CN115861571B - 语义感知的三角网模型建筑物实体重建方法 - Google Patents
语义感知的三角网模型建筑物实体重建方法 Download PDFInfo
- Publication number
- CN115861571B CN115861571B CN202310060488.6A CN202310060488A CN115861571B CN 115861571 B CN115861571 B CN 115861571B CN 202310060488 A CN202310060488 A CN 202310060488A CN 115861571 B CN115861571 B CN 115861571B
- Authority
- CN
- China
- Prior art keywords
- building
- polyhedron
- plane
- points
- semantic
- 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
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种语义感知的三角网模型建筑物实体重建方法，该方法包括：步骤1、准备输入数据，即具有语义信息的建筑物三角网模型；步骤2、根据三角网模型的平面连通性提取建筑物主体平面特征；步骤3、在主体平面的基础上自适应地构建凸多面体嵌入的空间划分；步骤4、结合语义知识和三角网的法线信息对所有凸多面体构建二标签选择的能量函数，基于图割最优化算法求解凸多面体标签的最优解；步骤5、介于二标签分界的凸多面体的面为最终输出的建筑物表面模型。本发明解决了建筑物主体结构与其周围环境在三角网中表达无区分导致结构化困难和复杂场景算法复杂度高的问题，适用于有严重遮挡、语义模糊或错误等复杂场景的实体重建。
Description
技术领域
本发明属于计算机视觉三维重建技术领域，尤其涉及一种语义感知的三角网模型建筑物实体重建技术。
背景技术
实景三维模型是构建数字孪生城市，实现实景三维中国建设的重要数据基础，在城市管理、环境分析和娱乐等领域应用广泛。建筑物作为城市场景主要的组成部分，受到数据成本、语义提取精度、初始模型质量等因素限制，如何从语义信息不准确或有误差的原始数据中权衡模型精度与模型完整度是自动化重建高精度的实体三维模型的关键因素。
根据人造建筑的平面特征直观地建模思想是用平面拟合原始数据，并尽可能捕捉它们之间的关系或进一步推断潜在关系。现有的技术主要有三类：基于平面正则化的方法主要通过先验假设或者预先定义的规则来规范基元之间的关系；基于基元组装的方法通过提取几何基元并寻找基元间的拓扑关系，并通过推测探寻潜在关系；边界表示建模的本质是准确提取建筑屋顶和内部结构线，并根据正确的拓扑结构对其进行组织和优化。目前的建模方法对噪声不敏感，可恢复缺失结构完成高精度重建。但真实数据中往往存在几何和语义模糊，最严重的情况导致建筑物和周围环境之间粘连而无法分离，最终从场景中提取出的单个建筑物存在孔洞或混杂其他建筑物之外的部分。
发明内容
本发明要解决的技术问题在于针对现有技术从不同对象之间相互粘连的数据中难以摆脱周围环境干扰完成独立重建的问题，提供一种语义感知的三角网模型建筑物实体重建方法。本发明中采用的考虑立面轮廓的自适应空间划分的策略尽可能地恢复和保留被遮挡或缺失的平面，并充分利用语义信息保证建筑物从粘连的周围环境中独立重建。
与现有方法相比，本发明能从受遮挡或语义提取精度较低的数据中恢复缺失结构并去除非建筑物部分完成独立的实体重建。因此，该方法具有重要的使用价值和广泛的应用前景。
本发明解决其技术问题所采用的技术方案是：
本发明提供一种语义感知的三角网模型建筑物实体重建方法，该方法包括以下步骤：
步骤1、具有语义信息的建筑物三角网模型准备，并计算三角网的法线；
步骤2、根据三角网模型的平面连通性从建筑物加密三角网中提取初始严格的主体平面候选集，即初始基元；
步骤3、将初始基元投影到二维空间得到二维轮廓分割线，通过将二维轮廓分割线沿着中点到两个端点的向量分别匀速延长直到彼此相交，自适应地完成二维空间的多边形划分，进一步根据非立面扩展为凸多面体嵌入的空间划分；
步骤4、通过对属于各个凸多面体的面片的语义类别和内点的法线朝向进行统计分析，对所有凸多面体构建二标签选择的能量函数，基于图割优化算法计算凸多面体标签的最优解；
步骤5、收集介于不同标签的凸多面体的公共面，输出最终建筑物单体的表面模型。
进一步地，本发明的步骤2中，初始基元提取的具体方法为：
步骤2.1、采用QTPS算法从建筑物单体三角网加密点云中提取初始平面特征集；
步骤2.2、收集与每个平面的内点具备
n-环邻接关系（一般选取1-环邻域）的三角网面片构成初始平面支撑域，定义平面的严格性概率测度找到每个平面有效的面片子集，根据对立推理理论计算每个平面支撑域的最优平面子集及其平面方程，作为后续面片聚类的种子点；
步骤2.3、采用迭代渐进区域增长的方式将未标记的面片聚类至已有最优平面基元之中，当所有面片均被划归至已有平面基元中时，即为建筑物主体平面候选集，聚类规则如下：
式中为当前面片，为当前面片的相邻未标记的面片，是对应的超体素的平面方程，
θ是区域增长角度阈值，范围从
θ min 逐渐增加至
π。
进一步地，本发明的步骤3中，凸多面体嵌入的空间划分具体方法如下：
步骤3.1、将建筑物主体平面候选集投影到二维空间，通过线分割检测算法粗略地近似二维投影的轮廓获取线分割集合；
步骤3.2、将线分割初始化为图G=(V,E)，其中V是图的顶点，由线分割的中点表示，E是顶点之间的线段，即边；
步骤3.3、初始图中的点（线段的中点）沿线段的两个端点以均匀的速度向外延伸，经过时间
t彼此碰撞产生新的顶点和边更新到动态平面图中，当由中点到线段端点组成的射线向外延伸与别的线段碰撞的次数大于规定的阈值（常取次数阈值为2）时停止更新，完成平面分区的生成；
步骤3.4、根据原始数据的高程值将平面分区中的多边形拉伸以生成凸多面体集，非立面的主体平面进一步裁剪有相交关系的多面体，得到完整的凸多面体嵌入的空间划分。
进一步地，本发明的步骤4中，能量函数的构造及求解的具体方法如下：
步骤4.1、初始化每个凸多面体的标签；根据欧几里得距离统计属于凸多面体的内点，若法线朝向体外的内点数大于朝向体内的内点数，给予多面体
i标签，否则；
步骤4.2、计算能量函数数据项，数据项由以下函数表达：
式中C是凸多面体集，|
I|为原始三角网顶点总数的两倍，
I为多面体
i所有面的内点，是与语义信息相关的投票函数，用于测试建筑物类别内点的法线方向是否与多面体的标签一致；
步骤4.3、计算能量函数平滑项，表达式为：
式中
A为所有面片的面积之和，
i~j表示相邻多面体
i和
j，为相邻多面体公共面的面积之和，指示函数，当多面体
i和
j的标签不同时，值为1，否则为0；
步骤4.4、根据数据项和平滑项构建能量函数，基于图割算法优化求解，能量函数表达式如下：
式中
E class_data 是能量函数数据项，
E class_area 表示能量函数平滑项，
λ是平衡数据项和平滑项的参数，介于0和1之间。
进一步地，本发明的步骤4.2中，计算能量函数数据项的具体方法如下：
步骤4.2.1、通过对各个凸多面体中，建筑类面片占所有面片的比率、建筑物类别的顶点占原始三角网所含顶点的比率以及占同一个凸多面体中所有顶点的比率的统计分析，将每个凸多面体划分至三个不同的域中，包括和谐域、矛盾域和其他，若以上指标处于一定的阈值范围内，且满足以下公式，属于和谐域：
式中
d |
in-
out|表示每个多面体中法线朝向的内点个数的差值，
max P {
in,out}为多面体
P中内点法线朝向更多的标签，每个多面体
P包含的内点数
n P 不得少于一定数量
n，通常网格数据的单元为三角网，含有3个顶点，
n通常取3；
步骤4.2.2、第一种情况，若标记建筑类面片占所有面片的比率大于第一阈值即，一般考虑阈值取0.8，建筑物类的点数在原始网格顶点中占比极少即，第二阈值可取0.05；第二种情况是建筑物类的点数在原始网格顶点中占比大于一定阈值即(取值同上)，在多面体的内点中占比（值取0.3），表示第三阈值，涉及的阈值根据试验得出，满足这两种情况中的一种均属于矛盾域；其余情况不包括在和谐域和矛盾域中的范围属于其他；
步骤4.2.3、每个域中的投票函数定义如下：
式中，，分别是指和谐域、矛盾域和其他；式中
C i 表示第个多面体，
p为多面体
i各个面上的内点，
l i 为多面体
i的标签，
ratio p B _all 表示多面体
i中建筑物类内点的数量占原始网格顶点的比率，其中
d i (
p,
l i )的定义如下：
式中为内点
p的法向量，为内点
p指向多面体
i的中心形成的向量，为指示函数，表示括号内条件满足时为1，否则为0。
进一步地，本发明的步骤5中，最终模型表面选择的具体生成方法为：
步骤5.1、收集多面体的邻接关系；
步骤5.2、找到介于具有不同标签的相邻多面体的公共面，即为最终模型表面。
进一步地，本发明的建筑物三角网模型数据需满足：1)原始三角网数据经过分类后具备语义信息；2)计算原始三角网模型的法线信息。
本发明产生的有益效果是：
1）本发明将语义信息融合到建筑物重建的优化机制中，可以从建筑物和周围环境相互粘连而无法分离的复杂场景中重建建筑物单体并恢复被遮挡的结构，同时去除周围环境，满足目前对单体对象编辑等应用的需求。
2）将基于对立推理理论的点云分割扩展到网格的平面分割中，以从高噪声和不均匀网格中准确、鲁棒地获得高精度的网格聚类，同时提高平面参数的准确度；
3）通过构建基于立面轮廓的2.5D空间划分作为最终模型的候选集，相对于直接三维空间的划分更容易捕获并恢复由于遮挡或数据稀疏而缺失或未检测到的结构。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1：本发明实施例的流程图。
具体实施方式
以下根据附图和实施例对本发明的具体技术方案进行进一步说明。
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
为了解决实际数据中不同对象相互粘连导致基元无法正确检测，最终建筑物单体的重建模型结构缺失或错误的问题，以下结合附图和实施例对本发明技术方案进行具体说明。
如图1所示，本发明实施例的语义感知的三角网模型建筑物实体重建方法，包括以下步骤：
步骤1、数据准备。本方法需要具有语义信息的建筑物三角网模型，并计算三角网的法线；
步骤2、从建筑物加密三角网中提取初始严格的主体平面候选集，即初始基元，具体方法如下；
步骤2.1、采用QTPS算法从建筑物单体三角网加密点云中提取初始平面特征集，其中QTPS算法出自Zhu et al.( Zhu, X., Liu, X., Zhang, Y., et al. Robust 3-Dplane segmentation from airborne point clouds based on quasi-a-contrariotheory [J]. IEEE Journal of Selected Topics in Applied Earth Observations andRemote Sensing, 2021,14: 7133–7147)提出的基于对立推理理论的航空点云三维平面分割方法；
步骤2.2、收集与每个平面的内点具备
n-环邻接关系（一般地选取1-环邻域）的三角网面片构成初始平面支撑域，定义平面的严格性概率测度找到每个平面有效的面片子集，根据对立推理理论计算每个平面支撑域的最优平面子集及其平面方程，作为后续面片聚类的种子点；
步骤2.3、采用迭代渐进区域增长的方式将未标记的面片聚类至已有最优平面基元之中，当所有面片均被划归至已有平面基元中时，即为建筑物主体平面候选集，聚类规则如下：
式中为当前面片，为当前面片的相邻未标记的面片，是对应的超体素的平面方程，
θ是区域增长角度阈值。范围从
θ min 逐渐增加至
π。
步骤3、凸多面体嵌入的空间划分构建方法如下：
步骤3.1、将建筑物主体平面候选集投影到二维空间，通过线分割检测算法粗略地近似二维投影的轮廓获取线分割集合；
步骤3.2、将线分割初始化为图G=(V,E)，其中V是图的顶点，由线分割的中点表示，E是顶点之间的线段，即边；
步骤3.3、初始图中的点（线段的中点）沿线段的两个端点以均匀的速度向外延伸，经过时间
t彼此碰撞产生新的顶点和边更新到动态平面图中，当由中点到线段端点组成的射线向外延伸与别的线段碰撞的次数大于规定的阈值（常取次数阈值为2）时停止更新，完成平面分区的生成；
步骤3.4、根据原始数据的高程值将平面分区中的多边形拉伸以生成凸多面体集，非立面的主体平面进一步裁剪有相交关系的多面体，得到完整的凸多面体嵌入的空间划分。
步骤4、能量函数表达式的构造和求解方法如下：
步骤4.1、初始化每个凸多面体的标签；根据欧几里得距离统计属于凸多面体的内点，若法线朝向体外的内点数大于朝向体内的内点数，给予多面体
i标签，否则；
步骤4.2、计算能量函数数据项，数据项由以下函数表达：
式中C是凸多面体集，|
I|为原始三角网顶点总数的两倍，
I为多面体
i所有面的内点，是与语义信息相关的投票函数，用于测试建筑物类别内点的法线方向是否与多面体的标签一致；
步骤4.2.1、通过对各个凸多面体中，建筑类面片占所有面片的比率、建筑物类别的顶点占原始三角网所含顶点的比率以及占同一个凸多面体中所有顶点的比率的统计分析，将每个凸多面体划分至三个不同的域中，包括和谐域、矛盾域和其他，若以上指标处于一定的阈值范围内，且满足以下公式，属于和谐域：
式中
d |
in-
out|表示每个多面体中法线朝向的内点个数的差值，
max P {
in,out}为多面体
P中内点法线朝向更多的标签，每个多面体
P包含的内点数
n P 不得少于一定数量
n，通常网格数据的单元为三角网，含有3个顶点，
n通常取3；
步骤4.2.2、第一种情况，若标记建筑类面片占所有面片的比率大于第一阈值即，一般考虑阈值取0.8，建筑物类的点数在原始网格顶点中占比极少即，第二阈值可取0.05；第二种情况是建筑物类的点数在原始网格顶点中占比大于一定阈值即(取值同上)，在多面体的内点中占比（值取0.3），表示第三阈值，涉及的阈值根据试验得出，满足这两种情况中的一种均属于矛盾域；其余情况不包括在和谐域和矛盾域中的范围属于其他；
步骤4.2.3、每个域中的投票函数定义如下：
式中，，分别是指和谐域、矛盾域和其他；式中
C i 表示第个多面体，
p为多面体
i各个面上的内点，
l i 为多面体
i的标签，
ratio p B _all 表示多面体
i中建筑物类内点的数量占原始网格顶点的比率，其中
d i (
p,
l i )的定义如下：
式中为内点
p的法向量，为内点
p指向多面体
i的中心形成的向量，为指示函数，表示括号内条件满足时为1，否则为0。
步骤4.3、计算能量函数平滑项，表达式为：
式中
A为所有面片的面积之和，
i~j表示相邻多面体
i和
j，为相邻多面体公共面的面积之和，指示函数，当多面体
i和
j的标签不同时，值为1，否则为0；
步骤4.4、根据数据项和平滑项构建能量函数，基于图割算法优化求解，能量函数表达式如下：
式中
E class_data 是能量函数数据项，
E class_area 表示能量函数平滑项，
λ是平衡数据项和平滑项的参数，介于0和1之间。
步骤5、收集介于不同标签的凸多面体的公共面，输出最终建筑物单体的表面模型，具体步骤如下：
步骤5.1、收集多面体的邻接关系；
步骤5.2、找到介于具有不同标签的相邻多面体的公共面，即为最终模型表面。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (6)
1.语义感知的三角网模型建筑物实体重建方法，其特征在于，包含如下步骤：
步骤1，具有语义信息的建筑物三角网模型准备，并计算三角网的法线；
步骤2，根据三角网模型的平面连通性从建筑物加密三角网中提取初始严格的主体平面候选集，即初始基元；
步骤2中，初始基元提取的具体方法为：
步骤2.1，采用QTPS算法从建筑物单体三角网加密点云中提取初始平面特征集；
步骤2.2，收集与每个平面的内点具备n-环邻接关系的三角网面片构成初始平面支撑域，定义平面的严格性概率测度找到每个平面有效的面片子集，根据对立推理理论计算每个平面支撑域的最优平面子集及其平面方程，作为后续面片聚类的种子点；
步骤2.3，采用迭代渐进区域增长的方式将未标记的面片聚类至已有最优平面基元之中，当所有面片均被划归至已有平面基元中时，即为建筑物主体平面候选集，聚类规则如下：
式中为当前面片，为当前面片的相邻未标记的面片，是对应的超体素的平面方程，θ是区域增长角度阈值；
步骤3，将初始基元投影到二维空间得到二维轮廓分割线，通过将二维轮廓分割线沿着中点到两个端点的向量分别匀速延长直到彼此相交，自适应地完成二维空间的多边形划分，进一步根据非立面扩展为凸多面体嵌入的空间划分；
步骤4，通过对属于各个凸多面体的面片的语义类别和内点的法线朝向进行统计分析，对所有凸多面体构建二标签选择的能量函数，基于图割优化算法计算凸多面体标签的最优解；
步骤4中，能量函数的构造及求解的具体方法如下：
步骤4.1，初始化每个凸多面体的标签；根据欧几里得距离统计属于凸多面体的内点，若法线朝向体外的内点数大于朝向体内的内点数，给予多面体i标签，否则；
步骤4.2，计算能量函数数据项，数据项由以下函数表达：
式中C是凸多面体集，|I|为原始三角网顶点总数的两倍，I为多面体i所有面的内点，是与语义信息相关的投票函数，用于测试建筑物类别内点的法线方向是否与多面体的标签一致；
步骤4.3，计算能量函数平滑项，表达式为：
式中A为所有面片的面积之和，i~j表示相邻多面体i和j，为相邻多面体公共面的面积之和，指示函数，当多面体i和j的标签不同时，值为1，否则为0；
步骤4.4，根据数据项和平滑项构建能量函数，基于图割算法优化求解，能量函数表达式如下：
式中E class_data是能量函数数据项，E class_area表示能量函数平滑项，λ是平衡数据项和平滑项的参数，介于0和1之间；
步骤5，收集介于不同标签的凸多面体的公共面，输出最终建筑物单体的表面模型。
2.根据权利要求1所述的语义感知的三角网模型建筑物实体重建方法，其特征在于：步骤3中，凸多面体嵌入的空间划分具体方法如下：
步骤3.1，将建筑物主体平面候选集投影到二维空间，通过线分割检测算法分割二维投影的轮廓获取线分割集合；
步骤3.2、将线分割初始化为图G=(V,E)，其中V是图的顶点，由线分割的中点表示，E是顶点之间的线段，即边；
步骤3.3，初始图中的点沿线段的两个端点以均匀的速度向外延伸，经过时间t彼此碰撞产生新的顶点和边更新到动态平面图中，当由中点到线段端点组成的射线向外延伸与别的线段碰撞的次数大于规定的阈值时停止更新，完成平面分区的生成；
步骤3.4，根据原始数据的高程值将平面分区中的多边形拉伸以生成凸多面体集，非立面的主体平面进一步裁剪有相交关系的多面体，得到完整的凸多面体嵌入的空间划分。
3.根据权利要求1所述的语义感知的三角网模型建筑物实体重建方法，其特征在于：步骤4.2中，计算能量函数数据项的具体方法如下：
步骤4.2.1、通过对各个凸多面体中，建筑类面片占所有面片的比率、建筑物类别的顶点占原始三角网所含顶点的比率以及占同一个凸多面体中所有顶点的比率的统计分析，将每个凸多面体划分至三个不同的域中，包括和谐域、矛盾域和其他，若以上指标处于一定的阈值范围内，且满足以下公式，属于和谐域：
式中表示每个多面体中法线朝向的内点个数的差值，为多面体P中内点法线朝向更多的标签，每个多面体P包含的内点数n P不得少于一定数量n；
步骤4.2.2，第一种情况，若标记建筑类面片占所有面片的比率大于第一阈值，即，建筑物类的点数在原始网格顶点中占比极少，即，表示第二阈值；第二种情况，建筑物类的点数在原始网格顶点中占比大于一定阈值，即，在多面体的内点中占比，表示第三阈值，涉及的阈值根据试验得出，满足这两种情况中的一种均属于矛盾域；其余情况不包括在和谐域和矛盾域中的范围属于其他；
步骤4.2.3，每个域中的投票函数定义如下：
式中分别是指和谐域、矛盾域和其他；C i表示第个多面体，p为多面体i各个面上的内点，l i为多面体i的标签，表示多面体i中建筑物类内点的数量占原始网格顶点的比率，其中的定义如下：
式中为内点p的法向量，为内点p指向多面体i的中心形成的向量，为指示函数，表示括号内条件满足时为1，否则为0。
4.根据权利要求1所述的语义感知的三角网模型建筑物实体重建方法，其特征在于：步骤5中，最终模型表面的具体生成方法为：
步骤5.1，收集多面体的邻接关系；
步骤5.2，找到介于具有不同标签的相邻多面体的公共面，即为最终模型表面。
5.根据权利要求1所述的语义感知的三角网模型建筑物实体重建方法，其特征在于：所述步骤1中的建筑物三角网模型数据满足：1)原始三角网数据经过分类后具备语义信息；2)计算原始三角网模型的法线信息。
6.根据权利要求5所述的语义感知的三角网模型建筑物实体重建方法，其特征在于：n的取值为3。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310060488.6A CN115861571B (zh) | 2023-01-18 | 2023-01-18 | 语义感知的三角网模型建筑物实体重建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310060488.6A CN115861571B (zh) | 2023-01-18 | 2023-01-18 | 语义感知的三角网模型建筑物实体重建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115861571A CN115861571A (zh) | 2023-03-28 |
| CN115861571B true CN115861571B (zh) | 2023-04-28 |
Family
ID=85657557
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310060488.6A Active CN115861571B (zh) | 2023-01-18 | 2023-01-18 | 语义感知的三角网模型建筑物实体重建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115861571B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116933359B (zh) * | 2023-06-26 | 2024-02-02 | 武汉峰岭科技有限公司 | 一种建筑复杂屋顶建模方法及系统 |
| CN116977592B (zh) * | 2023-09-25 | 2024-02-09 | 深圳大学 | 基于卷绕数的三维结构化重建方法、装置和计算机介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB0704368D0 (en) * | 2007-03-07 | 2007-04-11 | Kokkas Nikolaos | Geodata fusion for automated 3D city modelling |
| CN115496900A (zh) * | 2022-08-31 | 2022-12-20 | 浙江工业大学 | 一种基于稀疏融合的在线碳语义地图构建方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9218524B2 (en) * | 2012-12-06 | 2015-12-22 | Siemens Product Lifecycle Management Software Inc. | Automatic spatial context based multi-object segmentation in 3D images |
| US20200027266A1 (en) * | 2018-07-17 | 2020-01-23 | Uti Limited Partnership | Building contour generation from point clouds |
| CN109919944B (zh) * | 2018-12-29 | 2022-09-27 | 武汉大学 | 一种复杂场景建筑物变化检测的联合超像素图割优化方法 |
| CN110675323B (zh) * | 2019-10-14 | 2022-12-30 | 四川视慧智图空间信息技术有限公司 | 一种三维地图语义处理方法、系统、设备及计算机介质 |
| CN111340723B (zh) * | 2020-02-23 | 2022-04-15 | 武汉大学 | 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 |
| CN114120110B (zh) * | 2021-11-22 | 2022-08-05 | 中国科学院紫金山天文台 | 一种混杂场景机载激光点云分类的多粒度计算方法 |
| CN115619963B (zh) * | 2022-11-14 | 2023-06-02 | 吉奥时空信息技术股份有限公司 | 一种基于内容感知的城市建筑物实体建模方法 |
-
2023
- 2023-01-18 CN CN202310060488.6A patent/CN115861571B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB0704368D0 (en) * | 2007-03-07 | 2007-04-11 | Kokkas Nikolaos | Geodata fusion for automated 3D city modelling |
| CN115496900A (zh) * | 2022-08-31 | 2022-12-20 | 浙江工业大学 | 一种基于稀疏融合的在线碳语义地图构建方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115861571A (zh) | 2023-03-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115861571B (zh) | 语义感知的三角网模型建筑物实体重建方法 | |
| Verdie et al. | LOD generation for urban scenes | |
| Li et al. | Feature-preserving 3D mesh simplification for urban buildings | |
| Hu et al. | Centroidal Voronoi tessellation based polycube construction for adaptive all-hexahedral mesh generation | |
| Gao et al. | Feature suppression based CAD mesh model simplification | |
| Lai et al. | Rapid and effective segmentation of 3D models using random walks | |
| CN106600622A (zh) | 一种基于超体素的点云数据分割方法 | |
| CN103729872B (zh) | 一种基于分段重采样和表面三角化的点云增强方法 | |
| Lai et al. | Feature sensitive mesh segmentation | |
| CN103679807A (zh) | 一种带边界约束的散乱点云重构方法 | |
| CN108320293A (zh) | 一种结合改进粒子群算法的快速点云边界提取技术 | |
| Raina et al. | Sharpness fields in point clouds using deep learning | |
| Wang et al. | Roof plane segmentation from lidar point cloud data using region expansion based l 0 gradient minimization and graph cut | |
| Branch et al. | A hole-filling algorithm for triangular meshes using local radial basis function | |
| Liu et al. | Higher-order CRF structural segmentation of 3D reconstructed surfaces | |
| Liu et al. | Generation of concise 3D building model from dense meshes by extracting and completing planar primitives | |
| Wang et al. | Geometric decomposition of 3D surface meshes using Morse theory and region growing | |
| Wang et al. | Semantic-guided 3D building reconstruction from triangle meshes | |
| Liu et al. | Graph cut based mesh segmentation using feature points and geodesic distance | |
| CN116579949A (zh) | 适用于城市多噪声环境下机载点云地面点滤波方法 | |
| Li | A voxel graph-based resampling approach for the aerial laser scanning of urban buildings | |
| CN102855624B (zh) | 一种基于广义数据场和Ncut算法的图像分割方法 | |
| Hu et al. | Reconstruction of 3D models from point clouds with hybrid representation | |
| Lin et al. | Unsupervised window extraction from photogrammetric point clouds with thermal attributes | |
| CN109410333B (zh) | 一种高质量超面片聚类生成方法 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230808 Address after: 430072 No. 299 Bayi Road, Wuchang District, Hubei, Wuhan Patentee after: WUHAN University Patentee after: Shandong Zhengyuan Aerial Remote Sensing Technology Co.,Ltd. Address before: 430072 No. 299 Bayi Road, Wuchang District, Hubei, Wuhan Patentee before: WUHAN University |