CN114332134A - 一种基于密集点云的建筑物立面提取方法和装置 - Google Patents
一种基于密集点云的建筑物立面提取方法和装置 Download PDFInfo
- Publication number
- CN114332134A CN114332134A CN202210217728.4A CN202210217728A CN114332134A CN 114332134 A CN114332134 A CN 114332134A CN 202210217728 A CN202210217728 A CN 202210217728A CN 114332134 A CN114332134 A CN 114332134A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- building
- dense matching
- facade
- 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
Landscapes
- Image Processing (AREA)
Abstract
本发明提供了一种基于密集点云的建筑物立面提取方法和装置,涉及数据处理的技术领域,包括:获取待提取区域的密集匹配点云数据,并对密集匹配点云数据进行预处理,得到目标密集匹配点云数据;基于目标密集匹配点云数据,构建待提取区域的均匀网格,并确定出均匀网格中的候选点云数据;基于密度可达性分析算法、局部表面拟合算法和候选点云数据,对待提取区域内的建筑物立面进行粗提取,得到待提取区域内的建筑物的初始立面;基于预设图像处理算法和初始立面,构建待提取区域内的建筑物立面,解决了现有的建筑物立面提取方法的提取精度和效率较低的技术问题。
Description
技术领域
本发明涉及数据处理的技术领域,尤其是涉及一种基于密集点云的建筑物立面提取方法和装置 。
背景技术
随着数字摄影测量技术和计算机视觉技术的发展,基于倾斜影像匹配点云的城市真正射影像生成为如今的研究热点。不同于传统航空摄影以获取近似垂直影像为目的,通过在飞行平台上同时搭载多个相机镜头,使得多视角的倾斜摄影具有地物竖立面信息获取的能力,能够从竖直和其他倾斜方向同时获取更加丰富的影像信息且地物情况更真实,更加符合用户的视觉感受,极大地扩展了遥感影像的应用领域。倾斜摄影测量的发展也使摄影测量影像后处理技术进步,通过方便快捷的影像密集匹配技术,能将人们利用图像提取建筑物的视角和能力从2D空间提升至3D空间。相比传统数据,倾斜影像密集匹配点云表现出诸多优势:在数据获取方式上,密集匹配点云获取的成本低、效率高;在数据特点上,密集匹配点云的数据信息丰富,避免了多平台激光点云数据融合的难点,同时可以较好地保留地物特征,匹配结果不仅包含精确的三维空间坐标信息,还包含颜色信息。
尽管密集匹配点云包含点的空间坐标信息和颜色信息,但却缺少识别树木、道路、建筑物较理想的回波和强度信息;逐像素的匹配策略造成密集匹配点云数据量大、密度高,数据信息丰富的同时,数据冗余过多、噪点较多,越高的建筑物在生成真正射影像时建筑物边缘“拉花”现象越严重,使得真正射影像出现扭曲歪斜;同时影像分辨率和地物之间的遮挡等客观情况导致部分地物底部边缘不清晰,建筑物与树木粘连,高程连续变化,表面粗糙等问题,造成无法对单个模型进行独立操作的问题。传统LiDAR点云数据的处理技术对密集匹配点云的适用性并不高,LiDAR点云虽具备精确的空间三维信息、回波信息以及强度信息,可以用于建筑物的识别,但LiDAR数据不含纹理信息,并且单一平台获取的LiDAR数据存在建筑物几何信息缺失的缺陷,利用LiDAR点云进行真正射影像生成可能会设及多平台数据融合带来的分辨率不同造成的数据困难,同时LiDAR系统价格高昂,不太适用于企业级生产。
针对上述问题,还未提出有效的解决方案。
发明内容
有鉴于此,本发明的目的在于提供一种基于密集点云的建筑物立面提取方法和装置,以缓解了现有的建筑物立面提取方法的提取精度和效率较低的技术问题。
第一方面,本发明实施例提供了一种基于密集点云的建筑物立面提取方法,包括:获取待提取区域的密集匹配点云数据,并对所述密集匹配点云数据进行预处理,得到目标密集匹配点云数据,其中,所述预处理包括:离群点滤波处理和布料模拟滤波处理;基于所述目标密集匹配点云数据,构建所述待提取区域的均匀网格,并确定出所述均匀网格中的候选点云数据,其中,所述均匀网格用于表征所述目标密集匹配点云数据中点云数据之间的拓扑关系;基于密度可达性分析算法、局部表面拟合算法和所述候选点云数据,对所述待提取区域内的建筑物立面进行粗提取,得到待提取区域内的建筑物的初始立面;基于预设图像处理算法和所述初始立面,构建所述待提取区域内的建筑物立面。
进一步地,对所述密集匹配点云数据进行预处理,得到目标密集匹配点云数据,包括:基于KD-Tree算法,对所述密集匹配点云数据进行离群点滤波处理,得到中间密集匹配点云数据;对所述中间密集匹配点云数据进行布料模拟滤波处理,确定出所述中间密集匹配点云数据中的非地面点云数据,并将所述非地面点云数据确定为所述目标密集匹配点云数据。
进一步地,确定出所述均匀网格中的候选点云数据,包括:确定出所述均匀网格中每个网格包含的非地面点云数据的高程;并计算每个网格包含的非地面点云数据的高程的理论最小高程值;将每个网格包含的非地面点云数据中的目标非地面点云数据确定为候选点云数据,其中,所述目标非地面点云数据为非地面点云数据的高程与对应的网格的理论最小高程值之间的差值小于预设阈值的非地面点云数据。
进一步地,基于密度可达性分析算法、局部表面拟合算法和所述候选点云数据,对所述待提取区域内的建筑物立面进行粗提取,得到待提取区域内的建筑物的初始立面,包括:基于所述密度可达性分析算法和所述候选点云数据,将所述待提取区域中包含的建筑物划分为建筑物单体;基于主成分分析算法,确定所述建筑物单体的立面的法向量;对所述法向量进行定向,得到定向后的法向量;基于所述局部表面拟合算法和所述定向后的法向量,对所述候选点云数据进行最小二乘局部表面拟合,得到所述待提取区域内的建筑物的初始立面。
进一步地,基于预设图像处理算法和所述初始立面,构建所述待提取区域内的建筑物立面 ,包括:将所述初始立面中包含的点云数据转化为二值图像;基于预设图像处理算法和所述二值图像,确定出所述待提取区域内的建筑物的骨架轮廓线;基于所述骨架轮廓线和所述初始立面中包含的点云数据,构建所述待提取区域内的建筑物立面。
第二方面,本发明实施例还提供了一种基于密集点云的建筑物立面提取装置,包括:获取单元,第一构建单元,粗提取单元和第二构建单元,其中,所述获取单元,用于获取待提取区域的密集匹配点云数据,并对所述密集匹配点云数据进行预处理,得到目标密集匹配点云数据,其中,所述预处理包括:离群点滤波处理和布料模拟滤波处理;所述第一构建单元,用于基于所述目标密集匹配点云数据,构建所述待提取区域的均匀网格,并确定出所述均匀网格中的候选点云数据,其中,所述均匀网格用于表征所述目标密集匹配点云数据中点云数据之间的拓扑关系;所述粗提取单元,用于基于密度可达性分析算法、局部表面拟合算法和所述候选点云数据,对所述待提取区域内的建筑物立面进行粗提取,得到待提取区域内的建筑物的初始立面;所述第二构建单元,用于基于预设图像处理算法和所述初始立面,构建所述待提取区域内的建筑物立面。
进一步地,所述获取单元,用于:基于KD-Tree算法,对所述密集匹配点云数据进行离群点滤波处理,得到中间密集匹配点云数据;对所述中间密集匹配点云数据进行布料模拟滤波处理,确定出所述中间密集匹配点云数据中的非地面点云数据,并将所述非地面点云数据确定为所述目标密集匹配点云数据。
进一步地,所述构建单元,用于 :确定出所述均匀网格中每个网格包含的非地面点云数据的高程;并计算每个网格包含的非地面点云数据的高程的理论最小高程值;将每个网格包含的非地面点云数据中的目标非地面点云数据确定为候选点云数据,其中,所述目标非地面点云数据为非地面点云数据的高程与对应的网格的理论最小高程值之间的差值小于预设阈值的非地面点云数据。
第三方面,本发明实施例还提供了一种电子设备,包括存储器以及处理器,所述存储器用于存储支持处理器执行上述第一方面中所述方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
第四方面,本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序。
在本发明实施例中,通过获取待提取区域的密集匹配点云数据,并对所述密集匹配点云数据进行预处理,得到目标密集匹配点云数据,其中,所述预处理包括:离群点滤波处理和布料模拟滤波处理;基于所述目标密集匹配点云数据,构建所述待提取区域的均匀网格,并确定出所述均匀网格中的候选点云数据,其中,所述均匀网格用于表征所述目标密集匹配点云数据中点云数据之间的拓扑关系;基于密度可达性分析算法、局部表面拟合算法和所述候选点云数据,对所述待提取区域内的建筑物立面进行粗提取,得到待提取区域内的建筑物的初始立面;基于预设图像处理算法和所述初始立面,构建所述待提取区域内的建筑物立面,达到了无需先验知识与人工干预进行建筑物立面提取的目的,进而解决了现有的建筑物立面提取方法的提取精度和效率较低的技术问题,从而实现了提高建筑物立面的提取精度和效率的技术效果。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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为本发明实施例提供的 一种基于密集点云的建筑物立面提取方法的流程图;
图2为本发明实施例提供的一种基于密集点云的建筑物立面提取装置的示意图 ;
图3为本发明实施例提供的 一种电子设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
实施例一:
根据本发明实施例,提供了一种基于密集点云的建筑物立面提取方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种基于密集点云的建筑物立面提取方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,获取待提取区域的密集匹配点云数据,并对所述密集匹配点云数据进行预处理,得到目标密集匹配点云数据,其中,所述预处理包括:离群点滤波处理和布料模拟滤波处理;
步骤S104,基于所述目标密集匹配点云数据,构建所述待提取区域的均匀网格,并确定出所述均匀网格中的候选点云数据,其中,所述均匀网格用于表征所述目标密集匹配点云数据中点云数据之间的拓扑关系;
步骤S106,基于密度可达性分析算法、局部表面拟合算法和所述候选点云数据,对所述待提取区域内的建筑物立面进行粗提取,得到待提取区域内的建筑物的初始立面;
步骤S108,基于预设图像处理算法和所述初始立面,构建所述待提取区域内的建筑物立面。
在本发明实施例中,通过获取待提取区域的密集匹配点云数据,并对所述密集匹配点云数据进行预处理,得到目标密集匹配点云数据,其中,所述预处理包括:离群点滤波处理和布料模拟滤波处理;基于所述目标密集匹配点云数据,构建所述待提取区域的均匀网格,并确定出所述均匀网格中的候选点云数据,其中,所述均匀网格用于表征所述目标密集匹配点云数据中点云数据之间的拓扑关系;基于密度可达性分析算法、局部表面拟合算法和所述候选点云数据,对所述待提取区域内的建筑物立面进行粗提取,得到待提取区域内的建筑物的初始立面;基于预设图像处理算法和所述初始立面,构建所述待提取区域内的建筑物立面,达到了无需先验知识与人工干预进行建筑物立面提取的目的,进而解决了现有的建筑物立面提取方法的提取精度和效率较低的技术问题,从而实现了提高建筑物立面的提取精度和效率的技术效果。
在本发明实施例中,步骤S102包括如下步骤:
步骤S11,基于KD-Tree算法,对所述密集匹配点云数据进行离群点滤波处理,得到中间密集匹配点云数据;
步骤S12,对所述中间密集匹配点云数据进行布料模拟滤波处理,确定出所述中间密集匹配点云数据中的非地面点云数据,并将所述非地面点云数据确定为所述目标密集匹配点云数据。
在本发明实施例中,首先,通过KD-Tree算法对密集匹配点云数据进行最近邻搜索,并基于统计学思想对密集匹配点云数据中的高程异常点进行离群点滤波,从而得到中间密集匹配点云数据。
然后对中间密集匹配点云数据行“布料模拟”滤波,以实现地面点与非地面点的分离,同时通过计算“布料”在某一时刻的形状能够直接得到DSM和DEM;“布料模拟”公式如下:
KD-Tree,也即k-dimensional树,是一种对k维空间中的实例点进行存储以便对其进行快速检索的树形数据结构,通过KD-Tree算法可以快速地从密集匹配点云数据中去除离群噪声点。
通过布料模拟滤波处理能够在具有地形起伏的场景也能快速和较为精确的地面点云和非地面点云,并且根据需求可以直接生成数字高程模型(DEM)和数字表面模型(DSM)。
在本发明实施例中,步骤S104包括如下步骤:
步骤S21,确定出所述均匀网格中每个网格包含的非地面点云数据的高程;
步骤S22,并计算每个网格包含的非地面点云数据的高程的理论最小高程值;
步骤S23,将每个网格包含的非地面点云数据中的目标非地面点云数据确定为候选点云数据,其中,所述目标非地面点云数据为非地面点云数据的高程与对应的网格的理论最小高程值之间的差值小于预设阈值的非地面点云数据。
在本发明实施例中,首先,需要根据目标密集匹配点云数据,构建待提取区域的均匀网格,具体构建过程如下:
由于点云数据主要是表征目标表面的海量点集合,不具备传统网格数据的集合拓扑信息,因此对无序点云建立均匀格网划分构建点云间拓扑关系,使点云之间存在联系,以实现邻近点的快速查询以及点云的有序化组织。首先计算点云的最大最小,坐标值,以坐标值为原点,再将点云进行网格划分,公式如下:
通过对无序点云建立均匀格网划分构建点云间拓扑关系,使点云之间存在联系,实现了邻近点的快速查询以及点云的有序化组织。
在得到均匀网格之后,统计网格中的所有非地面点的高程,以其最小值作为网格的高程阈值基准,通过约束格网内点云的局部高程进行建筑物候选点提取,排除低矮植被和建筑物粘连对建筑物造成的误提取。对于包含个点云的网格,表示网格中第个非地面点的高程值。
通过利用每个网格包含的非地面点云数据的高程进行建筑物候选点提取,能够在邻域范围内的排除低矮植被和建筑物粘连对建筑物造成的误提取。
利用网格高程基准作为距地高阈值设置的参考,按照以下公式进行网格内建筑物候选点的筛选:
在本发明实施例中,步骤S106包括如下步骤:
步骤S31,基于所述密度可达性分析算法和所述候选点云数据,将所述待提取区域中包含的建筑物划分为建筑物单体;
步骤S32,基于主成分分析算法,确定所述建筑物单体的立面的法向量;
步骤S33,对所述法向量进行定向,得到定向后的法向量;
步骤S34,基于所述局部表面拟合算法和所述定向后的法向量,对所述候选点云数据进行最小二乘局部表面拟合,得到所述待提取区域内的建筑物的初始立面。
通过根据建筑物点云分布的空间特征,并结合密度可达性分析可对建筑物进行单体化,单体化后可以避免和建筑物具有相似空间分布特征的非建筑物的误分类。
接着,对建筑物候选点的三维点云使用主成分分析进行法向量计算,公式如下:
上述基于主成分分析思想计算的单体建筑物中点云的法向量具有二义性,即未对点云法向量进行定向,解决这一问题的方法是引入一个视点约束,如公式:
通过对法向量进行定向,可以避免法向量的二义性造成的建筑物立面候选点的误提取和漏提取,提升建筑物立面提取的精度。
最后,通过定法向量进行最小二乘局部表面拟合,将建筑物顶面点云和立面点云的分离,以实现建筑物立面粗提取,得到待提取区域内的建筑物的初始立面。
基于最小二乘法进行局部表面拟合适用于大规模的点云场景中,计算原理较为简单且效率快,首先对建筑物候选点的任意点,利用KD-tree获得其邻域范围内的点集,由平面的一般表达式,使用最小二乘法将点集拟合为一个平面,拟合过程公式如下:
有益效果在于:通过对法向量定向来消除点云法向量的二义性,同时根据定向后的点云法向量拟合平面可以进一步消除植被或杆状地物等独立地物对提取结果的影响,提高建筑物立面提取的效率与精度。
在本发明实施例中,步骤S108包括如下步骤:
步骤S41,将所述初始立面中包含的点云数据转化为二值图像;
步骤S42,基于预设图像处理算法和所述二值图像,确定出所述待提取区域内的建筑物的骨架轮廓线;
步骤S43,基于所述骨架轮廓线和所述初始立面中包含的点云数据,构建所述待提取区域内的建筑物立面。
为了进一步区分建筑物点云与和建筑物具有相似空间分布特征的非建筑物点云,在不具备回波信息、强度信息以及其他辅助信息的情况下,在本发明实施例中,通过计算格网邻域内的投影点密度将粗提取的立面点云转化为二值图像。通常情况下,建筑物满足以下两点:
1)建筑物距地高3m以上且高于周围地形;
建筑物在XOY平面上的投影特征为建筑物轮廓点云密集,相邻点云在水平轴上偏差很小,在垂直轴上有近似垂直的斜率。
具体投影方法如下:
将均匀格网内的所有建筑物立面粗提取点云垂直投影到XOY平面,公式如下:
投影后计算每个格网内的投影点密度,公式如下:
通过将初始立面中包含的三维点云数据转为二维图像可以提高数据处理的效率,同时根据建筑物立面的特性也能提高提取精度。
进一步的,基于投影点密度,通过以下约束可以排除和建筑物具有相似空间特征的非建筑物地物同时将建筑物转为二值图像:
将满足上述约束的点在图像上的灰度值赋值为1,不满足则赋值为0,得到二值图像。
通过上述步骤能够将符合要求的点设为前景,排除了非候选点的干扰。
接着,对二值图像中的建筑物轮廓进行简化,即对轮廓的各个点进行相应地删除、移位。在本发明实施例中,主要利用Douglas-Peucker算法(即,预设图像处理算法)进行建筑物轮廓的骨架线提取,以达到简化建筑物轮廓的目的。
通过去除建筑物立面轮廓的冗余点,以便更好地表示原有建筑物的特征,同时提高处理效率。
最后,采用随机抽样一致算法(Random Sample Consensus,RANSAC)完成建筑物立面的提取,首先需要设计一个初始化参数模型,基于迭代的思想在数据中推理出符合模型的数据,准确率、迭代次数与初始化参数模型呈正相关,假设确定的参考平面模型方程如公式如下:
通过迭代计算,能找出包含最多局内点数的平面模型,提高建筑物立面提取的精度。
在本发明实施例中,通过构建待提取区域的均匀网格解决了海量密集匹配点云数据无拓扑性与无序性,并保证了点云之间的邻域关系。
在本发明实施例中,针对密集匹配点云的特性引起的建筑物立面提取的困难,综合利用密集匹配点云的三维坐标信息、法向量、密度等不同特征,并结合图像处理的思想,无需先验知识、人机交互等多种辅助信息,能达到提取较为完整的建筑物立面、提高提取的精度和效率、减少人工干预以及人力消耗的目的。
在本发明实施例中,提取建筑物立面的过程中所需预设参数少,且大量的植被点在预处理阶段便被滤除,解决了难以使用几何约束区分的植被与建筑物粘连;针对密集匹配点云中存在大量噪音点和误匹配点的问题,本发明在建筑物立面粗提取后使用图像算法平滑建筑物立面轮廓、消除细小突出物,提高了建筑物立面提取的精度与效率,也确保了后续真正射产品生产的质量。
实施例二:
本发明实施例还提供了一种基于密集点云的建筑物立面提取装置,该装置用于执行本发明实施例上述内容所提供的基于密集点云的建筑物立面方法,以下是本发明实施例提供的基于密集点云的建筑物立面装置的具体介绍。
如图2所示,图2为上述基于密集点云的建筑物立面装置的示意图,该基于密集点云的建筑物立面装置包括: 获取单元10,第一构建单元20,粗提取单元30和第二构建单元40。
所述获取单元10,用于获取待提取区域的密集匹配点云数据,并对所述密集匹配点云数据进行预处理,得到目标密集匹配点云数据,其中,所述预处理包括:离群点滤波处理和布料模拟滤波处理;
所述第一构建单元20,用于基于所述目标密集匹配点云数据,构建所述待提取区域的均匀网格,并确定出所述均匀网格中的候选点云数据,其中,所述均匀网格用于表征所述目标密集匹配点云数据中点云数据之间的拓扑关系;
所述粗提取单元30,用于基于密度可达性分析算法、局部表面拟合算法和所述候选点云数据,对所述待提取区域内的建筑物立面进行粗提取,得到待提取区域内的建筑物的初始立面;
所述第二构建单元40,用于基于预设图像处理算法和所述初始立面,构建所述待提取区域内的建筑物立面。
在本发明实施例中,通过获取待提取区域的密集匹配点云数据,并对所述密集匹配点云数据进行预处理,得到目标密集匹配点云数据,其中,所述预处理包括:离群点滤波处理和布料模拟滤波处理;基于所述目标密集匹配点云数据,构建所述待提取区域的均匀网格,并确定出所述均匀网格中的候选点云数据,其中,所述均匀网格用于表征所述目标密集匹配点云数据中点云数据之间的拓扑关系;基于密度可达性分析算法、局部表面拟合算法和所述候选点云数据,对所述待提取区域内的建筑物立面进行粗提取,得到待提取区域内的建筑物的初始立面;基于预设图像处理算法和所述初始立面,构建所述待提取区域内的建筑物立面,达到了无需先验知识与人工干预进行建筑物立面提取的目的,进而解决了现有的建筑物立面提取方法的提取精度和效率较低的技术问题,从而实现了提高建筑物立面的提取精度和效率的技术效果。
实施例三:
本发明实施例还提供了一种电子设备,包括存储器以及处理器,所述存储器用于存储支持处理器执行上述实施例一中所述方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
参见图3,本发明实施例还提供一种电子设备100,包括:处理器50,存储器51,总线52和通信接口53,所述处理器50、通信接口53和存储器51通过总线52连接;处理器50用于执行存储器51中存储的可执行模块,例如计算机程序。
其中,存储器51可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口53(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线52可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图3中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器51用于存储程序,所述处理器50在接收到执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器50中,或者由处理器50实现。
处理器50可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器50中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器50可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器51,处理器50读取存储器51中的信息,结合其硬件完成上述方法的步骤。
实施例四:
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器运行时执行上述实施例一中所述方法的步骤。
另外,在本发明实施例的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。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发明中的具体含义。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种基于密集点云的建筑物立面提取方法,其特征在于,包括:
获取待提取区域的密集匹配点云数据,并对所述密集匹配点云数据进行预处理,得到目标密集匹配点云数据,其中,所述预处理包括:离群点滤波处理和布料模拟滤波处理;
基于所述目标密集匹配点云数据,构建所述待提取区域的均匀网格,并确定出所述均匀网格中的候选点云数据,其中,所述均匀网格用于表征所述目标密集匹配点云数据中点云数据之间的拓扑关系;
基于密度可达性分析算法、局部表面拟合算法和所述候选点云数据,对所述待提取区域内的建筑物立面进行粗提取,得到待提取区域内的建筑物的初始立面;
基于预设图像处理算法和所述初始立面,构建所述待提取区域内的建筑物立面。
2.根据权利要求1所述的方法,其特征在于,对所述密集匹配点云数据进行预处理,得到目标密集匹配点云数据,包括:
基于KD-Tree算法,对所述密集匹配点云数据进行离群点滤波处理,得到中间密集匹配点云数据;
对所述中间密集匹配点云数据进行布料模拟滤波处理,确定出所述中间密集匹配点云数据中的非地面点云数据,并将所述非地面点云数据确定为所述目标密集匹配点云数据。
3.根据权利要求2所述的方法,其特征在于,确定出所述均匀网格中的候选点云数据,包括:
确定出所述均匀网格中每个网格包含的非地面点云数据的高程;
并计算每个网格包含的非地面点云数据的高程的理论最小高程值;
将每个网格包含的非地面点云数据中的目标非地面点云数据确定为候选点云数据,其中,所述目标非地面点云数据为非地面点云数据的高程与对应的网格的理论最小高程值之间的差值小于预设阈值的非地面点云数据。
4.根据权利要求1所述的方法,其特征在于, 基于密度可达性分析算法、局部表面拟合算法和所述候选点云数据,对所述待提取区域内的建筑物立面进行粗提取,得到待提取区域内的建筑物的初始立面,包括:
基于所述密度可达性分析算法和所述候选点云数据,将所述待提取区域中包含的建筑物划分为建筑物单体;
基于主成分分析算法,确定所述建筑物单体的立面的法向量;
对所述法向量进行定向,得到定向后的法向量;
基于所述局部表面拟合算法和所述定向后的法向量,对所述候选点云数据进行最小二乘局部表面拟合,得到所述待提取区域内的建筑物的初始立面。
5.根据权利要求1所述的方法,其特征在于,基于预设图像处理算法和所述初始立面,构建所述待提取区域内的建筑物立面 ,包括:
将所述初始立面中包含的点云数据转化为二值图像;
基于预设图像处理算法和所述二值图像,确定出所述待提取区域内的建筑物的骨架轮廓线;
基于所述骨架轮廓线和所述初始立面中包含的点云数据,构建所述待提取区域内的建筑物立面。
6.一种基于密集点云的建筑物立面提取装置,其特征在于,包括:获取单元,第一构建单元,粗提取单元和第二构建单元,其中,
所述获取单元,用于获取待提取区域的密集匹配点云数据,并对所述密集匹配点云数据进行预处理,得到目标密集匹配点云数据,其中,所述预处理包括:离群点滤波处理和布料模拟滤波处理;
所述第一构建单元,用于基于所述目标密集匹配点云数据,构建所述待提取区域的均匀网格,并确定出所述均匀网格中的候选点云数据,其中,所述均匀网格用于表征所述目标密集匹配点云数据中点云数据之间的拓扑关系;
所述粗提取单元,用于基于密度可达性分析算法、局部表面拟合算法和所述候选点云数据,对所述待提取区域内的建筑物立面进行粗提取,得到待提取区域内的建筑物的初始立面;
所述第二构建单元,用于基于预设图像处理算法和所述初始立面,构建所述待提取区域内的建筑物立面。
7.根据权利要求6所述的装置,其特征在于, 所述获取单元,用于:
基于KD-Tree算法,对所述密集匹配点云数据进行离群点滤波处理,得到中间密集匹配点云数据;
对所述中间密集匹配点云数据进行布料模拟滤波处理,确定出所述中间密集匹配点云数据中的非地面点云数据,并将所述非地面点云数据确定为所述目标密集匹配点云数据。
8.根据权利要求6所述的装置,其特征在于,所述构建单元,用于 :
确定出所述均匀网格中每个网格包含的非地面点云数据的高程;
并计算每个网格包含的非地面点云数据的高程的理论最小高程值;
将每个网格包含的非地面点云数据中的目标非地面点云数据确定为候选点云数据,其中,所述目标非地面点云数据为非地面点云数据的高程与对应的网格的理论最小高程值之间的差值小于预设阈值的非地面点云数据。
9.一种电子设备,其特征在于,包括存储器以及处理器,所述存储器用于存储支持处理器执行权利要求1至5任一项所述方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
10.一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,其特征在于,计算机程序被处理器运行时执行上述权利要求1至5任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210217728.4A CN114332134B (zh) | 2022-03-08 | 2022-03-08 | 一种基于密集点云的建筑物立面提取方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210217728.4A CN114332134B (zh) | 2022-03-08 | 2022-03-08 | 一种基于密集点云的建筑物立面提取方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114332134A true CN114332134A (zh) | 2022-04-12 |
CN114332134B CN114332134B (zh) | 2022-06-17 |
Family
ID=81030300
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210217728.4A Active CN114332134B (zh) | 2022-03-08 | 2022-03-08 | 一种基于密集点云的建筑物立面提取方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114332134B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116740307A (zh) * | 2023-08-15 | 2023-09-12 | 青岛星邦光电科技有限责任公司 | 智慧城市三维模型构建方法 |
CN116805351A (zh) * | 2023-06-14 | 2023-09-26 | 壹品慧数字科技(上海)有限公司 | 一种基于物联网的智慧建筑管理系统及方法 |
CN117953174A (zh) * | 2024-03-26 | 2024-04-30 | 山东观和集团有限公司 | 一种地质调查过程中三维建模方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US20200027266A1 (en) * | 2018-07-17 | 2020-01-23 | Uti Limited Partnership | Building contour generation from point clouds |
CN111652241A (zh) * | 2020-02-17 | 2020-09-11 | 中国测绘科学研究院 | 融合影像特征与密集匹配点云特征的建筑物轮廓提取方法 |
CN112927370A (zh) * | 2021-02-25 | 2021-06-08 | 苍穹数码技术股份有限公司 | 三维建筑物模型构建方法、装置、电子设备及存储介质 |
CN113804118A (zh) * | 2021-08-16 | 2021-12-17 | 长江水利委员会长江科学院 | 一种基于三维激光点云几何特征的建筑物变形监测方法 |
-
2022
- 2022-03-08 CN CN202210217728.4A patent/CN114332134B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200027266A1 (en) * | 2018-07-17 | 2020-01-23 | Uti Limited Partnership | Building contour generation from point clouds |
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 |
CN111652241A (zh) * | 2020-02-17 | 2020-09-11 | 中国测绘科学研究院 | 融合影像特征与密集匹配点云特征的建筑物轮廓提取方法 |
CN112927370A (zh) * | 2021-02-25 | 2021-06-08 | 苍穹数码技术股份有限公司 | 三维建筑物模型构建方法、装置、电子设备及存储介质 |
CN113804118A (zh) * | 2021-08-16 | 2021-12-17 | 长江水利委员会长江科学院 | 一种基于三维激光点云几何特征的建筑物变形监测方法 |
Non-Patent Citations (3)
Title |
---|
石银涛: "基于点云的真实树木三维仿真理论与技术", 《基于点云的真实树木三维仿真理论与技术》, 31 August 2018 (2018-08-31), pages 63 - 66 * |
蔡静怡 等: "基于Kinect v2的多视角三维重建实现", 《传感技术学报》, 31 August 2020 (2020-08-31), pages 1149 - 1154 * |
赵浚壹 等: "场景导向的kd-tree点云滤波算法", 《激光杂志》, 30 November 2021 (2021-11-30), pages 74 - 78 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116805351A (zh) * | 2023-06-14 | 2023-09-26 | 壹品慧数字科技(上海)有限公司 | 一种基于物联网的智慧建筑管理系统及方法 |
CN116740307A (zh) * | 2023-08-15 | 2023-09-12 | 青岛星邦光电科技有限责任公司 | 智慧城市三维模型构建方法 |
CN117953174A (zh) * | 2024-03-26 | 2024-04-30 | 山东观和集团有限公司 | 一种地质调查过程中三维建模方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114332134B (zh) | 2022-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114332134B (zh) | 一种基于密集点云的建筑物立面提取方法和装置 | |
CN111369666A (zh) | 一种基于多台rgbd相机的动态目标重建方法和装置 | |
Xu et al. | Reconstruction of scaffolds from a photogrammetric point cloud of construction sites using a novel 3D local feature descriptor | |
CN112595258A (zh) | 基于地面激光点云的地物轮廓提取方法 | |
CN110866531A (zh) | 一种基于三维建模的建筑物特征提取方法、系统及存储介质 | |
CN114612488A (zh) | 建筑物单体化信息提取方法、计算机装置及存储介质 | |
CN111383335B (zh) | 一种众筹照片与二维地图结合的建筑物三维建模方法 | |
CN111754618B (zh) | 一种面向对象的实景三维模型多层次解译方法及系统 | |
CN107767454A (zh) | 一种实景三维移动快速建模方法、装置及系统 | |
KR101549155B1 (ko) | 라이다 자료를 활용한 구조물의 직선경계 추출방법 | |
CN114092663B (zh) | 面向城市信息模型建筑三维重建方法、装置、设备及介质 | |
CN113570666B (zh) | 任务分配方法、装置、服务器及计算机可读存储介质 | |
CN113345072A (zh) | 一种多视角遥感地形影像点云重建方法及系统 | |
CN116051980B (zh) | 基于倾斜摄影的建筑识别方法、系统、电子设备及介质 | |
CN115937466B (zh) | 一种融合gis的三维模型生成方法、系统及存储介质 | |
CN114758087B (zh) | 一种城市信息模型的构建方法及装置 | |
CN115033972B (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 | |
Namouchi et al. | Piecewise horizontal 3d roof reconstruction from aerial lidar | |
CN113362458B (zh) | 模拟多视角成像的三维模型解译方法、终端及存储介质 | |
Zeng | Automated Building Information Extraction and Evaluation from High-resolution Remotely Sensed Data | |
Habib et al. | Integration of lidar and airborne imagery for realistic visualization of 3d urban environments | |
CN117152364B (zh) | 基于影像数据的水体边界三维重建的方法、装置和设备 | |
Wu et al. | Building Facade Reconstruction Using Crowd-Sourced Photos and Two-Dimensional Maps | |
Arefi et al. | Ridge based decomposition of complex buildings for 3D model generation from high resolution digital surface models | |
US20230107740A1 (en) | Methods and systems for automated three-dimensional object detection and extraction |
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 |