CN114612488A - 建筑物单体化信息提取方法、计算机装置及存储介质 - Google Patents

建筑物单体化信息提取方法、计算机装置及存储介质 Download PDF

Info

Publication number
CN114612488A
CN114612488A CN202210242113.7A CN202210242113A CN114612488A CN 114612488 A CN114612488 A CN 114612488A CN 202210242113 A CN202210242113 A CN 202210242113A CN 114612488 A CN114612488 A CN 114612488A
Authority
CN
China
Prior art keywords
building
point cloud
dimensional
buildings
dimensional point
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.)
Pending
Application number
CN202210242113.7A
Other languages
English (en)
Inventor
刘昊
刘承照
何维
谭可成
马晨哲
胡文柯
许强红
李顺
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.)
PowerChina Zhongnan Engineering Corp Ltd
Original Assignee
PowerChina Zhongnan Engineering Corp 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 PowerChina Zhongnan Engineering Corp Ltd filed Critical PowerChina Zhongnan Engineering Corp Ltd
Priority to CN202210242113.7A priority Critical patent/CN114612488A/zh
Publication of CN114612488A publication Critical patent/CN114612488A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30184—Infrastructure

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Processing Or Creating Images (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种建筑物单体化信息提取方法、计算机装置及存储介质，获取带地理坐标信息的建筑物二维正射影像和对应的三维点云数据；基于深度学习的实例分割模型获取建筑物在二维正射影像中的大致轮廓面；将所述大致轮廓面转换成真实地理坐标的轮廓面；基于步骤S3得到的轮廓面切割所述三维点云数据，得到三维点云集合；分离和保存所述三维点云集合中存在的多个建筑物，基于建筑物的空间几何结构，对房屋进行精细化处理，提取建筑物的属性信息。本发明突破了对倾斜摄影数据利用的技术瓶颈，实现了对倾斜摄影模型和点云模型中建筑物快速、智能的物理单体化，大幅减低了人工成本，提高了对倾斜摄影数据的利用率，提高了生产效率。

Description

建筑物单体化信息提取方法、计算机装置及存储介质
技术领域
本发明涉及倾斜摄影三维模型单体化领域，特别是一种建筑物单体化信息提取方法、计算机装置及存储介质。
背景技术
在征地移民、智慧城市、智慧工地、土地规划、工程量测算等项目中，对房屋高度、面积、材质结构的统计主要依靠大量实地调研人员通过现场走访和测量进行实测，或者通过卫星图像进行人工勾勒，统计数据极为困难。因此，基于倾斜摄影单体化技术的建筑物单体化分析是当前工程核心技术方向之一。
倾斜摄影的三维建模因其高效率、高真实感、低生产成本的优势，已成为大规模大场景三维重建的重要手段。然而，由于倾斜摄影数据生产过程限制和其数据协议壁垒，导致倾斜摄影模型是一张表面覆盖了高分影像的连续的没有属性信息的TIN三角网，数据中的地表对象无法单独选中操作和管理，属性查询、空间查询以及专题图制作等GIS操作都无法实施，降低了模型数据的价值和实用性。
当前倾斜摄影的单体化技术主要分为以下三类：
(1)基于动态单体化、ID单体化和切割单体化的三维单体化技术。其中，ID单体化技术是在倾斜模型生成过程中，通过人工的手段对模型属性附加和区域框选，从而使生成的模型在使用时可被选中、查询；动态单体化和切割单体化均为数据生产之后人工通过区域框选、三维裁剪等手段，实现对倾斜摄影模型中个体分割，从而进一步实现个体属性的计算和查询。然而，三维单体化技术需要大量的人工参与，重复劳动多、效率低下且错误率高，无法对兴趣个体进行自主分割和属性计算。
(2)基于二维正射影像的人工智能单体化技术。这类方法在面对地物边界模糊、建筑物密集、建筑物尺寸变化较大等复杂场景时，存在分类效果较差、难以区分地面和建筑物、难以识别密集建筑群中单个建筑物、无法获取建筑物三维属性信息等问题；这类方法不能有效利用三维结构信息，如房屋只能提取屋檐顶部面积，不能提取屋底面积；房屋高度信息无法获取；水泥屋顶和水泥地面特征相近时、难以区分，且传统算法对于农村区域密集杂乱的房屋，会出现成片的分割识别、难以单体化。
(3)基于三维点云的人工智能单体化技术。目前涌现了RandLA-Net等适用大场景下的点云语义分割，但目前受技术发展的限制，三维语义分割精度要低于二维影像语义分割精度，该类方法对城市规则建筑适用性尚可，对库区、农村区域鲁棒性差。大场景下的三维点云语义分割算法精度低，建筑物单体化效果差。
CN109492606A《多光谱矢量图获取方法及***、三维单体化方法及***》利用深度学习对遥感影像识别，提取了各个地物的矢量轮廓图，但是遥感影像通常精度较低，提取的房屋边缘轮廓只能近似拟合，切割三维倾斜摄影模型时容易带入多余噪声信息，导致单体化精度较低；其通过所得到的轮廓矢量图对倾斜摄影模型进行切割实现了单体化，但其每个地物属性需要单独进行手动录入数据库，并未做到真正的自动单体化。
发明内容
本发明所要解决的技术问题是，针对现有技术不足，提供一种建筑物单体化信息提取方法、计算机装置及存储介质，提高自动单体化的精度。
为解决上述技术问题，本发明所采用的技术方案是：一种建筑物单体化信息提取方法，包括以下步骤：
S1、获取带地理坐标信息的建筑物二维正射影像和对应的三维点云数据；
S2、基于深度学习的实例分割模型获取建筑物在二维正射影像中的大致轮廓面；
S3、将所述大致轮廓面转换成真实地理坐标的轮廓面；
S4、基于步骤S3得到的轮廓面切割所述三维点云数据，得到三维点云集合；
S5、分离和保存所述三维点云集合中存在的多个建筑物，基于建筑物的空间几何结构，对房屋进行精细化处理，提取建筑物的属性信息。
本发明基于二维正射影像和对应的三维点云数据，设计二三维耦合单体化技术手段，实现了建筑物在三维点云模型中高效、精准的定位与单体化。本发明采用了实例分割算法实现建筑物定位及轮廓提取，充分利用了正射影像数据中建筑物轮廓的精细化表征信息，二维实例分割算法的高效、高精度保证了建筑物定位的准确度及轮廓提取的精准度。针对二维正射影像不具有空间结构信息的缺点，本发明采用三维技术手段深度挖掘建筑物二维轮廓面通过坐标映射所获得的建筑物三维点云集合的结构信息，完成三维空间中建筑物的属性解译。本发明考虑了二维数据与三维数据的特性，融合二维与三维技术的优势，实现了建筑物的精准单体化，提高了自动单体化的精度。
步骤S2的具体实现过程包括：
S2.1、将二维正射影像裁剪成大小为M*M的子图像；其中，M为常数；
S2.2、将S2.1中裁剪得到的子图像导入labelme软件，为每张图像附加标签信息，构建建筑物实例分割数据集；基于深度学习框架，构建Mask_Rcnn实例分割模型；
S2.3、利用实例分割数据集对构建的实例分割模型进行训练，得到建筑物实例分割模型；
S2.4、利用建筑物实例分割模型完成对二维正射影像中的所有建筑物的实例分割，得到建筑物的实例分割二值图像；
S2.5、获取建筑物二值图像的轮廓，采用最小矩形法拟合建筑物轮廓，对所述建筑物轮廓进一步等距扩大设定像素，得到建筑物的大致轮廓面，使建筑物完全包络在矩形轮廓面内。
二维实例分割算法可实现二维正摄影像中建筑物区域的精准定位，为后续建筑物点云集合的提取提供良好的数据基础。
步骤S3中，将大致轮廓面像素轮廓坐标(Xpixel,Ypixel)转换成真实地理坐标(Xgeo,Ygeo)的公式为：
Figure BDA0003542758690000031
[Xlt,Rx,0,Yrd,0,Ry]为包含所述大致轮廓面的图像的仿射矩阵，矩阵格式为[左上角像素x坐标，像元在宽度方向上的分辨率，旋转参数，左上角y坐标，旋转参数，像元在高度方向上的分辨率]；所述分辨率单位为m。
上述像素坐标到地理坐标的变换，能够实现二维数据与三维数据间的交互转换，实现二三维技术手段的耦合。
步骤S4的具体实现过程包括：
S4.1、采用动态加载的方式读取所述轮廓面点数据，依据轮廓面点数据加载顺序生成轮廓多边形；
S4.2、提取在轮廓多边形内部的点，得到三维点云集合；
S4.3、计算三维点云集合中最大高度和最小高度的差值，保存高度差大于设定阈值的三维点云集合为单个点云文件。
通过二维手段获取的建筑物轮廓提取对应的建筑物三维点云集合，保证了建筑物三维结构的完整性，为后续属性计算提供了保障。
步骤S5中，分离和保存步骤S4.3所述三维点云集合中存在的多个建筑物的具体实现过程包括：
S5.1、加载三维点云集合，并按照均匀下采样的方式对三维点云集合进行下采样，并计算所述下采样后三维点云集合的法向量集合；
S5.2、基于聚类算法对法向量集合进行聚类分析，得到各个类中心点坐标和带类别标签的点云；
S5.3、基于所述类别标签，对下采样后三维点云集合进行分割，分离不同类别的点云和相同类别中不相邻的点云，并将其分别组成新的点云集合，从而得到建筑物各个构件的三维点云集合；
S5.4、基于SVR算法对各个构件的三维点云集合拟合光滑平面，并根据步骤S5.2聚类所得各个类中心，计算出前、后、左、右、上五个方向距离类中心点最近的光滑平面，将所获得五个方向的光滑平面所包含的点云组成新的规则建筑物点云，即规则点云；
S5.5、基于深度学***面赋予结构类别名称；同时，识别规则点云中的建筑物，得到建筑物的轮廓区域；
S5.6、结合所述建筑物的轮廓区域和结构类别属性，从三维点云集合中分割得到单个建筑物的点云集合并分别保存，实现单个建筑物的物理单体化。
通过聚类将建筑物分成不同构件，可以高效剔除轮廓面提取的点云集合中不属于建筑物部分的干扰点云数据，基于平面拟合及聚类中心的建筑物重组能够实现多个建筑物的准确分离。
步骤S5中，基于建筑物的空间几何结构，对房屋进行精细化处理，提取建筑物的属性信息的具体实现过程包括：
1)基于建筑物结构类别属性，判别出建筑物顶部构件，实现对建筑物顶部形态的识别；计算建筑物最高点和最低点的高度差，得到建筑物高度；根据建筑物结构类别属性，提取建筑物四面墙体构件，拟合四面墙体所围成的二维闭合多边形，基于二维闭合多边形计算出建筑物底面面积；
2)以建筑物的高度、屋顶几何结构和颜色纹理为判断准则，(1)建筑物顶部为人字顶，高度为3-6m,判断为砖木结构，(2)建筑物顶部为平顶，高度为3-9m,判断为砖混结构，(3)建筑物高度9m以上,判断为框架结构，基于建筑物正射影像数据，利用神经网络分类模型获得建筑物屋顶几何结构类别((人字顶、平顶))，结合步骤S5中获得的建筑物高度属性，实现对建筑物的材质类型的识别。
本发明建筑物属性提取利用判断准则，充分结合多维度信息，实现了建筑物属性的准确高效计算。
上述步骤2)中，所述判断准则包括：建筑物顶部为人字顶，高度为3-6m，则判断为砖木结构；建筑物顶部为平顶，高度为3-9m，判断为砖混结构；建筑物高度9m以上,判断为框架结构。
本发明中，判断准则用于神经网络判断的依据，将神经网络预测得到的结果与判断准则对照，符合要求的便是对应材质类型。
作为一个发明构思，本发明还提供了一种计算机装置，包括存储器、处理器及存储在存储器上的计算机程序；所述处理器执行所述计算机程序，以实现本发明所述方法的步骤。
作为一个发明构思，本发明还提供了一种计算机程序产品，包括计算机程序/指令；该计算机程序/指令被处理器执行时实现本发明所述方法的步骤。
作为一个发明构思，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序/指令；所述计算机程序/指令被处理器执行时实现本发明所述方法的步骤。
与现有技术相比，本发明所具有的有益效果为：
(1)本发明突破了对倾斜摄影数据利用的技术瓶颈，实现了对倾斜摄影模型和点云模型中建筑物快速、智能的物理单体化，大幅减低了人工成本，提高了对倾斜摄影数据的利用率，提高了生产效率。
(2)本发明突破了现有单体化技术对建筑物提取时材质无法识别、面积提取困难、高度提取不精确等技术瓶颈，大幅提高了建筑物属性的提取精度，使其结果能够满足工程应用要求。
(3)本发明采用二三维耦合方式自动识别房屋类别，实现了建筑物面积、高度、层数、材质等属性的自动提取及赋值，解决了现有单体化技术需要手动添加属性、流程繁琐的问题。
附图说明
图1为本发明实施例方法流程图；
图2为本发明实施例点云轮廓提取示意图；
图3(a)原始图像；图3(b)为对原始图像进行单体化后的结果图。
具体实施方式
如图1，本发明实施例方法主要包括如下步骤：
S1、获取带地理坐标信息的二维正射影像和对应的三维点云数据。
S2、基于深度学习的实例分割模型获取建筑物在二维正射影像中的大致轮廓面。
S3、将S2的建筑物大致轮廓面转换成真实地理坐标的轮廓面。
S4、基于S3的轮廓面切割三维点云数据，得到三维点云集合(点云模型)，实现建筑物的初步物理单体化。
S5、基于建筑物的单体化模型，消除地面、树木等噪音点，分离和保存S4点云模型可能存在的多个建筑物。
S6、基于建筑物的空间几何结构，对房屋进行精细化处理，提取建筑物的属性信息。
S7、完成基于二三维耦合的建筑物物理单体化。
S1步骤中带地理坐标信息的二维正射影像和对应的三维点云数据是指：二维正射影像中的每个像素点在对应的真实地理坐标信息已知。
S2步骤中基于深度学习的实例分割模型获取建筑物在二维正射影像中的大致轮廓面。基于此模型获取建筑物大致轮廓面其进一步包括：
S2.1、将带建筑物的二维正射影像裁剪成2048×2048的子图像。具体地，本实施例中，基于倾斜摄影模型生成点云数据和正摄影像(DOM)，采用gdal库将DOM切块，使得每块DOM大小为2048*2048。
S2.2、对S2.1中裁剪得到的子图像进行实例分割标注，构建建筑物实例分割数据集。
S2.3、基于pytorch或TensorFlow等深度学习框架，构建Mask_Rcnn实例分割模型。
S2.4、利用S2.2得到的实例分割数据集对S2.3构建的实例分割模型进行训练，得到建筑物实例分割模型。
S2.5、利用S2.4的建筑物实例分割模型完成对S1中带地理坐标信息的二维正射影像待识别区域的所有建筑物进行实例分割，得到建筑物的实例分割二值图像。
S2.6、获取S2.5中得到的建筑物二值图像的轮廓，采用最小矩形法拟合建筑物轮廓，并进一步等距扩大一定像素得到建筑物的大致轮廓面，确保建筑物完全包络在矩形轮廓面内。
S3步骤中建筑物大致轮廓面转换成真实地理坐标的轮廓面，其进一步包括：
S3.1、S1中所述带地理坐标信息的二维正射影像是指二维正射影像的像素地理转换仿射矩阵已知，矩阵格式为[左上角像素x坐标，像元在宽度方向上的分辨率(单位m)，旋转参数，左上角y坐标，旋转参数，像元在高度方向上的分辨率(单位m)]。
S3.2、S26获得的像素轮廓坐标(Xpixel,Ypixel)转换成真实地理坐标(Xgeo,Ygeo)，转换公式如下：
已知每张图像的仿射矩阵为[Xlt,Rx,0,Yrd,0,Ry]，则：
Figure BDA0003542758690000071
依据上述公式，即可得到建筑物的像素大致轮廓面对应的真实地理轮廓面。
步骤S4为基于二维分割轮廓面提取区域内建筑物的方法，其进一步包括：
S4.1采用动态加载的方式读取二维轮廓面点数据，依据轮廓点加载顺序生成轮廓多边形。
S4.2采用open3d提取在轮廓多边形内部的点；
S4.3计算点集中最大高度和最小高度的差值，保存高度差大于1.2m的建筑物体点云为单个点云文件，实现建筑物的初步分割和车辆、小杂物等点云的剔除。
S5为建筑物三维点云去噪和分离技术，并实现了建筑物各个部位的智能提取，解决了密集区域建筑物易连成一片、建筑物与地面难以分离、高建筑物和树木对目标建筑物的遮挡等问题，其进一步包括：
S5.1加载S4.3中分离出的单个建筑物点云集合(简称点集0)，并计算其法向量集合，并按照均匀下采样的方式对点云集合进行下采样得到点集1，点数减少至原点数的50％。
S5.2基于聚类算法(如k-means，mean shift，Random Sample Consensus等)对法向量进行聚类分析，得到各个类中心点坐标和带类别标签的点云。
S5.3基于S5.2中类标签对点云集合进行分割，分离不同类别的点云集合和相同类别中不相邻的点云集合，得到建筑物各个构件的点集。
S5.4基于SVR算法和S5.3中得到的各个构件的点集拟合光滑平面，基于聚类所得各个类中心，计算出前、后、左、右、上五个方向距离类中心点最近的光滑平面，将所获得五个方向的光滑平面所包含的点云组成新的规则建筑物点云(下称规则点云)。
S5.5基于深度学习算法(如pointnet++、RandLa-Net等)识别规则点云的各个面类别，消除地面、树木等噪音信息并给各个光滑面赋予结构类别名称；同时，识别规则点云中的建筑物得到建筑物的轮廓区域。
S5.6结合S5.5中得到的建筑物的轮廓区域和结构类别属性进一步从点集0中分割得到单个建筑物的点云集合并分别保存，实现单个建筑物的物理单体化。
所述S6为建筑物高度、材质结构、建筑物底面面积等属性信息的提取，其进一步包括：
S6.3基于S5中建筑物构件的结构类别属性，判别出建筑物顶部构件，实现对建筑物顶部形态的识别。
S6.4计算建筑物最高点和最低点的高度差，实现对建筑物高度的提取。
S6.5依据建筑物结构类别属性，提取建筑物四面墙体构件，拟合四面墙体所围成的二维闭合多边形，基于二维闭合多边形计算出建筑物底面面积。
S6.6基于房屋的高度、几何结构和颜色纹理实现对建筑物的材质结构的提取。
S6.7整合S6.3到S6.6的识别结果，并以字典的形式保存为文件，实现建筑物属性的保存。
所述S7为整合S6中单个建筑物点云和其所对应的属性信息，并输出结果，实现了建筑物的物理单体化。
以在托巴征地移民项目中的实际应用为例，以下为本发明应用过程的具体实现过程。
S1、基于倾斜摄影模型生成点云数据和正摄影像(DOM)，采用gdal库将DOM切块，使得每块DOM大小为2048*2048；
S2、对切片后的DOM数据进行分离，采用gdal库对DOM进行处理得到RGB图像数据和坐标仿射矩阵；
S3、基于Mask_Rcnn模型对RGB图像进行识别分割，得到建筑物分割掩模(mask)；基于掩模信息对掩模对应的RGB原图进行切割，得到建筑物小图；
S4、基于机器视觉算法分析建筑物小图、提取建筑物边界轮廓，并映射至三维坐标体系；
S5、基于S4结果，分割三维点云模型，并删除高度低于1.2m的建筑物；
S6、分离S5结果中单个建筑物，生成单个建筑物点云集合；
S7、对分割结果进行精细化修正，提取建筑物属性；
S8、结果输出。
进一步的，所述S4具体为：
S4.1、基于opencv库搭建canny算法，并计算对应的建筑物的二值图像；
S4.2、采用最小矩形法拟合建筑物轮廓，基于仿射矩阵计算建筑轮廓的地理坐标并映射至三维点云坐标体系；
进一步的，所述S6具体为：
S6.1加载S5中分离出的单个建筑物点云集合(简称点集0)，并计算其法向量集合，并按照均匀下采样的方式对点云集合进行下采样得到点集1，点数减少至原点数的50％。
S6.2基于Random Sample Consensus算法对法向量进行聚类分析，得到各个类中心点坐标和带类别标签的点云。
S6.3基于S6.2中类标签对点云集合进行分割，分离不同类别的点云集合和相同类别中不相邻的点云集合，得到建筑物各个构件的点集。
S6.4基于SVR算法和S6.3中得到的各个构件的点集拟合光滑平面，并基于聚类所得各个类中心，计算出前、后、左、右、上五个方向距离类中心点最近的光滑平面，将所获得五个方向的光滑平面所包含的点云组成新的规则建筑物点云，即规则点云(下称规则点云)。
S6.5基于深度学习算法Pointnet++识别规则点云的各个面类别，删除点云中地面、树木等地物的点信息并将识别类别赋予各个光滑面；同时，基于z轴压缩计算规则点云中的建筑物的轮廓区域，如图2所示。
S6.6结合S6.5中得到的建筑物的轮廓区域和结构类别属性进一步从点集0中分割得到单个建筑物的点云集合并分别保存，实现单个建筑物的物理单体化。
进一步的，S7具体为：
S7.1基于S6中建筑物构件的识别结果，提取建筑物顶部信息，计算顶部各面的夹角参数，实现对建筑物顶部形态的判断(尖顶、平顶、人字顶等)。
S7.2计算建筑物最高点和最低点的高度差，实现对建筑物高度的提取。
S7.3依据建筑物结构类别属性，提取建筑物四面墙体构件，拟合四面墙体所围成的二维闭合多边形，基于二维闭合多边形计算出建筑物底面面积。
S7.4基于建筑物的高度、几何结构和颜色纹理，结合已知的建筑物材质结构信息图谱，实现对建筑物材质结构的粗略识别。
图3(a)与图3(b)展示了本发明方法对于房屋提取的效果，本发明方法通过二三维耦合手段自动提取房屋高度、层数、面积、材质等属性信息，将识别的房屋轮廓及对应属性信息生成shape面文件，将shape文件覆盖在三维倾斜摄影模型上(图3(a)为原始倾斜摄影模型)，通过点选独栋房屋，即可实现房屋单体属性查询，图3(b)中高亮的房屋即为属性查询。

Claims (10)

1.一种建筑物单体化信息提取方法，其特征在于，包括以下步骤：
S1、获取带地理坐标信息的建筑物二维正射影像和对应的三维点云数据；
S2、基于深度学习的实例分割模型获取建筑物在二维正射影像中的大致轮廓面；
S3、将所述大致轮廓面转换成真实地理坐标的轮廓面；
S4、基于步骤S3得到的轮廓面切割所述三维点云数据，得到三维点云集合；
S5、分离和保存所述三维点云集合中存在的多个建筑物，基于建筑物的空间几何结构，对房屋进行精细化处理，提取建筑物的属性信息。
2.根据权利要求1所述的建筑物单体化信息提取方法，其特征在于，步骤S2的具体实现过程包括：
S2.1、将二维正射影像裁剪成大小为M*M的子图像；其中，M为常数；
S2.2、为S2.1中裁剪得到的每张子图像附加标签信息，构建建筑物实例分割数据集；基于深度学习框架，构建Mask_Rcnn实例分割模型；
S2.3、利用实例分割数据集对构建的Mask_Rcnn实例分割模型进行训练，得到建筑物实例分割模型；
S2.4、利用建筑物实例分割模型完成对二维正射影像中的所有建筑物的实例分割，得到建筑物的实例分割二值图像；
S2.5、获取建筑物二值图像的轮廓，采用最小矩形法拟合建筑物轮廓，对所述建筑物轮廓进一步等距扩大设定像素，得到建筑物的大致轮廓面，使建筑物完全包络在矩形轮廓面内。
3.根据权利要求1所述的建筑物单体化信息提取方法，其特征在于，步骤S3中，将大致轮廓面像素轮廓坐标(Xpixel,Ypixel)转换成真实地理坐标(Xgeo,Ygeo)的公式为：
Figure FDA0003542758680000011
[Xlt,Rx,0,Yrd,0,Ry]为包含所述大致轮廓面的图像的仿射矩阵，矩阵格式为[左上角像素x坐标，像元在宽度方向上的分辨率，旋转参数，左上角y坐标，旋转参数，像元在高度方向上的分辨率]；所述分辨率单位为m。
4.根据权利要求1所述的建筑物单体化信息提取方法，其特征在于，步骤S4的具体实现过程包括：
S4.1、采用动态加载的方式读取所述轮廓面点数据，依据轮廓面点数据加载顺序生成轮廓多边形；
S4.2、提取在轮廓多边形内部的点，得到三维点云集合；
S4.3、计算三维点云集合中最大高度和最小高度的差值，保存高度差大于设定阈值的三维点云集合为单个点云文件。
5.根据权利要求1所述的建筑物单体化信息提取方法，其特征在于，步骤S5中，分离和保存步骤S4.3所述三维点云集合中存在的多个建筑物的具体实现过程包括：
S5.1、加载三维点云集合，并按照均匀下采样的方式对三维点云集合进行下采样，并计算所述下采样后三维点云集合的法向量集合；
S5.2、基于聚类算法对法向量集合进行聚类分析，得到各个类中心点坐标和带类别标签的点云；
S5.3、基于所述类别标签，对下采样后三维点云集合进行分割，分离不同类别的点云和相同类别中不相邻的点云，并将其分别组成新的点云集合，从而得到建筑物各个构件的三维点云集合；
S5.4、基于SVR算法对各个构件的三维点云集合拟合光滑平面，并根据步骤S5.2聚类所得各个类中心，计算出前、后、左、右、上五个方向距离类中心点最近的光滑平面，将所获得五个方向的光滑平面所包含的点云组成新的规则建筑物点云，即规则点云；
S5.5、基于深度学***面赋予结构类别名称；同时，识别规则点云中的建筑物，得到建筑物的轮廓区域；
S5.6、结合所述建筑物的轮廓区域和结构类别属性，从三维点云集合中分割得到单个建筑物的点云集合并分别保存，实现单个建筑物的物理单体化。
6.根据权利要求5所述的建筑物单体化信息提取方法，其特征在于，步骤S5中，基于建筑物的空间几何结构，对房屋进行精细化处理，提取建筑物的属性信息的具体实现过程包括：
1)基于建筑物结构类别属性，判别出建筑物顶部构件，实现对建筑物顶部形态的识别；
计算建筑物最高点和最低点的高度差，得到建筑物高度；
根据建筑物结构类别属性，提取建筑物四面墙体构件，拟合四面墙体所围成的二维闭合多边形，基于二维闭合多边形计算出建筑物底面面积；
2)以建筑物的高度、屋顶几何结构和颜色纹理为判断准则，基于建筑物正射影像数据，利用神经网络分类模型获得建筑物屋顶几何结构类别，结合步骤S5中获得的建筑物高度属性，实现对建筑物的材质类型的识别。
7.根据权利要求6所述的建筑物单体化信息提取方法，其特征在于，步骤2)中，所述判断准则包括：建筑物顶部为人字顶，高度为3-6m，则判断为砖木结构；建筑物顶部为平顶，高度为3-9m，判断为砖混结构；建筑物高度9m以上,判断为框架结构。
8.一种计算机装置，包括存储器、处理器及存储在存储器上的计算机程序；其特征在于，所述处理器执行所述计算机程序，以实现权利要求1～7之一所述方法的步骤。
9.一种计算机程序产品，包括计算机程序/指令；其特征在于，该计算机程序/指令被处理器执行时实现权利要求1～7之一所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序/指令；其特征在于，所述计算机程序/指令被处理器执行时实现权利要求1～7之一所述方法的步骤。
CN202210242113.7A 2022-03-11 2022-03-11 建筑物单体化信息提取方法、计算机装置及存储介质 Pending CN114612488A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210242113.7A CN114612488A (zh) 2022-03-11 2022-03-11 建筑物单体化信息提取方法、计算机装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210242113.7A CN114612488A (zh) 2022-03-11 2022-03-11 建筑物单体化信息提取方法、计算机装置及存储介质

Publications (1)

Publication Number Publication Date
CN114612488A true CN114612488A (zh) 2022-06-10

Family

ID=81863054

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210242113.7A Pending CN114612488A (zh) 2022-03-11 2022-03-11 建筑物单体化信息提取方法、计算机装置及存储介质

Country Status (1)

Country Link
CN (1) CN114612488A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115063551A (zh) * 2022-08-18 2022-09-16 北京山维科技股份有限公司 基于倾斜摄影三维模型生成切片正射影像的方法及装置
CN115082635A (zh) * 2022-08-19 2022-09-20 北京山维科技股份有限公司 一种基于切割倾斜模型实现地理实体多态的方法及***
CN115115806A (zh) * 2022-08-30 2022-09-27 北京飞渡科技有限公司 一种基于单基元解析的屋顶参数化重构方法及***
CN115546455A (zh) * 2022-09-22 2022-12-30 广东国地规划科技股份有限公司 一种三维建筑模型单体化方法、装置及存储介质
CN115564661A (zh) * 2022-07-18 2023-01-03 武汉大势智慧科技有限公司 建筑物玻璃区域立面自动修复方法及***
CN115578643A (zh) * 2022-12-06 2023-01-06 东莞先知大数据有限公司 一种农田区域建筑检测方法、电子设备和存储介质
CN115901621A (zh) * 2022-10-26 2023-04-04 中铁二十局集团第六工程有限公司 一种高层建筑外表面混凝土病害数字化识别方法及***
CN116580160A (zh) * 2023-07-12 2023-08-11 深圳大学 一种建筑物单体分割和结构重建耦合处理方法及相关装置
CN117315184A (zh) * 2023-08-29 2023-12-29 泰瑞数创科技(北京)股份有限公司 一种自动生成建筑物lod1.3模型的方法
CN118097033A (zh) * 2024-04-23 2024-05-28 深圳市其域创新科技有限公司 建筑物单体化的处理方法、装置、计算机设备和存储介质

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115564661A (zh) * 2022-07-18 2023-01-03 武汉大势智慧科技有限公司 建筑物玻璃区域立面自动修复方法及***
CN115564661B (zh) * 2022-07-18 2023-10-10 武汉大势智慧科技有限公司 建筑物玻璃区域立面自动修复方法及***
CN115063551B (zh) * 2022-08-18 2022-11-22 北京山维科技股份有限公司 基于倾斜摄影三维模型生成切片正射影像的方法及装置
CN115063551A (zh) * 2022-08-18 2022-09-16 北京山维科技股份有限公司 基于倾斜摄影三维模型生成切片正射影像的方法及装置
CN115082635A (zh) * 2022-08-19 2022-09-20 北京山维科技股份有限公司 一种基于切割倾斜模型实现地理实体多态的方法及***
CN115115806A (zh) * 2022-08-30 2022-09-27 北京飞渡科技有限公司 一种基于单基元解析的屋顶参数化重构方法及***
CN115546455A (zh) * 2022-09-22 2022-12-30 广东国地规划科技股份有限公司 一种三维建筑模型单体化方法、装置及存储介质
CN115901621A (zh) * 2022-10-26 2023-04-04 中铁二十局集团第六工程有限公司 一种高层建筑外表面混凝土病害数字化识别方法及***
CN115578643A (zh) * 2022-12-06 2023-01-06 东莞先知大数据有限公司 一种农田区域建筑检测方法、电子设备和存储介质
CN115578643B (zh) * 2022-12-06 2023-02-17 东莞先知大数据有限公司 一种农田区域建筑检测方法、电子设备和存储介质
CN116580160A (zh) * 2023-07-12 2023-08-11 深圳大学 一种建筑物单体分割和结构重建耦合处理方法及相关装置
CN116580160B (zh) * 2023-07-12 2023-12-15 深圳大学 一种建筑物单体分割和结构重建耦合处理方法及相关装置
CN117315184A (zh) * 2023-08-29 2023-12-29 泰瑞数创科技(北京)股份有限公司 一种自动生成建筑物lod1.3模型的方法
CN117315184B (zh) * 2023-08-29 2024-03-29 泰瑞数创科技(北京)股份有限公司 一种自动生成建筑物lod1.3模型的方法
CN118097033A (zh) * 2024-04-23 2024-05-28 深圳市其域创新科技有限公司 建筑物单体化的处理方法、装置、计算机设备和存储介质

Similar Documents

Publication Publication Date Title
CN114612488A (zh) 建筑物单体化信息提取方法、计算机装置及存储介质
Rottensteiner et al. The ISPRS benchmark on urban object classification and 3D building reconstruction
CN112070769B (zh) 一种基于dbscan的分层点云分割方法
CN104134234B (zh) 一种全自动的基于单幅图像的三维场景构建方法
CA2657957C (en) Geospatial modeling system providing building roof type identification features and related methods
CN111815776A (zh) 综合机载和车载三维激光点云及街景影像的三维建筑物精细几何重建方法
CN107767382A (zh) 静态三维地图建筑物轮廓线的自动提取方法及***
Matei et al. Building segmentation for densely built urban regions using aerial lidar data
CN116310192A (zh) 一种基于点云的城市级建筑物三维模型单体重建方法
CN110379004B (zh) 一种对倾斜摄影成果进行地物分类及单体化提取的方法
CN111383335B (zh) 一种众筹照片与二维地图结合的建筑物三维建模方法
Galvanin et al. Extraction of building roof contours from LiDAR data using a Markov-random-field-based approach
CN114219819A (zh) 基于正射影像边界检测的倾斜摄影模型单体化方法
CN113192200B (zh) 一种基于空三并行计算算法的城市实景三维模型的构建方法
CN114332134B (zh) 一种基于密集点云的建筑物立面提取方法和装置
CN112307553A (zh) 一种对三维道路模型进行提取与简化的方法
CN112396701A (zh) 卫星图像的处理方法、装置、电子设备和计算机存储介质
CN111325184B (zh) 一种遥感影像智能解译与变化信息检测方法
CN109727255B (zh) 一种建筑物三维模型分割方法
Tian et al. Robust segmentation of building planar features from unorganized point cloud
CN113033386B (zh) 一种基于高分辨率遥感影像的输电线路通道隐患识别方法及***
Forlani et al. Building reconstruction and visualization from lidar data
Chevrier Semiautomatic parametric modelling of the buildings on town scale models
CN113838199B (zh) 一种三维地形生成方法
Namouchi et al. Piecewise horizontal 3d roof reconstruction from aerial lidar

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