CN117332102B - 一种基于bim的建筑数据优化存储方法 - Google Patents
一种基于bim的建筑数据优化存储方法 Download PDFInfo
- Publication number
- CN117332102B CN117332102B CN202311617241.6A CN202311617241A CN117332102B CN 117332102 B CN117332102 B CN 117332102B CN 202311617241 A CN202311617241 A CN 202311617241A CN 117332102 B CN117332102 B CN 117332102B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- building
- cluster
- clusters
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000003860 storage Methods 0.000 title claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims description 27
- 238000010606 normalization Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 2
- 238000009826 distribution Methods 0.000 abstract description 2
- 238000004220 aggregation Methods 0.000 description 7
- 230000002776 aggregation Effects 0.000 description 7
- 230000006835 compression Effects 0.000 description 4
- 238000007906 compression Methods 0.000 description 4
- 238000013500 data storage Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
-
- 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
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
- G06V10/84—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using probabilistic graphical models from image or video features, e.g. Markov models or Bayesian networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及建筑数据处理技术领域,具体涉及一种基于BIM的建筑数据优化存储方法。该方法采集了建筑楼层的点云数据,根据点云数据的分布特征得到点云类簇为建筑表面设施点云类簇的特征概率;根据特征概率与上下层对应位置点云类簇内匹配点云之间的位置偏差计算对应位置点云类簇的深度偏差;根据深度偏差计算楼层之间的相对突出程度;根据相对突出程度控制游程编码的编码对象,对点云数据进行压缩存储。本发明考虑到了建筑部分表面的纹理细节与设施较多,能够利用游程编码将相似度较高的建筑楼层进行压缩,大大减少了存储空间的占用。
Description
技术领域
本发明涉及建筑数据处理技术领域,具体涉及一种基于BIM的建筑数据优化存储方法。
背景技术
BIM建筑信息模型是一种数字化表示建筑物和基础设施的方法,通过将建筑的几何形状、空间关系、材料属性、施工过程等信息整合到一个集成的模型中,提供综合的建筑数据和信息管理。在构建BIM建筑信息模型时,会得到大量的点云数据,利用点云数据对建筑物体的外观进行描述。但是当对点云数据进行存储时,由于点云数据量较大,所以会占用较大的数据存储空间,因此需要对建筑数据进行优化存储。
在现有技术中利用游程编码对BIM建筑信息模型中的点云数据进行压缩时,往往会因为建筑部分表面的纹理细节与设施较多,可能会导致游程编码的压缩效率变低,压缩后的建筑数据仍会占用大量存储空间。
发明内容
为了解决利用游程编码压缩建筑楼层的点云数据时,会因为建筑部分表面的纹理细节与设施较多,导致游程编码的压缩效率变低,压缩后的建筑数据仍会占用大量存储空间的技术问题,本发明的目的在于提供一种基于BIM的建筑数据优化存储方法,所采用的技术方案具体如下:
一种基于BIM的建筑数据优化存储方法,该方法包括:
获取每层建筑楼层的点云数据;获得每层建筑楼层的所述点云数据组成的点云类簇;
获得每个所述点云类簇与建筑表面整体深度之间的相对距离;根据每个所述点云类簇的点云数量与所述相对距离,获得每个点云类簇为建筑表面类簇的特征概率;
获得连续上下建筑楼层之间对应位置的所述点云类簇之间特征概率的最小值;获得对应位置点云类簇的对应点云的深度差异;根据特征概率的最小值与所述深度差异,获得对应位置点云类簇的对应点云的位置偏差;根据所述位置偏差,获得连续上下建筑楼层之间对应位置的所述点云类簇之间的深度偏差;
根据连续上下建筑楼层之间每两个对应位置点云类簇的每两个对应点云之间的位置偏差,获得连续上下建筑楼层之间每两个对应位置点云类簇的偏差面积比例;根据连续上下建筑楼层之间对应位置每个点云类簇的所述深度偏差与所述偏差面积比例,获得连续上下建筑楼层之间的相对突出程度;
根据所述相对突出程度控制游程编码的编码对象,对点云数据进行压缩存储。
进一步地,所述建筑表面整体深度获取方法包括:
计算建筑表面每个点云类簇内所有点云数据的平均深度坐标;
将建筑表面每个点云类簇内点云数量归一化获得第一归一化值;
将建筑表面每个点云类簇的所述平均深度坐标与所述第一归一化值的乘积作为建筑表面每个点云类簇的整体深度;将建筑表面每个点云类簇的整体深度累加获得建筑表面整体深度。
进一步地,获得每个所述点云类簇为建筑表面类簇的特征概率,包括:
根据特征概率计算公式得到所述特征概率,所述特征概率计算公式如下所示:
;式中,/>表示第/>个点云类簇为建筑表面类簇的特征概率;/>表示第个点云类簇中点云数量;/>表示第/>个点云类簇中点云数据的平均深度坐标;/>表示建筑表面整体深度。
进一步地,所述位置偏差的获取方法包括:
根据位置偏差计算公式获得所述位置偏差,所述位置偏差计算公式如下所示:
;式中,/>表示连续两层建筑楼层之间下层第/>个点云类簇第/>个点云数据与上层对应位置点云数据的位置偏差;/>表示下层第/>个点云类簇为建筑表面类簇的特征概率;/>表示与下层第/>个类簇中相对应的上层点云类簇为建筑表面类簇的特征概率;/>为下层第/>个类簇第/>个点云的深度坐标;/>表示与下层第/>个类簇第/>个点云相对应的上层点云的深度坐标;/>表示最小值函数。
进一步地,获得每两个对应位置点云类簇的深度偏差,包括:
将连续两层建筑楼层之间下层每个点云类簇中每个点云与上层对应位置点云的位置偏差累加,获得下层所述点云类簇相对于上层对应位置所述点云类簇的深度偏差。
进一步地,所述偏差面积比例获取方法包括:
将连续两层建筑楼层之间下层每个点云类簇的每个点云的位置偏差与每个点云类簇中位置偏差最大值的比值作为相对偏差;
将下层每个类簇的每个点云的所述相对偏差累加获得下层每个类簇的偏差面积比例。
进一步地,连续上下建筑楼层之间的所述相对突出程度,获取方法包括:
根据相对突出程度计算公式获得连续上下建筑楼层之间的所述相对突出程度,所述相对突出程度计算公式如下所示:
;式中,/>表示连续上下建筑楼层之间的相对突出程度;/>表示下层点云类簇的数量;/>表示下层点云类簇的序号;/>表示下层第/>个点云类簇与上层对应位置点云类簇的深度偏差;/>表示下层第/>个点云类簇内点云数量;/>表示下层第/>个点云类簇第/>个点云与上层对应位置点云的位置偏差;/>表示下层每个点云类簇的偏差面积比例;/>表示最大值函数。
进一步地,对点云数据进行压缩存储,包括:
将每连续两个建筑楼层之间所述相对突出程度进行线性归一化处理;
预设第一阈值,当建筑楼层的所述相对突出程度大于所述第一阈值时,建筑楼层的点云数据采用游程编码进行压缩,当所述相对突出程度小于所述第一阈值时,将连续两个建筑楼层之间上层的点云数据进行压缩并取代下层的点云数据;
重复上述步骤,实现对建筑楼层点云数据的优化存储。
进一步地,预设第一阈值设置为0.5。
进一步地,所述点云数据包括点云与噪点。
本发明具有如下有益效果:
本发明采集建筑楼层的点云数据,将点云数据进行聚类获得点云类簇;根据每个点云类簇的平均深度与建筑表面平均深度,获得每个点云类簇的相对距离,相对距离反映出点云类簇的聚集程度;根据点云类簇中点云的数量与相对距离获得点云类簇为建筑表面类簇的特征概率;计算连续两个楼层对应位置的点云类簇内点云的位置偏差,进而计算对应位置点云类簇的深度偏差;根据位置偏差计算下层每个点云类簇的偏差面积比例,根据连续上下建筑楼层之间下层每个点云类簇的深度偏差与偏差面积比例,获得连续上下建筑楼层之间的相对突出程度,相对突出程度反映出连续两个楼层之间表面设施是否一致;根据相对突出程度控制游程编码的编码对象,对点云数据进行压缩存储。本发明考虑到了建筑部分表面的纹理细节与设施较多,能够利用游程编码将相似度较高的建筑楼层进行压缩,大大减少了存储空间的占用。
附图说明
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和优点,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的介绍,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它附图。
图1为本发明一个实施例所提供的一种基于BIM的建筑数据优化存储方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于BIM的建筑数据优化存储方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于BIM的建筑数据优化存储方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于BIM的建筑数据优化存储方法流程图,该方法包括以下步骤:
步骤S1:获取每层建筑楼层的点云数据;获得每层建筑楼层的点云数据组成的点云类簇。
本发明实施例目的在于提供一种基于BIM的建筑数据优化存储方法,在BIM建筑信息模型中,会利用大量点云数据对建筑物体的外观进行描述,所以要首先获取建筑楼层中的点云数据。
本发明一个实施例中,获取建筑楼层点云数据的方法包括:
确定采集数据的建筑楼层,划定采集范围;准备携带相应传感器的无人机,规划无人机采集路径;对建筑楼层的轮廓进行每个视角下的点云数据进行采集,进而生成建筑楼层的点云数据。
需要说明的是,点云数据的获取可以由具体实施人员根据具体实施场景自行设置,在此不做限定及赘述。
由于建筑楼层表面存在阳台、窗户等设施,会导致建筑楼层的点云数据在深度上有所不同,而一个建筑表面设施的点云数据深度相同,点云数据的聚集程度较高。所以本发明实施例中,可以依据点云数据的深度对点云数据进行聚类,获得点云类簇。
本发明一个实施例中,对建筑表面建立笛卡尔坐标系,并以深度作为x轴,以建筑表面水平方向作为y轴,以建筑的高度作为z轴。对点云数据的深度坐标采用DBSCAN聚类算法进行聚类,从而获取所有点云数据的点云类簇。需要说明的是,DBSCAN聚类算法为本领域技术人员熟知的技术手段,在此不做限定及赘述,本发明还可以采用K-MEANS聚类算法、均值偏移聚类算法等方法进行聚类,在此不做限定。
优选地,本发明一个实施例中,点云数据包括点云与噪点。
至此,获得建筑数据中的所有点云数据。
步骤S2:获得每个点云类簇与建筑表面整体深度之间的相对距离;根据每个点云类簇的点云数量与相对距离,获得每个点云类簇为建筑表面类簇的特征概率。
将每个点云类簇中点云数据的平均深度与建筑表面整体深度进行比较可以得到点云类簇的相对距离,相对距离越小,说明该点云类簇越可能是建筑表面设施上的点云类簇,所以本发明实施例中,根据所有建筑表面设施的点云类簇内点云的平均深度与点云的数量获得建筑表面整体深度,根据每个点云类簇内点云数据的平均深度坐标与建筑表面整体深度,获得每个点云类簇的相对距离。
优选地,本发明一个实施例中,建筑表面整体深度获取方法包括:
计算建筑表面每个点云类簇内所有点云数据的平均深度坐标;将建筑表面每个点云类簇内点云数量归一化获得第一归一化值;将建筑表面每个点云类簇的平均深度坐标与第一归一化值的乘积作为建筑表面每个点云类簇的整体深度;将建筑表面每个点云类簇的整体深度累加获得建筑表面整体深度。本发明一个实施例中,建筑表面整体深度的计算公式如下所示:
式中,表示建筑表面整体深度;/>表示第/>个点云类簇内点云数据的个数;/>表示建筑表面第/>个点云类簇内点云数据的数量;/>表示建筑表面第/>个点云类簇的平均深度坐标。
需要说明的是,本发明还可以计算所有点云数据的平均深度作为建筑表面整体深度,建筑表面整体深度的获取方法为本领域技术人员熟知的技术手段,在此不做限定及赘述。
本发明一个实施例中,每个点云类簇的相对距离获取方法包括:
将点云类簇内点云数据的平均深度与建筑表面整体深度相减,获得点云类簇与建筑表面的相对距离。需要说明的是,还可以通过其他数学计算方法来表达点云类簇与建筑表面的相对距离,具体数学计算方法为本领域技术人员熟知的技术手段,在此不做赘述。
在利用点云数据对建筑的外形进行获取时,由于在采集过程中,传感器本身的误差、环境光的干扰的影响,以及在数据传输存储过程中会产生噪点,一般而言,大多数点云聚集在建筑表面,而噪点则离建筑表面较远,但部分噪点可能会与正常的点云一起组成点云类簇。根据每个点云类簇的点云数量与相对距离,可以得到点云类簇点云的聚集程度,聚集程度越低,噪点数量越多,点云类簇位于建筑表面设施的概率就越低;聚集程度越大,点云类簇位于建筑表面设施的概率就越高。故本发明实施例中,计算每个点云类簇为建筑表面类簇的特征概率。
优选地,本发明一个实施例中,每个点云类簇为建筑表面类簇的特征概率,包括:
根据特征概率计算公式得到特征概率,特征概率计算公式如下所示:
式中,表示第/>个点云类簇为建筑表面类簇的特征概率;/>表示第/>个点云类簇中点云数量;/>表示第/>个点云类簇中点云数据的平均深度坐标;/>表示建筑表面整体深度。
在特征概率计算公式中,表示第/>个点云类簇与建筑表面整体深度的相对距离,计算第/>个点云类簇中点云数量与相对距离的比值,该比值反映出第/>个类簇中点云的聚集程度,点云数量越多,相对距离越小,第/>个点云类簇为建筑表面类簇的特征概率越大。
步骤S3:获得连续上下建筑楼层之间对应位置的点云类簇之间特征概率的最小值;获得对应位置点云类簇的对应点云的深度差异;根据特征概率的最小值与深度差异,获得对应位置点云类簇的对应点云的位置偏差;根据位置偏差,获得连续上下建筑楼层之间对应位置的点云类簇之间的深度偏差。
在对建筑数据进行存储的情况下,一栋建筑的楼层之间设施、规模应该是相似的,在对多个具有相同规格的楼层的建筑数据进行压缩存储时,可以显著减少建筑信息模型的数据存储占用,所以需要对连续两个楼层间规格的相同程度进行判断。不同的点云类簇表示不同的建筑表面设施,连续的两个建筑楼层之间若具有相同的规格,则一般上层和下层的建筑表面设施在对应的位置具有一致性,通过连续建筑楼层点云类簇分布的偏差性,判断建筑表面设施的是否一致。通过连续上下楼层对应位置点云类簇的特征概率与连续上下楼层对应位置点云类簇内对应位置点云之间的深度误差,获得建筑上下层对应位置点云类簇内对应位置点云之间的位置偏差,进而获得对应位置点云类簇的深度偏差。
优选地,本发明一个实施例中,位置偏差的获取方法包括:
根据位置偏差计算公式获得位置偏差,位置偏差计算公式如下所示:
式中,表示连续两层建筑楼层之间下层第/>个点云类簇第/>个点云数据与上层对应位置点云数据的位置偏差;/>表示下层第/>个点云类簇为建筑表面类簇的特征概率;表示与下层第/>个类簇中相对应的上层点云类簇为建筑表面类簇的特征概率;/>为下层第/>个类簇第/>个点云的深度坐标;/>表示与下层第/>个类簇第/>个点云相对应的上层点云的深度坐标;/>表示最小值函数。
在位置偏差计算公式中,表示下层第/>个点云类簇与上层对应位置点云类簇为建筑表面类簇的特征概率的最小值,特征概率能够反映出点云类簇中各点云数据为噪点的概率,特征概率越小,点云类簇为噪点类簇的可能性越大,而噪点对偏差性计算影响较大,所以通过对较小的特征概率进行计算能够降低深度计算的误差。/>表示下层第/>个点云类簇第/>个点云与上层对应点云之间的深度误差,深度误差越大,则下层第个点云类簇与上层对应位置点云类簇越可能处于不同的建筑表面设施。
优选地,本发明一个实施例中,每两个对应位置点云类簇的深度偏差,包括:
将连续两层建筑楼层之间下层每个点云类簇中每个点云与上层对应位置点云的位置偏差累加,获得下层点云类簇相对于上层对应位置点云类簇的深度偏差。本发明一个实施例中,深度偏差计算公式如下所示:
式中,表示下层第/>个点云类簇与上层对应位置点云类簇之间的深度偏差;表示下层第/>个点云类簇包含的点云数量;/>表示下层第/>个点云类簇内的点云序号;表示下层第/>个点云类簇第/>个点云与上层对应点云的位置偏差。
在深度偏差计算公式中,将下层第个点云类簇所有点云与上层对应位置点云的位置偏差累加获得下层第/>个点云类簇与上层对应位置点云类簇之间的深度偏差,深度偏差越大,下层第/>个点云类簇与上层对应位置点云类簇之间的相似度越低,第/>个点云类簇可以被压缩的概率越小。
步骤S4:根据连续上下建筑楼层之间每两个对应位置点云类簇的每两个对应点云之间的位置偏差,获得连续上下建筑楼层之间每两个对应位置点云类簇的偏差面积比例;根据连续上下建筑楼层之间对应位置每个点云类簇的深度偏差与偏差面积比例,获得连续上下建筑楼层之间的相对突出程度。
本发明实施例中设置建筑数据压缩方向是自上而下的,在得到下层点云类簇所在位置与上层对应位置点云类簇的深度偏差后,由于没有考虑到下层点云类簇相对于上层对应位置点云类簇深度偏差的面积,并不能形容下层点云类簇相对于上层对应位置点云类簇之间的突出程度。若直接利用深度偏差与下层点云类簇内点云的数量作为突出程度时,当上层有的设施下层没有时,会导致突出程度偏小。故根据以下层点云类簇相对于上层对应位置点云类簇的点云偏移的数量获得偏差面积比例,从而得到单个类簇的突出程度,根据所有类簇的突出程度得出楼层综合突出程度。
优选地,本发明一个实施例中,偏差面积比例获取方法包括:
将连续两层建筑楼层之间下层每个点云类簇的每个点云的位置偏差与每个点云类簇中位置偏差最大值的比值作为相对偏差;将下层每个类簇的每个点云的相对偏差累加获得下层每个类簇的偏差面积比例。
优选地,本发明一个实施例中,连续上下建筑楼层之间的相对突出程度,获取方法包括:
根据相对突出程度计算公式获得连续上下建筑楼层之间的相对突出程度,相对突出程度计算公式如下所示:
式中,表示连续上下建筑楼层之间的相对突出程度;/>表示下层点云类簇的数量;表示下层点云类簇的序号;/>表示下层第/>个点云类簇与上层对应位置点云类簇的深度偏差;/>表示下层第/>个点云类簇内点云数量;/>表示下层第/>个点云类簇第/>个点云与上层对应位置点云的位置偏差;/>表示下层每个点云类簇的偏差面积比例;表示最大值函数。
在相对突出程度计算公式中,表示下层点云类簇内每个点云位置偏差进行归一化,获得相对偏差,将所有点云的相对偏差进行累加,从而得到整个点云类簇的偏差面积比例,计算下层点云类簇的深度偏差与偏差面积比例的比值,得到下层单个点云类簇的突出程度,将下层所有类簇的突出程度进行累加,得到连续上下建筑楼层间的相对综合突出程度。
步骤S5:根据相对突出程度控制游程编码的编码对象,对点云数据进行压缩存储。
优选地,本发明一个实施例中,提供一个优化存储的方法,方法包括:
将每连续两个建筑楼层之间相对突出程度进行线性归一化处理;
预设第一阈值,当建筑楼层的相对突出程度大于第一阈值时,建筑楼层的点云数据采用无损压缩方法进行压缩,当相对突出程度小于第一阈值时,将连续两个建筑楼层之间上层的点云数据进行压缩并取代下层的点云数据;
重复将上层的点云数据进行压缩并取代下层的点云数据步骤,实现对建筑楼层点云数据的优化存储。
需要说明的是,对建筑数据进行优化存储的方法为本领域技术人员熟知的技术手段,在此不做限定及赘述。
优选地,本发明一个实施例中,预设第一阈值设置为0.5。需要说明的是,预设第一阈值可以由具体实施人员根据具体实施场景自行设置,在此不做限定及赘述。
至此,实现了对建筑数据的优化存储。
综上所述,本发明采集建筑楼层的点云数据,将点云数据进行聚类获得点云类簇;根据每个点云类簇的平均深度与建筑表面平均深度,获得每个点云类簇的相对距离,相对距离反映出点云类簇的聚集程度;根据点云类簇中点云的数量与相对距离获得点云类簇为建筑表面类簇的特征概率;计算连续两个楼层对应位置的点云类簇内点云的位置偏差,进而计算对应位置点云类簇的深度偏差;根据位置偏差计算下层每个点云类簇的偏差面积比例,根据连续上下建筑楼层之间下层每个点云类簇的深度偏差与偏差面积比例,获得连续上下建筑楼层之间的相对突出程度,相对突出程度反映出连续两个楼层之间表面设施是否一致;根据相对突出程度对建筑数据进行压缩存储。本发明排除了建筑数据中噪点的干扰,准确判断出连续两个楼层之间的相似性,大大减少了存储占用。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (7)
1.一种基于BIM的建筑数据优化存储方法,其特征在于,所述方法包括:
获取每层建筑楼层的点云数据;获得每层建筑楼层的所述点云数据组成的点云类簇;
获得每个所述点云类簇与建筑表面整体深度之间的相对距离;根据每个所述点云类簇的点云数量与所述相对距离,获得每个点云类簇为建筑表面类簇的特征概率;
获得连续上下建筑楼层之间对应位置的所述点云类簇之间特征概率的最小值;获得对应位置点云类簇的对应点云的深度差异;根据特征概率的最小值与所述深度差异,获得对应位置点云类簇的对应点云的位置偏差;根据所述位置偏差,获得连续上下建筑楼层之间对应位置的所述点云类簇之间的深度偏差;
根据连续上下建筑楼层之间每两个对应位置点云类簇的每两个对应点云之间的位置偏差,获得连续上下建筑楼层之间每两个对应位置点云类簇的偏差面积比例;根据连续上下建筑楼层之间对应位置每个点云类簇的所述深度偏差与所述偏差面积比例,获得连续上下建筑楼层之间的相对突出程度;
根据所述相对突出程度控制游程编码的编码对象,对点云数据进行压缩存储;
相对突出程度的获取方法包括:
根据相对突出程度计算公式获得连续上下建筑楼层之间的所述相对突出程度,所述相对突出程度计算公式如下所示:
;式中,/>表示连续上下建筑楼层之间的相对突出程度;/>表示下层点云类簇的数量;/>表示下层点云类簇的序号;/>表示下层第/>个点云类簇与上层对应位置点云类簇的深度偏差;/>表示下层第/>个点云类簇内点云数量;/>表示下层第/>个点云类簇第/>个点云与上层对应位置点云的位置偏差;/>表示下层每个点云类簇的偏差面积比例;/>表示最大值函数;
根据所述相对突出程度控制游程编码的编码对象,对点云数据进行压缩存储,包括:
将每连续两个建筑楼层之间所述相对突出程度进行线性归一化处理;
预设第一阈值,当建筑楼层的所述相对突出程度大于所述第一阈值时,建筑楼层的点云数据采用游程编码进行压缩,当所述相对突出程度小于所述第一阈值时,将连续两个建筑楼层之间上层的点云数据进行压缩并取代下层的点云数据;
重复将上层的点云数据进行压缩并取代下层的点云数据步骤,实现对建筑楼层点云数据的优化存储。
2.根据权利要求1所述的一种基于BIM的建筑数据优化存储方法,其特征在于,所述建筑表面整体深度获取方法包括:
计算建筑表面每个点云类簇内所有点云数据的平均深度坐标;
将建筑表面每个点云类簇内点云数量归一化获得第一归一化值;
将建筑表面每个点云类簇的所述平均深度坐标与所述第一归一化值的乘积作为建筑表面每个点云类簇的整体深度;将建筑表面每个点云类簇的整体深度累加获得建筑表面整体深度。
3.根据权利要求1所述的一种基于BIM的建筑数据优化存储方法,其特征在于,获得每个所述点云类簇为建筑表面类簇的特征概率,包括:
根据特征概率计算公式得到所述特征概率,所述特征概率计算公式如下所示:
;式中,/>表示第/>个点云类簇为建筑表面类簇的特征概率;/>表示第/>个点云类簇中点云数量;/>表示第/>个点云类簇中点云数据的平均深度坐标;/>表示建筑表面整体深度;/>表示归一化函数。
4.根据权利要求1所述的一种基于BIM的建筑数据优化存储方法,其特征在于,所述位置偏差的获取方法包括:
根据位置偏差计算公式获得所述位置偏差,所述位置偏差计算公式如下所示:
;式中,/>表示连续两层建筑楼层之间下层第/>个点云类簇第/>个点云数据与上层对应位置点云数据的位置偏差;/>表示下层第/>个点云类簇为建筑表面类簇的特征概率;/>表示与下层第/>个类簇中相对应的上层点云类簇为建筑表面类簇的特征概率;/>为下层第/>个类簇第/>个点云的深度坐标;/>表示与下层第/>个类簇第/>个点云相对应的上层点云的深度坐标;/>表示最小值函数。
5.根据权利要求1所述的一种基于BIM的建筑数据优化存储方法,其特征在于,获得每两个对应位置点云类簇的深度偏差,包括:
将连续两层建筑楼层之间下层每个点云类簇中每个点云与上层对应位置点云的位置偏差累加,获得下层所述点云类簇相对于上层对应位置所述点云类簇的深度偏差。
6.根据权利要求1所述的一种基于BIM的建筑数据优化存储方法,其特征在于,预设第一阈值设置为0.5。
7.根据权利要求1所述的一种基于BIM的建筑数据优化存储方法,其特征在于,所述点云数据包括点云与噪点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311617241.6A CN117332102B (zh) | 2023-11-30 | 2023-11-30 | 一种基于bim的建筑数据优化存储方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311617241.6A CN117332102B (zh) | 2023-11-30 | 2023-11-30 | 一种基于bim的建筑数据优化存储方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117332102A CN117332102A (zh) | 2024-01-02 |
CN117332102B true CN117332102B (zh) | 2024-02-06 |
Family
ID=89277664
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311617241.6A Active CN117332102B (zh) | 2023-11-30 | 2023-11-30 | 一种基于bim的建筑数据优化存储方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117332102B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA714285A (en) * | 1965-07-27 | Adler Felix | Multi-storey building, and method of constructing the same | |
JPH0934923A (ja) * | 1995-07-17 | 1997-02-07 | Hitachi Ltd | 建築/設備設計支援方法 |
CN101533529A (zh) * | 2009-01-23 | 2009-09-16 | 北京建筑工程学院 | 基于深度图像的三维空间数据处理方法与装置 |
CN102436654A (zh) * | 2011-09-02 | 2012-05-02 | 清华大学 | 建筑点云的自适应分割方法 |
CN102915560A (zh) * | 2012-09-21 | 2013-02-06 | 中国石油大学(华东) | 一种阈值无关的机载激光雷达点云滤波方法及装置 |
CN103701466A (zh) * | 2012-09-28 | 2014-04-02 | 上海市政工程设计研究总院(集团)有限公司 | 基于特征保留的散乱点云压缩算法 |
CN103743383A (zh) * | 2014-02-11 | 2014-04-23 | 天津市星际空间地理信息工程有限公司 | 一种基于点云的道路信息自动提取方法 |
CN105630905A (zh) * | 2015-12-14 | 2016-06-01 | 西安科技大学 | 一种基于散乱点云数据的分层式压缩方法及装置 |
CN107146280A (zh) * | 2017-05-09 | 2017-09-08 | 西安理工大学 | 一种基于切分的点云建筑物重建方法 |
CN108898662A (zh) * | 2018-05-30 | 2018-11-27 | 中国人民解放军陆军勤务学院 | 基于点云数据的管线设施bim模型自动化重建方法 |
CN110148218A (zh) * | 2017-11-02 | 2019-08-20 | 星际空间(天津)科技发展有限公司 | 一种大批量机载LiDAR点云数据整体优化的方法 |
CN110928878A (zh) * | 2019-11-19 | 2020-03-27 | 国网通用航空有限公司 | 基于hdfs的点云数据处理方法及装置 |
KR20220060472A (ko) * | 2020-11-04 | 2022-05-11 | 주식회사 솔리데오시스템즈 | Bim 파일 저작 도구 없이 서버에 등록된 bim 정보를 업데이트할 수 있는 컴퓨터 프로그램, 서버, 및 업데이트 서비스 제공 방법 |
CN115393240A (zh) * | 2022-09-01 | 2022-11-25 | 苏州智在云数据科技有限公司 | Gis和bim融合的方法、装置、电子设备及可读存储介质 |
CN116167668A (zh) * | 2023-04-26 | 2023-05-26 | 山东金至尊装饰工程有限公司 | 基于bim的绿色节能建筑施工质量评价方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2495688A1 (en) * | 2011-03-02 | 2012-09-05 | Harman Becker Automotive Systems GmbH | Floor Number Determination in Buildings |
US9922426B2 (en) * | 2016-01-25 | 2018-03-20 | Google Llc | Reducing latency in presenting map interfaces at client devices |
-
2023
- 2023-11-30 CN CN202311617241.6A patent/CN117332102B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA714285A (en) * | 1965-07-27 | Adler Felix | Multi-storey building, and method of constructing the same | |
JPH0934923A (ja) * | 1995-07-17 | 1997-02-07 | Hitachi Ltd | 建築/設備設計支援方法 |
CN101533529A (zh) * | 2009-01-23 | 2009-09-16 | 北京建筑工程学院 | 基于深度图像的三维空间数据处理方法与装置 |
CN102436654A (zh) * | 2011-09-02 | 2012-05-02 | 清华大学 | 建筑点云的自适应分割方法 |
CN102915560A (zh) * | 2012-09-21 | 2013-02-06 | 中国石油大学(华东) | 一种阈值无关的机载激光雷达点云滤波方法及装置 |
CN103701466A (zh) * | 2012-09-28 | 2014-04-02 | 上海市政工程设计研究总院(集团)有限公司 | 基于特征保留的散乱点云压缩算法 |
CN103743383A (zh) * | 2014-02-11 | 2014-04-23 | 天津市星际空间地理信息工程有限公司 | 一种基于点云的道路信息自动提取方法 |
CN105630905A (zh) * | 2015-12-14 | 2016-06-01 | 西安科技大学 | 一种基于散乱点云数据的分层式压缩方法及装置 |
CN107146280A (zh) * | 2017-05-09 | 2017-09-08 | 西安理工大学 | 一种基于切分的点云建筑物重建方法 |
CN110148218A (zh) * | 2017-11-02 | 2019-08-20 | 星际空间(天津)科技发展有限公司 | 一种大批量机载LiDAR点云数据整体优化的方法 |
CN108898662A (zh) * | 2018-05-30 | 2018-11-27 | 中国人民解放军陆军勤务学院 | 基于点云数据的管线设施bim模型自动化重建方法 |
CN110928878A (zh) * | 2019-11-19 | 2020-03-27 | 国网通用航空有限公司 | 基于hdfs的点云数据处理方法及装置 |
KR20220060472A (ko) * | 2020-11-04 | 2022-05-11 | 주식회사 솔리데오시스템즈 | Bim 파일 저작 도구 없이 서버에 등록된 bim 정보를 업데이트할 수 있는 컴퓨터 프로그램, 서버, 및 업데이트 서비스 제공 방법 |
CN115393240A (zh) * | 2022-09-01 | 2022-11-25 | 苏州智在云数据科技有限公司 | Gis和bim融合的方法、装置、电子设备及可读存储介质 |
CN116167668A (zh) * | 2023-04-26 | 2023-05-26 | 山东金至尊装饰工程有限公司 | 基于bim的绿色节能建筑施工质量评价方法及系统 |
Non-Patent Citations (2)
Title |
---|
基于IFC标准的建筑构件点云信息处理方法;徐照;康蕊;孙宁;;东南大学学报(自然科学版)(第06期);第1068-1075页 * |
徐照 ; 康蕊 ; 孙宁 ; .基于IFC标准的建筑构件点云信息处理方法.东南大学学报(自然科学版).2018,(第06期),第1068-1075页. * |
Also Published As
Publication number | Publication date |
---|---|
CN117332102A (zh) | 2024-01-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8462992B2 (en) | Method of change detection for building models | |
CN111598972A (zh) | 户型图生成方法、装置、计算机设备和存储介质 | |
CN109241978B (zh) | 地基三维激光点云中平面片的快速提取方法 | |
CN111044041B (zh) | 基于重力场三维特征的重力辅助惯性导航适配区选取方法 | |
CN117313222B (zh) | 基于bim技术的建筑施工数据处理方法 | |
CN115564926B (zh) | 基于影像建筑物结构学习的三维面片模型构建方法 | |
CN111091618B (zh) | 基于户型数据驱动的组合式室内布局方法和系统 | |
CN110807781A (zh) | 一种保留细节与边界特征的点云精简方法 | |
Hofmann | Analysis of TIN-structure parameter spaces in airborne laser scanner data for 3-D building model generation | |
US10282490B2 (en) | Estimation of three-dimensional models of roofs from spatial two-dimensional graphs | |
CN111311748B (zh) | 室内立体图构建方法及装置、终端设备和存储介质 | |
CN117332102B (zh) | 一种基于bim的建筑数据优化存储方法 | |
WO2011085435A1 (en) | Classification process for an extracted object or terrain feature | |
CN107909111B (zh) | 一种居民地多边形的多级图聚类划分方法 | |
CN111536973A (zh) | 一种室内导航网络提取方法 | |
CN110263875B (zh) | 一种建筑bim管理中比较构件轮廓相似性方法及其系统 | |
Hofmann et al. | Derivation of roof types by cluster analysis in parameter spaces of airborne laserscanner point clouds | |
WO2011085433A1 (en) | Acceptation/rejection of a classification of an object or terrain feature | |
CN111429446A (zh) | 肺图像处理方法、装置、设备及存储介质 | |
CN113989310B (zh) | 建筑体量数据的估算方法、装置、设备及存储介质 | |
CN111914216B (zh) | 局部惩罚型地质环境工程建设适宜性变权评价方法 | |
CN117952322B (zh) | 一种基于bim技术的工程管理系统 | |
Fradkin et al. | Building detection from multiple views | |
US20240155385A1 (en) | Communication design support apparatus, communication design support method and program | |
CN115346019A (zh) | 一种点云圆孔几何参数测量方法、装置及系统 |
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 |