CN116229007B - 利用bim建模的四维数字图像构建方法、装置、设备及介质 - Google Patents
利用bim建模的四维数字图像构建方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116229007B CN116229007B CN202310231346.1A CN202310231346A CN116229007B CN 116229007 B CN116229007 B CN 116229007B CN 202310231346 A CN202310231346 A CN 202310231346A CN 116229007 B CN116229007 B CN 116229007B
- Authority
- CN
- China
- Prior art keywords
- image
- building
- dimensional
- point cloud
- data set
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 35
- 230000004927 fusion Effects 0.000 claims abstract description 54
- 238000004422 calculation algorithm Methods 0.000 claims description 61
- 238000012545 processing Methods 0.000 claims description 44
- 230000006835 compression Effects 0.000 claims description 36
- 238000007906 compression Methods 0.000 claims description 36
- 238000000034 method Methods 0.000 claims description 22
- 238000003709 image segmentation Methods 0.000 claims description 17
- 238000001514 detection method Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000001228 spectrum Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 11
- 238000007635 classification algorithm Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000003702 image correction Methods 0.000 claims description 4
- 238000007499 fusion processing Methods 0.000 abstract description 11
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000001914 filtration Methods 0.000 description 14
- 238000007726 management method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 1
- 235000017491 Bambusa tulda Nutrition 0.000 description 1
- 241001330002 Bambuseae Species 0.000 description 1
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 1
- 239000011425 bamboo Substances 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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
- G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/14—Transformations for image registration, e.g. adjusting or mapping for alignment of images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Geometry (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Optimization (AREA)
- Medical Informatics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Computer Graphics (AREA)
- Algebra (AREA)
- Image Processing (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明涉及人工智能技术,揭露了一种利用BIM建模的四维数字图像构建方法,包括:对建筑点云数据集进行去噪、压缩及配准处理,得到标准点云数据集,对分割图像集中的分割图像进行图像聚类处理,得到初步聚类结果,根据初步聚类结果和预设立体关系构建标准三维图像,对时间维度数据、建筑点云数据集及所述标准三维图像进行融合处理,得到建筑融合数据集,将建筑融合数据集和BIM建筑信息模型进行结合,得到四维数字图像模型,利用四维数字图像模型对待处理建筑进行图像构建,得到待处理建筑对应的四维数字图像。本发明还提出一种利用BIM建模的四维数字图像构建装置、电子设备以及计算机可读存储介质。本发明可以解决数字图像生成的准确度较低的问题。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种利用BIM建模的四维数字图像构建方法、装置、电子设备及计算机可读存储介质。
背景技术
近年来随着经济的发展和进步,各种不同样式的高层建筑都如同雨后春笋般涌现,而由于城市建筑越来越多,如何进行更全面的建筑空间管理就成为城市管理任务之中的重中之重,数字化图像作为依据贯穿建筑空间全周期,并重新定义建筑空间管理方式。因此,如何生成建筑群体的数字化图像成为亟待解决的问题。
现有的数字化图像生成方法通常是根据任意选定的数据维度进行图像生成,这种方法使得生成的图像准确度不够高,因此亟待提出一种准确度更高的数字图像生成方法。
发明内容
本发明提供一种利用BIM建模的四维数字图像构建方法、装置及计算机可读存储介质,其主要目的在于解决数字图像生成的准确度较低的问题。
为实现上述目的,本发明提供的一种利用BIM建模的四维数字图像构建方法,包括:
利用三维激光扫描仪采集目标建筑物的建筑点云数据集,并记录建筑点云数据集采集时间,对所述建筑点云数据集进行去噪处理、压缩处理及配准处理,得到标准点云数据集;
根据拍摄设备获取所述目标建筑物在任意角度的单幅图像,并记录图像获取时间,检测所述单幅图像中的图像线段及所述图像线段对应的消隐点集合,基于所述图像线段和所述消隐点集合对所述单幅图像进行图像分割,得到分割图像集;
对所述分割图像集中的分割图像进行图像聚类处理,得到初步聚类结果,根据所述初步聚类结果和预设立体关系构建标准三维图像;
根据所述建筑点云数据集采集时间及所述图像获取时间得到时间维度数据,并根据预设数据融合算法和所述时间维度数据对所述建筑点云数据集及所述标准三维图像进行融合处理,得到建筑融合数据集;
将所述建筑融合数据集和BIM建筑信息模型进行结合,得到四维数字图像模型,利用所述四维数字图像模型对待处理建筑进行图像构建,得到所述待处理建筑对应的四维数字图像。
可选地,所述根据预设数据融合算法和所述时间维度数据对所述建筑点云数据集及所述标准三维图像进行融合处理,得到建筑融合数据集,包括:
将所述建筑点云数据集中的三维点云数据投影到灰度相机坐标系下,并对所述灰度相机坐标系下的坐标数据进行旋转校准,将校准后的三维点云坐标数据投影至彩色相机坐标系下;
将所述标准三维图像映射至所述彩色相机坐标系上,并以所述时间维度数据对所述彩色相机坐标系上所述标准三维图像对应的坐标点及所述校准后的三维点云坐标数据对应的坐标点执行数据对齐,得到建筑融合数据集。
可选地,所述对所述分割图像集中的分割图像进行图像聚类处理,得到初步聚类结果,包括:
利用预设滤波器对所述分割图像集中的分割图像进行卷积处理,得到多个特征图谱;
将所述特征图谱拆分为预设区域的子图谱,并计算所述子图谱对应的均值,将所述均值作为所述分割图像对应的全局描述特征;
利用分层聚类算法将所述全局描述特征进行聚类处理,得到聚类描述特征集,并将所述聚类描述特征对应的分割图像划分至所述聚类描述特征集下,得到初步聚类结果。
可选地,所述检测所述单幅图像中的图像线段,包括:
利用预设的直线检测算法对所述单幅图像进行直线检测,得到多条潜在直线,并删除长度小于预设直线阈值的潜在直线;
选择与所述单幅图像中质心的距离值最小的潜在直线作为参考直线,并以所述参考直线为基线对多条潜在直线进行搜索,将搜索得到的直线作为图像线段。
可选地,所述根据所述初步聚类结果和预设立体关系构建标准三维图像,包括:
按照所述预设立体关系将所述初步聚类结果中的所述聚类描述特征对应的分割图像进行立体组合,得到标准三维图像。
可选地,所述检测出所述图像线段对应的消隐点集合,包括:
在多条图像线段中随机选择两条线段,并利用预设的消隐点求取算法对所述线段进行消隐点求取,得到多个初始消隐点;
根据预设最大期望算法对多个所述初始消隐点进行优化处理,得到消隐点集合。
可选地,所述基于所述图像线段和所述消隐点集合对所述单幅图像进行图像分割,得到分割图像集,包括:
基于预构建的矫正矩阵对所单幅图像进行图像矫正处理,得到矫正图像;
利用预设分类算法将所述图像线段归类至所述消隐点集合中的多个消隐点下,并将符合预设条件的消隐点对应的图像线段映射至所述矫正图像中;
以所述矫正图像中的图像线段作为划分参考将所述矫正图像进行切割,得到分割图像集。
为了解决上述问题,本发明还提供一种利用BIM建模的四维数字图像构建装置,所述装置包括:
数据采集模块,用于利用三维激光扫描仪采集目标建筑物的建筑点云数据集,并记录建筑点云数据集采集时间,对所述建筑点云数据集进行去噪处理、压缩处理及配准处理,得到标准点云数据集;
图像分割模块,用于根据拍摄设备获取所述目标建筑物在任意角度的单幅图像,并记录图像获取时间,检测所述单幅图像中的图像线段及所述图像线段对应的消隐点集合,基于所述图像线段和所述消隐点集合对所述单幅图像进行图像分割,得到分割图像集,对所述分割图像集中的分割图像进行图像聚类处理,得到初步聚类结果,根据所述初步聚类结果和预设立体关系构建标准三维图像;
数据融合模块,用于根据所述建筑点云数据集采集时间及所述图像获取时间得到时间维度数据,并根据预设数据融合算法和所述时间维度数据对所述建筑点云数据集及所述标准三维图像进行融合处理,得到建筑融合数据集;
图像构建模块,用于将所述建筑融合数据集和BIM建筑信息模型进行结合,得到四维数字图像模型,利用所述四维数字图像模型对待处理建筑进行图像构建,得到所述待处理建筑对应的四维数字图像。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现上述所述的利用BIM建模的四维数字图像构建方法。
为了解决上述问题,本发明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中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的利用BIM建模的四维数字图像构建方法。
本发明实施例中,通过不同设备采集到建筑点云数据集、单幅图像及时间维度参数,并对建筑点云数据集进行去噪处理、压缩处理及配准处理,得到标准点云数据集,保证了标准点云数据集的准确性。并对单幅图像进行聚类,根据聚类得到的初步聚类结果和预设立体关系构建标准三维图像,使得所述标准三维图像更加全面。对所述建筑点云数据集、所述标准三维图像和所述时间维度参数进行融合处理,得到建筑融合数据集,根据所述建筑融合数据集和预设建筑信息平台进行结合,得到四维数字图像模型,所述四维数字图像涉及多个维度的数据,因此具有更准确的图像生成能力。利用所述四维数字图像模型对待处理建筑进行图像构建,得到所述待处理建筑对应的四维数字图像。因此本发明提出的利用BIM建模的四维数字图像构建方法、装置、电子设备及计算机可读存储介质,可以解决数字图像生成的准确度较低的问题。
附图说明
图1为本发明一实施例提供的利用BIM建模的四维数字图像构建方法的流程示意图;
图2为本发明一实施例提供的利用BIM建模的四维数字图像构建装置的功能模块图;
图3为本发明一实施例提供的实现所述利用BIM建模的四维数字图像构建方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种利用BIM建模的四维数字图像构建方法。所述利用BIM建模的四维数字图像构建方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述利用BIM建模的四维数字图像构建方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示,为本发明一实施例提供的利用BIM建模的四维数字图像构建方法的流程示意图。在本实施例中,所述利用BIM建模的四维数字图像构建方法包括:
S1、利用三维激光扫描仪采集目标建筑物的建筑点云数据集,并记录建筑点云数据集采集时间,对所述建筑点云数据集进行去噪处理、压缩处理及配准处理,得到标准点云数据集。
本发明实施例中,由于现实生活中所见的建筑物的形状均为三维立体的,传统的二维地图数据已经不能满足人们对空间数据信息的需求,因此需要获取建筑物的三维点云数据。其中,所述三维激光扫描仪可以通过激光扫描测量的方法,大面积、高分辨率地获取数据,利用所述三维激光扫描仪采集目标建筑物的建筑点云数据集具有数据实时性强且获取速度快的优点,且三维激光扫描的精度比传统测量仪器高。
进一步地,由于获取得到的建筑点云数据集可能会存在一些噪声较大或者区域数据被遮挡等问题,因此,需要对所述建筑点云数据集进行去噪处理、压缩处理及配准处理等预处理。
其中,所述去噪处理是指对建筑点云数据集中的噪声数据执行剔除处理。所述压缩处理是指根据不同点云数据表达模型的不同需求而提取足够表达模型特征的有用信息。所述配准处理解决的是建筑物由于被遮挡或三维激光扫描仪本身限制等因素造成的每次扫描所得到的点云数据集不完整的问题。
优选地,本发明其中一个实施例中,所述去噪处理通过滤波算法对有序或者部分有序的点云数据进行滤波去噪处理,其中,所述滤波算法包括三种基本的滤波:中值滤波、均值滤波和高斯滤波。所述压缩处理主要包括基于三角网格的点云压缩和基于点云的压缩。基于三角网格的压缩是指在尽可能保持原始三维模型的特征的情况下,最大限度地减少原始三维模型的三角形和顶点数目;基于点云的压缩主要有以下五种:比例压缩算法、基于距离的压缩算法、基于曲率的压缩算法、基于信息量的压缩算法、基于网格的压缩算法。所述配准处理采用改进后ICP算法对建筑点云数据集进行点云配准处理。
S2、根据拍摄设备获取所述目标建筑物在任意角度的单幅图像,并记录图像获取时间,检测所述单幅图像中的图像线段及所述图像线段对应的消隐点集合,基于所述图像线段和所述消隐点集合对所述单幅图像进行图像分割,得到分割图像集。
本发明实施例中,所述拍摄设备可以为高分率数码相机或者数码摄像机,而拍摄设备一般都是只能拍摄出所述目标建筑物的不够全面的单个角度的单幅图像,而需要尽可能获取到涉及到更加全面角度的图像以供参考,故对单幅图像进行后续的图像处理。
具体地,所述检测所述单幅图像中的图像线段,包括:
利用预设的直线检测算法对所述单幅图像进行直线检测,得到多条潜在直线,并删除长度小于预设直线阈值的潜在直线;
选择与所述单幅图像中质心的距离值最小的潜在直线作为参考直线,并以所述参考直线为基线对多条潜在直线进行搜索,将搜索得到的直线作为图像线段。
详细地,所述预设的直线检测算法可以为霍夫变换直线检测算法。
本发明其中一个示例中,与所述单幅图像中质心的距离值最小的潜在直线为横直线A1和竖直线B1,则以横直线A1和竖直线B1为参考直线。进一步,以A1为基线,向横向正方向(X轴的正方向)搜索,搜到第一条直线线段为直线段(A2),向横向反方向(X轴的负方向)搜索,搜到第一条直线线段为直线段(A3),以B1为基线,向竖向正方向(Y轴的正方向)搜索,搜到第一条直线线段为直线段(B2),向竖向反方向(Y轴的负方向)搜索,搜到第一条直线线段为直线段(B3),由此便可获取多条图像线段A1、A2、A3、B1、B2和B3。
具体地,所述图像线段对应的消隐点集合通过下述方法检测:
在多条图像线段中随机选择两条线段,并利用预设的消隐点求取算法对所述线段进行消隐点求取,得到多个初始消隐点;
根据预设最大期望算法对多个所述初始消隐点进行优化处理,得到消隐点集合。
本发明实施例中,所述预设的消隐点求取算法可以是图像空间消隐算法。
详细地,所述预设最大期望算法(Expectation-Maximization algorithm,EM),是一种通过迭代进行极大似然估计的优化算法,可以实现对所述初始消隐点的优化作用,以保证消隐点更加精准。
进一步地,所述基于所述图像线段和所述消隐点集合对所述单幅图像进行图像分割,得到分割图像集,包括:
基于预构建的矫正矩阵对所单幅图像进行图像矫正处理,得到矫正图像;
利用预设分类算法将所述图像线段归类至所述消隐点集合中的多个消隐点下,并将符合预设条件的消隐点对应的图像线段映射至所述矫正图像中;
以所述矫正图像中的图像线段作为划分参考将所述矫正图像进行切割,得到分割图像集。
详细地,所述预设分类算法可以为J-Linkage算法,J-Linkage算法是一种多模型分类算法,该算法可以根据模型类型对所有样本数据进行多组分类。
具体地,所述矫正矩阵为U,其中,U=WAP,W为位移矩阵,A为防射投影矩阵,P为透视投影矩阵。
S3、对所述分割图像集中的分割图像进行图像聚类处理,得到初步聚类结果,根据所述初步聚类结果和预设立体关系构建标准三维图像。
本发明实施例中,所述对所述分割图像集中的分割图像进行图像聚类处理,得到初步聚类结果,包括:
利用预设滤波器对所述分割图像集中的分割图像进行卷积处理,得到多个特征图谱;
将所述特征图谱拆分为预设区域的子图谱,并计算所述子图谱对应的均值,将所述均值作为所述分割图像对应的全局描述特征;
利用分层聚类算法将所述全局描述特征进行聚类处理,得到聚类描述特征集,并将所述聚类描述特征对应的分割图像划分至所述聚类描述特征集下,得到初步聚类结果。
详细地,所述预设滤波器为Gabor滤波器,其中,Gabor滤波器可以提取不同方向上的纹理信息。所述全局描述特征为gist特征,gist特征是一个全局特征信息。
具体地,所述预设立体关系是根据建筑的历史图像中不同视角图像在整体立体图中的顺序关系或者映射关系构建所得。
详细地,所述根据所述初步聚类结果和预设立体关系构建标准三维图像,包括:
按照所述预设立体关系将所述初步聚类结果中的所述聚类描述特征对应的分割图像进行立体组合,得到标准三维图像。
S4、根据所述建筑点云数据集采集时间及所述图像获取时间得到时间维度数据,并根据预设的数据融合算法和所述时间维度数据对所述建筑点云数据集及所述标准三维图像进行融合处理,得到建筑融合数据集。
本发明实施例中,采集目标建筑物的建筑点云数据集和获取单幅图像时的时间可能完全一致也可能部分一致,因此对采集目标建筑物的建筑点云数据集时的时间和获取单幅图像时的时间进行求并集处理,将并集后的时间作为时间维度参数。
具体地,所述根据预设数据融合算法和所述时间维度数据对所述建筑点云数据集及所述标准三维图像进行融合处理,得到建筑融合数据集,包括:
将所述建筑点云数据集中的三维点云数据投影到灰度相机坐标系下,并对所述灰度相机坐标系下的坐标数据进行旋转校准,将校准后的三维点云坐标数据投影至彩色相机坐标系下;
将所述标准三维图像映射至所述彩色相机坐标系上,并以所述时间维度数据对所述彩色相机坐标系上所述标准三维图像对应的坐标点及所述校准后的三维点云坐标数据对应的坐标点执行数据对齐,得到建筑融合数据集。
其中,所述预设数据融合算法为可以按照模型训练方式划分为监督学习、无监督学习、半监督学习和强化学习四类。
本发明实施例将所述建筑点云数据集中的三维点云数据投影到灰度相机坐标系下,完成数据从激光点云坐标系到图像坐标系的坐标转换,对所述灰度相机坐标系下的坐标数据进行旋转校准,将校准后的数据投影至彩色相机坐标系下,完成点云与图像之间的联合校准。
S5、将所述建筑融合数据集和BIM建筑信息模型进行结合,得到四维数字图像模型,利用所述四维数字图像模型对待处理建筑进行图像构建,得到所述待处理建筑对应的四维数字图像。
本发明实施例中,所述BIM建筑信息模型是一种数据化的建筑模型。
详细地,由于所述建筑融合数据集是涉及到多个维度且经过数据预处理的融合数据,因此根据所述建筑融合数据集和BIM建筑信息模型进行结合,得到四维数字图像模型更加精准,并利用所述四维数字图像模型对待处理建筑进行图像构建,得到所述待处理建筑对应的四维数字图像。
本发明实施例中,通过不同设备采集到建筑点云数据集、单幅图像及时间维度参数,并对建筑点云数据集进行去噪处理、压缩处理及配准处理,得到标准点云数据集,保证了标准点云数据集的准确性。并对单幅图像进行聚类,根据聚类得到的初步聚类结果和预设立体关系构建标准三维图像,使得所述标准三维图像更加全面。对所述建筑点云数据集、所述标准三维图像和所述时间维度参数进行融合处理,得到建筑融合数据集,根据所述建筑融合数据集和预设建筑信息平台进行结合,得到四维数字图像模型,所述四维数字图像涉及多个维度的数据,因此具有更准确的图像生成能力。利用所述四维数字图像模型对待处理建筑进行图像构建,得到所述待处理建筑对应的四维数字图像。因此本发明提出的利用BIM建模的四维数字图像构建方法可以解决数字图像生成的准确度较低的问题。
如图2所示,是本发明一实施例提供的利用BIM建模的四维数字图像构建装置的功能模块图。
本发明所述利用BIM建模的四维数字图像构建装置100可以安装于电子设备中。根据实现的功能,所述利用BIM建模的四维数字图像构建装置100可以包括数据采集模块101、图像分割模块102、数据融合模块103及图像构建模块104。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述数据采集模块101,用于利用三维激光扫描仪采集目标建筑物的建筑点云数据集,并记录建筑点云数据集采集时间,对所述建筑点云数据集进行去噪处理、压缩处理及配准处理,得到标准点云数据集;
所述图像分割模块102,用于根据拍摄设备获取所述目标建筑物在任意角度的单幅图像,并记录图像获取时间,检测所述单幅图像中的图像线段及所述图像线段对应的消隐点集合,基于所述图像线段和所述消隐点集合对所述单幅图像进行图像分割,得到分割图像集,对所述分割图像集中的分割图像进行图像聚类处理,得到初步聚类结果,根据所述初步聚类结果和预设立体关系构建标准三维图像;
所述数据融合模块103,用于根据所述建筑点云数据集采集时间及所述图像获取时间得到时间维度数据,并根据预设数据融合算法和所述时间维度数据对所述建筑点云数据集及所述标准三维图像进行融合处理,得到建筑融合数据集;
所述图像构建模块104,用于将所述建筑融合数据集和BIM建筑信息模型进行结合,得到四维数字图像模型,利用所述四维数字图像模型对待处理建筑进行图像构建,得到所述待处理建筑对应的四维数字图像。
详细地,所述利用BIM建模的四维数字图像构建装置100各模块的具体实施方式如下:
步骤一、利用三维激光扫描仪采集目标建筑物的建筑点云数据集,并记录建筑点云数据集采集时间,对所述建筑点云数据集进行去噪处理、压缩处理及配准处理,得到标准点云数据集。
本发明实施例中,由于现实生活中所见的建筑物的形状均为三维立体的,传统的二维地图数据已经不能满足人们对空间数据信息的需求,因此需要获取建筑物的三维点云数据。其中,所述三维激光扫描仪可以通过激光扫描测量的方法,大面积、高分辨率地获取数据,利用所述三维激光扫描仪采集目标建筑物的建筑点云数据集具有数据实时性强且获取速度快的优点,且三维激光扫描的精度比传统测量仪器高。
进一步地,由于获取得到的建筑点云数据集可能会存在一些噪声较大或者区域数据被遮挡等问题,因此,需要对所述建筑点云数据集进行去噪处理、压缩处理及配准处理等预处理。
其中,所述去噪处理是指对建筑点云数据集中的噪声数据执行剔除处理。所述压缩处理是指根据不同点云数据表达模型的不同需求而提取足够表达模型特征的有用信息。所述配准处理解决的是建筑物由于被遮挡或三维激光扫描仪本身限制等因素造成的每次扫描所得到的点云数据集不完整的问题。
优选地,本发明其中一个实施例中,所述去噪处理通过滤波算法对有序或者部分有序的点云数据进行滤波去噪处理,其中,所述滤波算法包括三种基本的滤波:中值滤波、均值滤波和高斯滤波。所述压缩处理主要包括基于三角网格的点云压缩和基于点云的压缩。基于三角网格的压缩是指在尽可能保持原始三维模型的特征的情况下,最大限度地减少原始三维模型的三角形和顶点数目;基于点云的压缩主要有以下五种:比例压缩算法、基于距离的压缩算法、基于曲率的压缩算法、基于信息量的压缩算法、基于网格的压缩算法。所述配准处理采用改进后ICP算法对建筑点云数据集进行点云配准处理。
步骤二、根据拍摄设备获取所述目标建筑物在任意角度的单幅图像,并记录图像获取时间,检测所述单幅图像中的图像线段及所述图像线段对应的消隐点集合,基于所述图像线段和所述消隐点集合对所述单幅图像进行图像分割,得到分割图像集。
本发明实施例中,所述拍摄设备可以为高分率数码相机或者数码摄像机,而拍摄设备一般都是只能拍摄出所述目标建筑物的不够全面的单个角度的单幅图像,而需要尽可能获取到涉及到更加全面角度的图像以供参考,故对单幅图像进行后续的图像处理。
具体地,所述检测所述单幅图像中的图像线段,包括:
利用预设的直线检测算法对所述单幅图像进行直线检测,得到多条潜在直线,并删除长度小于预设直线阈值的潜在直线;
选择与所述单幅图像中质心的距离值最小的潜在直线作为参考直线,并以所述参考直线为基线对多条潜在直线进行搜索,将搜索得到的直线作为图像线段。
详细地,所述预设的直线检测算法可以为霍夫变换直线检测算法。
本发明其中一个示例中,与所述单幅图像中质心的距离值最小的潜在直线为横直线A1和竖直线B1,则以横直线A1和竖直线B1为参考直线。进一步,以A1为基线,向横向正方向(X轴的正方向)搜索,搜到第一条直线线段为直线段(A2),向横向反方向(X轴的负方向)搜索,搜到第一条直线线段为直线段(A3),以B1为基线,向竖向正方向(Y轴的正方向)搜索,搜到第一条直线线段为直线段(B2),向竖向反方向(Y轴的负方向)搜索,搜到第一条直线线段为直线段(B3),由此便可获取多条图像线段A1、A2、A3、B1、B2和B3。
具体地,所述图像线段对应的消隐点集合通过下述方法检测:
在多条图像线段中随机选择两条线段,并利用预设的消隐点求取算法对所述线段进行消隐点求取,得到多个初始消隐点;
根据预设最大期望算法对多个所述初始消隐点进行优化处理,得到消隐点集合。
本发明实施例中,所述预设的消隐点求取算法可以是图像空间消隐算法。
详细地,所述预设最大期望算法(Expectation-Maximization algorithm,EM),是一种通过迭代进行极大似然估计的优化算法,可以实现对所述初始消隐点的优化作用,以保证消隐点更加精准。
进一步地,所述基于所述图像线段和所述消隐点集合对所述单幅图像进行图像分割,得到分割图像集,包括:
基于预构建的矫正矩阵对所单幅图像进行图像矫正处理,得到矫正图像;
利用预设分类算法将所述图像线段归类至所述消隐点集合中的多个消隐点下,并将符合预设条件的消隐点对应的图像线段映射至所述矫正图像中;
以所述矫正图像中的图像线段作为划分参考将所述矫正图像进行切割,得到分割图像集。
详细地,所述预设分类算法可以为J-Linkage算法,J-Linkage算法是一种多模型分类算法,该算法可以根据模型类型对所有样本数据进行多组分类。
具体地,所述矫正矩阵为U,其中,U=WAP,W为位移矩阵,A为防射投影矩阵,P为透视投影矩阵。
步骤三、对所述分割图像集中的分割图像进行图像聚类处理,得到初步聚类结果,根据所述初步聚类结果和预设立体关系构建标准三维图像。
本发明实施例中,所述对所述分割图像集中的分割图像进行图像聚类处理,得到初步聚类结果,包括:
利用预设滤波器对所述分割图像集中的分割图像进行卷积处理,得到多个特征图谱;
将所述特征图谱拆分为预设区域的子图谱,并计算所述子图谱对应的均值,将所述均值作为所述分割图像对应的全局描述特征;
利用分层聚类算法将所述全局描述特征进行聚类处理,得到聚类描述特征集,并将所述聚类描述特征对应的分割图像划分至所述聚类描述特征集下,得到初步聚类结果。
详细地,所述预设滤波器为Gabor滤波器,其中,Gabor滤波器可以提取不同方向上的纹理信息。所述全局描述特征为gist特征,gist特征是一个全局特征信息。
具体地,所述预设立体关系是根据建筑的历史图像中不同视角图像在整体立体图中的顺序关系或者映射关系构建所得。
详细地,所述根据所述初步聚类结果和预设立体关系构建标准三维图像,包括:
按照所述预设立体关系将所述初步聚类结果中的所述聚类描述特征对应的分割图像进行立体组合,得到标准三维图像。
步骤四、根据所述建筑点云数据集采集时间及所述图像获取时间得到时间维度数据,并根据预设数据融合算法和所述时间维度数据对所述建筑点云数据集及所述标准三维图像进行融合处理,得到建筑融合数据集。
本发明实施例中,采集目标建筑物的建筑点云数据集和获取单幅图像时的时间可能完全一致也可能部分一致,因此对采集目标建筑物的建筑点云数据集时的时间和获取单幅图像时的时间进行求并集处理,将并集后的时间作为时间维度参数。
具体地,所述根据预设数据融合算法和所述时间维度数据对所述建筑点云数据集及所述标准三维图像进行融合处理,得到建筑融合数据集,包括:
将所述建筑点云数据集中的三维点云数据投影到灰度相机坐标系下,并对所述灰度相机坐标系下的坐标数据进行旋转校准,将校准后的三维点云坐标数据投影至彩色相机坐标系下;
将所述标准三维图像映射至所述彩色相机坐标系上,并以所述时间维度数据对所述彩色相机坐标系上所述标准三维图像对应的坐标点及所述校准后的三维点云坐标数据对应的坐标点执行数据对齐,得到建筑融合数据集。
其中,所述预设数据融合算法为AI(Artificial Intelligence,人工智能)算法,AI算法可以按照模型训练方式划分为监督学习、无监督学习、半监督学习和强化学习四类。
本发明实施例将所述建筑点云数据集中的三维点云数据投影到灰度相机坐标系下,完成数据从激光点云坐标系到图像坐标系的坐标转换,对所述灰度相机坐标系下的坐标数据进行旋转校准,将校准后的数据投影至彩色相机坐标系下,完成点云与图像之间的联合校准。
步骤五、将所述建筑融合数据集和BIM建筑信息模型进行结合,得到四维数字图像模型,利用所述四维数字图像模型对待处理建筑进行图像构建,得到所述待处理建筑对应的四维数字图像。
本发明实施例中,所述BIM建筑信息模型是一种数据化的建筑模型。
详细地,由于所述建筑融合数据集是涉及到多个维度且经过数据预处理的融合数据,因此根据所述建筑融合数据集和BIM建筑信息模型进行结合,得到四维数字图像模型更加精准,并利用所述四维数字图像模型对待处理建筑进行图像构建,得到所述待处理建筑对应的四维数字图像。
本发明实施例中,通过不同设备采集到建筑点云数据集、单幅图像及时间维度参数,并对建筑点云数据集进行去噪处理、压缩处理及配准处理,得到标准点云数据集,保证了标准点云数据集的准确性。并对单幅图像进行聚类,根据聚类得到的初步聚类结果和预设立体关系构建标准三维图像,使得所述标准三维图像更加全面。对所述建筑点云数据集、所述标准三维图像和所述时间维度参数进行融合处理,得到建筑融合数据集,根据所述建筑融合数据集和预设建筑信息平台进行结合,得到四维数字图像模型,所述四维数字图像涉及多个维度的数据,因此具有更准确的图像生成能力。利用所述四维数字图像模型对待处理建筑进行图像构建,得到所述待处理建筑对应的四维数字图像。因此本发明提出的利用BIM建模的四维数字图像构建装置可以解决数字图像生成的准确度较低的问题。
如图3所示,是本发明一实施例提供的实现利用BIM建模的四维数字图像构建方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信接口12和总线13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如利用BIM建模的四维数字图像构建程序。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如利用BIM建模的四维数字图像构建程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如利用BIM建模的四维数字图像构建程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述通信接口12用于上述电子设备与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
所述总线13可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线13可以分为地址总线、数据总线、控制总线等。所述总线13被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。
可选地,该电子设备还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器11存储的利用BIM建模的四维数字图像构建程序是多个指令的组合,在所述处理器10中运行时,可以实现:
利用三维激光扫描仪采集目标建筑物的建筑点云数据集,并记录建筑点云数据集采集时间,对所述建筑点云数据集进行去噪处理、压缩处理及配准处理,得到标准点云数据集;
根据拍摄设备获取所述目标建筑物在任意角度的单幅图像,并记录图像获取时间,检测所述单幅图像中的图像线段及所述图像线段对应的消隐点集合,基于所述图像线段和所述消隐点集合对所述单幅图像进行图像分割,得到分割图像集;
对所述分割图像集中的分割图像进行图像聚类处理,得到初步聚类结果,根据所述初步聚类结果和预设立体关系构建标准三维图像;
根据所述建筑点云数据集采集时间及所述图像获取时间得到时间维度数据,并根据预设数据融合算法和所述时间维度数据对所述建筑点云数据集及所述标准三维图像进行融合处理,得到建筑融合数据集;
将所述建筑融合数据集和BIM建筑信息模型进行结合,得到四维数字图像模型,利用所述四维数字图像模型对待处理建筑进行图像构建,得到所述待处理建筑对应的四维数字图像。
具体地,所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备集成的模块/单元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存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
利用三维激光扫描仪采集目标建筑物的建筑点云数据集,并记录建筑点云数据集采集时间,对所述建筑点云数据集进行去噪处理、压缩处理及配准处理,得到标准点云数据集;
根据拍摄设备获取所述目标建筑物在任意角度的单幅图像,并记录图像获取时间,检测所述单幅图像中的图像线段及所述图像线段对应的消隐点集合,基于所述图像线段和所述消隐点集合对所述单幅图像进行图像分割,得到分割图像集;
对所述分割图像集中的分割图像进行图像聚类处理,得到初步聚类结果,根据所述初步聚类结果和预设立体关系构建标准三维图像;
根据所述建筑点云数据集采集时间及所述图像获取时间得到时间维度数据,并根据预设数据融合算法和所述时间维度数据对所述建筑点云数据集及所述标准三维图像进行融合处理,得到建筑融合数据集;
将所述建筑融合数据集和BIM建筑信息模型进行结合,得到四维数字图像模型,利用所述四维数字图像模型对待处理建筑进行图像构建,得到所述待处理建筑对应的四维数字图像。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (9)
1.一种利用BIM建模的四维数字图像构建方法,其特征在于,所述方法包括:
利用三维激光扫描仪采集目标建筑物的建筑点云数据集,并记录建筑点云数据集采集时间,对所述建筑点云数据集进行去噪处理、压缩处理及配准处理,得到标准点云数据集;
根据拍摄设备获取所述目标建筑物在任意角度的单幅图像,并记录图像获取时间,检测所述单幅图像中的图像线段及所述图像线段对应的消隐点集合,基于所述图像线段和所述消隐点集合对所述单幅图像进行图像分割,得到分割图像集;
对所述分割图像集中的分割图像进行图像聚类处理,得到初步聚类结果,根据所述初步聚类结果和预设立体关系构建标准三维图像;
根据所述建筑点云数据集采集时间及所述图像获取时间得到时间维度数据,并将所述建筑点云数据集中的三维点云数据投影到灰度相机坐标系下,并对所述灰度相机坐标系下的坐标数据进行旋转校准,将校准后的三维点云坐标数据投影至彩色相机坐标系下;
将所述标准三维图像映射至所述彩色相机坐标系上,并以所述时间维度数据对所述彩色相机坐标系上所述标准三维图像对应的坐标点及所述校准后的三维点云坐标数据对应的坐标点执行数据对齐,得到建筑融合数据集;
将所述建筑融合数据集和BIM建筑信息模型进行结合,得到四维数字图像模型,利用所述四维数字图像模型对待处理建筑进行图像构建,得到所述待处理建筑对应的四维数字图像。
2.如权利要求1所述的利用BIM建模的四维数字图像构建方法,其特征在于,所述对所述分割图像集中的分割图像进行图像聚类处理,得到初步聚类结果,包括:
利用预设滤波器对所述分割图像集中的分割图像进行卷积处理,得到多个特征图谱;
将所述特征图谱拆分为预设区域的子图谱,并计算所述子图谱对应的均值,将所述均值作为所述分割图像对应的全局描述特征;
利用分层聚类算法将所述全局描述特征进行聚类处理,得到聚类描述特征集,并将所述聚类描述特征对应的分割图像划分至所述聚类描述特征集下,得到初步聚类结果。
3.如权利要求1所述的利用BIM建模的四维数字图像构建方法,其特征在于,所述检测所述单幅图像中的图像线段,包括:
利用预设的直线检测算法对所述单幅图像进行直线检测,得到多条潜在直线,并删除长度小于预设直线阈值的潜在直线;
选择与所述单幅图像中质心的距离值最小的潜在直线作为参考直线,并以所述参考直线为基线对多条潜在直线进行搜索,将搜索得到的直线作为图像线段。
4.如权利要求1所述的利用BIM建模的四维数字图像构建方法,其特征在于,所述根据所述初步聚类结果和预设立体关系构建标准三维图像,包括:
按照所述预设立体关系将所述初步聚类结果中的所述聚类描述特征对应的分割图像进行立体组合,得到标准三维图像。
5.如权利要求1所述的利用BIM建模的四维数字图像构建方法,其特征在于,所述检测出所述图像线段对应的消隐点集合,包括:
在多条图像线段中随机选择两条线段,并利用预设的消隐点求取算法对所述线段进行消隐点求取,得到多个初始消隐点;
根据预设最大期望算法对多个所述初始消隐点进行优化处理,得到消隐点集合。
6.如权利要求1所述的利用BIM建模的四维数字图像构建方法,其特征在于,所述基于所述图像线段和所述消隐点集合对所述单幅图像进行图像分割,得到分割图像集,包括:
基于预构建的矫正矩阵对所单幅图像进行图像矫正处理,得到矫正图像;
利用预设分类算法将所述图像线段归类至所述消隐点集合中的多个消隐点下,并将符合预设条件的消隐点对应的图像线段映射至所述矫正图像中;
以所述矫正图像中的图像线段作为划分参考将所述矫正图像进行切割,得到分割图像集。
7.一种利用BIM建模的四维数字图像构建装置,其特征在于,所述装置包括:
数据采集模块,用于利用三维激光扫描仪采集目标建筑物的建筑点云数据集,并记录建筑点云数据集采集时间,对所述建筑点云数据集进行去噪处理、压缩处理及配准处理,得到标准点云数据集;
图像分割模块,用于根据拍摄设备获取所述目标建筑物在任意角度的单幅图像,并记录图像获取时间,检测所述单幅图像中的图像线段及所述图像线段对应的消隐点集合,基于所述图像线段和所述消隐点集合对所述单幅图像进行图像分割,得到分割图像集,对所述分割图像集中的分割图像进行图像聚类处理,得到初步聚类结果,根据所述初步聚类结果和预设立体关系构建标准三维图像;
数据融合模块,用于根据所述建筑点云数据集采集时间及所述图像获取时间得到时间维度数据,并将所述建筑点云数据集中的三维点云数据投影到灰度相机坐标系下,并对所述灰度相机坐标系下的坐标数据进行旋转校准,将校准后的三维点云坐标数据投影至彩色相机坐标系下,将所述标准三维图像映射至所述彩色相机坐标系上,并以所述时间维度数据对所述彩色相机坐标系上所述标准三维图像对应的坐标点及所述校准后的三维点云坐标数据对应的坐标点执行数据对齐,得到建筑融合数据集;
图像构建模块,用于将所述建筑融合数据集和BIM建筑信息模型进行结合,得到四维数字图像模型,利用所述四维数字图像模型对待处理建筑进行图像构建,得到所述待处理建筑对应的四维数字图像。
8.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至6中任意一项所述的利用BIM建模的四维数字图像构建方法。
9.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6中任意一项所述的利用BIM建模的四维数字图像构建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310231346.1A CN116229007B (zh) | 2023-02-27 | 2023-02-27 | 利用bim建模的四维数字图像构建方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310231346.1A CN116229007B (zh) | 2023-02-27 | 2023-02-27 | 利用bim建模的四维数字图像构建方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116229007A CN116229007A (zh) | 2023-06-06 |
CN116229007B true CN116229007B (zh) | 2023-09-01 |
Family
ID=86588992
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310231346.1A Active CN116229007B (zh) | 2023-02-27 | 2023-02-27 | 利用bim建模的四维数字图像构建方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116229007B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116863099B (zh) * | 2023-06-29 | 2023-12-26 | 广州城市职业学院 | 一种基于点云数据的建筑物自动化建模方法及系统 |
CN116882009A (zh) * | 2023-07-10 | 2023-10-13 | 海南恒行建筑科技有限公司 | 一种基于bim技术的装配式建筑设计方法 |
CN117788873B (zh) * | 2024-02-26 | 2024-05-03 | 山东和润恒建筑工程有限公司 | 一种工程建筑bim数据安全管理方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107578400A (zh) * | 2017-07-26 | 2018-01-12 | 西南交通大学 | 一种bim和三维点云融合的接触网装置参数检测方法 |
CN111022066A (zh) * | 2019-11-11 | 2020-04-17 | 北京住总集团有限责任公司 | 一种基于bim与gis的盾构机风险源穿越三维模拟及监控系统 |
CN113868733A (zh) * | 2021-09-01 | 2021-12-31 | 浙江大学 | 一种基于三维点云的既有结构bim模型自动化生成方法 |
CN115294294A (zh) * | 2022-10-10 | 2022-11-04 | 中国电建集团山东电力建设第一工程有限公司 | 基于深度图像和点云的管线bim模型重建方法及系统 |
-
2023
- 2023-02-27 CN CN202310231346.1A patent/CN116229007B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107578400A (zh) * | 2017-07-26 | 2018-01-12 | 西南交通大学 | 一种bim和三维点云融合的接触网装置参数检测方法 |
CN111022066A (zh) * | 2019-11-11 | 2020-04-17 | 北京住总集团有限责任公司 | 一种基于bim与gis的盾构机风险源穿越三维模拟及监控系统 |
CN113868733A (zh) * | 2021-09-01 | 2021-12-31 | 浙江大学 | 一种基于三维点云的既有结构bim模型自动化生成方法 |
CN115294294A (zh) * | 2022-10-10 | 2022-11-04 | 中国电建集团山东电力建设第一工程有限公司 | 基于深度图像和点云的管线bim模型重建方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于投影的施工图像与BIM模型配准叠加方法;侯学良 等;《图学学报》;第42卷(第1期);141-149 * |
Also Published As
Publication number | Publication date |
---|---|
CN116229007A (zh) | 2023-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116229007B (zh) | 利用bim建模的四维数字图像构建方法、装置、设备及介质 | |
CN111563442B (zh) | 基于激光雷达的点云和相机图像数据融合的slam方法及系统 | |
Xu et al. | Reconstruction of scaffolds from a photogrammetric point cloud of construction sites using a novel 3D local feature descriptor | |
CN109410256B (zh) | 基于互信息的点云与影像自动高精度配准方法 | |
US20190279420A1 (en) | Automated roof surface measurement from combined aerial lidar data and imagery | |
CN112446919B (zh) | 物体位姿估计方法、装置、电子设备及计算机存储介质 | |
AU2019272032A1 (en) | Statistical point pattern matching technique | |
CN111815757A (zh) | 基于图像序列的大型构件三维重建方法 | |
Dai et al. | Building segmentation and outline extraction from UAV image-derived point clouds by a line growing algorithm | |
Yan et al. | Estimation of building height using a single street view image via deep neural networks | |
US20200057778A1 (en) | Depth image pose search with a bootstrapped-created database | |
CN112016497A (zh) | 基于人工智能的单视角太极拳动作分析及考核系统 | |
US20220004740A1 (en) | Apparatus and Method For Three-Dimensional Object Recognition | |
CN114821541B (zh) | 一种基于网格模型的道路面损伤检测方法及相关设备 | |
CN114241338A (zh) | 基于影像识别的建筑物测量方法、装置、设备及存储介质 | |
CN113673400A (zh) | 基于深度学习的实景三维语义重建方法、装置及存储介质 | |
CN114565916A (zh) | 目标检测模型训练方法、目标检测方法以及电子设备 | |
Song et al. | Development of comprehensive accuracy assessment indexes for building footprint extraction | |
CN112686202B (zh) | 一种基于3d重建的人头识别方法及系统 | |
CN114677435A (zh) | 一种点云全景融合要素提取方法和系统 | |
CN112924037A (zh) | 基于图像配准的红外体温检测系统及检测方法 | |
CN116503538A (zh) | 基于倾斜摄影的单体建模方法、系统、终端及存储介质 | |
CN115601684A (zh) | 突发事件预警方法、装置、电子设备及存储介质 | |
CN113487741B (zh) | 稠密三维地图更新方法及装置 | |
CN113920269A (zh) | 工程进度获取方法、装置、电子设备及介质 |
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 |