CN115546421B - 一种点线双域互增强建筑几何轮廓线重建方法 - Google Patents

一种点线双域互增强建筑几何轮廓线重建方法 Download PDF

Info

Publication number
CN115546421B
CN115546421B CN202211535592.8A CN202211535592A CN115546421B CN 115546421 B CN115546421 B CN 115546421B CN 202211535592 A CN202211535592 A CN 202211535592A CN 115546421 B CN115546421 B CN 115546421B
Authority
CN
China
Prior art keywords
point
contour
line
building
points
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
CN202211535592.8A
Other languages
English (en)
Other versions
CN115546421A (zh
Inventor
邓浩
邸少宁
邹艳红
毛先成
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.)
Central South University
Original Assignee
Central South 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 Central South University filed Critical Central South University
Priority to CN202211535592.8A priority Critical patent/CN115546421B/zh
Publication of CN115546421A publication Critical patent/CN115546421A/zh
Application granted granted Critical
Publication of CN115546421B publication Critical patent/CN115546421B/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
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/457—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by analysing connectivity, e.g. edge linking, connected component analysis or slices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/04—Architectural design, interior design

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种点线双域互增强建筑几何轮廓线重建方法，包括：获取建筑物三维点云数据；对三维点云数据逐点获取局部轮廓特征向量；在构建的局部轮廓特征向量和建筑轮廓特征线的双重约束下，迭代更新原始点云各点的轮廓特征点后验概率；筛选出粗略轮廓特征点集，构建粗略轮廓特征点的无向带权KNN图，并为图中每一条边赋权值；搜索权值之和最小连通子图，借助最小生成树算法得到建筑最大似然轮廓特征线，重建建筑几何轮廓线；对生成的建筑最大似然轮廓特征线，进行轮廓几何先验约束，获得具有平滑性和规则性的几何轮廓特征线；更新轮廓特征点，在迭代优化中渐进式逼近建筑结构轮廓。本发明为实景三维建设城市建筑结构化重建提供了新方法。

Description

一种点线双域互增强建筑几何轮廓线重建方法
技术领域
本发明涉及三维建模技术领域，特别涉及一种点线双域互增强建筑几何轮廓线重建方法。
背景技术
在实景三维建设工作中，建筑物作为地理实体中最为关键的要素，实现其语义化、结构化、轻量化的表达是实景三维建设中不可或缺的重要支撑，也是实现物理空间和数字空间精准理解和虚实互动的关键。传统地，在二维地理场景中以点、线、面、体等几何要素为载体对物理空间的数字化表达，由于其难以满足“真实、立体和全空间”的实景三维建设要求而逐渐被取代。在三维地理场景上构建结构化、语义化、支持人机兼容理解和物联实时感知的地理实体已成为当下地理信息服务领域的新任务，也因此建筑物的结构化重建越来越受到关注和重视。结构化是实现地理单体分割并获得其几何轮廓及组成结构的过程，从点云数据中提取轮廓特征点、边界点和三维轮廓线框等几何轮廓要素是结构化重建的重要内容。
现有的方法最常采用投影降维的方法，该方法充分利用了非常成熟的图像边缘检测算法，处理效率较高，但是在二维与三维的转换中造成了信息的丢失，生成的是许多离散化的线段，线段与线段之间原有的拓扑连接信息丢失。为克服这个问题，直接从点云中重建轮廓特征线的方法被提出了，如深度学习方法、面片法和拟合点法。深度学习方法由于需要缺乏足够的训练样本，对轮廓特征的挖掘还不足，仍处于初步探索阶段。面片法采用先将点云进行面片分割，再提取平面边界点的思路。该方法在规则的工程部件中有非常好的效果，但难以提取非平面结构，无法适用于复杂场景，特别是城市建筑场景。而拟合点法采用先提取轮廓特征点，再将离散轮廓点生成3D特征线的思路，通过分段拟合或图连接的方法有效保证了特征线的完整性，在城市建筑场景的特征提取中有较大的潜力。但是，该方法仍有一些不足需要解决。第一，以往方法都是从局部角度提取出离散化的轮廓线段，导致轮廓特征线段与线段之间的连接关系没有被很好保持；第二，用直线段难以表达物理世界现实存在的曲线结构；第三，特征点的不确定性给特征线的提取带来影响，特别是冗余、有噪声的特征点会导致产生不符合真实轮廓结构的特征线。
发明内容
本发明的目的是：针对上述背景技术中存在的不足，提供一种点线双域互增强建筑几何轮廓线重建方法，能够直接从建筑物点云中重建逼近建筑物真实轮廓形态的三维几何轮廓点线，同时采用迭代优化策略能有效克服轮廓点的不确定性对结果的影响，从而维护直线段与直线段的原有拓扑关系，保证建筑轮廓的紧凑度和拓扑连接的合理性。
为了达到上述目的，本发明提供了一种点线双域互增强建筑几何轮廓线重建方法，包括如下步骤：
S1，获取建筑物三维点云数据；
S2，对三维点云数据逐点获取局部轮廓特征向量；
S3，在构建的局部轮廓特征向量和建筑轮廓特征线的双重约束下，迭代更新原始点云各点的轮廓特征点后验概率；
S4，根据轮廓特征点后验概率筛选出粗略轮廓特征点集，构建粗略轮廓特征点的无向带权KNN图，并为图中每一条边赋权值；
S5，从构建的KNN图中搜索权值之和最小连通子图，借助最小生成树算法得到建筑最大似然轮廓特征线，重建建筑几何轮廓线；
S6，对生成的建筑最大似然轮廓特征线，进行轮廓几何先验约束，获得具有平滑性和规则性的几何轮廓特征线；
S7，重复S3至S6，实现由初始轮廓特征点连接生成轮廓特征线，并在上一次迭代生成的轮廓特征线约束下再次更新轮廓特征点后验概率，从而更新轮廓特征点，在迭代优化中渐进式逼近建筑结构轮廓。
进一步地，S1中建筑物三维点云数据为激光雷达扫描设备采集到的建筑点云三维坐标。
进一步地，S2中三维点云数据中任一点
Figure 390469DEST_PATH_IMAGE001
的局部轮廓特征向量
Figure 432243DEST_PATH_IMAGE002
，局部轮廓特征向量的构建过程包括如下子步骤：
S21、逐点获取点云局部协方差矩阵特征值；
S22，逐点计算点云强度值I；
S23，逐点计算点云梯度值𝑔；
S24，逐点获取点云梯度结构张量特征值
Figure 398931DEST_PATH_IMAGE003
。
进一步地，S21中以点
Figure 794140DEST_PATH_IMAGE001
为中心，固定半径r的邻域球N内存在n个邻域点/>
Figure 546195DEST_PATH_IMAGE004
，邻域点N的几何中心记为/>
Figure 368658DEST_PATH_IMAGE005
，则点/>
Figure 822642DEST_PATH_IMAGE001
的3×3局部协方差矩阵/>
Figure 21542DEST_PATH_IMAGE006
为：
Figure 628104DEST_PATH_IMAGE007
其中，
Figure 831856DEST_PATH_IMAGE008
；
采用奇异值分解算法计算协方差矩阵
Figure 710819DEST_PATH_IMAGE006
的三个特征值：/>
Figure 588776DEST_PATH_IMAGE009
；为了获取多尺度的邻域信息，邻域半径r分别取建筑点云数据的平均密度的/>
Figure 299112DEST_PATH_IMAGE010
种比例值，从而获取了/>
Figure 774962DEST_PATH_IMAGE010
种不同邻域尺度半径对应的特征值/>
Figure 219850DEST_PATH_IMAGE011
，/>
Figure 963815DEST_PATH_IMAGE012
表示每个点静态邻域尺度的计数数目；/>
S22中I由平面变化率
Figure 76127DEST_PATH_IMAGE013
和面状特征量/>
Figure 129403DEST_PATH_IMAGE014
两个几何特征量构成：
Figure 61587DEST_PATH_IMAGE015
其中，平面变化率
Figure 609243DEST_PATH_IMAGE013
反映当前点邻域内法向量的变化情况，/>
Figure 294171DEST_PATH_IMAGE013
计算公式为：
Figure 737922DEST_PATH_IMAGE016
；
面状特征量
Figure 203407DEST_PATH_IMAGE014
反映局部点云分布的均匀性，/>
Figure 804021DEST_PATH_IMAGE014
计算公式为：/>
Figure 563030DEST_PATH_IMAGE017
；
S23中梯度值
Figure 223687DEST_PATH_IMAGE018
反映了点的强度值在局部邻域内的最大变化量以及最大突变方向；当前点的邻域某处点云强度值按照下（3）式采用反距离加权法进行计算，得到解析表达，基于强度表达计算梯度公式如下（4）、（5）式：
Figure 130463DEST_PATH_IMAGE019
Figure 19922DEST_PATH_IMAGE020
其中
Figure 961333DEST_PATH_IMAGE021
其中，
Figure 792892DEST_PATH_IMAGE022
为三维空间中某处待计算的点云强度值，/>
Figure 186964DEST_PATH_IMAGE023
为待计算点邻域内邻域点的已知强度值，/>
Figure 145693DEST_PATH_IMAGE024
采用当前点到邻域点/>
Figure 676031DEST_PATH_IMAGE025
的距离平方，/>
Figure 881754DEST_PATH_IMAGE026
为邻域球/>
Figure 497543DEST_PATH_IMAGE027
内的点数；
S24中
Figure 994383DEST_PATH_IMAGE028
、/>
Figure 894075DEST_PATH_IMAGE029
和/>
Figure 818169DEST_PATH_IMAGE030
是梯度结构张量/>
Figure 655675DEST_PATH_IMAGE031
的三个特征值；按照在三维点云空间中，某点在邻域球N内的梯度变化/>
Figure 939894DEST_PATH_IMAGE032
由不同方向/>
Figure 710404DEST_PATH_IMAGE033
的微小变化量计算，并按照泰勒公式展开为公式（6）：
Figure 539820DEST_PATH_IMAGE034
式中，3×3矩阵
Figure 395780DEST_PATH_IMAGE031
为：
Figure 952533DEST_PATH_IMAGE035
其中，n为邻域球N内的点数，第i个邻域点的梯度分量分别为
Figure 780811DEST_PATH_IMAGE036
，矩阵/>
Figure 312287DEST_PATH_IMAGE031
表示点/>
Figure 639232DEST_PATH_IMAGE037
及其邻域球N范围内梯度的分布情况，其特征值
Figure 281566DEST_PATH_IMAGE038
反映了点/>
Figure 761089DEST_PATH_IMAGE039
强度值在三个特征向量方向梯度的变化情况。
进一步地，S3中在局部轮廓特征向量
Figure 197886DEST_PATH_IMAGE040
和轮廓特征线的双重约束下，逐点计算各点的轮廓特征点后验概率/>
Figure 277706DEST_PATH_IMAGE041
，/>
Figure 192573DEST_PATH_IMAGE042
为二值标签变量，若该点为轮廓特征点则/>
Figure 526602DEST_PATH_IMAGE042
为1，反之/>
Figure 134301DEST_PATH_IMAGE042
为0；
轮廓特征点后验概率包括：点
Figure 701418DEST_PATH_IMAGE001
在局部轮廓特征向量/>
Figure 419975DEST_PATH_IMAGE040
约束下为轮廓语义特征点的概率，即/>
Figure 874090DEST_PATH_IMAGE043
；点/>
Figure 652690DEST_PATH_IMAGE001
与轮廓语义特征线/>
Figure 441523DEST_PATH_IMAGE044
的邻近度/>
Figure 698192DEST_PATH_IMAGE045
，轮廓特征点后验概率/>
Figure 272393DEST_PATH_IMAGE041
计算公式为：
Figure 956315DEST_PATH_IMAGE046
其中，
Figure 966866DEST_PATH_IMAGE047
为权重系数。
进一步地，
Figure 496067DEST_PATH_IMAGE047
的取值范围为0.4~0.6。
进一步地，对于点云局部轮廓特征向量
Figure 908463DEST_PATH_IMAGE040
约束下为轮廓语义特征点的概率
Figure 560024DEST_PATH_IMAGE043
，将所有点的局部特征向量/>
Figure 543023DEST_PATH_IMAGE048
作为输入数据，基于高斯混合模型法计算特征点集/>
Figure 938233DEST_PATH_IMAGE049
与非特征点集/>
Figure 487026DEST_PATH_IMAGE050
，在高维特征空间中两个高斯模型的参数/>
Figure 496439DEST_PATH_IMAGE051
和/>
Figure 232314DEST_PATH_IMAGE052
，从而得到任意一点/>
Figure 165635DEST_PATH_IMAGE001
属于各类别的概率，即：
Figure 568934DEST_PATH_IMAGE053
对于点
Figure 14828DEST_PATH_IMAGE001
与轮廓语义特征线/>
Figure 877479DEST_PATH_IMAGE044
的邻近度/>
Figure 83333DEST_PATH_IMAGE045
，即点/>
Figure 75560DEST_PATH_IMAGE001
到轮廓语义特征线的最短距离，计算公式为：
Figure 239825DEST_PATH_IMAGE054
进一步地，S4具体包括如下子步骤：
S41，根据轮廓特征点后验概率值设置概率阈值，过滤掉那些不可能为轮廓特征点的原始点，得到粗略轮廓特征点集；
S42，构建粗略轮廓特征点的KNN图
Figure 215871DEST_PATH_IMAGE055
，设粗略轮廓特征点集中存在/>
Figure 756574DEST_PATH_IMAGE056
个点，逐点将其与近邻的K个邻域点连接形成/>
Figure 586995DEST_PATH_IMAGE057
条边，每一条边/>
Figure 859845DEST_PATH_IMAGE058
的权值计算公式为：
Figure 588766DEST_PATH_IMAGE059
Figure 667581DEST_PATH_IMAGE060
/>
其中，
Figure 86930DEST_PATH_IMAGE061
和/>
Figure 61839DEST_PATH_IMAGE062
分别为S3获得的两个轮廓特征点后验概率，分别简记为/>
Figure 746898DEST_PATH_IMAGE063
和/>
Figure 347513DEST_PATH_IMAGE064
；式中，/>
Figure 434417DEST_PATH_IMAGE065
为两个点/>
Figure 845807DEST_PATH_IMAGE001
和/>
Figure 752583DEST_PATH_IMAGE066
连接成的边/>
Figure 891309DEST_PATH_IMAGE058
是轮廓特征线的概率，它是关于/>
Figure 98300DEST_PATH_IMAGE063
和/>
Figure 149433DEST_PATH_IMAGE064
的函数，计算公式为：
Figure 543505DEST_PATH_IMAGE067
其中，
Figure 485922DEST_PATH_IMAGE068
为点/>
Figure 812998DEST_PATH_IMAGE001
和点/>
Figure 97349DEST_PATH_IMAGE066
的欧氏距离；当/>
Figure 657947DEST_PATH_IMAGE063
等于/>
Figure 420367DEST_PATH_IMAGE064
时，式（11）分母为0，取/>
Figure 8474DEST_PATH_IMAGE069
来处理这种特殊情况。
进一步地，概率阈值的取值范围为0.6~0.8。
进一步地，S5采用最小生成树算法从KNN图
Figure 463726DEST_PATH_IMAGE070
中得到建筑最大似然轮廓特征线，借助Kruskal算法构建最小生成树，该过程是：先将KNN图中所有边按照权值大小排序，为了得到权值和最小的树，只要边不构成回路，就按照权值依次从小到大把边加入到集合中。
进一步地，S6具体包括如下子步骤：
S61，将建筑最大似然轮廓特征线拆分成一系列弧段，任一弧段
Figure 363549DEST_PATH_IMAGE071
由树结构中的一系列边/>
Figure 116610DEST_PATH_IMAGE058
连接而成；
S62，剔除冗余分支，设置平滑性长度阈值
Figure 152699DEST_PATH_IMAGE072
；若弧段上边/>
Figure 716536DEST_PATH_IMAGE058
的数量大于/>
Figure 103655DEST_PATH_IMAGE072
，则保留弧段；否则，认为该弧段为冗余分支，将其从特征线上剔除；
S63，设置规则性阈值
Figure 598090DEST_PATH_IMAGE073
，对保留下的弧段进行规则化处理，特征线的规则性由对弧段采用Visvalingam-Whyatt算法（VW算法）获得，使弧段保持规则性。VW简化算法是经典的弧段规则化算法，若弧段上当前点与前后两个结点构成的三角形面积小于阈值/>
Figure 223106DEST_PATH_IMAGE073
，则将当前结点删除。重复该过程，直到弧段上任意相邻三点构成的三角形面积都大于阈值/>
Figure 738270DEST_PATH_IMAGE073
。
本发明的上述方案有如下的有益效果：
本发明提供的点线双域互增强建筑几何轮廓线重建方法，能够在迭代优化过程中，实现点线“双域”互增强建筑轮廓几何重建；通过点线“双域”互增强重建建筑轮廓几何，能够充分利用局部边缘信息和全局信息，一定程度上克服特征点的不确定性对建筑轮廓特征线重建的影响，重建结果提升了建筑轮廓结构线的平滑性、规则性和保真度，为实景三维建设城市建筑结构化重建提供了新方法；
本发明的其它有益效果将在随后的具体实施方式部分予以详细说明。
附图说明
图1为本发明的步骤流程图；
图2为本发明的案例流程图；图2（a）为建筑点云原始数据图；图2（b）为轮廓特征点后验概率分布图，按照点的后验概率值渲染；图2（c）为粗略轮廓特征点构建的KNN无向带权图，按照图中边的权值大小渲染；图2（d）为采用最小生成树算法生成的最大建筑最大似然轮廓特征线结果图；图2（e）为轮廓几何先验约束下获得的具有平滑性和规则性的轮廓特征线结果图；图2（f）为迭代完成后重建的建筑几何轮廓特征线和特征点结果图。
具体实施方式
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
如图1所示，本发明的实施例提供了一种点线双域互增强建筑几何轮廓线重建方法，以某建筑点云数据为例说明，在此案例中，利用本方法同步实现建筑几何轮廓特征线和轮廓特征点的“双域”重建。如图1所示，该方法具体包括如下步骤：
S1：获取建筑物三维点云数据。
在本实施例中，建筑物三维点云数据为激光雷达扫描设备采集到的建筑点云三维坐标。该数据来源于开源数据集Sematic3D，数据信息包括点的三维坐标，如图2（a）所示，建筑原始点云按照颜色RGB渲染。
S2：对S1中的三维点云数据逐点获取其局部轮廓特征向量。
在本实施例中，设点云中任一点
Figure 81527DEST_PATH_IMAGE001
的局部轮廓特征向量/>
Figure 927123DEST_PATH_IMAGE002
，局部轮廓特征向量的构建过程包括如下子步骤：
S21、逐点获取点云局部协方差矩阵特征值。
具体地，点
Figure 655914DEST_PATH_IMAGE001
的邻域点/>
Figure 358290DEST_PATH_IMAGE074
的坐标与邻域球N的几何中心的坐标相减得到3×1列向量，3×1列向量与其转置后的1×3行向量相乘得到3×3矩阵，将所有邻域点得到的3×3矩阵相加得到当前点邻域的协方差矩阵。
其中，以点
Figure 923264DEST_PATH_IMAGE001
为中心，固定半径r的邻域球N内存在n个邻域点/>
Figure 572551DEST_PATH_IMAGE004
，邻域点N的几何中心记为/>
Figure 421427DEST_PATH_IMAGE075
，则点/>
Figure 294705DEST_PATH_IMAGE001
的3×3局部协方差矩阵/>
Figure 815816DEST_PATH_IMAGE076
为：
Figure 799953DEST_PATH_IMAGE077
其中，
Figure 785227DEST_PATH_IMAGE008
。
采用奇异值分解算法计算协方差矩阵
Figure 94985DEST_PATH_IMAGE076
的三个特征值：/>
Figure 352660DEST_PATH_IMAGE009
。为了获取多尺度的邻域信息，邻域半径r分别取建筑点云数据的平均密度的1.0倍、1.5倍和2.0倍，从而获取了三组不同邻域尺度半径对应的特征值/>
Figure 343750DEST_PATH_IMAGE011
，/>
Figure 183530DEST_PATH_IMAGE078
表示每个点静态邻域尺度的计数数目。
S22，逐点计算点云强度值I。
其中I为各点的强度值，它反映以当前点为中心，固定半径的局部邻域球内点的质量，由平面变化率
Figure 664190DEST_PATH_IMAGE013
和面状特征量/>
Figure 143581DEST_PATH_IMAGE014
两个几何特征量构成。
Figure 938362DEST_PATH_IMAGE079
其中，平面变化率
Figure 632649DEST_PATH_IMAGE013
反映当前点邻域内法向量的变化情况，如果该点邻域所构成的平面越平整，则/>
Figure 471161DEST_PATH_IMAGE013
越趋向于0，如建筑物的外立面、屋顶平面等。/>
Figure 516477DEST_PATH_IMAGE013
计算公式为：
Figure 849369DEST_PATH_IMAGE080
。
面状特征量
Figure 398162DEST_PATH_IMAGE014
反映局部点云分布的均匀性，若邻域点云分布均匀，如平整的立面等，则趋向于1。反之，若邻域点云沿着线状分布，如建筑立面边界、门窗边界等，则/>
Figure 673155DEST_PATH_IMAGE014
值趋向于0。/>
Figure 940188DEST_PATH_IMAGE014
计算公式为：/>
Figure 529301DEST_PATH_IMAGE017
。
将平面变化率
Figure 667021DEST_PATH_IMAGE013
、面状特征量/>
Figure 129227DEST_PATH_IMAGE014
带入式（2）求取强度值/>
Figure 617977DEST_PATH_IMAGE081
。
S23，逐点计算点云梯度值
Figure 620568DEST_PATH_IMAGE018
。
根据梯度的定义，由点云强度值对各方向分量求一阶偏导得到。梯度值反映了点的强度值在局部邻域内的最大变化量以及最大突变方向。由于点云的强度值是离散数据，当前点的邻域某处点云强度值按照下（3）式采用反距离加权法进行计算，得到解析表达，基于强度表达计算梯度公式如下（4）、（5）式：
Figure 330904DEST_PATH_IMAGE082
Figure 495169DEST_PATH_IMAGE083
其中
Figure 674478DEST_PATH_IMAGE084
其中，
Figure 215180DEST_PATH_IMAGE085
为三维空间中某处待计算的点云强度值，/>
Figure 780023DEST_PATH_IMAGE086
为待计算点邻域内邻域点的已知强度值，/>
Figure 380768DEST_PATH_IMAGE024
采用当前点到邻域点/>
Figure 781794DEST_PATH_IMAGE025
的距离平方，/>
Figure 313138DEST_PATH_IMAGE026
为邻域球/>
Figure 811116DEST_PATH_IMAGE027
内的点数。
S24，逐点获取点云梯度结构张量特征值
Figure 254866DEST_PATH_IMAGE003
。
其中，
Figure 471084DEST_PATH_IMAGE028
、/>
Figure 540540DEST_PATH_IMAGE087
和/>
Figure 893024DEST_PATH_IMAGE030
是梯度结构张量/>
Figure 507676DEST_PATH_IMAGE031
的三个特征值，它反映了点强度值在邻域内的总体变化特征。按照在三维点云空间中，某点在邻域球N内的梯度变化
Figure 945611DEST_PATH_IMAGE032
由不同方向/>
Figure 818758DEST_PATH_IMAGE033
的微小变化量计算，并按照泰勒公式展开为公式（6）：
Figure 25748DEST_PATH_IMAGE088
式中，3×3矩阵
Figure 76881DEST_PATH_IMAGE031
为：
Figure 2111DEST_PATH_IMAGE089
其中，n为邻域球N内的点数，第i个邻域点的梯度分量分别为
Figure 413370DEST_PATH_IMAGE036
，矩阵/>
Figure 740446DEST_PATH_IMAGE031
表示点/>
Figure 696901DEST_PATH_IMAGE039
及其邻域球N范围内梯度的分布情况，其特征值
Figure 561958DEST_PATH_IMAGE038
反映了点/>
Figure 58798DEST_PATH_IMAGE039
强度值在三个特征向量方向梯度的变化情况。
S3：在S2构建的局部轮廓特征向量和建筑轮廓特征线的双重约束下，迭代更新原始点云各点的轮廓特征点后验概率。
具体来说，在S2获得的局部轮廓特征向量
Figure 709222DEST_PATH_IMAGE040
和轮廓特征线的双重约束下，逐点计算各点的轮廓特征点后验概率/>
Figure 164474DEST_PATH_IMAGE041
，/>
Figure 251248DEST_PATH_IMAGE042
为二值标签变量，若该点为轮廓特征点则/>
Figure 817358DEST_PATH_IMAGE042
为1，反之/>
Figure 853448DEST_PATH_IMAGE042
为0。该后验概率由两部分组成：（1）点/>
Figure 417284DEST_PATH_IMAGE001
在局部轮廓特征向量/>
Figure 725775DEST_PATH_IMAGE040
约束下为轮廓语义特征点的概率，即/>
Figure 95576DEST_PATH_IMAGE043
；（2）点/>
Figure 251751DEST_PATH_IMAGE001
与轮廓语义特征线/>
Figure 986489DEST_PATH_IMAGE044
的邻近度/>
Figure 782275DEST_PATH_IMAGE045
。轮廓特征点后验概率/>
Figure 690188DEST_PATH_IMAGE041
计算公式为：
Figure 700870DEST_PATH_IMAGE090
其中，
Figure 606509DEST_PATH_IMAGE047
为权重系数，建议取值为0.4~0.6。
在本实施例中，对于点云局部轮廓特征向量
Figure 889592DEST_PATH_IMAGE040
约束下为轮廓语义特征点的概率/>
Figure 601196DEST_PATH_IMAGE043
，采用高斯混合模型法（GMM）对原始点进行二分类，并计算其从属类别的概率。具体地，将所有点的局部特征向量/>
Figure 669646DEST_PATH_IMAGE048
作为输入数据，基于高斯混合模型法（GMM）计算特征点集/>
Figure 808503DEST_PATH_IMAGE091
与非特征点集/>
Figure 313303DEST_PATH_IMAGE092
，在高维特征空间中两个高斯模型的参数/>
Figure 828598DEST_PATH_IMAGE051
和/>
Figure 751554DEST_PATH_IMAGE052
，从而得到任意一点/>
Figure 61313DEST_PATH_IMAGE001
属于各类别的概率，即：
Figure 53408DEST_PATH_IMAGE093
而对于点
Figure 106815DEST_PATH_IMAGE001
与轮廓语义特征线/>
Figure 353120DEST_PATH_IMAGE044
的邻近度/>
Figure 551889DEST_PATH_IMAGE045
，即点/>
Figure 578751DEST_PATH_IMAGE001
到轮廓语义特征线的最短距离，计算公式为：
Figure 639111DEST_PATH_IMAGE094
需要说明的是，初次迭代时，由于尚未生成轮廓特征线，轮廓特征点后验概率仅在建筑点云局部轮廓特征向量
Figure 598976DEST_PATH_IMAGE040
的约束下计算。将原始点云中各点的五维局部轮廓特征向量/>
Figure 437488DEST_PATH_IMAGE040
作为输入数据，采用高斯混合模型（GMM）法对轮廓特征点和非轮廓特征点进行二分类，并获得各个点属于轮廓特征点集/>
Figure 217225DEST_PATH_IMAGE091
和非轮廓特征点/>
Figure 612435DEST_PATH_IMAGE092
的概率/>
Figure 364490DEST_PATH_IMAGE043
。
非初次迭代时，在上一次迭代生成的轮廓特征线
Figure 373903DEST_PATH_IMAGE044
和建筑点云局部轮廓特征向量/>
Figure 640936DEST_PATH_IMAGE040
的共同约束下计算轮廓特征点后验概率。该后验概率由两部分组成：（1）点/>
Figure 777520DEST_PATH_IMAGE001
在局部轮廓特征向量/>
Figure 446398DEST_PATH_IMAGE040
约束下为轮廓语义特征点的概率，即/>
Figure 626713DEST_PATH_IMAGE043
，已由公式（8）计算获得；（2）点/>
Figure 381042DEST_PATH_IMAGE001
与轮廓语义特征线/>
Figure 321316DEST_PATH_IMAGE044
的邻近度/>
Figure 844702DEST_PATH_IMAGE045
，故轮廓特征点后验概率由式（9）获得。
轮廓特征点后验概率计算结果图如图2（b）所示，在轮廓上的点概率较大，颜色较深；在平面区域的点其轮廓特征点后验概率较小，颜色较浅。
S4：根据S3的轮廓特征点后验概率筛选出粗略轮廓特征点集，构建粗略轮廓特征点的无向带权KNN图，并为图中每一条边赋权值。具体包括如下子步骤：
S41，根据轮廓特征点后验概率值设置阈值，过滤掉那些不可能为轮廓特征点的原始点，概率阈值取值一般在0.6~0.8，可得到粗略轮廓特征点集。
S42，构建粗略轮廓特征点的KNN图
Figure 195917DEST_PATH_IMAGE095
，设粗略轮廓特征点集中存在/>
Figure 375226DEST_PATH_IMAGE096
个点，逐点将其与近邻的K个邻域点连接形成/>
Figure 915929DEST_PATH_IMAGE057
条边，每一条边/>
Figure 480771DEST_PATH_IMAGE058
的权值计算公式为：
Figure 81517DEST_PATH_IMAGE097
其中，
Figure 544859DEST_PATH_IMAGE061
和/>
Figure 826936DEST_PATH_IMAGE062
分别为S3获得的两个轮廓特征点后验概率，分别简记为/>
Figure 246285DEST_PATH_IMAGE063
和/>
Figure 17932DEST_PATH_IMAGE064
；式中，/>
Figure 640674DEST_PATH_IMAGE065
为两个点/>
Figure 241289DEST_PATH_IMAGE001
和/>
Figure 328193DEST_PATH_IMAGE066
连接成的边/>
Figure 739583DEST_PATH_IMAGE058
是轮廓特征线的概率，它是关于/>
Figure 911938DEST_PATH_IMAGE063
和/>
Figure 808523DEST_PATH_IMAGE064
的函数，计算公式为：
Figure 15513DEST_PATH_IMAGE098
其中，
Figure 128963DEST_PATH_IMAGE068
为点/>
Figure 991877DEST_PATH_IMAGE001
和点/>
Figure 403135DEST_PATH_IMAGE066
的欧氏距离；当/>
Figure 730211DEST_PATH_IMAGE063
等于/>
Figure 748983DEST_PATH_IMAGE064
时，式（11）分母为0，取/>
Figure 99193DEST_PATH_IMAGE069
来处理这种特殊情况。
粗略轮廓特征点构建的无向带权KNN图结果如图2（c）所示，图中边的颜色按照权值大小渲染。
S5：从S4构建的KNN图中搜索权值之和最小连通子图，借助最小生成树算法（MST）得到建筑最大似然轮廓特征线，重建建筑几何轮廓线。其中，最小生成树构建的建筑最大似然轮廓特征线结果如图2（d）所示，图中为轮廓特征点和轮廓特征线的叠加图。
S6：对S5生成的建筑最大似然轮廓特征线，进行轮廓几何先验约束，获得具有平滑性和规则性的几何轮廓特征线。需要说明的是，平滑性是指特征线保持连贯，且特征线上没有冗余分支；规则性是指建筑轮廓特征线的曲率应当较小。S6具体包括如下子步骤：
S61，从图论的角度，S5生成的建筑最大似然轮廓结构本质上是树结构，对树结构拆分成一系列弧段，任一弧段
Figure 314142DEST_PATH_IMAGE099
由树结构中的一系列边/>
Figure 495725DEST_PATH_IMAGE058
连接而成。
S62，剔除冗余分支，设置平滑性长度阈值
Figure 888660DEST_PATH_IMAGE072
，/>
Figure 522904DEST_PATH_IMAGE072
取值在30~60之间。若弧段上边
Figure 275965DEST_PATH_IMAGE058
的数量大于/>
Figure 577634DEST_PATH_IMAGE072
，则保留弧段；否则，认为该弧段为冗余分支，将其从特征线上剔除。
S63，设置规则性阈值
Figure 141470DEST_PATH_IMAGE073
，/>
Figure 263010DEST_PATH_IMAGE073
取值在0.005~0.1之间，对保留下的弧段进行规则化处理，特征线的规则性由对弧段进行VW算法获得，使弧段保持规则性。
几何约束后的轮廓特征线结果图如图2（e）所示。图中线为轮廓特征线，点为轮廓特征点。
S7：重复S3至S6，实现由初始轮廓特征点连接生成轮廓特征线，并在上一次迭代生成的轮廓特征线约束下再次更新轮廓特征点后验概率，从而更新轮廓特征点，点线“双域”相互约束，互为增强，在迭代优化中渐进式逼近建筑结构轮廓。
迭代完成后的建筑几何轮廓特征线和特征点结果图如图2（f）所示。图中线为轮廓特征线，点为轮廓特征点。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种点线双域互增强建筑几何轮廓线重建方法，其特征在于，包括如下步骤：
S1，获取建筑物三维点云数据；
S2，对三维点云数据逐点获取局部轮廓特征向量；
S3，在构建的局部轮廓特征向量和建筑轮廓特征线的双重约束下，迭代更新原始点云各点的轮廓特征点后验概率；
S4，根据轮廓特征点后验概率筛选出粗略轮廓特征点集，构建粗略轮廓特征点的无向带权KNN图，并为图中每一条边赋权值；
S5，从构建的KNN图中搜索权值之和最小连通子图，借助最小生成树算法得到建筑最大似然轮廓特征线，重建建筑几何轮廓线；
S6，对生成的建筑最大似然轮廓特征线，进行轮廓几何先验约束，获得具有平滑性和规则性的几何轮廓特征线；
S7，重复S3至S6，实现由初始轮廓特征点连接生成轮廓特征线，并在上一次迭代生成的轮廓特征线约束下再次更新轮廓特征点后验概率，从而更新轮廓特征点，在迭代优化中渐进式逼近建筑结构轮廓。
2.根据权利要求1所述的一种点线双域互增强建筑几何轮廓线重建方法，其特征在于，S1中建筑物三维点云数据为激光雷达扫描设备采集到的建筑点云三维坐标。
3.根据权利要求1所述的一种点线双域互增强建筑几何轮廓线重建方法，其特征在于，S2中三维点云数据中任一点
Figure DEST_PATH_IMAGE001
的局部轮廓特征向量
Figure 848961DEST_PATH_IMAGE002
，局部轮廓特征向量的构建过程包括如下子步骤：
S21、逐点获取点云局部协方差矩阵特征值；
S22，逐点计算点云强度值I；
S23，逐点计算点云梯度值
Figure DEST_PATH_IMAGE003
；
S24，逐点获取点云梯度结构张量特征值
Figure 952046DEST_PATH_IMAGE004
。
4.根据权利要求3所述的一种点线双域互增强建筑几何轮廓线重建方法，其特征在于，S21中以点
Figure 111632DEST_PATH_IMAGE001
为中心，固定半径r的邻域球N内存在n个邻域点
Figure DEST_PATH_IMAGE005
，邻域点N的几何中心记为
Figure DEST_PATH_IMAGE007
，则点
Figure 210038DEST_PATH_IMAGE001
的3×3局部协方差矩阵
Figure DEST_PATH_IMAGE009
为：
Figure DEST_PATH_IMAGE011
其中，
Figure 134394DEST_PATH_IMAGE012
；
采用奇异值分解算法计算协方差矩阵
Figure 114988DEST_PATH_IMAGE014
的三个特征值：
Figure DEST_PATH_IMAGE015
；为了获取多尺度的邻域信息，邻域半径r分别取建筑点云数据的平均密度的
Figure 688052DEST_PATH_IMAGE016
种比例值，从而获取了
Figure 172123DEST_PATH_IMAGE016
种不同邻域尺度半径对应的特征值
Figure DEST_PATH_IMAGE017
，
Figure 297074DEST_PATH_IMAGE018
表示每个点静态邻域尺度的计数数目；
S22中I由平面变化率
Figure DEST_PATH_IMAGE019
和面状特征量
Figure 109172DEST_PATH_IMAGE020
两个几何特征量构成：
Figure 374675DEST_PATH_IMAGE022
其中，平面变化率
Figure 119777DEST_PATH_IMAGE019
反映当前点邻域内法向量的变化情况，
Figure 681208DEST_PATH_IMAGE019
计算公式为：
Figure DEST_PATH_IMAGE023
；
面状特征量
Figure 980603DEST_PATH_IMAGE020
反映局部点云分布的均匀性，
Figure 551261DEST_PATH_IMAGE020
计算公式为：
Figure 885291DEST_PATH_IMAGE024
；
S23中梯度值
Figure 617623DEST_PATH_IMAGE003
反映了点的强度值在局部邻域内的最大变化量以及最大突变方向；当前点的邻域某处点云强度值按照下（3）式采用反距离加权法进行计算，得到解析表达，基于强度表达计算梯度公式如下（4）、（5）式：
Figure 935472DEST_PATH_IMAGE026
Figure 654029DEST_PATH_IMAGE028
其中
Figure 999822DEST_PATH_IMAGE030
Figure 778422DEST_PATH_IMAGE032
其中，
Figure DEST_PATH_IMAGE033
为三维空间中某处待计算的点云强度值，
Figure 911464DEST_PATH_IMAGE034
为待计算点邻域内邻域点的已知强度值，
Figure DEST_PATH_IMAGE035
采用当前点到邻域点
Figure 292766DEST_PATH_IMAGE036
的距离平方，
Figure DEST_PATH_IMAGE037
为邻域球
Figure 460442DEST_PATH_IMAGE038
内的点数；
S24中
Figure DEST_PATH_IMAGE039
、
Figure 144365DEST_PATH_IMAGE040
和
Figure DEST_PATH_IMAGE041
是梯度结构张量
Figure 997658DEST_PATH_IMAGE042
的三个特征值；按照在三维点云空间中，某点在邻域球N内的梯度变化
Figure DEST_PATH_IMAGE043
由不同方向
Figure 182652DEST_PATH_IMAGE044
的微小变化量计算，并按照泰勒公式展开为公式（6）：
Figure 611359DEST_PATH_IMAGE046
式中，3×3矩阵
Figure 856395DEST_PATH_IMAGE042
为：
Figure 636133DEST_PATH_IMAGE048
其中，n为邻域球N内的点数，第i个邻域点的梯度分量分别为
Figure DEST_PATH_IMAGE049
，矩阵
Figure 93659DEST_PATH_IMAGE042
表示点
Figure 376872DEST_PATH_IMAGE050
及其邻域球N范围内梯度的分布情况，其特征值
Figure DEST_PATH_IMAGE051
反映了点
Figure 28696DEST_PATH_IMAGE050
强度值在三个特征向量方向梯度的变化情况。
5.根据权利要求4所述的一种点线双域互增强建筑几何轮廓线重建方法，其特征在于，S3中在局部轮廓特征向量
Figure 154784DEST_PATH_IMAGE052
和轮廓特征线的双重约束下，逐点计算各点的轮廓特征点后验概率
Figure DEST_PATH_IMAGE053
，
Figure 416001DEST_PATH_IMAGE054
为二值标签变量，若该点为轮廓特征点则
Figure 553721DEST_PATH_IMAGE054
为1，反之
Figure 281506DEST_PATH_IMAGE054
为0；
轮廓特征点后验概率包括：点
Figure 894890DEST_PATH_IMAGE001
在局部轮廓特征向量
Figure 100743DEST_PATH_IMAGE052
约束下为轮廓语义特征点的概率，即
Figure DEST_PATH_IMAGE055
；点
Figure 184980DEST_PATH_IMAGE001
与轮廓语义特征线
Figure 349245DEST_PATH_IMAGE056
的邻近度
Figure DEST_PATH_IMAGE057
，轮廓特征点后验概率
Figure 653188DEST_PATH_IMAGE053
计算公式为：
Figure DEST_PATH_IMAGE059
其中，
Figure 521787DEST_PATH_IMAGE060
为权重系数。
6.根据权利要求5所述的一种点线双域互增强建筑几何轮廓线重建方法，其特征在于，
Figure 634099DEST_PATH_IMAGE060
的取值范围为0.4~0.6。
7.根据权利要求5所述的一种点线双域互增强建筑几何轮廓线重建方法，其特征在于，对于点云局部轮廓特征向量
Figure 828320DEST_PATH_IMAGE052
约束下为轮廓语义特征点的概率
Figure 26083DEST_PATH_IMAGE055
，将所有点的局部特征向量
Figure DEST_PATH_IMAGE061
作为输入数据，基于高斯混合模型法计算特征点集
Figure 934259DEST_PATH_IMAGE062
与非特征点集
Figure DEST_PATH_IMAGE063
，在高维特征空间中两个高斯模型的参数
Figure 760132DEST_PATH_IMAGE064
和
Figure DEST_PATH_IMAGE065
，从而得到任意一点
Figure 328517DEST_PATH_IMAGE001
属于各类别的概率，即：
Figure DEST_PATH_IMAGE067
对于点
Figure 747997DEST_PATH_IMAGE001
与轮廓语义特征线
Figure 223978DEST_PATH_IMAGE056
的邻近度
Figure 310882DEST_PATH_IMAGE057
，即点
Figure 345441DEST_PATH_IMAGE001
到轮廓语义特征线的最短距离，计算公式为：
Figure DEST_PATH_IMAGE069
。
8.根据权利要求7所述的一种点线双域互增强建筑几何轮廓线重建方法，其特征在于，S4具体包括如下子步骤：
S41，根据轮廓特征点后验概率值设置概率阈值，过滤掉那些不可能为轮廓特征点的原始点，得到粗略轮廓特征点集；
S42，构建粗略轮廓特征点的KNN图
Figure DEST_PATH_IMAGE071
，设粗略轮廓特征点集中存在
Figure 580113DEST_PATH_IMAGE072
个点，逐点将其与近邻的K个邻域点连接形成
Figure DEST_PATH_IMAGE073
条边，每一条边
Figure 328626DEST_PATH_IMAGE074
的权值计算公式为：
Figure 597934DEST_PATH_IMAGE076
其中，
Figure DEST_PATH_IMAGE077
和
Figure 275165DEST_PATH_IMAGE078
分别为S3获得的两个轮廓特征点后验概率，分别简记为
Figure DEST_PATH_IMAGE079
和
Figure 403658DEST_PATH_IMAGE080
；式中，
Figure DEST_PATH_IMAGE081
为两个点
Figure 955862DEST_PATH_IMAGE001
和
Figure 876414DEST_PATH_IMAGE082
连接成的边
Figure 629606DEST_PATH_IMAGE074
是轮廓特征线的概率，它是关于
Figure 776553DEST_PATH_IMAGE079
和
Figure 132448DEST_PATH_IMAGE080
的函数，计算公式为：
Figure 48452DEST_PATH_IMAGE084
其中，
Figure DEST_PATH_IMAGE085
为点
Figure 87994DEST_PATH_IMAGE001
和点
Figure 722237DEST_PATH_IMAGE082
的欧氏距离；当
Figure 881823DEST_PATH_IMAGE079
等于
Figure 652333DEST_PATH_IMAGE080
时，式（11）分母为0，取
Figure 871962DEST_PATH_IMAGE086
来处理这种特殊情况。
9.根据权利要求8所述的一种点线双域互增强建筑几何轮廓线重建方法，其特征在于，概率阈值的取值范围为0.6~0.8。
10.根据权利要求8所述的一种点线双域互增强建筑几何轮廓线重建方法，其特征在于，S6具体包括如下子步骤：
S61，将建筑最大似然轮廓特征线拆分成一系列弧段，任一弧段
Figure DEST_PATH_IMAGE087
由树结构中的一系列边
Figure 462343DEST_PATH_IMAGE074
连接而成；
S62，剔除冗余分支，设置平滑性长度阈值
Figure 160041DEST_PATH_IMAGE088
；若弧段上边
Figure 785057DEST_PATH_IMAGE074
的数量大于
Figure 942631DEST_PATH_IMAGE088
，则保留弧段；否则，认为该弧段为冗余分支，将其从特征线上剔除；
S63，设置规则性阈值
Figure DEST_PATH_IMAGE089
，对保留下的弧段进行规则化处理，特征线的规则性由对弧段进行Visvalingam-Whyatt算法获得，使弧段保持规则性。
CN202211535592.8A 2022-12-02 2022-12-02 一种点线双域互增强建筑几何轮廓线重建方法 Active CN115546421B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211535592.8A CN115546421B (zh) 2022-12-02 2022-12-02 一种点线双域互增强建筑几何轮廓线重建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211535592.8A CN115546421B (zh) 2022-12-02 2022-12-02 一种点线双域互增强建筑几何轮廓线重建方法

Publications (2)

Publication Number Publication Date
CN115546421A CN115546421A (zh) 2022-12-30
CN115546421B true CN115546421B (zh) 2023-03-24

Family

ID=84722217

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211535592.8A Active CN115546421B (zh) 2022-12-02 2022-12-02 一种点线双域互增强建筑几何轮廓线重建方法

Country Status (1)

Country Link
CN (1) CN115546421B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104484668A (zh) * 2015-01-19 2015-04-01 武汉大学 一种无人机多重叠遥感影像的建筑物轮廓线提取方法
CN109949326A (zh) * 2019-03-21 2019-06-28 苏州工业园区测绘地理信息有限公司 基于背包式三维激光点云数据的建筑物轮廓线提取方法
CN115393542A (zh) * 2022-07-13 2022-11-25 南京林业大学 一种广义建筑三维几何重建方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103714541B (zh) * 2013-12-24 2015-07-08 华中科技大学 一种利用山体轮廓区域约束识别定位建筑物的方法
US20200027266A1 (en) * 2018-07-17 2020-01-23 Uti Limited Partnership Building contour generation from point clouds

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104484668A (zh) * 2015-01-19 2015-04-01 武汉大学 一种无人机多重叠遥感影像的建筑物轮廓线提取方法
CN109949326A (zh) * 2019-03-21 2019-06-28 苏州工业园区测绘地理信息有限公司 基于背包式三维激光点云数据的建筑物轮廓线提取方法
CN115393542A (zh) * 2022-07-13 2022-11-25 南京林业大学 一种广义建筑三维几何重建方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Interactive Urban Context-Aware Visualization via Multiple Disocclusion Operators;Hao Deng等;《IEEE Transactions on Visualization and Computer Graphics》;20150818;全文 *
基于LiDAR点云的建筑物边界提取及规则化;赵小阳等;《地理空间信息》;20160721(第07期);全文 *

Also Published As

Publication number Publication date
CN115546421A (zh) 2022-12-30

Similar Documents

Publication Publication Date Title
CN108038906B (zh) 一种基于图像的三维四边形网格模型重建方法
CN112257597B (zh) 一种点云数据的语义分割方法
CN110992473B (zh) 一种基于车载激光扫描点云的树木枝干建模方法及系统
CN108171780A (zh) 一种基于激光雷达构建室内真实三维地图的方法
CN109446691B (zh) 基于激光点云与空气动力学的活立木抗风性能分析方法
CN109741268B (zh) 一种针对壁画的破损图像补全方法
CN110163974A (zh) 一种基于无向图学习模型的单图像面片重建方法
KR20080012954A (ko) 정보 처리 장치 및 정보 처리 방법, 화상 처리 장치 및화상 처리 방법, 및 컴퓨터 프로그램
CN111340723B (zh) 一种地形自适应的机载LiDAR点云正则化薄板样条插值滤波方法
CN103310481A (zh) 一种基于模糊熵迭代的点云精简方法
CN115222625A (zh) 一种基于多尺度噪声的激光雷达点云去噪方法
CN112017288A (zh) 一种基于地形图数据的dem综合与简化方法
Papagiannopoulos et al. How to teach neural networks to mesh: Application on 2-D simplicial contours
CN111028335A (zh) 一种基于深度学习的点云数据的分块面片重建方法
CN108230452B (zh) 一种基于纹理合成的模型补洞方法
CN112241676A (zh) 一种地形杂物自动识别的方法
CN111583408A (zh) 基于手绘草图的人体三维建模系统
CN113971718A (zh) 一种对三维点云模型进行布尔运算的方法
CN115546421B (zh) 一种点线双域互增强建筑几何轮廓线重建方法
CN112257202A (zh) 多内孔零件的基于神经网络的二维结构网格自动分解方法
CN117274517A (zh) 基于三维模型的城市建筑物轻量化体框模型的生成方法
CN110955809A (zh) 一种支持拓扑结构保持的高维数据可视化方法
CN115512077A (zh) 一种基于多层动态特征点云的隐式三维场景表征方法
CN116310244A (zh) 一种基于轮廓特征的陶瓷碎片三维智能拼接方法
CN111986223B (zh) 一种基于能量函数的室外点云场景中树木提取方法

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