CN102136155A - 基于三维激光扫描数据的物体立面矢量化方法和*** - Google Patents
基于三维激光扫描数据的物体立面矢量化方法和*** Download PDFInfo
- Publication number
- CN102136155A CN102136155A CN2010101025417A CN201010102541A CN102136155A CN 102136155 A CN102136155 A CN 102136155A CN 2010101025417 A CN2010101025417 A CN 2010101025417A CN 201010102541 A CN201010102541 A CN 201010102541A CN 102136155 A CN102136155 A CN 102136155A
- Authority
- CN
- China
- Prior art keywords
- point
- laser scanning
- boundary
- border
- dimensional
- 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
Landscapes
- Processing Or Creating Images (AREA)
- Image Generation (AREA)
Abstract
本发明为一种基于三维激光扫描数据的物体立面矢量化方法和***,所述方法包括步骤:区域分割,利用小平面分割一聚合的方法,从物体表面三维激光点云数据中提取功能区域;边界提取,通过方向图像检测几何突变,再通过区域边界进行补充,提取出三维激光点云包含的功能区域的几何边缘信息;边界修正,运用凸分解方法修正所述功能区域的边界,完成物体立面重建。所述***包括:激光扫描单元、区域分割单元、边界提取单元、边界修正单元和三维模型绘制单元;所述的区域分割单元从获取的三维点云数据提取功能区域;所述的边界提取单元检测三维点云数据包含的所述功能区域的边界信息;所述的边界修正单元重新拟合所述功能区域,修正边界。
Description
技术领域
本发明涉及三维空间信息获取与表达技术领域,特别涉及一种在遥感、测绘、计算机视觉中应用的基于三维激光扫描数据对物体立面矢量化,进行三维重建的方法和***。
背景技术
三维激光扫描技术是上世纪九十年代中期开始出现的一种获取三维空间数据的高新技术,其通过高速激光扫描测量的方法,大面积高分辨率地快速获取被测对象表面的三维坐标数据。在获取物体表面每个采样点的空间坐标后,得到点的集合,其为大量的空间离散点阵数据,通常称之为“点云(Points Cloud)”。由于获取的三维数据本身包含几何特征,可以直接记录物体表面的几何属性,因此可以详细、准确地表达物体表面的形状,用于建立物体的三维模型。
现有技术中,本发明的申请人在其论文“增量式三维重建方法”(首都师范大学硕士学位论文,2007年6月13日,研究生:龚利达,指导教师:张爱武)中提出了一种增量式的真实场景三维重建方法,以基于三维激光扫描仪***获取的场景三维点云数据为研究对象,根据距离图像的特点完成室内外场景的三维重建。其方法分为两个阶段,第一阶段是对单站的数据做矢量化,在这个阶段先对单站点平面分割,然后提取平面点集的边界,完成单站点距离图像的矢量化,第二阶段是将第一阶段提取出来的矢量数据处理成最终模型,由于在第一阶段提取出来的边界数据中存在大量的非凸多边形,在后期的绘制与处理的很多工作都是基于凸多边形的,所以需要将得到的非凸多边形处理成多边形。
传统方法计算的压力在于多站配准合并之后的数据处理,一方面存在大量的冗余数据,另一方面是由站点合并之后的数据量大而带来的建模、化简时的计算压力。为解决以上问题,上述论文中将计算的压力分摊到各个站点,先对站点独立矢量化,再将矢量化的结果做凸分解等处理,逐个加入最终模型。由于单站点的数据量不大,对单站点做数据处理计算压力小,其次,在站点合并过程中,合并的是矢量化之后的数据,数据量已大大减小,因此,计算压力远远小于传统方法,同时降低了三维建模的复杂度。
但是,上述论文的第一阶段中处理的单站数据并未打乱原三维点云的顺序。通常,由激光扫描仪获得的点云数据,从采集方法、外界环境到仪器本身的影响,点云数据对建筑物表面的描述总是不完整的,是含有空洞的,而且是含有噪声的。对被测目标对象直接采样获取的三维点云数据经过去噪和补洞等预处理之后,点云数据在初始扫描时所具有的点间关系已不存在,成为无序的杂乱采样点集,数据文件中丢失了每个点在距离图像上的原始行列索引信息。在这种情况下,上述论文中的第一阶段中处理单站数据的方法并不适用。
发明内容
本发明的目的在于,解决现有的激光扫描数据矢量化技术由于点云数据量大,数据量接近或超过内存容量矢量化难以进行,并且从中提取特征与边界十分困难的技术问题。
为达到上述目的,本发明提供一种基于三维激光扫描数据的物体立面矢量化方法,包括:
步骤a,区域分割,利用小平面分割—聚合的方法,从物体表面三维激光点云数据中提取功能区域;
步骤b,边界提取,通过方向图像检测几何突变,再通过区域边界进行补充,提取出三维激光点云包含的所述功能区域的边界点;
步骤c,边界修正,运用凸分解方法修正所述功能区域的边界,完成物体立面重建。
本发明进一步提供一种基于三维激光扫描数据的物体立面矢量化***,包括:激光扫描单元、区域分割单元、边界提取单元、边界修正单元和三维模型绘制单元;
所述的激光扫描单元通过发射和接收激光,获取物体立面的三维点云数据;
所述的区域分割单元从获取的三维点云数据提取功能区域;
所述的边界提取单元检测三维点云数据包含的所述功能区域的边界信息;
所述的边界修正单元重新拟合所述功能区域,修正边界。
本发明的有益效果在于,能够检测三维激光点云所包含的几何边缘信息,比如建筑物棱角等。提出一个方向图像的概念,并通过方向图像检测几何突变(包括褶皱和阶跃边界),再通过区域边界进行补充,从而充分提取出三维激光点云包含的几何边缘信息。本发明的区域分割方法既适用于有序的三维点云也适用于无序杂乱无章的三维点云。本发明适用于所有三维激光扫描数据,通过本发明处理不仅有效提取了三维特征而且减少了数据量。
附图说明
图1为本发明实施例一的点云数据矢量化的步骤;
图2为本发明实施例一的区域分割的流程图;
图3为本发明实施例一的边界提取的流程图;
图4为本发明实施例一的边界修正的流程图;
图5为本发明实施例二的点云数据矢量化的步骤;
图6为本发明实施例二的边界融合的流程图;
图7为本发明实施例三的三维激光扫描数据的物体立面矢量化的***结构图;
图8为本发明实施例四的三维激光扫描数据的物体立面矢量化的***结构图;
图9a和图9b为以首都师范大学校门为例,两个不同的站点的区域分割的结果;
图10a为某一站点的x-图像;
图10b为某一站点的y-图像;
图10c为某一站点的z-图像;
图10d为某一站点的R-图像;
图11为四邻域法中边界点的示意图;
图12a和图12b为为不同站点的区域边界和几何突变的提取结果;
图13为不同站点区域融合的示意图;
图14a为根据站点1采集的三维激光数据提取的临时模型;
图14b为站点1加入站点2后的临时模型;
图14c为站点1加入站点2和站点3后的临时模型;
图14d和图14e为根据多个站点采集的三维激光数据融合后的模型从不同角度的观察结果;
图15为微梯形和凸梯形合并的示意图;
图16a至图16c为将凸微梯形合并后的不同侧面的观察结果;
图16d为边界修正结果。
具体实施方式
下面结合具体实施例对本发明的特征和优点做进一步的描述。
本发明基于三维激光扫描数据的建筑物立面矢量化方法,能够检测三维激光点云所包含的几何边缘信息,比如建筑物棱角等。本发明提出一个方向图像的概念,并通过方向图像检测几何突变(包括褶皱和阶跃边界),再通过区域边界进行补充,从而充分提取出三维激光点云包含的几何边缘信息。本发明的区域分割方法既适用于有序的三维点云也适用于无序杂乱无章的三维点云。本发明适用于所有三维激光扫描数据,通过本发明处理不仅有效提取了三维特征而且减少了数据量。
实施例一
实施例一用于说明本发明的方法应用于将单个站点的点云数据矢量化时的实施步骤。
请参照图1,本发明实施例一提供的基于三维激光数据的建筑物立面矢量化的方法,包括步骤:
步骤11,区域分割,从物体表面三维激光点云数据中提取出墙、门、房檐等功能区域。
步骤12,边界提取,检测所述功能区域的边界和几何突变。
步骤13,边界修正,运用凸分解方法修正边界,并光顺处理,完成物体表面重建。
所述步骤11中的区域分割,是利用小平面分割—聚合的方法提取功能区域。将图像分成不同的区域,并让不同的区域分别具有不同的含义,即相同区域内的点具有相同的几何特征。请参照图2,包括的步骤为:
步骤1101,小平面分割。对点云数据建立基于线性八叉树的空间索引,分配点云数据进入立方体单元,完成小平面分割。
本发明的小平面分割方法是针对空间散乱点云的八叉树算法,对待三维激光扫描数据点云的相对位置没有要求,可以处在空间的任意位置上。
具体步骤如下:
首先,设定八叉树单元包含的最少激光数据点数nmin、同向性角度阈值αmax、共面性距离阈值dmin三个阈值。
步骤11011,用一个最小立方体单元作为外包围合将待处理的激光点云数据包围进来。
步骤11012,判断所述立方体单元中的三维点是否共面。若共面停止剖分,执行步骤1102;若不共面,则执行步骤11013。
这里,根据主成分分析法判断是否共面。假设第i个小平面单元包含ni个三维点,cogi是该单元包含三维点的重心,那么,有协方差矩阵:
vk是点pk的矢量坐标,m是重心cogi的矢量坐标。求协方差矩阵A的特征值λ0≤λ1≤λ2,如果λ0>λmin,则第i个单元所包含三维点不共面;否则共面,且平面的法向为A的最小特征值λ0对应的特征向量。
步骤11013,判断所述最小立方体单元内的点数是否大于给定阈值nmin。如果是,则执行步骤11014,继续剖分。如果否,则执行步骤11015。
步骤11014,根据八叉树算法将立方体单元剖分。再执行步骤11012。
八叉树是一种基于规则的八分原则,采用递归分解方式形成的分割结构。其基本思想是将三维区域划分为三维的立方体单元,每个立方体单元中包含多个点云数据。每个立方体单元分为小的单元,是以一分八的原则划分。将立方体单元分割为大小相同的八个小立方体,相应的,每个小立方体内都包含多个三维激光点云数据。
步骤11015,判断所述立方体单元中的点数,如果立方体单元中包含的点数小于给定阈值nmin,且这些点不共面,那么,这些点暂时放弃,该立体单元是不合法的立体单元。
步骤11016,若放弃的立方体单元四周为合法立体单元,则该立体单元包含的点为无效点,删除;否则保留,但不参与计算。
经过上述处理之后,三维点云就分散在不同的立体单元中,且参与计算的每个立方体单元所含的三维点共面,在同一个小平面上,称为第一平面。
步骤1102,小平面聚合。将相邻立方体单元内的满足同向性和共面性的第一平面归并,合并成一个新的更大的平面单元,即为提取到的功能区域,称为第二平面。
所谓归并,就是遍历所有立体单元中的点,并逐点判断两点的同向性和共面性。如果同时满足两个条件,则将两点所在的第一平面合并起来,形成所述的第二平面,否则将建立新的平面集合。
判断是否归并的两个条件分别是同向性和共面性。
同向性是指两个平面法向一致性的判断,相邻两个小平面i和j,其同向性定义如下:
|ni·nj|<αmax
其中,ni和nj分别为小平面i和j的法向量,αmax为预设的同向性角度阈值。
共面性是指两个小平面距离的判断,相邻两个小平面i和j,其共面性定义如下:
dij和dji表示一个平面的重心cog到它在另一平面正交投影的距离,dmin为预设的共面性距离阈值。
所述步骤12中的边界提取,是通过方向图像进行几何突变(包括褶皱和阶跃边界)检测,再通过区域边界进行补充,从而充分提取出三维激光点云包含的几何边缘信息。从而将步骤11中分割出来的第二平面的点集赋予更具体的几何意义,使用边界轮廓构成的多边形代替分割得到的第二平面的点集。
请参照图3,包括的步骤为:
步骤1201,几何突变检测。利用激光扫描点排列的2D网格作为投影图像平面,可以构造4幅方向图像(甚至更多):x-图像、y-图像、z-图像、R-图像(距离图像),图像的边缘反映了图像数据的不连续性。以构造x-图像为例,图像像素的排列顺序为激光扫描采样顺序。激光采样时激光采样点的排列顺序,恰好是一二维网格。并将x值插值在0-255之间,插值后的数据为对应像素的灰度值,从而形成一幅x-图像。同理,可形成y-图像、z-图像、R-图像。采用小波边缘算法对4幅图像分别进行边缘检测。实际上,这4幅图像反映了场景4个沿方向的变化,在边缘处,描绘出不同方向间距阶跃。再将4个方向检测的边缘合成,构成突变检测的综合结果。
步骤1202,区域边界检测。将所述第二平面的点集投影到一个平面上,利用四邻域方法提取区域边界。区域边界提取关键在于投影平面的选取。投影平面选取必须不丢失原来点集的轮廓信息。根据激光扫描采样的特点,利用激光采样点阵序列构成的二维网格平面为投影面。具体方法如下:
遍历区域点集,将点投影到平面上;
遍历区域点集,按四邻域方向,查找邻域点。如果邻域内有一个点不在区域点集则为边界点。具体情况如附图2。
步骤1203,边界点连接。具体的步骤为:
步骤12031,遍历所述第二平面的区域点集找到其中最大最小行列号iMaxRow,iMaxColumn,iMinRowm,iMinColumn。
步骤12032,从最小的行号的点开始按逆时针方向查找边界点(区域边界点和几何突变点),同时记录,作为一个弧段。查找方法是查找其方向的点有无边界点,有则继续,没有则记录下之前的点,构成弧段。然后再重新以最小行号为准则,选择新的开始点,重新查找,依次下去,直到遍历所有边界点为止。此外如果找到的下一个点恰好是弧段起点,也重新找起点,记录为新的弧段。
步骤12033,闭合不封闭弧段:如果弧段头尾点的距离小于fdisThrsh直接将头尾连接。如果没有找到,则找到与该弧段距离最近的弧段。若两弧段间的距离小于fdisThrsh,则将两弧段连起来。弧段间距离定义为两弧段头尾两点间两两距离的最小点。
所述步骤13中的边界修正是先通过边界点构造出功能区域的网格模型,在此基础上重新拟合功能区域,计算相邻区域的交,从而修正边界,提高边界精度。按边界点划分构成的多边形实际上是一个为微梯形,而边界点包围的区域是一个多边形区域。请参照图4,具体步骤如下:
步骤1301,进行凸分解,判断边界点的凸凹性。边界点包围的区域是一个多边形区域,设多边形顶点p1,p2,p3…pn按逆时针方向排列,按右手法则判断凸凹性。对任意一点pi,其相邻的点pi-1和pi+1,pi-1在pi顺序之前,pi+1在顺序之后,则有向量 和向量 若两向量的叉积方向符合逆时针点序连接方向则为凸点,反之为凹点。若微梯形的四个顶点都是凸点,那么称这个微梯形凸微梯形。
步骤1302,将凸微梯形合并。若相邻的微梯形都是凸微梯形,则将这些凸梯形的合并成为新的多边形,合并得到的多边形为凸多边形。非凸微梯形保留下来。
步骤1303,重新拟合功能区域,计算相邻区域交,修正边界,重建物体立面的多边形区域。
由实施例一的实施步骤可以看出,本发明提出一个方向图像的概念,并通过方向图像检测几何突变,包括褶皱和阶跃边界。
实施例二
实施例二用于说明本发明的方法应用于多个站点的点云数据矢量化时的实施步骤。与实施例一不同的是,实施例二中需要增加边界融合的步骤。请参照图5,包括步骤:
步骤21,区域分割,从物体表面三维激光点云数据中提取出墙、门、房檐等功能区域。
步骤22,边界提取,检测所述功能区域的边界和几何突变。
步骤23,边界融合,多站点边界快速融合,构成物体表面矢量化整体描述。
步骤24,边界修正,运用凸分解方法修正边界,并光顺处理,完成物体表面重建。
与实施例一相似,所述步骤21中的区域分割,是利用小平面分割—聚合的方法提取功能区域。将图像分成不同的区域,并让不同的区域分别具有不同的含义,即相同区域内的点具有相同的几何特征。包括的步骤为:
步骤2101,小平面分割。对点云数据建立基于线性八叉树的空间索引,分配点云数据进入立方体单元,完成小平面分割。
本发明的小平面分割方法是针对空间散乱点云的八叉树算法,对待三维激光扫描数据点云的相对位置没有要求,可以处在空间的任意位置上。
具体步骤如下:
首先,设定八叉树单元包含的最少激光数据点数nmin、同向性角度阈值αmax、共面性距离阈值dmin三个阈值。
步骤21011,用一个最小立方体单元作为外包围合将待处理的激光点云数据包围进来。
步骤21012,判断所述立方体单元中的三维点是否共面。若共面停止剖分,执行步骤2102;若不共面,则执行步骤21013。
这里,根据主成分分析法判断是否共面。假设第i个小平面单元包含ni个三维点,cogi是该单元包含三维点的重心,那么,有协方差矩阵:
vk是点pk的矢量坐标,m是重心cogi的矢量坐标。求协方差矩阵A的特征值λ0≤λ1≤λ2,如果λ0>λmin,则第i个单元所包含三维点不共面;否则共面,且平面的法向为A的最小特征值λ0对应的特征向量。
步骤21013,判断所述最小立方体单元内的点数是否大于给定阈值nmin。如果是,则执行步骤21014,继续剖分。如果否,则执行步骤21015。
步骤21014,根据八叉树算法将立方体单元剖分。再执行步骤21012。
八叉树是一种基于规则的八分原则,采用递归分解方式形成的分割结构。其基本思想是将三维区域划分为三维的立方体单元,每个立方体单元中包含多个点云数据。每个立方体单元分为小的单元,是以一分八的原则划分。将立方体单元分割为大小相同的八个小立方体,相应的,每个小立方体内都包含多个三维激光点云数据。
步骤21015,判断所述立方体单元中的点数,如果立方体单元中包含的点数小于给定阈值nmin,且这些点不共面,那么,这些点暂时放弃,该立体单元是不合法的立体单元。
步骤21016,若放弃的立方体单元四周为合法立体单元,则该立体单元包含的点为无效点,删除;否则保留,但不参与计算。
经过上述处理之后,三维点云就分散在不同的立体单元中,且参与计算的每个立方体单元所含的三维点共面,在同一个小平面上,称为第一平面。
步骤2102,小平面聚合。将相邻立方体单元内的满足同向性和共面性的第一平面归并,合并成一个新的更大的平面单元,即为提取到的功能区域,称为第二平面。
判断是否归并的两个条件分别是同向性和共面性。
同向性是指两个平面法向一致性的判断,相邻两个小平面i和j,其同向性定义如下:
|ni·nj|<αmax
其中,ni和nj分别为小平面i和j的法向量,αmax为预设的门限值。
共面性是指两个小平面距离的判断,相邻两个小平面i和j,其共面性定义如下:
dij和dji表示一个平面的重心cog到它在另一平面正交投影的距离,dmin为预设的门限值。
以首都师范大学校门为例,图9a和图9b所示为两个不同的站点的区域分割的结果。
与实施例一相似,所述步骤22中的边界提取,是通过方向图像进行几何突变(包括褶皱和阶跃边界)检测,再通过区域边界进行补充,从而充分提取出三维激光点云包含的几何边缘信息。
包括的步骤为:
步骤2201,几何突变检测。利用激光扫描点排列的2D网格作为投影图像平面,可以构造4幅方向图像(甚至更多):x-图像、y-图像、z-图像、R-图像(距离图像),图像的边缘反映了图像数据的不连续性。以构造x-图像为例,图像像素的排列顺序为激光扫描采样顺序。激光采样时激光采样点的排列顺序,恰好是一二维网格。并将x值插值在0-255之间,插值后的数据为对应像素的灰度值,从而形成一幅x-图像。同理,可形成y-图像、z-图像、R-图像。图10a至图10d说明其中一个站点的四幅方向图像。采用小波边缘算子对4幅图像分别进行边缘检测。实际上,这4幅图像反映了场景4个沿方向的变化,在边缘处,描绘出不同方向间距阶跃。再将4个方向检测的边缘合成,构成几何突变点检测的综合结果。
步骤2202,区域边界检测。将所述第二平面的点集投影到一个平面上,利用四邻域方法提取区域边界。区域边界提取关键在于投影平面的选取。投影平面选取必须不丢失原来点集的轮廓信息。根据激光扫描采样的特点,利用激光采样点阵序列构成的二维网格平面为投影面。具体方法如下:
遍历区域点集,将点投影到平面上;
遍历区域点集,按四邻域方向,查找邻域点。如果邻域内有一个点不在区域点集则为边界点。具体情况如图11。
步骤2203,边界点连接。具体的步骤为:
步骤22031,遍历区域点集找到其中最大最小行列号iMaxRow,iMaxColumn,iMinRowm,iMinColumn。
步骤22032,从最小的行号的点开始按逆时针方向查找边界点(区域边界点和几何突变点),同时记录,作为一个弧段。查找方法是查找其方向的点有无边界点,有则继续,没有则记录下之前的点,构成弧段。然后再重新以最小行号为准则,选择新的开始点,重新查找,依次下去,直到遍历所有边界点为止。此外如果找到的下一个点恰好是弧段起点,也重新找起点,记录为新的弧段。
步骤22033,闭合不封闭弧段:如果弧段头尾点的距离小于fdisThrsh直接将头尾连接。如果没有找到,则找到与该弧段距离最近的弧段。若两弧段间的距离小于fdisThrsh,则将两弧段连起来。弧段间距离定义为两弧段头尾两点间两两距离的最小点。
图12a和图12b为不同站点的区域边界和几何突变的提取结果。
与实施例一不同的是,增加步骤23。所述步骤23中的边界融合是多站点的边界融合,即将各个站点提取出的边界融合成一个整体,构成对所测物体的完整几何表述。这样有效地减少了大数据量对计算机的压力。请参照图6,具体步骤如下:
步骤2301,按照多站点配准转化矩阵将其它站点数据边界处理结果加入初始站点。
步骤2302,遍历整体模型的边界点,寻找与加入站点边界点的最小距离的点,用两个点的算术平均值代替原来模型中的边界点,如图13。融合结果见附图14a至图14e。
其中,图13中的黑色点和灰色点表示相邻两个站点提取的边界点在投影面上的投影,白色点表示计算两个点的算术平均值后得到的融合点。
图14a表示根据站点1采集的三维激光数据提取的临时模型。站点1为初始站点。图14b表示站点1加入站点2后的临时模型。图14c表示站点1加入站点2和站点3后的临时模型。图14d和图14e为根据多个站点采集的三维激光数据合并后的模型从不同角度的观察结果。
所述步骤24中的边界修正是先通过边界点构造出功能区域的网格模型,在此基础上重新拟合功能区域,计算相邻区域的交,从而修正边界,提高边界精度。按边界点划分构成的多边形实际上是一个为微梯形(图15),而边界点包围的区域是一个多边形区域。具体步骤如下:
步骤2401,进行凸分解,判断边界点的凸凹性。边界点包围的区域是一个多边形区域,设多边形顶点p1,p2,p3…pn按逆时针方向排列,按右手法则判断凸凹性。对任意一点pi,其相邻的点pi-1和pi+1,pi-1在pi顺序之前,pi+1在顺序之后,则有向量 和向量 若两向量的叉积方向符合逆时针点序连接方向则为凸点,反之为凹点。若微梯形的四个顶点都是凸点,那么称这个微梯形凸微梯形。
步骤2402,将凸微梯形合并。若相邻的微梯形都是凸微梯形,则将这些凸梯形的合并成为新的多边形,合并得到的多边形为凸多边形(请参照图15)。非凸微梯形保留下来。
步骤2403,重新拟合功能区域,计算相邻区域交,修正边界,重建物体立面的多边形区域。结果参见图16a至图16d。
其中图16a至图16c为将凸微梯形合并后的不同侧面的观察结果。图16d为边界修正的结果。
由实施例二的实施步骤可以看出,本发明提出一个方向图像的概念,并通过方向图像检测几何突变,包括褶皱和阶跃边界;本发明的矢量化方法是在将所有站点的数据进行区域分割和边界提取之后再进行边界融合,在所述步骤23中,按照多站点配准转化矩阵将其它站点数据边界处理结果一一加入初始站点的结果,因此数据处理量减小。
实施例三
实施例三提供一种三维激光扫描数据的物体立面矢量化的***,用以实现实施例一所述的方法。
请参照图7,所述***包括激光扫描单元、区域分割单元、边界提取单元、边界修正单元和三维模型绘制单元。
所述的激光扫描单元通过发射和接收激光,获取物体立面的三维点云数据。
所述的区域分割单元从获取的三维点云数据提取功能区域,例如墙、门、房檐等。
所述的区域分割单元包括小平面分割模块和小平面聚合模块。
所述的小平面分割模块对点云数据建立基于线性八叉树的空间索引,分配点云数据进入立方体单元,完成小平面分割。使立方体单元内的所有三维点在同一小平面内,称为第一平面。所述的小平面聚合模块是将相邻立方体单元内的满足同向性和共面性的第一平面归并,合并成一个新的更大的平面单元,称为第二平面,即为提取到的功能区域。
所述的边界提取单元检测三维激光点云数据包含的几何边缘信息,例如建筑物的棱角等。通过方向图像检测几何突变(包括褶皱和阶跃边界),再通过区域边界进行补充,从而充分提取出三维激光点云包含的几何边缘信息。
所述的边界提取单元包括几何突变检测模决、区域边界检测模块和边界点连接模块。
所述的几何突变检测模块利用激光扫描点排列的2D网格作为投影图像平面构造多幅方向图像,对所述的方向图像进行边缘检测,再将检测的边缘合成,构成突变检测的综合结果。
所述的区域边界检测模块利用四邻法提取区域边界。利用激光采样点阵序列构成的二维网格平面为投影面,遍历所述第二平面的点集,投影到所述投影面上。按四邻域方向,查找邻域点。如果邻域内有一个点不在区域点集则为边界点。
所述的边界点连接模块将所述几何突变检测结果和第二平面的边界点构成封闭弧段。
所述的边界修正单元先通过边界点构造出功能区域的网格模型,在此基础上重新拟合功能区域,计算相邻区域的交,从而修正边界,提高边界精度。
所述的边界修正单元包括凸凹性判断模块和凸微梯形合并模块。
所述凸凹性判断模块对边界点包围的多边形区域,进行凸分解,判断边界点的凸凹性。按边界点划分构成的多边形实际上是一个微梯形。
所述的凸微梯形合并模块将凸微梯形合并成为新的多边形,非凸微梯形保留下来。具体为,若微梯形的四个顶点都是凸点,那么称这个微梯形凸微梯形。若相邻的微梯形都是凸微梯形,则将这些凸梯形的合并成为新的多边形,合并得到的多边形为凸多边形。
所述的三维模型绘制单元将所述边界修正单元构造出功能区域绘制成为三维物体的立面模型。
实施例四
实施例四提供一种三维激光扫描数据的物体立面矢量化的***,用以实现实施例二所述的方法。
请参照图8,所述***包括激光扫描单元、区域分割单元、边界提取单元、边界修正单元、边界融合单元和三维模型绘制单元。
与实施例三不同的是,本实施例中增加了边界融合单元,用于融合不同站点采集的点云数据。
所述的边界融合单元将多个站点提取的边界融合为一个整体,构成对所测物体的完整几何描述。
所述的边界融合单元包括多站配准转化矩阵和边界点更新模块。
所述的多站配准转化矩阵是将其他站点提取的边界点转换为当前站点的坐标系下。
所述的边界点更新模块遍历整体模型的边界点,寻找与加入站点边界点的最小距离的点,用两个点的算术平均值代替原来模型中的边界点。
实施例四是将所有站点的数据进行区域分割和边界提取之后再进行边界融合,因此可以使数据处理量减小。
以上对本发明的描述是说明性的,而非限制性的,本专业技术人员理解,在权利要求限定的精神与范围之内可对其进行许多修改、变化或等效,但是它们都将落入本发明的保护范围内。
Claims (15)
1.一种基于三维激光扫描数据的物体立面矢量化方法,其特征在于,包括:
步骤a,区域分割,利用小平面分割-聚合的方法,从物体表面三维激光点云数据中提取功能区域;
步骤b,边界提取,通过方向图像检测几何突变,再通过区域边界进行补充,提取出三维激光点云包含的所述功能区域的边界点;
步骤c,边界修正,运用凸分解方法修正所述功能区域的边界,完成物体立面重建。
2.如权利要求1所述的基于三维激光扫描数据的物体立面矢量化方法,其特征在于,所述的步骤a区域分割包括:
步骤a1,小平面分割,对点云数据建立基于线性八叉树的空间索引,分配点云数据进入立方体单元,使所述立方体单元内的三维点在一第一平面内。
3.如权利要求2所述的基于三维激光扫描数据的物体立面矢量化方法,其特征在于,所述的步骤a区域分割还包括:
步骤a2,小平面聚合,将相邻立方体单元内的满足同向性和共面性的第一平面归并,合并成一第二平面即为所述的功能区域。
4.如权利要求1所述的基于三维激光扫描数据的物体立面矢量化方法,其特征在于,所述的步骤b边界提取包括:
步骤b1,几何突变检测,利用激光扫描点排列的2D网格作为投影图像平面,构造多幅方向图像,采用小波边缘算法对所述方向图像分别进行边缘检测,再将所述多个方向图像检测到的边缘合成,构成几何突变点检测的综合结果。
5.如权利要求1所述的基于三维激光扫描数据的物体立面矢量化方法,其特征在于,所述的步骤b边界提取还包括:
步骤b2,区域边界检测,利用激光采样点阵序列构成的二维网格平面为投影面,将所述第二平面的点集投影到所述的投影面上,利用四邻域方法提取区域边界。
6.如权利要求1所述的基于三维激光扫描数据的物体立面矢量化方法,其特征在于,所述的步骤b边界提取还包括:
步骤b3,边界点连接,遍历所述第二平面的区域边界点和几何突变点,构成闭合弧段。
7.如权利要求1所述的基于三维激光扫描数据的物体立面矢量化方法,其特征在于,所述的步骤c边界修正包括:对所述边界点包围的微梯形进行凸分解,判断所述边界点的凸凹性;将凸微梯形合并,将非凸微梯形保留;重新拟合所述功能区域,修正边界。
8.如权利要求1所述的基于三维激光扫描数据的物体立面矢量化方法,其特征在于,所述步骤b和步骤c之间还包括边界融合的步骤:
将多个站点提取出的边界点融合成一个整体。
9.如权利要求8所述的基于三维激光扫描数据的物体立面矢量化方法,其特征在于,所述的边界融合的步骤为:
按照多站点配准转化矩阵将其它站点数据边界点的处理结果加入初始站点;遍历整体模型的边界点,寻找与加入站点边界点的最小距离的点,用两个点的算术平均值代替原来模型中的边界点。
10.一种基于三维激光扫描数据的物体立面矢量化***,其特征在于,包括:激光扫描单元、区域分割单元、边界提取单元、边界修正单元和三维模型绘制单元;
所述的激光扫描单元通过发射和接收激光,获取物体立面的三维点云数据;
所述的区域分割单元从获取的三维点云数据提取功能区域;
所述的边界提取单元检测三维点云数据包含的所述功能区域的边界信息;
所述的边界修正单元重新拟合所述功能区域,修正边界;
所述三维模型绘制单元将所述边界修正单元拟合出的所述功能区域绘制成为物体的三维立面模型。
11.如权利要求10所述的基于三维激光扫描数据的物体立面矢量化***,其特征在于,所述的区域分割单元包括:小平面分割模块和小平面聚合模块;
所述的小平面分割模块对点云数据建立基于线性八叉树的空间索引,分配点云数据进入立方体单元,完成小平面分割,使立方体单元内的所有三维点在一第一平面内;
所述的小平面聚合模块是将相邻立方体单元内的满足同向性和共面性的第一平面归并,合并成一第二平面,即为所述的功能区域。
12.如权利要求11所述的基于三维激光扫描数据的物体立面矢量化***,其特征在于,所述的边界提取单元包括:几何突变检测模块、区域边界检测模块和边界点连接模块;
所述的几何突变检测模块利用激光扫描点排列的2D网格作为投影图像平面构造多幅方向图像,对所述的方向图像进行边缘检测,再将检测的边缘合成,构成突变检测的综合结果;
所述的区域边界检测模块利用四邻法提取所述第二平面的边界;
所述的边界点连接模块将所述几何突变检测结果和第二平面的边界点构成封闭弧段。
13.如权利要求11所述的基于三维激光扫描数据的物体立面矢量化***,其特征在于,所述的边界修正单元包括凸凹性判断模块和凸微梯形合并模块;
所述的凸凹性判断模块对边界点包围的微梯形进行凸分解,判断边界点的凸凹性。
所述的凸微梯形合并模块将凸微梯形合并成为新的多边形,非凸微梯形保留下来。
14.如权利要求10所述的基于三维激光扫描数据的物体立面矢量化***,其特征在于,进一步包括边界融合单元,用于融合不同站点采集的点云数据,将多个站点提取的边界融合为一个整体,构成对所测物体的完整几何描述。
15.如权利要求14所述的基于三维激光扫描数据的物体立面矢量化***,其特征在于,所述的边界融合单元包括多站配准转化矩阵和边界点更新模块;
所述的多站配准转化矩阵是将其他站点提取的边界点转换为当前站点的坐标系下;
所述的边界点更新模块遍历整体模型的边界点,寻找与加入站点边界点的最小距离的点,用两个点的算术平均值代替原来模型中的边界点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010102541A CN102136155B (zh) | 2010-01-27 | 2010-01-27 | 基于三维激光扫描数据的物体立面矢量化方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010102541A CN102136155B (zh) | 2010-01-27 | 2010-01-27 | 基于三维激光扫描数据的物体立面矢量化方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102136155A true CN102136155A (zh) | 2011-07-27 |
CN102136155B CN102136155B (zh) | 2012-10-03 |
Family
ID=44295928
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201010102541A Active CN102136155B (zh) | 2010-01-27 | 2010-01-27 | 基于三维激光扫描数据的物体立面矢量化方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102136155B (zh) |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102436654A (zh) * | 2011-09-02 | 2012-05-02 | 清华大学 | 建筑点云的自适应分割方法 |
CN102446354A (zh) * | 2011-08-29 | 2012-05-09 | 北京建筑工程学院 | 一种高精度多源地面激光点云的整体配准方法 |
CN103489222A (zh) * | 2013-09-06 | 2014-01-01 | 电子科技大学 | 三维图像中的目标体表面重构法 |
CN104574282A (zh) * | 2013-10-22 | 2015-04-29 | 鸿富锦精密工业(深圳)有限公司 | 点云噪声点去除***及方法 |
CN104765915A (zh) * | 2015-03-30 | 2015-07-08 | 中南大学 | 三维激光扫描数据建模方法及*** |
CN105184854A (zh) * | 2015-08-24 | 2015-12-23 | 北京麦格天宝科技股份有限公司 | 针对地下空间扫描点云成果数据的快速建模方法 |
CN105184855A (zh) * | 2015-08-25 | 2015-12-23 | 广州市城市规划勘测设计研究院 | 基于三维点云的特征面构建方法及装置 |
CN105571571A (zh) * | 2016-01-26 | 2016-05-11 | 中国科学院水利部成都山地灾害与环境研究所 | 基于三维激光扫描的堆积剖面空间结构信息分析方法 |
CN107784691A (zh) * | 2016-08-26 | 2018-03-09 | 上海宝冶集团有限公司 | 基于钢构件特征的曲边界拟合方法 |
CN108541322A (zh) * | 2016-08-29 | 2018-09-14 | 北京清影机器视觉技术有限公司 | 三维视觉测量数据的处理方法和装置 |
CN108645339A (zh) * | 2018-05-14 | 2018-10-12 | 国能生物发电集团有限公司 | 一种生物发电厂料垛点云数据采集及体积计算方法 |
CN108876744A (zh) * | 2018-06-27 | 2018-11-23 | 大连理工大学 | 一种基于区域分割的大尺度点云噪声去噪方法 |
CN108875804A (zh) * | 2018-05-31 | 2018-11-23 | 腾讯科技(深圳)有限公司 | 一种基于激光点云数据的数据处理方法和相关装置 |
CN108986024A (zh) * | 2017-06-03 | 2018-12-11 | 西南大学 | 一种基于网格的激光点云规则排列处理方法 |
CN109325953A (zh) * | 2018-02-05 | 2019-02-12 | 黑龙江科技大学 | 一种大规模稠密点云法线的确定方法 |
CN109598757A (zh) * | 2017-09-30 | 2019-04-09 | 爱唯秀股份有限公司 | 一种用于在空间中捕获物件的3d模型的方法 |
CN110132168A (zh) * | 2019-05-13 | 2019-08-16 | 苏州嘉奕晟中小企业科技咨询有限公司 | 一种三维激光点云数据处理*** |
CN110310322A (zh) * | 2019-07-06 | 2019-10-08 | 北方工业大学 | 一种10微米级高精度器件装配表面检测方法 |
CN110533778A (zh) * | 2019-08-09 | 2019-12-03 | 中国科学院自动化研究所 | 大规模图像点云并行分布式网格化重建方法、***、装置 |
CN111708022A (zh) * | 2020-07-15 | 2020-09-25 | 四川长虹电器股份有限公司 | 毫米波雷达的扫描区域边界的计算方法及装置 |
CN112017199A (zh) * | 2020-10-26 | 2020-12-01 | 广东博智林机器人有限公司 | 一种楼层边界检测方法、装置、设备及存储介质 |
CN113220018A (zh) * | 2021-04-23 | 2021-08-06 | 上海发电设备成套设计研究院有限责任公司 | 一种无人机路径规划方法、装置、存储介质及电子设备 |
CN113313761A (zh) * | 2021-07-28 | 2021-08-27 | 盎锐(常州)信息科技有限公司 | 用于实测实量的站点获取方法、扫描装置及*** |
CN113436335A (zh) * | 2021-06-18 | 2021-09-24 | 招远市国有资产经营有限公司 | 一种增量式多视图三维重建方法 |
WO2021253429A1 (zh) * | 2020-06-19 | 2021-12-23 | 深圳市大疆创新科技有限公司 | 数据处理方法、装置、激光雷达和存储介质 |
CN114067310A (zh) * | 2021-11-16 | 2022-02-18 | 国网福建省电力有限公司 | 一种基于特征匹配的场站映射方法、装置及电子设备 |
CN114609591A (zh) * | 2022-03-18 | 2022-06-10 | 湖南星晟智控科技有限公司 | 一种基于激光点云数据的数据处理方法 |
CN114791270A (zh) * | 2022-06-23 | 2022-07-26 | 成都飞机工业(集团)有限责任公司 | 一种基于pca的飞机表面关键形貌特征包络测量场构建方法 |
CN115077437A (zh) * | 2022-05-13 | 2022-09-20 | 东北大学 | 基于声发射定位约束的岩石水力压裂裂缝形态表征方法 |
CN117308821A (zh) * | 2023-11-28 | 2023-12-29 | 江苏华辉建筑装饰工程有限公司 | 一种基于扫描仪的建筑装饰造型精度检验方法及*** |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108257222B (zh) * | 2018-01-31 | 2019-01-22 | 杭州中科天维科技有限公司 | 钢炉转炉三维激光点云自动融合算法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101266694B (zh) * | 2008-04-28 | 2010-06-09 | 武汉大学 | 一种单站地面激光扫描点云的构网方法 |
CN101581575B (zh) * | 2009-06-19 | 2010-11-03 | 南昌航空大学 | 基于激光和摄像机数据融合的三维重建方法 |
-
2010
- 2010-01-27 CN CN201010102541A patent/CN102136155B/zh active Active
Cited By (45)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102446354A (zh) * | 2011-08-29 | 2012-05-09 | 北京建筑工程学院 | 一种高精度多源地面激光点云的整体配准方法 |
CN102436654A (zh) * | 2011-09-02 | 2012-05-02 | 清华大学 | 建筑点云的自适应分割方法 |
CN102436654B (zh) * | 2011-09-02 | 2013-07-10 | 清华大学 | 建筑点云的自适应分割方法 |
CN103489222B (zh) * | 2013-09-06 | 2016-06-22 | 电子科技大学 | 三维图像中的目标体表面重构法 |
CN103489222A (zh) * | 2013-09-06 | 2014-01-01 | 电子科技大学 | 三维图像中的目标体表面重构法 |
CN104574282A (zh) * | 2013-10-22 | 2015-04-29 | 鸿富锦精密工业(深圳)有限公司 | 点云噪声点去除***及方法 |
CN104574282B (zh) * | 2013-10-22 | 2019-06-07 | 鸿富锦精密工业(深圳)有限公司 | 点云噪声点去除***及方法 |
CN104765915A (zh) * | 2015-03-30 | 2015-07-08 | 中南大学 | 三维激光扫描数据建模方法及*** |
CN104765915B (zh) * | 2015-03-30 | 2017-08-04 | 中南大学 | 三维激光扫描数据建模方法及*** |
CN105184854A (zh) * | 2015-08-24 | 2015-12-23 | 北京麦格天宝科技股份有限公司 | 针对地下空间扫描点云成果数据的快速建模方法 |
CN105184854B (zh) * | 2015-08-24 | 2018-01-16 | 北京麦格天宝科技股份有限公司 | 针对地下空间扫描点云成果数据的快速建模方法 |
CN105184855A (zh) * | 2015-08-25 | 2015-12-23 | 广州市城市规划勘测设计研究院 | 基于三维点云的特征面构建方法及装置 |
CN105184855B (zh) * | 2015-08-25 | 2018-09-11 | 广州市城市规划勘测设计研究院 | 基于三维点云的特征面构建方法及装置 |
CN105571571B (zh) * | 2016-01-26 | 2017-11-17 | 中国科学院水利部成都山地灾害与环境研究所 | 基于三维激光扫描的堆积剖面空间结构信息分析方法 |
CN105571571A (zh) * | 2016-01-26 | 2016-05-11 | 中国科学院水利部成都山地灾害与环境研究所 | 基于三维激光扫描的堆积剖面空间结构信息分析方法 |
CN107784691A (zh) * | 2016-08-26 | 2018-03-09 | 上海宝冶集团有限公司 | 基于钢构件特征的曲边界拟合方法 |
CN108541322A (zh) * | 2016-08-29 | 2018-09-14 | 北京清影机器视觉技术有限公司 | 三维视觉测量数据的处理方法和装置 |
CN108541322B (zh) * | 2016-08-29 | 2021-09-14 | 北京清影机器视觉技术有限公司 | 三维视觉测量数据的处理方法和装置 |
CN108986024B (zh) * | 2017-06-03 | 2024-01-23 | 西南大学 | 一种基于网格的激光点云规则排列处理方法 |
CN108986024A (zh) * | 2017-06-03 | 2018-12-11 | 西南大学 | 一种基于网格的激光点云规则排列处理方法 |
CN109598757A (zh) * | 2017-09-30 | 2019-04-09 | 爱唯秀股份有限公司 | 一种用于在空间中捕获物件的3d模型的方法 |
CN109325953A (zh) * | 2018-02-05 | 2019-02-12 | 黑龙江科技大学 | 一种大规模稠密点云法线的确定方法 |
CN109325953B (zh) * | 2018-02-05 | 2021-09-21 | 黑龙江科技大学 | 一种大规模稠密点云法线的确定方法 |
CN108645339A (zh) * | 2018-05-14 | 2018-10-12 | 国能生物发电集团有限公司 | 一种生物发电厂料垛点云数据采集及体积计算方法 |
CN108875804A (zh) * | 2018-05-31 | 2018-11-23 | 腾讯科技(深圳)有限公司 | 一种基于激光点云数据的数据处理方法和相关装置 |
CN108876744A (zh) * | 2018-06-27 | 2018-11-23 | 大连理工大学 | 一种基于区域分割的大尺度点云噪声去噪方法 |
CN110132168A (zh) * | 2019-05-13 | 2019-08-16 | 苏州嘉奕晟中小企业科技咨询有限公司 | 一种三维激光点云数据处理*** |
CN110310322A (zh) * | 2019-07-06 | 2019-10-08 | 北方工业大学 | 一种10微米级高精度器件装配表面检测方法 |
CN110310322B (zh) * | 2019-07-06 | 2021-08-10 | 北方工业大学 | 一种10微米级高精度器件装配表面检测方法 |
CN110533778A (zh) * | 2019-08-09 | 2019-12-03 | 中国科学院自动化研究所 | 大规模图像点云并行分布式网格化重建方法、***、装置 |
WO2021253429A1 (zh) * | 2020-06-19 | 2021-12-23 | 深圳市大疆创新科技有限公司 | 数据处理方法、装置、激光雷达和存储介质 |
CN111708022A (zh) * | 2020-07-15 | 2020-09-25 | 四川长虹电器股份有限公司 | 毫米波雷达的扫描区域边界的计算方法及装置 |
CN112017199B (zh) * | 2020-10-26 | 2021-02-12 | 广东博智林机器人有限公司 | 一种楼层边界检测方法、装置、设备及存储介质 |
CN112017199A (zh) * | 2020-10-26 | 2020-12-01 | 广东博智林机器人有限公司 | 一种楼层边界检测方法、装置、设备及存储介质 |
CN113220018A (zh) * | 2021-04-23 | 2021-08-06 | 上海发电设备成套设计研究院有限责任公司 | 一种无人机路径规划方法、装置、存储介质及电子设备 |
CN113436335B (zh) * | 2021-06-18 | 2023-06-30 | 招远市国有资产经营有限公司 | 一种增量式多视图三维重建方法 |
CN113436335A (zh) * | 2021-06-18 | 2021-09-24 | 招远市国有资产经营有限公司 | 一种增量式多视图三维重建方法 |
CN113313761A (zh) * | 2021-07-28 | 2021-08-27 | 盎锐(常州)信息科技有限公司 | 用于实测实量的站点获取方法、扫描装置及*** |
CN114067310A (zh) * | 2021-11-16 | 2022-02-18 | 国网福建省电力有限公司 | 一种基于特征匹配的场站映射方法、装置及电子设备 |
CN114609591A (zh) * | 2022-03-18 | 2022-06-10 | 湖南星晟智控科技有限公司 | 一种基于激光点云数据的数据处理方法 |
CN114609591B (zh) * | 2022-03-18 | 2022-12-20 | 湖南星晟智控科技有限公司 | 一种基于激光点云数据的数据处理方法 |
CN115077437A (zh) * | 2022-05-13 | 2022-09-20 | 东北大学 | 基于声发射定位约束的岩石水力压裂裂缝形态表征方法 |
CN114791270A (zh) * | 2022-06-23 | 2022-07-26 | 成都飞机工业(集团)有限责任公司 | 一种基于pca的飞机表面关键形貌特征包络测量场构建方法 |
CN117308821A (zh) * | 2023-11-28 | 2023-12-29 | 江苏华辉建筑装饰工程有限公司 | 一种基于扫描仪的建筑装饰造型精度检验方法及*** |
CN117308821B (zh) * | 2023-11-28 | 2024-02-06 | 江苏华辉建筑装饰工程有限公司 | 一种基于扫描仪的建筑装饰造型精度检验方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN102136155B (zh) | 2012-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102136155B (zh) | 基于三维激光扫描数据的物体立面矢量化方法和*** | |
Yu et al. | Automatic 3D building reconstruction from multi-view aerial images with deep learning | |
Suveg et al. | Reconstruction of 3D building models from aerial images and maps | |
CN104392486B (zh) | 一种点云场景重建方法 | |
Xu et al. | Reconstruction of scaffolds from a photogrammetric point cloud of construction sites using a novel 3D local feature descriptor | |
CN102938066B (zh) | 一种基于多元数据重建建筑物外轮廓多边形的方法 | |
Xiong et al. | Flexible building primitives for 3D building modeling | |
Haala et al. | Extraction of buildings and trees in urban environments | |
CN107292234B (zh) | 一种基于信息边缘和多模态特征的室内场景布局估计方法 | |
Becker | Generation and application of rules for quality dependent façade reconstruction | |
Bulatov et al. | Context-based automatic reconstruction and texturing of 3D urban terrain for quick-response tasks | |
Cheng et al. | Integration of LiDAR data and optical multi-view images for 3D reconstruction of building roofs | |
CN104966317B (zh) | 一种基于矿体轮廓线的三维自动建模方法 | |
Budroni et al. | Automatic 3D modelling of indoor manhattan-world scenes from laser data | |
CN103703490A (zh) | 用于产生三维特征数据的设备、用于产生三维特征数据的方法、以及其上记录有用于产生三维特征数据的程序的记录介质 | |
CN115564926B (zh) | 基于影像建筑物结构学习的三维面片模型构建方法 | |
CN106874580A (zh) | 一种基于点云数据的弯管模型重建方法 | |
CN102750449B (zh) | 基于分步三维空间-特征域映射的点云直线特征提取方法 | |
CN103258203A (zh) | 遥感影像的道路中线自动提取方法 | |
Dal Poz et al. | Object-space road extraction in rural areas using stereoscopic aerial images | |
CN111652241B (zh) | 融合影像特征与密集匹配点云特征的建筑物轮廓提取方法 | |
CN102622753A (zh) | 基于密度可达测度的半监督谱聚类sar图像分割方法 | |
CN111932669A (zh) | 一种基于边坡岩体特征对象的变形监测方法 | |
Taillandier | Automatic building reconstruction from cadastral maps and aerial images | |
Zhou et al. | 3D building change detection between current VHR images and past lidar data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |