CN116310192A - 一种基于点云的城市级建筑物三维模型单体重建方法 - Google Patents
一种基于点云的城市级建筑物三维模型单体重建方法 Download PDFInfo
- Publication number
- CN116310192A CN116310192A CN202211701380.2A CN202211701380A CN116310192A CN 116310192 A CN116310192 A CN 116310192A CN 202211701380 A CN202211701380 A CN 202211701380A CN 116310192 A CN116310192 A CN 116310192A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- building
- point
- data
- points
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 239000000178 monomer Substances 0.000 title claims abstract description 24
- 238000013507 mapping Methods 0.000 claims abstract description 42
- 230000002093 peripheral effect Effects 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims description 13
- 230000001788 irregular Effects 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 12
- 238000013519 translation Methods 0.000 claims description 8
- 230000000877 morphologic effect Effects 0.000 claims description 7
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 2
- 230000037430 deletion Effects 0.000 claims description 2
- 238000012805 post-processing Methods 0.000 claims 1
- 238000010276 construction Methods 0.000 description 10
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000000750 progressive effect Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000010421 standard material Substances 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- 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
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/02—Affine transformations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明涉及一种基于点云的城市级建筑物三维模型单体重建方法,包括:获取LiDAR点云数据和影像数据,建立点云数据和影像数据的三维空间映射关系,将点云数据和影像数据进行配准,之后将影像数据的颜色信息赋予点云数据;基于地理单元对点云数据进行单元划分,并建立每个单元数据的索引文件;将点云划分地面点云和非地面点云,从非地面点云利用高度阈值获取初始建筑物点云;结合可见光波段差异植被指数和回波特征对初始建筑物点云进行精提取;分割建筑物屋顶面,提取建筑物***轮廓线,完成建筑物三维模型重建。本发明的方法能够实现城市区域大范围建筑物三维模型单体快速重建以及建筑物模型单体的对象化管理。
Description
技术领域
本发明属于自然资源行业、实景三维中国建设的城市级建筑物三维模型单体重建技术领域,具体涉及海量激光点云、城市级地理场景、建筑物三维模型单体等内容,具有自动建模、快速重建、批量处理等特点。
背景技术
建筑物三维模型单体数据作为国家新型基础设施建设的重要组成部分,在实景三维中国建设、自然资源管理、经济社会发展等方面都具有广泛的应用,建筑物三维单体重建技术已成为摄影测量、遥感以及计算机视觉等领域的研究热点。随着城市不断更新和信息技术快速发展,城市管理越来越趋于精细化,对城市级场景建筑物三维模型单体的快速自动构建技术提出了更高要求。
目前,获取城市级场景建筑物三维模型主要采用倾斜摄影技术,同时从垂直倾斜等不同角度航摄采集影像数据,结合POS(定位定姿***)数据等进行三维建模。基于倾斜摄影技术的三维建模属于区域建模,生成的三维模型是整个区域连续、不规则的数字表面模型,模型上各地理要素具有“一张皮”的特点,不能有效对各地理对象进行单独管理,缺少可视化定制和对象信息查询分析等功能,无法对场景内建筑物三维模型进行较好的管理与应用,需要进一步进行建筑物单体化重建才能充分利用三维数据优势。在智慧城市建设中需要高精度建筑物三维建模,来突出建筑物的特征和细节,这对建筑物三维可视化和重建提出了更高的要求。目前基于倾斜摄影的建筑物单体化模型构建研究内容主要是对整体场景三维模型进行物理切割,从中分离不同的地物单体对象。该方法存在预处理时间长、模型效果较差、锯齿感明显等问题。获取的三维模型精细化程度低,无法应用于城市级场景建筑物三维模型单体构建。
近年来,国内外学者针对建筑物三维模型单体构建,开展了大量的相关研究工作,取得了较多成果,但是研究对象一直局限于小范围且相对简单的建筑物,且许多重建工作需要人工或者人机交互实现,未能实现城市级场景建筑物快速自动化提取与高LOD(多细节层次)级别建筑物精细三维模型构建,无法满足智慧城市发展要求。因此,对于城市场景高精度自动化建筑物三维模型单体重建技术在应用方面一直很有需求。
发明内容
本发明的目的在于针对上述现有技术存在的问题,基于影像和机载LiDAR点云,提供一种基于点云的城市级建筑物三维模型单体重建方法,为智慧城市的精细化管理、科学化决策、立体化应用提供建筑物三维精细模型数据,具有重要的应用价值。
为实现上述技术目的,本发明采用如下技术方案:
基于点云的城市级建筑物三维模型单体重建方法,包括:
获取LiDAR点云数据和影像数据,建立点云数据和影像数据的三维空间映射关系,将点云数据和影像数据配准,将影像数据的颜色信息赋予点云数据;
基于地理单元对点云数据进行单元划分,并建立每个单元数据的索引文件;
将点云划分地面点云和非地面点云,从非地面点云中提取高度大于预设高度阈值的点云,将其中相邻且几何属性相似的点云合并作为目标区域,以点云面积、高差阈值、强度信息和建筑物边界点云高于地面作为约束条件过滤目标区域,获取初始建筑物点云;
结合可见光波段差异植被指数和回波特征对初始建筑物点云进行精提取,去除植被;
分割建筑物屋顶面,提取建筑物***轮廓线,利用正交约束规则对获得的建筑物***轮廓线进行规则化处理,并结合影像数据辅助判断建筑物边界,获得多层次建筑物最终轮廓线,将点云中的高程信息赋予所述多层次建筑物最终轮廓线,完成建筑物三维模型重建。
作为一种优选的实施方式,所述方法还包括,先对点云数据进行规范化处理,包括:
粗差点去除:将某一点的高程值与给定范围内各点的高程值比较,如果明显低于其他点,则分离该点并中值滤波处理去除粗差点;
孤立点去除:以某一点为中心基于设定的三维半径搜索临近点,如果点数少于指定值,则判断该点为孤立点并去除。
作为一种优选的实施方式,所述点云数据和影像数据配准的方式为:
将点云数据和影像数据的坐标***一,基于坐标匹配法进行数据配准,在点云数据与影像数据之间构建仿射变换模型,建立对应关系。
作为一种优选的实施方式,将影像数据的颜色信息赋予点云数据的方式为:
根据点云数据和影像数据的三维空间映射关系,获取点云位置所在影像像素点信息,将将影像的颜色信息赋予该点云。
作为一种优选的实施方式,所述将点云划分为地面点云和非地面点云的方式为:
通过形态学开运算获取初始地面点云并进行格网划分,选取格网最低点作为生成起始不规则三角网的种子点;基于种子点进行区域生长,将区域生长结果作为三角网滤波的基础数据,将点云中满足预设阈值条件的点添加到已构成的不规则三角网中,对不规则三角网进行迭代加密,直至遍历完所有的点,将原始的点云数据分为地面点和非地面点。
作为一种优选的实施方式,在去除植被后,对提取结果进行面积约束和孔洞填充后处理,包括:
如果某一检测的建筑物对象面积小于预设面积阈值,则认定其为噪声并去除;如果建筑物孔洞局部半径小于预设半径阈值,则采用数学形态学运算进行孔洞填充。
作为一种优选的实施方式,所述建筑物屋顶面的分割方式为:
S1随机选取一个点,利用kd树建立索引,查找以该点为原点半径r范围内的所有点并采用最小二乘法拟合,如果拟合结果大于预设的拟合阈值,则重新选取点建立索引,重复S1直至拟合结果小于或等于预设的拟合阈值,根据此时的拟合结果确定平面参数的初始值;
S2随机选择三个点并计算平面方程,根据点到平面的距离统计满足距离阈值的点云数目,重复执行若干次,保存点云数目最大的结果作为最佳平面,进一步得到多个相对独立的建筑物顶面点云。
作为一种优选的实施方式,提取建筑物***轮廓线的方式为:
基于建筑物屋顶面坐标建立二维坐标点集,点集中任意两点定义一个半径为α的圆,根据点集构建Delaunay三角网,对三角网中三角形的每条边进行判断:
若三角形中某条边的长度大于2*α,则删除该三角形;
若过某条边的两点且半径为α的圆包含其他点,则删除该三角形;
完成上述删除判断后,在所得到的三角网上求出三角网的边缘即得到建筑物顶面轮廓线。
作为一种优选的实施方式,所述方法还包括:完成建筑物三维模型重建后,对建筑物三维模型进行纹理贴图,包括:
屋顶面纹理贴图:将三维模型与点云同期的高分辨率影像进行空间匹配后进行纹理贴图;
侧立面纹理贴图:统计建筑物轮廓线各线段的角度,划分为正交两个方向,计算两个方向上所有线段的长度和,将线段较长的方向标识为前后墙方向,另一个方向标识为山墙方向,基于方向区别选用不同纹理贴图。
作为一种优选的实施方式,所述屋顶面纹理贴图包括:
获取单个面片的空间三维信息,计算面片的坐标范围信息并获取面片对应的影像,通过空间配对组的形式进行存储,作为纹理贴图的输入数据;
获取面片对应影像的实际范围和中心点坐标,获取面片的相关节点的坐标信息,根据影像坐标对面片统一进行减法平移操作,使面片的XY最大坐标差在±1000以内;
根据面片和其对应的影像信息进行纹理映射,完成纹理贴图;
对面片统一进行加法平移操作,使得面片的空间坐标还原到原始坐标信息。
本发明的方法具有如下有益效果:
(1)能够实现城市区域大范围建筑物三维模型单体快速重建,提高工作效率;
(2)能够实现建筑物三维模型单体全流程自动化构建,大幅降低人工成本;
(3)能够实现建筑物顶部细节的三维重建,充分发挥点云数据优势,拓宽应用面;
(4)能够实现建筑物模型单体的对象化管理,为自然资源、智慧城市、数字孪生的精细化管理、科学化决策、立体化应用提供数据和技术支撑。
附图说明
图1是本发明方法的流程图。
具体实施方式
本发明总体思路如图1。首先获取LiDAR点云数据和影像数据,对点云数据进行去噪、数据配准,采用地理单元进行点云单元划分和索引建立,融合形态学、区域生长与渐进加密不规则三角网滤波算法将点云划分为地面点云和非地面点云;计算点云面积、高差阈值和回波信息、可见光差异植被指数等实现渐进式建筑物分类提取;基于建筑物屋顶点云进行面片检测、轮廓线提取和三维重建,利用正射影像和标准纹理对建筑物进行纹理贴图,并接入相关属性信息,实现模型三维单体化重建和对象化管理。
(1)数据获取和预处理
获取城市区域的点云和影像数据,并对数据进行预处理,主要包括点云规范化、空间配准赋值、点云单元划分、地面点云获取等步骤。
1)点云规范化
机载LIDAR点云数据获取过程中,由于空中飞鸟、激光多路径效应以及扫描***误差等原因,会引起不必要的点云异常噪点,需要对其进行规范化处理。
规范化处理主要包括粗差点和孤立点去除。粗差点的去除通过将某一个点的高程值与给定范围内每一个点的高程值相比较,如果中心点云数据的高程值明显低于其他点云数据的高程值,这个点就被分离出来,并结合中值滤波处理去除粗差点。采用孤立点噪声去除算法,以点为中心以一定的三维半径搜索临近点,如果点数少于指定的点,则就判断为孤立点,进而去除孤立点。
2)空间配准赋值
空间配准赋值主要是为了将影像的光谱信息赋予点云数据。分为两步,一是点云影像空间配准,首先将点云和影像数据的坐标系进行统一,通过点云与影像之间构建仿射变换模型,建立对应关系,从而实现点云与影像数据之间的配准;二是点云赋值:根据空间映射关系,获取点云位置所在的影像像素点信息后,将影像的颜色信息赋予该点云数据,构建三维立体点云城市场景。
空间配准赋值后的点云数据,所含信息将从四维(X,Y,Z,I)增加到七维(X,Y,Z,I,R,G,B)。其中,(X,Y,Z)为点云的三维坐标,I为点云的回波强度值,(R,G,B)则为光谱信息值。
点云赋值的具体过程是:在数据配准后,根据空间映射关系,获取点云位置所在的影像像素点信息,将影像的颜色信息赋予该点云数据。赋值后的点云数据,将从四维(X,Y,Z,I)增加到七维(X,Y,Z,I,R,G,B)。其中,(X,Y,Z)为点云的三维坐标,I为点云的回波强度值,(R,G,B)则为光谱信息值。
3)点云单元划分
因点云数据量庞大,常用的规则格网方法进行点云分块,会存在建筑物割裂不完整的情况。采用地理单元如街区、主次干道对点云进行单元划分,在保留原始点云数据精度和建筑物完整性的前提下,能够减少实时处理数据量。为便于后续的动态调度和对象管理,把按单元划分后数据和地理单元进行存储,同时建立单元数据索引文件,后续点云使用的动态调度和管理均基于单元划分数据的索引进行。
4)有效点云划分
一般采用渐进加密不规则三角网滤波算法实现地面点云和非地面点云的分离,该方法对地形的适应性较好,但因其以每个格网中最低的一个激光点为地面种子点,导致地面种子点数量较少,对低矮建筑去除效果较差。本文融合形态学、区域生长与渐进加密不规则三角网滤波算法实现地面点云的获取:首先通过形态学开运算进行初始地面点云的获取,对初始点云进行格网划分,选取格网最低点作为生成起始TIN (不规则三角网)的种子点;基于初始种子点进行区域生长,将区域生长结果作为三角网滤波的基础数据,将点云中满足特定阈值条件的点添加到已构成的TIN中,对TIN进行不断迭代加密。该方法地面种子点是通过形态开放操作获得的,而不是使用定义的网格中的最低点,同时在渐进不规则三角网加密算法中融合了区域生长,有利于地面点云的精确获取;具体算法步骤如下:
①使用形态学开运算获得初始地面种子点;
②基于初始种子点,将其划分成单位间距规则格网a米×a米,该格网的大小a基于该区域的最大建筑物尺寸;
③寻找每个格网中的最低点作为初始的种子点,使用这些初始的种子点生成一个稀疏的不规则三角网TIN;
④通过融合区域生长的思想,对初始TIN点云进行区域生长,将初始TIN中的点元素p邻域U(p,a) = {x|p-a<x<p+a}内满足阈值t的点直接添加到地形当中,对TIN进行初次的加密,减少后续工作量;
③在区域生长结果的基础上,将满足条件的点不断的加入对TIN加密,在加密过程中,通过判断若一个点到最近三角面的垂直距离以及该点到最近顶点连线与三角面的最大夹角小于设定的阈值,则将该点加入地面点集合,接着重新计算TIN,然后再对非地面点集合内的点进行判别。如此迭代处理逐层加密,直到遍历完所有的点,将原始的点云数据分为地面点和非地面点。
(2)渐进式建筑物分类提取
非地面点云中包含兴趣目标地物(建筑物)及其余特征地物(植被、汽车、道桥等),对数据进行分析后可得建筑物高度一般不低于3米,建筑物在高度上与高植被接近,建筑物顶部多为形状规则的一个或多个平面。故可通过设置高度阈值将非地面点分为较低点与较高点,其中较高点包含了建筑物屋顶点,然后利用点云面积、高差阈值和回波信息进行建筑物点云粗提取,接着采用可见光差异植被指数将错分进建筑物中的植被进行剔除并进行后处理优化,得到最终建筑物精确点云。渐进式分类提取主要是建筑物粗提取、建筑物精提取。
1) 建筑物粗提取
首先,在点云滤波的基础上,通过设置高度阈值将非地面点分为较低点与较高点,其中较高点包含了建筑物屋顶点。通过对较高点云做连通性分析,将相邻并且几何属性相似的点云合并,构建新的目标区域,将点云的面积、高差阈值、强度信息和建筑物边界点云应高于地面作为约束条件,对目标区域点云过滤,得到初始建筑物点云。
2) 建筑物精提取
建筑物周围的高大植被,由于其高度和建筑物高度比较相似,并且两者常存在空间上的相邻情况,利用简单的高度阈值方法,难以将二者进行分离。采用VDVI(可见光波段差异植被指数),计算公式采用:VDVI=(2×G – R - B)/(2×G + R+ B),式中,R、G、B分别表示影像的红、绿、蓝波段的灰度值。
当激光脉冲照射到植被时,会产生两次或多次回波,但建筑物仅有一次回波。因此,结合VDVI特征和回波特征将粗提取建筑物点云中的植被进行分类去除。
建筑物提取结果一般会包含较多细小噪声和孔洞等,故对其进行面积约束和孔洞填充后处理。建筑物均具有一定的面积,且同一建筑物的像素点之间是连通的平面,因而可通过设置适当的面积阈值s,若某一检测的建筑物对象面积小于s,则该被认为是噪声去除。若建筑物孔洞局部半径小于r,则采用数学形态学运算对孔洞进行填充,得到建筑物精确点云。
(3)建筑物三维单体重建
建筑物三维单体重建包括点云建筑物三维模型重建、纹理贴图和生产三维产品。
1)建筑物三维模型单体重建
由于机载点云获取方式是从空中获取,所以建筑物顶部信息丰富,故可通过重建建筑物顶部的三维信息,然后结合建筑物的轮廓、高程等信息将整个建筑物进行三维重建。具体步骤包括建筑物屋顶面分割和建筑物***轮廓线获取。
建筑物屋顶面分割:首先随机选取一个点P,采用拓扑关系建立算法kd树(k-dimensional树的简称)建立索引,然后查找以P点r半径以内的点,将查找到的所有点采用最小二乘法来拟合,若拟合结果大于所设置的阈值,说明以P点r半径范围内的点云分布不规律,差异较大,在同一平面的概率较小,舍弃该点P,重复选取,直至根据拟合的结果来确定平面参数的初始值。
在此基础上,随机选择三个点并计算由他们决定的平面方程参数,然后根据点到该平面的距离,统计满足距离阈值的点云数目,如此重复执行若干次,每次的结果和上一次比较,保存点云数目最大的结果作为最佳结果,得到的就是最佳平面。从而得到根据所有P点计算得到的多个相对独立的建筑物顶面点云。
建筑物***轮廓线获取:将建筑物屋顶面坐标构成二维坐标点集S,S点集中任意两点定义一个半径为α的圆,当α足够大的时候,将不会有点能够进入到根据这两点定义的圆,此时两点即为建筑物***轮廓的一条线段,所有满足条件的线段组成的就是建筑物***轮廓线。将点集S构建Delaunay三角网,对三角形的每条边进行判断,构建Delaunay三角网方法可以极大地降低Alpha-Shape算法的时间复杂度,获得更准确的建筑物边缘,并有效克服传统Alpha-shapes算法提取的轮廓边缘锯齿状现象,正确率、完整率、质量也均优于传统Alpha-shapes算法。
Delaunay三角网可以看作为多个三角形,取其中一个三角形,若三角形中某条边的长度大于2倍α,说明两点距离太远,无法构建满足要求的圆,则删除该三角形。若过某条边的两点且半径为α的圆包含其他点,说明两点并非为***轮廓点,则删除该三角形。删除上述不符合要求的三角形边,在所得到的三角网上求出三角网的边缘即得到建筑物顶面轮廓线。利用正交约束规则对获得的建筑物轮廓线进行规则化处理,同时结合影像进行建筑物边界的辅助判断,获得多层次建筑物最终轮廓线,并将点云中的高程信息赋予建筑物轮廓线,实现建筑物的三维模型重建。
2)建筑物模型纹理精准映射重烘培
建筑物三维模型主要包括建筑物的屋顶面、侧立面。由于屋顶面对应的实际建筑部件有屋脊、顶部平台及附属建筑物,易导致顶面纹理贴图工作量大和纹理贴图不对应,为实现纹理贴图高效自动化,真实反映建筑信息,在对屋顶面进行精准映射时,需将三维模型与点云同期的高分辨率影像进行空间匹配,减少烘焙纹理文件大小,加快纹理烘焙速度。在对侧立面进行映射时,通过统计建筑物轮廓线各线段的角度,划分为正交两个方向,并计算两个方向上所有线段的长度和,标识较长的方向为前后墙方向,另一个方向标识为山墙方向,采用不同的纹理映射方式和贴图。
具体步骤如下:
①面片遍历拆分:由于顶面的图形由法线各异的面片集合组成,通过对面片的遍历和拆分,获取单个面片的空间三维信息,计算面片的坐标范围信息,通过栅格空间数据裁切和转换技术获取面片对应的影像信息,通过空间配对组的形式进行存储,作为纹理贴图的输入数据。
②面片坐标优化:当面片的三维坐标存在大数值时,易导致纹理映射UV偏差过大,纹理文件易超出单个纹理文件最大存储容量,引起纹理贴图失败,需对面片的坐标信息进行平移转换,通过读取对应影像的实际范围,获取影像的中心点坐标,读取面片的相关节点的坐标信息,统一进行减法平移操作,使得面片的XY最大坐标差在±1000以内,平移操作完毕后进行存储。
③纹理智能映射:智能映射的目的是优化三维空间信息文件,压缩数据占用空间,将三维模型设置为UV空间体系可编辑状态,批量新建空纹理图形模版,导入面片对应的影像文件,设置材质生成着色器自动获取的烘焙贴图的名称、镜面反射度等参数变量,利用智能拆分UV算法对面片图形进行UV智能展开,利用Cycles渲染器进行UV着色与渲染,并烘焙成小而精的纹理贴图,最终将模型添加绑定新纹理贴图,贴图完毕后,将完成纹理贴图的三维数据进行存储。
④面片空间重定位:将模型的面片坐标信息进行还原,通过读取对应影像的实际范围,获取影像的中心点坐标,读取面片的相关节点的坐标信息,统一进行加法平移操作,使得面片的空间坐标还原到原始坐标信息。
⑤侧立面山墙优化贴图:统计建筑物轮廓线各线段的角度,划分为正交两个方向,并计算两个方向上所有线段的长度和,线段较长的方向标识为前后墙方向,另一个方向标识为山墙方向,自动选取不同类型标准材质纹理对侧立面进行纹理贴图,最终完成建筑物模型纹理贴图。
3)输出三维模型单体成果
通过动态挂接相关属性信息,实现模型对象化管理,并根据应用需求输出不同数据格式的三维模型单体成果。
通过读取三维模型数据的顶点坐标、纹理对应坐标、顶点法向量、面等信息,可以输出OBJ文件(Wavefront公司的标准3D模型文件)、MTL文件(标准材质库文件),同时也包含材质涉及的贴图图片文件。
通过读取三维模型数据的顶点坐标、纹理对应坐标、顶点法向量、面等信息,可以输出FBX文件(Autodesk公司跨平台的三维创作与交换格式)。
根据三维模型跨平台、网络和移动应用服务需求,获取模型数据的几何、纹理、属性信息,同时获取所有模型单元的最小包围盒在地理场景空间下的分布情况,按照地物模型的多细节层次组织规则,按照固定压缩比对远景粗细节层次模型的三角面几何进行压缩,使用烘焙技术将中景至远景模型纹理替换为低分辨率单一纹理,创建层次目录树,生成符合OGC 3DTiles规范的三维模型瓦片集,可发布成服务,提供可视化、可交互的三维地理信息。
Claims (10)
1.基于点云的城市级建筑物三维模型单体重建方法,其特征在于,包括:
获取LiDAR点云数据和影像数据,建立点云数据和影像数据的三维空间映射关系,将点云数据和影像数据配准,将影像数据的颜色信息赋予点云数据;
基于地理单元对点云数据进行单元划分,并建立每个单元数据的索引文件;
将点云划分地面点云和非地面点云,从非地面点云中提取高度大于预设高度阈值的点云,将其中相邻且几何属性相似的点云合并作为目标区域,以点云面积、高差阈值、强度信息和建筑物边界点云高于地面作为约束条件过滤目标区域,获取初始建筑物点云;
结合可见光波段差异植被指数和回波特征对初始建筑物点云进行精提取,去除植被;
分割建筑物屋顶面,提取建筑物***轮廓线,利用正交约束规则对获得的建筑物***轮廓线进行规则化处理,并结合影像数据辅助判断建筑物边界,获得多层次建筑物最终轮廓线,将点云中的高程信息赋予所述多层次建筑物最终轮廓线,完成建筑物三维模型重建。
2.根据权利要求1所述的方法,其特征在于,还包括,先对点云数据进行规范化处理,包括:
粗差点去除:将某一点的高程值与给定范围内各点的高程值比较,如果明显低于其他点,则分离该点并中值滤波处理去除粗差点;
孤立点去除:以某一点为中心基于设定的三维半径搜索临近点,如果点数少于指定值,则判断该点为孤立点并去除。
3.根据权利要求1所述的方法,其特征在于,所述点云数据和影像数据配准的方式为:
将点云数据和影像数据的坐标***一,基于坐标匹配法进行数据配准,在点云数据与影像数据之间构建仿射变换模型,建立对应关系。
4.根据权利要求1所述的方法,其特征在于,将影像数据的颜色信息赋予点云数据的方式为:
根据点云数据和影像数据的三维空间映射关系,获取点云位置所在影像像素点信息,将将影像的颜色信息赋予该点云。
5.根据权利要求1所述的方法,其特征在于,所述将点云划分为地面点云和非地面点云的方式为:
通过形态学开运算获取初始地面点云并进行格网划分,选取格网最低点作为生成起始不规则三角网的种子点;基于种子点进行区域生长,将区域生长结果作为三角网滤波的基础数据,将点云中满足预设阈值条件的点添加到已构成的不规则三角网中,对不规则三角网进行迭代加密,直至遍历完所有的点,将原始的点云数据分为地面点和非地面点。
6.根据权利要求1所述的方法,其特征在于,在去除植被后,对提取结果进行面积约束和孔洞填充后处理,包括:
如果某一检测的建筑物对象面积小于预设面积阈值,则认定其为噪声并去除;如果建筑物孔洞局部半径小于预设半径阈值,则采用数学形态学运算进行孔洞填充。
7.根据权利要求1所述的方法,其特征在于,所述建筑物屋顶面的分割方式为:
S1随机选取一个点,利用kd树建立索引,查找以该点为原点半径r范围内的所有点并采用最小二乘法拟合,如果拟合结果大于预设的拟合阈值,则重新选取点建立索引,重复S1直至拟合结果小于或等于预设的拟合阈值,根据此时的拟合结果确定平面参数的初始值;
S2随机选择三个点并计算平面方程,根据点到平面的距离统计满足距离阈值的点云数目,重复执行若干次,保存点云数目最大的结果作为最佳平面,进一步得到多个相对独立的建筑物顶面点云。
8.根据权利要求1所述的方法,其特征在于,提取建筑物***轮廓线的方式为:
基于建筑物屋顶面坐标建立二维坐标点集,点集中任意两点定义一个半径为α的圆,根据点集构建Delaunay三角网,对三角网中三角形的每条边进行判断:
若三角形中某条边的长度大于2*α,则删除该三角形;
若过某条边的两点且半径为α的圆包含其他点,则删除该三角形;
完成上述删除判断后,在所得到的三角网上求出三角网的边缘即得到建筑物顶面轮廓线。
9.根据权利要求1所述的方法,其特征在于,还包括:完成建筑物三维模型重建后,对建筑物三维模型进行纹理贴图,包括:
屋顶面纹理贴图:将三维模型与点云同期的高分辨率影像进行空间匹配后进行纹理贴图;
侧立面纹理贴图:统计建筑物轮廓线各线段的角度,划分为正交两个方向,计算两个方向上所有线段的长度和,将线段较长的方向标识为前后墙方向,另一个方向标识为山墙方向,基于方向区别选用不同纹理贴图。
10.根据权利要求9所述的方法,其特征在于,所述屋顶面纹理贴图包括:
获取单个面片的空间三维信息,计算面片的坐标范围信息并获取面片对应的影像,通过空间配对组的形式进行存储,作为纹理贴图的输入数据;
获取面片对应影像的实际范围和中心点坐标,获取面片的相关节点的坐标信息,根据影像坐标对面片统一进行减法平移操作,使面片的XY最大坐标差在±1000以内;
根据面片和其对应的影像信息进行纹理映射,完成纹理贴图;
对面片统一进行加法平移操作,使得面片的空间坐标还原到原始坐标信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211701380.2A CN116310192A (zh) | 2022-12-28 | 2022-12-28 | 一种基于点云的城市级建筑物三维模型单体重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211701380.2A CN116310192A (zh) | 2022-12-28 | 2022-12-28 | 一种基于点云的城市级建筑物三维模型单体重建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116310192A true CN116310192A (zh) | 2023-06-23 |
Family
ID=86812033
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211701380.2A Pending CN116310192A (zh) | 2022-12-28 | 2022-12-28 | 一种基于点云的城市级建筑物三维模型单体重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116310192A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN116628828A (zh) * | 2023-07-24 | 2023-08-22 | 中建安装集团黄河建设有限公司 | 一种大型建筑物拆除点确定方法、介质及*** |
CN116844068A (zh) * | 2023-09-01 | 2023-10-03 | 山东省地质矿产勘查开发局第五地质大队(山东省第五地质矿产勘查院) | 建筑测绘方法、***、计算机设备及存储介质 |
CN116882031A (zh) * | 2023-09-01 | 2023-10-13 | 临沂大学 | 一种基于点云的建筑模型构建方法及*** |
CN116958476A (zh) * | 2023-07-31 | 2023-10-27 | 深圳嘉瑞建设信息科技有限公司 | 一种基于bim数据的建筑物可视化建模方法及*** |
CN116993923A (zh) * | 2023-09-22 | 2023-11-03 | 长沙能川信息科技有限公司 | 换流站三维模型制作方法、***、计算机设备和存储介质 |
CN117058152A (zh) * | 2023-10-13 | 2023-11-14 | 山东德丰重工有限公司 | 基于点云数据的装配式建筑构建质量智能检测方法 |
CN117078873A (zh) * | 2023-07-19 | 2023-11-17 | 达州市斑马工业设计有限公司 | 一种三维高精度地图生成方法、***及云平台 |
CN117351406A (zh) * | 2023-12-06 | 2024-01-05 | 武汉蓝海科创技术有限公司 | 基于图像识别技术的专家远程视觉辅助赋能*** |
CN117710603A (zh) * | 2024-02-04 | 2024-03-15 | 东华理工大学南昌校区 | 一种直线几何结构约束下无人机图像三维建筑物建模方法 |
CN117710893A (zh) * | 2023-12-25 | 2024-03-15 | 上海盛煌智能科技有限公司 | 一种多维度数字画像智慧校园数字化*** |
CN117808981A (zh) * | 2023-12-25 | 2024-04-02 | 北京市市政工程设计研究总院有限公司 | 数字高程模型构建方法 |
CN118097046A (zh) * | 2024-01-30 | 2024-05-28 | 江苏海洋大学 | 一种基于密集匹配点云特征的城市建筑物三维模型重建方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102103202A (zh) * | 2010-12-01 | 2011-06-22 | 武汉大学 | 一种融合影像的机载激光雷达数据半监督分类方法 |
CN106157373A (zh) * | 2016-07-27 | 2016-11-23 | 中测高科(北京)测绘工程技术有限责任公司 | 一种建筑物三维模型构建方法及*** |
CN106570468A (zh) * | 2016-10-25 | 2017-04-19 | 中国人民解放军空军工程大学 | 一种重建LiDAR原始点云建筑物轮廓线的方法 |
CN110570428A (zh) * | 2019-08-09 | 2019-12-13 | 浙江合信地理信息技术有限公司 | 一种从大规模影像密集匹配点云分割建筑物屋顶面片的方法及*** |
WO2019242174A1 (zh) * | 2018-06-21 | 2019-12-26 | 华南理工大学 | 基于激光雷达的建筑结构自动测量及3d模型生成方法 |
CN112802041A (zh) * | 2021-02-05 | 2021-05-14 | 北京工业大学 | 一种基于改进的Alpha Shapes算法的地面激光点云建筑物轮廓线提取方法 |
-
2022
- 2022-12-28 CN CN202211701380.2A patent/CN116310192A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102103202A (zh) * | 2010-12-01 | 2011-06-22 | 武汉大学 | 一种融合影像的机载激光雷达数据半监督分类方法 |
CN106157373A (zh) * | 2016-07-27 | 2016-11-23 | 中测高科(北京)测绘工程技术有限责任公司 | 一种建筑物三维模型构建方法及*** |
CN106570468A (zh) * | 2016-10-25 | 2017-04-19 | 中国人民解放军空军工程大学 | 一种重建LiDAR原始点云建筑物轮廓线的方法 |
WO2019242174A1 (zh) * | 2018-06-21 | 2019-12-26 | 华南理工大学 | 基于激光雷达的建筑结构自动测量及3d模型生成方法 |
CN110570428A (zh) * | 2019-08-09 | 2019-12-13 | 浙江合信地理信息技术有限公司 | 一种从大规模影像密集匹配点云分割建筑物屋顶面片的方法及*** |
CN112802041A (zh) * | 2021-02-05 | 2021-05-14 | 北京工业大学 | 一种基于改进的Alpha Shapes算法的地面激光点云建筑物轮廓线提取方法 |
Non-Patent Citations (3)
Title |
---|
LIQIANG ZHANG 等: "Large-scale urban point cloud labeling and reconstruction", 《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》, vol. 138, 30 April 2018 (2018-04-30), pages 86 - 100 * |
XINXIANGWANGZHI_: "点云地面滤波--一种改进的渐进式不规则三角网加密地面滤波算法", 《HTTP://BLOG.CSDN.NET/XINXIANGWANGZHI_/ARTICLE/DETAILS/127484898》, pages 1 - 5 * |
*** 等: "基于遥感影像与点云数据的建筑物三维重建技术研究", 《中国博士学位论文全文数据库 基础科技辑(月刊) 自然地理学和测绘学》, no. 06, pages 008 - 33 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN117078873A (zh) * | 2023-07-19 | 2023-11-17 | 达州市斑马工业设计有限公司 | 一种三维高精度地图生成方法、***及云平台 |
CN116628828A (zh) * | 2023-07-24 | 2023-08-22 | 中建安装集团黄河建设有限公司 | 一种大型建筑物拆除点确定方法、介质及*** |
CN116628828B (zh) * | 2023-07-24 | 2023-09-26 | 中建安装集团黄河建设有限公司 | 一种大型建筑物拆除点确定方法、介质及*** |
CN116958476A (zh) * | 2023-07-31 | 2023-10-27 | 深圳嘉瑞建设信息科技有限公司 | 一种基于bim数据的建筑物可视化建模方法及*** |
CN116958476B (zh) * | 2023-07-31 | 2024-03-15 | 深圳嘉瑞建设信息科技有限公司 | 一种基于bim数据的建筑物可视化建模方法及*** |
CN116882031B (zh) * | 2023-09-01 | 2023-11-17 | 临沂大学 | 一种基于点云的建筑模型构建方法及*** |
CN116882031A (zh) * | 2023-09-01 | 2023-10-13 | 临沂大学 | 一种基于点云的建筑模型构建方法及*** |
CN116844068A (zh) * | 2023-09-01 | 2023-10-03 | 山东省地质矿产勘查开发局第五地质大队(山东省第五地质矿产勘查院) | 建筑测绘方法、***、计算机设备及存储介质 |
CN116844068B (zh) * | 2023-09-01 | 2023-12-26 | 山东省地质矿产勘查开发局第五地质大队(山东省第五地质矿产勘查院) | 建筑测绘方法、***、计算机设备及存储介质 |
CN116993923A (zh) * | 2023-09-22 | 2023-11-03 | 长沙能川信息科技有限公司 | 换流站三维模型制作方法、***、计算机设备和存储介质 |
CN116993923B (zh) * | 2023-09-22 | 2023-12-26 | 长沙能川信息科技有限公司 | 换流站三维模型制作方法、***、计算机设备和存储介质 |
CN117058152B (zh) * | 2023-10-13 | 2024-01-09 | 山东德丰重工有限公司 | 基于点云数据的装配式建筑构建质量智能检测方法 |
CN117058152A (zh) * | 2023-10-13 | 2023-11-14 | 山东德丰重工有限公司 | 基于点云数据的装配式建筑构建质量智能检测方法 |
CN117351406A (zh) * | 2023-12-06 | 2024-01-05 | 武汉蓝海科创技术有限公司 | 基于图像识别技术的专家远程视觉辅助赋能*** |
CN117710893A (zh) * | 2023-12-25 | 2024-03-15 | 上海盛煌智能科技有限公司 | 一种多维度数字画像智慧校园数字化*** |
CN117808981A (zh) * | 2023-12-25 | 2024-04-02 | 北京市市政工程设计研究总院有限公司 | 数字高程模型构建方法 |
CN117710893B (zh) * | 2023-12-25 | 2024-05-10 | 上海盛煌智能科技有限公司 | 一种多维度数字画像智慧校园数字化*** |
CN118097046A (zh) * | 2024-01-30 | 2024-05-28 | 江苏海洋大学 | 一种基于密集匹配点云特征的城市建筑物三维模型重建方法 |
CN117710603A (zh) * | 2024-02-04 | 2024-03-15 | 东华理工大学南昌校区 | 一种直线几何结构约束下无人机图像三维建筑物建模方法 |
CN117710603B (zh) * | 2024-02-04 | 2024-04-30 | 东华理工大学南昌校区 | 一种直线几何结构约束下无人机图像三维建筑物建模方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN110111414B (zh) | 一种基于三维激光点云的正射影像生成方法 | |
CN112595258B (zh) | 基于地面激光点云的地物轮廓提取方法 | |
CN113706698B (zh) | 实景三维道路重建方法及装置、存储介质、电子设备 | |
CN113034689B (zh) | 基于激光点云的地形三维模型及地形图构建方法和***、存储介质 | |
CN114332366B (zh) | 数字城市单体房屋点云立面3d特征提取方法 | |
CN106529469B (zh) | 基于自适应坡度的无人机载LiDAR点云滤波方法 | |
CN109242862B (zh) | 一种实时的数字表面模型生成方法 | |
Xu et al. | Reconstruction of scaffolds from a photogrammetric point cloud of construction sites using a novel 3D local feature descriptor | |
Ramiya et al. | Segmentation based building detection approach from LiDAR point cloud | |
LU102117B1 (en) | Method and system for measuring mountain view visible area in city | |
CN109900338B (zh) | 一种路面坑槽体积测量方法及装置 | |
CN108171780A (zh) | 一种基于激光雷达构建室内真实三维地图的方法 | |
CN112396128B (zh) | 一种铁路外部环境风险源样本自动标注方法 | |
CN105513127A (zh) | 基于密度峰值聚类的杆状物规则化三维建模方法及*** | |
CN105354883A (zh) | 基于点云的3ds Max快速精细三维建模方法及*** | |
CN114612488A (zh) | 建筑物单体化信息提取方法、计算机装置及存储介质 | |
CN111784840B (zh) | 基于矢量数据自动分割lod层级三维数据单体化方法及*** | |
CN114926602B (zh) | 基于三维点云的建筑物单体化方法及*** | |
Karsli et al. | Automatic building extraction from very high-resolution image and LiDAR data with SVM algorithm | |
CN113763529B (zh) | 一种基于三维扫描的变电站建模方法 | |
CN111754618A (zh) | 一种面向对象的实景三维模型多层次解译方法及*** | |
CN112527916A (zh) | 一种基于遥感影像的网格可视化定义与智能特征分析方法 | |
CN114511546A (zh) | 基于dbscan聚类和四象限的激光点云林木胸径获取方法 | |
CN111895907B (zh) | 一种电塔点云提取方法、***及设备 |
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 |