CN114417489A - 一种基于实景三维模型的建筑基底轮廓精细化提取方法 - Google Patents
一种基于实景三维模型的建筑基底轮廓精细化提取方法 Download PDFInfo
- Publication number
- CN114417489A CN114417489A CN202210321035.XA CN202210321035A CN114417489A CN 114417489 A CN114417489 A CN 114417489A CN 202210321035 A CN202210321035 A CN 202210321035A CN 114417489 A CN114417489 A CN 114417489A
- Authority
- CN
- China
- Prior art keywords
- building
- model
- side image
- image map
- live
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 43
- 238000013135 deep learning Methods 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims description 38
- 238000000034 method Methods 0.000 claims description 34
- 239000002356 single layer Substances 0.000 claims description 21
- 238000013507 mapping Methods 0.000 claims description 19
- 230000011218 segmentation Effects 0.000 claims description 19
- 238000001514 detection method Methods 0.000 claims description 17
- 230000000877 morphologic effect Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 claims description 10
- 238000009877 rendering Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 8
- 239000000758 substrate Substances 0.000 claims description 5
- 239000004744 fabric Substances 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 230000000903 blocking effect Effects 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 239000010410 layer Substances 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims 1
- 238000010276 construction Methods 0.000 abstract description 3
- 238000012937 correction Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Architecture (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Graphics (AREA)
- Biomedical Technology (AREA)
- Civil Engineering (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于实景三维模型的建筑基底轮廓精细化提取方法,基于实景三维模型进行建筑基底轮廓提取,首先通过深度学习算法提取植被图斑来对建筑图斑进行精化,有效地区分高度接近的植被和建筑,生成初始建筑矢量面,然后基于初始建筑矢量面与实景三维模型生成侧面影像图,并通过侧面影像图生成第一侧面影像图,利用深度学习算法对第一侧面影像图进行分类,从而能够有效剔除建筑侧面的附属物,避免造成干扰;然后,从第二侧面影像图提取窗户,得到楼层信息,从而能够有效地剔除建筑屋檐、违章搭建等突出结构,实现屋檐自动化矫正,进而能够提取精确的建筑基底轮廓。
Description
技术领域
本发明涉及建筑基底轮廓提取技术领域,具体而言,涉及一种基于实景三维模型的建筑基底轮廓精细化提取方法。
背景技术
在智慧城市建设中,建筑基底轮廓发挥着极其重要的作用,它可以用于城市规划、灾害评估、宅基地调查等领域。现有的建筑基底轮廓提取方法主要分为以下两类:
(1)基于实地测绘的方法:作业人员通过高精度的测绘仪器,如全站仪等,测量建筑基底轮廓;该方法精度高,但是工作量大,不适用于大面积、需要快速相应的调查任务。
(2)基于遥感影像的(半)自动提取方法:该方法受限于遥感影像的自身缺陷,如场景遮挡、建筑投影差等,提取的结果并非真正意义上的建筑基底轮廓,从而影响后续的定量化应用。例如,公开号为CN113011288A的中专利公开了一种基于Mask R-CNN算法的遥感建筑检测方法,该方法通过修改RPN网络、改进mask掩膜方向,得到一种适合不规则遥感建筑的检测网络模型,加强了对不规则建筑的检测分割能力,但是无法解决建筑之间的遮挡、投影差等问题。
再有公开号为CN113011288A的中专利公开了融合高度和光谱信息的倾斜摄影数据建筑物自动提取方法,通过高度阈值分割、植被信息滤除、后处理等步骤,优化建筑提取结果,实现建筑信息的自动提取,但其在对植被信息进行滤除以后,直接通过去除面积小的噪声对象,填充内部小孔洞,其中间过滤会出现底层的噪声和高层信息混合的情况,同时,也没有解决建筑之间的遮挡、投影差等问题。
发明内容
本发明解决的问题是如何解决建筑之间遮挡、投影差对建筑基底轮廓的影响,提升建筑基底轮廓提取精度和自动化程度。
为解决上述问题,本发明提供一种基于实景三维模型的建筑基底轮廓精细化提取方法,包括如下:
S1、基于实景三维模型,采用RTT技术从所述实景三维模型中提取DSM和DOM;
S2、使用布料模拟滤波算法从所述DSM中提取出DTM,通过差值运算得到nDSM,nDSM=DSM-DTM;
S3、使用轮廓提取算法从所述nDSM中提取初始建筑轮廓,进而得到初始建筑图斑;
S4、使用深度学习算法从所述DOM中提取出植被图斑;
S5、从所述初始建筑图斑中过滤所述植被图斑对应的区域,再采用形态学方法进行图斑优化,并使用图斑矢量化算法得到初始建筑矢量面;
S6、使用Monotone剖分算法将初始建筑矢量面分割成多个凸多边形,基于所述凸多边形从实景三维模型中提取得到待处理模型;使用Cycles渲染引擎的光线追踪算法从待处理模型上生成对应的侧面影像图;然后基于侧面影像图生成第一侧面影像图、第一建筑模型以及第一侧面影像图与第一建筑模型之间的几何映射关系;
S7、使用语义分割算法从所述第一侧面影像图中分离出建筑像素区域和非建筑像素区域,所述第一侧面影像图过滤非建筑像素区域得到第二侧面影像图,然后根据几何映射关系和第二侧面影像图从第一建筑模型中提取精化的建筑模型;
S8、使用目标检测算法从所述第二侧面影像图中提取窗户位置,基于窗户左下角坐标的高程进行聚类,得到楼层的高度区间;
S9、基于所述楼层的高区区间,对所述精化的建筑模型进行分割,得到多个单层建筑模型,将多个所述单层建筑模型分别进行正射投影并栅格化到二维投影图像上,得到多张二维投影图,并将多张所述二维投影图融合,生成高精度的建筑基底轮廓
本发明的有益效果是:基于实景三维模型进行建筑基底轮廓提取,首先通过深度学习算法提取植被图斑来对建筑图斑进行精化,有效地区分高度接近的植被和建筑,生成初始建筑矢量面,然后基于初始建筑矢量面与实景三维模型生成侧面影像图,并通过侧面影像图生成第一侧面影像图,利用深度学习对第一侧面影像图进行分类,能够有效剔除建筑侧面的附属物,避免造成干扰;然后,从第二侧面影像图提取窗户,得到楼层信息,从而能够有效地剔除建筑屋檐、违章搭建等突出结构,实现屋檐自动化矫正,进而能够提取精确的建筑基底轮廓。
作为优选,所述S1具体包括:
S101、设置RTT技术的光学分辨率为res,对所述实景三维模型进行分块处理,得到实景三维模型块;
S102、利用RTT技术将每块所述实景三维模型块渲染生成含高程信息的DSM´和含纹理信息的DOM´;将所述DSM´进行拼接得到完整的DSM,将所述DOM´进行拼接得到完整的DOM。
作为优选,所述S3具体包括:
S301、预设高程信息的过滤阈值S,nDSM´为初始的nDSM;
S302、判断过滤阈值S是否大于nDSM´中高程信息的最小值,若是,则进入S303,否则,进入S4;
S303、在nDSM´上过滤小于过滤阈值S的单元,得到filtered-nDSM;接着,并采用轮廓提取算法从filtered-nDSM中提取初始建筑轮廓,再将初始建筑轮廓栅格化为初始建筑图斑;
S304、nDSM´= nDSM´- filtered-nDSM对应的初始建筑图斑;且S=S-Q,Q为S的预设降低值,并返回S302;
通过分层过滤检测,使得高低层信息分离,避免底层的噪声和高层信息混合,使得高层检测轮廓更加准确。
作为优选,所述S4具体包括:
S401、使用LabelImg制作植被的样本数据集,训练用于植被提取的第一语义分割模型;
S402、利用所述第一语义分割模型从DOM中进行植被提取,得到植被图斑。
作为优选,所述S5具体包括:
S501、使用栅格运算方法计算所述初始建筑图斑与植被图斑的差集,过滤所述初始建筑图斑中植被区域,得到第一建筑图斑,从而去除初始建筑图斑中的植被区域,消除植被对建筑基底轮廓提取的影响;
S502、采用形态学腐蚀运算对所述第一建筑图斑进行处理,得到第二建筑图斑,从而消除第一建筑图斑中图斑像素小的物体,例如残留的植被图斑、图斑像素数量小于5的图斑;
S503、采用形态学膨胀运算对所述第二建筑图斑进行处理,得到第三建筑图斑,达到恢复边界,对孔洞进行填充的效果;
S504、对所述第三建筑图斑进行空间聚类,过滤图斑面积小于设定阈值的图斑,得到第四建筑图斑;
S505、采用轮廓提取算法从所述第四建筑图斑中进行轮廓提取,得到建筑图斑轮廓;
S506、采用Douglas–Peucker算法对所述建筑图斑轮廓进行简化,得到初始建筑矢量面。
作为优选,所述S6具体包括:
S601、使用Monotone剖分算法将初始建筑矢量面分割成多个凸多边形;
S602、根据分割的多个凸多边形,从所述实景三维模型中提取凸多边形对应的数据,作为待处理建筑模型;
S603、计算所述待处理建筑模型的几何中心、平面半径和高度,并生成环绕待处理建筑模型的圆柱形模型;
S604、采用Cycles渲染引擎的光线追踪算法将所述待处理模型的纹理映射到圆柱形模型上,再将圆柱形模型水平展开,得到侧面影像图;
S605、将隶属于同一个初始建筑矢量面的侧面影像图合并成为第一侧面影像图,再将隶属于同一个初始建筑矢量面的待处理模型合并成为第一建筑模型,同时得到所述第一侧面影像图与第一建筑模型的几何映射关系。
作为优选,所述S7具体包括:
S701、使用LabelImg制作建筑侧面的样本数据集,并训练用于建筑侧面提取的第二语义分割模型;
S702、采用第二语义分割模型对所述第一侧面影像图进行处理,分离出建筑像素区域和非建筑像素区域,并从所述第一侧面影像图中过滤非建筑像素区域,得到第二侧面影像图;
S703、根据所述第一侧面影像图与第一建筑模型的几何映射关系,过滤所述第一侧面影像图中非建筑像素区域对应的三角面和顶点,得到精化的建筑模型。
作为优选,所述S8具体包括:
S801、使用LabelImg工具制作窗户的样本数据集,然后训练用于提取窗户的目标检测模型;
S802、采用所述目标检测模型对所述第二侧面影像图进行识别,提取窗户的位置信息[x0,y0,w,h],其中,x0,y0为窗户的左下角坐标,w和h为窗口的长和宽;
S803、通过所述第一侧面影像图与第一建筑模型的几何映射关系,将(x0,y0)映射到第一建筑模型的空间位置(X0,Y0);
S804、采用均值漂移算法对Y0集合进行聚类,得到多个子类,先剔除子类中元素个数小于3的子类,然后计算剩余子类的Y0平均值,对Y0平均值进行排序,得到楼层的高度区间。
作为优选,所述S9具体包括
S901、基于所述楼层的高度区间,对所述精化的建筑模型进行分割,得到多个单层建筑模型;
S902、基于所述单层建筑模型建立平面坐标系;
S903、计算所述单层建筑模型的包围盒,创建与所述包围盒平面大小一致且空白的平面投影图,遍历单层建筑模型中的三角面,Opencv的fillpoly方法,将所述三角面投影填充到平面投影图上,所述平面投影图中的单元像素值为填充到对应单元的三角形的数量,得到多张二维投影图,每张二维投影图对应一层建筑;从而能够有效去除屋顶、屋檐等凸出结构;
S904、将多张二维投影图进行融合,得到融合后的二维投影图,所述融合后的二维投影图的每个元素值为多张二维投影图的对应元素值的中值;
S905、采用轮廓提取算法从融合后的二维投影图中提取精确的建筑基底轮廓。
附图说明
图1为本发明的流程图;
图2为本发明从DOM中提取植被图斑的示意图;
图3为本发明从实景三维模型中提取的立面纹理的示意图;
图4为本发明从立面纹理中检测到的建筑侧面区域的示意图;
图5为本发明提取建筑基底轮廓与DOM叠加显示的示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。
如图1所示的一种基于实景三维模型的建筑基底轮廓精细化提取方法,包括如下:
S1、基于实景三维模型,采用RTT技术(即Render To Texture,渲染到纹理技术)从所述实景三维模型中提取DSM(即Digital Surface Model,数字表面模型)和DOM(即Digital Orthophoto Map,数字正射影像模型);具体包括:
S101、设置RTT技术的光学分辨率为res,对所述实景三维模型进行分块处理,得到实景三维模型块;本具体实施例的res=0.5,对所述实景三维模型进行分块处理,得到实景三维模型块,且每块实景三维模型块的长和宽小于2048×res
S102、利用RTT技术将每块所述实景三维模型块渲染生成含高程信息的DSM´和含纹理信息的DOM´;将所述DSM´进行拼接得到完整的DSM,将所述DOM´进行拼接得到完整的DOM;
S2、因为DSM记录的是绝对高程信息,并非相对于地面的高度,为此,本具体实施例为了获得建筑真实的高度信息,使用布料模拟滤波算法从所述DSM中提取出DTM(即DigitalTerrain Model,数字地形模型),通过差值运算得到nDSM(normalized Digital SurfaceModel),nDSM=DSM-DTM;
S3、使用轮廓提取算法从所述nDSM中提取初始建筑轮廓,进而得到初始建筑图斑;
S301、预设高程信息的过滤阈值S,nDSM´为初始的nDSM;
S302、判断过滤阈值S是否大于nDSM´中高程信息的最小值,若是,则进入S303,否则,进入S4;
S303、在nDSM´上过滤小于过滤阈值S的单元,得到filtered-nDSM;接着,并采用轮廓提取算法(即OpenCV的findContours方法)从filtered-nDSM中提取初始建筑轮廓,再将初始建筑轮廓栅格化为初始建筑图斑;
S304、nDSM´= nDSM´- filtered-nDSM对应的初始建筑图斑;且S=S-Q,Q为S的预设降低值,并返回S302;
S4、使用深度学习算法从所述DOM中提取出植被图斑,如图2所示;具体包括:
S401、使用LabelImg制作植被的样本数据集,训练用于植被提取的第一语义分割模型,本具体实施例选择Swin-Transformer算法作为第一语义分割模型;
S402、利用所述第一语义分割模型从DOM中进行植被提取,得到植被图斑;
S5、从所述初始建筑图斑中过滤所述植被图斑对应的区域,再采用形态学方法进行图斑优化,并使用图斑矢量化算法得到初始建筑矢量面;具体包括:
S501、使用栅格运算方法计算所述初始建筑图斑与植被图斑的差集,过滤所述初始建筑图斑中的植被区域,得到第一建筑图斑,消除植被对建筑基底轮廓提取的影响;
S502、采用形态学腐蚀运算对所述第一建筑图斑进行处理,得到第二建筑图斑,从而消除第一建筑图斑中图斑像素小的物体,例如图斑像素数量小于5的图斑;
S503、采用形态学膨胀运算对所述第二建筑图斑进行处理,得到第三建筑图斑,达到恢复边界,对孔洞进行填充的效果;
S504、对所述第三建筑图斑进行空间聚类,过滤图斑面积小于设定阈值的图斑,得到第四建筑图斑,本具体实施例的设定阈值为20平方米;
S505、采用轮廓提取算法从所述第四建筑图斑中进行轮廓提取,得到建筑图斑轮廓;
S506、采用Douglas–Peucker算法对所述建筑图斑轮廓进行简化,得到初始建筑矢量面;
S6、使用Monotone剖分算法将初始建筑矢量面分割成多个凸多边形,基于所述凸多边形从实景三维模型中提取得到待处理模型;使用Cycles渲染引擎的光线追踪算法从待处理模型上生成对应的侧面影像图;然后基于侧面影像图生成第一侧面影像图和第一建筑模型,以及第一侧面影像图与第一建筑模型之间的几何映射关系;具体包括:
S601、使用Monotone剖分算法将初始建筑矢量面分割成多个凸多边形;从而能够有效地减少凹型建筑在提取侧面影像图是出现的侧面互相遮挡的情况;
S602、根据分割的多个凸多边形,从所述实景三维模型中提取凸多边形对应的数据,作为待处理建筑模型;
S603、计算所述待处理建筑模型的几何中心、平面半径和高度,并生成环绕待处理建筑模型的圆柱形模型;
S604、采用Cycles渲染引擎的光线追踪算法将所述待处理模型的纹理映射到圆柱形模型上,再将圆柱形模型水平展开,得到侧面影像图,如图3所示;
S605、将隶属于同一个初始建筑矢量面的侧面影像图合并成为第一侧面影像图,再将隶属于同一个初始建筑矢量面的待处理模型合并成为第一建筑模型,同时得到所述第一侧面影像图与第一建筑模型的几何映射关系;
S7、使用语义分割算法从所述第一侧面影像图中分离出建筑像素区域和非建筑像素区域,如图4所示,过滤所述第一侧面影像图中对应的非建筑像素区域,得到第二侧面影像图,并根据所述几何映射关系和第二侧面影像图从所述第一建筑模型中提取精化的建筑模型;具体包括:
S701、使用LabelImg制作建筑侧面的样本数据集,并训练用于建筑侧面提取的第二语义分割模型;
S702、采用第二语义分割模型对所述第一侧面影像图进行处理,分离出建筑像素区域和非建筑像素区域,并从所述第一侧面影像图中过滤非建筑像素区域,得到第二侧面影像图;
S703、根据所述第一侧面影像图与第一建筑模型的几何映射关系,过滤所述第一侧面影像图中非建筑像素区域对应的三角面和顶点,得到精化的建筑模型;
S8、使用目标检测算法从所述第二侧面影像图中提取窗户位置,并基于窗户中心点的高程信息进行聚类,得到楼层的高度区间;具体包括:
S801、使用LabelImg工具制作窗户的样本数据集,然后训练用于提取窗户的目标检测模型,本具体实施例采用Faster RCNN目标检测算法作为目标检测模型;
S802、采用所述目标检测模型对所述第二侧面影像图进行识别,提取窗户的位置信息[x0,y0,w,h],其中,x0,y0为窗户的左下角坐标,w和h为窗口的长和宽;
S803、通过所述第一侧面影像图与第一建筑模型的几何映射关系,将(x0,y0)映射到第一建筑模型的空间位置(X0,Y0);
S804、采用均值漂移算法对Y0集合进行聚类,得到多个子类,先剔除子类中元素个数小于3的子类,然后计算剩余子类的Y0平均值,对Y0平均值进行排序,得到楼层的高度区间;
S9、基于所述高度区间,对精化的建筑模型进行分割,得到多个单层建筑模型,将多个所述单层建筑模型分别进行正射投影以及栅格化到二维投影图上,得到多张二维投影图,接着将多张所述二维投影图融合,生成高精度的建筑基底轮廓;具体包括:
S901、基于楼层的高度区间,对所述精化的建筑模型进行分割,得到多个单层建筑模型;
S902、基于所述单层建筑模型建立平面坐标系,并预设空间分辨率,本具体实施例的空间分辨率为0.5米;
S903、计算所述单层建筑模型的包围盒,创建与所述包围盒平面大小一致且空白的平面投影图,遍历单层建筑模型中的三角面,采用Opencv的fillpoly方法将所述三角面投影填充到平面投影图上,所述平面投影图中的单元像素值为填充到对应单元的三角形的数量,得到多张二维投影图,每张二维投影图对应一个单层建筑模型;
S904、将多张二维投影图进行融合,得到融合后的二维投影图,所述融合后的二维投影图的每个元素值为多张二维投影图的对应元素值的中值,从而能够有效地降低建筑屋顶凸出的屋檐、楼层中间突出的违建物等在投影填充时产生的噪声;
S905、采用轮廓提取算法从二维投影图中提取精确的建筑基底轮廓,如图5所示。
本具体实施例中涉及到的过滤均采用将对应的单元置数为零。
本具体实施例中提到的RTT技术、布料模拟滤波算法、轮廓提取算法、LabelImg、Swin-Transformer算法、语义分割模型、形态学方法、栅格运算方法、形态学腐蚀运算、形态学膨胀运算、空间聚类、Douglas–Peucker算法、Monotone剖分算法、Cycles渲染引擎的光线追踪算法、Faster RCNN目标检测算法、均值漂移算法、Opencv的fillpoly方法均为现有技术,具体操作方法为现有技术,如何使用相应的算法,对应的算法公式就不做过多赘述。
虽然本公开披露如上,但本公开的保护范围并非仅限于此。本领域技术人员,在不脱离本公开的精神和范围的前提下,可进行各种变更与修改,这些变更与修改均将落入本发明的保护范围。
Claims (9)
1.一种基于实景三维模型的建筑基底轮廓精细化提取方法,其特征在于,包括如下:
S1、基于实景三维模型,采用RTT技术从所述实景三维模型中提取DSM和DOM;
S2、使用布料模拟滤波算法从所述DSM中提取出DTM,通过差值运算得到nDSM,nDSM=DSM-DTM;
S3、使用轮廓提取算法从所述nDSM中提取初始建筑轮廓,进而得到初始建筑图斑;
S4、使用深度学习算法从所述DOM中提取出植被图斑;
S5、从所述初始建筑图斑中过滤所述植被图斑对应的区域,再采用形态学方法进行图斑优化,并使用图斑矢量化算法得到初始建筑矢量面;
S6、使用Monotone剖分算法将初始建筑矢量面分割成多个凸多边形,基于所述凸多边形从实景三维模型中提取得到待处理模型;使用Cycles渲染引擎的光线追踪算法从待处理模型上生成对应的侧面影像图;然后基于侧面影像图生成第一侧面影像图和第一建筑模型,以及第一侧面影像图与第一建筑模型之间的几何映射关系;
S7、使用语义分割算法从所述第一侧面影像图中分离出建筑像素区域和非建筑像素区域,所述第一侧面影像图过滤非建筑像素区域得到第二侧面影像图,然后根据几何映射关系和第二侧面影像图从第一建筑模型中提取精化的建筑模型;
S8、使用目标检测算法从所述第二侧面影像图中提取窗户位置,然后基于窗户左下角坐标的高程进行聚类,得到楼层的高度区间;
S9、基于所述楼层的高度区间,对所述精化的建筑模型进行分割,得到多个单层建筑模型,将多个所述单层建筑模型分别进行正射投影并栅格化到二维投影图上,得到多张二维投影图,并将多张所述二维投影图融合,生成高精度的建筑基底轮廓。
2.根据权利要求1所述的一种基于实景三维模型的建筑基底轮廓精细化提取方法,其特征在于,所述S1具体包括:
S101、设置RTT技术的光学分辨率为res,对所述实景三维模型进行分块处理,得到实景三维模型块;
S102、利用RTT技术将每块所述实景三维模型块渲染生成含高程信息的DSM´和含纹理信息的DOM´;将所述DSM´进行拼接得到完整的DSM,将所述DOM´进行拼接得到完整的DOM。
3.根据权利要求1所述的一种基于实景三维模型的建筑基底轮廓精细化提取方法,其特征在于,所述S3具体包括:
S301、预设高程信息的过滤阈值S,nDSM´为初始的nDSM;
S302、判断过滤阈值S是否大于nDSM´中高程信息的最小值,若是,则进入S303,否则,进入S4;
S303、在nDSM´上过滤小于过滤阈值S的单元,得到filtered-nDSM;接着,并采用轮廓提取算法从filtered-nDSM中提取初始建筑轮廓,再将初始建筑轮廓栅格化为初始建筑图斑;
S304、nDSM´= nDSM´- filtered-nDSM对应的初始建筑图斑;且S=S-Q,Q为S的预设降低值,并返回S302。
4.根据权利要求1所述的一种基于实景三维模型的建筑基底轮廓精细化提取方法,其特征在于,所述S4具体包括:
S401、使用LabelImg制作植被的样本数据集,训练用于植被提取的第一语义分割模型;
S402、利用所述第一语义分割模型从DOM中进行植被提取,得到植被图斑。
5.根据权利要求1所述的一种基于实景三维模型的建筑基底轮廓精细化提取方法,其特征在于,所述S5具体包括:
S501、使用栅格运算方法计算所述初始建筑图斑与植被图斑的差集,过滤所述初始建筑图斑中的植被区域,得到第一建筑图斑;
S502、采用形态学腐蚀运算对所述第一建筑图斑进行处理,得到第二建筑图斑;
S503、采用形态学膨胀运算对所述第二建筑图斑进行处理,得到第三建筑图斑;
S504、对所述第三建筑图斑进行空间聚类,过滤图斑面积小于设定阈值的图斑,得到第四建筑图斑;
S505、采用轮廓提取算法从所述第四建筑图斑中进行轮廓提取,得到建筑图斑轮廓;
S506、采用Douglas–Peucker算法对所述建筑图斑轮廓进行简化,得到初始建筑矢量面。
6.权利要求1所述的一种基于实景三维模型的建筑基底轮廓精细化提取方法,其特征在于,所述S6具体包括:
S601、使用Monotone剖分算法将初始建筑矢量面分割成多个凸多边形;
S602、根据分割的多个凸多边形,从所述实景三维模型中提取凸多边形对应的数据,作为待处理建筑模型;
S603、计算所述待处理建筑模型的几何中心、平面半径和高度,并生成环绕待处理建筑模型的圆柱形模型;
S604、采用Cycles渲染引擎的光线追踪算法将所述待处理模型的纹理映射到圆柱形模型上,再将圆柱形模型水平展开,得到侧面影像图;
S605、将隶属于同一个初始建筑矢量面的侧面影像图合并成为第一侧面影像图,再将隶属于同一个初始建筑矢量面的待处理模型合并成为第一建筑模型,同时得到所述第一侧面影像图与第一建筑模型的几何映射关系。
7.权利要求1所述的一种基于实景三维模型的建筑基底轮廓精细化提取方法,其特征在于,所述S7具体包括:
S701、使用LabelImg制作建筑侧面的样本数据集,并训练用于建筑侧面提取的第二语义分割模型;
S702、采用第二语义分割模型对所述第一侧面影像图进行处理,分离出建筑像素区域和非建筑像素区域,并从所述第一侧面影像图中过滤非建筑像素区域,得到第二侧面影像图;
S703、根据所述第一侧面影像图与第一建筑模型的几何映射关系,过滤所述第一侧面影像图中非建筑像素区域对应的三角面和顶点,得到精化的建筑模型。
8.根据权利要求1所述的一种基于实景三维模型的建筑基底轮廓精细化提取方法,其特征在于,所述S8具体包括:
S801、使用LabelImg工具制作窗户的样本数据集,然后训练用于提取窗户的目标检测模型;
S802、采用所述目标检测模型对所述第二侧面影像图进行识别,提取窗户的位置信息[x0,y0,w,h],其中,x0,y0为窗户的左下角坐标,w和h为窗口的长和宽;
S803、通过所述第一侧面影像图与第一建筑模型的几何映射关系,将(x0,y0)映射到第一建筑模型的空间位置(X0,Y0);
S804、采用均值漂移算法对Y0集合进行聚类,得到多个子类,先剔除子类中元素个数小于3的子类,然后计算剩余子类的Y0平均值,对Y0平均值进行排序,得到楼层的高度区间。
9.根据权利要求1所述的一种基于实景三维模型的建筑基底轮廓精细化提取方法,其特征在于,所述S9具体包括
S901、基于所述楼层的高度区间,对所述精化的建筑模型进行分割,得到多个单层建筑模型;
S902、基于所述单层建筑模型建立平面坐标系;
S903、计算所述单层建筑模型的包围盒,创建与所述包围盒平面大小一致且空白的平面投影图,遍历单层建筑模型中的三角面,Opencv的fillpoly方法,将所述三角面投影填充到平面投影图上,所述平面投影图中的单元像素值为填充到对应单元的三角形的数量,得到多张二维投影图,每张二维投影图对应一层建筑;
S904、将多张二维投影图进行融合,得到融合后的二维投影图,所述融合后的二维投影图的每个像素值为多张二维投影图的对应像素值的中值;
S905、采用轮廓提取算法从融合后的二维投影图中提取精确的建筑基底轮廓。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210321035.XA CN114417489B (zh) | 2022-03-30 | 2022-03-30 | 一种基于实景三维模型的建筑基底轮廓精细化提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210321035.XA CN114417489B (zh) | 2022-03-30 | 2022-03-30 | 一种基于实景三维模型的建筑基底轮廓精细化提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114417489A true CN114417489A (zh) | 2022-04-29 |
CN114417489B CN114417489B (zh) | 2022-07-19 |
Family
ID=81264056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210321035.XA Active CN114417489B (zh) | 2022-03-30 | 2022-03-30 | 一种基于实景三维模型的建筑基底轮廓精细化提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114417489B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115471634A (zh) * | 2022-10-28 | 2022-12-13 | 吉奥时空信息技术股份有限公司 | 一种城市绿植孪生的建模方法及装置 |
CN115496908A (zh) * | 2022-10-18 | 2022-12-20 | 湖南省第一测绘院 | 一种高层建筑倾斜摄影模型自动分层方法及*** |
CN115641415A (zh) * | 2022-12-26 | 2023-01-24 | 成都国星宇航科技股份有限公司 | 基于卫星影像生成三维场景的方法、装置、设备及介质 |
CN115937461A (zh) * | 2022-11-16 | 2023-04-07 | 泰瑞数创科技(北京)股份有限公司 | 多源融合模型构建及纹理生成方法、装置、介质及设备 |
CN115994987A (zh) * | 2023-03-21 | 2023-04-21 | 天津市勘察设计院集团有限公司 | 基于倾斜三维模型的农村建筑物提取及矢量化方法 |
CN116258958A (zh) * | 2022-12-22 | 2023-06-13 | 二十一世纪空间技术应用股份有限公司 | 一种同源高分辨率影像和dsm数据的建筑物提取方法及装置 |
CN116342783A (zh) * | 2023-05-25 | 2023-06-27 | 吉奥时空信息技术股份有限公司 | 一种实景三维模型数据渲染优化方法及*** |
CN117454495A (zh) * | 2023-12-25 | 2024-01-26 | 北京飞渡科技股份有限公司 | 一种基于建筑草图轮廓序列的cad矢量模型生成方法及装置 |
CN117475095A (zh) * | 2023-10-11 | 2024-01-30 | 吉奥时空信息技术股份有限公司 | 一种实景三维建筑的分层分户建模方法及*** |
CN117495797A (zh) * | 2023-10-30 | 2024-02-02 | 武汉大学 | 基于隐式三维表达引导的航空数据变化检测方法及*** |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004038514A (ja) * | 2002-07-03 | 2004-02-05 | Nippon Telegr & Teleph Corp <Ntt> | 建物3次元形状復元方法と装置、及び建物3次元形状復元プログラムと該プログラムを記録した記録媒体 |
US20140301633A1 (en) * | 2013-04-09 | 2014-10-09 | Google Inc. | System and Method for Floorplan Reconstruction and Three-Dimensional Modeling |
CN106652024A (zh) * | 2016-12-21 | 2017-05-10 | 华东师范大学 | 一种城市楼层可视绿地面积快速估算及三维展示的方法 |
CN106871864A (zh) * | 2017-02-13 | 2017-06-20 | 中科宇图科技股份有限公司 | 一种基于立体卫星影像自动提取建筑物高度的方法 |
CN107967713A (zh) * | 2017-11-21 | 2018-04-27 | 泰瑞数创科技(北京)有限公司 | 基于空间点云数据的建筑物三维模型构建方法和*** |
CN108629742A (zh) * | 2018-03-29 | 2018-10-09 | 深圳飞马机器人科技有限公司 | 真正射影像阴影检测与补偿方法、装置及存储介质 |
CN110378293A (zh) * | 2019-07-22 | 2019-10-25 | 泰瑞数创科技(北京)有限公司 | 一种基于实景三维模型生产高精度地图的方法 |
CN110866531A (zh) * | 2019-10-15 | 2020-03-06 | 深圳新视达视讯工程有限公司 | 一种基于三维建模的建筑物特征提取方法、***及存储介质 |
CN113139453A (zh) * | 2021-04-19 | 2021-07-20 | 中国地质大学(武汉) | 一种基于深度学习的正射影像高层建筑基底矢量提取方法 |
CN113362359A (zh) * | 2021-06-18 | 2021-09-07 | 天津市勘察设计院集团有限公司 | 融合高度和光谱信息的倾斜摄影数据建筑物自动提取方法 |
WO2022041119A1 (zh) * | 2020-08-28 | 2022-03-03 | 深圳市大疆创新科技有限公司 | 三维点云处理方法及装置 |
CN114219819A (zh) * | 2021-11-19 | 2022-03-22 | 上海建工四建集团有限公司 | 基于正射影像边界检测的倾斜摄影模型单体化方法 |
-
2022
- 2022-03-30 CN CN202210321035.XA patent/CN114417489B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004038514A (ja) * | 2002-07-03 | 2004-02-05 | Nippon Telegr & Teleph Corp <Ntt> | 建物3次元形状復元方法と装置、及び建物3次元形状復元プログラムと該プログラムを記録した記録媒体 |
US20140301633A1 (en) * | 2013-04-09 | 2014-10-09 | Google Inc. | System and Method for Floorplan Reconstruction and Three-Dimensional Modeling |
CN106652024A (zh) * | 2016-12-21 | 2017-05-10 | 华东师范大学 | 一种城市楼层可视绿地面积快速估算及三维展示的方法 |
CN106871864A (zh) * | 2017-02-13 | 2017-06-20 | 中科宇图科技股份有限公司 | 一种基于立体卫星影像自动提取建筑物高度的方法 |
CN107967713A (zh) * | 2017-11-21 | 2018-04-27 | 泰瑞数创科技(北京)有限公司 | 基于空间点云数据的建筑物三维模型构建方法和*** |
CN108629742A (zh) * | 2018-03-29 | 2018-10-09 | 深圳飞马机器人科技有限公司 | 真正射影像阴影检测与补偿方法、装置及存储介质 |
CN110378293A (zh) * | 2019-07-22 | 2019-10-25 | 泰瑞数创科技(北京)有限公司 | 一种基于实景三维模型生产高精度地图的方法 |
CN110866531A (zh) * | 2019-10-15 | 2020-03-06 | 深圳新视达视讯工程有限公司 | 一种基于三维建模的建筑物特征提取方法、***及存储介质 |
WO2022041119A1 (zh) * | 2020-08-28 | 2022-03-03 | 深圳市大疆创新科技有限公司 | 三维点云处理方法及装置 |
CN113139453A (zh) * | 2021-04-19 | 2021-07-20 | 中国地质大学(武汉) | 一种基于深度学习的正射影像高层建筑基底矢量提取方法 |
CN113362359A (zh) * | 2021-06-18 | 2021-09-07 | 天津市勘察设计院集团有限公司 | 融合高度和光谱信息的倾斜摄影数据建筑物自动提取方法 |
CN114219819A (zh) * | 2021-11-19 | 2022-03-22 | 上海建工四建集团有限公司 | 基于正射影像边界检测的倾斜摄影模型单体化方法 |
Non-Patent Citations (4)
Title |
---|
NORAAIN MOHAMED SARAF等: "Accuracy assessment of 3-dimensional LiDAR building extraction", 《IEEE》 * |
PENG-HUI TIAN等: "Building Contours Extraction from Light Detect and Ranging Data", 《IEEE》 * |
余柏蒗等: "一种应用机载LiDAR数据和高分辨率遥感影像提取城市绿地信息的方法", 《中国图象图形学报》 * |
王旭科等: "基于机载LiDAR和倾斜影像的城市三维建模方法", 《北京测绘》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115496908A (zh) * | 2022-10-18 | 2022-12-20 | 湖南省第一测绘院 | 一种高层建筑倾斜摄影模型自动分层方法及*** |
CN115471634A (zh) * | 2022-10-28 | 2022-12-13 | 吉奥时空信息技术股份有限公司 | 一种城市绿植孪生的建模方法及装置 |
CN115937461B (zh) * | 2022-11-16 | 2023-09-05 | 泰瑞数创科技(北京)股份有限公司 | 多源融合模型构建及纹理生成方法、装置、介质及设备 |
CN115937461A (zh) * | 2022-11-16 | 2023-04-07 | 泰瑞数创科技(北京)股份有限公司 | 多源融合模型构建及纹理生成方法、装置、介质及设备 |
CN116258958A (zh) * | 2022-12-22 | 2023-06-13 | 二十一世纪空间技术应用股份有限公司 | 一种同源高分辨率影像和dsm数据的建筑物提取方法及装置 |
CN116258958B (zh) * | 2022-12-22 | 2023-12-05 | 二十一世纪空间技术应用股份有限公司 | 一种同源高分辨率影像和dsm数据的建筑物提取方法及装置 |
CN115641415B (zh) * | 2022-12-26 | 2023-08-22 | 成都国星宇航科技股份有限公司 | 基于卫星影像生成三维场景的方法、装置、设备及介质 |
CN115641415A (zh) * | 2022-12-26 | 2023-01-24 | 成都国星宇航科技股份有限公司 | 基于卫星影像生成三维场景的方法、装置、设备及介质 |
CN115994987A (zh) * | 2023-03-21 | 2023-04-21 | 天津市勘察设计院集团有限公司 | 基于倾斜三维模型的农村建筑物提取及矢量化方法 |
CN116342783A (zh) * | 2023-05-25 | 2023-06-27 | 吉奥时空信息技术股份有限公司 | 一种实景三维模型数据渲染优化方法及*** |
CN116342783B (zh) * | 2023-05-25 | 2023-08-08 | 吉奥时空信息技术股份有限公司 | 一种实景三维模型数据渲染优化方法及*** |
CN117475095A (zh) * | 2023-10-11 | 2024-01-30 | 吉奥时空信息技术股份有限公司 | 一种实景三维建筑的分层分户建模方法及*** |
CN117495797A (zh) * | 2023-10-30 | 2024-02-02 | 武汉大学 | 基于隐式三维表达引导的航空数据变化检测方法及*** |
CN117454495A (zh) * | 2023-12-25 | 2024-01-26 | 北京飞渡科技股份有限公司 | 一种基于建筑草图轮廓序列的cad矢量模型生成方法及装置 |
CN117454495B (zh) * | 2023-12-25 | 2024-03-15 | 北京飞渡科技股份有限公司 | 一种基于建筑草图轮廓序列的cad矢量模型生成方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114417489B (zh) | 2022-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114417489B (zh) | 一种基于实景三维模型的建筑基底轮廓精细化提取方法 | |
Haala et al. | Extraction of buildings and trees in urban environments | |
Yang et al. | Hierarchical extraction of urban objects from mobile laser scanning data | |
CN113688807B (zh) | 一种自适应缺陷检测方法、装置、识别***及存储介质 | |
Qin et al. | 3D change detection at street level using mobile laser scanning point clouds and terrestrial images | |
Pu et al. | Knowledge based reconstruction of building models from terrestrial laser scanning data | |
CN107767382A (zh) | 静态三维地图建筑物轮廓线的自动提取方法及*** | |
Cheng et al. | Integration of LiDAR data and optical multi-view images for 3D reconstruction of building roofs | |
Truong-Hong et al. | Octree-based, automatic building facade generation from LiDAR data | |
CN103839286B (zh) | 一种对象语义约束的真正射影像优化采样方法 | |
JP7418281B2 (ja) | 地物の分類システム、分類方法及びそのプログラム | |
CN1224938C (zh) | 由单幅图像测量场景及场景内物体几何信息的方法 | |
CN109727255B (zh) | 一种建筑物三维模型分割方法 | |
JP2002092658A (ja) | 3次元デジタル地図作成装置及び3次元デジタル地図作成のプログラムを記憶した記憶媒体 | |
Hinks et al. | Visualisation of urban airborne laser scanning data with occlusion images | |
Previtali et al. | Automatic façade segmentation for thermal retrofit | |
CN114092805B (zh) | 一种基于建筑模型的机器狗识别裂痕方法 | |
CN116721230A (zh) | 一种三维实景模型的构建方法、装置、设备及存储介质 | |
CN116051771A (zh) | 一种基于无人机倾斜摄影模型的光伏bim屋顶自动建模方法 | |
Demidenko et al. | Development of a Machine Vision System for Image Recognition of Design Estimates | |
CN114677505A (zh) | 基于墙约束的房间自动分割方法 | |
Nakagawa et al. | Panoramic rendering-based polygon extraction from indoor mobile LiDAR data | |
Nakagawa et al. | Topological 3D modeling using indoor mobile LiDAR data | |
Henricsson et al. | Automated 3-D reconstruction of buildings and visualization of city models | |
Habib et al. | Integration of lidar and airborne imagery for realistic visualization of 3d urban environments |
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 |