CN114332369B - 楼体图像处理方法、装置、设备和存储介质 - Google Patents

楼体图像处理方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN114332369B
CN114332369B CN202111624798.3A CN202111624798A CN114332369B CN 114332369 B CN114332369 B CN 114332369B CN 202111624798 A CN202111624798 A CN 202111624798A CN 114332369 B CN114332369 B CN 114332369B
Authority
CN
China
Prior art keywords
sampling point
building body
building
determining
sampling
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
Application number
CN202111624798.3A
Other languages
English (en)
Other versions
CN114332369A (zh
Inventor
由清圳
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.)
Airlook Aviation Technology Beijing Co ltd
Original Assignee
Airlook Aviation Technology Beijing Co ltd
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 Airlook Aviation Technology Beijing Co ltd filed Critical Airlook Aviation Technology Beijing Co ltd
Priority to CN202111624798.3A priority Critical patent/CN114332369B/zh
Publication of CN114332369A publication Critical patent/CN114332369A/zh
Application granted granted Critical
Publication of CN114332369B publication Critical patent/CN114332369B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Analysis (AREA)

Abstract

本申请公开了一种楼体图像处理方法、装置、设备和存储介质。该方法包括:获取楼体的俯视图；根据所述俯视图中的楼体轮廓确定所述楼体的矩形包围盒；确定所述楼体的矩形包围盒图像中的每个长边和每个短边；对每个长边或短边进行采样点检测；如果对每个长边或短边进行采样点检测成功，则根据所述俯视图中的长边尺寸和短边尺寸；以及预先设定的比例值确定所述楼体的实际长度数据和实际宽度数据。本申请通过对每个边进行采样点检测，根据检测成功的采样点来计算楼体尺寸；提高了楼体尺寸计算的效率和准确性。

Description

楼体图像处理方法、装置、设备和存储介质
技术领域
本申请涉及图像处理技术领域，具体而言，涉及一种楼体图像处理方法、装置、设备和存储介质。
背景技术
三维重建出的模型，由Mesh结构和纹理贴图两部分组成，如图1所示，重建模型初始并没有语义信息，无论是楼房、道路还是植被都是连在一起的结构。另一方面行业用户，如地产行业，希望通过重建模型获得结构化的数据，比如每一个单体楼房，楼房的长度、宽度数据，基于三维重建出的模型，要提取出这些结构化信息，目前通常采用人工处理的方式来实现，这种方式工作量大，效率低。
发明内容
本申请的主要目的在于提供一种楼体图像处理方法、装置、设备和存储介质，以解决上述问题。
为了实现上述目的，根据本申请的一个方面，提供了一种楼体图像处理方法，包括：
获取楼体的俯视图；
根据所述俯视图中的楼体轮廓确定所述楼体的矩形包围盒；
确定所述楼体的矩形包围盒图像中的每个长边和每个短边；
对每个长边或短边进行采样点检测；
如果对每个长边或短边进行采样点检测成功，则根据所述俯视图中的长边尺寸和短边尺寸；以及预先设定的比例值确定所述楼体的实际长度数据和实际宽度数据。
在一种实施方式中，依次对每个长边或者短边进行采样点检测，包括：
对于所述长边或者短边以预定的步长进行采样探测得到多个采样点；
对于任意的一个采样点，判断所述采样点是否有效；
如果有效，则保留所述采样点；如果无效，则剔除所述采样点。
在一种实施方式中，判断对每个长边或短边进行采样点检测是否成功，包括：
统计每个长边或短边上的有效采样点的数量；
计算所述有效采样点的数量与所述长边或短边上的所有的采样点的数量的比值；
如果所述比值大于等于预定的比值阈值，则确定对每个长边或短边进行采样点检测检测成功。
在一种实施方式中，所述判断所述采样点是否有效，包括：
确定所述采样点所在的第一长边，或者第一短边的相对的第二长边，或者第二短边上的距离所述采样点最近的辅助测试点；
并计算所述采样点和所述辅助测试点的距离；
判断所述距离是否小于预定的距离阈值；
如果是，则确定所述采样点为有效采样点。
在一种实施方式中，获取楼体的主视图；
根据所述主视图中的楼体轮廓确定所述楼体的矩形包围盒；
确定所述楼体的矩形包围盒图像中的高度方向所在的边；
对所述高度方向所在的边进行采样点检测；
如果检测成功，则根据所述高度方向所在的边的尺寸；以及预先设定的比例值确定所述楼体的实际高度数据。
在一种实施方式中，获取楼体的俯视图之后，根据所述俯视图中的楼体轮廓确定所述楼体的矩形包围盒之前，所述方法还包括：
获取高程图像；
将所述楼体的俯视图输入到预先经过训练的神经网络模型对所述俯视图进行识别；所述神经网络模型输出识别结果图像；
利用所述高程图像与所述识别结果图像进行融合，对所述识别结果图像进行修正处理；
获取经过修正处理后的识别结果图像中的楼体轮廓。
为了实现上述目的，根据本申请的另一方面，提供了一种楼体图像处理装置；该装置包括：
获取模块，用于获取楼体的俯视图；
包围盒模块，用于根据所述俯视图中的楼体轮廓确定所述楼体的矩形包围盒；以及确定所述楼体的矩形包围盒图像中的每个长边和每个短边；
采样点检测模块，用于对每个长边或短边进行采样点检测；
计算模块，用于如果所述采样点检测模块对每个长边或短边进行采样点检测成功，则根据所述俯视图中的长边尺寸和短边尺寸；以及预先设定的比例值确定所述楼体的实际长度数据和实际宽度数据。
在一种实施方式中，采样点检测模块还用于，对于所述长边或者短边以预定的步长进行采样探测得到多个采样点；
对于任意的一个采样点，判断所述采样点是否有效；
如果有效，则保留所述采样点；如果无效，则剔除所述采样点。
在一种实施方式中，采样点检测模块还用于，统计每个长边或短边上的有效采样点的数量；
计算所述有效采样点的数量与所述长边或短边上的所有的采样点的数量的比值；
如果所述比值大于等于预定的比值阈值，则确定对每个长边或短边进行采样点检测检测成功。
在一种实施方式中，采样点检测模块还用于，确定所述采样点所在的第一长边，或者第一短边的相对的第二长边，或者第二短边上的距离所述采样点最近的辅助测试点；
并计算所述采样点和所述辅助测试点的距离；
判断所述距离是否小于预定的距离阈值；
如果是，则确定所述采样点为有效采样点。
在一种实施方式中，获取模块还用于，获取楼体的主视图；
包围盒模块还用于，根据所述主视图中的楼体轮廓确定所述楼体的矩形包围盒；以及确定所述楼体的矩形包围盒图像中的高度方向所在的边；
采样点模块还用于，对所述高度方向所在的边进行采样点检测；
计算模块还用于，如果采样点模块检测成功；根据所述高度方向所在的边的尺寸；以及预先设定的比例值确定所述楼体的实际高度数据。
在一种实施方式中，还包括单体识别模块，用于获取楼体的俯视图之后，根据所述俯视图中的楼体轮廓确定所述楼体的矩形包围盒之前，
获取高程图像；
将所述楼体的俯视图输入到预先经过训练的神经网络模型对所述俯视图进行识别；所述神经网络模型输出识别结果图像；
利用所述高程图像与所述识别结果图像进行融合，对所述识别结果图像进行修正处理；
获取经过修正处理后的识别结果图像中的楼体轮廓。
在本申请实施例中，该方法包括:获取楼体的俯视图；根据所述俯视图中的楼体轮廓确定所述楼体的矩形包围盒；确定所述楼体的矩形包围盒图像中的每个长边和每个短边；对每个长边或短边进行采样点检测；如果对每个长边或短边进行采样点检测成功，则根据所述俯视图中的长边尺寸和短边尺寸；以及预先设定的比例值确定所述楼体的实际长度数据和实际宽度数据。本申请通过对每个边进行采样点检测，根据检测成功的采样点来计算楼体尺寸；提高了楼体尺寸计算的效率和准确性。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据相关技术的一种楼体三维重建模型；
图2是根据本申请实施例的一种楼体图像处理方法的流程图；
图3是根据本申请实施例的一种楼体包围盒的示意图；
图4A是根据本申请实施例的表示已经获得的楼体轮廓；
图4B是根据本申请实施例的针对当前楼体轮廓获得的楼体包围盒示意图；
图4C是根据本申请实施例的长边采样探测说明示意图；
图4D是根据本申请实施例的短边采样探测说明示意图；
图5A是根据本申请实施例的三维重建出的城市模型；
图5B是根据本申请实施例的经过单体化识别后得到的城市中的楼房，以及楼房的外轮廓示意图；
图6是根据本申请实施例的一种楼体图像处理装置的结构示意图；
图7是根据本申请实施例的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，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的实施例，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，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，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、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
并且，上述部分术语除了可以用于表示方位或位置关系以外，还可能用于表示其他含义，例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言，可以根据具体情况理解这些术语在本发明中的具体含义。
此外，术语“安装”、“设置”、“设有”、“连接”、“相连”、“套接”应做广义理解。例如，可以是固定连接，可拆卸连接，或整体式构造；可以是机械连接，或电连接；可以是直接相连，或者是通过中间媒介间接相连，又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
参见附图2所示的一种楼体图像处理方法的流程图；该方法包括：
步骤S202，获取楼体的俯视图；
步骤S204，根据所述俯视图中的楼体轮廓确定所述楼体的矩形包围盒；
具体的，可以采用“正射近似矩形楼体模式”识别方法：针对每一个楼体的区域信息，计算得到每个楼体的二维OBB包围盒，如图3所示，矩形即为针对建筑的包围盒。
步骤S206，确定所述楼体的矩形包围盒图像中的每个长边和每个短边；
具体的，楼体的俯视图中，楼体的矩形包围盒为矩形形状，矩形包括长边和短边。
步骤S208，对每个长边或短边进行采样点检测；
具体的，可以采用预定的步长，对每个边进行采样，步长大小可以灵活进行设定。
步骤S210，如果对每个长边或短边进行采样点检测成功，则根据所述俯视图中的长边尺寸和短边尺寸；以及预先设定的比例值确定所述楼体的实际长度数据和实际宽度数据。
具体的，楼体图像中每个像素对应的实际的距离值可以预先进行设定。或者，通过已有的同类楼体图像来进行测量计算。
示例性的，已知楼体A的长度为10米；楼体A的俯视图的图像的长度为4 厘米；从而可以计算出比例尺寸；根据该比例尺寸和楼体B的图像尺寸可以推算楼体B的楼体长度。
本申请的上述的方法，根据俯视图中的楼体轮廓确定所述楼体的矩形包围盒；确定所述楼体的矩形包围盒图像中的每个长边和每个短边；对每个长边或短边进行采样点检测；如果对每个长边或短边进行采样点检测成功，则根据所述俯视图中的长边尺寸和短边尺寸；以及预先设定的比例值确定所述楼体的实际长度数据和实际宽度数据。本申请通过对每个边进行采样点检测，根据检测成功的采样点来计算楼体尺寸；提高了楼体尺寸计算的效率和准确性。
在一种实施方式中，依次对每个长边或者短边进行采样点检测，包括：
对于所述长边或者短边以预定的步长进行采样探测得到多个采样点；
对于任意的一个采样点，判断所述采样点是否有效；
如果有效，则保留所述采样点；如果无效，则剔除所述采样点。
在一种实施方式中，判断对每个长边或短边进行采样点检测是否成功时，统计每个长边或短边上的有效采样点的数量；
计算所述有效采样点的数量与所述长边或短边上的所有的采样点的数量的比值；
如果所述比值大于等于预定的比值阈值，则确定对每个长边或短边进行采样点检测检测成功。
在一种实施方式中，所述判断所述采样点是否有效时，确定所述采样点所在的第一长边，或者第一短边的相对的第二长边，或者第二短边上的距离所述采样点最近的辅助测试点；
并计算所述采样点和所述辅助测试点的距离；
判断所述距离是否小于预定的距离阈值；
如果是，则确定所述采样点为有效采样点。
示例性的，附图4A表示已经获得的楼体轮廓示意图；
附图4B表示针对当前楼体轮廓获得的楼体包围盒示意图。
附图4C表示长边采样探测说明示意图；
以楼体包围盒为基础，首先对包围盒长边w1按照STEPW的步长采样，得到NW1个楼体轮廓采样点...PWi...PWj...；
其中，STEPW的阈值范围为[0.5,10]，单位为米；
针对每个采样点PWi，计算在楼体轮廓中距离PWi点最近的轮廓点PW_Ei；
计算PW_Ei到包围盒长边w1的距离DWi；
如果DWi≤DWthreshold，DWthreshold表示距离阈值，将PWi插入有效采样点集合GW1中，遍历每个采样点并完成计算后，统计GW1中的元素数量为MW1，如果 MW1/NW1≥PWPercent，PWPercent表示包围盒单边有效采样点比例阈值，则判定针对w1的检测结束；
示例性的，DWthreshold的取值范围[1，5]，单位为米；
PWPercent的取值范围[30％，90％]；
附图4D表示短边采样探测说明示意图；
以楼体包围盒为基础，首先对包围盒短边l1按照STEPL的步长采样，得到NL1个楼体轮廓采样点...PLi...PLj...；
示例性的，STEPL的取值范围[0.5,10]，单位为米；
针对每个采样点PLi，计算在楼体轮廓中距离PLi点最近的轮廓点PL_Ei；
计算PL_Ei到包围盒短边l1的距离DLi；
如果DLi≤DLthreshold，DLthreshold表示距离阈值，将PLi插入有效采样点集合 GL1中，遍历每个采样点并完成计算后，统计GL1中的元素数量为ML1，如果ML1/ NL1≥PLPercent，PLPercent表示包围盒单边有效采样点比例阈值，则判定针对 L1的检测结束。
示例性的，DLthreshold的取值范围为[1，5]，单位为米；
PLPercent的取值范围为[30％，90％]；
其中，比例阈值PLPercent与比例阈值PWPercent可以相同；也可以不同。
为了确定出楼体的高度，可以对主视图中的高度方向进行采样点检测，在一种实施方式中，获取楼体的主视图；
根据所述主视图中的楼体轮廓确定所述楼体的矩形包围盒；
确定所述楼体的矩形包围盒图像中的高度方向所在的边；
对所述高度方向所在的边进行采样点检测；
如果检测成功，则根据所述高度方向所在的边的尺寸；以及预先设定的比例值确定所述楼体的实际高度数据。
在一种实施方式中，获取楼体的俯视图之后，根据所述俯视图中的楼体轮廓确定所述楼体的矩形包围盒之前，获取高程图像；
其中，在高程图中，标明了每个像素的相对水平面的高度值。
具体的，还可以对该俯视图进行过滤处理，过滤无关的信息，保证边缘的精确度。
将所述楼体的俯视图输入到预先经过训练的神经网络模型对所述俯视图进行识别；所述神经网络模型输出识别结果图像；
其中，神经网络模型训练时，可以采用大量的图像作为样本；将楼宇图像作为正样本，没有楼宇的图像作为负样本，进行训练；当损失函数小于预定阈值后停止训练。神经网络模型可以采用双向神经网络实现。
利用所述高程图像与所述识别结果图像进行融合，对所述识别结果图像进行修正处理；获取经过修正处理后的识别结果图像中的楼体轮廓。
通过利用高程图，确保精度提升，避免出现识别物体边缘不齐整，以及有误判信息等噪点存在。上述过程也为单体识别过程，该过程提高了楼体的轮廓精度。
参见附图5A所示三维重建出的城市模型；对三维重建出的城市模型进行单体识别；
附图5B表示是经过单体化识别后得到的城市中的楼房，以及楼房的外轮廓。
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。
根据本发明实施例，还提供了一种楼体图像处理装置，如图6所示，该装置包括：
获取模块61，用于获取楼体的俯视图；
包围盒模块62，用于根据所述俯视图中的楼体轮廓确定所述楼体的矩形包围盒；以及确定所述楼体的矩形包围盒图像中的每个长边和每个短边；
采样点检测模块63，用于对每个长边或短边进行采样点检测；
计算模块64，用于如果所述采样点检测模块对每个长边或短边进行采样点检测成功，则根据所述俯视图中的长边尺寸和短边尺寸；以及预先设定的比例值确定所述楼体的实际长度数据和实际宽度数据。
在一种实施方式中，采样点检测模块63还用于，对于所述长边或者短边以预定的步长进行采样探测得到多个采样点；
对于任意的一个采样点，判断所述采样点是否有效；
如果有效，则保留所述采样点；如果无效，则剔除所述采样点。
在一种实施方式中，采样点检测模块63还用于，统计每个长边或短边上的有效采样点的数量；
计算所述有效采样点的数量与所述长边或短边上的所有的采样点的数量的比值；
如果所述比值大于等于预定的比值阈值，则确定对每个长边或短边进行采样点检测检测成功。
在一种实施方式中，采样点检测模块63还用于，确定所述采样点所在的第一长边，或者第一短边的相对的第二长边，或者第二短边上的距离所述采样点最近的辅助测试点；
并计算所述采样点和所述辅助测试点的距离；
判断所述距离是否小于预定的距离阈值；
如果是，则确定所述采样点为有效采样点。
在一种实施方式中，获取模块61还用于，获取楼体的主视图；
包围盒模块62还用于，根据所述主视图中的楼体轮廓确定所述楼体的矩形包围盒；以及确定所述楼体的矩形包围盒图像中的高度方向所在的边；
采样点模块63还用于，对所述高度方向所在的边进行采样点检测；
计算模块64还用于，如果采样点模块63检测成功；根据所述高度方向所在的边的尺寸；以及预先设定的比例值确定所述楼体的实际高度数据。
在一种实施方式中，还包括单体识别模块65，用于获取模块61获取楼体的俯视图之后，包围盒模块62根据所述俯视图中的楼体轮廓确定所述楼体的矩形包围盒之前，
获取高程图像；
将所述楼体的俯视图输入到预先经过训练的神经网络模型对所述俯视图进行识别；所述神经网络模型输出识别结果图像；
利用所述高程图像与所述识别结果图像进行融合，对所述识别结果图像进行修正处理；
获取经过修正处理后的识别结果图像中的楼体轮廓。
根据本申请的第三方面，提供了一种电子设备，参见附图7所示的电子设备的结构示意图；包括至少一个处理器71和至少一个存储器72；所述存储器72用于存储一个或多个程序指令；所述处理器71，用于运行一个或多个程序指令，用以执行以下的步骤：
获取楼体的俯视图；
根据所述俯视图中的楼体轮廓确定所述楼体的矩形包围盒；
确定所述楼体的矩形包围盒图像中的每个长边和每个短边；
对每个长边或短边进行采样点检测；
如果对每个长边或短边进行采样点检测成功，则根据所述俯视图中的长边尺寸和短边尺寸；以及预先设定的比例值确定所述楼体的实际长度数据和实际宽度数据。
在一种实施方式中，所述处理器71还用于，对于所述长边或者短边以预定的步长进行采样探测得到多个采样点；
对于任意的一个采样点，判断所述采样点是否有效；
如果有效，则保留所述采样点；如果无效，则剔除所述采样点。
在一种实施方式中，所述处理器71还用于，统计每个长边或短边上的有效采样点的数量；
计算所述有效采样点的数量与所述长边或短边上的所有的采样点的数量的比值；
如果所述比值大于等于预定的比值阈值，则确定对每个长边或短边进行采样点检测检测成功。
在一种实施方式中，所述处理器71还用于，确定所述采样点所在的第一长边，或者第一短边的相对的第二长边，或者第二短边上的距离所述采样点最近的辅助测试点；
并计算所述采样点和所述辅助测试点的距离；
判断所述距离是否小于预定的距离阈值；
如果是，则确定所述采样点为有效采样点。
在一种实施方式中，所述处理器71还用于，获取楼体的主视图；
根据所述主视图中的楼体轮廓确定所述楼体的矩形包围盒；
确定所述楼体的矩形包围盒图像中的高度方向所在的边；
对所述高度方向所在的边进行采样点检测；
如果检测成功，则根据所述高度方向所在的边的尺寸；以及预先设定的比例值确定所述楼体的实际高度数据。
在一种实施方式中，所述处理器71还用于，获取楼体的俯视图之后，根据所述俯视图中的楼体轮廓确定所述楼体的矩形包围盒之前，获取高程图像；
将所述楼体的俯视图输入到预先经过训练的神经网络模型对所述俯视图进行识别；所述神经网络模型输出识别结果图像；
利用所述高程图像与所述识别结果图像进行融合，对所述识别结果图像进行修正处理；
获取经过修正处理后的识别结果图像中的楼体轮廓。
第四方面，本申请还提出了一种计算机可读存储介质，计算机可读存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于执行以下的步骤：
获取楼体的俯视图；
根据所述俯视图中的楼体轮廓确定所述楼体的矩形包围盒；
确定所述楼体的矩形包围盒图像中的每个长边和每个短边；
对每个长边或短边进行采样点检测；
如果对每个长边或短边进行采样点检测成功，则根据所述俯视图中的长边尺寸和短边尺寸；以及预先设定的比例值确定所述楼体的实际长度数据和实际宽度数据。
在一种实施方式中，依次对每个长边或者短边进行采样点检测，包括：
对于所述长边或者短边以预定的步长进行采样探测得到多个采样点；
对于任意的一个采样点，判断所述采样点是否有效；
如果有效，则保留所述采样点；如果无效，则剔除所述采样点。
在一种实施方式中，判断对每个长边或短边进行采样点检测是否成功，包括：
统计每个长边或短边上的有效采样点的数量；
计算所述有效采样点的数量与所述长边或短边上的所有的采样点的数量的比值；
如果所述比值大于等于预定的比值阈值，则确定对每个长边或短边进行采样点检测检测成功。
在一种实施方式中，所述判断所述采样点是否有效，包括：
确定所述采样点所在的第一长边，或者第一短边的相对的第二长边，或者第二短边上的距离所述采样点最近的辅助测试点；
并计算所述采样点和所述辅助测试点的距离；
判断所述距离是否小于预定的距离阈值；
如果是，则确定所述采样点为有效采样点。
在一种实施方式中，还包括：获取楼体的主视图；
根据所述主视图中的楼体轮廓确定所述楼体的矩形包围盒；
确定所述楼体的矩形包围盒图像中的高度方向所在的边；
对所述高度方向所在的边进行采样点检测；
如果检测成功，则根据所述高度方向所在的边的尺寸；以及预先设定的比例值确定所述楼体的实际高度数据。
在一种实施方式中，获取楼体的俯视图之后，根据所述俯视图中的楼体轮廓确定所述楼体的矩形包围盒之前，所述方法还包括：
获取高程图像；
将所述楼体的俯视图输入到预先经过训练的神经网络模型对所述俯视图进行识别；所述神经网络模型输出识别结果图像；
利用所述高程图像与所述识别结果图像进行融合，对所述识别结果图像进行修正处理；
获取经过修正处理后的识别结果图像中的楼体轮廓。
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。处理器读取存储介质中的信息，结合其硬件完成上述方法的步骤。
存储介质可以是存储器，例如可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。
其中，非易失性存储器可以是只读存储器(Read-Only Memory，简称ROM)、可编程只读存储器(Programmable ROM，简称PROM)、可擦除可编程只读存储器(Erasable PROM，简称EPROM)、电可擦除可编程只读存储器(Electrically EPROM，简称EEPROM)或闪存。
易失性存储器可以是随机存取存储器(Random Access Memory，简称RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，简称SRAM)、动态随机存取存储器(Dynamic RAM，简称DRAM)、同步动态随机存取存储器(Synchronous DRAM，简称 SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM，简称DDRSDRAM)、增强型同步动态随机存取存储器(EnhancedSDRAM，简称 ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，简称SLDRAM) 和直接内存总线随机存取存储器(DirectRambus RAM，简称DRRAM)。
本发明实施例描述的存储介质旨在包括但不限于这些和任意其它适合类型的存储器。
本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件与软件组合来实现。当应用软件时，可以将相应功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (7)

1.一种楼体图像处理方法，其特征在于，包括：
获取楼体的俯视图；
根据所述俯视图中的楼体轮廓确定所述楼体的矩形包围盒；
确定所述楼体的矩形包围盒图像中的每个长边和每个短边；
对每个长边或短边进行采样点检测；
如果对每个长边或短边进行采样点检测成功，则根据所述俯视图中的长边尺寸和短边尺寸；以及预先设定的比例值确定所述楼体的实际长度数据和实际宽度数据；
依次对每个长边或者短边进行采样点检测，包括：
对于所述长边或者短边以预定的步长进行采样探测得到多个采样点；
对于任意的一个采样点，判断所述采样点是否有效；
如果有效，则保留所述采样点；如果无效，则剔除所述采样点；
所述判断所述采样点是否有效，包括：
确定所述采样点所在的第一长边，或者第一短边的相对的第二长边，或者第二短边上的距离所述采样点最近的辅助测试点；
并计算所述采样点和所述辅助测试点的距离；
判断所述距离是否小于预定的距离阈值；
如果是，则确定所述采样点为有效采样点。
2.根据权利要求1所述的楼体图像处理方法，其特征在于，判断对每个长边或短边进行采样点检测是否成功，包括：
统计每个长边或短边上的有效采样点的数量；
计算所述有效采样点的数量与所述长边或短边上的所有的采样点的数量的比值；
如果所述比值大于等于预定的比值阈值，则确定对每个长边或短边进行采样点检测成功。
3.根据权利要求1所述的楼体图像处理方法，其特征在于，还包括：
获取楼体的主视图；
根据所述主视图中的楼体轮廓确定所述楼体的矩形包围盒；
确定所述楼体的矩形包围盒图像中的高度方向所在的边；
对所述高度方向所在的边进行采样点检测；
如果检测成功，则根据所述高度方向所在的边的尺寸；以及预先设定的比例值确定所述楼体的实际高度数据。
4.根据权利要求1所述的楼体图像处理方法，其特征在于，获取楼体的俯视图之后，根据所述俯视图中的楼体轮廓确定所述楼体的矩形包围盒之前，所述方法还包括：
获取高程图像；
将所述楼体的俯视图输入到预先经过训练的神经网络模型对所述俯视图进行识别；所述神经网络模型输出识别结果图像；
利用所述高程图像与所述识别结果图像进行融合，对所述识别结果图像进行修正处理；
获取经过修正处理后的识别结果图像中的楼体轮廓。
5.一种楼体图像处理装置，其特征在于，包括：
获取模块，用于获取楼体的俯视图；
包围盒模块，用于根据所述俯视图中的楼体轮廓确定所述楼体的矩形包围盒；以及确定所述楼体的矩形包围盒图像中的每个长边和每个短边；
采样点检测模块，用于对每个长边或短边进行采样点检测；
计算模块，用于如果所述采样点检测模块对每个长边或短边进行采样点检测成功，则根据所述俯视图中的长边尺寸和短边尺寸；以及预先设定的比例值确定所述楼体的实际长度数据和实际宽度数据；
采样点检测模块还用于，对于所述长边或者短边以预定的步长进行采样探测得到多个采样点；
对于任意的一个采样点，判断所述采样点是否有效；
如果有效，则保留所述采样点；如果无效，则剔除所述采样点；
所述判断所述采样点是否有效，包括：
确定所述采样点所在的第一长边，或者第一短边的相对的第二长边，或者第二短边上的距离所述采样点最近的辅助测试点；
并计算所述采样点和所述辅助测试点的距离；
判断所述距离是否小于预定的距离阈值；
如果是，则确定所述采样点为有效采样点。
6.一种电子设备，其特征在于，包括：至少一个处理器和至少一个存储器；所述存储器用于存储一个或多个程序指令；所述处理器，用于运行一个或多个程序指令，用以执行如权利要求1-4任一项所述的方法。
7.一种计算机可读存储介质，其特征在于，计算机可读存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于执行如权利要求1-4任一项所述的方法。
CN202111624798.3A 2021-12-28 2021-12-28 楼体图像处理方法、装置、设备和存储介质 Active CN114332369B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111624798.3A CN114332369B (zh) 2021-12-28 2021-12-28 楼体图像处理方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111624798.3A CN114332369B (zh) 2021-12-28 2021-12-28 楼体图像处理方法、装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN114332369A CN114332369A (zh) 2022-04-12
CN114332369B true CN114332369B (zh) 2022-10-18

Family

ID=81015931

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111624798.3A Active CN114332369B (zh) 2021-12-28 2021-12-28 楼体图像处理方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN114332369B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116257927B (zh) * 2023-05-10 2023-08-18 北京市第三建筑工程有限公司 基于bim的异形洞口生成方法、装置和设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111428301A (zh) * 2020-03-27 2020-07-17 杭州群核信息技术有限公司 一种客餐厅样板间自动设计方法
CN113343401A (zh) * 2021-06-28 2021-09-03 中国电信股份有限公司 无线网络覆盖方法及装置、存储介质、电子设备
CN113368292A (zh) * 2021-07-08 2021-09-10 中科醒诺技术(杭州)有限公司 一种高压消毒单元、结构和装置及使用方法

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6518974B2 (en) * 1999-07-16 2003-02-11 Intel Corporation Pixel engine
CN101059872A (zh) * 2007-06-07 2007-10-24 上海交通大学 面向圆锥破碎机性能优化的实时可视化仿真方法
CN100547616C (zh) * 2008-01-21 2009-10-07 浙江大学 一种基于分级层次化深度网格的森林绘制方法
CN101515374B (zh) * 2008-02-20 2010-12-01 中国科学院自动化研究所 基于图像的个性化真实感虚拟人物造型方法
CN102855486B (zh) * 2012-08-20 2015-02-11 北京理工大学 一种广义图像目标检测方法
CN103903061B (zh) * 2014-03-04 2016-08-31 中国地质科学院矿产资源研究所 三维矿产资源预测评价中信息综合处理装置及其方法
CN105631929A (zh) * 2014-11-28 2016-06-01 富泰华工业（深圳）有限公司 点云精简方法及系统
CN105631932B (zh) * 2015-12-22 2018-06-12 北京航空航天大学 一种轮廓线指导的三维模型重构造方法
CN110276317B (zh) * 2019-06-26 2022-02-22 Oppo广东移动通信有限公司 一种物体尺寸检测方法、物体尺寸检测装置及移动终端
CN112132000B (zh) * 2020-09-18 2024-01-23 睿云联(厦门)网络通讯技术有限公司 一种活体检测方法、装置、计算机可读介质及电子设备
CN112199762B (zh) * 2020-10-30 2023-03-21 久瓴(江苏)数字智能科技有限公司 结构楼板生成方法、装置、非易失性存储介质和处理器
CN113255671B (zh) * 2021-07-05 2022-04-22 浙江智慧视频安防创新中心有限公司 针对长宽比大物体的目标检测方法、系统、设备及介质
CN113610866B (zh) * 2021-07-28 2024-04-23 上海墨说科教设备有限公司 练字图像的裁剪方法、装置、设备和存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111428301A (zh) * 2020-03-27 2020-07-17 杭州群核信息技术有限公司 一种客餐厅样板间自动设计方法
CN113343401A (zh) * 2021-06-28 2021-09-03 中国电信股份有限公司 无线网络覆盖方法及装置、存储介质、电子设备
CN113368292A (zh) * 2021-07-08 2021-09-10 中科醒诺技术(杭州)有限公司 一种高压消毒单元、结构和装置及使用方法

Also Published As

Publication number Publication date
CN114332369A (zh) 2022-04-12

Similar Documents

Publication Publication Date Title
CN108364280B (zh) 结构裂缝自动化描绘及宽度精准测量方法与设备
CN115424232B (zh) 一种路面坑槽的识别和评价方法、电子设备及存储介质
CN106778737B (zh) 一种车牌矫正方法、装置和一种视频采集装置
CN109886939A (zh) 基于张量投票的桥梁裂缝检测方法
KR20170056474A (ko) 건축물 높이 산출 방법, 장치 및 저장 매체
CN111709322B (zh) 一种计算车道线置信度的方法及装置
CN114359841B (zh) 一种基于时空平均的视频水位识别方法
CN109543616B (zh) 一种震后目标实物的损毁评估方法、装置、设备及介质
CN113487722B (zh) 一种基于三维激光扫描方法的混凝土构件自动化检测方法
CN114332369B (zh) 楼体图像处理方法、装置、设备和存储介质
CN114241215B (zh) 一种桥梁表观裂缝非接触式检测方法及系统
CN110991215B (zh) 车道线检测方法、装置、存储介质及电子设备
CN116824516B (zh) 一种涉路施工安全监测及管理系统
CN107631782A (zh) 一种基于Harris角点检测的水位检测方法
CN106226785B (zh) 电离层异常监测模型建立方法和装置
Princen et al. A comparison of Hough transform methods
CN114332370A (zh) 道路图像处理方法、装置、设备和存储介质
CN110334751B (zh) 用于捆扎节点的图像处理方法及装置、终端
CN114882213A (zh) 一种基于图片识别的动物体重预测估算系统
CN113188509B (zh) 一种测距方法、装置、电子设备及存储介质
CN113034446A (zh) 一种变电站设备缺陷自动识别方法及系统
CN112034482A (zh) 一种道路边界实时提取及测量方法和装置
CN108230538B (zh) 一种纸币鉴定方法、装置、设备和储存介质
CN113344866A (zh) 一种点云综合精度评价方法
CN111932505A (zh) 一种图书损坏自动检测方法及装置

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