CN111311725A - 一种建构筑物可视域分析方法 - Google Patents

一种建构筑物可视域分析方法 Download PDF

Info

Publication number
CN111311725A
CN111311725A CN201811516960.8A CN201811516960A CN111311725A CN 111311725 A CN111311725 A CN 111311725A CN 201811516960 A CN201811516960 A CN 201811516960A CN 111311725 A CN111311725 A CN 111311725A
Authority
CN
China
Prior art keywords
dimensional
component
data
construction project
model
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
CN201811516960.8A
Other languages
English (en)
Other versions
CN111311725B (zh
Inventor
程良勇
王海
李南江
炉利英
王欢
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.)
Stargis Tianjin Technology Development Co ltd
Original Assignee
Stargis Tianjin Technology Development 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 Stargis Tianjin Technology Development Co ltd filed Critical Stargis Tianjin Technology Development Co ltd
Priority to CN201811516960.8A priority Critical patent/CN111311725B/zh
Publication of CN111311725A publication Critical patent/CN111311725A/zh
Application granted granted Critical
Publication of CN111311725B publication Critical patent/CN111311725B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Processing Or Creating Images (AREA)

Abstract

一种建构筑物可视域分析方法，涉及三维虚拟中的视域分析领域，该方法包括如下步骤：资料编码；三维环境构建；机器学习；视域分析；结果输出。优点：对图像进行优化，使优化后的图像特征识别算法，能稳定识别部件的关键特征点，不受缩放和旋转等因素的干扰。通过智能化技术，快速识别建设项目方案的窗户、阳台等部位，模拟人视周边环境，分析景观可视域，能辅助建设项目规划审批、地产户型定价等环节的决策，在地产销售环节，为用户提供模拟身处项目户型中进行观看户外景观的直观体验，辅助用户决策购房。

Description

一种建构筑物可视域分析方法
技术领域
本发明涉及三维虚拟中的视域分析领域，特别涉及一种通过智能化技术，快速识别建设项目方案的窗户、阳台等部位，模拟人视周边环境，分析景观可视域的一种建构筑物可视域分析方法。
背景技术
三维虚拟技术推动了地理信息大众化发展，但在专业GIS应用方面，由于缺乏三维空间分析功能，三维虚拟技术往往不具备实用性。市域分析作为重要的空间分析方法，广泛应用到风景评价，房地产中视线遮挡判断，以及通讯中的信号覆盖或军事上的火力覆盖等多方面。但是如何将三维虚拟技术中的市域分析更好的应用，解决对图像进行优化，使优化后的图像特征识别算法，能稳定识别部件的关键特征点，不受缩放和旋转等因素的干扰。通过智能化技术，快速识别建设项目方案的窗户、阳台等部位，模拟人视周边环境，分析景观可视域，能辅助建设项目规划审批、地产户型定价等环节的决策，在地产销售环节，为用户提供模拟身处项目户型中进行观看户外景观的直观体验，辅助用户决策购房的问题。
发明内容
本发明实施例提供一种建构筑物可视域分析方法，本发明方法：对图像进行优化，使优化后的图像特征识别算法，能稳定识别部件的关键特征点，不受缩放和旋转等因素的干扰。通过智能化技术，快速识别建设项目方案的窗户、阳台等部位，模拟人视周边环境，分析景观可视域，能辅助建设项目规划审批、地产户型定价等环节的决策，在地产销售环节，为用户提供模拟身处项目户型中进行观看户外景观的直观体验，辅助用户决策购房。
本发明提供一种建构筑物可视域分析方法，其中，该方法包括如下步骤：
资料编码：将工程项目所需要的空间数据，以及行业法规、行业案例等资料进行编码分类，整理各类原始数据资料；
三维环境构建：提取编码之后的原始数据，进行三维数据制作，构建三维的建设项目以及周边环境，并进行三维场景集成；同时对构建的每一个三维模型进行归类取名编码，最终形成三维模型数据库；
机器学习：对提取的部件原始资料数据进行特征信息的提取，并建立部件的特征信息数据库；
视域分析：根据机器学习建立的部件特征信息数据库，识别三维场景中建设项目的部件位置，计算该位置的朝向，并截取该朝向半球面各个方位的三维景观图片，通过图片融合算法进行融合，最后通过跟景观部件截图对比计算，判断景观部件的可视范围，并经行标记，同时计算出可视范围百分数；
结果输出：将建设项目中的部件可视域分析结果，进行标准格式化输出到文档。
一种建构筑物可视域分析方法，其中，所述对三维环境构建的具体步骤为：
地上三维环境构建：提取地上空间数据原始资料，半自动构建地上建构筑物体框模型，贴上材质纹理；
三维建设项目构建：提取建设项目设计图纸资料原始数据，构建建设项目精细三维模型；
三维环境集成：将地上三维模型数据库、建设项目三维模型数据库进行统一坐标系，统一数据格式，统一平台展示。
一种建构筑物可视域分析方法，其中，所述地上三维环境构建：提取地上空间数据原始资料，半自动构建地上建构筑物体框模型，贴上材质纹理；其中，对地上三维环境构建的具体步骤为：
原始数据的采集：使用机载、车载激光雷达设备和高清相机设备，同时获取地上建筑、地形的点云坐标数据和建构筑物高清影像数据，完成原始数据的采集；
半自动构建三维模型：经过点云和影像数据降噪处理后，进行自动构建高精细三维建筑模型和三维地形模型，经过人工干预的半自动方法，将高清影像照片贴在建筑模型上，同时进行灯光处理，阴影烘培、反贴效果处理，调整三维模型显示效果；
地上三维环境构建：将建成的高精细三维模型进行集成建库，最终形成地上三维模型数据库。
一种建构筑物可视域分析方法，其中，所述三维建设项目构建：提取建设项目设计图纸资料原始数据，构建建设项目精细三维模型；其中对三维建设项目构建的具体步骤为：
原始数据提取：提取建设项目设计资料，筛选建模需要的数据信息；
三维建模：根据相关原始资料数据，通过人工运用3dmax建模，形成建设项目三维方案模型库。
一种建构筑物可视域分析方法，其中，所述机器学习具体步骤为：
三维部件学习：输入三维部件的学习资料，通过学习算法，学习各个部件的独特特征规律；
部件特征提取：根据学习样本数据资料，以及算法学习到的部件特征，进行特征信息提取；
部件特征信息建库：将提取出来的三维部件特征信息，进行唯一标识编码后，构建部件特征信息数据库进行存储。
一种建构筑物可视域分析方法，其中，所述三维部件学习包括如下步骤：
提取样本：从编码资料中提取三维部件样本资料；
机器学习：通过学习算法，学习样本数据，识别各类城市部件的特征；
其中，图像特征点点位、梯度矢量特征信息算法如下：
图像像素灰度计算公式：
Figure BDA0001902223220000031
图像二值计算公式：
Figure BDA0001902223220000032
直方图法计算二值化阈值α：
Figure BDA0001902223220000033
i,j表示图像中第i列及第j行，Gray(i,j)表示该位置的像素灰度值，R(i,j)、G(i,j)、B(i,j)分别表示该位置待计算像素颜色值的分量，r(i,j)、g(i,j)、b(i,j)分别表示该位置原来的像素颜色值分量，a表示常量0.3，b表示常量0.59，c表示常量0.11，Black(i,j)表示该位置像素二值化后的灰度值，Alph为二值法中的阈值；
直方图统计函数公式为c＝f(g)，反函数公式为g＝f-1(c)，c0,c1表示直方图灰度直方图函数值的次最大值和最大值，g0＝f-1(c0),g1＝f-1(c1)表示该直方图函数在此处对应的灰度值；
SIFT特征检测尺度空间定义：
L(i,j,σ)＝G(i,j,σ)×I(i,j) ④
其中
Figure BDA0001902223220000034
是尺度可变高斯函数,I(i,j)是空间坐标，σ是尺度，初始尺度值为1.6；
高斯差分尺度空间：
D(i,j,σ)＝(G(i,j,kσ)-G(i,j,σ))×I(i,j)＝L(i,j,kσ)-L(i,j,σ) ⑤
降采样：k＝21/s,s为每组层数，这里取值4，σ取值依次为σ,kσ,k2σ,…,kn-1σ；
采用拟合三维二次函数精确确定关键点位置和尺度，增强匹配稳定性和提高抗噪能力，求导并计算为0时得到精确的位置
Figure BDA0001902223220000035
当
Figure BDA0001902223220000036
则保留关键点，否则丢弃；
计算每个关键点梯度的模M(i,j)和方向角度θ(i,j)公式：
Figure BDA0001902223220000041
θ(i,j)＝atan2((L(i,j+1)-L(i,j-1))/(L(i+1,j)-L(i-1,j))) ⑦
特征信息建库：将学习到的各类城市部件的特征信息，构建成关系型数据库进行存储。
一种建构筑物可视域分析方法，其中，所述视域分析包括如下步骤：
识别部件：根据三维场景部件编码，自动识别建设项目中有待分析的部件；
识别位置：根据识别到的建设项目部件模型，获取该部件的位置、朝向方位等信息；
识别方位：根据识别到的方位，按照图像合成质量要求，设置截图方位角度步长，识别每一个角度方位朝向坐标；
获取方位图：根据识别的位置坐标和计算的方位朝向坐标，分别截取该朝向的方位图；
方位图融合：根据图像融合算法，将这多个朝向的方位图进行特征点提取，畸变矫正，色彩均衡，图片拼接，最后形成一张该部件处对环境的可视范围图片；
图像分析：对该部件生成的可视范围图片，进行聚类，与部件特征信息库中进行搜索匹配，识别到可视图上的城市部件，在该图上标绘出可见部件的范围轮廓，并计算该部件的可视范围所占整个部件的百分数。
一种建构筑物可视域分析方法，其中，所述方位图融合包括如下步骤：
特征点提取：提取该部件位置每个方位图中的共同部位点，建立映射关系；
畸变矫正：根据建立的映射关系进行像素点位配准，通过畸变矫正方法进行图片变形矫正；
图像融合：最后将矫正后的图片进行裁剪输出，形成一张大图。
一种建构筑物可视域分析方法，其中，所述图像分析包括如下步骤：
部件识别：对可视范围图，进行初步的聚类，与部件特征信息库中的部件特征数据进行匹配，从而识别到图上的城市部件；
标会范围：根据识别到的城市部件，在可视范围图上，采用高亮方式进行范围的标绘；
生成结果：根据识别到的城市部件，与部件特征信息库中的城市部件，进行对比，标出该部件在可视范围图上展现出部分所占整个部件的百分数。
一种建构筑物可视域分析方法，其中，所述空间数据包括：三维地上建构筑物点云数据、三维地上建构筑物纹理照片数据及现场拍摄照片数据；所述各类城市部件：窗户、门、阳台、绿化、小品、桥梁、道路、路灯、路牌、建构筑物、河流等地理要素；所述景观部件包括：绿化、小品、桥梁、道路、路灯、路牌、建构筑物、河流等地理要素；所述地上三维环境构建包括周边地上建构筑物、地形、河流、景观绿化、城市零部件、路灯路牌、桥梁、河流；所述三维建设项目构建包括建设项目建构筑物、建设项目景观绿化；所述三维部件的学习资料包括：模型数据、纹理数据、材质、描述文本；所述独特特征包括：模型特征、纹理特征、材质特征、文本特征；所述特征信息包括：部件名称，部件模型特征，部件纹理特征，部件材质特征，部件文本特征；所述部件模型特征包括：模型长、宽、高、常规极限值；所述部件纹理特征包括：纹理长宽尺寸，纹理黑白图像，纹理颜色值，颜色限值，特征点；所述部件材质特征包括：材质颜色值，材质名称，其它材质；所述部件文本特征包括：描述部件的字、词语、语句。
由此可见：本发明实施例中的一种建构筑物可视域分析方法：对图像进行优化，使优化后的图像特征识别算法，能稳定识别部件的关键特征点，不受缩放和旋转等因素的干扰。通过智能化技术，快速识别建设项目方案的窗户、阳台等部位，模拟人视周边环境，分析景观可视域，能辅助建设项目规划审批、地产户型定价等环节的决策，在地产销售环节，为用户提供模拟身处项目户型中进行观看户外景观的直观体验，辅助用户决策购房。
附图说明
图1为本发明的实施例提供的一种建构筑物可视域分析方法的整体流程示意图；
图2为本发明的实施例提供的一种建构筑物可视域分析方法中对三维环境构建步骤的流程示意图；
图3为本发明的实施例提供的一种建构筑物可视域分析方法中地上三维环境构建步骤的流程示意图；
图4为本发明的实施例提供的一种建构筑物可视域分析方法中三维建设项目构建步骤的流程示意图；
图5为本发明的实施例提供的一种建构筑物可视域分析方法中机器学习步骤的流程示意图；
图6为本发明的实施例提供的一种建构筑物可视域分析方法中三维部件学习步骤的流程示意图；
图7为本发明的实施例提供的一种建构筑物可视域分析方法中视域分析步骤的流程示意图；
图8为本发明的实施例提供的一种建构筑物可视域分析方法中方位图融合的流程示意图；
图9为本发明的实施例提供的一种建构筑物可视域分析方法中图像分析步骤的流程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合附图以及具体实施例来详细说明本发明，在此本发明的示意性实施例以及说明用来解释本发明，但并不作为对本发明的限定。
实施例1：
图1为一种建构筑物可视域分析方法，如图1所示，该方法包括如下步骤：
资料编码：将工程项目所需要的空间数据，以及城市部件等资料进行编码分类，整理各类原始数据资料；
三维环境构建：提取编码之后的原始数据，进行三维数据制作，构建三维的建设项目以及周边环境，并进行三维场景集成；同时对构建的每一个三维模型进行归类取名编码，最终形成三维模型数据库；
机器学习：对提取的部件原始资料数据进行特征信息的提取，并建立部件的特征信息数据库；
视域分析：根据机器学习建立的部件特征信息数据库，识别三维场景中建设项目的部件位置，计算该位置的朝向，并截取该朝向半球面各个方位的三维景观图片，通过图片融合算法进行融合，最后通过跟景观部件截图对比计算，判断景观部件的可视范围，并经行标记，同时计算出可视范围百分数；
结果输出：将建设项目中的部件可视域分析结果，进行标准格式化输出到文档。
如图2所示的一种建构筑物可视域分析方法，所述对三维环境构建的具体步骤为：
地上三维环境构建：提取地上空间数据原始资料，半自动构建地上建构筑物体框模型，贴上材质纹理；
三维建设项目构建：提取建设项目设计图纸资料原始数据，构建建设项目精细三维模型；
三维环境集成：将地上三维模型数据库、建设项目三维模型数据库进行统一坐标系，统一数据格式，统一平台展示。
如图3所示的一种建构筑物可视域分析方法，所述地上三维环境构建：提取地上空间数据原始资料，半自动构建地上建构筑物体框模型，贴上材质纹理；其中，对地上三维环境构建的具体步骤为：
原始数据的采集：使用机载、车载激光雷达设备和高清相机设备，同时获取地上建筑、地形的点云坐标数据和建构筑物高清影像数据，完成原始数据的采集；
半自动构建三维模型：经过点云和影像数据降噪处理后，进行自动构建高精细三维建筑模型和三维地形模型，经过人工干预的半自动方法，将高清影像照片贴在建筑模型上，同时进行灯光处理，阴影烘培、反贴效果处理，调整三维模型显示效果；
地上三维环境构建：将建成的高精细三维模型进行集成建库，最终形成地上三维模型数据库。
如图4所示的一种建构筑物可视域分析方法，所述三维建设项目构建：提取建设项目设计图纸资料原始数据，构建建设项目精细三维模型；其中对三维建设项目构建的具体步骤为：
原始数据提取：提取建设项目设计资料，筛选建模需要的数据信息；
三维建模：根据相关原始资料数据，通过人工运用3dmax建模，形成建设项目三维方案模型库。
如图5所示的一种建构筑物可视域分析方法，所述机器学习具体步骤为：
三维部件学习：从编码资料中提取三维部件样本资料，通过学习算法，学习各个部件的独特特征规律；
部件特征提取：根据学习样本数据资料，以及算法学习到的部件特征，进行特征信息提取；
部件特征信息建库：将提取出来的三维部件特征信息，进行唯一标识编码后，构建部件特征信息数据库进行存储。
如图6所示的一种建构筑物可视域分析方法，所述三维部件学习具体步骤为：
提取样本：从编码资料中提取三维部件样本资料；
特征学习：学习样本数据，识别各类城市部件的特征；
其中，图像特征点点位、梯度矢量特征信息学习算法如下：
图像像素灰度计算公式：
Figure BDA0001902223220000071
图像二值计算公式：
Figure BDA0001902223220000072
直方图法计算二值化阈值α：
Figure BDA0001902223220000073
i,j表示图像中第i列及第j行，Gray(i,j)表示该位置的像素灰度值，R(i,j)、G(i,j)、B(i,j)分别表示该位置待计算像素颜色值的分量，r(i,j)、g(i,j)、b(i,j)分别表示该位置原来的像素颜色值分量，a表示常量0.3，b表示常量0.59，c表示常量0.11，Black(i,j)表示该位置像素二值化后的灰度值，Alph为二值法中的阈值；
直方图统计函数公式为c＝f(g)，反函数公式为g＝f-1(c)，c0,c1表示直方图灰度直方图函数值的次最大值和最大值，g0＝f-1(c0),g1＝f-1(c1)表示该直方图函数在此处对应的灰度值；
SIFT特征检测尺度空间定义：
L(i,j,σ)＝G(i,j,σ)×I(i,j) ④
其中
Figure BDA0001902223220000081
是尺度可变高斯函数,I(i,j)是空间坐标，σ是尺度，初始尺度值为1.6；
高斯差分尺度空间：
D(i,j,σ)＝(G(i,j,kσ)-G(i,j,σ))×I(i,j)＝L(i,j,kσ)-L(i,j,σ) ⑤
降采样：k＝21/s,s为每组层数，这里取值4，σ取值依次为σ,kσ,k2σ,…,kn-1σ；
采用拟合三维二次函数精确确定关键点位置和尺度，增强匹配稳定性和提高抗噪能力，求导并计算为0时得到精确的位置
Figure BDA0001902223220000082
当
Figure BDA0001902223220000083
则保留关键点，否则丢弃；
计算每个关键点梯度的模M(i,j)和方向角度θ(i,j)公式：
Figure BDA0001902223220000084
θ(i,j)＝atan2((L(i,j+1)-L(i,j-1))/(L(i+1,j)-L(i-1,j))) ⑦
如图7所示的一种建构筑物可视域分析方法，所述视域分析包括如下步骤：
识别部件：根据三维场景部件编码，自动识别建设项目中有待分析的部件；
识别位置：根据识别到的建设项目部件模型，获取该部件的位置、朝向方位等信息；
识别方位：根据识别到的方位，按照图像合成质量要求，设置截图方位角度步长，识别每一个角度方位朝向坐标；
获取方位图：根据识别的位置坐标和计算的方位朝向坐标，分别截取该朝向的方位图；
方位图融合：根据图像融合算法，将这多个朝向的方位图进行特征点提取，畸变矫正，色彩均衡，图片拼接，最后形成一张该部件处对环境的可视范围图片；
图像分析：对该部件生成的可视范围图片，进行聚类，与部件特征信息库中进行搜索匹配，识别到可视图上的城市部件，在该图上标绘出可见部件的范围轮廓，并计算该部件的可视范围所占整个部件的百分数。
如图8所示的一种建构筑物可视域分析方法，所述方位图融合包括如下步骤：
特征点提取：提取该部件位置每个方位图中的共同部位点，建立映射关系；
畸变矫正：根据建立的映射关系进行像素点位配准，通过畸变矫正方法进行图片变形矫正；
图像融合：最后将矫正后的图片进行裁剪输出，形成一张大图。
如图9所示的一种建构筑物可视域分析方法，所述图像分析包括如下步骤：
部件识别：对可视范围图，进行初步的聚类，与部件特征信息库中的部件特征数据进行匹配，从而识别到图上的城市部件；
标会范围：根据识别到的城市部件，在可视范围图上，采用高亮方式进行范围的标绘；
生成结果：根据识别到的城市部件，与部件特征信息库中的城市部件，进行对比，标出该部件在可视范围图上展现出部分所占整个部件的百分数。
具体实施案例中：所述空间数据包括：三维地上建构筑物点云数据、三维地上建构筑物纹理照片数据及现场拍摄照片数据；所述各类城市部件：窗户、门、阳台、绿化、小品、桥梁、道路、路灯、路牌、建构筑物、河流等地理要素；所述景观部件包括：绿化、小品、桥梁、道路、路灯、路牌、建构筑物、河流等地理要素；所述地上三维环境构建包括周边地上建构筑物、地形、河流、景观绿化、城市零部件、路灯路牌、桥梁、河流；所述三维建设项目构建包括建设项目建构筑物、建设项目景观绿化；所述三维部件的学习资料包括：模型数据、纹理数据、材质、描述文本；所述独特特征包括：模型特征、纹理特征、材质特征、文本特征；所述特征信息包括：部件名称，部件模型特征，部件纹理特征，部件材质特征，部件文本特征；所述部件模型特征包括：模型长、宽、高、常规极限值；所述部件纹理特征包括：纹理长宽尺寸，纹理黑白图像，纹理颜色值，颜色限值，特征点；所述部件材质特征包括：材质颜色值，材质名称，其它材质；所述部件文本特征包括：描述部件的字、词语、语句。
实施例2：
图1为一种建构筑物可视域分析方法，如图1所示，该方法包括如下步骤：
资料编码：将工程项目所需要的空间数据图，以及城市部件资料进行编码分类，整理各类原始数据资料。空间数据包括：三维地上建构筑物点云数据编码SY-DS-DY-000001.las；三维地上建构筑物纹理照片数据及现场拍摄照片数据编码SY-DS-WL-000001.jpg；地上地形数据编码SY-DS-DX-00001.dwg；地面道路数据编码SY-DS-DL-000001.shp；地面房屋数据编码SY-DM-FW-000001.shp；建设项目图纸资料数据编码SY-XM-ZPT-000001.dwg；规划建设项目建筑的立面图和效果图SY-XM-LMT-000001.jpg；城市部件素材资料编码SY-CSBJ-000001.jpg；城市部件描述性文本编码SY-CSBJ-000001.txt；按照“-”符号划分成单元，“.”符号以后是文件扩展名，所有编码中的最后单元数字为这类数据的编号，若有多个数据，在这个单元中进行数字的累加；
三维环境构建：将编号前两单元为“SY-DS”、“SY-DM”、“SY-DX”、“SY-SG”的编码数据，运用软件工具，进行三维数据制作，构建三维基坑及三维周边环境，并入库装载治三维软件平台中进行可视化。同时对构建的每一个三维模型，按照geode结构进行归类取名编码，如地上房屋按照楼栋编码DS-FW-LOU-000001。按照“-”符号划分成单元，所有编码中的最后单元数字为这类数据的编号，若有多个数据，在这个单元中进行数字的累加；
机器学习：提取编号前两单元为“SY-CSBJ”的编码数据，对城市部件进行特征信息学习，并建立部件的特征信息数据库；
视域分析：根据机器学习建立的部件特征信息数据库，识别三维场景中建设项目的部件位置信息，和该位置的朝向，并截取该朝向半球面各个方位的三维景观图片，通过图片融合方法进行融合，最后通过跟景观部件截图对比计算，判断景观部件的可视范围，并经行标记，同时计算出可视范围百分数；
结果输出：将建设项目中的部件可视域分析结果，进行标准格式化输出到文档。
如图2所示的一种建构筑物可视域分析方法，所述对三维环境构建的具体步骤为：
地上三维环境构建：提取地上空间数据原始资料，其中带编码“SY-DS-DY”、“SY-DS-WL”等，半自动构建地上建构筑物体框模型，贴上材质纹理，形成精细的三维模型。包括周边地上建构筑物、地形、景观绿化、城市零部件、路灯路牌、桥梁、河流、基坑施工场地、机械设备、使用建材等；
三维建设项目构建：提取建设项目设计图纸资料原始数据，其中带编码“SY-XM”，构建建设项目精细三维模型和建设项目三维地形；
三维环境集成：将地上三维模型数据库、建设项目三维模型数据库进行统一坐标系，统一数据格式，统一平台展示。
如图3所示的一种建构筑物可视域分析方法，所述地上三维环境构建：提取地上空间数据原始资料，半自动构建地上建构筑物体框模型，贴上材质纹理；其中，对地上三维环境构建的具体步骤为：
原始数据的采集：使用机载、车载激光雷达设备和高清相机设备，同时获取地上建筑、地形的点云坐标数据和建构筑物高清影像数据，完成原始数据的采集；
半自动构建三维模型：经过点云和影像数据降噪处理后，进行自动构建高精细三维建筑模型和三维地形模型，经过人工干预的半自动方法，将高清影像照片贴在建筑模型上，同时进行灯光处理，阴影烘培、反贴效果处理，调整三维模型显示效果；
地上三维环境构建：将建成的高精细三维模型进行集成建库，最终形成地上三维模型数据库。
如图4所示的一种建构筑物可视域分析方法，所述三维建设项目构建：提取建设项目设计图纸资料原始数据，构建建设项目精细三维模型；其中对三维建设项目构建的具体步骤为：
原始数据提取：提取建设项目设计资料，筛选建模需要的数据信息；
三维建模：根据相关原始资料数据，通过人工运用3dmax建模，形成建设项目三维方案模型库。
如图5所示的一种建构筑物可视域分析方法，所述机器学习具体步骤为：
三维部件学习：从编码资料中提取三维部件样本资料，通过学习算法，学习各个部件的独特特征规律；
部件特征提取：根据学习样本数据资料，以及算法学习到的部件特征，进行特征信息提取；
部件特征信息建库：将提取出来的三维部件特征信息，进行唯一标识编码后，构建部件特征信息数据库进行存储。
如图6所示的一种建构筑物可视域分析方法，所述三维部件学习具体步骤为：
提取样本：从编码资料中提取三维部件样本资料；
特征学习：学习样本数据，识别各类城市部件的特征；
其中，图像特征点点位、梯度矢量特征信息学习算法如下：
图像像素灰度计算公式：
Figure BDA0001902223220000111
图像二值计算公式：
Figure BDA0001902223220000112
直方图法计算二值化阈值α：
Figure BDA0001902223220000113
i,j表示图像中第i列及第j行，Gray(i,j)表示该位置的像素灰度值，R(i,j)、G(i,j)、B(i,j)分别表示该位置待计算像素颜色值的分量，r(i,j)、g(i,j)、b(i,j)分别表示该位置原来的像素颜色值分量，a表示常量0.3，b表示常量0.59，c表示常量0.11，Black(i,j)表示该位置像素二值化后的灰度值，Alph为二值法中的阈值；
直方图统计函数公式为c＝f(g)，反函数公式为g＝f-1(c)，c0,c1表示直方图灰度直方图函数值的次最大值和最大值，g0＝f-1(c0),g1＝f-1(c1)表示该直方图函数在此处对应的灰度值；
SIFT特征检测尺度空间定义：
L(i,j,σ)＝G(i,j,σ)×I(i,j) ④
其中
Figure BDA0001902223220000114
是尺度可变高斯函数,I(i,j)是空间坐标，σ是尺度，初始尺度值为1.6；
高斯差分尺度空间：
D(i,j,σ)＝(G(i,j,kσ)-G(i,j,σ))×I(i,j)＝L(i,j,kσ)-L(i,j,σ) ⑤
降采样：k＝21/s,s为每组层数，这里取值4，σ取值依次为σ,kσ,k2σ,…,kn-1σ；
采用拟合三维二次函数精确确定关键点位置和尺度，增强匹配稳定性和提高抗噪能力，求导并计算为0时得到精确的位置
Figure BDA0001902223220000122
当
Figure BDA0001902223220000123
则保留关键点，否则丢弃；
计算每个关键点梯度的模M(i,j)和方向角度θ(i,j)公式：
Figure BDA0001902223220000121
θ(i,j)＝atan2((L(i,j+1)-L(i,j-1))/(L(i+1,j)-L(i-1,j))) ⑦
如图7所示的一种建构筑物可视域分析方法，所述视域分析包括如下步骤：
识别部件：根据三维场景部件编码，自动识别建设项目中有待分析的部件；
识别位置：根据识别到的建设项目部件模型，获取该部件的位置、朝向方位等信息；
识别方位：根据识别到的方位，按照图像合成质量要求，设置截图方位角度步长，识别每一个角度方位朝向坐标；
获取方位图：根据识别的位置坐标和计算的方位朝向坐标，分别截取该朝向的方位图；
方位图融合：根据图像融合算法，将这多个朝向的方位图进行特征点提取，畸变矫正，色彩均衡，图片拼接，最后形成一张该部件处对环境的可视范围图片；
图像分析：对该部件生成的可视范围图片，进行聚类，与部件特征信息库中进行搜索匹配，识别到可视图上的城市部件，在该图上标绘出可见部件的范围轮廓，并计算该部件的可视范围所占整个部件的百分数。
如图8所示的一种建构筑物可视域分析方法，所述方位图融合包括如下步骤：
特征点提取：提取该部件位置每个方位图中的共同部位点，建立映射关系；
畸变矫正：根据建立的映射关系进行像素点位配准，通过畸变矫正方法进行图片变形矫正；
图像融合：最后将矫正后的图片进行裁剪输出，形成一张大图。
如图9所示的一种建构筑物可视域分析方法，所述图像分析包括如下步骤：
部件识别：对可视范围图，进行初步的聚类，与部件特征信息库中的部件特征数据进行匹配，从而识别到图上的城市部件；
标会范围：根据识别到的城市部件，在可视范围图上，采用高亮方式进行范围的标绘；
生成结果：根据识别到的城市部件，与部件特征信息库中的城市部件，进行对比，标出该部件在可视范围图上展现出部分所占整个部件的百分数。
具体实施案例中：所述空间数据包括：三维地上建构筑物点云数据、三维地上建构筑物纹理照片数据及现场拍摄照片数据；所述各类城市部件：窗户、门、阳台、绿化、小品、桥梁、道路、路灯、路牌、建构筑物、河流等地理要素；所述景观部件包括：绿化、小品、桥梁、道路、路灯、路牌、建构筑物、河流等地理要素；所述地上三维环境构建包括周边地上建构筑物、地形、河流、景观绿化、城市零部件、路灯路牌、桥梁、河流；所述三维建设项目构建包括建设项目建构筑物、建设项目景观绿化；所述三维部件的学习资料包括：模型数据、纹理数据、材质、描述文本；所述独特特征包括：模型特征、纹理特征、材质特征、文本特征；所述特征信息包括：部件名称，部件模型特征，部件纹理特征，部件材质特征，部件文本特征；所述部件模型特征包括：模型长、宽、高、常规极限值；所述部件纹理特征包括：纹理长宽尺寸，纹理黑白图像，纹理颜色值，颜色限值，特征点；所述部件材质特征包括：材质颜色值，材质名称，其它材质；所述部件文本特征包括：描述部件的字、词语、语句。
由此可见：本发明实施例中的一种建构筑物可视域分析方法：对图像进行优化，使优化后的图像特征识别算法，能稳定识别部件的关键特征点，不受缩放和旋转等因素的干扰。通过智能化技术，快速识别建设项目方案的窗户、阳台等部位，模拟人视周边环境，分析景观可视域，能辅助建设项目规划审批、地产户型定价等环节的决策，在地产销售环节，为用户提供模拟身处项目户型中进行观看户外景观的直观体验，辅助用户决策购房。
虽然通过实施例描绘了本发明实施例，本领域普通技术人员知道，本发明有许多变形和变化而不脱离本发明的精神，希望所附的权利要求包括这些变形和变化而不脱离本发明的精神。

Claims (10)

1.一种建构筑物可视域分析方法，其特征在于，该方法包括如下步骤：
资料编码：将工程项目所需要的空间数据，以及行业法规、行业案例等资料进行编码分类，整理各类原始数据资料；
三维环境构建：提取编码之后的原始数据，进行三维数据制作，构建三维的建设项目以及周边环境，并进行三维场景集成；同时对构建的每一个三维模型进行归类取名编码，最终形成三维模型数据库；
机器学习：对提取的部件原始资料数据进行特征信息的提取，并建立部件的特征信息数据库；
视域分析：根据机器学习建立的部件特征信息数据库，识别三维场景中建设项目的部件位置，计算该位置的朝向，并截取该朝向半球面各个方位的三维景观图片，通过图片融合算法进行融合，最后通过跟景观部件截图对比计算，判断景观部件的可视范围，并经行标记，同时计算出可视范围百分数；
结果输出：将建设项目中的部件可视域分析结果，进行标准格式化输出到文档。
2.根据权利要求1所述的一种建构筑物可视域分析方法，其特征在于，所述对三维环境构建的具体步骤为：
地上三维环境构建：提取地上空间数据原始资料，半自动构建地上建构筑物体框模型，贴上材质纹理；
三维建设项目构建：提取建设项目设计图纸资料原始数据，构建建设项目精细三维模型；
三维环境集成：将地上三维模型数据库、建设项目三维模型数据库进行统一坐标系，统一数据格式，统一平台展示。
3.根据权利要求2所述的一种建构筑物可视域分析方法，其特征在于，所述地上三维环境构建：提取地上空间数据原始资料，半自动构建地上建构筑物体框模型，贴上材质纹理；其中，对地上三维环境构建的具体步骤为：
原始数据的采集：使用机载、车载激光雷达设备和高清相机设备，同时获取地上建筑、地形的点云坐标数据和建构筑物高清影像数据，完成原始数据的采集；
半自动构建三维模型：经过点云和影像数据降噪处理后，进行自动构建高精细三维建筑模型和三维地形模型，经过人工干预的半自动方法，将高清影像照片贴在建筑模型上，同时进行灯光处理，阴影烘培、反贴效果处理，调整三维模型显示效果；
地上三维环境构建：将建成的高精细三维模型进行集成建库，最终形成地上三维模型数据库。
4.根据权利要求2所述的一种建构筑物可视域分析方法，其特征在于，所述三维建设项目构建：提取建设项目设计图纸资料原始数据，构建建设项目精细三维模型；其中对三维建设项目构建的具体步骤为：
原始数据提取：提取建设项目设计资料，筛选建模需要的数据信息；
三维建模：根据相关原始资料数据，通过人工运用3dmax建模，形成建设项目三维方案模型库。
5.根据权利要求1所述的一种建构筑物可视域分析方法，其特征在于：所述机器学习具体步骤为：
三维部件学习：输入三维部件的学习资料，通过学习算法，学习各个部件的独特特征规律，构建信息特征库；
部件特征提取：根据学习样本数据资料，以及算法学习到的部件特征，进行特征信息提取；
部件特征信息建库：将提取出来的三维部件特征信息，进行唯一标识编码后，构建部件特征信息数据库进行存储。
6.根据权利要求5所述的一种建构筑物可视域分析方法，其特征在于，所述三维部件学习包括如下步骤：
提取样本：从编码资料中提取三维部件样本资料；
机器学习：通过学习算法，学习样本数据，识别各类城市部件的特征；
其中，图像特征点点位、梯度矢量特征信息算法如下：
图像像素灰度计算公式：
Figure FDA0001902223210000021
图像二值计算公式：
Figure FDA0001902223210000022
直方图法计算二值化阈值α：
Figure FDA0001902223210000023
i,j表示图像中第i列及第j行，Gray(i,j)表示该位置的像素灰度值，R(i,j)、G(i,j)、B(i,j)分别表示该位置待计算像素颜色值的分量，r(i,j)、g(i,j)、b(i,j)分别表示该位置原来的像素颜色值分量，a表示常量0.3，b表示常量0.59，c表示常量0.11，Black(i,j)表示该位置像素二值化后的灰度值，Alph为二值法中的阈值；
直方图统计函数公式为c＝f(g)，反函数公式为g＝f-1(c)，c0,c1表示直方图灰度直方图函数值的次最大值和最大值，g0＝f-1(c0),g1＝f-1(c1)表示该直方图函数在此处对应的灰度值；
SIFT特征检测尺度空间定义：
L(i,j,σ)＝G(i,j,σ)×I(i,j) ④
其中
Figure FDA0001902223210000031
是尺度可变高斯函数,I(i,j)是空间坐标，σ是尺度，初始尺度值为1.6；
高斯差分尺度空间：
D(i,j,σ)＝(G(i,j,kσ)-G(i,j,σ))×I(i,j)＝L(i,j,kσ)-L(i,j,σ) ⑤
降采样：k＝21/s,s为每组层数，这里取值4，σ取值依次为σ,kσ,k2σ,…,kn-1σ；
采用拟合三维二次函数精确确定关键点位置和尺度，增强匹配稳定性和提高抗噪能力，求导并计算为0时得到精确的位置
Figure FDA0001902223210000032
当
Figure FDA0001902223210000033
则保留关键点，否则丢弃；
计算每个关键点梯度的模M(i,j)和方向角度θ(i,j)公式：
Figure FDA0001902223210000034
θ(i,j)＝atan2((L(i,j+1)-L(i,j-1))/(L(i+1,j)-L(i-1,j))) ⑦
特征信息建库：将学习到的各类城市部件的特征信息，构建成关系型数据库进行存储。
7.根据权利要求1所述的一种建构筑物可视域分析方法，其特征在于，所述视域分析包括如下步骤：
识别部件：根据三维场景部件编码，自动识别建设项目中有待分析的部件；
识别位置：根据识别到的建设项目部件模型，获取该部件的位置、朝向方位等信息；
识别方位：根据识别到的方位，按照图像合成质量要求，设置截图方位角度步长，识别每一个角度方位朝向坐标；
获取方位图：根据识别的位置坐标和计算的方位朝向坐标，分别截取该朝向的方位图；
方位图融合：根据图像融合算法，将这多个朝向的方位图进行特征点提取，畸变矫正，色彩均衡，图片拼接，最后形成一张该部件处对环境的可视范围图片；
图像分析：对该部件生成的可视范围图片，进行聚类，与部件特征信息库中进行搜索匹配，识别到可视图上的城市部件，在该图上标绘出可见部件的范围轮廓，并计算该部件的可视范围所占整个部件的百分数。
8.根据权利要求7所述的一种建构筑物可视域分析方法，其特征在于：所述方位图融合包括如下步骤：
特征点提取：提取该部件位置每个方位图中的共同部位点，建立映射关系；
畸变矫正：根据建立的映射关系进行像素点位配准，通过畸变矫正方法进行图片变形矫正；
图像融合：最后将矫正后的图片进行裁剪输出，形成一张大图。
9.根据权利要求7所述的一种建构筑物可视域分析方法，其特征在于：所述图像分析包括如下步骤：
部件识别：对可视范围图，进行初步的聚类，与部件特征信息库中的部件特征数据进行匹配，从而识别到图上的城市部件；
标会范围：根据识别到的城市部件，在可视范围图上，采用高亮方式进行范围的标绘；
生成结果：根据识别到的城市部件，与部件特征信息库中的城市部件，进行对比，标出该部件在可视范围图上展现出部分所占整个部件的百分数。
10.根据权利要求1-9所述的一种建构筑物可视域分析方法，其特征在于：所述空间数据包括：三维地上建构筑物点云数据、三维地上建构筑物纹理照片数据及现场拍摄照片数据；所述各类城市部件：窗户、门、阳台、绿化、小品、桥梁、道路、路灯、路牌、建构筑物、河流等地理要素；所述景观部件包括：绿化、小品、桥梁、道路、路灯、路牌、建构筑物、河流等地理要素；所述地上三维环境构建包括周边地上建构筑物、地形、河流、景观绿化、城市零部件、路灯路牌、桥梁、河流；所述三维建设项目构建包括建设项目建构筑物、建设项目景观绿化；所述三维部件的学习资料包括：模型数据、纹理数据、材质、描述文本；所述独特特征包括：模型特征、纹理特征、材质特征、文本特征；所述特征信息包括：部件名称，部件模型特征，部件纹理特征，部件材质特征，部件文本特征；所述部件模型特征包括：模型长、宽、高、常规极限值；所述部件纹理特征包括：纹理长宽尺寸，纹理黑白图像，纹理颜色值，颜色限值，特征点；所述部件材质特征包括：材质颜色值，材质名称，其它材质；所述部件文本特征包括：描述部件的字、词语、语句。
CN201811516960.8A 2018-12-12 2018-12-12 一种建构筑物可视域分析方法 Active CN111311725B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811516960.8A CN111311725B (zh) 2018-12-12 2018-12-12 一种建构筑物可视域分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811516960.8A CN111311725B (zh) 2018-12-12 2018-12-12 一种建构筑物可视域分析方法

Publications (2)

Publication Number Publication Date
CN111311725A true CN111311725A (zh) 2020-06-19
CN111311725B CN111311725B (zh) 2023-06-13

Family

ID=71146754

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811516960.8A Active CN111311725B (zh) 2018-12-12 2018-12-12 一种建构筑物可视域分析方法

Country Status (1)

Country Link
CN (1) CN111311725B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102855659A (zh) * 2012-07-17 2013-01-02 北京交通大学 高速综合检测列车三维全息可视化***与方法
CN105761310A (zh) * 2016-02-03 2016-07-13 东南大学 一种天空可视域数字地图的模拟分析及图像显示方法
CN105869211A (zh) * 2016-06-16 2016-08-17 成都中科合迅科技有限公司 一种可视域分析方法及装置
CN106296818A (zh) * 2016-08-23 2017-01-04 河南智绘星图信息技术有限公司 一种基于移动平台的近地空间场景仿真方法及***
US20180025542A1 (en) * 2013-07-25 2018-01-25 Hover Inc. Method and system for displaying and navigating an optimal multi-dimensional building model

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102855659A (zh) * 2012-07-17 2013-01-02 北京交通大学 高速综合检测列车三维全息可视化***与方法
US20180025542A1 (en) * 2013-07-25 2018-01-25 Hover Inc. Method and system for displaying and navigating an optimal multi-dimensional building model
CN105761310A (zh) * 2016-02-03 2016-07-13 东南大学 一种天空可视域数字地图的模拟分析及图像显示方法
CN105869211A (zh) * 2016-06-16 2016-08-17 成都中科合迅科技有限公司 一种可视域分析方法及装置
CN106296818A (zh) * 2016-08-23 2017-01-04 河南智绘星图信息技术有限公司 一种基于移动平台的近地空间场景仿真方法及***

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LI YIN, ZHENXIN WANG: "Measuring visual enclosure for street walkability:Using machine learing algorithms and Google Street View imagery" *
靳海亮，李留磊，袁松鹤，耿文轩: "一种用于三维城市建筑物的可视域分析算法" *

Also Published As

Publication number Publication date
CN111311725B (zh) 2023-06-13

Similar Documents

Publication Publication Date Title
CN110136170B (zh) 一种基于卷积神经网络的遥感影像建筑物变化检测方法
US11995886B2 (en) Large-scale environment-modeling with geometric optimization
US11113864B2 (en) Generative image synthesis for training deep learning machines
Garilli et al. Automatic detection of stone pavement's pattern based on UAV photogrammetry
CN112508985B (zh) 一种基于语义分割的slam回环检测改进方法
US9704042B2 (en) Predicting tree species from aerial imagery
US10115165B2 (en) Management of tax information based on topographical information
CN108428254A (zh) 三维地图的构建方法及装置
CN115984273B (zh) 道路病害检测方法、装置、计算机设备及可读存储介质
CN115512247A (zh) 基于图像多参数提取的区域建筑损伤等级评定方法
CN114758086B (zh) 一种城市道路信息模型的构建方法及装置
CN114627073B (zh) 地形识别方法、装置、计算机设备和存储介质
Gao et al. Large-scale synthetic urban dataset for aerial scene understanding
Li et al. 3D map system for tree monitoring in hong kong using *** street view imagery and deep learning
CN116309652A (zh) 一种基于伪装迷彩喷绘图谱的分析评估方法及***
CN111311725B (zh) 一种建构筑物可视域分析方法
Su et al. Building Detection From Aerial Lidar Point Cloud Using Deep Learning
Loghin et al. Supervised classification and its repeatability for point clouds from dense VHR tri-stereo satellite image matching using machine learning
RU2771442C1 (ru) Способ обработки изображений сверточными нейронными сетями
RU2771442C9 (ru) Способ обработки изображений сверточными нейронными сетями
CN117115566B (zh) 利用全季节遥感影像的城市功能区识别方法及***
Hummel On synthetic datasets for development of computer vision algorithms in airborne reconnaissance applications
Meixner et al. Building façade separation in vertical aerial images
CN118229895A (zh) 一种目标地域三维场景仿真方法
Villinger et al. Semantic segmentation of fused mobile mapping data

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