CN106056614A - 一种地面激光点云数据的建筑物分割与轮廓线提取方法 - Google Patents

Abstract

本发明公开了一种地面激光点云数据的建筑物分割与轮廓线提取方法，包括对点云进行竖直投影、生成二维灰度图像、利用Otsu算法分割建筑物点云、主成分分析、最佳邻域计算、轮廓线提取等6个步骤；本发明实现了从原始点云中快速、准确地分割出建筑物点云,并且全自动地完成建筑物轮廓线点云的提取。

Description

一种地面激光点云数据的建筑物分割与轮廓线提取方法

技术领域

本发明属于地面激光点云数据处理应用技术领域，涉及一种对原始三维点云数据进行建筑物的精确分割和自动的轮廓线提取方法。

背景技术

地面激光扫描技术是一项新兴的三维测量扫描技术，其获取的海量高精度的点云数据，可以提供大规模精细的三维信息，更好地反映建筑物的细节和层次信息，对构建高精度数字模型而言，是一种崭新的方法。地面激光为我们提供高质量点云数据的同时，数据量也成倍的增长，对我们处理它产生了一定的难度。造成这一问题的原因主要有两个：一是在扫描目标建筑物点云的同时，不可避免的引入噪声和非目标地物点云数据；二是大多数建筑物立面可看成由许多大小不等的平面组成，每个平面除去少量外轮廓的点云对后续建模有帮助，大部分平面内部点云是可以被删除的。本发明旨在解决上述两个问题，并将发明分为建筑物点云分割和轮廓线提取两个部分。

目前，建筑物点云分割的方法有区域增长法、基于边缘的方法、基于特征聚类的方法、基于二维影像的方法、基于回波强度的方法等。上述分割算法中，有的精度高但计算复杂，有的耗时短但存在误分割或适应性的问题。目前，还没有一种完善的算法，在分割的计算中可以很好地兼顾精度和速度。本发明结合基于二维影像的方法和区域增长法，并做出一定的改进，完成了一种兼顾精度和速度的分割算法。

目前，建筑物点云轮廓线提取的方法主要有基于三角格网的方法、基于格网划分的方法、基于点的特征信息的方法等。这些方法多是根据点云的细节信息，利用特征提取或者条件约束完成轮廓线点云的提取，它们有着共同的问题就是计算较为复杂，时间复杂度高，并且针对不同的点云数据实验效果好坏不一。本发明重点研究了点云特征描述方法和最佳尺度确定的方法，充分利用点云的邻域信息和空间几何关系，并引入主成分分析与香农熵的计算，不但提高了轮廓线提取算法的精度和自适应性，而且针对不同的地面激光点云数据，无需反复调整阈值，实现了轮廓线的自动提取。

发明内容

为了解决上述技术问题，本发明提供了一种地面激光点云数据的建筑物分割与轮廓线提取方法，本发明主要涉及两部分内容，即建筑物点云分割模块与建筑物点云轮廓线提取模块。本发明的目的在于能够实现从原始三维点云中快速、准确地分割出建筑物点云、并且全自动地完成建筑物轮廓线点云的提取。

本发明所采用的技术方案是：一种地面激光点云数据的建筑物分割与轮廓线提取方法，其特征在于，包括以下步骤：

步骤1：对点云进行竖直投影；

输入原始三维点云，对原始三维点云进行竖直投影，凸显不同地物的点云分布特点；

步骤2：生成二维灰度图像；

根据点云的X、Y坐标范围建立水平格网，统计每个格网内投影点个数，并以此生成二维灰度图像，建立三维点云与二维影像之间的联系；

步骤3：利用Otsu算法分割建筑物点云；

对原始三维点云进行建筑物分割；根据建筑物在二维灰度图像中的灰度特点，使用Otsu算法对图像进行分割，图像分割后再将影像转换为三维点云，即可完成建筑物分割；

步骤4：主成分分析；

对分割后的建筑物点云进行主成分分析，计算出每个点的维度特征值；

步骤5：最佳邻域计算；

在不同尺度下分别进行主成分分析，计算不同尺度下维度特征值，再根据熵函数，自动计算出每个点的最佳邻域，得出每个点的主维度，从而将点云分为线状点云、面状点云、散乱点云三类；

步骤6：轮廓线提取；

根据几何位置关系，对面状点云进行轮廓线提取处理；先为每个点确定其所在的平面，再判断此点是在平面的边缘还是平面内部，根据平面中的点与其邻域点形成的线段夹角和约为360°来滤除平面中的点，从而保留每个平面的轮廓线点云。

作为优选，步骤1中所述的对原始三维点云进行竖直投影，是将原始三维点云沿Z轴投影至X、Y平面上，仅保留每个点的X、Y坐标；其投影公式为：

$\left[\begin{array}{ccc}X& Y& 0\end{array}\right]=\left[\begin{array}{ccc}X& Y& Z\end{array}\right]\left[\begin{array}{c}1\\ 1\\ 0\end{array}\right]---\left(1\right).$

作为优选，步骤2中所述的统计每个格网内投影点个数，记为投影点密度DoPP，调整所有格网的DoPP的取值范围，将其线性拉伸到0-255，用拉伸后的值模拟每个格网的灰度，生成二维灰度图像。

作为优选，步骤3中所述的Otsu算法对图像进行分割，是计算出灰度阈值T，以阈值T将影像分为目标和背景两类，使它们的类间方差g为最大，g由公式(2)计算得出；

g＝ω₀ω₁(μ₀-μ₁)² (2)；

其中ω₀、ω₁为两类各占比例，μ₀、μ₁为两类的平均灰度。

作为优选，所述的Otsu算法的包括以下两点改进：

(1)分块求解；在进行Otsu算法的时候，并不是对所有的点云数据仅进行一次计算，而是依据建筑物立面在整个场景内的分布情况，对场景范围进行划分，在每个子场景内分别进行一次Otsu算法；划分原则为，尽可能多的满足，在每个子场景中，同时含有建筑物立面数据和其他地物数据，尤其是保证建筑物点云中DoPP值相对较小的部分满足上述要求，这样做可以显著提升点云分割的正确率；

将图像L在X和Y方向上分别划分为m和n等份，得到每个子场景的范围：

L_ij＝x_i*y_i(i＝1，2，…，m；j＝1，2，…，n) (3)；

在每个L_ij内进行一次Otsu算法，最后取每个子场景分割出的建筑物立面数据的合集，得到最终的分割结果；

(2)结合建筑物立面点云在竖直投影后可形成连续的线段这一特点，对于漏分割的点云部分，利用区域增长算法进行补偿；其具体的计算流程包括以下子步骤：

步骤3.1：选取种子点；设原始三维点云投影生成灰度图像的像素灰度为g[i][j]，经过Otsu分块求解算法处理后像素灰度为G[i][j]，设定标记数组B[i][j]，记录每个像素的属性，三个数组的相同的下标对应同一个像素；遍历每个像素，若有像素p满足G[p_x][p_y]>0且其四邻域或八邻域有任意一个像素q符合G[q_x][q_y]＝0且g[q_x][q_y]>0，那么B[p_x][p_y]＝1，否则B[p_x][p_y]＝0，其中像素p、q的关系满足公式(4)；选取所有标记为1的像素作为种子点；

$\left\{\begin{array}{c}{q}_x=p_x+k\\ q_y=p_y+k\end{array}\right.,(k=-1,0,1)---\left(4\right);$

步骤3.2：设定区域增长条件，即阈值T；设种子点像素为p、其邻域点像素为q，将种子点G[p_x][p_y]与其邻域点g[q_x][q_y]作比较，若其商满足G[p_x][p_y]/g[q_x][q_y]<T，则将g[q_x][q_y]值赋予G[q_x][q_y]，并将B[q_x][q_y]标记为1，若其商满足G[p_x][p_y]/g[q_x][q_y]≥T，则将B[q_x][q_y]标记为0，当p与其对应的所有q均完成上述操作时，将B[p_x][p_y]标记为0；

步骤3.3：区域增长；对B＝1的像素看做新的种子点，并返回执行步骤3.2；

步骤3.4：结束条件；数组B中的所有元素均为0，即所有点的标记均为0，区域增长结束。

作为优选，步骤4中所述的主成分分析是通过对每个点及其邻域点的三维坐标构建协方差矩阵，计算出矩阵的三个特征值，以此分析出每个点属于三个维度特征的概率a_1D、a_2D、a_3D；其具体实现过程包括以下子步骤：

步骤4.1：根据点云密度和精度要求，设定邻域半径r的取值范围[r_min，r_max]，以及取值间隔；

步骤4.2：在不同邻域半径下，分别进行主成分分析；

首先利用每个扫描点X_i及其邻域点ν^r的三维坐标{X_i＝(x_i，y_i，z_i)|i∈v^r}构造协方差矩阵：

$C=\frac{1}{n}{M}^{T}M---\left(5\right);$

矩阵C为一个3*3的矩阵，其中为点集ν^r的重心坐标，矩阵M的具体形式为：

$M={\left[\begin{array}{cccc}{x}_1-\stackrel{\&OverBar;}{x}& x_2-\stackrel{\&OverBar;}{x}& \mathrm{...}& x_n-\stackrel{\&OverBar;}{x}\\ y_1-\stackrel{\&OverBar;}{y}& y_2-\stackrel{\&OverBar;}{y}& \mathrm{...}& y_n-\stackrel{\&OverBar;}{y}\\ z_1-\stackrel{\&OverBar;}{z}& z_2-\stackrel{\&OverBar;}{z}& \mathrm{...}& z_n-\stackrel{\&OverBar;}{z}\end{array}\right]}^T---\left(6\right);$

然后计算矩阵C的三个特征值λ₁、λ₂、λ₃，并按照λ₁≥λ₂≥λ₃的规则进行排列；

步骤4.3：计算每个点的三个维度特征；

令根据公式(7)计算每个点的三个维度特征，即一维线状特征a_1D、二维面状特征a_2D和三维散乱点特征a_3D；其中a_1D、a_2D、a_3D的和为1，换言之，a_1D、a_2D、a_3D分别代表了扫描点属于三个维度特征的概率；

$a_{1D}=\frac{{\mathrm{\&sigma;}}_1-{\mathrm{\&sigma;}}_2}{{\mathrm{\&sigma;}}_1},a_{2D}=\frac{{\mathrm{\&sigma;}}_2-{\mathrm{\&sigma;}}_3}{{\mathrm{\&sigma;}}_1},a_{3D}=\frac{{\mathrm{\&sigma;}}_3}{{\mathrm{\&sigma;}}_1}---\left(7\right).$

作为优选，步骤5中所述的最佳邻域计算，是根据熵函数计算每个点的最佳邻域，见公式(8)：

E_f(v^r)＝-a_1Dln(a_1D)-a_2Dln(a_2D)-a_3Dln(a_3D) (8)；

其中a_1D、a_2D、a_3D是主成分分析中得到的每个点属于三个维度特征的概率。

根据公式(8)计算不同r值下的邻域点集的熵值；当熵取最小值时，表示在此邻域下该点的主维度特征最突出，此时对应的半径r^*即为最佳邻域半径。

作为优选，步骤6中所述的根据几何位置关系，对面状点云进行轮廓线提取处理；其具体实现过程包括以下子步骤：

步骤6.1：根据最佳邻域r^*确定X点的最佳邻域点集

步骤6.2：确定点集所在平面。根据RANCAC随机抽样一致算法，从中随机抽取两个不同点并重复多次(重复次数与的点个数相同)，计算X、X_i、X_j三点所在平面方程并统计中其余点到平面的欧氏距离和，选取使距离和最小的平面S_xpq的两邻域点X_p、X_q，将X_p、X_q从中删除；

步骤6.3：删除平面外部点。遍历计算每个X_i与X_p、X_q三点确定的平面S_ipq方程，设定角度阈值θ₁，当平面S_ipq与平面S_xpq的夹角小于θ₁时，认定X_i在平面S_xpq上，否则将X_i从中删除。

步骤6.4：设XX_p为起始边，遍历计算每个∠X_PXX_i，设定角度阈值θ₂，选取小于θ₂中使∠X_PXX_i最小的邻域点X₁'；

步骤6.5：判断X₁'与X_p的方向，如果X₁'在X_p的顺时针方向，就按照顺时针方向去搜索；否则，按照逆时针搜索下一个邻域点；

步骤6.6：将步骤6.4得到的邻域点与X构成的线段设为起始边，重复步骤6.4寻求满足条件的下一个邻域点X₂',X₃',…,X_n'，直到搜索不到满足条件的邻域点；

步骤6.7：计算的角度和，若和约等于360°，将点X视为平面中的点，将其滤除，否则视为边缘点，将其保留。

由于传统的建筑物点云分割方法和轮廓线提取方法在精度、速度、适用性、自动化等方面有着不同程度的不足，并且无法做到同时兼顾，因此本发明针对以上问题进行了改进，本发明的优点在于：

1、本发明提出的建筑物点云分割方法兼顾速度和精度。

(1)本发明在建筑物点云分割中，把三维点云转换成二维影像，使用整体分割的方法，避免了针对每一个点的计算，从而提高了计算速度。

(2)针对Otsu在建筑物点云分割中精度的不足，提出了分块求解和区域增长的改进方法，既提高了建筑物点云的分割精度，又不增加过多的计算，保证了分割速度快的优点。

2、本发明提出的建筑物点云轮廓线提取方法是一种全自动的方法，无需人工干预，并且适用性强。本发明通过主成分分析和熵函数可自动计算出每个点的最佳邻域半径，并将点云按照维度特征进行分类，最后根据面状点云内部点固有的几何关系自动提取轮廓线点云，在算法设计中特地将距离阈值转换为角度阈值，用每个点与邻域点的相对位置关系替代绝对位置关系，这样针对不同点云数据无需修改实验中的阈值，达到自动提取的目的。

附图说明

图1：本发明实施例的流程图。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。

请见图1，本发明提供的一种地面激光点云数据的建筑物分割与轮廓线提取方法，包括以下步骤：

步骤1：对点云进行竖直投影；

输入原始三维点云，对原始三维点云进行竖直投影，凸显不同地物的点云分布特点；

对原始三维点云进行竖直投影，是将原始三维点云沿Z轴投影至X、Y平面上，仅保留每个点的X、Y坐标；其投影公式为：

$\left[\begin{array}{ccc}X& Y& 0\end{array}\right]=\left[\begin{array}{ccc}X& Y& Z\end{array}\right]\left[\begin{array}{c}1\\ 1\\ 0\end{array}\right]---\left(1\right).$

步骤2：生成二维灰度图像；

根据点云的X、Y坐标范围建立水平格网，统计每个格网内投影点个数，记为投影点密度DoPP，调整所有格网的DoPP的取值范围，将其线性拉伸到0-255，用拉伸后的值模拟每个格网的灰度，并以此生成二维灰度图像，建立三维点云与二维影像之间的联系；

步骤3：对点云进行初始的建筑物分割；

根据建筑物部分在二维灰度图像中的灰度特点，使用Otsu算法对图像进行分割，Otsu算法的主要原理是计算出灰度阈值T，以阈值T将影像分为目标和背景两类，使它们的类间方差g为最大，g由公式(2)计算得出。其中ω₀、ω₁为两类各占比例，μ₀、μ₁为两类的平均灰度。

g＝ω₀ω₁(μ₀-μ₁)² (2)；

图像分割后再将影像转换为三维点云，即可完成建筑物初始分割。一般情况下，初始分割可得到建筑物主体部分，但存在部分错误分割区域。

步骤4：对点云进行精确的建筑物分割；

结合初始分割结果中，错误分割区域的分布特点，使用一种改进的Otsu算法进行精确分割。改进算法包含两个部分，分块求解和区域增长补偿漏分割区域。经过此步骤，可以准确、完成地分割出建筑物点云，剔除大量地面、树木等非目标地物点云数据。

(1)分块求解；在进行Otsu算法的时候，并不是对所有的点云数据仅进行一次计算，而是依据建筑物立面在整个场景内的分布情况，对场景范围进行划分，在每个子场景内分别进行一次Otsu算法；划分原则为，尽可能多的满足，在每个子场景中，同时含有建筑物立面数据和其他地物数据，尤其是保证建筑物点云中DoPP值相对较小的部分满足上述要求，这样做可以显著提升点云分割的正确率；

将图像L在X和Y方向上分别划分为m和n等份，得到每个子场景的范围：

L_ij＝x_i*y_i(i＝1，2，…，m；j＝1，2，…，n) (3)；

在每个L_ij内进行一次Otsu算法，最后取每个子场景分割出的建筑物立面数据的合集，得到最终的分割结果；

(2)结合建筑物立面点云在竖直投影后可形成连续的线段这一特点，对于漏分割的点云部分，利用区域增长算法进行补偿；其具体的计算流程包括以下子步骤：

步骤4.1：选取种子点；设原始三维点云投影生成灰度图像的像素灰度为g[i][j]，经过Otsu分块求解算法处理后像素灰度为G[i][j]，设定标记数组B[i][j]，记录每个像素的属性，三个数组的相同的下标对应同一个像素；遍历每个像素，若有像素p满足G[p_x][p_y]>0且其四邻域或八邻域有任意一个像素q符合G[q_x][q_y]＝0且g[q_x][q_y]>0，那么B[p_x][p_y]＝1，否则B[p_x][p_y]＝0，其中像素p、q的关系满足公式(4)；选取所有标记为1的像素作为种子点；

$\left\{\begin{array}{c}{q}_x=p_x+k\\ q_y=p_y+k\end{array}\right.,(k=-1,0,1)---\left(4\right);$

步骤4.2：设定区域增长条件，即阈值T；设种子点像素为p、其邻域点像素为q，将种子点G[p_x][p_y]与其邻域点g[q_x][q_y]作比较，若其商满足G[p_x][p_y]/g[q_x][q_y]<T，则将g[q_x][q_y]值赋予G[q_x][q_y]，并将B[q_x][q_y]标记为1，若其商满足G[p_x][p_y]/g[q_x][q_y]≥T，则将B[q_x][q_y]标记为0，当p与其对应的所有q均完成上述操作时，将B[p_x][p_y]标记为0；

步骤4.3：区域增长；对B＝1的像素看做新的种子点，并返回执行步骤3.2；

步骤4.4：结束条件；数组B中的所有元素均为0，即所有点的标记均为0，区域增长结束。

步骤5：主成分分析；

轮廓线提取的首要步骤是按照点与其邻域点的位置关系，将点云分为线状点云、面状点云、散乱点云三类。主成分分析可以对复杂无序的点云数据进行分析计算，进而得到三个维度X、Y、Z之间的关系，确定每个点的类型。主成分分析的主要计算流程是通过对每个点及其邻域点的三维坐标构建协方差矩阵，计算出矩阵的三个特征值，以此分析出每个点属于三个维度特征的概率a_1D、a_2D、a_3D；其具体实现过程包括以下子步骤：

步骤5.1：根据点云密度和精度要求，设定邻域半径r的取值范围[r_min，r_max]，以及取值间隔；

步骤5.2：在不同邻域半径下，分别进行主成分分析；

首先利用每个扫描点X_i及其邻域点ν^r的三维坐标{X_i＝(x_i，y_i，z_i)|i∈v^r}构造协方差矩阵：

$C=\frac{1}{n}{M}^{T}M---\left(5\right);$

矩阵C为一个3*3的矩阵，其中为点集ν^r的重心坐标，矩阵M的具体形式为：

$M={\left[\begin{array}{cccc}{x}_1-\stackrel{\&OverBar;}{x}& x_2-\stackrel{\&OverBar;}{x}& \mathrm{...}& x_n-\stackrel{\&OverBar;}{x}\\ y_1-\stackrel{\&OverBar;}{y}& y_2-\stackrel{\&OverBar;}{y}& \mathrm{...}& y_n-\stackrel{\&OverBar;}{y}\\ z_1-\stackrel{\&OverBar;}{z}& z_2-\stackrel{\&OverBar;}{z}& \mathrm{...}& z_n-\stackrel{\&OverBar;}{z}\end{array}\right]}^T---\left(6\right);$

然后计算矩阵C的三个特征值λ₁、λ₂、λ₃，并按照λ₁≥λ₂≥λ₃的规则进行排列；

步骤5.3：计算每个点的三个维度特征；

令根据公式(7)计算每个点的三个维度特征，即一维线状特征a_1D、二维面状特征a_2D和三维散乱点特征a_3D；其中a_1D、a_2D、a_3D的和为1，换言之，a_1D、a_2D、a_3D分别代表了扫描点属于三个维度特征的概率；

$a_{1D}=\frac{{\mathrm{\&sigma;}}_1-{\mathrm{\&sigma;}}_2}{{\mathrm{\&sigma;}}_1},a_{2D}=\frac{{\mathrm{\&sigma;}}_2-{\mathrm{\&sigma;}}_3}{{\mathrm{\&sigma;}}_1},a_{3D}=\frac{{\mathrm{\&sigma;}}_3}{{\mathrm{\&sigma;}}_1}---\left(7\right).$

步骤6：最佳邻域计算；

在不同尺度下分别进行主成分分析，计算不同尺度下维度特征值，再根据熵函数，自动计算出每个点的最佳邻域，得出每个点的主维度，从而将点云分为线状点云、面状点云、散乱点云三类；

在主成分分析计算每个点的维度特征时，点的维度特征会随着邻域点集的变化而改变，针对不同区域的点云数据，由于每个点的深度的不同，点云密度和邻域点数量的不确定性，我们很难在某一固定的尺度下得到最正确的特征点集。为此，根据熵函数计算每个点的最佳邻域，见公式(8)；

E_f(v^r)＝-a_1Dln(a_1D)-a_2Dln(a_2D)-a_3Dln(a_3D) (8)；

根据公式(8)计算不同r值下的邻域点集的熵值；当熵取最小值时，表示在此邻域下该点的主维度特征最突出，此时对应的半径r^*即为最佳邻域半径。

步骤7：轮廓线提取；

根据几何位置关系，对面状点云进行轮廓线提取处理；先为每个点确定其所在的平面，再判断此点是在平面的边缘还是平面内部，根据平面中的点与其邻域点形成的线段夹角和约为360°来滤除平面中的点，从而保留每个平面的轮廓线点云。

根据几何位置关系，对面状点云进行轮廓线提取处理；其具体实现过程包括以下子步骤：

步骤7.1：根据最佳邻域r^*确定X点的最佳邻域点集

步骤7.2：确定点集所在平面。根据RANCAC随机抽样一致算法，从中随机抽取两个不同点并重复多次(重复次数与的点个数相同)，计算X、X_i、X_j三点所在平面方程并统计中其余点到平面的欧氏距离和，选取使距离和最小的平面S_xpq的两邻域点X_p、X_q，将X_p、X_q从中删除；

步骤7.3：删除平面外部点。遍历计算每个X_i与X_p、X_q三点确定的平面S_ipq方程，设定角度阈值θ₁，当平面S_ipq与平面S_xpq的夹角小于θ₁时，认定X_i在平面S_xpq上，否则将X_i从中删除。

步骤7.4：设XX_p为起始边，遍历计算每个∠X_PXX_i，设定角度阈值θ₂，选取小于θ₂中使∠X_PXX_i最小的邻域点X₁'；

步骤7.5：判断X₁'与X_p的方向，如果X₁'在X_p的顺时针方向，就按照顺时针方向去搜索；否则，按照逆时针搜索下一个邻域点；

步骤7.6：将步骤7.4得到的邻域点与X构成的线段设为起始边，重复步骤7.4寻求满足条件的下一个邻域点X₂',X₃',…,X_n'，直到搜索不到满足条件的邻域点；

步骤7.7：计算的角度和，若和约等于360°，将点X视为平面中的点，将其滤除，否则视为边缘点，将其保留。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (8)

1.一种地面激光点云数据的建筑物分割与轮廓线提取方法，其特征在于，包括以下步骤：

步骤1：对点云进行竖直投影；

输入原始三维点云，对原始三维点云进行竖直投影，凸显不同地物的点云分布特点；

步骤2：生成二维灰度图像；

根据点云的X、Y坐标范围建立水平格网，统计每个格网内投影点个数，并以此生成二维灰度图像，建立三维点云与二维影像之间的联系；

步骤3：利用Otsu算法分割建筑物点云；

对原始三维点云进行建筑物分割；根据建筑物在二维灰度图像中的灰度特点，使用Otsu算法对图像进行分割，图像分割后再将影像转换为三维点云，即可完成建筑物分割；

步骤4：主成分分析；

对分割后的建筑物点云进行主成分分析，计算出每个点的维度特征值；

步骤5：最佳邻域计算；

在不同尺度下分别进行主成分分析，计算不同尺度下维度特征值，再根据熵函数，自动计算出每个点的最佳邻域，得出每个点的主维度，从而将点云分为线状点云、面状点云、散乱点云三类；

步骤6：轮廓线提取；

根据几何位置关系，对面状点云进行轮廓线提取处理；先为每个点确定其所在的平面，再判断此点是在平面的边缘还是平面内部，根据平面中的点与其邻域点形成的线段夹角和约为360°来滤除平面中的点，从而保留每个平面的轮廓线点云。

2.根据权利要求1所述的地面激光点云数据的建筑物分割与轮廓线提取方法，其特征在于：步骤1中所述的对原始三维点云进行竖直投影，是将原始三维点云沿Z轴投影至X、Y平面上，仅保留每个点的X、Y坐标；其投影公式为：

$\left[\begin{array}{ccc}X& Y& 0\end{array}\right]=\left[\begin{array}{ccc}X& Y& Z\end{array}\right]\left[\begin{array}{c}1\\ 1\\ 0\end{array}\right]---\left(1\right).$

3.根据权利要求1所述的地面激光点云数据的建筑物分割与轮廓线提取方法，其特征在于：步骤2中所述的统计每个格网内投影点个数，记为投影点密度DoPP，调整所有格网的DoPP的取值范围，将其线性拉伸到0-255，用拉伸后的值模拟每个格网的灰度，生成二维灰度图像。

4.根据权利要求1所述的地面激光点云数据的建筑物分割与轮廓线提取方法，其特征在于：步骤3中所述的Otsu算法对图像进行分割，计算出灰度阈值T，以阈值T将影像分为目标和背景两类，使它们的类间方差g为最大，g由公式(2)计算得出；

g＝ω₀ω₁(μ₀-μ₁)² (2)；

其中ω₀、ω₁为两类各占比例，μ₀、μ₁为两类的平均灰度。

5.根据权利要求4所述的地面激光点云数据的建筑物分割与轮廓线提取方法，其特征在于，所述的Otsu算法的包括以下两点改进：

(1)分块求解；在进行Otsu算法的时候，并不是对所有的点云数据仅进行一次计算，而是依据建筑物立面在整个场景内的分布情况，对场景范围进行划分，在每个子场景内分别进行一次Otsu算法；划分原则为，尽可能多的满足，在每个子场景中，同时含有建筑物立面数据和其他地物数据，尤其是保证建筑物点云中DoPP值相对较小的部分满足上述要求，这样做可以显著提升点云分割的正确率；

将图像L在X和Y方向上分别划分为m和n等份，得到每个子场景的范围：

L_ij＝x_i*y_i(i＝1，2，…，m；j＝1，2，…，n) (3)；

在每个L_ij内进行一次Otsu算法，最后取每个子场景分割出的建筑物立面数据的合集，得到最终的分割结果；

(2)结合建筑物立面点云在竖直投影后可形成连续的线段这一特点，对于漏分割的点云部分，利用区域增长算法进行补偿；其具体的计算流程包括以下子步骤：

步骤3.1：选取种子点；设原始三维点云投影生成灰度图像的像素灰度为g[i][j]，经过Otsu分块求解算法处理后像素灰度为G[i][j]，设定标记数组B[i][j]，记录每个像素的属性，三个数组的相同的下标对应同一个像素；遍历每个像素，若有像素p满足G[p_x][p_y]>0且其四邻域或八邻域有任意一个像素q符合G[q_x][q_y]＝0且g[q_x][q_y]>0，那么B[p_x][p_y]＝1，否则B[p_x][p_y]＝0，其中像素p、q的关系满足公式(4)；选取所有标记为1的像素作为种子点；

$\left\{\begin{array}{c}{q}_x=p_x+k\\ q_y=p_y+k\end{array}\right.,(k=-1,0,1)---\left(4\right);$

步骤3.2：设定区域增长条件，即阈值T；设种子点像素为p、其邻域点像素为q，将种子点G[p_x][p_y]与其邻域点g[q_x][q_y]作比较，若其商满足G[p_x][p_y]/g[q_x][q_y]<T，则将g[q_x][q_y]值赋予G[q_x][q_y]，并将B[q_x][q_y]标记为1，若其商满足G[p_x][p_y]/g[q_x][q_y]≥T，则将B[q_x][q_y]标记为0，当p与其对应的所有q均完成上述操作时，将B[p_x][p_y]标记为0；

步骤3.3：区域增长；对B＝1的像素看做新的种子点，并返回执行步骤3.2；

步骤3.4：结束条件；数组B中的所有元素均为0，即所有点的标记均为0，区域增长结束。

6.根据权利要求1所述的地面激光点云数据的建筑物分割与轮廓线提取方法，其特征在于：步骤4中所述的主成分分析是通过对每个点及其邻域点的三维坐标构建协方差矩阵，计算出矩阵的三个特征值，以此分析出每个点属于三个维度特征的概率a_1D、a_2D、a_3D；其具体实现过程包括以下子步骤：

步骤4.1：根据点云密度和精度要求，设定邻域半径r的取值范围[r_min，r_max]，以及取值间隔；

步骤4.2：在不同邻域半径下，分别进行主成分分析；

首先利用每个扫描点X_i及其邻域点ν^r的三维坐标{X_i＝(x_i，y_i，z_i)|i∈v^r}构造协方差矩阵：

$C=\frac{1}{n}{M}^{T}M---\left(5\right);$

矩阵C为一个3*3的矩阵，其中 为点集ν^r的重心坐标，矩阵M的具体形式为：

$M={\left[\begin{array}{cccc}{x}_1-\stackrel{\&OverBar;}{x}& x_2-\stackrel{\&OverBar;}{x}& \mathrm{...}& x_n-\stackrel{\&OverBar;}{x}\\ y_1-\stackrel{\&OverBar;}{y}& y_2-\stackrel{\&OverBar;}{y}& \mathrm{...}& y_n-\stackrel{\&OverBar;}{y}\\ z_1-\stackrel{\&OverBar;}{z}& z_2-\stackrel{\&OverBar;}{z}& \mathrm{...}& z_n-\stackrel{\&OverBar;}{z}\end{array}\right]}^T---\left(6\right);$

然后计算矩阵C的三个特征值λ₁、λ₂、λ₃，并按照λ₁≥λ₂≥λ₃的规则进行排列；

步骤4.3：计算每个点的三个维度特征；

令根据公式(7)计算每个点的三个维度特征，即一维线状特征a_1D、二维面状特征a_2D和三维散乱点特征a_3D；其中a_1D、a_2D、a_3D的和为1，换言之，a_1D、a_2D、a_3D分别代表了扫描点属于三个维度特征的概率；

$a_{1D}=\frac{{\mathrm{\&sigma;}}_1-{\mathrm{\&sigma;}}_2}{{\mathrm{\&sigma;}}_1},a_{2D}=\frac{{\mathrm{\&sigma;}}_2-{\mathrm{\&sigma;}}_3}{{\mathrm{\&sigma;}}_1},a_{3D}=\frac{{\mathrm{\&sigma;}}_3}{{\mathrm{\&sigma;}}_1}---\left(7\right).$

7.根据权利要求6所述的地面激光点云数据的建筑物分割与轮廓线提取方法，其特征在于：步骤5中所述的最佳邻域计算，是根据熵函数计算每个点的最佳邻域，见公式(8)：

E_f(v^r)＝-a_1Dln(a_1D)-a_2Dln(a_2D)-a_3Dln(a_3D) (8)；

其中a_1D、a_2D、a_3D是主成分分析中得到的每个点属于三个维度特征的概率；

根据公式(8)计算不同r值下的邻域点集的熵值；当熵取最小值时，表示在此邻域下该点的主维度特征最突出，此时对应的半径r^*即为最佳邻域半径。

8.根据权利要求7所述的地面激光点云数据的建筑物分割与轮廓线提取方法，其特征在于：步骤6中所述的根据几何位置关系，对面状点云进行轮廓线提取处理；其具体实现过程包括以下子步骤：

步骤6.1：根据最佳邻域r^*确定X点的最佳邻域点集

步骤6.2：确定点集所在平面；根据RANCAC随机抽样一致算法，从中随机抽取两个不同点并重复多次，重复次数与的点个数相同，计算X、X_i、X_j三点所在平面方程并统计中其余点到平面的欧氏距离和，选取使距离和最小的平面S_xpq的两邻域点X_p、X_q，将X_p、X_q从中删除；

步骤6.3：删除平面外部点；遍历计算每个X_i与X_p、X_q三点确定的平面S_ipq方程，设定角度阈值θ₁，当平面S_ipq与平面S_xpq的夹角小于θ₁时，认定X_i在平面S_xpq上，否则将X_i从中删除；

步骤6.4：设XX_p为起始边，遍历计算每个∠X_PXX_i，设定角度阈值θ₂，选取小于θ₂中使∠X_PXX_i最小的邻域点X₁'；

步骤6.5：判断X₁'与X_p的方向，如果X₁'在X_p的顺时针方向，就按照顺时针方向去搜索；否则，按照逆时针搜索下一个邻域点；

步骤6.6：将步骤6.4得到的邻域点与X构成的线段设为起始边，重复步骤6.4寻求满足条件的下一个邻域点X₂',X₃',…,X_n'，直到搜索不到满足条件的邻域点；

步骤6.7：计算的角度和，若和约等于360°，将点X视为平面中的点，将其滤除，否则视为边缘点，将其保留。