CN115937439A - 城市建筑三维模型的构建方法、装置及电子设备 - Google Patents
城市建筑三维模型的构建方法、装置及电子设备 Download PDFInfo
- Publication number
- CN115937439A CN115937439A CN202310188859.9A CN202310188859A CN115937439A CN 115937439 A CN115937439 A CN 115937439A CN 202310188859 A CN202310188859 A CN 202310188859A CN 115937439 A CN115937439 A CN 115937439A
- Authority
- CN
- China
- Prior art keywords
- vector
- building
- data
- group
- contour
- 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.)
- Granted
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Processing Or Creating Images (AREA)
Abstract
本发明提供了一种城市建筑三维模型的构建方法、装置及电子设备,包括:获取待构建的城市建筑数据;其中,所述城市建筑数据包括地理位置数据、建筑高度数据和矢量轮廓;获取所述城市建筑数据对应的遥感解译成果,并对所述遥感解译成果进行邻近矢量归一化处理得到归一化解译成果;其中,所述归一化解译成果包括至少一个矢量轮廓组和每个所述矢量轮廓组对应的建筑属性数据,所述矢量轮廓组包括至少一个所述矢量轮廓;基于所述地理位置数据、所述建筑高度数据和所述归一化解译成果,构建所述城市建筑数据对应的建筑三维模型。本发明可以有效提高构建城市建筑三维模型的效率,还可以显著降低构建城市建筑三维模型所需的人工成本。
Description
技术领域
本发明涉及数据处理技术领域,尤其是涉及一种城市建筑三维模型的构建方法、装置及电子设备。
背景技术
经过人工逐一标注以及用户的不断修正,现有开源GIS(Geographic InformationSystem,地理信息系统)数据中所包含的城市建筑数据,在矢量轮廓、地理位置、建筑高度方面能够较为准确地与遥感影像地图相匹配。利用这些建筑矢量轮廓及其位置高度属性,可以基于过程建模算法,快速生成城市内建筑白模。然而,这些无纹理的建筑白模仅可以应用于有限元分析、物理模拟等业务场景,却无法满足可视化、城市漫游等渲染和交互需求。
现有技术通常利用无人机或路况测绘车进行拍摄,并经过人工标注和人工修正建筑图像来确定其立面纹理;通过人工标注卫星遥感影像来确定建筑屋顶纹理。虽然通过此方法获取的屋顶和纹理属性更为精准,但需要的人工成本很高。为了降低机器采集成本与后续图像处理的人工成本,可以仅依赖于卫星遥感图像,利用AI(ArtificialIntelligence,人工智能)技术全自动的对遥感影像中建筑的屋顶类型、屋顶纹理以及建筑立面纹理进行预测。然而,受到遥感影像拍摄时间、拍摄角度、拍摄光照、AI解译模型与算法精确度等因素的影响,部分建筑的屋顶和纹理属性的预测值与实际存在较大偏差,甚至可能出现预测值为空的现象。
利用建筑的各项属性,现有的建模方法通常借助人工辅助,对具备精准属性值的建筑和属性值存在缺失的建筑分别构建三维模型,并需要通过人工修正的方法调整纹理映射时的纹理图像重复规律。这种三维建模过程需要投入较高的人工成本。
发明内容
有鉴于此,本发明的目的在于提供一种城市建筑三维模型的构建方法、装置及电子设备,可以有效提高构建城市建筑三维模型的效率,还可以显著降低构建城市建筑三维模型所需的人工成本。
第一方面,本发明实施例提供了一种城市建筑三维模型的构建方法,包括:获取待构建的城市建筑数据;其中,所述城市建筑数据包括地理位置数据、建筑高度数据和矢量轮廓;获取所述城市建筑数据对应的遥感解译成果,并对所述遥感解译成果进行邻近矢量归一化处理得到归一化解译成果;其中,所述归一化解译成果包括至少一个矢量轮廓组和每个所述矢量轮廓组对应的建筑属性数据,所述矢量轮廓组包括至少一个所述矢量轮廓;基于所述地理位置数据、所述建筑高度数据和所述归一化解译成果,构建所述城市建筑数据对应的建筑三维模型。
在一种实施方式中,对所述遥感解译成果进行邻近矢量归一化处理得到归一化解译成果,包括:对所述城市建筑数据中所述矢量轮廓进行分组,得到至少一个矢量轮廓组;分别对每个所述矢量轮廓组对应的遥感解译成果进行邻近矢量归一化处理,得到每个所述矢量轮廓组对应的建筑属性数据。
在一种实施方式中,对所述城市建筑数据中所述矢量轮廓进行分组,得到至少一个矢量轮廓组,包括:对于所述城市建筑数据中每个所述矢量轮廓,判断该矢量轮廓是否与所述城市建筑数据中其他矢量轮廓相交;如果是,则将所述城市建筑数据中与该矢量轮廓相交的其他矢量轮廓,和该矢量轮廓划分为一个矢量轮廓组;如果否,则将该矢量轮廓划分为一个矢量轮廓组;和/或,对于所述城市建筑数据中每个所述矢量轮廓,计算该矢量轮廓与所述城市建筑数据中其他矢量轮廓之间的豪斯多夫距离是否小于预设距离阈值;如果是,则将所述城市建筑数据中与该矢量轮廓之间的所述豪斯多夫距离小于所述预设距离阈值的其他矢量轮廓,和该矢量轮廓划分为一个矢量轮廓组;如果否,则将该矢量轮廓划分为一个矢量轮廓组。
在一种实施方式中,分别对每个所述矢量轮廓组对应的遥感解译成果进行邻近矢量归一化处理,得到每个所述矢量轮廓组对应的建筑属性数据,包括:如果所述矢量轮廓组中的矢量轮廓数量为1个,判断所述矢量轮廓对应的遥感解译成果中是否具有目标属性对应的第一预测值;如果是,则将所述第一预测值确定为所述矢量轮廓组对应的建筑属性数据;如果否,则从预设的第一候选值中随机确定第一目标值,并将所述第一目标值确定为所述矢量轮廓组对应的建筑属性数据。
在一种实施方式中,分别对每个所述矢量轮廓组对应的遥感解译成果进行邻近矢量归一化处理,得到每个所述矢量轮廓组对应的建筑属性数据,还包括:如果所述矢量轮廓组中的矢量轮廓数量大于1个,判断所述矢量轮廓组中的每个所述矢量轮廓对应的遥感解译成果中是否具有目标属性对应的第二预测值;如果所述矢量轮廓具有所述第二预测值,则统计每种所述第二预测值对应的轮廓面积和,并将最大轮廓面积和对应的所述第二预测值,确定为所述矢量轮廓组对应的建筑属性数据;如果每个所述矢量轮廓均不具有所述第二预测值,则从预设的第二候选值中随机确定第二目标值,并将所述第二目标值确定为所述矢量轮廓组对应的建筑属性数据。
在一种实施方式中,所述目标属性包括屋顶类型属性、屋顶纹理属性、立面纹理属性中的一种或多种,所述建筑属性数据包括屋顶类型数据、屋顶纹理数据、立面纹理数据中的一种或多种。
在一种实施方式中,基于所述地理位置数据、所述建筑高度数据和所述归一化解译成果,构建所述城市建筑数据对应的建筑三维模型,包括:对于每个所述矢量轮廓组,根据该矢量轮廓组对应的所述建筑高度数据和所述地理位置数据内的每个定点位置信息进行拉伸建模,得到该矢量轮廓组对应的建筑立面三维白模;根据预设窗户宽度范围中随机确定该矢量轮廓组对应的目标窗户宽度数据,并基于所述目标窗户宽度数据、所述建筑高度数据确定目标放缩比例和纹理填充及重复规律;基于所述目标放缩比例和所述纹理填充及重复规律,将该矢量轮廓组对应的立面纹理数据映射至所述建筑立面三维白模,得到该矢量轮廓组对应的建筑立面三维模型;基于该矢量轮廓组对应的屋顶类型数据,在所述建筑立面三维模型的顶部生成建筑屋顶三维白模,并将该矢量轮廓组对应的屋顶纹理数据映射至所述建筑屋顶三维白模,得到该矢量轮廓组对应的建筑三维模型。
第二方面,本发明实施例还提供一种城市建筑三维模型的构建装置,包括:数据获取模块,用于获取待构建的城市建筑数据;其中,所述城市建筑数据包括地理位置数据、建筑高度数据和矢量轮廓;归一化模块,用于获取所述城市建筑数据对应的遥感解译成果,并对所述遥感解译成果进行邻近矢量归一化处理得到归一化解译成果;其中,所述归一化解译成果包括至少一个矢量轮廓组和每个所述矢量轮廓组对应的建筑属性数据,所述矢量轮廓组包括至少一个所述矢量轮廓;模型构建模块,用于基于所述地理位置数据、所述建筑高度数据和所述归一化解译成果,构建所述城市建筑数据对应的建筑三维模型。
第三方面,本发明实施例还提供一种电子设备,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机可执行指令,所述处理器执行所述计算机可执行指令以实现第一方面提供的任一项所述的方法。
第四方面,本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令在被处理器调用和执行时,计算机可执行指令促使处理器实现第一方面提供的任一项所述的方法。
本发明实施例提供的城市建筑三维模型的构建方法、装置及电子设备,首先获取待构建的城市建筑数据,城市建筑数据包括地理位置数据、建筑高度数据和矢量轮廓,再对城市建筑数据进行遥感解译处理得到解译成果,并对所述解译成果进行邻近矢量归一化处理得到归一化解译成果,归一化解译成果包括至少一个矢量轮廓组和每个矢量轮廓组对应的建筑属性数据,矢量轮廓组包括至少一个矢量轮廓,最后即可基于地理位置数据、建筑高度数据和归一化解译成果,构建城市建筑数据对应的建筑三维模型。上述方法基于城市建筑数据中的矢量轮廓、地理位置数据、建筑高度数据与遥感解译技术预测的建筑属性数据,提出了一种完全自动构建城市建筑三维模型的方法,生成的建筑三维模型不仅可以支持有限元分析、物理模拟等应用,还可以支持漫游、可视化等渲染和交互需求,本发明实施例可以显著提高构建城市建筑三维模型的效率和精度,还可以显著降低构建城市建筑三维模型所需的人工成本。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种城市建筑三维模型的构建方法的流程示意图;
图2为本发明实施例提供的另一种城市建筑三维模型的构建方法的流程示意图;
图3为本发明实施例提供的一种矢量轮廓的示意图;
图4为本发明实施例提供的另一种矢量轮廓的示意图;
图5为本发明实施例提供的一种建筑三维模型的示意图;
图6为本发明实施例提供的一种大范围城市建筑三维建模的示意图;
图7为本发明实施例提供的一种城市建筑三维模型的构建装置的结构示意图;
图8为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合实施例对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
目前,现有的城市建筑三维模型构建方案无法满足可视化、城市漫游等渲染和交互需求,而且构建得到的建筑三维模型的精度有待提高,此外模型构建过程需要投入较高的人工成本,基于此,本发明实施提供了一种城市建筑三维模型的构建方法、装置及电子设备,可以有效提高构建城市建筑三维模型的效率,还可以显著降低构建城市建筑三维模型所需的人工成本。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种城市建筑三维模型的构建方法进行详细介绍,参见图1所示的一种城市建筑三维模型的构建方法的流程示意图,该方法主要包括以下步骤S102至步骤S106:
步骤S102,获取待构建的城市建筑数据。其中,城市建筑数据也即开元GIS数据,城市建筑数据包括地理位置数据、建筑高度数据和矢量轮廓。在一种实施方式中,可以为用户提供上传通道,以通过上传通道获取用户上传的城市建筑数据。
步骤S104,获取城市建筑数据对应的遥感解译成果,并对遥感解译成果进行邻近矢量归一化处理得到归一化解译成果。其中,解译成果包括屋顶类型、屋顶纹理、立面纹理等各类属性的预测值,归一化解译成果包括至少一个矢量轮廓组和每个矢量轮廓组对应的建筑属性数据,矢量轮廓组包括至少一个矢量轮廓,建筑属性数据包括屋顶类型数据、屋顶纹理数据、立面纹理数据中的一种或多种。在一种实施方式中,在获取到遥感解译成果之后,可以对矢量轮廓进行分组,以将同一建筑的矢量轮廓划分至同一个矢量轮廓组,再针对每个矢量轮廓组对应的遥感解译成果进行归一化处理,以提高遥感解译成果中屋顶类型、屋顶纹理、立面纹理等属性的准确性和合理性,得到每个矢量轮廓组对应的建筑属性数据。
步骤S106,基于地理位置数据、建筑高度数据和归一化解译成果,构建城市建筑数据对应的建筑三维模型。在一种实施方式中,可以基于地理位置数据和建筑高度数据构建建筑立面三维白模,再将相应的立面纹理数据映射值该建筑立面三维白模,以得到建筑立面三维模型,进一步基于屋顶类型数据,在建筑立面三维模型的顶部生成建筑屋顶三维白模,并将相应的屋顶纹理数据映射至建筑屋顶三维白模,得到建筑三维模型。
本发明实施例提供的城市建筑三维模型的构建方法,基于城市建筑数据中的矢量轮廓、地理位置数据、建筑高度数据与遥感解译技术预测的建筑属性数据,提出了一种完全自动构建城市建筑三维模型的方法,生成的建筑三维模型不仅可以支持有限元分析、物理模拟等应用,还可以支持漫游、可视化等渲染和交互需求,本发明实施例可以显著提高构建城市建筑三维模型的效率和精度,还可以显著降低构建城市建筑三维模型所需的人工成本。
为便于对上述实施例进行理解,本发明实施例提供了另一种城市建筑三维模型的构建方法,参见图2所示的另一种城市建筑三维模型的构建方法的流程示意图,图2示意出首先获取开源GIS数据和AI解译属性(也即,上述遥感解译成果),其中开源GIS数据包括建筑的矢量轮廓、地理位置数据以及建筑高度数据,AI解译属性包括屋顶类型、屋顶纹理、立面纹理信息等属性的预测值,屋顶类型包括平屋顶和斜屋顶。本发明实施例提供的城市建筑三维模型的构建方法包括三个部分:(1)邻近矢量归一化算法;(2)构建三维模型立面;(3)构建三维模型屋顶。其中,邻近矢量归一化算法中又根据处理的建筑属性不同,分为邻近矢量分组、归一化屋顶类型、归一化屋顶纹理与归一化立面纹理四个子模块。
在前述实施例的基础上,本发明实施例提供了一种邻近矢量归一化算法的应用示例,可以参见如下步骤1至步骤2:
步骤1,对城市建筑数据中矢量轮廓进行分组,得到至少一个矢量轮廓组。本发明实施例提供了如下方式一至方式二所示的分组方式:
方式一:对于城市建筑数据中每个矢量轮廓,判断该矢量轮廓是否与城市建筑数据中其他矢量轮廓相交。如果是,则将城市建筑数据中与该矢量轮廓相交的其他矢量轮廓,和该矢量轮廓划分为一个矢量轮廓组;如果否,则将该矢量轮廓划分为一个矢量轮廓组。示例性的,如果矢量轮廓x不与任一矢量轮廓相交,则认为矢量轮廓x属于独立建筑,因此将矢量轮廓x单独划分为一组;如果矢量轮廓x与矢量轮廓y相交,矢量轮廓y还与矢量轮廓z相交,则确定矢量轮廓x、矢量轮廓y和矢量轮廓z为同一建筑的不同组成部分,并将矢量轮廓x、矢量轮廓y和矢量轮廓z划分为一组。
方式二:对于城市建筑数据中每个矢量轮廓,计算该矢量轮廓与城市建筑数据中其他矢量轮廓之间的豪斯多夫距离是否小于预设距离阈值。如果是,则将城市建筑数据中与该矢量轮廓之间的豪斯多夫距离小于预设距离阈值的其他矢量轮廓,和该矢量轮廓划分为一个矢量轮廓组;如果否,则将该矢量轮廓划分为一个矢量轮廓组。示例性的,如果矢量轮廓x与任一矢量轮廓之间的豪斯多夫(Hausdorff)距离均大于预设距离阈值(诸如0.5米),则认为矢量轮廓x属于独立建筑,因此将矢量轮廓x单独划分为一组;如果矢量轮廓x与矢量轮廓y之间的豪斯多夫距离小于预设距离阈值,且矢量轮廓x、矢量轮廓y与其他矢量轮廓之间的豪斯多夫距离均大于预设距离阈值,则确定矢量轮廓x、矢量轮廓y为同一建筑的不同组成部分,并将矢量轮廓x、矢量轮廓y划分为一组。
在实际应用中,同一建筑的不同组成部分通常会因为高度不同而通过多个矢量轮廓进行表达,这些矢量轮廓之间具备矢量相交或Hausdorff距离很小的特征。本发明实施例中利用这些特征将建筑进行分组:(a)当矢量轮廓所对应的建筑为独立建筑时,该矢量轮廓将单独成组,它与其他任意矢量轮廓的Hausdorff距离均超过0.5米;(b)当多个矢量轮廓所对应的建筑属于同一建筑的不同组成部分时,它们将被组合成一组,此时,组内任意一个矢量轮廓均能在组内找到至少一个与其“邻近”的矢量轮廓(“邻近”的定义:矢量轮廓之间出现相交,或矢量轮廓之间的Hausdorff距离不超过0.5米)。参见图3所示的一种矢量轮廓的示意图,三个矢量轮廓之间出现相交,被分为同一组。
步骤2,分别对每个矢量轮廓组对应的遥感解译成果进行邻近矢量归一化处理,得到每个矢量轮廓组对应的建筑属性数据。如前所述,即使是同一组内的多个矢量轮廓所对应的屋顶和纹理属性的预测值也可能并不一致,甚至可能出现预测值为空的现象。考虑到同一建筑不同组成部分的屋顶类型、屋顶纹理和立面纹理通常一致,因此,本发明实施例中利用属性面积比最大值来归一化组内所有矢量轮廓所对应的屋顶和纹理属性。具体的,本发明实施例针对不同矢量轮廓数量,提供了不同的归一化处理方式,具体可参见如下情况1至情况2:
情况1:如果矢量轮廓组中的矢量轮廓数量为1个,参见如下步骤a1至步骤a3:
步骤a1,判断矢量轮廓对应的遥感解译成果中是否具有目标属性对应的第一预测值;步骤a2,如果是,则将第一预测值确定为矢量轮廓组对应的建筑属性数据;步骤a3,如果否,则从预设的第一候选值中随机确定第一目标值,并将第一目标值确定为矢量轮廓组对应的建筑属性数据。其中,目标属性包括屋顶类型属性、屋顶纹理属性、立面纹理属性中的一种或多种,建筑属性数据包括屋顶类型数据、屋顶纹理数据、立面纹理数据中的一种或多种。以屋顶类型属性为例,判断矢量轮廓是否具有屋顶类型属性对应的预测值,如果有,则直接将该预测值确定为矢量轮廓组对应的屋顶类型数据,如果没有,则从第一候选值(平屋顶、斜屋顶)中随机选择一个值作为目标值,并将该目标值确定为矢量轮廓组对应的屋顶类型数据。
情况2,如果矢量轮廓组中的矢量轮廓数量大于1个,参见如下步骤b1至步骤b3:
步骤b1,判断矢量轮廓组中的每个矢量轮廓对应的遥感解译成果中是否具有目标属性对应的第二预测值。如果是,执行步骤b2;如果否,执行步骤b3。
步骤b2,如果矢量轮廓具有第二预测值,则统计每种第二预测值对应的轮廓面积和,并将最大轮廓面积和对应的第二预测值,确定为矢量轮廓组对应的建筑属性数据。继续以屋顶类型属性为例,假设矢量轮廓x为平屋顶、矢量轮廓y为平屋顶和矢量轮廓z为斜屋顶,分别统计平屋顶的轮廓面积和以及斜屋顶的轮廓面积和,如果平屋顶的轮廓面积大于斜屋顶的轮廓面积和,则确定矢量轮廓组为平屋顶,反之则确定矢量轮廓组为斜屋顶。
步骤b3,如果每个矢量轮廓均不具有第二预测值,则从预设的第二候选值中随机确定第二目标值,并将第二目标值确定为矢量轮廓组对应的建筑属性数据。继续以屋顶类型属性为例,如果矢量轮廓组内的所有矢量轮廓均不具有屋顶类型属性对应的预测值,则从平屋顶和斜屋顶中随机选择一个作为矢量轮廓组对应的屋顶类型数据。
为便于对上述步骤a1至步骤a3,以及步骤b1至步骤b3进行理解,本发明实施例分别提供了屋顶类型属性、屋顶纹理属性、立面纹理属性三种属性的归一化过程,具体的:
(一)屋顶类型属性归一化过程:(a)对于单独成组的矢量轮廓,如果其对应的屋顶类型属性具有预测值,则以此预测值作为属性值;如果预测值为空,则从平屋顶、斜屋顶中随机选取一个值作为属性值。(b)对于多个矢量轮廓成组的情况,分别统计预测值为平屋顶的轮廓矢量的面积和(标记为FlatRoofArea),预测值为斜屋顶的轮廓矢量的面积和(标记为SlopedRoofArea);如果FlatRoofArea>SlopedRoofArea,则将组内所有矢量轮廓所对应屋顶类型的属性值统一修改为平屋顶,反之,统一修改为斜屋顶。需要注意的是,如果组内所有轮廓矢量对应屋顶类型的预测值均为空,则从平屋顶、斜屋顶中随机选取一个值,并将组内所有矢量轮廓所对应屋顶类型的属性值统一修改为此随机属性值。请继续参见图3,屋顶类型属性经过归一化处理,组内三个矢量轮廓所对应屋顶类型的属性值被统一修改为平屋顶。
(二)屋顶纹理属性归一化过程:(a)对于单独成组的矢量轮廓,如果其对应的屋顶纹理属性具有预测值,则以此预测值作为属性值;如果预测值为空,则基于其屋顶类型的属性值,从不同纹理库中随机生成属性值,即,如果屋顶类型的属性值为平屋顶,从平屋顶的纹理库中随机选取一张纹理图片作为属性值;反之,从斜屋顶的纹理库中随机选取一张纹理图片作为属性值。(b)对于多个矢量轮廓成组的情况,假设屋顶纹理属性的预测值的集合为{RoofTex1,RoofTex2,…,RoofTexn},逐一对RoofTexi(i=1,2,…,n)统计其所对应的矢量轮廓的面积和,记为RoofTexAreai(i=1,2,…,n)。假设面积和的最大值为RoofTexAream(1<= m<= n),对应屋顶纹理的属性值为RoofTexm(1<= m<= n),将组内所有矢量轮廓所对应屋顶纹理的属性值统一修改为RoofTexm。需要注意的是,如果组内所有轮廓矢量所对应屋顶纹理的预测值均为空,则采用与单独成组矢量轮廓类似的方法,根据小组所对应屋顶类型的属性值,从不同纹理库中随机生成属性值,并将组内所有矢量轮廓所对应屋顶纹理的属性值统一修改为此随机属性值。请继续参见图3,屋顶纹理属性经过归一化处理,组内三个矢量轮廓所对应屋顶纹理的属性值被统一修改为“rtex2.jpg”。
(三)立面纹理属性归一化过程:(a)对于单独成组的矢量轮廓,如果其对应的立面纹理属性具有预测值,则以此预测值作为属性值;如果预测值为空,则基于其建筑高度(记为height,单位为米),从四个不同纹理库中随机选取一张纹理图片作为属性值,其中四个纹理库对应的建筑高度分别为 height<4, 4<= height<= 7.5, 7.5<height<= 25,height>25。(b)对于多个矢量轮廓成组的情况,假设立面纹理属性的预测值的集合为{FacadeTex1,FacadeTex2,…,FacadeTexn},逐一对FacadeTexi(i=1,2,…,n)统计其所对应的矢量轮廓的面积和,记为FacadeTexAreai(i=1,2,…,n)。假设面积和的最大值为FacadeTexAream(1<= m<= n),对应立面纹理的属性值为FacadeTexm(1<= m<= n),将组内所有矢量轮廓所对应立面纹理的属性值统一修改为FacadeTexm。需要注意的是,如果组内所有轮廓矢量所对应立面纹理的预测值均为空,则采用与单独成组矢量轮廓类似的方法,根据小组所对应建筑高度的最大值,从不同纹理库中随机生成属性值,并将组内所有矢量轮廓所对应立面纹理的属性值统一修改为此随机属性值。请继续参见图3,立面纹理属性经过归一化处理,组内三个矢量轮廓所对应立面纹理的属性值被统一修改为“f002_w003_001.jpg”。
在前述实施例的基础上,为便于对步骤S106进行理解,本发明实施例提供了一种基于地理位置数据、建筑高度数据和归一化解译成果,构建城市建筑数据对应的建筑三维模型的实施方式,参见如下步骤A至步骤D:
步骤A,对于每个矢量轮廓组,根据该矢量轮廓组对应的建筑高度数据和地理位置数据内的每个定点位置信息进行拉伸建模,得到该矢量轮廓组对应的建筑立面三维白模。在实际应用中,考虑一个矢量轮廓,按照各顶点的位置信息,将其放置到三维空间中Y=0的XZ平面(也即水平面)上,沿Y轴(也即竖直平面)正向拉伸每一条轮廓边,拉伸高度与矢量轮廓对应的建筑高度(height)相同,然后在Y=height的XZ平面构建模型的顶面,即可构建模型的建筑立面三维白模。可选的,上述拉伸建模过程可调用City Engine软件中extrude函数实现。
步骤B,根据预设窗户宽度范围中随机确定该矢量轮廓组对应的目标窗户宽度数据,并基于目标窗户宽度数据、建筑高度数据确定目标放缩比例和纹理填充及重复规律。在一种实施方式中,针对建筑立面三维白模中每一个与XZ平面垂直的拉伸面,使用立面纹理属性值所表示的纹理图片进行纹理映射,即可构建有纹理的建筑立面三维模型。
需要注意的是,在纹理映射时使用的四个立面纹理库中的纹理图片均来自于真实场景,且每一张图片均通过人工交互的方式以固定的文件名格式进行命名,命名格式为“fXXX_wXXX_XXX.jpg”。其中“fXXX”中“XXX”用于标识图片中的楼层数,例,楼层数为2 记为“f002”;“wXXX”中“XXX”用于标识图片中同一楼层中的窗户的横向重复的最大次数,例,假设图片中的楼层数为2,第一层中有3个窗户,第二层中有4个窗户,则此图片的同一楼层中窗户横向重复的最大次数为4,记为“w004”;如果不同图片的楼层数相同,并且同一楼层中的窗户的横向重复的最大次数也相同,则通过最后“_XXX”中的“XXX”予以标识区分这些图片。
在纹理映射的过程中,需要选择合适的放缩比,并采用等比拉伸的方式来映射单一纹理图片,否则会出现纹理形变现象。本发明实施例中对于任意一个矢量轮廓,根据单一楼层高度介于2.6米-3.0米之间,单一窗户的宽度介于2.0米-2.6米之间的假设,随机生成单一楼层的高度与单一窗户的宽度,然后结合图片的命名规则可以计算获得立面纹理图片在一个拉伸面中的纹理填充及重复规律。例,假设单一楼层高度为2.8米,单一窗户的宽度为2.0米,立面纹理图片的文件名为“f002_w004_002.jpg”,参见图4所示的另一种矢量轮廓的示意图,纹理填充及重复规律:在拉伸面的Y轴方向,每5.6米重复映射一次纹理;在拉伸面与Y轴垂直的方向,每8米重复映射一次纹理。假设图片分辨率为W、H,在一个重复区域之内,计算W/5.6,H/8的最大值作为当前纹理图片的最大放缩比例,该最大缩放比例也即目标放缩比例。
步骤C,基于目标放缩比例和纹理填充及重复规律,将该矢量轮廓组对应的立面纹理数据映射至建筑立面三维白模,得到该矢量轮廓组对应的建筑立面三维模型。在一种实施方式中,可以等比拉伸纹理图片映射到建筑立面三维白模中,参见图5所示的一种建筑三维模型的示意图,左右两侧分别为具备不同的立面纹理属性值,不同建筑高度的建筑三维模型。
步骤D,基于该矢量轮廓组对应的屋顶类型数据,在建筑立面三维模型的顶部生成建筑屋顶三维白模,并将该矢量轮廓组对应的屋顶纹理数据映射至建筑屋顶三维白模,得到该矢量轮廓组对应的建筑三维模型。在实际应用中,考虑一个矢量轮廓,根据与其对应的屋顶类型属性值,利用平屋顶或斜屋顶的屋顶三维几何白模,其中斜屋顶可以调用CityEngine软件中roofGable(或roofHip、roofPyramid等)函数,平屋顶已于前述实施例构建建筑立面三维模型的顶面时生成。由于常用的屋顶纹理是纯色纹理,因此可使用相应的屋顶纹理属性值所表示的纹理图片,直接按照屋顶的长宽拉伸纹理图片进行纹理映射。请继续参见图5所示,左右两侧分别为具备平屋顶、斜屋顶建筑的建筑三维模型。
结合建筑立面三维模型和建筑屋顶三维模型可构建一个完整的有纹理的城市建筑模型。由于模型构建过程中,不同模型之间仅共用屋顶纹理图片与立面纹理图片,且仅对图片进行读操作,不存在数据冲突,因此利用并行策略,同时对多个矢量轮廓组进行建模,参见图6所示的一种大范围城市建筑三维建模的示意图,可高效快速的对城市内建筑完成三维建模。
另外,相关技术提供了《一种二三维GIS服务平台》和《一种基于BIM和GIS的城市实景三维模型的快速渲染出图方法》,上述两项现有技术均利用无人机或路况测绘车进行拍摄,并经过人工标注和人工修正建筑图像来确定建筑立面纹理;通过人工标注卫星遥感影像来确定建筑屋顶纹理。虽然通过此方法获取的屋顶和纹理属性更为精准,但需要的人工成本很高。本发明实施例完全从卫星遥感图像出发,利用AI解译技术的预测成果来确定建筑屋顶与纹理属性,这种AI算法节省了人工成本。此外,本发明实施例还创新了一种归一化算法,对预测成果中不精确的属性值进行了纠正,提高了这些属性的准确性和合理性。
进一步的,《一种二三维GIS服务平台》侧重于整合和管理二、三维数据,用于搭建服务平台;《一种基于BIM(建筑信息模型,Building Information Modeling)和GIS的城市实景三维模型的快速渲染出图方法》基于BIM结构图,利用SuperMap GIS软件输出三维模型,并侧重于整体城市实景三维构建。两项现有技术均不关注三维建模的细节处理过程。本发明实施例则聚焦于三维建模的过程,关注对建筑属性数据的细节处理,以及如何将建筑属性应用于过程建模算法中。
综上所述,本发明实施例提供的城市建筑三维模型的构建方法,至少具有以下特点:
(1)通过使用邻近矢量归一化算法,使得邻近建筑的屋顶类型、屋顶纹理、立面纹理达到一致,有效的纠正了部分AI解译成果中不准确的预测值,提高了这些属性的准确性和合理性,建模后的三维模型更加符合真实建筑特征。
(2)通过将AI解译成果中的屋顶类型、屋顶纹理、立面纹理属性加入建模规则,并利用纹理图片中所包含的楼层数、同一楼层中的窗户的横向重复的最大次数以及建筑立面尺寸,控制纹理图片的填充规律和重复规律,使得建模结果在白模的基础上增加了具有真实感的纹理贴图,生成的三维模型不仅可以支持有限元分析、物理模拟等应用,还可以支持漫游、可视化等渲染和交互需求。
对于前述实施例提供的城市建筑三维模型的构建方法,本发明实施例提供了一种城市建筑三维模型的构建装置,参见图7所示的一种城市建筑三维模型的构建装置的结构示意图,该装置主要包括以下部分:
数据获取模块702,用于获取待构建的城市建筑数据;其中,城市建筑数据包括地理位置数据、建筑高度数据和矢量轮廓;
归一化模块704,用于获取所述城市建筑数据对应的遥感解译成果,并对所述遥感解译成果进行邻近矢量归一化处理得到归一化解译成果;其中,归一化解译成果包括至少一个矢量轮廓组和每个矢量轮廓组对应的建筑属性数据,矢量轮廓组包括至少一个矢量轮廓;
模型构建模块706,用于基于地理位置数据、建筑高度数据和归一化解译成果,构建城市建筑数据对应的建筑三维模型。
本发明实施例提供的城市建筑三维模型的构建装置,基于城市建筑数据中的矢量轮廓、地理位置数据、建筑高度数据与遥感解译技术预测的建筑属性数据,提出了一种完全自动构建城市建筑三维模型的方法,生成的建筑三维模型不仅可以支持有限元分析、物理模拟等应用,还可以支持漫游、可视化等渲染和交互需求,本发明实施例可以显著提高构建城市建筑三维模型的效率和精度,还可以显著降低构建城市建筑三维模型所需的人工成本。
在一种实施方式中,归一化模块704还用于:对城市建筑数据中矢量轮廓进行分组,得到至少一个矢量轮廓组;分别对每个矢量轮廓组对应的遥感解译成果进行邻近矢量归一化处理,得到每个矢量轮廓组对应的建筑属性数据。
在一种实施方式中,归一化模块704还用于:对于城市建筑数据中每个矢量轮廓,判断该矢量轮廓是否与城市建筑数据中其他矢量轮廓相交;如果是,则将城市建筑数据中与该矢量轮廓相交的其他矢量轮廓,和该矢量轮廓划分为一个矢量轮廓组;如果否,则将该矢量轮廓划分为一个矢量轮廓组;和/或,对于城市建筑数据中每个矢量轮廓,计算该矢量轮廓与城市建筑数据中其他矢量轮廓之间的豪斯多夫距离是否小于预设距离阈值;如果是,则将城市建筑数据中与该矢量轮廓之间的豪斯多夫距离小于预设距离阈值的其他矢量轮廓,和该矢量轮廓划分为一个矢量轮廓组;如果否,则将该矢量轮廓划分为一个矢量轮廓组。
在一种实施方式中,归一化模块704还用于:如果矢量轮廓组中的矢量轮廓数量为1个,判断矢量轮廓对应的遥感解译成果中是否具有目标属性对应的第一预测值;如果是,则将第一预测值确定为矢量轮廓组对应的建筑属性数据;如果否,则从预设的第一候选值中随机确定第一目标值,并将第一目标值确定为矢量轮廓组对应的建筑属性数据。
在一种实施方式中,归一化模块704还用于:如果矢量轮廓组中的矢量轮廓数量大于1个,判断矢量轮廓组中的每个矢量轮廓对应的遥感解译成果中是否具有目标属性对应的第二预测值;如果矢量轮廓具有第二预测值,则统计每种第二预测值对应的轮廓面积和,并将最大轮廓面积和对应的第二预测值,确定为矢量轮廓组对应的建筑属性数据;如果每个矢量轮廓均不具有第二预测值,则从预设的第二候选值中随机确定第二目标值,并将第二目标值确定为矢量轮廓组对应的建筑属性数据。
在一种实施方式中,目标属性包括屋顶类型属性、屋顶纹理属性、立面纹理属性中的一种或多种,建筑属性数据包括屋顶类型数据、屋顶纹理数据、立面纹理数据中的一种或多种。
在一种实施方式中,模型构建模块706还用于:对于每个矢量轮廓组,根据该矢量轮廓组对应的建筑高度数据和地理位置数据内的每个定点位置信息进行拉伸建模,得到该矢量轮廓组对应的建筑立面三维白模;根据预设窗户宽度范围中随机确定该矢量轮廓组对应的目标窗户宽度数据,并基于目标窗户宽度数据、建筑高度数据确定目标放缩比例和纹理填充及重复规律;基于目标放缩比例和纹理填充及重复规律,将该矢量轮廓组对应的立面纹理数据映射至建筑立面三维白模,得到该矢量轮廓组对应的建筑立面三维模型;基于该矢量轮廓组对应的屋顶类型数据,在建筑立面三维模型的顶部生成建筑屋顶三维白模,并将该矢量轮廓组对应的屋顶纹理数据映射至建筑屋顶三维白模,得到该矢量轮廓组对应的建筑三维模型。
本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
本发明实施例提供了一种电子设备,具体的,该电子设备包括处理器和存储装置;存储装置上存储有计算机程序,计算机程序在被所述处理器运行时执行如上所述实施方式的任一项所述的方法。
图8为本发明实施例提供的一种电子设备的结构示意图,该电子设备100包括:处理器80,存储器81,总线82和通信接口83,所述处理器80、通信接口83和存储器81通过总线82连接;处理器80用于执行存储器81中存储的可执行模块,例如计算机程序。
其中,存储器81可能包含高速随机存取存储器(RAM,RandomAccessMemory),也可能还包括非不稳定的存储器(non-volatilememory),例如至少一个磁盘存储器。通过至少一个通信接口83(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线82可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图8中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器81用于存储程序,所述处理器80在接收到执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器80中,或者由处理器80实现。
处理器80可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器80中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器80可以是通用处理器,包括中央处理器(CentralProcessingUnit,简称CPU)、网络处理器(NetworkProcessor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。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。该存储介质位于存储器81,处理器80读取存储器81中的信息,结合其硬件完成上述方法的步骤。
本发明实施例所提供的可读存储介质的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见前述方法实施例,在此不再赘述。
所述功能如果以软件功能单元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。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解: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,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种城市建筑三维模型的构建方法,其特征在于,包括:
获取待构建的城市建筑数据;其中,所述城市建筑数据包括地理位置数据、建筑高度数据和矢量轮廓;
获取所述城市建筑数据对应的遥感解译成果,并对所述遥感解译成果进行邻近矢量归一化处理得到归一化解译成果;其中,所述归一化解译成果包括至少一个矢量轮廓组和每个所述矢量轮廓组对应的建筑属性数据,所述矢量轮廓组包括至少一个所述矢量轮廓;
基于所述地理位置数据、所述建筑高度数据和所述归一化解译成果,构建所述城市建筑数据对应的建筑三维模型。
2.根据权利要求1所述的城市建筑三维模型的构建方法,其特征在于,对所述遥感解译成果进行邻近矢量归一化处理得到归一化解译成果,包括:
对所述城市建筑数据中所述矢量轮廓进行分组,得到至少一个矢量轮廓组;
分别对每个所述矢量轮廓组对应的遥感解译成果进行邻近矢量归一化处理,得到每个所述矢量轮廓组对应的建筑属性数据。
3.根据权利要求2所述的城市建筑三维模型的构建方法,其特征在于,对所述城市建筑数据中所述矢量轮廓进行分组,得到至少一个矢量轮廓组,包括:
对于所述城市建筑数据中每个所述矢量轮廓,判断该矢量轮廓是否与所述城市建筑数据中其他矢量轮廓相交;
如果是,则将所述城市建筑数据中与该矢量轮廓相交的其他矢量轮廓,和该矢量轮廓划分为一个矢量轮廓组;如果否,则将该矢量轮廓划分为一个矢量轮廓组;
和/或,对于所述城市建筑数据中每个所述矢量轮廓,计算该矢量轮廓与所述城市建筑数据中其他矢量轮廓之间的豪斯多夫距离是否小于预设距离阈值;
如果是,则将所述城市建筑数据中与该矢量轮廓之间的所述豪斯多夫距离小于所述预设距离阈值的其他矢量轮廓,和该矢量轮廓划分为一个矢量轮廓组;如果否,则将该矢量轮廓划分为一个矢量轮廓组。
4.根据权利要求2所述的城市建筑三维模型的构建方法,其特征在于,分别对每个所述矢量轮廓组对应的遥感解译成果进行邻近矢量归一化处理,得到每个所述矢量轮廓组对应的建筑属性数据,包括:
如果所述矢量轮廓组中的矢量轮廓数量为1个,判断所述矢量轮廓对应的遥感解译成果中是否具有目标属性对应的第一预测值;
如果是,则将所述第一预测值确定为所述矢量轮廓组对应的建筑属性数据;
如果否,则从预设的第一候选值中随机确定第一目标值,并将所述第一目标值确定为所述矢量轮廓组对应的建筑属性数据。
5.根据权利要求2所述的城市建筑三维模型的构建方法,其特征在于,分别对每个所述矢量轮廓组对应的遥感解译成果进行邻近矢量归一化处理,得到每个所述矢量轮廓组对应的建筑属性数据,还包括:
如果所述矢量轮廓组中的矢量轮廓数量大于1个,判断所述矢量轮廓组中的每个所述矢量轮廓对应的遥感解译成果中是否具有目标属性对应的第二预测值;
如果所述矢量轮廓具有所述第二预测值,则统计每种所述第二预测值对应的轮廓面积和,并将最大轮廓面积和对应的所述第二预测值,确定为所述矢量轮廓组对应的建筑属性数据;
如果每个所述矢量轮廓均不具有所述第二预测值,则从预设的第二候选值中随机确定第二目标值,并将所述第二目标值确定为所述矢量轮廓组对应的建筑属性数据。
6.根据权利要求4或5所述的城市建筑三维模型的构建方法,其特征在于,所述目标属性包括屋顶类型属性、屋顶纹理属性、立面纹理属性中的一种或多种,所述建筑属性数据包括屋顶类型数据、屋顶纹理数据、立面纹理数据中的一种或多种。
7.根据权利要求6所述的城市建筑三维模型的构建方法,其特征在于, 基于所述地理位置数据、所述建筑高度数据和所述归一化解译成果,构建所述城市建筑数据对应的建筑三维模型,包括:
对于每个所述矢量轮廓组,根据该矢量轮廓组对应的所述建筑高度数据和所述地理位置数据内的每个定点位置信息进行拉伸建模,得到该矢量轮廓组对应的建筑立面三维白模;
根据预设窗户宽度范围中随机确定该矢量轮廓组对应的目标窗户宽度数据,并基于所述目标窗户宽度数据、所述建筑高度数据确定目标放缩比例和纹理填充及重复规律;
基于所述目标放缩比例和所述纹理填充及重复规律,将该矢量轮廓组对应的立面纹理数据映射至所述建筑立面三维白模,得到该矢量轮廓组对应的建筑立面三维模型;
基于该矢量轮廓组对应的屋顶类型数据,在所述建筑立面三维模型的顶部生成建筑屋顶三维白模,并将该矢量轮廓组对应的屋顶纹理数据映射至所述建筑屋顶三维白模,得到该矢量轮廓组对应的建筑三维模型。
8.一种城市建筑三维模型的构建装置,其特征在于,包括:
数据获取模块,用于获取待构建的城市建筑数据;其中,所述城市建筑数据包括地理位置数据、建筑高度数据和矢量轮廓;
归一化模块,用于获取所述城市建筑数据对应的遥感解译成果,并对所述遥感解译成果进行邻近矢量归一化处理得到归一化解译成果;其中,所述归一化解译成果包括至少一个矢量轮廓组和每个所述矢量轮廓组对应的建筑属性数据,所述矢量轮廓组包括至少一个所述矢量轮廓;
模型构建模块,用于基于所述地理位置数据、所述建筑高度数据和所述归一化解译成果,构建所述城市建筑数据对应的建筑三维模型。
9.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机可执行指令,所述处理器执行所述计算机可执行指令以实现权利要求1至7任一项所述的方法。
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存储有计算机可执行指令,所述计算机可执行指令在被处理器调用和执行时,计算机可执行指令促使处理器实现权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310188859.9A CN115937439B (zh) | 2023-03-02 | 2023-03-02 | 城市建筑三维模型的构建方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310188859.9A CN115937439B (zh) | 2023-03-02 | 2023-03-02 | 城市建筑三维模型的构建方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115937439A true CN115937439A (zh) | 2023-04-07 |
CN115937439B CN115937439B (zh) | 2023-06-09 |
Family
ID=86554428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310188859.9A Active CN115937439B (zh) | 2023-03-02 | 2023-03-02 | 城市建筑三维模型的构建方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115937439B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117152379A (zh) * | 2023-09-01 | 2023-12-01 | 北京数字政通科技股份有限公司 | 一种建筑物外观模型自动化构建方法及装置 |
CN117197390A (zh) * | 2023-11-07 | 2023-12-08 | 园测信息科技股份有限公司 | 三维建筑模型构建方法、装置和存储介质 |
CN117272491A (zh) * | 2023-11-21 | 2023-12-22 | 广东广宇科技发展有限公司 | 一种基于ai绘图模型的快速建模方法、设备及介质 |
CN117272491B (zh) * | 2023-11-21 | 2024-05-31 | 广东广宇科技发展有限公司 | 一种基于ai绘图模型的快速建模方法、设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150379431A1 (en) * | 2014-06-30 | 2015-12-31 | Digitalglobe, Inc. | Spectral data analytic cube classifier (spadacc) for continuous wide area geospatial modeling using normalized and higly dimensional multispectal raster data |
CN110610540A (zh) * | 2019-09-05 | 2019-12-24 | 广州图测智能科技有限公司 | 一种基于bim和gis的城市实景三维模型的快速渲染出图方法 |
CN112883839A (zh) * | 2021-02-02 | 2021-06-01 | 重庆市地理信息和遥感应用中心 | 基于自适应样本集构造与深度学习的遥感影像解译方法 |
CN114241024A (zh) * | 2021-11-10 | 2022-03-25 | 泰瑞数创科技(北京)有限公司 | 基于滑动边缘检测的人工神经网络建筑物纹理贴图方法及其系统 |
CN114677589A (zh) * | 2022-03-18 | 2022-06-28 | 广州市城市规划勘测设计研究院 | 基于遥感解译的城市功能区识别方法、装置、设备及介质 |
CN115482355A (zh) * | 2022-09-21 | 2022-12-16 | 南京国图信息产业有限公司 | 一种众源数据驱动的lod2级城市建筑物模型增强建模算法 |
-
2023
- 2023-03-02 CN CN202310188859.9A patent/CN115937439B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150379431A1 (en) * | 2014-06-30 | 2015-12-31 | Digitalglobe, Inc. | Spectral data analytic cube classifier (spadacc) for continuous wide area geospatial modeling using normalized and higly dimensional multispectal raster data |
CN110610540A (zh) * | 2019-09-05 | 2019-12-24 | 广州图测智能科技有限公司 | 一种基于bim和gis的城市实景三维模型的快速渲染出图方法 |
CN112883839A (zh) * | 2021-02-02 | 2021-06-01 | 重庆市地理信息和遥感应用中心 | 基于自适应样本集构造与深度学习的遥感影像解译方法 |
CN114241024A (zh) * | 2021-11-10 | 2022-03-25 | 泰瑞数创科技(北京)有限公司 | 基于滑动边缘检测的人工神经网络建筑物纹理贴图方法及其系统 |
CN114677589A (zh) * | 2022-03-18 | 2022-06-28 | 广州市城市规划勘测设计研究院 | 基于遥感解译的城市功能区识别方法、装置、设备及介质 |
CN115482355A (zh) * | 2022-09-21 | 2022-12-16 | 南京国图信息产业有限公司 | 一种众源数据驱动的lod2级城市建筑物模型增强建模算法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117152379A (zh) * | 2023-09-01 | 2023-12-01 | 北京数字政通科技股份有限公司 | 一种建筑物外观模型自动化构建方法及装置 |
CN117152379B (zh) * | 2023-09-01 | 2024-05-07 | 北京数字政通科技股份有限公司 | 一种建筑物外观模型自动化构建方法及装置 |
CN117197390A (zh) * | 2023-11-07 | 2023-12-08 | 园测信息科技股份有限公司 | 三维建筑模型构建方法、装置和存储介质 |
CN117197390B (zh) * | 2023-11-07 | 2024-02-09 | 园测信息科技股份有限公司 | 三维建筑模型构建方法、装置和存储介质 |
CN117272491A (zh) * | 2023-11-21 | 2023-12-22 | 广东广宇科技发展有限公司 | 一种基于ai绘图模型的快速建模方法、设备及介质 |
CN117272491B (zh) * | 2023-11-21 | 2024-05-31 | 广东广宇科技发展有限公司 | 一种基于ai绘图模型的快速建模方法、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115937439B (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115937439B (zh) | 城市建筑三维模型的构建方法、装置及电子设备 | |
CN112163251B (zh) | 建筑模型单体化方法、装置、存储介质及电子设备 | |
CN109242961A (zh) | 一种脸部建模方法、装置、电子设备和计算机可读介质 | |
US20150187130A1 (en) | Automatic Generation of 2.5D Extruded Polygons from Full 3D Models | |
CN111815707A (zh) | 点云确定方法、点云筛选方法、装置、计算机设备 | |
CN113947766B (zh) | 一种基于卷积神经网络的实时车牌检测方法 | |
CN115082699A (zh) | 一种轮廓形状提取方法、装置、电子设备及存储介质 | |
CN113570665A (zh) | 路沿提取的方法、装置及电子设备 | |
CN115393240A (zh) | Gis和bim融合的方法、装置、电子设备及可读存储介质 | |
CN111583381A (zh) | 游戏资源图的渲染方法、装置及电子设备 | |
CN114119900A (zh) | 建筑模型的构建方法、装置、设备、存储介质及程序产品 | |
CN113743155A (zh) | 一种构建物体的多细节层次模型的方法及计算机设备 | |
CN110807730B (zh) | 影像几何纠正方法、装置及电子设备 | |
CN111353580A (zh) | 目标检测网络的训练方法、电子设备及存储介质 | |
CN114565916A (zh) | 目标检测模型训练方法、目标检测方法以及电子设备 | |
CN115641415A (zh) | 基于卫星影像生成三维场景的方法、装置、设备及介质 | |
CN113223178B (zh) | 管道选定结构特征参数的确定方法和装置 | |
CN115841558B (zh) | 城市道路建模的方法、装置、电子设备和存储介质 | |
CN116608850A (zh) | 一种机器人导航地图的构建方法、系统、装置和介质 | |
CN112419460A (zh) | 烘焙模型贴图的方法、装置、计算机设备和存储介质 | |
CN115880448B (zh) | 基于双目成像的三维测量方法及装置 | |
CN116912817A (zh) | 三维场景模型拆分方法、装置、电子设备和存储介质 | |
CN113989680B (zh) | 建筑三维场景自动构建方法及系统 | |
CN115937396A (zh) | 图像渲染方法、装置、终端设备及计算机可读存储介质 | |
CN112419459B (zh) | 烘焙模型ao贴图的方法、装置、计算机设备和存储介质 |
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 |