CN110866531A

CN110866531A - 一种基于三维建模的建筑物特征提取方法、***及存储介质

Info

Publication number: CN110866531A
Application number: CN201910975930.1A
Authority: CN
Inventors: 周伟; 周琛; 郑尧; 周凯; 刘磊
Original assignee: Shenzhen Xinshida Video Engineering Co Ltd
Current assignee: Shenzhen Xinshida Video Engineering Co Ltd
Priority date: 2019-10-15
Filing date: 2019-10-15
Publication date: 2020-03-06

Abstract

本发明涉及一种基于三维建模的建筑物特征提取方法、***及存储介质。其中基于三维建模的建筑物特征提取方法包括获取正射影像和倾斜影像，对图像进行预处理；对以上获取的影像进行三维建模；本发明还包括一种基于三维建模的建筑物特征提取***，包括获取单元，用于获取正射影像和倾斜影像，对图像进行预处理；处理单元，用于对所述预处理后的图像进行三维建模。本发明通过采用对影像三维建模后进行特征的提取、填充、识别的技术手段，克服现有技术中存在通过二维图像提取静态目标难度大、运动目标的图像分析处理方法无法用于静态建筑物的定位和分割的技术问题，实现了降低静态目标特征提取难度，能够把运动目标的图像分析处理方法用于静态建筑物的定位和分割的有益效果。

Description

一种基于三维建模的建筑物特征提取方法、***及存储介质

技术领域

本发明涉及一种移动端高精度实时三维重建方法，尤其是一种基于三维建模的建筑物特征提取方法、***及存储介质。

背景技术

在我国的城市管理工作中，城建监察工作是一项重要的职能，担负着城市建筑综合监管的重要任务。为了掌握城市的变化，实施有效的管理，包括规划、设计、建设等多个部门在内的城市主管部门，迫切需要动态掌握城市的建筑面积、用地面积等信息。随着我国城镇化的飞速发展，因为各种各样的原因，城市建筑中存在大量的违法建筑，如何快速、准确地获取城市建筑信息，是城建管理监察部门、城市规划设计部门等面临的一道难题。

低空无人机的快速发展和应用，为我国城市建筑综合监管提供了较好的平台，由于无人机的机动性、灵活性和便捷性，使其在城市建筑综合监管领域受到重视，目前已经在许多城市的城建监察、城市规划等部门得到应用。

现有技术中，基于无人机的城市建筑物调查监管工作中，还主要利用无人机拍摄照片，然后利用人工进行图上对比分析，比如，通过对比同一片区不同时期内的地面建筑物变化情况，然后对比规划审批信息，从而发现该片区哪些建筑属于违法建筑。这种通过航摄如卫星遥感、普通航空遥感、无人机和人工观察的监管手段，不仅耗费大量的人力物力，而且数据获取周期较长、缺乏机动灵活性，不适用于短期、高频的城市动态监测。另外，与运动目标检测不同的是，建筑物与地表同属于静态目标，因此对运动目标的处理方法无法用于静态建筑物的定位和分割，需要考虑新的研究方案来解决这一问题。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的一个目的是提供一种基于三维建模的建筑物特征提取方法，能够降低静态目标特征提取难度，可以把运动目标的图像分析处理方法用于静态建筑物的定位和分割的有益效果。

为此，本发明的第二个目的是提供一种基于三维特征提取的建模***。

本发明所采用的技术方案是：

第一方面，本发明提供一种基于三维建模的建筑物特征提取方法，包括如下步骤：

S10:获取正射影像和倾斜影像，对图像进行预处理；

S20:对S10中获取的影像进行三维建模；

进一步地，还包括:

S30：建筑物特征分割提取；

S40:建筑物区域填充；

S50:建筑物特征点识别。

进一步地，步骤S20具体包括：

S21:无人机正摄影和倾斜摄影的影像输入；

S22:影像几何校正；

S23:区域整体联合平差；

S24:多视角影像密集匹配；

S25:生成数字表面模型和/或三维不规则三角网；

S26：正射校正；

S27：生成三维数据库；

进一步地，步骤S25之后还包括：

S28:三维不规则三角网建模；

S29:自主纹理映射；

S210：生成三维场景

进一步地，步骤S30具体包括：

S31:采用K-Means聚类算法对建筑物特征归类提取；

S32：按照设定的搜索策略，对点云数据的三维坐标的纵向坐标数据进行K-Means聚类分割；

S33:将步骤S32中具有相近纵向坐标数据的目标归为一类，将其作为建筑物的进一步提取的基础。

具体的，采用K-Means聚类算法对建筑物特征归类提取，按照设定的搜索策略，对点云数据的三维坐标的纵向坐标数据进行K-Means聚类分割，将具有相近高度的目标归为一类，将其作为建筑物的进一步提取的基础。

进一步地，步骤S40具体包括：

S41：采用数学形态学操作对聚类分割后的图像进行腐蚀、膨胀去掉噪声；

S42：对图像中连通区域的孔洞进行填充。

具体的，S40中采用数学形态学操作对聚类分割后的图像进行腐蚀、膨胀去掉噪声，同时对图像中连通区域的孔洞进行填充，以保证分割后建筑物的完整性。

进一步地，S50中具体采用贝叶斯网络分类器提取轮廓特征点位置，最后得到建筑物的轮廓，并可以进一步计算该建筑区域的面积。

第二方面，本发明提供一种基于三维特征提取的建模***，包括：

获取单元，用于获取正射影像和倾斜影像，对图像进行预处理；

处理单元，用于对所述预处理后的图像进行三维建模。

进一步地，其中处理单元还用于建筑物特征分割提取，建筑物区域填充，建筑物特征点识别。

第三方面，本发明提供一种计算机可读存储介质，其中计算机可读存储介质存储有计算机可执行指令，计算机可执行指令用于使计算机执行其中涉及到的方法。

本发明的有益效果是：

本发明通过采用对影像三维建模后进行特征的提取的技术手段，克服现有技术中存在通过二维图像提取静态目标难度大、运动目标的图像分析处理方法无法用于静态建筑物的定位和分割的技术问题，实现了降低静态目标特征提取难度，运动目标的图像分析处理方法可以用于静态建筑物的定位和分割的有益效果。

附图说明

图1是本发明一种基于三维建模的建筑物特征提取方法实施例1实现基本流程图；

图2是本发明一种基于三维建模的建筑物特征提取方法实施例2实现整体流程图；

图3是本发明一种基于三维建模的建筑物特征提取方法实施例3三维建模流程图；

图4是本发明一种基于三维建模的建筑物特征提取方法实施例4K-means算法流程图。

具体实施方式

DSM：数字表面模型(Digital Surface Model，缩写DSM)，是指包含了地表建筑物、桥梁和树木等高度的地面高程模型。

TIN：三维不规则三角网(Triangulated Irregular Network,缩写TIN)，也名“曲面数据结构”，根据区域的有限个点集将区域划分为相等的三角面网络，数字高程由连续的三角面组成，三角面的形状和大小取决于不规则分布的测点的密度和位置。

DOM：数字正射影像(Digital Orthophoto Map)，是指利用数字高程模型对扫描处理的数字化航空相片、遥感影像，经逐个像元校正，按图幅范围裁剪生成的影像数据，DOM信息比较直观，具有良好的可判读性和可测量性，从中可直接提取自然地理、社会经济信息。此数据提取出来可用于展示至二维地图，或将提取出来的影像数据矢量化，用于提取矢量数据。

TDOM：真正射影像(True Digital Orthophoto Map)，是利用DSM采用数字微分校正技术，改正原始影像的几何变形以使影像上每一点都被校正为垂直视角而形成的影像图。

DEM：数字高程模型(Digital Elevation Model)：是通过有限的地形高程数据实现对地面地形的数字化模拟(即地形表面形态的数字化表达)，它是用一组有序数值阵列形式表示地面高程的一种实体地面模型。

GCP：地面控制点(GroundControlPoint)：

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

实施例1：本实施例提供了一种基于三维建模的建筑物特征提取方法，如图1所示，是上述基于三维建模的建筑物特征提取方法基本流程图，包括以下步骤：

S10:获取正射影像和倾斜影像，对图像进行预处理；

具体的，图像的预处理包括检查并剔除不符合要求的图片，图片匀色处理等，图像预处理的主要目的是消除图像中无关的信息，恢复有用的真实信息，增强有关信息的可检测性和最大限度地简化数据，从而改进特征抽取、图像分割、匹配和识别的可靠性。

S20:对S1中获取的影像进行三维建模；

具体的，是在二维地理信息基础上制作出的一种三维模型，经过程序开发，可以利用该***分析城市的自然要素和建设要素，用户通过交互操作，得到一种真实、直观的虚拟城市环境感受。本实施例通过二维图像提取静态目标，实现了降低静态目标特征提取难度的有益效果，其目的是，取得城市拍摄区域三维模型数据。

S30：建筑物特征分割提取；

具体的，本实例是利用K-means聚类算法对建筑物特征分割提取，该算法是基于误差平方和准则的算法，也是非监督学***方和作为准则函数，得到迭代运算的修正准则。误差平方和就是指样本与聚类中心之间的差异度的总和，准则函数越大，误差越大，以此判断分类的准确度，当求得的准则函数最小时才能达到最优的划分；本实施例是把运动目标的图像分析处理方法用于静态建筑物的定位和分割。

实施例2：本实施例提供了一种基于三维建模的建筑物特征提取方法，如图2所示，是上述基于三维建模的建筑物特征提取方法的整体流程图，此实施例是在实施例1的基础上进行的实施例，具体的，包括以下步骤：

S40:建筑物区域填充；

S50:建筑物特征点识别。

实施例3：本实施例提供了一种对影像进行三维建模的具体方法，如图3所示，包括以下步骤：

S21:无人机正摄影和倾斜摄影影像输入；

优选的，无人机测绘得到的数据首先是影像，获取影像的方法有很多，目前无人机主要是两种：正射和倾斜摄影。

可以理解的，当高空拍摄，航空摄影测量存在遮挡问题。倾斜摄影是多角度摄影的一类方法，为了获得除了顶部外的更多地物不同侧面进行的相机阵列组合中的相机姿态调整，目的是立体像对同名点无死角。

可以理解的，倾斜摄影技术颠覆了以往正射影像只能从垂直角度拍摄的局限，通过在同一飞行平台上搭载多台传感器，同时从一个垂直、四个倾斜等五个不同的角度采集影像，将用户引入了符合人眼视觉的真实直观世界。

无人机影像获取周期短，时效性强，有利于快速得到影像，便于快速及时有效的统计面积，同时能够节省大量的人力和时间。

S22:影像几何校正；

可以理解的，从具有几何畸变的图像中消除变形的过程，也可以说是定量地确定图像上的图像坐标与地理坐标的对应关系即坐标变换式，即把数据投影到平面上，使之符合投影***的过程。它的基本环节有两个：一是像素坐标变换，二是像素亮度重采样，更具体的处理过程包括以下步骤：

S221:数字影像输入；

可以理解的，数字影像又称数字图像，即数字化的影像。基本上是一个二维矩阵，每个点称为像元。像元空间坐标和灰度值均已离散化，且灰度值随其点位坐标而异。数字影像可直接在航天或航空遥感的扫描式传感器成像时产生，并记录在磁带上；也可利用影像数字化装置对模拟像片进行数字化，也记录在数字磁带上。数字影像像元数及像元灰度的量化级数，通常取2的整数幂。数字影像表达方式可通过傅里叶变换由“空间域”形式转变为“频率域”形式，且可进行各种数字图像处理，如数据压缩、影像增强、自动分类等。

可以理解的，数字影像一般总是表达为空间的灰度函数，构成为矩阵形式的阵列。这种表达方式是与其真实影像相似的。其优点在于能应用矩阵理论对图像进行分析处理。但在表示数字图像的能量、相关等特性时，采用图像的矢量(向量)表示比用矩阵表示方便。若按行的顺序排列像素，使该图像后一行第一个像素紧接前一行最后一个像素。优势在于对图像进行处理时，可以直接利用向量分析的有关理论和方法。构成向量时，既可以按行的顺序，也可以按列的顺序。选定一种顺序后，后面的处理都要与之保持一致。

S222：建立校正变化函数；

S223：误差分析；

S224：坐标变换；

具体的，是把被错置的像素点搬运到该在的位置,此方法被称为直接变换法。

可以理解的，从数学上说，几何校正就是通过选取一组地面控制点GCP，建立原始的畸变图像空间与校正图像空间的变换关系：

S225：影像重采样；

可以理解的，影像重采样是在数字摄影测量和遥感处理中，根据各相邻的原采样点内插出新采样点的过程。如将影像进行核线排队或做影像几何改正，以及在数字纠正和多重影像复合过程中,都需进行影像重采样。内插的方法有双线性插值法、双三次卷积法和最邻近像元法等。前两种几何精度较好；后一种最简单快捷,且不破坏原始影像的灰度信息，但几何精度低。

S226：影像输出

S23：区域整体联合平差；

可以理解的，由于参与三维建模的影像不仅包含正射影像数据，还包括倾斜摄影数据，因此这种多视角的影像联合平差需充分考虑影像间的几何变形和遮挡关系，可采用由粗到精的金字塔匹配策略，在每级影像上进行同名点自动匹配和***光束法平差，从而可以得到较好的同名点匹配结果。

具体的，步骤S23中所提到的联合平差是指两种不同观测手段的数据在一起进行平差。它能将已有像控点的控制作用通过多期影像间的同名点传递到最新航空影像上，联合平差加密点的平面精度与常规光束法区域网平差加密精度基本一致，而高程精度则取决于多期影像间同名点的观测值个数，同名点观测值越多，加密点高程精度越高，因此只要多期影像间存在足够多的同名点观测值，则联合平差的加密精度完全能够满足摄影测量地形图测绘的生产需要。通过联合平差，基本避免了坐标转换误差的影响，有效地削弱天文大地网***误差的积累，大大提高了天文大地网的边长、点位、尺度、定向等方面的精度，从而提高了地域坐标系的精度，整体提高了国家大地网，扩大了国家大地坐标系的服务范围。

为了充分利用已有的航外控制和航摄成果，在新的作业中减少甚至无需测绘野外控制点，以达到节约作业成本，缩短作业周期的目的，只要多期影像间同名点观测值个数足够多，则联合平差加密精度完全能够满足本实施例的需要。

S24:多视角影像密集匹配；

多视角影像密集匹配的关键问题是如何在匹配过程中充分考虑冗余信息，快速准确获取多视影像上的同名点坐标，本发明采用多基元、多视影像匹配方法。

具体的，选择三张多视角影像进行多视角影像匹配实现，例如将三张影像记为(v_a，v_b， v_c)，分别选择三张影像中的两张影像组建立体像对进行密集匹配，如(v_a，v_b)，(v_a，v_c)， (v_b，v_c)，如果在(v_a，v_b)存在匹配点对(f_a，f_b)，在(v_b，v_c)存在匹配点对(f_b，f_c), 那么，在(v_a，v_c)中肯定存在匹配点对(f_a，f_c)，这样，通过立体像对匹配的结果，将符合条件(f_a，f_b，f_c)选为多视角影像(v_a，v_b，v_c)的匹配点，也就完成了三张影像的匹配。

S25:生成数字表面模型和/或三维不规则三角网；

具体的，对于DSM的生成可以首先根据自动空三解算出来的各影像外方位元素，分析与选择合适的影像匹配单元进行特征匹配和逐像素级的密集匹配，并引入并行算法，提高计算效率。

S26：正射校正；

具体的，正射校正涉及物方连续的DEM和大量离散分布粒度差异很大的地物对象，以及海量的像方多角度影像，具有典型的数据密集和计算密集特点。因此多视影像的正射校正，可分为物方和像方同时进行。

具体的，正射校正是对图像空间和几何畸变进行校正生成多中心投影平面正射图像的处理过程。它除了能校正一般***因素产生的几何畸变外，还可以消除地形引起的几何畸变。它采用少量的地面控制点与相机或卫星模型相结合，确定相机或者传感器、图像和地面三个平台简单关系，建立正确的校正公式，产生精确的正射影像。

具体的，正射校正一般是通过在像片上选取一些地面控制点，并利用原来已经获取的该像片范围内的DEM数据，对影像同时进行倾斜校正和投影差校正，将影像重采样成正射影像。将多个正射影像拼接镶嵌在一起，并进行色彩平衡处理后，按照一定范围内裁切出来的影像就是正射影像图。正射影像同时具有地形图特性和影像特性，信息丰富，可作为地理信息***的数据源，从而丰富地理信息***的表现形式。

具体的，正射校正是对影像进行几何畸变校正的一个过程，它将对由地形、相机几何特性以及与传感器相关的误差所造成的明显的几何畸变进行处理。输出的正射校正影像将是正射的平面真实影像。

可以理解的，从摄影测量的角度，卫星遥感影像可以看作是一个中心投影的结果，它必然会受到传感器观测角度和地面高程(地面高程是以黄海平面为参考平面的竖向高度)的影响，特别是在影像的边缘，地面高程引起的视差更是不可忽视。

可以理解的，正射校正的目的就是要消除这种由地面高程引起的视差，在DEM的帮助下，得到某点正确的位置坐标。

S27：生成三维数据库；

具体的，三维建模的关键是获取影像的超高密度点云，再通过点云可构建地物的TIN模型，由此得到包括DSM、DOM、TDOM、矢量数据在内的三维模型数据。

其中S25之后还包括以下步骤：

S28:TIN建模；

具体的，TIN通过用一系列互不交叉、互不重叠的连接在一起的三角面来近地形表面。

TIN模型的优点是它能以不同层次的分辨率来描述地形表面，在某一特定分辨率下能用更少的空间和时间更精确地表示更加复杂的表面，特别当地形包含有大量特征如断裂线、构造线时，TIN模型能更好地顾及这些特征从而能更精确合理地表达地表形态，也即三角网模型具有精度高、速度快、效率高和容易处理断裂线和地物等特点。

S29:自主纹理映射；

可以理解的，纹理映射是将纹理空间中的纹理像素映射到屏幕空间中的像素的过程。在三维图形中，纹理映射的方法运用得最广，尤其描述具有真实感的物体。纹理映射是真实感图像制作的一个重要部分，运用它可以方便的制作出极具真实感的图形而不必花过多时间来考虑物体的表面细节。

具体的，实现包括以下步骤：

S291：定义纹理对象

const int TexNumber4；

GLuint mes_Texture[TexNumber]；//定义纹理对象数组

S292：生成纹理对象数组

glGenTextures(TexNumber,m_Texture)；

S293：通过使用glBindTexture选择纹理对象，来完成该纹理对象的定义。

glBindTexture(GL_TEXTURE 2D,m_Texture[0])；

glTexImage2D(GL_TEXTURE_2D,0,3,mes_Texmapl.GetWidth(),mee_Texmapl.GetHeight(),0,

GL_BGR_EXT,GL_UNSIGNED_BYTE,mse_Texmapl.GetDibBitsl'trQ)；

S294：在绘制景物之前通过glBindTexture，为该景物加载相应的纹理。

glBindTexture(GLes_TEXTURE_2D,mse_Texture[0])；

S295：在程序结束之前调用glDeleteTextures删除纹理对象。

glDeleteTextures(TexNumber,mee_Texture)；

S210：生成三维场景。

实施例4：本实施例提供一种建筑物特征分割提取方法，如图4所示，本实施例采用K-Means聚类算法对建筑物特征归类提取，按照设定的搜索策略例如从上到下或者从左到右，对城市各区域内各地物点云数据的三维坐标的纵向坐标数据进行K-Means聚类分割，将具有相近高度的目标归为一类，将其作为建筑物的进一步提取的基础。

具体流程包括：

利用建筑物的高度特征，基于三维模型采用K-Means聚类算法首先对图片中的地物进行初步归类提取，考虑到建筑物顶层轮廓所在点云均具备一定的高度，初步可考虑轮廓高度大于2米，作为目标地的初步筛选方案。

S31：输入点云样本数据；

具体的，输入点云样本p_i(i＝1,2,...,n)的数据集p_i(x,y,z)，令c＝1，c代表不同迭代轮数的聚类中心，选取k个初始聚类中心z_j(c)，j＝1,2,...,k。

S32:输入参与聚类的个数n，k；

S33:初始化k个聚类中心；

具体的，计算每个点云样本与聚类中心的距离D(p_i,z_j(c))，i＝1,2,...,n，并进行分类。

S34:分配各个数据对象到最近的聚类中

具体的，令c＝c+1，计算新的聚类中心和误差平方和准则f(目标函数)值:

S35：重新计算各个聚类的中心；

S36:判断聚类中心是否收敛；

具体的，判断如果|J_(c+1)-J_c|<θ(θ为收敛判别阈值)或者对象无类别变化，则算法结束，否则，c＝c+1，返回S34步。

S37:输出聚类结果。

具体的，记录每个点云样本i对应的每一个类j的质心的所有点云p_ij，得到k个聚类。对满足同一类j的k个点云质心进行建筑物的初步判别。考虑到城市建筑物点云的特征分布规律，在得到k个聚类对象后，以点云竖向坐标值大于2米以上作为建筑物判别的初步依据，以此对k个聚类结果进行重新筛选，得到d个新的聚类地物，以此作为片区内建筑物进一步判别的依据。

实施例5：本实施例提供了一种建筑物区域填充以及特征点识别方法，具体的，本实施例采用数学形态学操作对聚类分割后的图像进行腐蚀、膨胀去掉噪声，同时对图像中连通区域的孔洞进行填充，以保证分割后建筑物的完整性。

在实施例4中判别结果的基础上，对建筑物区域进行填充，同时剔除非封闭区域，得到建筑物的初步轮廓。对上述d个新的聚类地物，实施图像形态学操作，具体方法如下：

S41:定义一个卷积核B，卷积核可以是任何的形状和大小，且拥有一个单独定义出来的参考点即锚点，通常情况下卷积核为带参考点的正方形或者圆盘。

S42:将核B与聚类地物d进行卷积，计算核B覆盖区域的像素点最大值。

S43:如果所得到的最大值所对应的点云在平面上不能构成封闭图形，则认为该区域非城市建筑物而将其剔除，返回第S42，如果能够构成封闭平面图形，则认为是城市建筑物程序进入下一步。

S44：将这个最大值赋值给参考点指定的像素，图像中的区域逐渐增长，直至满足d的最大区域为止，得到经填充后的各个聚类地物的。

具体的，本实施例还提供了一种建筑物轮廓形成以及建筑区域面积计算方法，具体采用贝叶斯网络分类器提取轮廓特征点位置，最后得到建筑物的轮廓，并可以进一步计算该建筑区域的面积。

具体的，对城市片区内建筑物特征点识别，对获得的每个聚类地物构建一个贝叶斯网络分类器，运用Monte Carlo算法进行建筑物特征点推理，最后得到最能表征建筑物特性的轮廓样本，由此提取出符合一定概率分布的建筑物区域，实现建筑物的自动提取。

具体步骤如下：

S51:对于每个聚类区域，构建贝叶斯网络分类器结构B(G,θ)，其中将各样本点的属性的联合概率分布定义为：

S52:采用EM(Expectation-Maximization)算法即期望最大算法对贝叶斯网络分类器结构B(G,θ)中的样本点进行求取样本服从的分布参数θ。

可以理解的，若样本服从的分布参数θ已知，则可以根据已观测到的训练样本推断出隐变量z的期望值如下步骤S521，若z的值已知则运用最大似然法估计出新的θ值如下步骤 S522。重复这个过程直到z和θ值不再发生变化。步1和步2的方法如下：

S521：以当前参数θ(t)推断隐变量分布P(z|x,θ(t))，计算对数似然函数L(θ|x,z)关于z 的期望：

Q(θ|θ(t))＝E_z|x,θ(t)L(θ|x,z)

S522：寻找参数最大化期望似然函数值，即

S53:将最大期望分布参数θ所对应的特征点所在点云即为建筑物的特征点，由此得到建筑物分类。

具体的，在获得建筑物区域特征点点云p_i(i＝1,2,...,n)的数据集p_i(x,y,z)以后，采用如下方法计算建筑物区域面积：包括以下步骤：

S61:根据聚类结果，将第i聚类建筑物区块特征点点云p_i(x,y,z)坐标正射投影到f(x,y) 平面，得到第i聚类建筑物区块在某高度z上的数据集D_i ^z(x,y)＝{(x₁,y₁),(x₂,y₂),...,(x_m,y_m)}；

S62:取j＝1，j≤m，j＝j+1

i＝i+1

由上式经n次累加得到第i聚类建筑物区块(高度为z)在平面f(x,y)上的投影面积。

S63:重复步骤S63，当i＝n时终止计算，从而得到所有建筑物聚类的在平面f(x,y)上的投影面积

实施例6：本实施例提供一种计算机可读存储介质，上述计算机可读存储介质存储有计算机可执行指令，此计算机可执行指令用于使计算机执行以上所有实施例中涉及到的方法。

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims

1.一种基于三维建模的建筑物特征提取方法，其特征在于，包括如下步骤：

S10：获取正射影像和倾斜影像，对图像进行预处理；

S20：对S10中获取的影像进行三维建模；

S30：建筑物特征分割提取。

2.根据权利要求1所述的一种基于三维建模的建筑物特征提取方法，其特征在于，还包括：

S40:建筑物区域填充；

S50:建筑物特征点识别。

3.根据权利要求1所述的一种基于三维建模的建筑物特征提取方法，其特征在于，所述S20具体包括：

S21:无人机正摄影和倾斜摄影的影像输入；

S22:影像几何校正；

S23:区域整体联合平差；

S24:多视角影像密集匹配；

S25:生成数字表面模型和/或三维不规则三角网；

S26：正射校正；

S27：生成三维数据库。

4.根据权利要求3所述的一种基于三维建模的建筑物特征提取方法，其特征在于，所述S25之后还包括：

S28:三维不规则三角网建模；

S29:自主纹理映射；

S210：生成三维场景。

5.根据权利要求1所述的一种基于三维建模的建筑物特征提取方法，其特征在于，步骤S30具体包括:

S31:采用K-Means聚类算法对建筑物特征归类提取；

6.根据权利要求2或5所述的一种基于三维建模的建筑物特征提取方法，其特征在于，步骤S40具体包括：

S42：对图像中连通区域的孔洞进行填充。

7.根据权利要求2所述的一种基于三维建模的建筑物特征提取方法，其特征在于，步骤S50具体包括：

S51：采用贝叶斯网络分类器提取轮廓特征点位置，进行建筑物特征点识别，得到建筑物的轮廓；

S52：在步骤S51的基础上计算该建筑物区域的面积。

8.一种基于三维建模的建筑物特征提取***，其特征在于，所述***包括：

处理单元，用于对所述进行预处理的图像进行三维建模、建筑物特征分割提取。

9.根据权利要求8所述的一种基于三维建模的建筑物特征提取***，其特征在于，所述处理单元还用于建筑物区域填充，建筑物特征点识别。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至7任一项所述的方法。