CN115880325A - 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 - Google Patents

Abstract

本发明提供了一种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，包括：S1、对带有真实地理坐标的激光点云进行去噪处理；S2、通过对所述激光点云进行点云滤波，分离场景中的地面点云及非地面点云；S3、计算所述非地面点云所属维度可能性，通过空间聚类分析获取建筑物点云；S4、获取建筑物点云轮廓，并拟合轮廓函数。本发明数据源采用激光点云，不仅能解决传统方法中由于遥感影像分辨率低导致的地物分类不准确等问题，也能面向大场景开展建筑物轮廓提取，还通过计算点云所属维度，从非地面点云中分离现状点云、面状点云和散状点云，再依据空间距离聚类方法准确提取建筑物点云。不光使得提取建筑物点云的结果更精确，还提升了效率。

Description

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

技术领域

本发明涉及激光点云处理技术领域，具体涉及一种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。

背景技术

城市实景三维模型能够真实、立体、时序化反映人类生产、生活和生态空间，是国家重要的新型基础设施，也是助力数字政府、数字经济建设的时空信息数据和战略性资源。建筑物单体化模型作为城市实景三维模型中的关键要素，在城市资源优化配置与精细化管理等领域具有重要作用。目前常用的三维模型单体化技术，如切割单体化、ID单体化等都需要首先获取建筑物轮廓。因而，建筑物轮廓提取的效率和精度是三维模型单体化过程中必须解决的问题。在实际生产中，常见的建筑物轮廓提取方法有以下几种：

(1)基于人工勾画的建筑物轮廓提取。该方法通过目视解译和判读对遥感影像地物进行分类，再通过人工勾画的方式提取建筑物轮廓矢量。

(2)基于光谱特征的建筑物轮廓提取。该方法首先获取区域内多光谱正射遥感信息，并对遥感信息进行融合生成多光谱正射影像地图，再对地图中的地物进行分类和分割，从而得到建筑物轮廓。

(3)基于深度学习的建筑物轮廓提取。该方法构建卷积神经网络及延伸模型进行实验，通过调整和修改模型参数对获取的建筑物轮廓进行不断优化，最终得到建筑物轮廓。

上述几种常用方法均基于遥感影像实现建筑物轮廓提取，但在技术上仍存在一些不可避免的缺陷：一是基于人工勾画的建筑物轮廓提取方法需要大量的人力物力投入，轮廓提取效率和精度较低，无法面向大场景实施。二是基于光谱特征的建筑物轮廓提取方法只针对多光谱正射遥感影像，该方法易受到云层、阴影、噪声等的干扰，导致地物分类精度不够，提取出的建筑物轮廓只能近似拟合。三是基于深度学习的建筑物轮廓提取方法需要事先构建大容量的样本库，同时针对不同的场景需要不断调整和修改模型，人力物力耗费较大，无法面向通用场景实现建筑物轮廓提取。

因此，目前基于遥感影像实现建筑物轮廓提取的方法面临轮廓提取效率和精度较低、易受云层、阴影、噪声等的干扰等问题。

发明内容

针对现有技术中所存在的不足，本发明提供了一种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，以解决现有技术中目前基于遥感影像实现建筑物轮廓提取的方法面临轮廓提取效率和精度较低、易受云层、阴影、噪声等的干扰等问题。

本发明提供了一种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，包括：

S1、对带有真实地理坐标的激光点云进行去噪处理；

S2、通过对所述激光点云进行点云滤波，分离场景中的地面点云及非地面点云；

S3、计算所述非地面点云所属维度可能性，通过空间聚类分析获取建筑物点云；

S4、获取建筑物点云轮廓，并拟合轮廓函数。

可选地，所述对带有真实地理坐标的激光点云进行去噪处理，包括：

根据原始点云信息，确定一个邻域半径Eps和判断阈值MinPts，基于DBSCAN聚类分析算法得到核心点、边界点及噪声点，保留核心点和边界点，达到点云去噪目的。

可选地，所述通过对所述激光点云进行点云滤波，分离场景中的地面点云及非地面点云，包括：

基于布料模拟滤波算法，分别计算点云受外部因素和内部因素影响后的位移量，通过比较点云位移量与高程阈值的大小，分离地面点云和非地面点云。

可选地，所述计算所述非地面点云所属维度可能性，包括：

所述非地面点云所属维度包括线状点云、面状点云和散状点云的三个维度，结合非地面点云邻域协方差矩阵，分别计算非地面点云属于所述三个维度的概率：

其中，ρ_1D、ρ_2D及ρ_3D分别表示该点云属于线状点云、面状点云和散状点云的概率，δ₀，δ₁，δ₂由协方差矩阵的三个特征值计算得出。

可选地，所述通过空间聚类分析获取建筑物点云，包括：

基于空间距离对非地面点云进行聚类分析，提取建筑物点云，构建建筑物点云集。

可选地，所述通过空间聚类分析获取建筑物点云，包括：

基于空间距离对非地面点云进行聚类分析，提取建筑物点云，具体判断条件为：

其中，n_1D、n_2D、n_3D分别表示线状点云、面状点云和散状点云的数目，μ_2D为面状点云比例阈值，所述空间距离包括云簇中最大高差和建筑物最小高度阈值，Δh_max为点云簇中最大高差，Δh_b为建筑物最小高度阈值，保留满足上述判断条件的点云，即建筑物点云。

可选地，所述获取建筑物点云轮廓，并拟合轮廓函数，包括：

对所述建筑物点云集采用α-shape算法提取出点云集轮廓，基于所述点云集轮廓，采用Douglas-Peucker算法拟合轮廓函数。

相比于现有技术，本发明具有如下有益效果：

(1)数据源采用激光点云，其不受云雾和天气影响，具有优异的方位分辨率以及高密度、高精度、易分割的特性，适用于大多数场景和环境，不仅能解决传统方法中由于遥感影像分辨率低导致的地物分类不准确等问题，也能面向大场景开展建筑物轮廓提取。

(2)通过计算点云所属维度，从非地面点云中分离现状点云、面状点云和散状点云，可以有效剔除树木、电杆、路牌等目标，再依据空间距离聚类方法准确提取建筑物点云。这种方法不仅避免了大量的人力物力投入，还提高了点云分类的精度和效率，相比其他方法(如K-means聚类算法等)，该方法提取建筑物点云的结果更精确。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的流程示意图；

图2为本发明的具体流程示意图；

图3为本发明中DBSCAN聚类分析算法概念示意图；

图4为本发明中α-shape算法提取点云集轮廓概念图示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本申请的一部分实施例，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的前提下所获得的所有其他实施例，都属于本申请保护的范围。本发明实例中相同标号的功能单元具有相同和相似的结构和功能。

参见图1，本发明提供了一种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，包括：

S1、对带有真实地理坐标的激光点云进行去噪处理；

S2、通过对所述激光点云进行点云滤波，分离场景中的地面点云及非地面点云；

S3、计算所述非地面点云所属维度可能性，通过空间聚类分析获取建筑物点云；

S4、获取建筑物点云轮廓，并拟合轮廓函数。

参见图2，本实施例中，本发明中采用的激光点云通过机载激光扫描仪获取目标区域内原始激光点云数据，并结合设备POS(位置和姿态)数据，得到带有真实地理坐标的激光点云数据，具体描述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：

S1、基于DBSCAN聚类分析算法对激光点云去噪；

参见图3，S101：给定一个邻域半径Eps和邻域点数量阈值MinPts。从原始激光点云(x₁，x₂，...，x_n)中任意选择一个没有被定义的点云x_i，以Eps为半径寻找其所有邻域点，并记录邻域点数量Pts_i；

其中，若维度(特征数)为n，则令k＝2ⁿ-1。取MinPts＝k+1，Eps则通过点云k-distance图求出，k-distance是一个函数，k是他的一个参数，相当于以一个点为中心，寻找距离它第k近的点。

S102：若Pts_i≥MinPts，则x_i为核心点。若Pts_i＜MinPts，但其落在其他核心点的邻域内，则x_i为边界点。若x_i既不是核心点也不是边界点，则x_i被标记为噪声点；

S103：重复步骤S101和步骤S102，直到所有的点云都被定义。剔除噪声点，即得到去噪后的激光点云。

S2、通过对所述激光点云进行点云滤波，分离场景中的地面点云及非地面点云；

所述点云滤波为布料模拟滤波算法(CFS)，具体步骤包括：

S201：翻转点云，将布料粒子与点云投影到同一水平面上，找到每一个粒子的最邻近点云CP，记录其投影前的高程z₀。同时设定格网大小R_e，地面点判定阈值H_p和迭代次数T作为算法参数。

上述翻转点云具体方法为：保持点云的x坐标不变，将点云的y坐标与z坐标互换，并将新的y坐标值反号。若设点云原始坐标为(x，y，z)，则翻转后的点云坐标为(x，-z，y)。

S202：对于每一个格网粒子，计算其受到重力、碰撞等外部因素影响后的位移

则其新的高程为/>

其中，m为粒子的重量，通常为1；g为重力加速度；Δt为时间步长。将计算出的粒子高程与CP点高程z₀进行比较，若H(t+Δt)≤z₀，则把粒子高程设置为z₀，且定义粒子“不可移动”，反之定义粒子“可移动”。

S203：对于每一个格网粒子，计算其受到内部因素影响后的位移

其中，

为粒子的位移量。当粒子为“可移动”时，b＝1；当粒子为“不可移动”时，b＝0。/>

为/>

的相邻粒子，/>

S204：重复步骤S202和步骤S203，直到所有粒子的最大高程变化足够小或者迭代次数达到预设值T。

S205：分别计算各点云与格网粒子之间的高程差异Δh_i，若Δh_i≤H_p，则认为点云为地面点，反之为非地面点。

S3、计算所述非地面点云所属维度可能性，通过空间聚类分析获取建筑物点云；

S301：针对某一点云P_i的邻域，计算其协方差矩阵的三个特征值λ₀、λ₁、λ₂，并满足λ₀≥λ₁≥λ₂。令

分别为三个方向上的拟合残差，对该点所属维度可能性进行分配：

其中，ρ_1D、ρ_2D及ρ_3D分别表示该点云属于线状点云、面状点云和散状点云的概率，通过比较概率大小判断点云的所属维度。

S302：基于空间距离对非地面点云进行聚类分析，提取建筑物点云，具体判断条件为：

其中，n_1D、n_2D、n_3D分别表示线状点云、面状点云和散状点云的数目，μ_2D为面状点云比例阈值，所述空间距离包括云簇中最大高差和建筑物最小高度阈值，所述空间距离主要指云簇中最大高差，Δh_max为点云簇中最大高差，Δh_b为建筑物最小高度阈值。保留满足上述判断条件的点云，即建筑物点云。

S4、获取建筑物点云轮廓，并拟合轮廓函数。

S401：对建筑物点云集采用α-shape算法提取出点云集轮廓。

参见图4，(1)将分类后的点云数据S集投影到XY平面，任选一点P₁(x₁，y₁)作为圆心，以2α为半径，寻找圆内所有点并构成点集S₁，从S₁中取一点P₂(x₂，y₂)，使得P₁与P₂构成平面圆，并计算其圆心P₀(O_x，O_y)坐标：

/>

(2)计算点集S₁内余下点到P₀的距离，若所有点的距离都大于α，则P₁、P₂被确定为轮廓点。(3)若距离小于α，则对点集S₁内下一点重复上述判断，直到对S₁内所有点判断结束。(4)对S集内所有点云重复上述步骤，直到所有点云都被定义。

S402：基于各点云集中所有轮廓点，采用Douglas-Peucker算法拟合各点云集轮廓函数。

(1)在轮廓点中任取两个相邻点云A(x₁，y₁)和B(x₂，y₂)，得到直线Func_AB＝ax+by+c。

(2)寻找轮廓点中离该直线段距离最大的点C，计算其与直线AB的距离d_c。

(3)比较距离d_c与设定的阈值Δd，若d_c≤Δd，则该直线段作为该建筑物轮廓的拟合函数，且点A和点B为轮廓的分割点；若d_c＞Δd，则将直线AB分为直线AC和直线BC，并对这两段直线重复上述步骤。

(4)当所有直线都处理完毕时，依次连接所有分割点形成的折线即为该建筑物的拟合轮廓，每段折线的函数即组成轮廓函数。

本发明相比于现有技术，具有如下显著效果：

1、数据源采用激光点云，其不受云雾和天气影响，具有优异的方位分辨率以及高密度、高精度、易分割的特性，适用于大多数场景和环境，不仅能解决传统方法中由于遥感影像分辨率低导致的地物分类不准确等问题，也能面向大场景开展建筑物轮廓提取。

2、采用点云邻域协方差矩阵计算点云所属维度，从非地面点云中分离现状点云、面状点云和散状点云，可以有效剔除树木、电杆、路牌等目标，再依据空间距离聚类方法准确提取建筑物点云。这种方法不仅避免了大量的人力物力投入，还提高了点云分类的精度和效率，相比其他方法(如K-means聚类算法等)，该方法提取建筑物点云的结果更精确。

3、引入Douglas-Peucker算法拟合轮廓函数，解决了传统方法只提取轮廓矢量的问题。相比于轮廓矢量，后期可采用数学方法，基于轮廓函数提取建筑物点云进行单体重建，这种技术路线准确性更高。同时，Douglas-Peucker算法具有平移和旋转不变性，拟合结果不受迭代次数的影响，得到的轮廓函数结果更具可靠性。

需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。

Claims (7)

1.一种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，其特征在于，包括：

S1、对带有真实地理坐标的激光点云进行去噪处理；

S2、通过对所述激光点云进行点云滤波，分离场景中的地面点云及非地面点云；

S3、计算所述非地面点云所属维度可能性，通过空间聚类分析获取建筑物点云；

S4、获取建筑物点云轮廓，并拟合轮廓函数。

2.根据权利要求1所述的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，其特征在于，所述对带有真实地理坐标的激光点云进行去噪处理，包括：

根据原始点云信息，确定一个邻域半径Eps和判断阈值MinPts，基于DBSCAN聚类分析算法得到核心点、边界点及噪声点，保留核心点和边界点，达到点云去噪目的。

3.根据权利要求1所述的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，其特征在于，所述通过对所述激光点云进行点云滤波，分离场景中的地面点云及非地面点云，包括：

基于布料模拟滤波算法，分别计算点云受外部因素和内部因素影响后的位移量，通过比较点云位移量与高程阈值的大小，分离地面点云和非地面点云。

4.根据权利要求1所述的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，其特征在于，所述计算所述非地面点云所属维度可能性，包括：

所述非地面点云所属维度包括线状点云、面状点云和散状点云的三个维度，结合非地面点云邻域协方差矩阵，分别计算非地面点云属于所述三个维度的概率：

其中，ρ_1D、ρ_2D及ρ_3D分别表示该点云属于线状点云、面状点云和散状点云的概率，δ₀，δ₁，δ₂由协方差矩阵的三个特征值计算得出。

5.根据权利要求1所述的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，其特征在于，所述通过空间聚类分析获取建筑物点云，包括：

基于空间距离对非地面点云进行聚类分析，提取建筑物点云，构建建筑物点云集。

6.根据权利要求5所述的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，其特征在于，所述通过空间聚类分析获取建筑物点云，包括：

基于空间距离对非地面点云进行聚类分析，提取建筑物点云，具体判断条件为：

其中，n_1D、n_2D、n_3D分别表示线状点云、面状点云和散状点云的数目，μ_2D为面状点云比例阈值，所述空间距离包括云簇中最大高差和建筑物最小高度阈值，Δh_max为点云簇中最大高差，Δh_b为建筑物最小高度阈值，保留满足上述判断条件的点云，即建筑物点云。

7.根据权利要求6所述的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，其特征在于，所述获取建筑物点云轮廓，并拟合轮廓函数，包括：

对所述建筑物点云集采用α-shape算法提取出点云集轮廓，基于所述点云集轮廓，采用Douglas-Peucker算法拟合轮廓函数。

Images