CN112163251B - 建筑模型单体化方法、装置、存储介质及电子设备 - Google Patents
建筑模型单体化方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN112163251B CN112163251B CN202010856078.9A CN202010856078A CN112163251B CN 112163251 B CN112163251 B CN 112163251B CN 202010856078 A CN202010856078 A CN 202010856078A CN 112163251 B CN112163251 B CN 112163251B
- Authority
- CN
- China
- Prior art keywords
- building
- area
- point cloud
- image
- gray
- 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Structural Engineering (AREA)
- Civil Engineering (AREA)
- Remote Sensing (AREA)
- Architecture (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- Processing Or Creating Images (AREA)
- Image Processing (AREA)
Abstract
本申请实施例公开了一种基于点密度投影的倾斜摄影建筑模型单体化方法、装置、存储介质及电子设备,其中,方法包括:将倾斜摄影得到的建筑点云模型进行平面投影,得到密度投影图,对所述密度投影图进行灰度阈值滤波和形态学膨胀,得到建筑立面正射投影区域,对所述建筑立面正射投影区域利用two pass算法进行连通成分分析,分割出含各单个建筑物的连通成分,对所述各连通成分计算最小包围盒进行轮廓建模以及区块合并,得到单体建筑物图像,以所述单体建筑物图像为掩膜,保留点云向图像投影时落在前景中的点,提取出单体建筑物点云,完成单体化。采用本申请实施例,倾斜摄影建筑模型单体化装置自动从建筑点云模型中提取出各单体建筑,提高了效率。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种倾斜摄影建筑模型单体化方法、装置、存储介质及电子设备。
背景技术
传统三维建模通常使用3dsMax、AutoCAD等建模软件,基于影像数据、CAD平面图或者拍摄图片估算建筑物轮廓与高度等信息进行人工建模。这种方式制作出的模型数据精度较低,纹理与实际效果偏差较大,并且生产过程需要大量的人工参与;同时数据制作周期较长,造成数据的时效性较低。
近十几年来发展了一种倾斜摄影的技术,该技术通过从一个垂直、四个倾斜、五个不同的视角同步采集影像,获取到丰富的建筑物顶面及侧视的高分辨率纹理。它不仅能够真实地反映地物情况,高精度地获取物方纹理信息,还可通过先进的定位、融合、建模等技术,生成真实的三维城市模型,同时有效提升模型的生产效率。但是倾斜摄影仅能实现对场景中的三维模型的浏览,不能区分三维场景中的每一个单体,无法对每一个单体进行单独管理,例如选中、查询或管理属性,对后续的地理信息系统应用造成困难。
目前实现模型单体化提取的技术方法,大都是通过传统立体采集数字线划图方式经过人工编辑获得,或者基于二维影像图人工逐个获取各类地物的特征及地物特征矢量面,然后通过两者套合对倾斜模型成果进行切割,实现倾斜模型单体化效果。通过上述方法需要耗费大量的人工,导致成本高且速度慢。
发明内容
本申请实施例提供了一种倾斜摄影建筑模型单体化方法、装置、存储介质及电子设备,可以通过平面密度投影、灰度阈值滤波、连通成分分析、图像掩膜点云提取等操作自动从倾斜摄影得到的建筑点云模型中提取出各单体建筑,不需要人工标注就可以快速提取出各单体建筑,节省了人工成本并提高了效率。所述技术方案如下:
第一方面,本申请实施例提供了一种倾斜摄影建筑模型单体化方法,所述方法包括:
将倾斜摄影得到的建筑点云模型进行平面投影,得到密度投影图;
将倾斜摄影得到的建筑点云模型进行平面投影,得到密度投影图;
对所述密度投影图进行灰度阈值滤波和形态学膨胀,得到建筑立面正射投影区域;
对所述建筑立面正射投影区域利用two pass算法进行连通成分分析,分割出含各单个建筑物的连通成分;
对所述各连通成分计算最小包围盒进行轮廓建模以及区块合并,得到单体建筑物图像;
以所述单体建筑物图像为掩膜,保留点云向图像投影时落在前景中的点,提取出单体建筑物点云,完成单体化。
可选的,所述以所述单体建筑物图像为掩膜,保留点云向图像投影时落在前景中的点,提取出单体建筑物点云,完成单体化之后,还包括:
通过对基于所述单体建筑物点云编码可与数据库中对应建筑物属性进行关联,实现倾斜摄影到三维GIS数据库的直接应用。
可选的,所述将倾斜摄影得到的建筑点云进行平面投影,得到密度投影图,包括:
在水平面进行网格划分,将所述倾斜摄影得到的建筑点云模型向所述水平面进行投影,得到密度投影图,所述密度投影图中各网格的灰度值与投影在各所述网格的点云数量对应。
可选的,所述在水平面进行网格划分,包括:
获取所述建筑点云模型中相邻点之间的距离;
基于所述距离确定网格边长,按照所述网格边长在水平面进行网格划分。
可选的,所述对所述密度投影图进行灰度阈值滤波和形态学膨胀,得到建筑立面正射投影区域,包括:
基于所述密度投影图中各网格的灰度值,确定全局灰度阈值;
基于所述全局灰度阈值,对所述密度投影图中各网格的灰度值进行二值化处理,将二值化处理后的密度投影图确认为所述密度投影图;
对所述密度投影图中建筑立面正射投影区域进行膨胀处理。
可选的,所述基于所述密度投影图中各网格的灰度值,确定全局灰度阈值,包括:
基于所述密度投影图的各网格的灰度值,绘制包含各网格灰度值和灰度累积概率密度的第一曲线;
确定所述第一曲线上离所述第一曲线的首尾连线最远的灰度阈值点,将所述灰度阈值点对应的灰度值确认为所述全局灰度阈值。
可选的,所述对所述建筑立面正射投影区域利用two pass算法进行连通成分分析,分割出含各单个建筑物的连通成分,包括:
通过first pass将所述密度投影图中连通的网格标记为同一标签;
通过second pass相邻的网格更新为同一标签;
将属于同一便签的网格的集合确定为一个连通成分。
可选的,所述对所述建筑立面正射投影区域利用two pass算法进行连通成分分析,分割出含各单个建筑物的连通成分连通区域之后,还包括:
基于各所述连通成分的面积,确定面积阈值;
将面积小于所述面积阈值的所述连通成分确认为非建筑区域,滤除所述非建筑区域中各网格的点云。
可选的,所述基于各所述连通成分的面积,确定面积阈值,包括:
基于所述连通成分的面积,绘制包含连通成分面积和面积累积概率密度的第二曲线;
确定所述第二曲线上离所述第二曲线的首尾连线最远的面积阈值点,将所述面积阈值点对应的面积确认为所述面积阈值。
可选的,所述对所述各连通成分计算最小包围盒进行轮廓建模以及区块合并,得到单体建筑物图像,包括:
计算各所述连通区域对应的最小包围盒;
若各所述最小包围盒中存在重叠的最小包围盒,将所述重叠的最小包围盒进行合并,将各所述最小包围盒对应的图像确认为单体建筑物图像。
可选的,所述通过对基于所述单体建筑物点云编码可与数据库中对应建筑物属性进行关联,实现倾斜摄影到三维GIS数据库的直接应用,包括:
对各所述单体建筑物点云进行编号,获取针对各所述编号与各单体建筑标识建立的关联信息;
基于所述关联信息、预设的单体建筑标识与建筑属性的对应关系,生成各所述编号与各建筑属性的对应关系,实现倾斜摄影到三维GIS数据库的直接应用。
可选的,所述以所述单体建筑物图像为掩膜,保留点云向图像投影时落在前景中的点,提取出单体建筑物点云,完成单体化之后,还包括:
对各所述单体建筑进行随机着色。
第二方面,本申请实施例提供了一种倾斜摄影建筑模型单体化装置,所述装置包括:
点云投影模块,用于将倾斜摄影得到的建筑点云模型进行平面投影,得到密度投影图;
投影图处理模块,用于对所述密度投影图进行灰度阈值滤波和形态学膨胀,得到建筑立面正射投影区域;
连通成分分析模块,用于对所述建筑立面正射投影区域利用two pass算法进行连通成分分析,分割出含各单个建筑物的连通成分;
轮廓建模模块,用于对所述各连通成分计算最小包围盒进行轮廓建模以及区块合并,得到单体建筑物图像;
单体化模块,用于以所述单体建筑物图像为掩膜,保留点云向图像投影时落在前景中的点,提取出单体建筑物点云,完成单体化。
可选的,所述点云投影模块,具体用于:
在水平面进行网格划分,将所述倾斜摄影得到的建筑点云模型向所述水平面进行投影,得到密度投影图,所述密度投影图中各网格的灰度值与投影在各所述网格的点云数量对应。
可选的,所述所述点云投影模块,包括:
点云距离获取单元,用于获取所述建筑点云模型中相邻点之间的距离;
网格划分单元,用于基于所述距离确定网格边长,按照所述网格边长在水平面进行网格划分。
可选的,所述投影图处理模块,包括:
灰度阈值确定单元,用于基于所述密度投影图中各网格的灰度值,确定全局灰度阈值;
二值化单元,用于基于所述全局灰度阈值,对所述密度投影图中各网格的灰度值进行二值化处理,将二值化处理后的密度投影图确认为所述密度投影图;
膨胀处理单元,用于对所述密度投影图中建筑立面正射投影区域进行膨胀处理。
可选的,所述灰度阈值确定单元,具体用于:
基于所述密度投影图的各网格的灰度值,绘制包含各网格灰度值和灰度累积概率密度的第一曲线;
确定所述第一曲线上离所述第一曲线的首尾连线最远的灰度阈值点,将所述灰度阈值点对应的灰度值确认为所述全局灰度阈值。
可选的,所述连通成分分析模块,包括:
第一遍历单元,用于通过first pass将所述密度投影图中连通的网格标记为同一标签;
第二遍历单元,用于通过second pass将相邻的网格更新为同一标签;
连通成分确定单元,用于将属于同一便签的网格的集合确定为一个连通成分。
可选的,所述连通成分分析模块,还包括:
面积阈值确定单元,用于基于各所述连通成分的面积,确定面积阈值;
滤除单元,用于将面积小于所述面积阈值的所述连通成分确认为非建筑区域,滤除所述非建筑区域中各网格的点云。
可选的,所述面积阈值确定单元,具体用于:
基于所述连通成分的面积,绘制包含连通成分面积和面积累积概率密度的第二曲线;
确定所述第二曲线上离所述第二曲线的首尾连线最远的面积阈值点,将所述面积阈值点对应的面积确认为所述面积阈值。
可选的,所述轮廓建模模块,包括:
包围盒计算单元,用于计算各所述连通区域对应的最小包围盒;
包围盒合并单元,用于若各所述最小包围盒中存在重叠的最小包围盒,将所述重叠的最小包围盒进行合并,将各所述最小包围盒对应的图像确认为单体建筑物图像。
可选的,所述装置,还包括:
关联模块,用于通过对基于所述单体建筑物点云编码可与数据库中对应建筑物属性进行关联,实现倾斜摄影到三维GIS数据库的直接应用。
可选的,所述关联模块,包括:
关联单元,用于对各所述单体建筑物点云进行编号,获取针对各所述编号与各单体建筑标识建立的关联信息;
对应关系生成单元,用于基于所述关联信息、预设的单体建筑标识与建筑属性的对应关系,生成各所述编号与各建筑属性的对应关系,实现倾斜摄影到三维GIS数据库的直接应用。
可选的,所述装置还包括:
渲染模块,用于对各所述单体建筑进行随机着色。
第三方面,本申请实施例提供一种计算机存储介质,所述计算机存储介质存储有多条指令,所述指令适于由处理器加载并执行上述的方法步骤。
第四方面,本申请实施例提供一种电子设备,可包括:处理器和存储器;其中,所述存储器存储有计算机程序,所述计算机程序适于由所述处理器加载并执行上述的方法步骤。
本申请一些实施例提供的技术方案带来的有益效果至少包括:
在本申请一个或多个实施例中,将倾斜摄影得到的建筑点云模型进行平面投影,得到密度投影图,对所述密度投影图进行灰度阈值滤波和形态学膨胀,得到建筑立面正射投影区域,对所述建筑立面正射投影区域利用two pass算法进行连通成分分析,分割出含各单个建筑物的连通成分,对所述各连通成分计算最小包围盒进行轮廓建模以及区块合并,得到单体建筑物图像,以所述单体建筑物图像为掩膜,提取出单体建筑物点云,完成单体化。只需将倾斜摄影获得的建筑点云模型导入,倾斜摄影建筑模型单体化装置将通过平面密度投影、灰度阈值滤波、连通成分分析、图像掩膜点云提取等操作自动从倾斜摄影得到的建筑点云模型中提取出各单体建筑,不需要人工标注就可以快速提取出各单体建筑,节省了人工成本并提高了效率。
附图说明
为了更清楚地说明本申请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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种倾斜摄影建筑模型单体化方法的流程示意图;
图2a是本申请实施例提供的一种倾斜摄影得到的建筑点云模型的举例示意图;
图2b是本申请实施例提供的一种点云向划分网格的水平面投影的举例示意图;
图2c是本申请实施例提供的另一种点云向划分网格的水平面投影的举例示意图;
图2d是本申请实施例提供的一种密度投影图的举例示意图;
图3是本申请实施例提供的另一种密度投影图的举例示意图;
图4是本申请实施例提供的一种连通成分分析结果的举例示意图;
图5是本申请实施例提供的另一种倾斜摄影建筑模型单体化方法的流程示意图;
图6a是本申请实施例提供的一种包含网格灰度值和灰度累积概率密度的曲线的举例示意图;
图6b是本申请实施例提供的一种经过二值化处理后的密度投影图的举例示意图;
图7a是本申请实施例提供的一种密度投影图上立面区域的举例示意图;
图7b是本申请实施例提供的一种结构元素的举例示意图;
图7c是本申请实施例提供的一种立面区域在结构元素作用下的膨胀结果的举例示意图;
图7d是本申请实施例提供的另一种立面区域在结构元素作用下的膨胀结果的举例示意图;
图7e是本申请实施例提供的另一种结构元素的举例示意图;
图8a是本申请实施例提供的第一遍历结果的举例示意图;
图8b是本申请实施例提供的第二遍历结果的举例示意图;
图8c是本申请实施例提供的一种密度投影图滤除非建筑区域对应的点云后的举例示意图;
图8d是本申请实施例提供的一种设置包围盒的举例示意图;
图8e是本申请实施例提供的一种存在重叠包围盒的举例示意图;
图8f是本申请实施例提供的一种对重叠包围盒进行合并后的举例示意图;
图9a是本申请实施例提供的一种对单体建筑进行着色渲染的举例示意图;
图9b是本申请实施例提供的一种单体建筑与建筑属性相关联后的显示界面的举例示意图;
图10是本申请实施例提供的一种倾斜摄影建筑模型单体化装置的结构示意图;
图11是本申请实施例提供的一种点云投影模块的结构示意图;
图12是本申请实施例提供的一种投影图处理模块的结构示意图;
图13是本申请实施例提供的一种连通成分分析模块的结构示意图;
图14是本申请实施例提供的一种轮廓构建模块的结构示意图;
图15是本申请实施例提供的另一种倾斜摄影建筑模型单体化装置的结构示意图;
图16是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
在本申请的描述中,需要理解的是,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。在本申请的描述中,需要说明的是,除非另有明确的规定和限定,“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。此外,在本申请的描述中,除非另有说明,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
下面结合具体的实施例对本申请进行详细说明。
在一个实施例中,如图1所示,特提出了一种倾斜摄影建筑模型单体化方法,该方法可依赖于计算机程序实现,可运行于基于冯诺依曼体系的倾斜摄影建筑模型单体化装置上。该计算机程序可集成在应用中,也可作为独立的工具类应用运行。其中,本申请实施例中的倾斜摄影建筑模型单体化装置可以为终端设备,包括但不限于:个人电脑、平板电脑、手持设备、车载设备、可穿戴设备、计算设备或连接到无线调制解调器的其它处理设备等。在不同的网络中终端设备可以叫做不同的名称,例如:用户设备、接入终端、用户单元、用户站、移动站、移动台、远方站、远程终端、移动设备、用户终端、终端、无线通信设备、用户代理或用户装置、蜂窝电话、无绳电话、5G网络或未来演进网络中的终端设备等。
具体的,该倾斜摄影建筑模型单体化方法包括:
S101,将倾斜摄影得到的建筑点云模型进行平面投影,得到密度投影图。
所述点云模型是指,在逆向工程中通过测量仪器得到的产品外观表面的点数据集合,每一个点包含有三维坐标,有些可能含有颜色信息或反射强度信息。如图2a所示,即为一种倾斜摄影得到的建筑点云模型。
所述将倾斜摄影得到的建筑点云模型进行平面投影,一种可行的方法为:
终端设备在水平面上进行网格划分,将所述倾斜摄影得到的建筑点云模型向所述水平面进行投影,得到密度投影图,所述密度投影图中各网格的灰度值与投影在各所述网格的点云数量对应,可以将所述网格确认为密度投影图的像素点,所述网格的灰度值即为像素点的灰度值。如图2b所示,是一种点云向划分网格的水平面投影的示意图,底部为划分了网格的水平面,上方为倾斜摄影得到的点云中的点,与点通过虚线相连的是所述点在水平面上的投影。
所述密度投影图中各网格的灰度值与投影在各所述网格的点云数量对应,是指网格的灰度值与投影在该网格内的点云数量有关,点云数量与灰度值的对应方法包括但不限于以下两种:
方法一:若点云中的点投影在网格内,每一个点都会使对应的网格的灰度值递增一,如图2b所示,若按方法一来设置网格的灰度值,图中投影在网格1中的点云数量为9,则网格1的灰度值为9,同样的,网格2的灰度值为1、网格3的灰度值为1、网格4的灰度值为2,其余网格的灰度值为0。
方法二:设置网格灰度等级,例如:
投影落在网格内的点云数量大于或等于100,该网格的灰度值为255;
投影落在网格内的点云数量小于100且大于或等于10,该网格的灰度值为125;
投影落在网格内的点云数量小于10且大于或等于5,该网格的灰度值为60;
投影落在网格内的点云数量小于10,该网格的灰度值为0;
如图2b所示,若按方法二来设置网格的灰度值,则图中网格1中点云的投影数量为9,则网格1的灰度值为60,同样的,网格2、网格3、网格4的灰度值均为0,其余网格的灰度值也为0。
所述网格灰度等级可以在终端设备出厂时就设置完成,也可以人工在终端设备上进行设置。
通过所述密度投影图能够观察出建筑模型的立面区域,因为在同一平面坐标但不同高程的点会投影到同一个网格内,则该网格的灰度值会更大,也就更“亮”,例如,如图2c所示,图中同一平面坐标中有6个点云投影在网格1中,只有一个点云投影在网格2中,则网格1的灰度值比网格2大,也反应了建筑点云模型中网格1所对应的墙面比网格2所对应的更高,所以建筑物的立体墙面部分在所述密度投影图上对应的立面区域的灰度值很大。例如,如图2d所示,为图2a所示的建筑点云模型向水平面进行投影后得到的密度投影图,图中灰度值高的白色区域代表建筑的墙面区域。
可选的,若倾斜摄影得到的点云模型的点的空间分布不均匀,可以采用体素法滤波的方式使其均匀。所述体素法滤波,即减少点的数量,减少点云数据,并同时保持点云的形状特征,可以使点云密度变得更加均匀,在提高配准、曲面重建、形状识别等算法速度中非常实用。
S102,对所述密度投影图进行灰度阈值滤波和形态学膨胀,得到建筑立面正射投影区域。
所述灰度阈值滤波,一种可行的方法为:
基于所述密度投影图中各网格的灰度值,确定全局灰度阈值;
基于所述全局灰度阈值,对所述密度投影图中各网格的灰度值进行二值化处理,将二值化处理后的密度投影图确认为所述密度投影图。
所述形态学膨胀,是指对对所述密度投影图中建筑立面正射投影区域进行膨胀处理。
S103,对所述建筑立面正射投影区域利用two pass算法进行连通成分分析,分割出含各单个建筑物的连通成分。
所述连通成分分析,即连通性分析,连通性是指空间或集合的一种拓扑性质,直观地说,连通就是连成一片没有间断。连通性分析是根据指定的起始和终止结点,分析两点之间是否连通;或根据指定多个点,分析多个点之间是否互通。通过连通成分分析,终端设备能够将得到的连通区域初步确定为建筑模型的墙面在所述密度投影图上所对应的立面区域。本方案中利用two pass算法进行连通成分分析。
例如,如图3所示,为一种密度投影图,对图3进行连通成分分析,将相连通的网格标记同样的标签,如图4所示,是对图3进行连通成分分析后的结果,标记有标签1的网格组成连通成分1,标记有标签2的网格组成连通成分2,终端设备将连通成分1与连通成分2确定为分别能够代表两个单体建筑墙面的立面区域1与立面区域2。
S104,对所述各连通成分计算最小包围盒进行轮廓建模以及区块合并,得到单体建筑物图像。
所述对所述各连通成分计算最小包围盒进行轮廓建模以及区块合并,是指计算各所述连通区域对应的最小包围盒,若各所述最小包围盒中存在重叠的最小包围盒,将所述重叠的最小包围盒进行合并,将各所述最小包围盒对应的图像确认为单体建筑物图像。
S105,以所述单体建筑物图像为掩膜,保留点云向图像投影时落在前景中的点,提取出单体建筑物点云,完成单体化。
所述掩膜,是借鉴于PCB制版的过程,在半导体制造中,许多芯片工艺步骤采用光刻技术,用于这些步骤的图形“底片”称为掩膜(也称作“掩模”),其作用是:在硅片上选定的区域中对一个不透明的图形模板遮盖,继而下面的腐蚀或扩散将只影响选定的区域以外的区域。图像掩膜与其类似,用选定的图像、图形或物体,对处理的图像(全部或局部)进行遮挡,来控制图像处理的区域或处理过程。
所述以所述单体建筑物图像为掩膜,保留点云向图像投影时落在前景中的点,提取出单体建筑物点云,是指终端设备将投影落在前景中的点保留,去除其余的点,提取各所述连通成分对应的点云,达到提取出单体建筑物点云的目的。
可选的,终端设备确认每个图像对应的点云代表一个单体建筑的点云,基于提取出的点云,终端设备生成各所述点云代表的各单体建筑,将原倾斜摄影得到的建筑模型中的单体建筑分离了出来,可以进行单独的管理、浏览或查询。
在本申请实施例中,将倾斜摄影得到的建筑点云模型进行平面投影,得到密度投影图,对所述密度投影图进行灰度阈值滤波和形态学膨胀,得到建筑立面正射投影区域,对所述建筑立面正射投影区域利用two pass算法进行连通成分分析,分割出含各单个建筑物的连通成分,对所述各连通成分计算最小包围盒进行轮廓建模以及区块合并,得到单体建筑物图像,以所述单体建筑物图像为掩膜,提取出单体建筑物点云,完成单体化。只需将倾斜摄影获得的建筑点云模型导入,倾斜摄影建筑模型单体化装置将通过平面密度投影、灰度阈值滤波、连通成分分析、图像掩膜点云提取等操作自动从倾斜摄影得到的建筑点云模型中提取出各单体建筑,不需要人工标注就可以快速提取出各单体建筑,节省了人工成本并提高了效率。
请参见图5,图5是本申请提出的一种倾斜摄影建筑模型单体化方法的另一种实施例的流程示意图。具体的:
S201,获取所述建筑点云模型中相邻点之间的距离,基于所述距离确定网格边长,按照所述网格边长在水平面进行网格划分。
为了得出更加精确的建筑模型的立体墙面信息,一般需要尽量小的网格边长,但是网格边长过小会导致网格内没有点或者只有少数点,则难以确认立面区域。将网格边长基于建筑点云模型中相邻点之间的距离设置,会更加合理。
一种可行的网格边长设置方法为:
终端设备获取建筑点云模型中所有相邻点之间的距离并求平均值,并确认所述平均值为网格边长。
S202,将所述倾斜摄影得到的建筑点云模型向所述水平面进行投影,得到密度投影图。
具体可参见S101,此处不再赘述。
S203,基于所述密度投影图中各网格的灰度值,确定全局灰度阈值,基于所述全局灰度阈值,对所述密度投影图中各网格的灰度值进行二值化处理。
所述基于所述密度投影图中各网格的灰度值,确定全局灰度阈值,一种可行的方法是:
基于所述密度投影图的网格的灰度值,绘制包含各网格灰度值和灰度累积概率密度的第一曲线;
确定所述第一曲线上离所述第一曲线的首尾连线最远的灰度阈值点,将所述灰度阈值点对应的灰度值确认为所述全局灰度阈值。
所述灰度累积概率密度,是指灰度值小于某一值的网格数量占网格总数的比例,计算灰度累积概率密度的公式如下:
P(g)=PG{G<g}
g为灰度值的大小,P(g)为灰度累积概率密度,G为网格的灰度值,PG{G<g}是灰度值小于g的网格数量占网格总数的比例。
所述包含各网格灰度值和灰度累积概率密度的第一曲线,是指以灰度值g为自变量,以P(g)为函数绘制曲线,终端设备确认所述曲线为第一曲线。例如,如图6a所示,是基于图2d中的网格灰度值作的包含网格灰度值和灰度累积概率密度的曲线图,曲线上的点的横坐标为灰度值,纵坐标为图2d中灰度值小于对应横坐标的网格数量在总网格数量中所占的比例,例如,图6a中标出的点表示,图2d中灰度值大于9的网格占比大于0.99。
所述第一曲线上离所述第一曲线的首尾连线最远的灰度阈值点,是指过第一曲线的两个端点做一条直线,在第一曲线上找到一个离这条直线最远的点,终端设备确认所述点为灰度阈值点,确认所述灰度阈值点横坐标代表的灰度值为全局灰度阈值。
例如,一种可行的找到灰度阈值点的方法为:
如图6a所示,终端设备过第一曲线首尾两端连线作垂线,将垂线交于第一曲线的点到第一曲线的距离确认为第一点线距离,最大第一点线距离对应的点即为灰度阈值点。
所述对所述密度投影图中各网格的灰度值进行二值化处理,是指将所述密度投影图中灰度值大于或等于所述全局灰度阈值的网格的灰度值设为255,将灰度值小于所述全局灰度阈值的网格的灰度值设为0。
例如,如图6b所示,为图2d中的密度投影图的网格,以9为全局灰度阈值经过二值化处理后所得的图像,终端设备将确认经过二值化处理后的图像为密度投影图像,继续之后的操作。
S204,对所述密度投影图中建筑立面正射投影区域进行膨胀处理。
所述膨胀处理的定义为:
A表示密度投影图上立面区域的网格集合,B表示结构元素的网格集合,代表膨胀处理,(x,y)为水平面坐标,(B)xy为结构元素B在坐标(x,y)上对应的网格集合,结构元素在图像中移动过程中,所有结构B与结构A存在交集的位置的集合为结构A在结构B作用下的膨胀结果。
例如,如图7a所示为结构A,即密度投影图上建筑立面正射投影区域的网格集合,如图7b所示为结构B,即结构元素的网格集合,结构A在结构B作用下的膨胀结果如图7c所示,图7c中灰度值较低的区域为原结构A。
例如,如图7d所示,为对图6b中密度投影图的建筑立面正射投影区域做膨胀处理后的图像,终端设备将确认膨胀处理后的图像为密度投影图继续之后的操作。其中,立面区域是在如图7e所示的3×3的矩形结构元素的作用下进行膨胀操作的。
S205,通过first pass将所述密度投影图中连通的网格标记为同一标签。
S205为连通成分分析中的第一遍遍历步骤,一种可行的方法是,终端设备对密度投影图上的网格从左到右从上到下确定连通的网格,将连通的网格标记为同样的标签,终端设备将得到的结果确定为第一遍历结果。例如,如图8a所示,是一种第一遍历结果,其中有五种不同的标签,代表终端设备通过第一遍历结果确认了五个连通区域。
S206,通过second pass将相邻的网格更新为同一标签。
S206为连通成分分析中的第二遍遍历步骤,一种可行的方法是,终端设备对密度投影图上的网格从左到右从上到下确定连通的网格,将包含不同标签的连通区域中网格的标签全部更改为所述连通区域中最小的标签,终端设备将得到的结果确定为第二遍历结果。例如,如图8b所示,为图8a中的第一遍历结果对应的第二遍历结果,连通区域A中原本有三种标签,分别为1、3、5,经过第二遍遍历后终端设备确认三种标签代表的网格是连通的,组成连通区域A,将连通区域A中网格的标签全部更改为连通区域A中的最小标签1,同样的,连通区域B中网格的标签全部更改为连通区域B中的最小标签2。
S207,将属于同一便签的网格的集合确定为一个连通成分。
终端设备将标签相同的网格的集合确认为一个连通成分,所述连通成分代表建筑模型的立体墙面在密度投影图上对应的建筑立面正射投影区域。例如,如图8b所示,终端设备将标签为1的网格组成的区域确认为连通成分A,将标签为2的网格组成的区域确认为连通成分B。
S208,基于各所述连通成分的面积,确定面积阈值,将面积小于所述面积阈值的所述连通成分确认为非建筑区域,滤除所述非建筑区域中各网格的点云。
所述基于各所述连通成分的面积,确定面积阈值,一种可行的方法是:
基于所述连通成分的面积,绘制包含连通成分面积和面积累积概率密度的第二曲线;
确定所述第二曲线上离所述第二曲线的首尾连线最远的面积阈值点,将所述面积阈值点对应的面积确认为所述面积阈值。
所述面积累积概率密度,是指面积小于某一值的连通成分数量占总连通成分数的比例,面积累积概率密度的计算公式如下:
P(s)=PS{S<s}
s为面积的大小,P(s)为面积累积概率密度,S是连通成分的面积,PS{S<s}是面积小于s的连通成分数量占连通成分总数的比例。
所述包含连通成分面积和面积累积概率密度的第二曲线,是指以面积s为自变量,以P(s)为函数绘制曲线,终端设备确认所述曲线为第二曲线。
所述第二曲线上离所述第二曲线的首尾连线最远的面积阈值点,是指过第二曲线的两个端点做一条直线,在第二曲线上找到一个离这条直线最远的点,终端设备确认所述点为面积阈值点,确认所述面积阈值点横坐标代表的面积为面积阈值。
确定面积阈值点的方法与确定灰度阈值点的方法的相同,具体可参见S203,此处不再赘述。
所述将面积小于所述面积阈值的所述连通成分确认为非建筑区域,是指终端设备将面积小于面积阈值的连通成分确认为非建筑区域,所述非建筑区域是指图像中存在的噪声、植被点等,终端设备将面积大于或等于面积阈值的连通成分确认为建筑立面正射投影区域。
所述滤除所述非建筑区域中各网格的点云,是指去除投影落在非建筑区域的点云,可行的方法包括但不限于一下几种:
方法一:直接将投影落在非建筑区域的点云从点云模型中去除。
方法二:将非建筑区域中的网格的灰度值设为0,在后续处理中将不会对灰度值为0的网格进行处理,也不会对灰度值为0的网格对应的点云进行保留,达到了滤除所述非建筑区域中各网格的点云的目的。例如,如图8c所示,是图7d中密度投影图采用方法二去除投影落在非建筑区域的点云后得到的结果,终端设备将图7d中非建筑区域的网格的灰度值更改为0。
S209,计算各所述连通区域对应的最小包围盒,若各所述最小包围盒中存在重叠的最小包围盒,将所述重叠的最小包围盒进行合并,将各所述最小包围盒对应的图像确认为单体建筑物图像。
所述包围盒,是一种求解离散点集最优包围空间的算法,基本思想是用体积稍大且特性简单的几何体(称为包围盒)来近似地代替复杂的几何对象。所述最小包围盒,是指同一对象的包围盒中最小的一个。
例如,如图8d所示,图中的虚线矩形代表终端设备根据连通区域计算出的最小包围盒,即各连通区域的包围盒中面积最小的一个,最小包围盒能够完整包含连通区域所对应的建筑立面正射投影区域信息的同时尽可能少的包含不是单体建筑所对应的点云。
所述各所述包围盒中存在重叠的包围盒,是指若计算出的所有包围盒中存重叠的包围盒,代表在连通成分分析中,将一个建筑的立面区域分成了两个或多个连通区域,则终端设备将所述重叠的包围盒进行合并,所述合并的方法包括但不限一下几种:
方法一:终端设备将重叠的包围盒看做一个整体,对所述整体对应的区域重新计算包围盒。
方法二:终端设备将重叠的包围盒所对应的连通区域融合成一个新的连通区域,对所述新的连通区域重新计算包围盒。
例如,如图8e所示为一种根据连通区域计算包围盒的结果,其中有三个包围盒有重叠部分,对重叠的包围盒根据方法二进行合并后,得到的结果如图8f所示,终端设备将三个重叠的包围盒所对应的连通区域融合成一个连通区域并重新计算包围盒,合并成为一个包围盒。
S210,以所述单体建筑物图像为掩膜,保留点云向图像投影时落在前景中的点,提取出单体建筑物点云,完成单体化。
具体可参见S105,此处不做赘述。
可选的,终端设备将一个包围盒内提取出的点云确认为一个单体建筑,提取出单体建筑的同时终端设备可以对不同的单体建筑进行渲染着色,以示区分。例如,如图9a所示,终端设备对图2a中的建筑模型提取出了单体建筑,并对不同的单体建筑进行了着色渲染,不同的颜色区分不同的单体建筑,并对单体建筑进行了初步的色彩还原。
S211,对各所述单体建筑物点云进行编号,获取针对各所述编号与各单体建筑标识建立的关联信息。
所述对各所述单体建筑进行编号,是指终端设备提取出单体建筑的同时对每个单体建筑进行编号以示区分,编号顺序可以是随机的,也可以按照点云大小等顺序进行编号,所述编号顺序可以由人工在终端设备上设置,也可以是在终端设备出厂时已经设置完成。
S212,基于所述关联信息、预设的单体建筑标识与建筑属性的对应关系,生成各所述编号与各建筑属性的对应关系,实现倾斜摄影到三维GIS数据库的直接应用。
所述针对各所述编号与各单体建筑标识建立的关联信息,是指将所述编号与各单体建筑标识之间的建立对应关系,所述单体建筑标识可以是单体建筑对应的建筑属性在数据库中的ID。获得所述关联信息的方法包括但不限于一下几种:
方法一:人工在终端设备上录入单体建筑的编号与数据库中建筑属性的ID的对应关系。
方法二:终端设备将所述单体模型的形状与在数据库中保存的各单体建筑形状进行比对,若相同,则将所述单体建筑形状对应的建筑属性ID与所述编号建立对应关系。
所述基于所述关联信息、预设的单体建筑标识与建筑属性的对应关系,生成各所述编号与各建筑属性的对应关系,是指若所述编号与建筑属性ID存在对应关系,则终端设备将建筑属性ID对应的建筑属性与所述单体建筑相关联,则可以通过单体建筑对建筑属性进行查询、管理等操作。
例如,如图9b所示,为一种单体建筑与建筑属性相关联后的效果图,用鼠标选中单体建筑后,单体建筑会高亮,并且会显示所述单体建筑所对应的建筑属性。
在本申请实施例中,在本申请实施例中,将所述建筑点云模型相邻点之间的平均距离确认为网格边长,并以所述网格边长在水平面划分网格,以便将建筑点云模型投影至所划分的网格内,使得建筑点云模型的立面区域的位置更加精确而不会导致网格中只有一个点或没有点;对所述密度投影图中各网格的灰度值进行二值化处理,完成建筑轮廓的初步提取并去除部分噪点,对密度投影图中立面区域进行膨胀处理,使建筑轮廓更加清晰并将墙体外围一些小的断开处连接上,使连通成分分析的结果更加精确;另外,使用two pass算法进行连通成分分析,然后根据连通区域计算包围盒并将重叠的包围盒进行合并,避免将部分单个建筑确认为多个建筑,以各包围盒内的图像作为掩膜提取所述包围盒内的点云并生成单体建筑,对各单体建筑进行编号并将编号与单体建筑的属性相关联,以便实现对单体建筑属性的管理。只需将倾斜摄影获得的建筑点云模型导入,倾斜摄影建筑模型单体化装置将通过平面密度投影、灰度阈值滤波、连通成分分析、图像掩膜点云提取等操作自动从倾斜摄影得到的建筑点云模型中提取出各单体建筑,不需要人工标注就可以快速提取出各单体建筑,节省了人工成本并提高了效率,同时将建筑属性与单体建筑相关联,实现了对单体建筑的属性的查询、管理等操作。
下述为本申请装置实施例,可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请方法实施例。
请参见图10,其示出了本申请一个示例性实施例提供的倾斜摄影建筑模型单体化装置的结构示意图。该倾斜摄影建筑模型单体化装置可以通过软件、硬件或者两者的结合实现成为装置的全部或一部分。该装置1包括点云投影模块11、投影图处理模块12、连通成分分析模块13、轮廓建模模块14和单体化模块15。
点云投影模块11,用于将倾斜摄影得到的建筑点云模型进行平面投影,得到密度投影图;
投影图处理模块12,用于对所述密度投影图进行灰度阈值滤波和形态学膨胀,得到建筑立面正射投影区域;
连通成分分析模块13,用于对所述建筑立面正射投影区域利用two pass算法进行连通成分分析,分割出含各单个建筑物的连通成分;
轮廓建模模块14,用于对所述各连通成分计算最小包围盒进行轮廓建模以及区块合并,得到单体建筑物图像;
单体化模块15,用于以所述单体建筑物图像为掩膜,保留点云向图像投影时落在前景中的点,提取出单体建筑物点云,完成单体化。
可选的,所述点云投影模块11,具体用于:
在水平面进行网格划分,将所述倾斜摄影得到的建筑点云模型向所述水平面进行投影,得到密度投影图,所述密度投影图中各网格的灰度值与投影在各所述网格的点云数量对应。
可选的,如图11所示,所述点云投影模块11,还包括:
点云距离获取单元111,用于获取所述建筑点云模型中相邻点之间的距离;
网格划分单元112,用于将所述距离确定为网格边长,按照所述网格边长在水平面进行网格划分。
可选的,如图12所示,所述投影图处理模块12,包括:
灰度阈值确定单元121,用于基于所述密度投影图中各网格的灰度值,确定全局灰度阈值;
二值化单元122,用于基于所述全局灰度阈值,对所述密度投影图中各网格的灰度值进行二值化处理,将二值化处理后的密度投影图确认为所述密度投影图;
膨胀处理单元123,用于对所述密度投影图中建筑立面正射投影区域进行膨胀处理。
可选的,所述灰度阈值确定单元,具体用于:
基于所述密度投影图的各网格的灰度值,绘制包含各网格灰度值和灰度累积概率密度的第一曲线;
确定所述第一曲线上离所述第一曲线的首尾连线最远的灰度阈值点,将所述灰度阈值点对应的灰度值确认为所述全局灰度阈值。
可选的,所述连通成分分析模块13,还包括:
第一遍历单元131,用于通过first pass将所述密度投影图中连通的网格标记为同一标签;
第二遍历单元132,用于通过second pass将相邻的网格更新为同一标签;
连通成分确定单元133,用于将属于同一便签的网格的集合确定为一个连通成分。
可选的,所述连通成分分析模块13,还包括:
面积阈值确定单元134,用于基于各所述连通成分的面积,确定面积阈值;
滤除单元135,用于将面积小于所述面积阈值的所述连通成分确认为非建筑区域,滤除所述非建筑区域中各网格的点云。
可选的,所述面积阈值确定单元134,具体用于:
基于所述连通成分的面积,绘制包含连通成分面积和面积累积概率密度的第二曲线;
确定所述第二曲线上离所述第二曲线的首尾连线最远的面积阈值点,将所述面积阈值点对应的面积确认为所述面积阈值。
如图13所示,为一种可行的连通成分分析模块的结构示意图。
可选的,如图14所示,所述轮廓建模模块14,包括:
包围盒计算单元141,用于计算各所述连通区域对应的最小包围盒;
包围盒合并单元142,用于若各所述最小包围盒中存在重叠的最小包围盒,将所述重叠的最小包围盒进行合并,将各所述最小包围盒对应的图像确认为单体建筑物图像。
可选的,所述装置1还包括:
关联模块16,用于通过对基于所述单体建筑物点云编码可与数据库中对应建筑物属性进行关联,实现倾斜摄影到三维GIS数据库的直接应用。
可选的,所述关联模块16,包括:
关联单元161,用于对各所述单体建筑物点云进行编号,获取针对各所述编号与各单体建筑标识建立的关联信息;
对应关系生成单元162,用于基于所述关联信息、预设的单体建筑标识与建筑属性的对应关系,生成各所述编号与各建筑属性的对应关系,实现倾斜摄影到三维GIS数据库的直接应用。
可选的,所述装置1还包括:
渲染模块17,用于对各所述单体建筑进行随机着色。
如图15所示,为另一种可行的倾斜摄影建筑模型单体化装置的结构示意图。
在本实施例中,将倾斜摄影得到的建筑点云模型进行平面投影,得到密度投影图,对所述密度投影图进行灰度阈值滤波和形态学膨胀,得到建筑立面正射投影区域,对所述建筑立面正射投影区域利用two pass算法进行连通成分分析,分割出含各单个建筑物的连通成分,对所述各连通成分计算最小包围盒进行轮廓建模以及区块合并,得到单体建筑物图像,以所述单体建筑物图像为掩膜,提取出单体建筑物点云,完成单体化。只需将倾斜摄影获得的建筑点云模型导入,倾斜摄影建筑模型单体化装置将通过平面密度投影、灰度阈值滤波、连通成分分析、图像掩膜点云提取等操作自动从倾斜摄影得到的建筑点云模型中提取出各单体建筑,不需要人工标注就可以快速提取出各单体建筑,节省了人工成本并提高了效率。
需要说明的是,上述实施例提供的倾斜摄影建筑模型单体化装置在执行倾斜摄影建筑模型单体化方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的倾斜摄影建筑模型单体化装置与倾斜摄影建筑模型单体化方法实施例属于同一构思,其体现实现过程详见方法实施例,这里不再赘述。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
本申请实施例还提供了一种计算机存储介质,所述计算机存储介质可以存储有多条指令,所述指令适于由处理器加载并执行如上述图1-图9b所示实施例的所述倾斜摄影建筑模型单体化方法,具体执行过程可以参见图1-图9b所示实施例的具体说明,在此不进行赘述。
本申请还提供了一种计算机程序产品,该计算机程序产品存储有至少一条指令,所述至少一条指令由所述处理器加载并执行如上述图1-图9b所示实施例的所述倾斜摄影建筑模型单体化方法,具体执行过程可以参见图1-图9b所示实施例的具体说明,在此不进行赘述。
请参见图16,为本申请实施例提供了一种电子设备的结构示意图。如图16所示,所述电子设备1000可以包括:至少一个处理器1001,至少一个网络接口1004,用户接口1003,存储器1005,至少一个通信总线1002。
其中,通信总线1002用于实现这些组件之间的连接通信。
其中,用户接口1003可以包括显示屏(Display)、摄像头(Camera),可选用户接口1003还可以包括标准的有线接口、无线接口。
其中,网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中,处理器1001可以包括一个或者多个处理核心。处理器1001利用各种借口和线路连接整个服务器1000内的各个部分,通过运行或执行存储在存储器1005内的指令、程序、代码集或指令集,以及调用存储在存储器1005内的数据,执行服务器1000的各种功能和处理数据。可选的,处理器1001可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable L ogic Array,PLA)中的至少一种硬件形式来实现。处理器1001可集成中央处理器(Central Processing Unit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器1001中,单独通过一块芯片进行实现。
其中,存储器1005可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。可选的,该存储器1005包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器1005可用于存储指令、程序、代码、代码集或指令集。存储器1005可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图16所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及倾斜摄影建筑模型单体化应用程序。
在图16所示的电子设备1000中,用户接口1003主要用于为用户提供输入的接口,获取用户输入的数据;而处理器1001可以用于调用存储器1005中存储的倾斜摄影建筑模型单体化应用程序,并具体执行以下操作:
将倾斜摄影得到的建筑点云模型进行平面投影,得到密度投影图;
将倾斜摄影得到的建筑点云模型进行平面投影,得到密度投影图;
对所述密度投影图进行灰度阈值滤波和形态学膨胀,得到建筑立面正射投影区域;
对所述建筑立面正射投影区域利用two pass算法进行连通成分分析,分割出含各单个建筑物的连通成分;
对所述各连通成分计算最小包围盒进行轮廓建模以及区块合并,得到单体建筑物图像;
以所述单体建筑物图像为掩膜,保留点云向图像投影时落在前景中的点,提取出单体建筑物点云,完成单体化。
在一个实施例中,所述处理器1001在执行将倾斜摄影得到的建筑点云进行平面投影,得到密度投影图时,具体执行以下操作:
在水平面进行网格划分,将所述倾斜摄影得到的建筑点云模型向所述水平面进行投影,得到密度投影图,所述密度投影图中各网格的灰度值与投影在各所述网格的点云数量对应。
在一个实施例中,所述处理器1001在执行在水平面进行网格划分时,具体执行以下操作:
获取所述建筑点云模型中相邻点之间的距离;
基于所述距离确定网格边长,按照所述网格边长在水平面进行网格划分。
在一个实施例中,所述处理器1001在执行对所述密度投影图进行灰度阈值滤波和形态学膨胀,得到建筑立面正射投影区域时,具体执行以下操作:
基于所述密度投影图中各网格的灰度值,确定全局灰度阈值;
基于所述全局灰度阈值,对所述密度投影图中各网格的灰度值进行二值化处理,将二值化处理后的密度投影图确认为所述密度投影图;
对所述密度投影图中建筑立面正射投影区域进行膨胀处理。
在一个实施例中,所述处理器1001在执行基于所述密度投影图中各网格的灰度值,确定全局灰度阈值时,具体执行以下操作:
基于所述密度投影图的各网格的灰度值,绘制包含各网格灰度值和灰度累积概率密度的第一曲线;
确定所述第一曲线上离所述第一曲线的首尾连线最远的灰度阈值点,将所述灰度阈值点对应的灰度值确认为所述全局灰度阈值。
在一个实施例中,所述处理器1001在执行对所述建筑立面正射投影区域利用twopass算法进行连通成分分析,分割出含各单个建筑物的连通成分时,具体执行以下操作:
通过first pass将所述密度投影图中连通的网格标记为同一标签;
通过second pass相邻的网格更新为同一标签;
将属于同一便签的网格的集合确定为一个连通成分。
在一个实施例中,所述处理器1001在执行对所述建筑立面正射投影区域利用twopass算法进行连通成分分析,分割出含各单个建筑物的连通成分连通区域之后,还执行以下操作:
基于各所述连通成分的面积,确定面积阈值;
将面积小于所述面积阈值的所述连通成分确认为非建筑区域,滤除所述非建筑成分中各网格的点云。
在一个实施例中,所述处理器1001在执行基于各所述连通成分的面积,确定面积阈值时,具体执行以下操作:
基于所述连通成分的面积,绘制包含连通成分面积和面积累积概率密度的第二曲线;
确定所述第二曲线上离所述第二曲线的首尾连线最远的面积阈值点,将所述面积阈值点对应的面积确认为所述面积阈值。
在一个实施例中,所述处理器1001在执行对所述各连通成分计算最小包围盒进行轮廓建模以及区块合并,得到单体建筑物图像时,具体执行以下操作:
计算各所述连通区域对应的最小包围盒;
若各所述最小包围盒中存在重叠的最小包围盒,将所述重叠的最小包围盒进行合并,将各所述最小包围盒对应的图像确认为单体建筑物图像。
在一个实施例中,所述处理器1001在执行以所述单体建筑物图像为掩膜,保留点云向图像投影时落在前景中的点,提取出单体建筑物点云,完成单体化之后,还执行以下操作:
对各所述单体建筑物点云进行编号,获取针对各所述编号与各单体建筑标识建立的关联信息;
基于所述关联信息、预设的单体建筑标识与建筑属性的对应关系,生成各所述编号与各建筑属性的对应关系,实现倾斜摄影到三维GIS数据库的直接应用。
在一个实施例中,所述处理器1001在执行基于所述点云,生成所述建筑点云模型包含的各单体建筑之后,还执行以下操作:
对各所述单体建筑进行随机着色。
在本实施例中,将倾斜摄影得到的建筑点云模型进行平面投影,得到密度投影图,对所述密度投影图进行灰度阈值滤波和形态学膨胀,得到建筑立面正射投影区域,对所述建筑立面正射投影区域利用two pass算法进行连通成分分析,分割出含各单个建筑物的连通成分,对所述各连通成分计算最小包围盒进行轮廓建模以及区块合并,得到单体建筑物图像,以所述单体建筑物图像为掩膜,提取出单体建筑物点云,完成单体化。只需将倾斜摄影获得的建筑点云模型导入,倾斜摄影建筑模型单体化装置将通过平面密度投影、灰度阈值滤波、连通成分分析、图像掩膜点云提取等操作自动从倾斜摄影得到的建筑点云模型中提取出各单体建筑,不需要人工标注就可以快速提取出各单体建筑,节省了人工成本并提高了效率。
本领域普通技术人员可以理解实现上述实施例方法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,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。
以上所揭露的仅为本申请较佳实施例而已,当然不能以此来限定本申请之权利范围,因此依本申请权利要求所作的等同变化,仍属本申请所涵盖的范围。
Claims (13)
1.一种倾斜摄影建筑模型单体化的方法,其特征在于,所述方法包括:
将倾斜摄影得到的建筑点云模型进行平面投影,得到密度投影图;
对所述密度投影图进行灰度阈值滤波和形态学膨胀,得到建筑立面正射投影区域;
对所述建筑立面正射投影区域利用two pass算法进行连通成分分析,分割出含各单个建筑物的连通成分;
对所述各连通成分计算最小包围盒进行轮廓建模以及区块合并,得到单体建筑物图像;
以所述单体建筑物图像为掩膜,保留点云向图像投影时落在前景中的点,提取出单体建筑物点云,完成单体化;
所述对所述密度投影图进行灰度阈值滤波和形态学膨胀,得到建筑立面正射投影区域,包括:
基于所述密度投影图的各网格的灰度值,绘制包含各网格灰度值和灰度累积概率密度的第一曲线;
确定所述第一曲线上离所述第一曲线的首尾连线最远的灰度阈值点,将所述灰度阈值点对应的灰度值确认为全局灰度阈值;
基于所述全局灰度阈值,对所述密度投影图中各网格的灰度值进行二值化处理,将二值化处理后的密度投影图确认为所述密度投影图;
对所述密度投影图中建筑立面正射投影区域进行膨胀处理。
2.根据权利要求1所述的方法,其特征在于,所述以所述单体建筑物图像为掩膜,保留点云向图像投影时落在前景中的点,提取出单体建筑物点云,完成单体化之后,还包括:
通过对基于所述单体建筑物点云编码可与数据库中对应建筑物属性进行关联,实现倾斜摄影到三维GIS数据库的直接应用。
3.根据权利要求1所述的方法,其特征在于,所述将倾斜摄影得到的建筑点云进行平面投影,得到密度投影图,包括:
在水平面进行网格划分,将所述倾斜摄影得到的建筑点云模型向所述水平面进行投影,得到密度投影图,所述密度投影图中各网格的灰度值与投影在各所述网格的点云数量对应。
4.根据权利要求3所述的方法,其特征在于,所述在水平面进行网格划分,包括:
获取所述建筑点云模型中相邻点之间的距离;
基于所述距离确定网格边长,按照所述网格边长在水平面进行网格划分。
5.根据权利要求1所述的方法,其特征在于,所述对所述建筑立面正射投影区域利用two pass算法进行连通成分分析,分割出含各单个建筑物的连通成分,包括:
通过first pass将所述密度投影图中连通的网格标记为同一标签;
通过second pass将相邻的网格更新为同一标签;
将属于同一便签的网格的集合确定为一个连通成分。
6.根据权利要求1所述的方法,其特征在于,所述对所述建筑立面正射投影区域利用two pass算法进行连通成分分析,分割出含各单个建筑物的连通成分连通区域之后,还包括:
基于各所述连通成分的面积,确定面积阈值;
将面积小于所述面积阈值的所述连通成分确认为非建筑区域,滤除所述非建筑区域中各网格的点云。
7.根据权利要求6所述的方法,其特征在于,所述基于各所述连通成分的面积,确定面积阈值,包括:
基于所述连通成分的面积,绘制包含连通成分面积和面积累积概率密度的第二曲线;
确定所述第二曲线上离所述第二曲线的首尾连线最远的面积阈值点,将所述面积阈值点对应的面积确认为所述面积阈值。
8.根据权利要求1所述的方法,其特征在于,所述对所述各连通成分计算最小包围盒进行轮廓建模以及区块合并,得到单体建筑物图像,包括:
计算各连通区域对应的最小包围盒;
若各所述最小包围盒中存在重叠的最小包围盒,将所述重叠的最小包围盒进行合并,将各所述最小包围盒对应的图像确认为单体建筑物图像。
9.根据权利要求2所述的方法,其特征在于,所述通过对基于所述单体建筑物点云编码可与数据库中对应建筑物属性进行关联,实现倾斜摄影到三维GIS数据库的直接应用,包括:
对各所述单体建筑物点云进行编号,获取针对各所述编号与各单体建筑标识建立的关联信息;
基于所述关联信息、预设的单体建筑标识与建筑属性的对应关系,生成各所述编号与各建筑属性的对应关系,实现倾斜摄影到三维GIS数据库的直接应用。
10.根据权利要求1所述的方法,其特征在于,所述以所述单体建筑物图像为掩膜,保留点云向图像投影时落在前景中的点,提取出单体建筑物点云,完成单体化之后,还包括:
对各所述单体建筑进行随机着色。
11.一种倾斜摄影建筑模型单体化装置,其特征在于,所述装置包括:
点云投影模块,用于将倾斜摄影得到的建筑点云模型进行平面投影,得到密度投影图;
投影图处理模块,用于对所述密度投影图进行灰度阈值滤波和形态学膨胀,得到建筑立面正射投影区域;
连通成分分析模块,用于对所述建筑立面正射投影区域利用two pass算法进行连通成分分析,分割出含各单个建筑物的连通成分;
轮廓建模模块,用于对所述各连通成分计算最小包围盒进行轮廓建模以及区块合并,得到单体建筑物图像;
单体化模块,用于以所述单体建筑物图像为掩膜,保留点云向图像投影时落在前景中的点,提取出单体建筑物点云,完成单体化;
所述投影图处理模块,包括灰度阈值确定单元,用于基于所述密度投影图中各网格的灰度值,确定全局灰度阈值;
二值化单元,用于基于所述全局灰度阈值,对所述密度投影图中各网格的灰度值进行二值化处理,将二值化处理后的密度投影图确认为所述密度投影图;
膨胀处理单元,用于对所述密度投影图中建筑立面正射投影区域进行膨胀处理;
所述灰度阈值确定单元,具体用于基于所述密度投影图的各网格的灰度值,绘制包含各网格灰度值和灰度累积概率密度的第一曲线;
确定所述第一曲线上离所述第一曲线的首尾连线最远的灰度阈值点,将所述灰度阈值点对应的灰度值确认为所述全局灰度阈值。
12.一种计算机存储介质,其特征在于,所述计算机存储介质存储有多条指令,所述指令适于由处理器加载并执行如权利要求1~10任意一项的方法步骤。
13.一种电子设备,其特征在于,包括:处理器和存储器;其中,所述存储器存储有计算机程序,所述计算机程序适于由所述处理器加载并执行如权利要求1~10任意一项的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010856078.9A CN112163251B (zh) | 2020-08-24 | 2020-08-24 | 建筑模型单体化方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010856078.9A CN112163251B (zh) | 2020-08-24 | 2020-08-24 | 建筑模型单体化方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112163251A CN112163251A (zh) | 2021-01-01 |
CN112163251B true CN112163251B (zh) | 2023-02-17 |
Family
ID=73859759
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010856078.9A Active CN112163251B (zh) | 2020-08-24 | 2020-08-24 | 建筑模型单体化方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112163251B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112785710B (zh) * | 2021-01-28 | 2021-12-21 | 湖北省国土测绘院 | Osgb三维模型建筑物快速单体化方法、系统、存储器及设备 |
CN113486419B (zh) * | 2021-06-04 | 2022-11-11 | 上海宝冶冶金工程有限公司 | 一种基于bim进行多个单体模型精确定位的合并方法及系统 |
CN113689567B (zh) * | 2021-07-23 | 2022-05-27 | 深圳市顺欣同创科技有限公司 | 在云端单体化倾斜摄影模型中建筑的方法 |
CN114186603B (zh) * | 2021-09-28 | 2022-07-01 | 北京博能科技股份有限公司 | 多源模型单体化融合方法及系统、存储介质及终端 |
CN114155263A (zh) * | 2021-11-03 | 2022-03-08 | 长沙市规划信息服务中心 | 一种倾斜摄影模型建筑轮廓线自动提取方法、系统及装置 |
CN114842148B (zh) * | 2022-05-17 | 2024-04-05 | 河南工程学院 | 根据建筑立面特性的无人机倾斜摄影模型建筑单体化分割方法 |
CN115527000B (zh) * | 2022-09-27 | 2023-09-19 | 深圳市领缔科技有限公司 | 一种用于无人机倾斜摄影模型批量单体化的方法及装置 |
CN115455369B (zh) * | 2022-11-10 | 2023-04-11 | 江西省地质局地理信息工程大队 | 不动产登记平台的构建方法及装置 |
CN116228854B (zh) * | 2022-12-29 | 2023-09-08 | 中科微至科技股份有限公司 | 一种基于深度学习的包裹自动分拣方法 |
CN116485636B (zh) * | 2023-04-27 | 2023-10-20 | 武汉纵横天地空间信息技术有限公司 | 一种点云立面成像方法、系统及可读存储介质 |
CN116538953B (zh) * | 2023-05-08 | 2024-01-30 | 武汉纵横天地空间信息技术有限公司 | 一种立面目标智能检测方法、系统及可读存储介质 |
CN116402967B (zh) * | 2023-05-31 | 2024-03-29 | 深圳大学 | 场景建筑快速单体化方法、装置、计算机设备和存储介质 |
CN116580160B (zh) * | 2023-07-12 | 2023-12-15 | 深圳大学 | 一种建筑物单体分割和结构重建耦合处理方法及相关装置 |
CN117274535B (zh) * | 2023-11-22 | 2024-02-02 | 北京飞渡科技股份有限公司 | 基于点云密度重构实景三维模型的方法、装置及电子设备 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000121360A (ja) * | 1997-12-05 | 2000-04-28 | Wall:Kk | 3次元都市地図デ―タベ―スの作成方法及び3次元都市地図デ―タベ―ス用測定装置 |
CN106846494A (zh) * | 2017-01-16 | 2017-06-13 | 青岛海大新星软件咨询有限公司 | 倾斜摄影三维建筑物模型自动单体化算法 |
CN107833273B (zh) * | 2017-11-02 | 2021-03-02 | 重庆市勘测院 | 基于三维仿真模型的倾斜摄影三维模型对象化应用方法 |
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 |
JP6609363B1 (ja) * | 2018-11-12 | 2019-11-20 | みんとる合同会社 | 建造物設計支援装置、建造物設計支援方法、及び建造物設計支援システム |
-
2020
- 2020-08-24 CN CN202010856078.9A patent/CN112163251B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112163251A (zh) | 2021-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112163251B (zh) | 建筑模型单体化方法、装置、存储介质及电子设备 | |
EP2849117B1 (en) | Methods, apparatuses and computer program products for automatic, non-parametric, non-iterative three dimensional geographic modeling | |
CN109285177B (zh) | 一种数字城市天际线提取方法 | |
CN114820976B (zh) | 融合遥感影像与拍摄影像的农村建筑建模方法、系统及存储介质 | |
CN107833273B (zh) | 基于三维仿真模型的倾斜摄影三维模型对象化应用方法 | |
CN114612488A (zh) | 建筑物单体化信息提取方法、计算机装置及存储介质 | |
CN112307553B (zh) | 一种对三维道路模型进行提取与简化的方法 | |
CN111784840B (zh) | 基于矢量数据自动分割lod层级三维数据单体化方法及系统 | |
WO2022048468A1 (zh) | 平面轮廓识别方法、装置、计算机设备和存储介质 | |
CN113409461B (zh) | 构建地貌地图的方法、装置、电子设备和可读存储介质 | |
CN114119900A (zh) | 建筑模型的构建方法、装置、设备、存储介质及程序产品 | |
Kwak et al. | Automatic 3D building model generation from lidar and image data using sequential minimum bounding rectangle | |
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 | |
EP4246452A1 (en) | Three-dimensional point cloud densification device, three-dimensional point cloud densification method, and program | |
CN109448093B (zh) | 一种风格图像生成方法及装置 | |
Zhang et al. | A geometry and texture coupled flexible generalization of urban building models | |
CN113744403A (zh) | 建筑物的三维模型的生成方法及系统 | |
CN116091709B (zh) | 建筑物的三维重建方法、装置、电子设备和存储介质 | |
CN116310188B (zh) | 基于实例分割及建筑重构的虚拟城市生成方法及存储介质 | |
CN112052489B (zh) | 一种户型图生成方法及系统 | |
CN113989680B (zh) | 建筑三维场景自动构建方法及系统 | |
CN114791800A (zh) | 白模建筑描边方法、装置、计算机设备及存储介质 | |
CN115033972A (zh) | 一种建筑主体结构批量单体化方法、系统及可读存储介质 | |
CN115186347A (zh) | 户型平面图与倾斜模型相结合的建筑物CityGML建模方法 | |
CN114238528A (zh) | 一种地图加载方法、装置、电子设备及存储介质 |
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 |