CN116011061A - 一种多目标建筑物的三维重建模型单体分割方法、系统及终端机 - Google Patents
一种多目标建筑物的三维重建模型单体分割方法、系统及终端机 Download PDFInfo
- Publication number
- CN116011061A CN116011061A CN202211549822.6A CN202211549822A CN116011061A CN 116011061 A CN116011061 A CN 116011061A CN 202211549822 A CN202211549822 A CN 202211549822A CN 116011061 A CN116011061 A CN 116011061A
- Authority
- CN
- China
- Prior art keywords
- building
- model
- image
- pixel
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000011218 segmentation Effects 0.000 title claims abstract description 48
- 239000000178 monomer Substances 0.000 title claims abstract description 31
- 238000003708 edge detection Methods 0.000 claims abstract description 23
- 238000001914 filtration Methods 0.000 claims abstract description 17
- 238000006243 chemical reaction Methods 0.000 claims abstract description 15
- 238000012946 outsourcing Methods 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims abstract description 13
- 238000009499 grossing Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 25
- 238000000605 extraction Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 230000000452 restraining effect Effects 0.000 claims description 3
- 238000004064 recycling Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Processing Or Creating Images (AREA)
Abstract
本发明提供一种多目标建筑物的三维重建模型单体分割方法、系统及终端机，涉及三维重建领域，采用Canny算子对正射影像图的建筑物进行边缘检测；对建筑物的边缘检测结果进行高斯平滑滤波处理；对建筑物进行二值化处理；提取目标建筑物最外层的轮廓；获取轮廓外包矩形，根据DOM图像坐标和地理坐标的转换关系，将图像坐标转化为地理坐标，并保存在文本文件中；在DOM模型中，将提取出来的外包矩阵作为约束域，从整体三角网中提取落在约束区域内的建筑物模型、纹理点和三角面片；对建筑物模型进行分割。本发明对具体的目标地物赋予实际的属性信息，从而实现目标建筑物的三维模型在不同系统、不同领域间高效管理和重复利用。
Description
技术领域
本发明涉及三维重建领域，尤其涉及一种多目标建筑物的三维重建模型单体分割方法、系统及终端机。
背景技术
建筑物包括房屋和构筑物两大类。房屋是指供人居住、工作、学习、生产、经营、娱乐、储藏物品以及进行其他社会活动的工程建筑。
建筑物作为重要的人工地物之一，与人们的生活息息相关。在工程、无人驾驶、精确制导等诸多领域中对于建筑物的分割有着潜在的需求。
目前需要对城市建筑物图像的采集及处理，通常采用建筑物三维模型来进行处理，这样，实现了对建筑物实体对象建模，并包括属性、能力和行为建模的同时，还建立和关联了实体相应的三维模型，包括几何模型、简单行为模型等。
对于重建的三维模型实质上是一个连续的不规则三角网，只能满足视觉上的感官需要，还不能对具体的目标地物赋予实际的属性信息，从而影响了目标建筑物的三维在不同系统、不同领域间高效管理和重复利用，因此如何对建筑物进行有效的分割是当前亟待解决的技术问题。
发明内容
本发明提供一种多目标建筑物的三维重建模型单体分割方法，方法利用立体数据对单体建筑物的三维模型进行分割，对具体的目标地物赋予实际的属性信息，从而实现目标建筑物的三维模型在不同系统、不同领域间高效管理和重复利用。
方法包括：
步骤一：采用Canny算子并基于DOM模型对正射影像图的建筑物进行边缘检测；
步骤二：对建筑物的边缘检测结果进行高斯平滑滤波处理；
步骤三：对建筑物进行二值化处理；
步骤四：提取目标建筑物最外层的轮廓；
步骤五：获取轮廓外包矩形，根据DOM图像坐标和地理坐标的转换关系，将图像坐标转化为地理坐标，并保存在文本文件中；
步骤六：在DOM模型中，将提取出来的外包矩阵作为约束域，从整体三角网中提取落在约束区域内的建筑物模型、纹理点和三角面片；
步骤七：对建筑物模型进行分割。
进一步需要说明的是，步骤一中，
1)采用公式(1)的方式对建筑物的图像进行灰度化处理，将彩色影像转化为灰度影像；
其中，Gray(i,j)表示图像上坐标为(i，j)的灰度值，R(i，j)为图像中坐标为(i，j)的R分量的亮度值，G(i，j)为图像中坐标为(i，j)的G分量的亮度值，B(i，j)为图像中坐标为(i，j)的B分量的亮度值；
2)通过高斯平滑滤波来消除噪声；
3)计算图像梯度值及梯度方向；
4)寻找局部极大值点对应的像素点并保留或标记为边缘像素，将非极大值点的像素点的灰度值进行抑制并设置为背景；
5)利用滞后阈值算法解算图像边缘。
若某像素的梯度幅值大于高阈值，则判定该像素为真实边缘像素而被保留；
若某像素的梯度幅值小于低阈值，则判定所述像素不是真实边缘像素而被排除；
若某像素的梯度值在高阈值和低阈值之间，且所述像素只与一个梯度值大于高阈值的像素相连，则判定该像素为真实边缘像素而被保留。
进一步需要说明的是，步骤三中，
二值化处理方式包括：
式中，gnew(x,y)是(x,y)坐标处像素新的灰度值；gold(x,y)是该像素以前的灰度值；T是根据实验经验设定的灰度阈值，T的取值范围为0～255。
进一步需要说明的是，步骤四中，
①扫描二值图像，把该二值图像中所有灰度值为255的像素点都加入到一个L中，并进行连通区域标记，寻找连通区域最外层的边缘像素；
②对链表L中的像素进行分类处理，将同属于一个连通区域的像素点放在一个集合中，建立多个连通区域的集合L1，L2，L3，…。
进一步需要说明的是，设置最小阈值Tmin作为集合的约束，当轮廓长度大于最小阈值Tmin时保留该集合，如小于最小阈值Tmin则删除该集合；
在DSM模型中设置最小高程差Hmin，将DOM模型中建筑物像素点的高程值与DSM模型对应比较，得到高程差值；
当高程差值大于最小高程差Hmin时保留该高程值；
当高程差值小于最小高程差Hmin时，则删除该高程值。
进一步需要说明的是，步骤五中，遍历各轮廓集中所有像素点，寻找其中图像分别在x、y方向上的最大值xmax、ymax和最小值xmin、ymin，并以(xmin，ymin)的像素作为最小规则外包矩阵左上角的顶点，以(xmax，ymax)位置的像素作为外包矩阵右下角的顶点；
根据DOM图像坐标和地理坐标的转换关系，将图像坐标转化为地理坐标，并保存在文本文件中。
本发明还提供一种多目标建筑物的三维重建模型单体分割系统，所述系统包括：边缘检测模块、滤波处理模块、二值化处理模块、目标提取模块、坐标转换模块、建筑物模型提取模块以及建筑物模型分割模块；
所述边缘检测模块，用于采用Canny算子并基于DOM模型对正射影像图的建筑物进行边缘检测；
所述滤波处理模块，用于对建筑物的边缘检测结果进行高斯平滑滤波处理；
所述二值化处理模块，用于对建筑物进行二值化处理；
所述目标提取模块，用于提取目标建筑物最外层的轮廓；
所述坐标转换模块，用于获取轮廓外包矩形，根据DOM图像坐标和地理坐标的转换关系，将图像坐标转化为地理坐标，并保存在文本文件中；
所述建筑物模型提取模块，用于在DOM模型中，将提取出来的外包矩阵作为约束域，从整体三角网中提取落在约束区域内的建筑物模型、纹理点和三角面片；
所述建筑物模型分割模块，用于对建筑物模型进行分割。
本发明还提供一种终端机，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，处理器执行所述程序时实现多目标建筑物的三维重建模型单体分割方法的步骤。
从以上技术方案可以看出，本发明具有以下优点：
本发明是基于二维模型协同的多目标建筑物的三维重建模型单体分割方法，通过遥感图像中的建筑物数据，解决高空视角拍摄的，通常对于目标顶面的结构和纹理信息较多，而对于目标侧面信息包含较少的问题，实现对大部分的建筑物目标可以根据其顶面信息及高程信息进行分割。
本发明的多目标建筑物的三维重建模型单体分割方法能够对建筑物进行单体分割，方便用户对建筑物的单体分割，分割过程效率有效的得到提升。还能够对分割数据高效率地收集、存储，并进行处理，可以对分割建筑物的状态实现过程数据输出，调试等等，使用多维空间描述整个分割过程。提高分割建筑物的质量和精度，从而实现分割过程监督、管理和控制的精确性和科学性。
附图说明
为了更清楚地说明本发明的技术方案，下面将对描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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为多目标建筑物的三维重建模型单体分割方法流程图；
图2为多目标建筑物的三维重建模型单体分割系统示意图。
具体实施方式
如图1和2是本发明提供多目标建筑物的三维重建模型单体分割方法的图示，仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的模块而非按照实际实施时的模块数目及功能，其实际实施时各模块的功能、数量及作用可为一种随意的改变，且其模块的功能和用途也可能更为复杂。
多目标建筑物的三维重建模型单体分割方法可以基于人工智能技术对关联的数据进行获取和处理。其中，本发明的分割方法利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用装置。
本发明的多目标建筑物的三维重建模型单体分割方法还具有机器学习功能，其中本发明方法中的机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
本发明涉及的多目标建筑物的三维重建模型单体分割方法利用文档对象模型(Document Object Model，简称DOM)技术，通过建立建筑物模型，利用三维重建模型、数字地表模型(Digital Surface Model，DSM)等技术，实现目标建筑物的三维模型在不同系统、不同领域间高效管理和重复利用，对建筑物进行分割。
本发明的多目标建筑物的三维重建模型单体分割方法可以应用于一个或者多个终端机中，所述终端机是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
终端机可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、交互式网络电视(Internet Protocol Television，IPTV)、智能式穿戴式设备等。
终端机还可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(Cloud Computing)的由大量主机或网络服务器构成的云。
终端机所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
本发明是基于二维模型协同的多目标建筑物的三维重建模型单体分割方法，通过遥感图像中的建筑物数据，解决高空视角拍摄的，通常对于目标顶面的结构和纹理信息较多，而对于目标侧面信息包含较少的问题，实现对大部分的建筑物目标可以根据其顶面信息及高程信息进行分割。
下面将结合本发明实施例中的附图，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。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。
请参阅图1所示是一具体实施例中多目标建筑物的三维重建模型单体分割方法的流程图，方法包括：
S101：采用Canny算子并基于DOM模型对正射影像图的建筑物进行边缘检测；
边缘检测是为了获取图像中有关形状和反射或透射比信息，是图像处理、分析、理解、模式识别的基本步骤。
(1)由于DOM是真彩色的影像，采用公式(1)的方式对其灰度化处理，将彩色影像转化为灰度影像；
其中，Gray(i,j)表示图像上坐标为(i，j)的灰度值，R(i，j)为图像中坐标为(i，j)的R分量的亮度值，G(i，j)为图像中坐标为(i，j)的G分量的亮度值，B(i，j)为图像中坐标为(i，j)的B分量的亮度值。采用灰度化处理不仅保留了原图中色度和亮度特征，还减少了色彩等无效信息。
(2)通过高斯平滑滤波来消除噪声；
(3)计算图像梯度值及梯度方向；
(4)寻找局部极大值点对应的像素点并保留或标记为边缘像素，将非极大值点的像素点的灰度值进行抑制并设置为背景。
(5)利用滞后阈值算法解算图像边缘。
若某像素的梯度幅值大于高阈值，则判定该像素为真实边缘像素而被保留；
若某像素的梯度幅值小于低阈值，则判定所述像素不是真实边缘像素而被排除；
若某像素的梯度值在高阈值和低阈值之间，且所述像素只与一个梯度值大于高阈值的像素相连，则判定该像素为真实边缘像素而被保留。
S102、对建筑物的边缘检测结果进行高斯平滑滤波处理；
由于DOM中纹理十分丰富，蕴含的地物几何结构特征比较复杂，采用Canny算子进行边缘检测后得到的边缘通常会含有很多噪声，因此还需要对边缘检测结果进行高斯平滑滤波处理。
S103、对建筑物进行二值化处理；
式中，gnew(x,y)是(x,y)坐标处像素新的灰度值；gold(x,y)是该像素以前的灰度值；T是根据实验经验设定的灰度阈值，属于0～255。
S104、提取目标建筑物最外层的轮廓；
在图像对细节表达比较理想的情况下，建筑物在DOM上的表现是一个连通区域，同时模型的在建筑物边缘的高程差较大，且建筑物相较于周围物体整体高程较大。根据边缘像素连接层次的差别，提取出位于数据结构中特征比较明显的区域点构成集合，该集合是目标轮廓的可能性较高。由于结构比较复杂有时候会存在一个建筑物由多层次的连通区域构成以至于建筑轮廓的表达和提取变的复杂。本发明简化了这种表达，只提取目标建筑物最外层的轮廓：
①扫描二值图像，把该二值图像中所有灰度值为255的像素点都加入到一个L中，并进行连通区域标记，寻找连通区域最外层的边缘像素。
②对链表L中的像素进行分类处理，将同属于一个连通区域的像素点放在一个集合中，建立多个连通区域的集合L1，L2，L3，…。
由于在L1，L2，L3，…会存在非建筑物的集合，这里加入了一个轮廓长度约束。DOM中含有每个像素点长宽与实际物体的对应关系。通常建筑物的轮廓长度较大而非建筑物的轮廓较小，设置最小阈值Tmin作为集合的约束，当轮廓长度大于最小阈值Tmin时保留该集合，如小于最小阈值Tmin则删除该集合；
在DSM模型中设置最小高程差Hmin，将DOM模型中建筑物像素点的高程值与DSM模型对应比较，得到高程差值；
当高程差值大于最小高程差Hmin时保留该高程值；
当高程差值小于最小高程差Hmin时，则删除该高程值。
S105、获取轮廓外包矩形生成与顶点坐标的。
具体来讲，遍历各轮廓集中所有像素点，寻找其中图像分别在x、y方向上的最大值xmax、ymax和最小值xmin、ymin并以(xmin，ymin)的像素作为最小规则外包矩阵左上角的顶点，以(xmax，ymax)位置的像素作为外包矩阵右下角的顶点。同时将根据DOM图像坐标和地理坐标的转换关系，将上述图像坐标转化为地理坐标，并保存在文本文件中。
S106、在DOM模型中，将提取出来的外包矩阵作为约束域，从整体三角网中提取落在约束区域内的建筑物模型、纹理点和三角面片；
S107、对建筑物模型精细分割
由于建筑物与周围建筑物存在较高的高程差，故可设置一个高程差约束T2min，删除粗略模型中小于T2min的区域即可得到单体建筑物。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
本发明的多目标建筑物的三维重建模型单体分割方法能够对建筑物进行单体分割，方便用户对建筑物的单体分割，分割过程效率有效的得到提升。还能够对分割数据高效率地收集、存储，并进行处理，可以对分割建筑物的状态实现过程数据输出，调试等等，使用多维空间描述整个分割过程。提高分割建筑物的质量和精度，从而实现分割过程监督、管理和控制的精确性和科学性。
以下是本公开实施例提供的多目标建筑物的三维重建模型单体分割系统的实施例，该系统与上述各实施例的多目标建筑物的三维重建模型单体分割方法属于同一个发明构思，在多目标建筑物的三维重建模型单体分割系统的实施例中未详尽描述的细节内容，可以参考上述多目标建筑物的三维重建模型单体分割方法的实施例。
所述系统包括：边缘检测模块、滤波处理模块、二值化处理模块、目标提取模块、坐标转换模块、建筑物模型提取模块以及建筑物模型分割模块；
所述边缘检测模块，用于采用Canny算子并基于DOM模型对正射影像图的建筑物进行边缘检测；
所述滤波处理模块，用于对建筑物的边缘检测结果进行高斯平滑滤波处理；
所述二值化处理模块，用于对建筑物进行二值化处理；
所述目标提取模块，用于提取目标建筑物最外层的轮廓；
所述坐标转换模块，用于获取轮廓外包矩形，根据DOM图像坐标和地理坐标的转换关系，将图像坐标转化为地理坐标，并保存在文本文件中；
所述建筑物模型提取模块，用于在DOM模型中，将提取出来的外包矩阵作为约束域，从整体三角网中提取落在约束区域内的建筑物模型、纹理点和三角面片；
所述建筑物模型分割模块，用于对建筑物模型进行分割。
本发明的多目标建筑物的三维重建模型单体分割系统中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
多目标建筑物的三维重建模型单体分割系统及方法是结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明的实施例中，可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或电力服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(示例性的讲利用因特网服务提供商来通过因特网连接)。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业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公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种多目标建筑物的三维重建模型单体分割方法，其特征在于，方法包括：
步骤一：采用Canny算子并基于DOM模型对正射影像图的建筑物进行边缘检测；
步骤二：对建筑物的边缘检测结果进行高斯平滑滤波处理；
步骤三：对建筑物进行二值化处理；
步骤四：提取目标建筑物最外层的轮廓；
步骤五：获取轮廓外包矩形，根据DOM图像坐标和地理坐标的转换关系，将图像坐标转化为地理坐标，并保存在文本文件中；
步骤六：在DOM模型中，将提取出来的外包矩阵作为约束域，从整体三角网中提取落在约束区域内的建筑物模型、纹理点和三角面片；
步骤七：对建筑物模型进行分割。
2.根据权利要求1所述的多目标建筑物的三维重建模型单体分割方法，其特征在于，步骤一中，
1)采用公式(1)的方式对建筑物的图像进行灰度化处理，将彩色影像转化为灰度影像；
其中，Gray(i,j)表示图像上坐标为(i，j)的灰度值，R(i，j)为图像中坐标为(i，j)的R分量的亮度值，G(i，j)为图像中坐标为(i，j)的G分量的亮度值，B(i，j)为图像中坐标为(i，j)的B分量的亮度值；
2)通过高斯平滑滤波来消除噪声；
3)计算图像梯度值及梯度方向；
4)寻找局部极大值点对应的像素点并保留或标记为边缘像素，将非极大值点的像素点的灰度值进行抑制并设置为背景；
5)利用滞后阈值算法解算图像边缘。
3.根据权利要求2所述的多目标建筑物的三维重建模型单体分割方法，其特征在于，步骤5)中若某像素的梯度幅值大于高阈值，则判定该像素为真实边缘像素而被保留；
若某像素的梯度幅值小于低阈值，则判定所述像素不是真实边缘像素而被排除；
若某像素的梯度值在高阈值和低阈值之间，且所述像素只与一个梯度值大于高阈值的像素相连，则判定该像素为真实边缘像素而被保留。
4.根据权利要求1所述的多目标建筑物的三维重建模型单体分割方法，其特征在于，步骤三中，
二值化处理方式包括：
式中，gnew(x,y)是(x,y)坐标处像素新的灰度值；gold(x,y)是该像素以前的灰度值；T是根据实验经验设定的灰度阈值，T的取值范围为0～255。
5.根据权利要求1所述的多目标建筑物的三维重建模型单体分割方法，其特征在于，步骤四中，
①扫描二值图像，把该二值图像中所有灰度值为255的像素点都加入到一个L中，并进行连通区域标记，寻找连通区域最外层的边缘像素；
②对链表L中的像素进行分类处理，将同属于一个连通区域的像素点放在一个集合中，建立多个连通区域的集合L1，L2，L3，…。
6.根据权利要求5所述的多目标建筑物的三维重建模型单体分割方法，其特征在于，
设置最小阈值Tmin作为集合的约束，当轮廓长度大于最小阈值Tmin时保留该集合，如小于最小阈值Tmin则删除该集合；
在DSM模型中设置最小高程差Hmin，将DOM模型中建筑物像素点的高程值与DSM模型对应比较，得到高程差值；
当高程差值大于最小高程差Hmin时保留该高程值；
当高程差值小于最小高程差Hmin时，则删除该高程值。
7.根据权利要求1所述的多目标建筑物的三维重建模型单体分割方法，其特征在于，步骤五中，遍历各轮廓集中所有像素点，寻找其中图像分别在x、y方向上的最大值xmax、ymax和最小值xmin、ymin，并以(xmin，ymin)的像素作为最小规则外包矩阵左上角的顶点，以(xmax，ymax)位置的像素作为外包矩阵右下角的顶点；
根据DOM图像坐标和地理坐标的转换关系，将图像坐标转化为地理坐标，并保存在文本文件中。
8.一种多目标建筑物的三维重建模型单体分割系统，其特征在于，所述系统采用多目标建筑物的三维重建模型单体分割方法；
所述系统包括：边缘检测模块、滤波处理模块、二值化处理模块、目标提取模块、坐标转换模块、建筑物模型提取模块以及建筑物模型分割模块；
所述边缘检测模块，用于采用Canny算子并基于DOM模型对正射影像图的建筑物进行边缘检测；
所述滤波处理模块，用于对建筑物的边缘检测结果进行高斯平滑滤波处理；
所述二值化处理模块，用于对建筑物进行二值化处理；
所述目标提取模块，用于提取目标建筑物最外层的轮廓；
所述坐标转换模块，用于获取轮廓外包矩形，根据DOM图像坐标和地理坐标的转换关系，将图像坐标转化为地理坐标，并保存在文本文件中；
所述建筑物模型提取模块，用于在DOM模型中，将提取出来的外包矩阵作为约束域，从整体三角网中提取落在约束区域内的建筑物模型、纹理点和三角面片；
所述建筑物模型分割模块，用于对建筑物模型进行分割。
9.一种终端机，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述多目标建筑物的三维重建模型单体分割方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211549822.6A CN116011061A (zh) | 2022-12-05 | 2022-12-05 | 一种多目标建筑物的三维重建模型单体分割方法、系统及终端机 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211549822.6A CN116011061A (zh) | 2022-12-05 | 2022-12-05 | 一种多目标建筑物的三维重建模型单体分割方法、系统及终端机 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116011061A true CN116011061A (zh) | 2023-04-25 |
Family
ID=86018420
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211549822.6A Pending CN116011061A (zh) | 2022-12-05 | 2022-12-05 | 一种多目标建筑物的三维重建模型单体分割方法、系统及终端机 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116011061A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116580160A (zh) * | 2023-07-12 | 2023-08-11 | 深圳大学 | 一种建筑物单体分割和结构重建耦合处理方法及相关装置 |
-
2022
- 2022-12-05 CN CN202211549822.6A patent/CN116011061A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116580160A (zh) * | 2023-07-12 | 2023-08-11 | 深圳大学 | 一种建筑物单体分割和结构重建耦合处理方法及相关装置 |
| CN116580160B (zh) * | 2023-07-12 | 2023-12-15 | 深圳大学 | 一种建筑物单体分割和结构重建耦合处理方法及相关装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Deschaud et al. | A fast and accurate plane detection algorithm for large noisy point clouds using filtered normals and voxel growing | |
| Grilli et al. | A review of point clouds segmentation and classification algorithms | |
| CN105551028B (zh) | 一种基于遥感影像的地理空间数据动态更新的方法及系统 | |
| CN106250895B (zh) | 一种光学遥感图像感兴趣区域检测方法 | |
| CN107066916B (zh) | 基于反卷积神经网络的场景语义分割方法 | |
| CN110443239A (zh) | 文字图像的识别方法及其装置 | |
| CN108399424B (zh) | 一种点云分类方法、智能终端及存储介质 | |
| CN107944459A (zh) | 一种rgb‑d物体识别方法 | |
| CN113537180B (zh) | 树障的识别方法、装置、计算机设备和存储介质 | |
| CN115471423A (zh) | 一种基于生成对抗网络及自注意力机制的点云去噪方法 | |
| CN116258757A (zh) | 一种基于多尺度交叉注意力的单目图像深度估计方法 | |
| CN116011061A (zh) | 一种多目标建筑物的三维重建模型单体分割方法、系统及终端机 | |
| CN113223159A (zh) | 基于目标纹理虚拟化处理的单幅遥感图像三维建模方法 | |
| Nousias et al. | A saliency aware CNN-based 3D model simplification and compression framework for remote inspection of heritage sites | |
| Chen et al. | Quantization in relative gradient angle domain for building polygon estimation | |
| CN114782645A (zh) | 虚拟数字人制作方法、相关设备及可读存储介质 | |
| CN108491826B (zh) | 一种遥感影像建筑物的自动提取方法 | |
| CN113838199B (zh) | 一种三维地形生成方法 | |
| Becker et al. | Lidar inpainting from a single image | |
| Li et al. | [Retracted] 3D Real Scene Data Collection of Cultural Relics and Historical Sites Based on Digital Image Processing | |
| CN109859118B (zh) | 一种基于四叉树的有效镶嵌多边形优化去除云覆盖区域的方法和系统 | |
| Jocić et al. | 2D fuzzy spatial relations and their applications to DICOM medical images | |
| CN109902764A (zh) | 基于人工智能的变形图像数据检测方法、装置和设备 | |
| Wang | [Retracted] A Systematic Study on the Extraction and Image Reproduction of Ceramic Sculpture Artworks | |
| CN116452604B (zh) | 一种复杂变电站场景分割方法、设备及存储介质 |
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 |