CN116485636A - 一种点云立面成像方法、系统及可读存储介质 - Google Patents

一种点云立面成像方法、系统及可读存储介质 Download PDF

Info

Publication number
CN116485636A
CN116485636A CN202310468047.XA CN202310468047A CN116485636A CN 116485636 A CN116485636 A CN 116485636A CN 202310468047 A CN202310468047 A CN 202310468047A CN 116485636 A CN116485636 A CN 116485636A
Authority
CN
China
Prior art keywords
projection
target
point cloud
elevation
point
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
Application number
CN202310468047.XA
Other languages
English (en)
Other versions
CN116485636B (zh
Inventor
陈磊
李斌
谭蔚
王艳
罗益君
王杰
李成建
钟小军
程曦
范斌
向前龙
吕颖
匡江霞
刘贝贝
徐飞跃
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Heroland Spatial Information Tech Co ltd
Original Assignee
Heroland Spatial Information Tech Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Heroland Spatial Information Tech Co ltd filed Critical Heroland Spatial Information Tech Co ltd
Priority to CN202310468047.XA priority Critical patent/CN116485636B/zh
Publication of CN116485636A publication Critical patent/CN116485636A/zh
Application granted granted Critical
Publication of CN116485636B publication Critical patent/CN116485636B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06T3/06—Topological mapping of higher dimensional structures onto lower dimensional surfaces
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • 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
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本申请实施例提供的一种点云立面成像方法、系统及可读存储介质，所述方法包括：获取对应目标建筑的点云集，并对点云集中的所有点进行点云密度的关联俯视投影，得到目标俯视投影图；采用非极大值抑制方法，从目标俯视投影图中去除墙的厚度，得到建筑俯视轮廓图；基于建筑俯视轮廓图，确定目标立面，并提取目标立面的立面点云集；基于立面点云集进行分层投影，并对所得的多层投影图进行拼接，得到目标立面的成像图。该方法的实施能够提高立面成像效果。

Description

一种点云立面成像方法、系统及可读存储介质
技术领域
本申请涉及建筑立面测量技术领域，具体而言，涉及一种点云立面成像方法、系统及可读存储介质。
背景技术
随着三维激光扫描技术的快速发展，激光扫描技术以其具有非接触测量、数据采样率高、高精度、高分辨率、全景化扫描等特点，在工程测量、文物保护、数字城市等多个领域得到了广泛的应用。目前，已有研究人员将其用于建筑立面测量领域，具体会通过获取反映建筑场景的全景化点云数据，并将其加载到CAD软件中人为进行立面绘图，以达到减少外业测绘时间，提高工作效率的效果。然而，由于人为主观因素的干扰，以及海量的点云数据同时也带来了庞大的工作量，若仍基于人机交互的方式进行测绘制图，会使得在无法保证工作效率的同时，难以提高立面成像效果，最终在无法满足建筑立面快速测绘制图的应用需求的情况下，影响技术发展。
发明内容
本申请实施例的目的在基于提供一种点云立面成像方法、系统及可读存储介质，能够提高立面成像效果。
本申请实施例还提供了一种点云立面成像方法，所述方法包括：
S1、获取对应目标建筑的点云集，并对所述点云集中的所有点进行点云密度的关联俯视投影，得到目标俯视投影图；
S2、采用非极大值抑制方法，从所述目标俯视投影图中去除墙的厚度，得到建筑俯视轮廓图；
S3、基于所述建筑俯视轮廓图，确定目标立面，并提取所述目标立面的立面点云集；
S4、基于所述立面点云集进行分层投影，并对所得的多层投影图进行拼接，得到所述目标立面的成像图。
本申请还提供了一种点云立面成像系统，其特征在于，所述系统包括俯视投影模块、俯视轮廓提取模块、立面划分模块以及立面成像模块：
所述俯视投影模块，用于获取对应目标建筑的点云集，并对所述点云集中的所有点进行点云密度的关联俯视投影，得到目标俯视投影图；
所述俯视轮廓提取模块，用于采用非极大值抑制方法，从所述目标俯视投影图中去除墙的厚度，得到建筑俯视轮廓图；
所述立面划分模块，用于基于所述建筑俯视轮廓图，确定目标立面，并提取所述目标立面的立面点云集；
所述立面成像模块，用于基于所述立面点云集进行分层投影，并对所得的多层投影图进行拼接，得到所述目标立面的成像图。
第三方面，本申请实施例还提供了一种可读存储介质，所述可读存储介质中包括点云立面成像方法程序，所述点云立面成像方法程序被处理器执行时，实现如上述任一项所述的一种点云立面成像方法的步骤。
由上可知，本申请实施例提供的一种点云立面成像方法、系统及可读存储介质，获取对应目标建筑的点云集，并对所述点云集中的所有点进行点云密度的关联俯视投影，得到目标俯视投影图；采用非极大值抑制方法，从所述目标俯视投影图中去除墙的厚度，得到建筑俯视轮廓图；基于所述建筑俯视轮廓图，确定目标立面，并提取所述目标立面的立面点云集；基于所述立面点云集进行分层投影，并对所得的多层投影图进行拼接，得到所述目标立面的成像图。当前，一方面，基于非极大值抑制方法能够较好的进行建筑轮廓的识别，使得梯度变化较小的边缘像素点也能保留，提高了轮廓检测精度。另一方面，通过分层投影的方式能进一步地保证三维物体内部信息的获取，为后续的立面成像提供了保障，提高了立面成像效果。
本申请的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例提供的一种点云立面成像方法的流程图；
图2为点云旋转校正示意图；
图3为粗略得到的点云俯视投影图；
图4为基于非极大值窗口提取横、竖向骨架线示意图；
图5(a)为纵向方向骨架线示意图；
图5(b)为横向方向骨架线示意图；
图5(c)为横、纵向骨架线合并得到的完整骨架线示意图；
图6(a)为后视立面示意图；
图6(b)为前视立面示意图；
图6(c)为左视立面示意图；
图6(d)为右视立面示意图；
图7为本申请实施例提供的一种点云立面成像系统的结构示意图。
具体实施方式
下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
请参照图1，图1是本申请一些实施例中的一种点云立面成像方法，所述方法包括：
步骤S1，获取对应目标建筑的点云集，并对所述点云集中的所有点进行点云密度的关联俯视投影，得到目标俯视投影图。
其中，所得的俯视投影图可参考图2-图3。图2示意的是点云旋转校正，具体采用了先投影后旋转的方式，使得所得的投影图能够正面面对观察者(如图3所示)。
步骤S2，采用非极大值抑制方法，从所述目标俯视投影图中去除墙的厚度，得到建筑俯视轮廓图。
其中，非极大值抑制方法就是抑制不是极大值的元素，可以理解为局部最大搜索。这个局部代表的是一个邻域，邻域有两个参数可变，一是邻域的维数，二是邻域的大小。
当前实施例中，为了使得梯度变化较小的边缘像素点也能被检测到，针对所述目标俯视投影图中的每一个像素点，本申请进行了非极大值的抑制判断处理，最终仅保留点云密度最大的位置。
可选的，在进行非极大值抑制处理之前，还可以过滤掉图像灰度值小于预设阈值的像素点，之后，再针对剩下的每个目标像素点通过一个横向、或纵向的矩形窗口(具体可参考图4，这里示意的矩形窗口即为图中示意的横向、纵向骨架提取框)获取其周围预设范围内各像素点的像素值，并判断所述目标像素点的像素值是否为其中的最大值，若是，则将其作为骨架点保留，反之则剔除。最终所得的建筑俯视轮廓图，可参考图5(c)。
步骤S3，基于所述建筑俯视轮廓图，确定目标立面，并提取所述目标立面的立面点云集。
具体的，建筑俯视轮廓由多向线段构成(可参考图5进行理解)，其中，所述多向线段包括右向线段、左向线段、上向线段、下向线段。这四个线段分别对应了四个立面，分别为后视立面、前视立面、左视立面、右视立面。当前步骤所要做的就是在确定了后视立面、前视立面、左视立面、右视立面之后，提取各立面的立面点云集。
步骤S4，基于所述立面点云集进行分层投影，并对所得的多层投影图进行拼接，得到所述目标立面的成像图。
具体的，在进行分层投影之前，会设定目标建筑按高度划分为不同的层次，其中，针对每一个分层，将先从所述立面点云集中确定相应的成像点云子集，并对所述成像点云子集进行投影，得到分层投影图(具体在投影的时候，会将点云转换为像素点，并计算各像素点的像素值)。最终，将得到各所述分层投影图进行拼接，即可得到目标立面的成像图。
由上可知，本申请公开的一种点云立面成像方法，获取对应目标建筑的点云集，并对所述点云集中的所有点进行点云密度的关联俯视投影，得到目标俯视投影图；采用非极大值抑制方法，从所述目标俯视投影图中去除墙的厚度，得到建筑俯视轮廓图；基于所述建筑俯视轮廓图，确定目标立面，并提取所述目标立面的立面点云集；基于所述立面点云集进行分层投影，并对所得的多层投影图进行拼接，得到所述目标立面的成像图。当前，一方面，基于非极大值抑制方法能够较好的进行建筑轮廓的识别，使得梯度变化较小的边缘像素点也能保留，提高了轮廓检测精度。另一方面，通过分层投影的方式能进一步地保证三维物体内部信息的获取，为后续的立面成像提供了保障，提高了立面成像效果。
在其中一个实施例中，步骤S1中，所述对所述点云集中的所有点进行点云密度的关联俯视投影，得到目标俯视投影图，包括：
步骤S11，将所述点云集中的所有点向下投影，得到涵盖目标建筑外轮廓的初始俯视投影图。
步骤S12，基于所述初始俯视投影图进行网格划分，并统计每个网格内部涵盖的点云密度，其中，每个网格对应一个像素。
具体的，按照每一个像素对应十倍点云采样间隔，例如0.08m/像素(点云的采样间隔为0.008m)的尺度将x，y投影平面划分为网格。其中，位于同一网格点内的点云投影到同一像素位置。
基于此，需要说明的是，相应网格内部涵盖的点云密度即为相应网格内部涵盖的点云总数量。
步骤S13，针对每个网格，基于内部涵盖的点云密度进行像素灰度值的计算。
具体的，当前会统计每个网格内部涵盖的点云数量Numu，v(即点云密度)，并将其转换为图像灰度值。其中，图像灰度值的计算前提是需要已知所有网格中点云数量的最小值Nummin、以及最大值Nummax。之后，将Numu，v、Nummin、Nummax输入到预先构建好的图像灰度值计算模型中进行计算，其中，该模型的表示方式可参考后续内容，当前不作详细说明。
步骤S14，基于每个网格关联到的像素灰度值，将所述初始俯视投影图转换为目标俯视投影图。
具体的，按照每个网格关联到的像素灰度值，进行灰度图像的转换，即可得到所需的目标俯视投影图。
在其中一个实施例中，步骤S12中，所述基于所述初始俯视投影图进行网格划分，包括：
步骤S121，计算所述初始俯视投影图的最小外接矩形。
其中，最小外接矩形也被译为最小边界矩形，最小包含矩形，或最小外包矩形，其在本实施例中的表现形式可参考图2。
步骤S122，在确定所述最小外接矩形的任一长边处于水平线时，基于所述初始俯视投影图进行网格划分。
示例性的，请参考图3，所述最小外接矩形的任一长边处于水平线可以理解为图中示意的夹角θ为0，此时将基于当前所得的投影图进行网格划分。当然水平参考角度也并不限于此，当前不进行具体限定。
步骤S123，在确定所述最小外接矩形的任一长边不处于水平线时，基于所述任一长边与水平线之间的夹角确定旋转角。
步骤S124，沿着所述旋转角对所述初始俯视投影图进行旋转矫正，并基于矫正得到的投影图进行网格划分。
具体的，可参考图2，旋转校正的过程中，会沿着旋转角进行顺时针的旋转，以矫正得到所需的投影图(具体可参考图3)。
在其中一个实施例中，步骤S13中，所述针对每个网格，基于内部涵盖的点云密度进行像素灰度值的计算，包括：
步骤S31，基于每个网格内部涵盖的点云密度，统计得到点云密度最大值、以及点云密度最小值。
具体的，当前会对每个网格内部涵盖的点云密度进行遍历，并按照冒泡法、二分法等搜索算法从遍历集中统计得到点云密度最大值、以及点云密度最小值。
步骤S32，针对每个网格，分别基于下述公式进行像素灰度值的计算：
其中，u，v代表相应网格的坐标位置，Valueu，v代表相应网格的像素灰度值；Numu，v代表相应网格内部涵盖的点云密度，Nummin代表所述点云密度最小值，Nummax代表所述点云密度最大值。
具体的，上述公式即为图像灰度值计算模型的构建形式，在已知Numu，v、Nummin以及Nummax时，将其代入上述公式进行计算，即可得到各网格分别对应的像素灰度值。
在其中一个实施例中，步骤S2中，所述采用非极大值抑制方法，从所述目标俯视投影图中去除墙的厚度，得到建筑俯视轮廓图，包括：
步骤S21，采用非极大值抑制方法，从所述目标俯视投影图中沿着横向方向进行横向骨架点的提取。
步骤S22，按序连接各所述横向骨架点，以确定横向骨架线。
步骤S23，采用非极大值抑制方法，从所述目标俯视投影图中沿着纵向方向进行纵向骨架点的提取。
步骤S24，按序连接各所述纵向骨架点，以确定纵向骨架线。
步骤S25，将所述横向骨架线、以及所述纵向骨架线进行拼接，得到去除墙的厚度的建筑俯视轮廓图。
基于步骤S21-步骤S25需要说明的是，基于非极大值抑制方法进行横、纵向骨架点的提取，由于在前面已经做了说明，当前不作赘述。连接各骨架点形成相应的骨架线为现有技术，当前不作过多说明。
在其中一个实施例中，步骤S21中，所述采用非极大值抑制方法，从所述目标俯视投影图中沿着横向方向进行横向骨架点的提取，包括：
步骤S211，按照预设面积，在所述目标俯视投影图中生成横向骨架提取框，其中，所述横向骨架提取框在所述预设面积范围内能够涵盖多个像素点。
具体的，横向骨架提取框的面积可以根据实际情况进行灵活设定，当前不对预设面积的取值进行限定。其中，横向骨架提取框可以参考图4进行理解。
步骤S212，横向方向上，遍历所述目标俯视投影图中的每个横向像素点。
步骤S213，遍历过程中，移动所述横向骨架提取框到当前遍历点附近，并将所述当前遍历点与框内的各个像素点进行像素值的比较。
具体的，当前会针对框内的各个像素点，确定各像素点的像素值，并将各像素点的像素值与当前遍历点的像素值进行一一比较。当然，比较的方式也不限于此种方式，例如，还可以先对各像素点的像素值进行排序，以确定最大取值点，之后，将最大取值点与前遍历点的像素值进行比较，以此提高比较效率。
步骤S214，在确定所述当前遍历点的像素值最大时，将所述当前遍历点作为横向骨架点。
具体的，在确定当前遍历点的像素值取最大时，会将当前遍历点作为横向骨架点，之后，在统计完所有的横向骨架点之后，按照坐标位置依次进行连接即可。
在其中一个实施例中，步骤S23中，所述采用非极大值抑制方法，从所述目标俯视投影图中沿着纵向方向进行纵向骨架点的提取，包括：
步骤S231，按照预设面积，在所述目标俯视投影图中生成纵向骨架提取框，其中，所述纵向骨架提取框在所述预设面积范围内能够涵盖多个像素点。
步骤S232，纵向方向上，遍历所述目标俯视投影图中的每个纵向像素点；
步骤S233，遍历过程中，移动所述纵向骨架提取框到当前遍历点附近，并将所述当前遍历点与框内的各个像素点进行像素值的比较。
步骤S234、在确定所述当前遍历点的像素值最大时，将所述当前遍历点作为纵向骨架点。
基于步骤S231～步骤步骤S234需要说明的是，当前的实施方式与前述横向骨架点的提取方式相同，当前不作过多说明。
在其中一个实施例中，步骤S4中，所述基于所述立面点云集进行分层投影，并对所得的多层投影图进行拼接，得到所述目标立面的成像图，包括：
步骤S41，将目标建筑按高度进行划分，并针对每个建筑分层，基于下述公式计算得到相应的投影分辨率res：
res＝resmin+index*scalegap；
其中，resmin表示最底层的分辨率，index表示分层层数，scalegap表示预设的每一分层分辨率的变化率。
具体的，考虑到提供的点云存在高度越高越稀疏的特点，这会降低建筑上方的目标轮廓的清晰度。为了改善这一情况，本申请采用了动态分辨率投影方法，通过预先将建筑按高度划分为不同的层次，且，不同层在投影时采用不同的投影分辨率(见上述公式)。
在其中一个实施例中，为提高数据处理效率，本申请会预先将建筑按高度进行均匀划分，所得的各建筑分层均具备同样的高度。在一个具体的实施案例中，结合实际应用，本申请会按照5m的标准进行划分，得到多个具备5m高度的建筑分层。
步骤S42，针对每个建筑分层，基于关联到的投影分辨率进行点云投影，得到相应的分层投影图。
具体的，每一分层投影图的像素值，将根据点云的反射强度计算得到，计算公式如下：
其中，代表每个网格中所有点云的反射强度的平均值，insmin，insmax为设定的参数，当前会将其分别设为0，8000。
步骤S43，在确定各所述分层投影图的尺寸不一致时，将各所述分层投影图的尺寸调整到预设的目标尺寸。
需要说明的是，由于投影分辨率不同，不同分层会投影得到不同尺寸的投影图像。当前实施例中，为了保持投影图像与真实点云坐标相对应，会将投影后得到的所有分层的投影图像的尺寸重新调整为预设的目标尺寸。在一个具体的实施例中，所述目标尺寸与位于最低层的投影图像尺寸相适应。
步骤S44，对各个具备相同尺寸的分层投影图进行拼接，得到所述目标立面的成像图。
具体的，拼接所得的成像图可参考图6，其中涵盖了各个立面的成像图。
请参考图7，本申请公开的一种点云立面成像系统，所述系统包括俯视投影模块、俯视轮廓提取模块、立面划分模块以及立面成像模块：
所述俯视投影模块，用于获取对应目标建筑的点云集，并对所述点云集中的所有点进行点云密度的关联俯视投影，得到目标俯视投影图。
所述俯视轮廓提取模块，用于采用非极大值抑制方法，从所述目标俯视投影图中去除墙的厚度，得到建筑俯视轮廓图。
所述立面划分模块，用于基于所述建筑俯视轮廓图，确定目标立面，并提取所述目标立面的立面点云集。
所述立面成像模块，用于基于所述立面点云集进行分层投影，并对所得的多层投影图进行拼接，得到所述目标立面的成像图。
在其中一个实施例中，该系统中的各模块还用于执行上述实施例的任一可选的实现方式中的方法。
由上可知，本申请公开的一种点云立面成像系统，获取对应目标建筑的点云集，并对所述点云集中的所有点进行点云密度的关联俯视投影，得到目标俯视投影图；采用非极大值抑制方法，从所述目标俯视投影图中去除墙的厚度，得到建筑俯视轮廓图；基于所述建筑俯视轮廓图，确定目标立面，并提取所述目标立面的立面点云集；基于所述立面点云集进行分层投影，并对所得的多层投影图进行拼接，得到所述目标立面的成像图。当前，一方面，基于非极大值抑制方法能够较好的进行建筑轮廓的识别，使得梯度变化较小的边缘像素点也能保留，提高了轮廓检测精度。另一方面，通过分层投影的方式能进一步地保证三维物体内部信息的获取，为后续的立面成像提供了保障，提高了立面成像效果。
本申请实施例提供一种可读存储介质，所述计算机程序被处理器执行时，执行上述实施例的任一可选的实现方式中的方法。其中，存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(Static Random AccessMemory,简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable ProgrammableRead-Only Memory,简称EEPROM)，可擦除可编程只读存储器(Erasable ProgrammableRead Only Memory,简称EPROM)，可编程只读存储器(Programmable Red-Only Memory,简称PROM)，只读存储器(Read-Only Memory,简称ROM)，磁存储器，快闪存储器，磁盘或光盘。
上述可读存储介质，获取对应目标建筑的点云集，并对所述点云集中的所有点进行点云密度的关联俯视投影，得到目标俯视投影图；采用非极大值抑制方法，从所述目标俯视投影图中去除墙的厚度，得到建筑俯视轮廓图；基于所述建筑俯视轮廓图，确定目标立面，并提取所述目标立面的立面点云集；基于所述立面点云集进行分层投影，并对所得的多层投影图进行拼接，得到所述目标立面的成像图。当前，一方面，基于非极大值抑制方法能够较好的进行建筑轮廓的识别，使得梯度变化较小的边缘像素点也能保留，提高了轮廓检测精度。另一方面，通过分层投影的方式能进一步地保证三维物体内部信息的获取，为后续的立面成像提供了保障，提高了立面成像效果。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元来实现本实施例方案的目的。
再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
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。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种点云立面成像方法，其特征在于，所述方法包括：
S1、获取对应目标建筑的点云集，并对所述点云集中的所有点进行点云密度的关联俯视投影，得到目标俯视投影图；
S2、采用非极大值抑制方法，从所述目标俯视投影图中去除墙的厚度，得到建筑俯视轮廓图；
S3、基于所述建筑俯视轮廓图，确定目标立面，并提取所述目标立面的立面点云集；
S4、基于所述立面点云集进行分层投影，并对所得的多层投影图进行拼接，得到所述目标立面的成像图。
2.根据权利要求1所述的方法，其特征在于，步骤S1中，所述对所述点云集中的所有点进行点云密度的关联俯视投影，得到目标俯视投影图，包括：
S11、将所述点云集中的所有点向下投影，得到涵盖目标建筑外轮廓的初始俯视投影图；
S12、基于所述初始俯视投影图进行网格划分，并统计每个网格内部涵盖的点云密度，其中，每个网格对应一个像素；
S13、针对每个网格，基于内部涵盖的点云密度进行像素灰度值的计算；
S14、基于每个网格关联到的像素灰度值，将所述初始俯视投影图转换为目标俯视投影图。
3.根据权利要求2所述的方法，其特征在于，步骤S12中，所述基于所述初始俯视投影图进行网格划分，包括：
S121、计算所述初始俯视投影图的最小外接矩形；
S122、在确定所述最小外接矩形的任一长边处于水平线时，基于所述初始俯视投影图进行网格划分；
S123、在确定所述最小外接矩形的任一长边不处于水平线时，基于所述任一长边与水平线之间的夹角确定旋转角；
S124、沿着所述旋转角对所述初始俯视投影图进行旋转矫正，并基于矫正得到的投影图进行网格划分。
4.根据权利要求2所述的方法，其特征在于，步骤S13中，所述针对每个网格，基于内部涵盖的点云密度进行像素灰度值的计算，包括：
S31、基于每个网格内部涵盖的点云密度，统计得到点云密度最大值、以及点云密度最小值；
S32、针对每个网格，分别基于下述公式进行像素灰度值的计算：
其中，u,v代表相应网格的坐标位置，Valueu，v代表相应网格的像素灰度值；Numu，v代表相应网格内部涵盖的点云密度，Nummin代表所述点云密度最小值，Nummax代表所述点云密度最大值。
5.根据权利要求1所述的方法，其特征在于，步骤S2中，所述采用非极大值抑制方法，从所述目标俯视投影图中去除墙的厚度，得到建筑俯视轮廓图，包括：
S21、采用非极大值抑制方法，从所述目标俯视投影图中沿着横向方向进行横向骨架点的提取；
S22、按序连接各所述横向骨架点，以确定横向骨架线；
S23、采用非极大值抑制方法，从所述目标俯视投影图中沿着纵向方向进行纵向骨架点的提取；
S24、按序连接各所述纵向骨架点，以确定纵向骨架线；
S25、将所述横向骨架线、以及所述纵向骨架线进行拼接，得到去除墙的厚度的建筑俯视轮廓图。
6.根据权利要求5所述的方法，其特征在于，步骤S21中，所述采用非极大值抑制方法，从所述目标俯视投影图中沿着横向方向进行横向骨架点的提取，包括：
S211、按照预设面积，在所述目标俯视投影图中生成横向骨架提取框，其中，所述横向骨架提取框在所述预设面积范围内能够涵盖多个像素点；
S212、横向方向上，遍历所述目标俯视投影图中的每个横向像素点；
S213、遍历过程中，移动所述横向骨架提取框到当前遍历点附近，并将所述当前遍历点与框内的各个像素点进行像素值的比较；
S214、在确定所述当前遍历点的像素值最大时，将所述当前遍历点作为横向骨架点。
7.根据权利要求5所述的方法，其特征在于，步骤S23中，所述采用非极大值抑制方法，从所述目标俯视投影图中沿着纵向方向进行纵向骨架点的提取，包括：
S231、按照预设面积，在所述目标俯视投影图中生成纵向骨架提取框，其中，所述纵向骨架提取框在所述预设面积范围内能够涵盖多个像素点；
S232、纵向方向上，遍历所述目标俯视投影图中的每个纵向像素点；
S233、遍历过程中，移动所述纵向骨架提取框到当前遍历点附近，并将所述当前遍历点与框内的各个像素点进行像素值的比较；
S234、在确定所述当前遍历点的像素值最大时，将所述当前遍历点作为纵向骨架点。
8.根据权利要求1所述的方法，其特征在于，步骤S4中，所述基于所述立面点云集进行分层投影，并对所得的多层投影图进行拼接，得到所述目标立面的成像图，包括：
S41、将目标建筑按高度进行划分，并针对每个建筑分层，基于下述公式计算得到相应的投影分辨率res：
res＝resmin+index*scalegap；
其中，resmin表示最底层的分辨率，index表示分层层数，scalegap表示预设的每一分层分辨率的变化率；
S42、针对每个建筑分层，基于关联到的投影分辨率进行点云投影，得到相应的分层投影图；
S43、在确定各所述分层投影图的尺寸不一致时，将各所述分层投影图的尺寸调整到预设的目标尺寸；
S44、对各个具备相同尺寸的分层投影图进行拼接，得到所述目标立面的成像图。
9.一种点云立面成像系统，其特征在于，所述系统包括俯视投影模块、俯视轮廓提取模块、立面划分模块以及立面成像模块：
所述俯视投影模块，用于获取对应目标建筑的点云集，并对所述点云集中的所有点进行点云密度的关联俯视投影，得到目标俯视投影图；
所述俯视轮廓提取模块，用于采用非极大值抑制方法，从所述目标俯视投影图中去除墙的厚度，得到建筑俯视轮廓图；
所述立面划分模块，用于基于所述建筑俯视轮廓图，确定目标立面，并提取所述目标立面的立面点云集；
所述立面成像模块，用于基于所述立面点云集进行分层投影，并对所得的多层投影图进行拼接，得到所述目标立面的成像图。
10.一种可读存储介质，其特征在于，所述可读存储介质中包括点云立面成像方法程序，所述点云立面成像方法程序被处理器执行时，实现如权利要求1至8中任一项所述的方法的步骤。
CN202310468047.XA 2023-04-27 2023-04-27 一种点云立面成像方法、系统及可读存储介质 Active CN116485636B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310468047.XA CN116485636B (zh) 2023-04-27 2023-04-27 一种点云立面成像方法、系统及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310468047.XA CN116485636B (zh) 2023-04-27 2023-04-27 一种点云立面成像方法、系统及可读存储介质

Publications (2)

Publication Number Publication Date
CN116485636A true CN116485636A (zh) 2023-07-25
CN116485636B CN116485636B (zh) 2023-10-20

Family

ID=87222849

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310468047.XA Active CN116485636B (zh) 2023-04-27 2023-04-27 一种点云立面成像方法、系统及可读存储介质

Country Status (1)

Country Link
CN (1) CN116485636B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108447124A (zh) * 2018-02-12 2018-08-24 北京工业大学 一种基于点云的古建筑轮廓提取方法及系统
CN110705577A (zh) * 2019-09-29 2020-01-17 武汉中海庭数据技术有限公司 一种激光点云车道线提取方法
CN112163251A (zh) * 2020-08-24 2021-01-01 北京航空航天大学 建筑模型单体化方法、装置、存储介质及电子设备
CN114494323A (zh) * 2020-10-26 2022-05-13 广东博智林机器人有限公司 一种障碍物检测方法、装置、设备及存储介质
CN114972621A (zh) * 2021-12-06 2022-08-30 华北水利水电大学 一种三维建筑轮廓提取方法、装置、电子设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108447124A (zh) * 2018-02-12 2018-08-24 北京工业大学 一种基于点云的古建筑轮廓提取方法及系统
CN110705577A (zh) * 2019-09-29 2020-01-17 武汉中海庭数据技术有限公司 一种激光点云车道线提取方法
CN112163251A (zh) * 2020-08-24 2021-01-01 北京航空航天大学 建筑模型单体化方法、装置、存储介质及电子设备
CN114494323A (zh) * 2020-10-26 2022-05-13 广东博智林机器人有限公司 一种障碍物检测方法、装置、设备及存储介质
CN114972621A (zh) * 2021-12-06 2022-08-30 华北水利水电大学 一种三维建筑轮廓提取方法、装置、电子设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
万怡平等: "地面点云数据快速重建建筑模型的分层方法", 测绘工程, vol. 24, no. 5, pages 47 - 51 *
胡鹏飞等: "建筑物立面重复模式的点云投影直方图分割方法", 测绘工程, vol. 30, no. 1, pages 43 - 50 *

Also Published As

Publication number Publication date
CN116485636B (zh) 2023-10-20

Similar Documents

Publication Publication Date Title
CN109872397B (zh) 一种基于多目立体视觉的飞机零件的三维重建方法
KR102674646B1 (ko) 뷰로부터 거리 정보를 획득하는 장치 및 방법
Xiao et al. Image-based façade modeling
Hirschmuller Stereo processing by semiglobal matching and mutual information
CN104574393B (zh) 一种三维路面裂缝图像生成系统和方法
US7509241B2 (en) Method and apparatus for automatically generating a site model
US20210201570A1 (en) Method and apparatus for generating digital surface model using satellite imagery
WO2018061010A1 (en) Point cloud transforming in large-scale urban modelling
CN110473221B (zh) 一种目标物体自动扫描系统及方法
CN111127633A (zh) 三维重建方法、设备以及计算机可读介质
JP6534296B2 (ja) ３次元モデル生成装置、３次元モデル生成方法、及びプログラム
JP4058293B2 (ja) レーザスキャナデータと空中写真画像を用いた高精度都市モデルの生成方法及び高精度都市モデルの生成システム並びに高精度都市モデルの生成のプログラム
CN116805356A (zh) 建筑模型的构建方法、设备及计算机可读存储介质
CN105466399A (zh) 快速半全局密集匹配方法和装置
CN115222884A (zh) 一种基于人工智能的空间对象分析及建模优化方法
CN112767459A (zh) 基于2d-3d转换的无人机激光点云与序列影像配准方法
CN115345897A (zh) 三维重建的深度图优化方法及装置
Ebrahimikia et al. True orthophoto generation based on unmanned aerial vehicle images using reconstructed edge points
CN116485636B (zh) 一种点云立面成像方法、系统及可读存储介质
CN116051980B (zh) 基于倾斜摄影的建筑识别方法、系统、电子设备及介质
CN116863083A (zh) 变电站三维点云数据的处理方法和装置
Jisen A study on target recognition algorithm based on 3D point cloud and feature fusion
Novacheva Building roof reconstruction from LiDAR data and aerial images through plane extraction and colour edge detection
CN115937465A (zh) 一种顾及像素区域预测的深度图融合算法
Albanwan et al. Enhancement of depth map by fusion using adaptive and semantic-guided spatiotemporal filtering

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