对象边界探测方法 |
CN110246092B (zh) * | 2019-05-02 | 2022-09-02 | 江西理工大学 | 一种顾及邻域点均值距离和斜率的三维激光点云去噪方法 |
-
2020
- 2020-01-10 CN CN202010025069.5A patent/CN111612806B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201421329D0 (en) * | 2014-12-02 | 2015-01-14 | Nokia Corp | Objection recognition in a 3D scene |
CN105572687A (zh) * | 2015-12-11 | 2016-05-11 | 中国测绘科学研究院 | 一种基于车载激光雷达点云制作建筑物数字线划图的方法 |
CN105809699A (zh) * | 2016-03-18 | 2016-07-27 | 中山大学 | 一种基于图分割的车窗提取方法及系统 |
WO2019174236A1 (zh) * | 2018-03-14 | 2019-09-19 | 浙江大学 | 一种基于ViBe的三维声纳点云图像分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111612806A (zh) | 2020-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111612806B (zh) | 一种建筑物立面窗户提取方法及装置 | |
Hong et al. | Semi-automated approach to indoor mapping for 3D as-built building information modeling | |
Malihi et al. | 3D building reconstruction using dense photogrammetric point cloud | |
Turner et al. | Fast, automated, scalable generation of textured 3D models of indoor environments | |
CN107146280B (zh) | 一种基于切分的点云建筑物重建方法 | |
Turner et al. | Floor plan generation and room labeling of indoor environments from laser range data | |
CN109598794B (zh) | 三维gis动态模型的构建方法 | |
CN106844983B (zh) | 一种提高建筑物防台风能力的方法 | |
Truong-Hong et al. | Octree-based, automatic building facade generation from LiDAR data | |
CN115564926B (zh) | 基于影像建筑物结构学习的三维面片模型构建方法 | |
CN110717971B (zh) | 面向电网培训业务的变电站三维仿真系统数据库建模系统 | |
CN107657659A (zh) | 基于长方体拟合扫描三维点云的曼哈顿结构建筑物自动建模方法 | |
Yang et al. | 3D reconstruction of building facade with fused data of terrestrial LiDAR data and optical image | |
CN107464286B (zh) | 三维城市模型中的孔洞修复方法及装置、设备及可读介质 | |
Fan et al. | Generalization of 3D buildings modelled by CityGML | |
Lingfors et al. | Target-based visibility assessment on building envelopes: Applications to PV and cultural-heritage values | |
Gu et al. | Automated assessment of wind damage to windows of buildings at a city scale based on oblique photography, deep learning and CFD | |
Kaufmann et al. | ScaleBIM: Introducing a scalable modular framework to transfer point clouds into semantically rich building information models | |
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 | |
CN110634187A (zh) | 基于户型图的房屋点云模型生成方法及装置 | |
CN113744403A (zh) | 建筑物的三维模型的生成方法及系统 | |
CN113160419B (zh) | 一种建筑物立面模型建立方法和装置 | |
CN115375847B (zh) | 材质恢复方法、三维模型的生成方法和模型的训练方法 | |
CN113822999B (zh) | 一种数字乡村三维模型的建筑物分割方法 | |
Yang et al. | LiDAR data reduction assisted by optical image for 3D building reconstruction |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 341000 No. 86 Hongqi Avenue, Jiangxi, Ganzhou Applicant after: Jiangxi University of Science and Technology Applicant after: Fujian Jingwei Digital Technology Co.,Ltd. Address before: 341000 No. 86 Hongqi Avenue, Jiangxi, Ganzhou Applicant before: Jiangxi University of Science and Technology Applicant before: FUJIAN JINGWEI SURVEYING AND MAPPING INFORMATION Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |