CN112785724A - 一种基于LiDAR点云和二维图像的古建筑可视化配色方法 - Google Patents

一种基于LiDAR点云和二维图像的古建筑可视化配色方法 Download PDF

Info

Publication number
CN112785724A
CN112785724A CN202110072787.2A CN202110072787A CN112785724A CN 112785724 A CN112785724 A CN 112785724A CN 202110072787 A CN202110072787 A CN 202110072787A CN 112785724 A CN112785724 A CN 112785724A
Authority
CN
China
Prior art keywords
point cloud
plane
cloud data
dimensional
building
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
Application number
CN202110072787.2A
Other languages
English (en)
Other versions
CN112785724B (zh
Inventor
陈定安
肖航
郎嵬
陈婷婷
李名豪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN202110072787.2A priority Critical patent/CN112785724B/zh
Publication of CN112785724A publication Critical patent/CN112785724A/zh
Application granted granted Critical
Publication of CN112785724B publication Critical patent/CN112785724B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw 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
    • G06T2207/10024—Color image
    • 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
    • G06T2207/10044—Radar image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Computer Graphics (AREA)
  • Architecture (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Processing Or Creating Images (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于LiDAR点云和二维图像的古建筑可视化配色方法，包括：获取LiDAR的3D点云数据并提取建筑物三维点云数据；将建筑物的三维点云数据拆分成具有不同属性的类平面结构；采集对应的正射照片，经过预处理得到平面点云数据；完成平面拟合工作，获得平面的法向量；将平面点云数据与建筑物的三维点云数据做法向量重叠计算点云质心重叠；基于k近邻分类算法进行色彩交换处理，完成可视化配色工作。通过使用本发明，使得无序的点云数据可以客观地被赋予符合实际属性的RGB色彩信息。本发明作为一种基于LiDAR点云和二维图像的古建筑可视化配色方法及系统，可广泛应用于地理信息科学技术领域。

Description

一种基于LiDAR点云和二维图像的古建筑可视化配色方法
技术领域
本发明涉及地理信息科学技术领域，尤其涉及一种基于LiDAR点云和二维图像的古建筑可视化配色方法。
背景技术
最近十年，激光雷达技术快速发展,它集成激光测距技术、计算机技术等于一体,该技术在三维空间信息的实时获取方面产生了重大突破,有多种设备和应用程序在不同的领域引入了3D对象和场景，如精确农业和林业,洪水分析,智能交通系统(ITS)和高级驾驶员辅助系统等领域。激光雷达具有360度视野，但需要多测站才能记录目标物体的完整三维空间信息。在室内场景捕捉中，基于激光雷达的三维扫描仪通过配准技术获取完成场景信息。然而，由于激光雷达获取的点云不具有颜色信息，往往需要在地基激光扫描仪上配备相应的全彩色照相机完成上色工作，这使得成品效果受光线、数据采集时间等因素影响极大。最终数据成果在某些场景中可视化程度低，如地区偏远、无照明工具的古代建筑，或是测量大型古建筑群落，时间跨度大的情况，在上述条件下，成品测量数据应用受限。目前的方法均无法将激光雷达点云和二维图像分析结合以增强点云数据的应用。
发明内容
为了解决上述技术问题，本发明的目的是提供一种基于LiDAR点云和二维图像的古建筑可视化配色方法，对无序的点云数据赋予符合实际属性的RGB色彩信息。
本发明所采用的第一技术方案是：种基于LiDAR点云和二维图像的古建筑可视化配色方法，包括以下步骤：
S1、获取LiDAR的3D点云数据并进行半径滤波处理，提取得到建筑物三维点云数据A；
S2、将建筑物的三维点云数据A按照几何位置关系拆分成具有不同属性的类平面结构点云B；
S3、采集具有多种属性的类平面结构对应的正射照片，经过预处理得到平面点云数据C；
S4、基于最小二乘法完成平面点云数据C与类平面结构点云B的平面拟合工作，获得平面的法向量；
S5、根据平面的法向量将平面点云数据C与类平面结构点云B做法向量重叠计算并通过点云质心重叠，得到重叠点云数据D；
S6、基于k近邻分类算法对重叠点云数据D进行色彩交换处理，完成可视化配色改良工作。
进一步，所述获取LiDAR的3D点云数据并进行半径滤波处理，提取得到建筑物三维点云数据A这一步骤，其具体包括：
S11、获取LiDAR的3D点云数据并对3D点云数据进行网格化处理，得到网格点云；
S12、遍历所有网格点云，逐一使用半径滤波过滤数据，剔除在设置半径范围内点数少于阈值的离群点，提取得到建筑物的三维点云数据A。
进一步，所述将建筑物的三维点云数据A按照几何位置关系拆分成具有不同属性的类平面结构点云B这一步骤，其具体包括：
S121、基于CSF滤波算法对建筑物的三维点云数据进行处理，提取建筑物地面；
S122、基于RANSAC算法对剩余的建筑物的三维点云数据进行处理，提取所有点数超过阈值的平面点云；
S123、基于最小二乘法将步骤S122获取的平面点云执行平面拟合操作，得到对应的法向量；
S123、根据对应的法向量对提取的平面点云分别标注属性，得到具有不同属性的类平面结构点云B。
进一步，所述基于RANSAC算法对剩余的建筑物的三维点云数据进行处理，提取所有点数超过阈值的平面点云这一步骤，其具体包括：
S1221、将剩余的建筑物的三维点云数据作为给定的数据集；
S1222、从给定的数据集中随机挑选预设数量的数据；
S1223、根据挑选得到的数据得到一个预设的平面模型；
S1224、根据预设规则以预设的平面模型为基准，将拟合方程作用于建筑物的三维点云数据，并区分模型的内点信息和外点信息；
S1225、判断到满足模型要求的点数大于预设阈值时，视为成功提取一个属性平面，并将除挑选外的剩余点作为给定数据集返回步骤S1222。
进一步，所述采集具有多种属性的类平面结构对应的正射照片，经过预处理得到平面点云数据C这一步骤，其具体包括：
S31、基于相机采集具有多种属性的照片，通过裁剪和旋转获取只存在单一属性物体的正射母本图像；
S32、根据相机参数设置像元的间距，以正射母本图像像元序列号乘以间距作为X、Y坐标值，Z轴数值默认为0，得到点云数据；
S33、将正射母本图像分解为m×n×3的矩阵，并结合点云数据得到转换后的点云矩阵；
S34、将转换后的点云矩阵与颜色信息结合，得到带有RGB色彩信息的、法向量竖直向上的平面点云数据C。
进一步，所述最小二乘法的表达式如下：
fi(a，b，c，d)＝axi+byi+czi-d
Figure BDA0002906479890000031
上式中，(a，b，c，d)代表平面方程的四个参数；fi(a，b，c，d)指的是每个点带入方程的残差；函数F(a，b，c，d)的值最小时，则完成平面拟合工作，向量(a，b，c)即为所求法向量。
进一步，法向量重叠计算的计算公式如下：
Figure BDA0002906479890000032
Figure BDA0002906479890000033
上式中，
Figure BDA0002906479890000034
和
Figure BDA0002906479890000035
分别代表平面点云数据法向量C与具有不同属性的类平面结构点云B的平面法向量，
Figure BDA0002906479890000036
是旋转轴，k是对应的旋转角度。
进一步，所述基于k近邻分类算法对重叠点云数据进行色彩交换处理，完成可视化配色改良工作这一步骤，其具体包括：
S61、获取重叠点云数据中色彩丢失的点作为测试对象，计算测试对象与带有RGB色彩信息的平面点云数据中每个点的距离；
S62、根据预设距离圈定最近的k个点，作为测试对象的相应近邻，并将这k个对象的色彩平均值赋给测试对象；
S63、根据这k个点的主要属性判断该测试对象的属性，完成配色。
本发明方法及系统的有益效果是：本发明通过提取可控的母本图像数据中的RGB色彩信息，进一步对无序的点云数据被赋予符合实际属性的RGB色彩信息，以一种近乎于自定义颜色特征的方式满足了可视化工作需求。
附图说明
图1是本发明一种基于LiDAR点云和二维图像的古建筑可视化配色方法的步骤流程图；
图2是本发明具体实施例的数据处理流程图；
图3是本发明具体实施例基于RANSAC算法提取平面的示意图；
图4是本发明具体实施例将母本图像转化为三维空间的平面点云的示意图；
图5是本发明具体实施例法向量重叠计算的示意图；
图6是本发明具体实施例古建筑物配色前后的对比图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
本发明首先从地基激光检测与测距(LiDAR)的3D点云中通过半径滤波获得清晰的建筑物点云数据，运用CSF与RANCAC结合的算法，自动化从无序的点云中提取带有属性的平面点云数据(如门、窗、地面、屋顶等)。然后通过处理后的母本图像映射为三维空间的平面点云，利用针对法向量计算的平移旋转，使得两种数据重合。最后利用k近邻分类算法完成RGB色彩信息交互的工作。
参照图1和图2，本发明提供了一种基于LiDAR点云和二维图像的古建筑可视化配色方法，该方法包括以下步骤：
S1、获取LiDAR的3D点云数据并进行半径滤波处理，提取得到建筑物三维点云数据A；
S2、将建筑物的三维点云数据A按照几何位置关系拆分成具有不同属性的类平面结构点云B；
具体地，根据RANSAC算法和CSF算法对提取的建筑物数据执行点云分割工作，将无序的点云数据按照几何位置关系拆分成具有不同属性的类平面结构，如地板、墙面、门窗、屋顶等。
S3、采集具有多种属性的类平面结构对应的正射照片，经过预处理得到平面点云数据C；
S4、基于最小二乘法完成平面点云数据C与类平面结构点云B的平面拟合工作，获得平面的法向量；
S5、根据平面的法向量将平面点云数据C与类平面结构点云B做法向量重叠计算并通过点云质心重叠，得到重叠点云数据D；
S6、基于k近邻分类算法对重叠点云数据进行色彩交换处理，完成可视化配色改良工作。
具体地，对可视化配色改良前后进行目视比对，评判配色前后的直观可视效果，相应结果如图6所示。
进一步作为本方法的优选实施例，所述获取LiDAR的3D点云数据并进行半径滤波处理，提取得到建筑物三维点云数据A这一步骤，其具体包括：
S11、获取LiDAR的3D点云数据并对3D点云数据进行网格化处理，得到网格点云；
S12、遍历所有网格点云，逐一使用半径滤波过滤数据，剔除在设置半径范围内点数少于阈值的离群点，提取得到建筑物的三维点云数据A。
具体地，将原始数据进行分块操作，然后对所有数据都执行网格化处理，并针对网格化点云分配网格值；然后逐一对单块数据完成半径滤波操作，删除半径r范围内，邻近点数少于N的点，即是去噪，使得建筑物点云清晰。
进一步作为本方法的优选实施例，所述将建筑物的三维点云数据A按照几何位置关系拆分成具有不同属性的类平面结构点云B这一步骤，其具体包括：
S121、基于CSF滤波算法对建筑物的三维点云数据进行处理，提取建筑物地面；
S122、基于RANSAC算法对剩余的建筑物的三维点云数据进行处理，提取所有点数超过阈值的平面点云；
S123、基于最小二乘法将步骤S122获取的平面点云执行平面拟合操作，得到对应的法向量；
S123、根据对应的法向量对提取的平面点云分别标注属性，得到具有不同属性的类平面结构点云B。
进一步作为本方法的优选实施例，所述基于RANSAC算法对剩余的建筑物的三维点云数据进行处理，提取所有点数超过阈值的平面点云这一步骤，其具体包括：
S1221、将剩余的建筑物的三维点云数据作为给定的数据集；
S1222、从给定的数据集中随机挑选预设数量的数据；
S1223、根据挑选得到的数据得到一个预设的平面模型；
S1224、根据预设规则以预设的平面模型为基准，将拟合方程作用于建筑物的三维点云数据，并区分模型的内点信息和外点信息；
S1225、判断到满足模型要求的点数大于预设阈值时，视为成功提取一个属性平面，并将除挑选外的剩余点作为给定数据集返回步骤S1222。
具体地，基于RANSAC算法提取平面的示意图参照图3。
进一步作为本方法优选实施例，所述采集具有多种属性的类平面结构对应的正射照片，经过预处理得到平面点云数据C这一步骤，其具体包括：
S31、基于相机采集具有多种属性的照片，通过裁剪和旋转获取只存在单一属性物体的正射母本图像；
S32、根据相机参数设置像元的间距，以正射母本图像像元序列号乘以间距作为X、Y坐标值，Z轴数值默认为0，得到点云数据；
S33、将正射母本图像分解为m×n×3的矩阵，并结合点云数据得到转换后的点云矩阵；
具体地，其中m×n代表图像中的像元的个数，其中的“3”即代表RGB三原色对应的值，矩阵中(:,:,1)表示红色R，(:,:,2)表示绿色G,(:,:,3)表示蓝色B；
S34、将转换后的点云矩阵与颜色信息结合，得到带有RGB色彩信息的、法向量竖直向上的平面点云数据C。
具体地，母本图像转化为三维空间的平面点云方法示意图参照图4；
进一步作为本方法优选实施例，所述最小二乘法的表达式如下：
fi(a，b，c，d)＝axi+byi+czi-d
Figure BDA0002906479890000061
上式中，(a，b，c，d)代表平面方程的四个参数；fi(a，b，c，d)指的是每个点带入方程的残差；函数F(a，b，c，d)的值最小时，则完成平面拟合工作，向量(a，b，c)即为所求法向量。
具体地，要使F(a，b，c，d)最小，应满足
Figure BDA0002906479890000062
即是
Figure BDA0002906479890000063
可解的参数(a，b，c，d)。
进一步作为本方法优选实施例，法向量重叠计算的计算公式如下：
Figure BDA0002906479890000064
Figure BDA0002906479890000065
上式中，
Figure BDA0002906479890000066
和
Figure BDA0002906479890000067
分别代表平面点云数据法向量C与具有不同属性的类平面结构点云B的平面法向量，
Figure BDA0002906479890000068
是旋转轴，k是对应的旋转角度。
具体地，法向量重叠计算参照图5。
进一步作为本方法优选实施例，所述基于k近邻分类算法对重叠点云数据进行色彩交换处理，完成可视化配色改良工作这一步骤，其具体包括：
S61、获取重叠点云数据中色彩丢失的点作为测试对象，计算测试对象与带有RGB色彩信息的平面点云数据中每个对象的距离；
具体地，给定测试对象(色彩丢失的LiDAR数据中任一个点)，计算它与训练集(母本图像转换的带有RGB色彩信息的三维平面点云)中的每个对象的距离；
S62、根据预设距离圈定最近的k个点，作为测试对象的相应近邻，并将这k个对象的色彩平均值赋给测试对象；
S63、根据这k个点的主要属性判断该测试对象的属性，完成配色。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (8)

1.一种基于LiDAR点云和二维图像的古建筑可视化配色方法，其特征在于，包括以下步骤：
S1、获取LiDAR的3D点云数据并进行半径滤波处理，提取得到建筑物三维点云数据A；
S2、将建筑物的三维点云数据A按照几何位置关系拆分成具有不同属性的类平面结构点云B；
S3、采集具有多种属性的类平面结构对应的正射照片，经过预处理得到平面点云数据C；
S4、基于最小二乘法完成平面点云数据C与类平面结构点云B的平面拟合工作，获得平面的法向量；
S5、根据平面的法向量将平面点云数据C与类平面结构点云B做法向量重叠计算并通过点云质心重叠，得到重叠点云数据D；
S6、基于k近邻分类算法对重叠点云数据D进行色彩交换处理，完成可视化配色改良工作。
2.根据权利要求1所述一种基于LiDAR点云和二维图像的古建筑可视化配色方法，其特征在于，所述获取LiDAR的3D点云数据并进行半径滤波处理，提取得到建筑物三维点云数据A这一步骤，其具体包括：
S11、获取LiDAR的3D点云数据并对3D点云数据进行网格化处理，得到网格点云；
S12、遍历所有网格点云，逐一使用半径滤波过滤数据，剔除在设置半径范围内点数少于阈值的离群点，提取得到建筑物的三维点云数据A。
3.根据权利要求2所述一种基于LiDAR点云和二维图像的古建筑可视化配色方法，其特征在于，所述将建筑物的三维点云数据A按照几何位置关系拆分成具有不同属性的类平面结构点云B这一步骤，其具体包括：
S121、基于CSF滤波算法对建筑物的三维点云数据A进行处理，提取建筑物地面；
S122、基于RANSAC算法对剩余的建筑物的三维点云数据进行处理，提取所有点数超过阈值的平面点云；
S123、基于最小二乘法将步骤S122获取的平面点云执行平面拟合操作，得到对应的法向量；
S123、根据对应的法向量对提取的平面点云分别标注属性，得到具有不同属性的类平面结构点云B。
4.根据权利要求3所述一种基于LiDAR点云和二维图像的古建筑可视化配色方法，其特征在于，所述基于RANSAC算法对剩余的建筑物的三维点云数据进行处理，提取所有点数超过阈值的平面点云这一步骤，其具体包括：
S1221、将剩余的建筑物的三维点云数据作为给定的数据集；
S1222、从给定的数据集中随机挑选预设数量的数据；
S1223、根据挑选得到的数据得到一个预设的平面模型；
S1224、根据预设规则以预设的平面模型为基准，将拟合方程作用于建筑物的三维点云数据，并区分模型的内点信息和外点信息；
S1225、判断到满足模型要求的点数大于预设阈值时，视为成功提取一个属性平面，并将除挑选外的剩余点作为给定数据集返回步骤S1222。
5.根据权利要求4所述一种基于LiDAR点云和二维图像的古建筑可视化配色方法，其特征在于，所述采集具有多种属性的类平面结构对应的正射照片，经过预处理得到平面点云数据C这一步骤，其具体包括：
S31、基于相机采集具有多种属性的照片，通过裁剪和旋转获取只存在单一属性物体的正射母本图像；
S32、根据相机参数设置像元的间距，以正射母本图像像元序列号乘以间距作为X、Y坐标值，Z轴数值默认为0，得到点云数据；
S33、将正射母本图像分解为m×n×3的矩阵，并结合点云数据得到转换后的点云矩阵；
S34、将转换后的点云矩阵与颜色信息结合，得到带有RGB色彩信息的、法向量竖直向上的平面点云数据C。
6.根据权利要求5所述一种基于LiDAR点云和二维图像的古建筑可视化配色方法，其特征在于，所述最小二乘法的表达式如下：
fi(a，b，c，d)＝axi+byi+czi-d
Figure FDA0002906479880000021
上式中，(a，b，c，d)代表平面方程的四个参数；fi(a，b，c，d)指的是每个点带入方程的残差；函数F(a，b，c，d)的值最小时，则完成平面拟合工作，向量(a，b，c)即为所求法向量。
7.根据权利要求6所述一种基于LiDAR点云和二维图像的古建筑可视化配色方法，其特征在于，法向量重叠计算的计算公式如下：
Figure FDA0002906479880000022
Figure FDA0002906479880000031
上式中，
Figure FDA0002906479880000032
和
Figure FDA0002906479880000033
分别代表平面点云数据法向量C与具有不同属性的类平面结构点云B的平面法向量，
Figure FDA0002906479880000034
是旋转轴，k是对应的旋转角度。
8.根据权利要求7所述一种基于LiDAR点云和二维图像的古建筑可视化配色方法，其特征在于，所述基于k近邻分类算法对重叠点云数据D进行色彩交换处理，完成可视化配色改良工作这一步骤，其具体包括：
S61、获取重叠点云数据中色彩丢失的点作为测试对象，计算测试对象与带有RGB色彩信息的平面点云数据中每个点的距离；
S62、根据预设距离圈定最近的k个点，作为测试对象的相应近邻，并将这k个对象的色彩平均值赋给测试对象；
S63、根据这k个点的主要属性判断该测试对象的属性，完成配色。
CN202110072787.2A 2021-01-20 2021-01-20 一种基于LiDAR点云和二维图像的古建筑可视化配色方法 Active CN112785724B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110072787.2A CN112785724B (zh) 2021-01-20 2021-01-20 一种基于LiDAR点云和二维图像的古建筑可视化配色方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110072787.2A CN112785724B (zh) 2021-01-20 2021-01-20 一种基于LiDAR点云和二维图像的古建筑可视化配色方法

Publications (2)

Publication Number Publication Date
CN112785724A true CN112785724A (zh) 2021-05-11
CN112785724B CN112785724B (zh) 2024-05-07

Family

ID=75757876

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110072787.2A Active CN112785724B (zh) 2021-01-20 2021-01-20 一种基于LiDAR点云和二维图像的古建筑可视化配色方法

Country Status (1)

Country Link
CN (1) CN112785724B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113987631A (zh) * 2021-10-18 2022-01-28 中山大学 一种基于对称性分析的建筑物受灾形变检测方法及系统
US11977154B2 (en) 2016-10-28 2024-05-07 Ppg Industries Ohio, Inc. Coatings for increasing near-infrared detection distances
US12001034B2 (en) 2019-01-07 2024-06-04 Ppg Industries Ohio, Inc. Near infrared control coating, articles formed therefrom, and methods of making the same
US12050950B2 (en) 2018-11-13 2024-07-30 Ppg Industries Ohio, Inc. Method of detecting a concealed pattern

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110415342A (zh) * 2019-08-02 2019-11-05 深圳市唯特视科技有限公司 一种基于多融合传感器的三维点云重建装置与方法
CN110570428A (zh) * 2019-08-09 2019-12-13 浙江合信地理信息技术有限公司 一种从大规模影像密集匹配点云分割建筑物屋顶面片的方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110415342A (zh) * 2019-08-02 2019-11-05 深圳市唯特视科技有限公司 一种基于多融合传感器的三维点云重建装置与方法
CN110570428A (zh) * 2019-08-09 2019-12-13 浙江合信地理信息技术有限公司 一种从大规模影像密集匹配点云分割建筑物屋顶面片的方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
易海泉等: "一种平面特征引导的地面LiDAR点云拼接方法", 测绘地理信息, vol. 43, no. 6, pages 95 - 98 *
赵小阳等: "基于LiDAR点云的建筑物边界提取及规则化", 地理空间信息, vol. 14, no. 7, pages 88 - 90 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11977154B2 (en) 2016-10-28 2024-05-07 Ppg Industries Ohio, Inc. Coatings for increasing near-infrared detection distances
US12050950B2 (en) 2018-11-13 2024-07-30 Ppg Industries Ohio, Inc. Method of detecting a concealed pattern
US12001034B2 (en) 2019-01-07 2024-06-04 Ppg Industries Ohio, Inc. Near infrared control coating, articles formed therefrom, and methods of making the same
CN113987631A (zh) * 2021-10-18 2022-01-28 中山大学 一种基于对称性分析的建筑物受灾形变检测方法及系统
CN113987631B (zh) * 2021-10-18 2022-12-13 中山大学 一种基于对称性分析的建筑物受灾形变检测方法及系统

Also Published As

Publication number Publication date
CN112785724B (zh) 2024-05-07

Similar Documents

Publication Publication Date Title
CN112785724B (zh) 一种基于LiDAR点云和二维图像的古建筑可视化配色方法
CN110443836B (zh) 一种基于平面特征的点云数据自动配准方法及装置
CN104484668B (zh) 一种无人机多重叠遥感影像的建筑物轮廓线提取方法
CN109598794B (zh) 三维gis动态模型的构建方法
US20060061566A1 (en) Method and apparatus for performing three-dimensional computer modeling
CN107392929B (zh) 一种基于人眼视觉模型的智能化目标检测及尺寸测量方法
CN109255808B (zh) 基于倾斜影像的建筑物纹理提取方法和装置
Yue et al. Fast 3D modeling in complex environments using a single Kinect sensor
CN108171715B (zh) 一种图像分割方法及装置
CN107818303B (zh) 无人机油气管线影像自动对比分析方法、系统及软件存储器
CN113050074B (zh) 无人驾驶环境感知中相机与激光雷达标定系统及标定方法
Khoshelham et al. Generation and weighting of 3D point correspondences for improved registration of RGB-D data
Fan et al. Vision algorithms for fixed-wing unmanned aerial vehicle landing system
CN113256696A (zh) 基于自然场景的激光雷达和相机的外参标定方法
Crombez et al. 3D point cloud model colorization by dense registration of digital images
Zakharov et al. Automatic building detection from satellite images using spectral graph theory
CN103700110A (zh) 全自动影像匹配方法
EP3825804A1 (en) Map construction method, apparatus, storage medium and electronic device
Hamzah et al. An obstacle detection and avoidance of a mobile robot with stereo vision camera
Kokovkina et al. The algorithm of EKF-SLAM using laser scanning system and fisheye camera
CN117372613A (zh) 一种基于图像的多目标三维建筑模型快速构建方法
Shen et al. A 3D modeling method of indoor objects using Kinect sensor
CN111914790A (zh) 基于双摄像头的不同场景下实时人体转动角度识别方法
EP2879090B1 (en) Aligning ground based images and aerial imagery
Jing et al. 3D reconstruction of underground tunnel using Kinect camera

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