CN114419085A - 建筑物轮廓线自动提取方法、装置、终端设备及存储介质 - Google Patents
建筑物轮廓线自动提取方法、装置、终端设备及存储介质 Download PDFInfo
- Publication number
- CN114419085A CN114419085A CN202210060062.6A CN202210060062A CN114419085A CN 114419085 A CN114419085 A CN 114419085A CN 202210060062 A CN202210060062 A CN 202210060062A CN 114419085 A CN114419085 A CN 114419085A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- building
- point
- cloud data
- grid
- 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.)
- Pending
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 33
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 61
- 239000004744 fabric Substances 0.000 claims abstract description 30
- 238000001914 filtration Methods 0.000 claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 238000004088 simulation Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims description 14
- 238000006073 displacement reaction Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000007306 turnover Effects 0.000 claims description 3
- 239000002245 particle Substances 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
Images
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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种建筑物轮廓线自动提取方法、装置、终端设备及存储介质，所述方法包括：获取目标区域的目标点云数据；基于布料模拟点云滤波算法对所述目标点云数据进行点云滤波，以得到非地面点云集合；从所述非地面点云集合中提取预设数量的屋顶面片点云，其中，一个屋顶面片点云对应一个建筑物；根据AlphaShape方法从各屋顶面片点云对应的非地面点云数据中获取建筑物外轮廓线；对各屋顶面片点云对应的所述建筑物外轮廓线进行规则化处理，以得到目标区域内的所有建筑物轮廓线。本申请的建筑物轮廓线自动提取方法能够有效提升建筑物轮廓线的精度，且能够同时提取区域范围内的多个建筑物轮廓线。
Description
技术领域
本发明涉及自动测量领域，尤其涉及一种建筑物轮廓线自动提取方法、装置、终端设备及存储介质。
背景技术
基于影像的建筑物轮廓线提取方法，都具有一定的缺点和局限性，且对三维建筑物特征提取存在边缘破碎，遮挡情况处理不准确等问题。相较于影像数据，利用点云数据提供的建筑物三维信息提取建筑物更加可靠。然而，点云数据是离散的点，在提取建筑物轮廓时，提取精度很容易受点云密度的影响。同时，点云数据不容易访问，成本远远高于高分辨率航空或卫星图像，也限制了点云数据应用的范围。
现有的基于点云数据提取轮廓线的方法中，提取的轮廓线往往精度较低，不易于推广使用，因此，亟需一种能够高精度的轮廓线提取方法。
发明内容
为了解决上述技术问题，本公开实施例提供了一种建筑物轮廓线自动提取方法、装置及计算机可读存储介质，具体方案如下：
第一方面，本申请实施例提供了一种建筑物轮廓线自动提取方法，所述方法包括：
获取目标区域的目标点云数据；
基于布料模拟点云滤波算法对所述目标点云数据进行点云滤波，以得到非地面点云集合；
从所述非地面点云集合中提取预设数量的屋顶面片点云，其中，一个屋顶面片点云对应一个建筑物；
根据AlphaShape方法从各屋顶面片点云对应的非地面点云数据中获取建筑物外轮廓线；
对各屋顶面片点云对应的所述建筑物外轮廓线进行规则化处理，以得到目标区域内的所有建筑物轮廓线。
根据本申请实施例的一种具体实施方式，所述基于布料模拟点云滤波算法对所述目标点云数据进行点云滤波，以得到非地面点云集合的步骤，包括：
翻转所述目标点云数据，以得到翻转点云数据；
初始化布料格网，以得到具有预设格网点数量的初始布料格网；
将所述翻转点云数据与所述初始布料格网中的格网点投影至同一水平面；
计算所述格网点最近邻点的高程值以及所述格网点因重力产生的位移值；
重复执行格网点标记步骤，直至所述格网点的最大高程变化值小于预设数值或达到预设迭代次数，以得到布料格网中的格网点的高程值；
计算所述目标点云数据的点与所述布料格网的格网点之间的高度距离，将所述高度距离大于地面点阈值的目标点云数据的点统计为非地面点云集合；
所述格网点标记步骤包括：
比较所述高程值和所述位移值的大小，若所述位移值小于或等于所述高程值，则将所述格网点最近邻点的高程值赋值给所述格网点。
根据本申请实施例的一种具体实施方式，所述从所述非地面点云集合中提取预设数量的屋顶面片点云的步骤，包括：
根据随机抽样一致性算法从所述非地面点云集合中抽取屋顶法向量构建模型；
计算所述非地面点云集合中的点云数据到所述屋顶法向量构建模型的投影差；
根据所述点云数据的密度设置投影差阈值和迭代次数，迭代执行比较划分步骤以划分出预设数量的屋顶面片；
所述比较划分步骤包括：将所述投影差大于投影差阈值的点云数据划分为屋顶面片集，将所述投影差小于投影差阈值的点云数据划分为局外点集。
根据本申请实施例的一种具体实施方式，所述根据AlphaShape方法从各屋顶面片点云对应的非地面点云数据中获取建筑物外轮廓线的步骤，包括：
获取各屋顶面片对应的非地面点云数据，以得到建筑物点云集合；
通过设置预设半径的圆围绕所述建筑物点云集合进行滚动，得到所述建筑物点云集合的边界线点集；
连接所述边界线点集，以得到建筑物外轮廓线。
根据本申请实施例的一种具体实施方式，所述根据AlphaShape方法从各屋顶面片点云对应的非地面点云数据中获取建筑物外轮廓线的步骤之后，所述方法还包括：
基于Douglas-Peucker算法去除所述建筑物外轮廓线中的冗余点，以得到简化建筑物外轮廓线；
使用所述简化建筑物外轮廓线执行所述对所述建筑物外轮廓线进行规则化处理，以得到目标建筑物轮廓线的步骤。
根据本申请实施例的一种具体实施方式，所述对所述建筑物外轮廓线进行规则化处理，以得到目标建筑物轮廓线的步骤包括：
将所述建筑物外轮廓线内包括的点云数据投影至二维参考坐标系，并确定所述建筑物外轮廓线的各边界轮廓点；
循环第一步骤以得到对应轮廓点数量最多的矩形模型为第一层级外接矩形；
循环第二步骤以得到最小外接矩形；
基于所述最小外接矩形进行规则化以得到目标建筑物轮廓线；
其中，所述第一步骤包括：
取二维参考坐标系平面中任一边界轮廓点与其最近点确定第一直线方向；
取垂直所述第一直线方向的另一方向作为第二直线方向；
以所述边界轮廓点为原点，所述第一直线方向和所述第二直线方向分别作为坐标系的x轴和y轴，建立局部坐标系；
将建筑物轮廓点投影至所述局部坐标系，并根据所述建筑物轮廓点和所述局部坐标系的坐标轴确定对应所述建筑物轮廓点的矩形；
记录所述矩形内包括的建筑物轮廓点数量；
所述第二步骤包括：
将剩余边界轮廓点投影至所述第一层级外接矩形；
比较剩余边界轮廓点距离所述第一层级外接矩形边界的距离是否大于间距阈值，所述间距阈值为二倍平均点间距；
若剩余边界轮廓点距离所述第一层级外接矩形边界的距离大于间距阈值，则将剩余边界轮廓点对应的区域确定为下一层级的最小外接矩形；
若剩余边界轮廓点距离所述第一层级矩形边界的距离小于间距阈值，则导出当前层级的外接矩形作为最小外接矩形。
根据本申请实施例的一种具体实施方式，所述将所述建筑物外轮廓线内包括的点云数据投影至二维参考坐标系，并确定所述建筑物外轮廓线的各边界轮廓点的步骤，包括：
将所述建筑物外轮廓线内包括的点云数据投影至二维参考坐标系；
对点云数据以二倍平均点间距作为格网间距进行格网划分；
检测每一格网单元的八邻域；
将邻域中存在空格网单元的格网单元作为边界格网单元；
在每一边界格网单元中逐点搜索k邻近，以得到各边界轮廓点。
第二方面，本申请实施例提供了一种建筑物轮廓线自动提取装置，所述装置包括：
第一获取模块，用于获取目标区域的目标点云数据；
滤波模块，用于基于布料模拟点云滤波算法对所述目标点云数据进行点云滤波，以得到非地面点云集合；
提取模块，用于从所述非地面点云集合中提取预设数量的屋顶面片点云，其中，一个屋顶面片点云对应一个建筑物；
第二获取模块，用于根据AlphaShape方法从各屋顶面片点云对应的非地面点云数据中获取建筑物外轮廓线；
规则化模块，用于对各屋顶面片点云对应的所述建筑物外轮廓线进行规则化处理，以得到目标区域内的所有建筑物轮廓线。
第三方面，本申请实施例提供了一种终端设备，包括处理器和存储器，所述存储器存储有计算机程序，所述计算机程序在所述处理器上运行时执行第一方面所述的建筑物轮廓线自动提取方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序在处理器上运行时执行第一方面所述的建筑物轮廓线自动提取方法。
本申请实施例提供了一种建筑物轮廓线自动提取方法、装置、终端设备及存储介质，所述方法包括：获取目标区域的目标点云数据；基于布料模拟点云滤波算法对所述目标点云数据进行点云滤波，以得到非地面点云集合；从所述非地面点云集合中提取预设数量的屋顶面片点云，其中，一个屋顶面片点云对应一个建筑物；根据AlphaShape方法从各屋顶面片点云对应的非地面点云数据中获取建筑物外轮廓线；对各屋顶面片点云对应的所述建筑物外轮廓线进行规则化处理，以得到目标区域内的所有建筑物轮廓线。本申请的建筑物轮廓线自动提取方法能够有效提升建筑物轮廓线的精度，且能够同时提取区域范围内的多个建筑物轮廓线。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对本发明保护范围的限定。在各个附图中，类似的构成部分采用类似的编号。
图1示出了本申请实施例提供的一种建筑物轮廓线自动提取方法的方法流程示意图；
图2示出了本申请实施例提供的一种建筑物轮廓线自动提取装置的装置模块示意图。
具体实施方式
下面将结合本发明实施例中附图，对本发明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发明一部分实施例，而不是全部的实施例。
通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。
在下文中，可在本发明的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合，并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
除非另有限定，否则在这里使用的所有术语(包括技术术语和科学术语)具有与本发明的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义，除非在本发明的各种实施例中被清楚地限定。
参考图1，为本申请实施例提供的一种建筑物轮廓线自动提取方法的方法流程示意图，本申请实施例提供的一种建筑物轮廓线自动提取方法，如图1所示，所述建筑物轮廓线自动提取方法包括：
步骤S101，获取目标区域的目标点云数据；
在具体实施例中，所述目标区域的目标点云数据的获取可以采用无人机倾斜摄影的方式进行获取，所述目标区域可以为任意地理位置区域。
所述无人机倾斜摄影是采用多角度相机系统同时从一个垂直角度以及前、后、左、右四个角度对影像数据进行采集的摄影方式，其中前、后、左、右四个角度的可选角度优选为30度-50度。
所述无人机倾斜摄影方法还通过集成POS系统，使获取的影像具有姿态信息和地理位置信息，弥补了传统航空摄影测量获取和应用影像数据时的缺陷。
本申请实施例采用RTK设备进行地理位置信息采集，可达到免像控精度，但需要对每个架次设备采集的地理位置信息进行精度验证。需知的，所述地理位置信息的精度验证方法可以采用现有技术中任意一种精度验证方法，此处不作限定。
数字空中三角测量工作采用平差解算软件，直接导入数码像机参数和控制点成果，所述平差结算软件通过自动匹配航空摄影测量的相关影像产生自动匹配点，对于点位不足区域，人工进行加点。
为保障通过数字空中三角测量获取的点的高程精度，进行空三加密时应利用一些位置较好的外业路面实测点高程加入数字空中三角测量的计算及检查。
更具体的，物方的精度评定比较常用，就是对比加密点与检查点的坐标差，所述检查点为多于像片控制点，不参与平差的坐标差计算；
像方的精度评定，通过影像匹配点的反投影中误差来进行控制。
空中三角测量常规的精度指标只能表现整体的精度范围，却不能看到局部的精度问题，通过外方位元素标准偏差更能全面的表现。通俗来讲，空三运算的质量指标包括：是否丢片，丢的是否合理；连接点是否正确，是否存在分层、断层、错位；检查点误差、像控点残差、连接点误差是否在限差以内。
具体的，所述目标点云数据可以为彩色密集点云数据，基于空三结果，通过半全局匹配(semi-global matching，简称SGM)等密集匹配方法获取目标区域的高精度点云数据，同时获取对应高精度点云数据的颜色信息，从而得到彩色密集点云数据。
步骤S102，基于布料模拟点云滤波算法对所述目标点云数据进行点云滤波，以得到非地面点云集合；
在具体实施例中，用户通过倾斜摄影方法获取目标区域的影像数据，由通过空中三角测量加密以及SGM等密集匹配方法获取目标点云数据后，将所述目标点云数据导入建筑物轮廓线自动提取装置中，即能够根据所述目标点云数据自动构建目标区域内建筑物的轮廓线。
基于本实施例的对象是建筑物，首先需要通过点云滤波的方法将地面点从非地面点中分离出来，后续从非地面点中提取建筑物点云的时候，减少地面点的影响。
本实施例中基于布料模拟点云滤波方法(Cloth Simulation Filter，简称CSF)对所述目标点云数据进行点云滤波。将所述目标点云数据划分为地面点云集合和非地面点云集合。
并导出所述非地面点云集合用于建筑物轮廓线的自动提取。
根据本申请实施例的一种具体实施方式，所述基于布料模拟点云滤波算法对所述目标点云数据进行点云滤波，以得到非地面点云集合的步骤，包括：
翻转所述目标点云数据，以得到翻转点云数据；
初始化布料格网，以得到具有预设格网点数量的初始布料格网；
将所述翻转点云数据与所述初始布料格网中的格网点投影至同一水平面；
计算所述格网点最近邻点的高程值以及所述格网点因重力产生的位移值；
重复执行格网点标记步骤，直至所述格网点的最大高程变化值小于预设数值或达到预设迭代次数，以得到布料格网中的格网点的高程值；
计算所述目标点云数据的点与所述布料格网的格网点之间的高度距离，将所述高度距离大于地面点阈值的目标点云数据的点统计为非地面点云集合；
所述格网点标记步骤包括：
比较所述高程值和所述位移值的大小，若所述位移值小于或等于所述高程值，则将所述格网点最近邻点的高程值赋值给所述格网点。
在具体实施例中，所述布料模拟点云滤波方法首先将点云数据进行翻转，设置初始布料格网的参数，布料格网的位置一般位于点云数据最高点的上方，将翻转后的点云与设置好的布料格网投影到同一个水平面，然后找到每一个点云粒子的最近邻点，并记录投影状态下的高程，计算布料格网中粒子因重力产生的位移，并与当前点云粒子对应的最近邻点的高程进行分析对比，若布料格网中粒子的高程低于或者等于点云数据最近邻点的高程，这部分布料格网中粒子定义为不可移动点并赋予该点云粒子的高程，重复该过程，直到所有布料格网中的粒子的最大高承诺变化足够小或者迭代到达预设值，则停止模拟过程，计算点云数据与布料格网粒子之间的高度差异，分析对比该高度距离与预设阈值，阈值一般取生成点云间隔的2倍，若该高度距离小于预设阈值则划分为地面点，若该高度距离大于预设阈值，则划分为非地面点。
建筑物区域一般多为平坦地形，通过CSF计算布料格网中粒子受到内部驱动因素影响产生的位移，并进行分析对比，可以高效地将非地面点从地面点中分离出来。
步骤S103，从所述非地面点云集合中提取预设数量的屋顶面片点云，其中，一个屋顶面片点云对应一个建筑物；
在具体实施例中，在将目标点云数据中的非地面点从地面点中分离出来后，需要对非地面点点云数据进行分割，从中去除植被、围墙、建筑侧墙等地物的影响，提取出单个建筑物的屋顶面片点云。
建筑物屋顶面片的分割主要分为屋顶面提取和屋顶面片优化两个步骤。屋顶面提取使用随机抽样一致性算法(Random Sample Consensus，简称RANSAC)。
根据本申请实施例的一种具体实施方式，所述从所述非地面点云集合中提取预设数量的屋顶面片点云的步骤，包括：
根据随机抽样一致性算法从所述非地面点云集合中抽取屋顶法向量构建模型；
计算所述非地面点云集合中的点云数据到所述屋顶法向量构建模型的投影差；
根据所述点云数据的密度设置投影差阈值和迭代次数，迭代执行比较划分步骤以划分出预设数量的屋顶面片；
所述比较划分步骤包括：将所述投影差大于投影差阈值的点云数据划分为屋顶面片集，将所述投影差小于投影差阈值的点云数据划分为局外点集。
在具体实施例中，首先随机抽取屋顶法向量构建模型M，计算所有点云到模型M的投影差α，根据点云密度设置投影差阈值δ，若α<δ，则将所述点云放入屋顶面片集S；若α<δ，则将所述点云标记为局外点。
根据所述非地面点云集合中点云数据的点云密度设置迭代次数k，当迭代次数达到k，则认定构成屋顶面。
另外，在进行房屋面迭代时，若存在一些较小的面或者特殊面，可以调整δ和k的值来获取更多的屋顶面。
需知的，通过本实施例中的屋顶面片提取方法会尽可能多地得到可以表示所有屋顶面的屋顶面片点云，因此提取的屋顶面片点云数会大于实际屋顶面数，需合并属于同一屋顶面的屋顶面片点云，通过邻近可靠屋顶面片之间的几何拓展关系，设置垂直和水平方向的相关性阈值，合并指示同一屋顶面的多个屋顶面片点云提取出单个屋顶面片。
根据本申请的另一中实施方式，也可以基于RANSAC计算内点的思想迭代，以两屋顶面片之间的欧氏空间距离及一屋顶面片点云数据中点到另一面垂直距离小于阈值的点所占比例为依据，合并屋顶面。
步骤S104，根据AlphaShape方法从各屋顶面片点云对应的非地面点云数据中获取建筑物外轮廓线；
在具体实施例中，在划分出非地面点集合中的各屋顶面片点云后，能够根据所述屋顶面片点云相邻接的点云数据，得到和建筑物相关的点云数据集合。
基于AlphaShape方法处理所述和建筑物相关的点云数据集合，就能够得到对应建筑物面片点云的初始外轮廓线。
根据本申请实施例的一种具体实施方式，所述根据AlphaShape方法从各屋顶面片点云对应的非地面点云数据中获取建筑物外轮廓线的步骤，包括：
获取各屋顶面片对应的非地面点云数据，以得到建筑物点云集合；
通过设置预设半径的圆围绕所述建筑物点云集合进行滚动，得到所述建筑物点云集合的边界线点集；
连接所述边界线点集，以得到建筑物外轮廓线。
在具体实施例中，在提取出的单个建筑物屋顶面片的基础上，获取屋顶点云面片的外轮廓点的合集，从而拟合出建筑物的外轮廓线。建筑物外轮廓的提取主要包括外轮廓线的提取和建筑物外轮廓线的简化两个步骤。
本实施例采用AlphaShape的方法来提取建筑物的外轮廓线。首先设置一个点集S，半径参数α，以α为半径的圆围绕点集S外进行滚动，通过调整α的阈值，得出最外围边界线的凸包，即建筑物外轮廓线。
不同的α参数值所产生的Alpha Shape能够在不同细致程度上体现出点集的不同轮廓，当α值减小并趋于一个临界值时，便可得到更加清晰细致的点集轮廓。
由于建筑物屋顶面片点云存在一些因建筑结构造成的干扰值，过于细致的点云外轮廓密度会影响外轮廓的形状变成不规则锯齿状，通过设置α值的大小，能够更为精准的描绘建筑物外轮廓的形状。
根据本申请实施例的一种具体实施方式，所述根据AlphaShape方法从各屋顶面片点云对应的非地面点云数据中获取建筑物外轮廓线的步骤之后，所述方法还包括：
基于Douglas-Peucker算法去除所述建筑物外轮廓线中的冗余点，以得到简化建筑物外轮廓线；
使用所述简化建筑物外轮廓线执行所述对所述建筑物外轮廓线进行规则化处理，以得到目标建筑物轮廓线的步骤。
在具体实施例中，通过Alpha Shape提取出的外轮廓线已经基本可以反映建筑物的轮廓特征，但由于点的数量过多，存在冗余点和差错点，基于Douglas-Peucker算法简化外轮廓线。利用队和栈的性质对外轮廓进行采样，通过控制距离容差可以得到对轮廓线不同程度的逼近，不仅能够有效减少物体轮廓的冗余点，提高处理效率，又能够不失真地表征物体的形状，达到简化外轮廓线的目的。
通过AlphaShape算法和Douglas-Peucker算法，对屋顶面片点云的进一步分割及简化提取出建筑物外轮廓线。
步骤S105，对各屋顶面片点云对应的所述建筑物外轮廓线进行规则化处理，以得到目标区域内的所有建筑物轮廓线。
在具体实施例中，建筑物通常具有相对规则的几何形状，针对建筑物轮廓线的提取应充分考虑垂直和平行这两个最基本的特征，因此，在获取所述建筑物的外轮廓线后，还需要对所述建筑物外轮廓线进行规则化处理，从而得到更为标准的建筑物轮廓线。
本实施例采用迭代最小外接矩形(Rpeat Minimum Bounding Rectangle，简称RMBR)方法来对所述建筑物外轮廓线进行规则化处理。
根据本申请实施例的一种具体实施方式，所述对所述建筑物外轮廓线进行规则化处理，以得到目标建筑物轮廓线的步骤包括：
将所述建筑物外轮廓线内包括的点云数据投影至二维参考坐标系，并确定所述建筑物外轮廓线的各边界轮廓点；
循环第一步骤以得到对应轮廓点数量最多的矩形模型为第一层级外接矩形；
循环第二步骤以得到最小外接矩形；
基于所述最小外接矩形进行规则化以得到目标建筑物轮廓线；
其中，所述第一步骤包括：
取二维参考坐标系平面中任一边界轮廓点与其最近点确定第一直线方向；
取垂直所述第一直线方向的另一方向作为第二直线方向；
以所述边界轮廓点为原点，所述第一直线方向和所述第二直线方向分别作为坐标系的x轴和y轴，建立局部坐标系；
将建筑物轮廓点投影至所述局部坐标系，并根据所述建筑物轮廓点和所述局部坐标系的坐标轴确定对应所述建筑物轮廓点的矩形；
记录所述矩形内包括的建筑物轮廓点数量；
所述第二步骤包括：
将剩余边界轮廓点投影至所述第一层级外接矩形；
比较剩余边界轮廓点距离所述第一层级外接矩形边界的距离是否大于间距阈值，所述间距阈值为二倍平均点间距；
若剩余边界轮廓点距离所述第一层级外接矩形边界的距离大于间距阈值，则将剩余边界轮廓点对应的区域确定为下一层级的最小外接矩形；
若剩余边界轮廓点距离所述第一层级矩形边界的距离小于间距阈值，则导出当前层级的外接矩形作为最小外接矩形。
在具体实施例中，通过最小外接矩形的两条边界，即可以对所述外轮廓线的边界点进行规则化，以得到具有标准垂直关系和水平关系的建筑物轮廓线。
所述二维参考坐标系为XOY平面。
具体的，所述第一步骤为，对于任一边界轮廓点，取其最近点确定第一直线方向，以所述第一直线方向作为矩形的一个方向。取垂直所述第一直线方向的另一方向作为第二直线方向，并以所选取的边界轮廓点作为原点。根据所述原点、所述第一直线方向以及所述第二直线方向建立局部坐标系。
将建筑物轮廓点投影至所述局部坐标系，并以局部坐标系两坐标轴的数据区间长度作为矩形的长和宽。根据点密度设定距离阈值，确定到矩形距离在所述阈值范围内的建筑物轮廓点数量，并记录所述建筑物轮廓点的数量。
循环所述第一步骤，并将所述建筑物轮廓点的数量最多的矩形作为第一层级外接矩形模型。
所述第二步骤是在所述第一步骤的基础上继续执行的，将进行完第一步骤后的剩余边界轮廓点投影至所述第一层级外接矩形，并计算投影后在矩形两个方向上的长度，以平均点间距的二倍作为间距阈值。若投影后在矩形两方向上的长度大于所述间距阈值，则根据对应区域确定第二层级的最小外接矩形。
重复执行所述第二步骤，就可以得到完成规则化处理的最小外接矩形。
根据本申请实施例的一种具体实施方式，所述将所述建筑物外轮廓线内包括的点云数据投影至二维参考坐标系，并确定所述建筑物外轮廓线的各边界轮廓点的步骤，包括：
将所述建筑物外轮廓线内包括的点云数据投影至二维参考坐标系；
对点云数据以二倍平均点间距作为格网间距进行格网划分；
检测每一格网单元的八邻域；
将邻域中存在空格网单元的格网单元作为边界格网单元；
在每一边界格网单元中逐点搜索k邻近，以得到各边界轮廓点。
在具体实施例中，通过对格网单元的划分与检测，即可以在二维参考坐标系中得到所述建筑物外轮廓线的各边界轮廓点。
本申请实施例提供的建筑物轮廓线自动提取方法，能够同时处理目标环境中的多个建筑物目标，自动构建所述建筑物目标的外轮廓线。且本申请实施例通过迭代最小外接矩形方法对所述外轮廓线进行规则化处理，使得自动构建的轮廓线更加标准和细致，大大提升了自动构建建筑物轮廓线方法的构建精度。
参考图2，为本申请实施例提供的一种建筑物轮廓线自动提取装置200的装置模块示意图，本申请实施例提供的建筑物轮廓线自动提取装置200，如图2所示，所述建筑物轮廓线自动提取装置200包括：
第一获取模块201，用于获取目标区域的目标点云数据；
滤波模块202，用于基于布料模拟点云滤波算法对所述目标点云数据进行点云滤波，以得到非地面点云集合；
提取模块203，用于从所述非地面点云集合中提取预设数量的屋顶面片点云，其中，一个屋顶面片点云对应一个建筑物；
第二获取模块204，用于根据AlphaShape方法从各屋顶面片点云对应的非地面点云数据中获取建筑物外轮廓线；
规则化模块205，用于对各屋顶面片点云对应的所述建筑物外轮廓线进行规则化处理，以得到目标区域内的所有建筑物轮廓线。
另外，本申请实施例还提供了一种终端设备，包括处理器和存储器，所述存储器存储有计算机程序，所述计算机程序在所述处理器上运行时执行上述实施例中的建筑物轮廓线自动提取方法。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序在处理器上运行时执行上述实施例中的建筑物轮廓线自动提取方法。
综上所述，本申请实施例提供了一种建筑物轮廓线自动提取方法、装置、终端设备及存储介质，通过本申请的建筑物轮廓线自动提取方法能够高效、便捷的获取点云数据，且能够提升获取的点云数据的质量。通过对所述点云数据的划分处理，能够有效提升提取出建筑物轮廓线的精度。本申请实施例中的方法还能够有效处理分布密集、结构复杂的建筑群，为建筑物轮廓线的实际应用提供充分帮助。另外，本申请实施例提供的建筑物轮廓线自动提取装置、终端设备及计算机可读存储介质的具体实施方式可以参考上述方法实施例中的具体实施方式，此处不再一一赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也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，附图中的流程图和结构图显示了根据本发明的多个实施例的装置、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，所述模块、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，在作为替换的实现方式中，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，两个连续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，结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合，可以用执行规定的功能或动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。
另外，在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或更多个模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种建筑物轮廓线自动提取方法，其特征在于，所述方法包括：
获取目标区域的目标点云数据；
基于布料模拟点云滤波算法对所述目标点云数据进行点云滤波，以得到非地面点云集合；
从所述非地面点云集合中提取预设数量的屋顶面片点云，其中，一个屋顶面片点云对应一个建筑物；
根据AlphaShape方法从各屋顶面片点云对应的非地面点云数据中获取建筑物外轮廓线；
对各屋顶面片点云对应的所述建筑物外轮廓线进行规则化处理，以得到目标区域内的所有建筑物轮廓线。
2.根据权利要求1所述的方法，其特征在于，所述基于布料模拟点云滤波算法对所述目标点云数据进行点云滤波，以得到非地面点云集合的步骤，包括：
翻转所述目标点云数据，以得到翻转点云数据；
初始化布料格网，以得到具有预设格网点数量的初始布料格网；
将所述翻转点云数据与所述初始布料格网中的格网点投影至同一水平面；
计算所述格网点最近邻点的高程值以及所述格网点因重力产生的位移值；
重复执行格网点标记步骤，直至所述格网点的最大高程变化值小于预设数值或达到预设迭代次数，以得到布料格网中的格网点的高程值；
计算所述目标点云数据的点与所述布料格网的格网点之间的高度距离，将所述高度距离大于地面点阈值的目标点云数据的点统计为非地面点云集合；
所述格网点标记步骤包括：
比较所述高程值和所述位移值的大小，若所述位移值小于或等于所述高程值，则将所述格网点最近邻点的高程值赋值给所述格网点。
3.根据权利要求1所述的方法，其特征在于，所述从所述非地面点云集合中提取预设数量的屋顶面片点云的步骤，包括：
根据随机抽样一致性算法从所述非地面点云集合中抽取屋顶法向量构建模型；
计算所述非地面点云集合中的点云数据到所述屋顶法向量构建模型的投影差；
根据所述点云数据的密度设置投影差阈值和迭代次数，迭代执行比较划分步骤以划分出预设数量的屋顶面片；
所述比较划分步骤包括：将所述投影差大于投影差阈值的点云数据划分为屋顶面片集，将所述投影差小于投影差阈值的点云数据划分为局外点集。
4.根据权利要求1所述的方法，其特征在于，所述根据AlphaShape方法从各屋顶面片点云对应的非地面点云数据中获取建筑物外轮廓线的步骤，包括：
获取各屋顶面片对应的非地面点云数据，以得到建筑物点云集合；
通过设置预设半径的圆围绕所述建筑物点云集合进行滚动，得到所述建筑物点云集合的边界线点集；
连接所述边界线点集，以得到建筑物外轮廓线。
5.根据权利要求4所述的方法，其特征在于，所述根据AlphaShape方法从各屋顶面片点云对应的非地面点云数据中获取建筑物外轮廓线的步骤之后，所述方法还包括：
基于Douglas-Peucker算法去除所述建筑物外轮廓线中的冗余点，以得到简化建筑物外轮廓线；
使用所述简化建筑物外轮廓线执行所述对所述建筑物外轮廓线进行规则化处理，以得到目标建筑物轮廓线的步骤。
6.根据权利要求1所述的方法，其特征在于，所述对所述建筑物外轮廓线进行规则化处理，以得到目标建筑物轮廓线的步骤包括：
将所述建筑物外轮廓线内包括的点云数据投影至二维参考坐标系，并确定所述建筑物外轮廓线的各边界轮廓点；
循环第一步骤以得到对应轮廓点数量最多的矩形模型为第一层级外接矩形；
循环第二步骤以得到最小外接矩形；
基于所述最小外接矩形进行规则化以得到目标建筑物轮廓线；
其中，所述第一步骤包括：
取二维参考坐标系平面中任一边界轮廓点与其最近点确定第一直线方向；
取垂直所述第一直线方向的另一方向作为第二直线方向；
以所述边界轮廓点为原点，所述第一直线方向和所述第二直线方向分别作为坐标系的x轴和y轴，建立局部坐标系；
将建筑物轮廓点投影至所述局部坐标系，并根据所述建筑物轮廓点和所述局部坐标系的坐标轴确定对应所述建筑物轮廓点的矩形；
记录所述矩形内包括的建筑物轮廓点数量；
所述第二步骤包括：
将剩余边界轮廓点投影至所述第一层级外接矩形；
比较剩余边界轮廓点距离所述第一层级外接矩形边界的距离是否大于间距阈值，所述间距阈值为二倍平均点间距；
若剩余边界轮廓点距离所述第一层级外接矩形边界的距离大于间距阈值，则将剩余边界轮廓点对应的区域确定为下一层级的最小外接矩形；
若剩余边界轮廓点距离所述第一层级矩形边界的距离小于间距阈值，则导出当前层级的外接矩形作为最小外接矩形。
7.根据权利要求6所述的方法，其特征在于，所述将所述建筑物外轮廓线内包括的点云数据投影至二维参考坐标系，并确定所述建筑物外轮廓线的各边界轮廓点的步骤，包括：
将所述建筑物外轮廓线内包括的点云数据投影至二维参考坐标系；
对点云数据以二倍平均点间距作为格网间距进行格网划分；
检测每一格网单元的八邻域；
将邻域中存在空格网单元的格网单元作为边界格网单元；
在每一边界格网单元中逐点搜索k邻近，以得到各边界轮廓点。
8.一种建筑物轮廓线自动提取装置，其特征在于，所述装置包括：
第一获取模块，用于获取目标区域的目标点云数据；
滤波模块，用于基于布料模拟点云滤波算法对所述目标点云数据进行点云滤波，以得到非地面点云集合；
提取模块，用于从所述非地面点云集合中提取预设数量的屋顶面片点云，其中，一个屋顶面片点云对应一个建筑物；
第二获取模块，用于根据AlphaShape方法从各屋顶面片点云对应的非地面点云数据中获取建筑物外轮廓线；
规则化模块，用于对各屋顶面片点云对应的所述建筑物外轮廓线进行规则化处理，以得到目标区域内的所有建筑物轮廓线。
9.一种终端设备，其特征在于，包括处理器和存储器，所述存储器存储有计算机程序，所述计算机程序在所述处理器上运行时执行权利要求1至7任一项所述的建筑物轮廓线自动提取方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序在处理器上运行时执行权利要求1-7中任一项所述的建筑物轮廓线自动提取方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210060062.6A CN114419085A (zh) | 2022-01-19 | 2022-01-19 | 建筑物轮廓线自动提取方法、装置、终端设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210060062.6A CN114419085A (zh) | 2022-01-19 | 2022-01-19 | 建筑物轮廓线自动提取方法、装置、终端设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114419085A true CN114419085A (zh) | 2022-04-29 |
Family
ID=81275580
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210060062.6A Pending CN114419085A (zh) | 2022-01-19 | 2022-01-19 | 建筑物轮廓线自动提取方法、装置、终端设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114419085A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115311396A (zh) * | 2022-08-09 | 2022-11-08 | 北京飞渡科技有限公司 | 一种超高建筑物屋顶轮廓线的自动提取方法及系统 |
| CN115824052A (zh) * | 2023-02-14 | 2023-03-21 | 长沙空维激光技术服务有限公司 | 一种基于激光雷达点云数据的堆料体积测量方法 |
| CN115880325A (zh) * | 2022-12-07 | 2023-03-31 | 重庆市地理信息和遥感应用中心 | 基于点云维度和空间距离聚类的建筑物轮廓自动提取方法 |
| CN115965712A (zh) * | 2023-03-16 | 2023-04-14 | 深圳市规划和自然资源数据管理中心(深圳市空间地理信息中心) | 一种建筑物二维矢量图构建方法、系统、设备及存储介质 |
| CN116030190A (zh) * | 2022-12-20 | 2023-04-28 | 中国科学院空天信息创新研究院 | 一种基于点云与目标多边形的目标三维模型生成方法 |
| CN116580048A (zh) * | 2023-07-12 | 2023-08-11 | 武汉峰岭科技有限公司 | 一种提取房屋倾斜模型上直角房屋的轮廓线的方法及系统 |
| CN117011503A (zh) * | 2023-08-07 | 2023-11-07 | 青岛星美装饰服务有限公司 | 一种加工数据确定方法、装置、设备和可读存储介质 |
| CN117036393A (zh) * | 2023-10-09 | 2023-11-10 | 中国电建集团昆明勘测设计研究院有限公司 | 基于倾斜实景三维模型的建筑物轮廓提取方法 |
| CN118274740A (zh) * | 2024-05-29 | 2024-07-02 | 无锡市明通动力工业有限公司 | 一种工业用冷却风机的风叶轮廓高精度测量方法 |
| CN118608716A (zh) * | 2024-06-20 | 2024-09-06 | 浙江省测绘科学技术研究院 | 一种建筑物白模自动提取方法、系统及介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104156988A (zh) * | 2014-08-05 | 2014-11-19 | 陕西汇图测绘地理信息有限公司 | 基于迭代最小外包矩形的城区建筑物轮廓规则化方法 |
| CN105844629A (zh) * | 2016-03-21 | 2016-08-10 | 河南理工大学 | 一种大场景城市建筑物立面点云自动分割方法 |
| 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 |
| CN111354083A (zh) * | 2020-02-21 | 2020-06-30 | 中国电建集团昆明勘测设计研究院有限公司 | 一种基于原始激光点云的递进式建筑物提取方法 |
| CN111815776A (zh) * | 2020-02-04 | 2020-10-23 | 山东水利技师学院 | 综合机载和车载三维激光点云及街景影像的三维建筑物精细几何重建方法 |
-
2022
- 2022-01-19 CN CN202210060062.6A patent/CN114419085A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104156988A (zh) * | 2014-08-05 | 2014-11-19 | 陕西汇图测绘地理信息有限公司 | 基于迭代最小外包矩形的城区建筑物轮廓规则化方法 |
| CN105844629A (zh) * | 2016-03-21 | 2016-08-10 | 河南理工大学 | 一种大场景城市建筑物立面点云自动分割方法 |
| 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 |
| CN111815776A (zh) * | 2020-02-04 | 2020-10-23 | 山东水利技师学院 | 综合机载和车载三维激光点云及街景影像的三维建筑物精细几何重建方法 |
| CN111354083A (zh) * | 2020-02-21 | 2020-06-30 | 中国电建集团昆明勘测设计研究院有限公司 | 一种基于原始激光点云的递进式建筑物提取方法 |
Non-Patent Citations (1)
| Title |
|---|
| 杜靖: ""基于倾斜摄影影像的真三维单体化模型精细建模方法研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》, 15 March 2018 (2018-03-15), pages 5 - 42 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115311396A (zh) * | 2022-08-09 | 2022-11-08 | 北京飞渡科技有限公司 | 一种超高建筑物屋顶轮廓线的自动提取方法及系统 |
| CN115880325A (zh) * | 2022-12-07 | 2023-03-31 | 重庆市地理信息和遥感应用中心 | 基于点云维度和空间距离聚类的建筑物轮廓自动提取方法 |
| CN116030190A (zh) * | 2022-12-20 | 2023-04-28 | 中国科学院空天信息创新研究院 | 一种基于点云与目标多边形的目标三维模型生成方法 |
| CN116030190B (zh) * | 2022-12-20 | 2023-06-20 | 中国科学院空天信息创新研究院 | 一种基于点云与目标多边形的目标三维模型生成方法 |
| CN115824052A (zh) * | 2023-02-14 | 2023-03-21 | 长沙空维激光技术服务有限公司 | 一种基于激光雷达点云数据的堆料体积测量方法 |
| CN115965712A (zh) * | 2023-03-16 | 2023-04-14 | 深圳市规划和自然资源数据管理中心(深圳市空间地理信息中心) | 一种建筑物二维矢量图构建方法、系统、设备及存储介质 |
| CN116580048A (zh) * | 2023-07-12 | 2023-08-11 | 武汉峰岭科技有限公司 | 一种提取房屋倾斜模型上直角房屋的轮廓线的方法及系统 |
| CN116580048B (zh) * | 2023-07-12 | 2023-09-26 | 武汉峰岭科技有限公司 | 一种提取房屋倾斜模型上直角房屋的轮廓线的方法及系统 |
| CN117011503A (zh) * | 2023-08-07 | 2023-11-07 | 青岛星美装饰服务有限公司 | 一种加工数据确定方法、装置、设备和可读存储介质 |
| CN117011503B (zh) * | 2023-08-07 | 2024-05-28 | 青岛星美装饰服务有限公司 | 一种加工数据确定方法、装置、设备和可读存储介质 |
| CN117036393A (zh) * | 2023-10-09 | 2023-11-10 | 中国电建集团昆明勘测设计研究院有限公司 | 基于倾斜实景三维模型的建筑物轮廓提取方法 |
| CN117036393B (zh) * | 2023-10-09 | 2023-12-19 | 中国电建集团昆明勘测设计研究院有限公司 | 基于倾斜实景三维模型的建筑物轮廓提取方法 |
| CN118274740A (zh) * | 2024-05-29 | 2024-07-02 | 无锡市明通动力工业有限公司 | 一种工业用冷却风机的风叶轮廓高精度测量方法 |
| CN118608716A (zh) * | 2024-06-20 | 2024-09-06 | 浙江省测绘科学技术研究院 | 一种建筑物白模自动提取方法、系统及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114419085A (zh) | 建筑物轮廓线自动提取方法、装置、终端设备及存储介质 | |
| US7752018B2 (en) | Geospatial modeling system providing building roof type identification features and related methods | |
| CN111598823A (zh) | 多源移动测量点云数据空地一体化融合方法、存储介质 | |
| CN108267141B (zh) | 道路点云数据处理系统 | |
| dos Santos et al. | Extraction of building roof boundaries from LiDAR data using an adaptive alpha-shape algorithm | |
| CN108225334B (zh) | 一种基于三维实景数据的定位方法及装置 | |
| CN103247045A (zh) | 一种从多视图中得到人造场景主方向及图像边缘的方法 | |
| EP2218057A1 (en) | Geospatial modeling system and related method using multiple sources of geographic information | |
| CN113012063B (zh) | 一种动态点云修复方法、装置及计算机设备 | |
| CN112070870B (zh) | 点云地图评估方法、装置、计算机设备和存储介质 | |
| CN113296543B (zh) | 航拍航线规划方法及系统 | |
| CN113920275B (zh) | 三角网格构建方法、装置、电子设备及可读存储介质 | |
| CN115965712B (zh) | 一种建筑物二维矢量图构建方法、系统、设备及存储介质 | |
| CN113345072A (zh) | 一种多视角遥感地形影像点云重建方法及系统 | |
| JP2023530449A (ja) | 空中と地上の位置合わせのためのシステムおよび方法 | |
| CN109785421B (zh) | 一种基于空地影像组合的纹理映射方法及系统 | |
| CN114022760B (zh) | 铁路隧道障碍物监测预警方法、系统、设备及存储介质 | |
| CN114387488A (zh) | 基于potree点云影像融合的道路提取系统及方法 | |
| Yao et al. | Research on three-dimensional model reconstruction of slope erosion based on sequence images | |
| CN111583406A (zh) | 杆塔脚基点坐标计算方法、装置及终端设备 | |
| CN115937466A (zh) | 一种融合gis的三维模型生成方法、系统及存储介质 | |
| CN115731527A (zh) | 道路边界检测方法、装置、计算机设备和存储介质 | |
| CN107808160B (zh) | 三维建筑物提取方法和装置 | |
| Alobeid | Assessment of matching algorithms for urban DSM generation from very high resolution satellite stereo images | |
| Xiao | Automatic building outlining from multi-view oblique images |
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 |