CN116580048B - 一种提取房屋倾斜模型上直角房屋的轮廓线的方法及*** - Google Patents

一种提取房屋倾斜模型上直角房屋的轮廓线的方法及*** Download PDF

Info

Publication number
CN116580048B
CN116580048B CN202310847525.8A CN202310847525A CN116580048B CN 116580048 B CN116580048 B CN 116580048B CN 202310847525 A CN202310847525 A CN 202310847525A CN 116580048 B CN116580048 B CN 116580048B
Authority
CN
China
Prior art keywords
point
line segment
model
points
traversing
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.)
Active
Application number
CN202310847525.8A
Other languages
English (en)
Other versions
CN116580048A (zh
Inventor
程晓庆
彭敏才
吴佳盈
陈震
郝星磊
刘利华
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.)
Wuhan Fengling Technology Co ltd
Original Assignee
Wuhan Fengling Technology 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 Wuhan Fengling Technology Co ltd filed Critical Wuhan Fengling Technology Co ltd
Priority to CN202310847525.8A priority Critical patent/CN116580048B/zh
Publication of CN116580048A publication Critical patent/CN116580048A/zh
Application granted granted Critical
Publication of CN116580048B publication Critical patent/CN116580048B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/13—Edge detection
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • 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
    • G06T2207/30—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)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Graphics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供的一种提取房屋倾斜模型上直角房屋的轮廓线的方法及***，倾斜模型由多个三角网格构成，该方法包括：获取倾斜模型上的一个目标点，并基于预设的提点密度内插模型点，形成相应的点集合；基于所述点集合，按照点的邻近性进行聚类分析，生成最佳点簇；基于所述最佳点簇，从倾斜模型中提取出相应高程范围内的模型点云；基于所述模型点云中各点与相邻邻近点之间的相对位置聚类分析，确定所述模型点云中包括的多个目标点云簇；对各所述目标点云簇进行线段拟合以及直角修正，形成线段集合；基于所述线段集合，构建闭合轮廓线。该方法的实施能够提高轮廓提取完整性。

Description

一种提取房屋倾斜模型上直角房屋的轮廓线的方法及***
技术领域
本申请涉及点云数据处理技术领域，具体而言，涉及一种提取房屋倾斜模型上直角房屋的轮廓线的方法及***。
背景技术
随着数字孪生技术的推进，相应研究人员提出了提取细节丰富的城市建筑物实体模型的方法，这一方法也逐渐成为了数字基底构建的基础。为了更好的表示城市实体，生成的实景三维模型需要包含实体的三维立体组成结构以及部件级的语义关系。由于房屋轮廓在城市空间中具有明确的形状、空间位置特征，如何在保证轮廓提取完整性的同时，基于房屋轮廓的形状、空间位置特征自适应的从房屋倾斜模型中提取出闭合轮廓线，是本申请要解决的问题。
发明内容
本申请实施例的目的在基于提供一种提取房屋倾斜模型上直角房屋的轮廓线的方法及***，可以提高轮廓提取完整性。
本申请实施例还提供了一种提取房屋倾斜模型上直角房屋的轮廓线的方法，倾斜模型由多个三角网格构成，包括以下步骤：
S1、获取倾斜模型上的一个目标点，并基于预设的提点密度内插模型点，形成相应的点集合；
S2、基于所述点集合，按照点的邻近性进行聚类分析，生成最佳点簇；
S3、基于所述最佳点簇，从倾斜模型中提取出相应高程范围内的模型点云；
S4、基于所述模型点云中各点与相邻邻近点之间的相对位置聚类分析，确定所述模型点云中包括的多个目标点云簇；
S5、对各所述目标点云簇进行线段拟合以及直角修正，形成线段集合；
S6、基于所述线段集合，构建闭合轮廓线。
第二方面，本申请实施例还提供了一种提取房屋倾斜模型上直角房屋的轮廓线的***，倾斜模型由多个三角网格构成，所述***包括点云提取模块以及轮廓线提取模块，其中：
所述点云提取模块，用于获取倾斜模型上的一个目标点，并基于预设的提点密度内插模型点，形成相应的点集合；
所述点云提取模块，还用于基于所述点集合，按照点的邻近性进行聚类分析，生成最佳点簇；
所述点云提取模块，还用于基于所述最佳点簇，从倾斜模型中提取出相应高程范围内的模型点云；
所述轮廓线提取模块，用于基于所述模型点云中各点与相邻邻近点之间的相对位置聚类分析，确定所述模型点云中包括的多个目标点云簇；
所述轮廓线提取模块，还用于对各所述目标点云簇进行线段拟合以及直角修正，形成线段集合；
所述轮廓线提取模块，还用于基于所述线段集合，构建闭合轮廓线。
第三方面，本申请实施例还提供了一种可读存储介质，所述可读存储介质中包括提取房屋倾斜模型上直角房屋的轮廓线的方法程序，所述提取房屋倾斜模型上直角房屋的轮廓线的方法程序被处理器执行时，实现如上述任一项所述的一种提取房屋倾斜模型上直角房屋的轮廓线的方法的步骤。
由上可知，本申请实施例提供的一种提取房屋倾斜模型上直角房屋的轮廓线的方法、***及可读存储介质，一方面通过内插模型点，截取一定高程范围内的目标网格，并基于预设的提点密度从目标网格中提取出相应的点集合，能够有效分离房屋与地表、植被，保证模型完整性。另一方面，在不完全依赖三角网格的连接性提取单个房屋模型的同时，利用点的邻近型进行聚类分析，能够保证局部连接有效性，避免局部连接不完整影响建模质量。最后，考虑到建模拐角都是直角形的，基于直角化思想的进行直角修正，提高了轮廓提取完整性。
本申请的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种提取房屋倾斜模型上直角房屋的轮廓线的方法的流程图；
图2为房屋倾斜模型示意图；
图3为形成的首尾相连的拓扑房屋轮廓示意图；
图4为三维模型加载房屋轮廓矢量线后形成的示意图；
图5为本申请实施例提供的一种提取房屋倾斜模型上直角房屋的轮廓线的***的结构示意图。
具体实施方式
下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
请参照图1，图1是本申请一些实施例中的一种提取房屋倾斜模型上直角房屋的轮廓线的方法的流程图。倾斜模型由多个三角网格构成，该方法包括以下步骤：
步骤S1，获取倾斜模型上的一个目标点，并基于预设的提点密度内插模型点，形成相应的点集合。
步骤S2，基于所述点集合，按照点的邻近性进行聚类分析，生成最佳点簇。
步骤S3，基于所述最佳点簇，从倾斜模型中提取出相应高程范围内的模型点云。
步骤S4，基于所述模型点云中各点与相邻邻近点之间的相对位置聚类分析，确定所述模型点云中包括的多个目标点云簇。
步骤S5、对各所述目标点云簇进行线段拟合以及直角修正，形成线段集合。
步骤S6，基于所述线段集合，构建闭合轮廓线。
由上可知，本申请公开的一种提取房屋倾斜模型上直角房屋的轮廓线的方法，一方面通过内插模型点，截取一定高程范围内的目标网格，并基于预设的提点密度从目标网格中提取出相应的点集合，能够有效分离房屋与地表、植被，保证模型完整性。另一方面，在不完全依赖三角网格的连接性提取单个房屋模型的同时，利用点的邻近型进行聚类分析，能够保证局部连接有效性，避免局部连接不完整影响建模质量。最后，考虑到建模拐角都是直角形的，基于直角化思想的进行直角修正，提高了轮廓提取完整性。
在其中一个实施例中，步骤S1中，所述基于预设的提点密度内插模型点，形成相应的点集合，包括：
步骤S11，获取倾斜模型涵盖的平面半径、高程半径以及提点密度。
步骤S12，遍历各所述三角网格，遍历过程中，计算遍历网格与所述目标点之间的距离，并在确定距离小于所述平面半径时，将所述遍历网格作为待筛选网格。
步骤S13，在确定相应待筛选网格的高程处于[P.z-h,P.z+h]范围内时，将所述相应待筛选网格作为目标网格，其中，P.z表示所述目标点的高程，h表示模型涵盖的平面半径。
步骤S14，基于所述提点密度从所述目标网格中提取出相应的点集合。
具体的，所述倾斜模型可以参考图2。基于步骤S11~步骤S14需要说明的是，当前实施例中将利用视觉上的连接性，即在模型上连接在一起的三角网格，他们构成同一实体对象的可能性很大，利用三角网格距离上的邻近性，有效提取单个房屋模型。但由于三角网格有的大、有的小、有的疏、有的密，因此，本申请中将按照一定的提点密度内插模型点，之后再根据点的邻近性进行聚类分析，从而分离出房屋实体。
具体在实施的时候，将遍历各所述三角网格，并提取距离目标点的距离小于所述平面半径的所有待筛选网格，将其放入至三角形集合T1中。之后再从三角形集合T1中滤除高程小于P.z-h或大于P.z+h的待筛选网格，剩下的即为需代入至后续步骤的目标网格。最后，对于每个目标网格将按照所述提点密度，从网格内提取出多个点，并以此构建相应的点集合S。
在其中一个实施例中，步骤S2中，所述基于所述点集合，按照点的邻近性进行聚类分析，生成最佳点簇，包括：
步骤S21，基于集合中点的邻近性对所述点集合进行聚类分析，得到多个点簇。
步骤S22，计算各点簇与所述目标点之间的距离，并将距离最小的点簇作为最佳点簇。
具体的，基于步骤S21和步骤S22需要说明的是，当前实施例中将对点集合S进行聚类分析，得到n个点簇Ci（i=1,...,n）。之后，计算各点簇Ci到目标点之间的最近距离，并将距离最小的点簇作为最佳点簇Cr。
在其中一个实施例中，步骤S4中，所述基于所述模型点云中各点与相邻邻近点之间的相对位置聚类分析，确定所述模型点云中包括的多个目标点云簇，包括：
步骤S41，针对所述模型点云中的每个点，获取由多个邻近点构成的邻近点集合。
具体的，针对所述模型点云中的每个点P，将基于与点P最邻近的N个邻近点构建相应的邻近点集合Pset。
步骤S42，计算所述邻近点集合的协方差矩阵，以及所述协方差矩阵的特征值和特征向量。
具体的，协方差矩阵，以及所述协方差矩阵的特征值和特征向量的计算均属于现有技术，当前不作详细说明。
步骤S43，基于所述特征值和特征向量的归一化处理，确定所述邻近点集合中各邻近点的法向量、曲率和半径。
其中，法向量描述了点的方向，曲率描述了点和点集构成平面的偏移程度，半径描述了点P到邻近点集合Pset中点的平均距离。
步骤S44，遍历所述模型点云中的每个点，遍历过程中，从对应的邻近点集合中提取出多个邻近点，并在确定相应邻近点与遍历点之间的相对位置满足预设聚类条件时，将所述相应邻近点与遍历点划分到同一个簇中。
具体的，步骤S44中，所述在确定相应邻近点与遍历点之间的相对位置满足预设聚类条件时，将所述相应邻近点与遍历点划分到同一个簇中，包括：轮廓线提取模块，其中：在确定相应邻近点的法向量和遍历点的法向量均小于预设角度阈值、相应邻近点到聚类平面的距离小于预设距离阈值、相应邻近点到遍历点的距离和遍历点半径的比值小于预设比例阈值时，将所述相应邻近点与遍历点划分到同一个簇中。
在其中一个实施例中，可以对所述模型点云中的每个点按照曲率进行排序，将曲率低的放到前面处理，即把偏离点集所在区域面的点，放在后面处理，优先处理偏移小的点。
步骤S45，遍历结束后，输出多个目标点云簇。
在其中一个实施例中，步骤S5中，所述对各所述目标点云簇进行线段拟合以及直角修正，形成线段集合，包括：
步骤S51，将从各所述目标点云簇中筛选出最长的一条点簇作为基准边，并将所述基准边的法向量投影到XOY平面，得到基准法向量。
具体的，当前步骤中将遍历所有的目标点云簇，并将找到的最长的一条点簇作为基准边，将其法向量投影到XOY平面得到基准法向量normal。
步骤S52，遍历各所述目标点云簇，遍历过程中，将遍历到的点云簇投影到XOY平面，并进行线段拟合，得到投影线段。
具体的，当前实施例中，将遍历所有的目标点云簇，并将每一个点簇投影到XOY平面，通过pcl开源库中的ransac方法进行线段拟合，得到投影线段line。
步骤S53，在确定所述投影线段与所述基准法向量之间的夹角处于(a1,a2)时，将所述投影线段作为无效线段，并进行剔除，其中，a1表示接近0°但大于0°的第一角度，a2表示小于90°且接近90°的第二角度。
步骤S54，反之，则将所述投影线段修正到平行于所述基准法向量，使得两者间夹角等于0°，或，将所述投影线段修正到垂直于所述基准法向量，使得两者间夹角等于90°。
基于步骤S53和步骤S54需要说明的是，由于房屋特性，大部分的建筑拐角都是直角形的，当前实施例中，将基于直角化的思想，判断投影线段line和基准法向量normal的夹角是否处于(a1,a2)之间；若是，则将投影线段line作为无效线段，并进行剔除；若否，则将投影线段line修正到与基准法向量平行，或修正到与基准法向量垂直，以满足房屋特性。
步骤S55，遍历结束后，基于各所述投影线段形成线段集合。
在其中一个实施例中，步骤S6中，所述基于所述线段集合，构建闭合轮廓线，包括：
步骤S61，确定基准点簇，并将所述基准点簇拟合的线段作为开始种子线段，将所述开始种子线段的一个端点作为开始端点，另一端点作为结束端点。
步骤S62，遍历所述线段集合中未标记的线段，遍历过程中，取遍历线段的两个端点和所述开始种子线段的结束端点计算点与点之间的间隔距离。
步骤S63，遍历结束后，将间隔距离最近、且靠近所述结束端点的点作为保留点。
步骤S64，将所述保留点对应的线段标记为新的种子线段，并将所述新的种子线段与所述开始种子线段之间的连接关系记录在预设的连接列表中，其中，将所述保留点作为所述新的种子线段的开始端点。
步骤S65，将所述新的种子线段作为步骤S61中的开始种子线段，并重复执行步骤S61~步骤S64，直到达到预设的迭代结束条件时，基于所述连接列表中记录的各项连接关系，构建闭合轮廓线。
在其中一个实施例中，步骤S65中，所述基于所述连接列表中记录的各项连接关系，构建闭合轮廓线，包括：
步骤S651，基于所述连接列表，在确定两条线段之间的夹角大于或等于预设角度阈值、且不连续时，计算两条线段之间的交点，并将两条线段延长至所述交点处进行线段连接。
具体的，在确定两条线段之间的夹角大于或等于预设角度阈值、且不连续时，将认为这2条线段相交、但不连续。此时，将计算两条线段之间的交点（线段交点的计算方式属于现有技术，当前不作详细说明），并将两条线段分别延长至该交点处，以保证两条线段之间的有效连接。
步骤S652，基于所述连接列表，在确定两条线段之间的夹角小于预设角度阈值时，确定两条线段之间相互平行。
具体的，两条线段若不想交，则必平行。因此，当前实施例中，在确定两条线段之间的夹角小于预设角度阈值时（即步骤651的反例），可以认为这两条线段之间相互平行。此时，需要进一步判断这两条平行线之间是否由于模型质量问题，丢失了部分边缘。
步骤S653，在确定两条第一平行线段之间的间隔距离小于预设距离阈值时，确定两条第一平行线段处于同一水平面，并在确定两条第一平行线段不连续时，在两线段之间进行水平线段连接。
具体的，在确定两条第一平行线段不连续时，将从这两条第一平行线段中选择一条候选线段，并延长所述候选线段，直至该候选线段覆盖了两条第一平行线段中另一线段的区域。
步骤S654，在确定两条第二平行线段之间的间隔距离大于或等于预设距离阈值时，确定两条第二平行线段不重合，并在确定两条第二平行线段不连续时，在两线段之间进行垂直线段连接。
具体的，在确定两条第二平行线段不连续时，将从这两条第二平行线段中选择一个候选点，并沿着候选点做出相应的垂线，其中，该垂线的另一端点将连接到两条第二平行线段中另一线段的连接点。最终，所得的首尾相连的拓扑房屋轮廓可参考图3，将该房屋轮廓矢量线保存后，在三维模型中加载之后的示意图，可参考图4。
在其中一个实施例中，步骤S653中，所述在确定两条第一平行线段不连续时，在两线段之间进行水平线段连接，包括；
步骤S6531，在确定两条第一平行线段不连续时，获取第一目标点集，所述第一目标点集中的各点离两线段的距离均小于预设距离。
具体的，在确定两条第一平行线段不连续时，可以从原始点云中找到离两线段距离小于预设阈值的第一目标点集。
步骤S6532，比较所述第一目标点集中的点距离两线段距离远近，并将两条第一平行线段中靠近点更多的线段作为候选线段，延长所述候选线段直至覆盖两条第一平行线段中另一线段的区域。
具体的，通过比较点集中的点距离两线段距离远近，并将点集中靠近点更多的线段作为候选线段，当前实施例中将基于所述候选线段进行线段连接。
在其中一个实施例中，步骤S654中，所述在确定两条第二平行线段不连续时，在两线段之间进行垂直线段连接，包括：
步骤S6541，在确定两条第二平行线段不连续时，获取第二目标点集，所述第二目标点集中的各点离两线段的距离均小于预设距离。
具体的，在确定两条第二平行线段不连续时，可以从原始点云中找到离两线段距离小于预设阈值的第二目标点集。
步骤S6542，比较所述第二目标点集中的点距离两线段的连接端点的距离远近，并将靠近点更多的端点作为候选点。
具体的，通过比较点集中的点距离两线段的连接端点的距离远近，将靠近点更多的端点作为候选点。
步骤S6543，沿着所述候选点向两条第二平行线段中另一线段作垂线，得到补充线段，以及将所述补充线段的另一端连接到所述另一线段的连接点。
具体的，当前实施例中，将沿着所述候选点作垂线，并基于该垂线进行线段连接，以补充缺失连接部分。
请参考图5，本申请公开的一种提取房屋倾斜模型上直角房屋的轮廓线的***，倾斜模型由多个三角网格构成，所述***包括点云提取模块以及轮廓线提取模块，其中：
所述点云提取模块，用于获取倾斜模型上的一个目标点，并基于预设的提点密度内插模型点，形成相应的点集合。
所述点云提取模块，还用于基于所述点集合，按照点的邻近性进行聚类分析，生成最佳点簇。
所述点云提取模块，还用于基于所述最佳点簇，从倾斜模型中提取出相应高程范围内的模型点云。
所述轮廓线提取模块，用于基于所述模型点云中各点与相邻邻近点之间的相对位置聚类分析，确定所述模型点云中包括的多个目标点云簇。
所述轮廓线提取模块，还用于对各所述目标点云簇进行线段拟合以及直角修正，形成线段集合。
所述轮廓线提取模块，还用于基于所述线段集合，构建闭合轮廓线。
在其中一个实施例中，该***中的各模块还用于执行上述实施例的任一可选的实现方式中的方法。
由上可知，本申请公开的一种提取房屋倾斜模型上直角房屋的轮廓线的***，一方面通过内插模型点，截取一定高程范围内的目标网格，并基于预设的提点密度从目标网格中提取出相应的点集合，能够有效分离房屋与地表、植被，保证模型完整性。另一方面，在不完全依赖三角网格的连接性提取单个房屋模型的同时，利用点的邻近型进行聚类分析，能够保证局部连接有效性，避免局部连接不完整影响建模质量。最后，考虑到建模拐角都是直角形的，基于直角化思想的进行直角修正，提高了轮廓提取完整性。
本申请实施例提供一种可读存储介质，所述计算机程序被处理器执行时，执行上述实施例的任一可选的实现方式中的方法。其中，存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（Static Random AccessMemory, 简称SRAM），电可擦除可编程只读存储器（Electrically Erasable ProgrammableRead-Only Memory, 简称EEPROM），可擦除可编程只读存储器（Erasable ProgrammableRead Only Memory, 简称EPROM），可编程只读存储器（Programmable Read-Only Memory,简称PROM），只读存储器（Read-Only Memory, 简称ROM），磁存储器，快闪存储器，磁盘或光盘。
上述可读存储介质，一方面通过内插模型点，截取一定高程范围内的目标网格，并基于预设的提点密度从目标网格中提取出相应的点集合，能够有效分离房屋与地表、植被，保证模型完整性。另一方面，在不完全依赖三角网格的连接性提取单个房屋模型的同时，利用点的邻近型进行聚类分析，能够保证局部连接有效性，避免局部连接不完整影响建模质量。最后，考虑到建模拐角都是直角形的，基于直角化思想的进行直角修正，提高了轮廓提取完整性。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (5)

1.一种提取房屋倾斜模型上直角房屋的轮廓线的方法，倾斜模型由多个三角网格构成，其特征在于，包括以下步骤：
S1、获取倾斜模型上的一个目标点，并基于预设的提点密度内插模型点，形成相应的点集合；
S2、基于所述点集合，按照点的邻近性进行聚类分析，生成最佳点簇；
S3、基于所述最佳点簇，从倾斜模型中提取出相应高程范围内的模型点云；
S4、基于所述模型点云中各点与相邻邻近点之间的相对位置聚类分析，确定所述模型点云中包括的多个目标点云簇；
S5、对各所述目标点云簇进行线段拟合以及直角修正，形成线段集合；
S6、基于所述线段集合，构建闭合轮廓线；
步骤S1中，所述基于预设的提点密度内插模型点，形成相应的点集合，包括：
S11、获取倾斜模型涵盖的平面半径、高程半径以及提点密度；
S12、遍历各所述三角网格，遍历过程中，计算遍历网格与所述目标点之间的距离，并在确定距离小于所述平面半径时，将所述遍历网格作为待筛选网格；
S13、在确定相应待筛选网格的高程处于[P.z-h,P.z+h]范围内时，将所述相应待筛选网格作为目标网格，其中，P.z表示所述目标点的高程，h表示模型涵盖的平面半径；
S14、基于所述提点密度从所述目标网格中提取出相应的点集合；
步骤S2中，所述基于所述点集合，按照点的邻近性进行聚类分析，生成最佳点簇，包括：
S21、基于集合中点的邻近性对所述点集合进行聚类分析，得到多个点簇；
S22、计算各点簇与所述目标点之间的距离，并将距离最小的点簇作为最佳点簇；
步骤S4中，所述基于所述模型点云中各点与相邻邻近点之间的相对位置聚类分析，确定所述模型点云中包括的多个目标点云簇，包括：
S41、针对所述模型点云中的每个点，获取由多个邻近点构成的邻近点集合；
S42、计算所述邻近点集合的协方差矩阵，以及所述协方差矩阵的特征值和特征向量；
S43、基于所述特征值和特征向量的归一化处理，确定所述邻近点集合中各邻近点的法向量、曲率和半径；
S44、遍历所述模型点云中的每个点，遍历过程中，从对应的邻近点集合中提取出多个邻近点，并在确定相应邻近点与遍历点之间的相对位置满足预设聚类条件时，将所述相应邻近点与遍历点划分到同一个簇中；
S45、遍历结束后，输出多个目标点云簇；
步骤S44中，所述在确定相应邻近点与遍历点之间的相对位置满足预设聚类条件时，将所述相应邻近点与遍历点划分到同一个簇中，包括：
轮廓线提取模块，其中：在确定相应邻近点的法向量和遍历点的法向量均小于预设角度阈值、相应邻近点到聚类平面的距离小于预设距离阈值、相应邻近点到遍历点的距离和遍历点半径的比值小于预设比例阈值时，将所述相应邻近点与遍历点划分到同一个簇中；
对所述模型点云中的每个点按照曲率进行排序，将曲率低的放到前面处理；
步骤S5中，所述对各所述目标点云簇进行线段拟合以及直角修正，形成线段集合，包括：
S51、将从各所述目标点云簇中筛选出最长的一条点簇作为基准边，并将所述基准边的法向量投影到XOY平面，得到基准法向量；
S52、遍历各所述目标点云簇，遍历过程中，将遍历到的点云簇投影到XOY平面，并进行线段拟合，得到投影线段；
S53、在确定所述投影线段与所述基准法向量之间的夹角处于(a1,a2)时，将所述投影线段作为无效线段，并进行剔除，其中，a1表示接近0°但大于0°的第一角度，a2表示小于90°且接近90°的第二角度；
S54、反之，则将所述投影线段修正到平行于所述基准法向量，使得两者间夹角等于0°，或，将所述投影线段修正到垂直于所述基准法向量，使得两者间夹角等于90°；
S55、遍历结束后，基于各所述投影线段形成线段集合。
2.根据权利要求1所述的方法，其特征在于，步骤S6中，所述基于所述线段集合，构建闭合轮廓线，包括：
S61、确定基准点簇，并将所述基准点簇拟合的线段作为开始种子线段，将所述开始种子线段的一个端点作为开始端点，另一端点作为结束端点；
S62、遍历所述线段集合中未标记的线段，遍历过程中，取遍历线段的两个端点和所述开始种子线段的结束端点计算点与点之间的间隔距离；
S63、遍历结束后，将间隔距离最近、且靠近所述结束端点的点作为保留点；
S64、将所述保留点对应的线段标记为新的种子线段，并将所述新的种子线段与所述开始种子线段之间的连接关系记录在预设的连接列表中，其中，将所述保留点作为所述新的种子线段的开始端点；
S65、将所述新的种子线段作为步骤S61中的开始种子线段，并重复执行步骤S61~步骤S64，直到达到预设的迭代结束条件时，基于所述连接列表中记录的各项连接关系，构建闭合轮廓线。
3.根据权利要求2所述的方法，其特征在于，步骤S65中，所述基于所述连接列表中记录的各项连接关系，构建闭合轮廓线，包括：
S651、基于所述连接列表，在确定两条线段之间的夹角大于或等于预设角度阈值、且不连续时，计算两条线段之间的交点，并将两条线段延长至所述交点处进行线段连接；
S652、基于所述连接列表，在确定两条线段之间的夹角小于预设角度阈值时，确定两条线段之间相互平行；
S653、在确定两条第一平行线段之间的间隔距离小于预设距离阈值时，确定两条第一平行线段处于同一水平面，并在确定两条第一平行线段不连续时，在两线段之间进行水平线段连接；
S654、在确定两条第二平行线段之间的间隔距离大于或等于预设距离阈值时，确定两条第二平行线段不重合，并在确定两条第二平行线段不连续时，在两线段之间进行垂直线段连接。
4.根据权利要求3所述的方法，其特征在于，步骤S653中，所述在确定两条第一平行线段不连续时，在两线段之间进行水平线段连接，包括；
S6531、在确定两条第一平行线段不连续时，获取第一目标点集，所述第一目标点集中的各点离两线段的距离均小于预设距离；
S6532、比较所述第一目标点集中的点距离两线段距离远近，并将两条第一平行线段中靠近点更多的线段作为候选线段，延长所述候选线段直至覆盖两条第一平行线段中另一线段的区域；
步骤S654中，所述在确定两条第二平行线段不连续时，在两线段之间进行垂直线段连接，包括：
S6541、在确定两条第二平行线段不连续时，获取第二目标点集，所述第二目标点集中的各点离两线段的距离均小于预设距离；
S6542、比较所述第二目标点集中的点距离两线段的连接端点的距离远近，并将靠近点更多的端点作为候选点；
S6543、沿着所述候选点向两条第二平行线段中另一线段作垂线，得到补充线段，以及将所述补充线段的另一端连接到所述另一线段的连接点。
5.一种提取房屋倾斜模型上直角房屋的轮廓线的***，倾斜模型由多个三角网格构成，其特征在于，所述***包括点云提取模块以及轮廓线提取模块，其中：
所述点云提取模块，用于获取倾斜模型上的一个目标点，并基于预设的提点密度内插模型点，形成相应的点集合；
所述点云提取模块，还用于基于所述点集合，按照点的邻近性进行聚类分析，生成最佳点簇；
所述点云提取模块，还用于基于所述最佳点簇，从倾斜模型中提取出相应高程范围内的模型点云；
所述轮廓线提取模块，用于基于所述模型点云中各点与相邻邻近点之间的相对位置聚类分析，确定所述模型点云中包括的多个目标点云簇；
所述轮廓线提取模块，还用于对各所述目标点云簇进行线段拟合以及直角修正，形成线段集合；
所述轮廓线提取模块，还用于基于所述线段集合，构建闭合轮廓线；
所述点云提取模块基于预设的提点密度内插模型点，形成相应的点集合的具体实现为：
获取倾斜模型涵盖的平面半径、高程半径以及提点密度；
遍历各所述三角网格，遍历过程中，计算遍历网格与所述目标点之间的距离，并在确定距离小于所述平面半径时，将所述遍历网格作为待筛选网格；
在确定相应待筛选网格的高程处于[P.z-h,P.z+h]范围内时，将所述相应待筛选网格作为目标网格，其中，P.z表示所述目标点的高程，h表示模型涵盖的平面半径；
基于所述提点密度从所述目标网格中提取出相应的点集合；
所述点云提取模块基于所述点集合，按照点的邻近性进行聚类分析，生成最佳点簇的具体实现为：
基于集合中点的邻近性对所述点集合进行聚类分析，得到多个点簇；
计算各点簇与所述目标点之间的距离，并将距离最小的点簇作为最佳点簇；
所述轮廓线提取模块基于所述模型点云中各点与相邻邻近点之间的相对位置聚类分析，确定所述模型点云中包括的多个目标点云簇的具体实现为：
针对所述模型点云中的每个点，获取由多个邻近点构成的邻近点集合；
计算所述邻近点集合的协方差矩阵，以及所述协方差矩阵的特征值和特征向量；
基于所述特征值和特征向量的归一化处理，确定所述邻近点集合中各邻近点的法向量、曲率和半径；
遍历所述模型点云中的每个点，遍历过程中，从对应的邻近点集合中提取出多个邻近点，并在确定相应邻近点与遍历点之间的相对位置满足预设聚类条件时，将所述相应邻近点与遍历点划分到同一个簇中；
遍历结束后，输出多个目标点云簇；
所述在确定相应邻近点与遍历点之间的相对位置满足预设聚类条件时，将所述相应邻近点与遍历点划分到同一个簇中的具体实现为：
轮廓线提取模块，其中：在确定相应邻近点的法向量和遍历点的法向量均小于预设角度阈值、相应邻近点到聚类平面的距离小于预设距离阈值、相应邻近点到遍历点的距离和遍历点半径的比值小于预设比例阈值时，将所述相应邻近点与遍历点划分到同一个簇中；
对所述模型点云中的每个点按照曲率进行排序，将曲率低的放到前面处理；
所述轮廓线提取模块对各所述目标点云簇进行线段拟合以及直角修正，形成线段集合，包括：
将从各所述目标点云簇中筛选出最长的一条点簇作为基准边，并将所述基准边的法向量投影到XOY平面，得到基准法向量；
遍历各所述目标点云簇，遍历过程中，将遍历到的点云簇投影到XOY平面，并进行线段拟合，得到投影线段；
在确定所述投影线段与所述基准法向量之间的夹角处于(a1,a2)时，将所述投影线段作为无效线段，并进行剔除，其中，a1表示接近0°但大于0°的第一角度，a2表示小于90°且接近90°的第二角度；
反之，则将所述投影线段修正到平行于所述基准法向量，使得两者间夹角等于0°，或，将所述投影线段修正到垂直于所述基准法向量，使得两者间夹角等于90°；
遍历结束后，基于各所述投影线段形成线段集合。
CN202310847525.8A 2023-07-12 2023-07-12 一种提取房屋倾斜模型上直角房屋的轮廓线的方法及*** Active CN116580048B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310847525.8A CN116580048B (zh) 2023-07-12 2023-07-12 一种提取房屋倾斜模型上直角房屋的轮廓线的方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310847525.8A CN116580048B (zh) 2023-07-12 2023-07-12 一种提取房屋倾斜模型上直角房屋的轮廓线的方法及***

Publications (2)

Publication Number Publication Date
CN116580048A CN116580048A (zh) 2023-08-11
CN116580048B true CN116580048B (zh) 2023-09-26

Family

ID=87545609

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310847525.8A Active CN116580048B (zh) 2023-07-12 2023-07-12 一种提取房屋倾斜模型上直角房屋的轮廓线的方法及***

Country Status (1)

Country Link
CN (1) CN116580048B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117173424B (zh) * 2023-11-01 2024-01-26 武汉追月信息技术有限公司 一种点云坡面边缘线识别方法、***及可读存储介质
CN117274535B (zh) * 2023-11-22 2024-02-02 北京飞渡科技股份有限公司 基于点云密度重构实景三维模型的方法、装置及电子设备

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001312716A (ja) * 2000-04-28 2001-11-09 Nec Corp Ｄｅｍ平滑化装置およびｄｅｍ平滑化方法
CN101726255A (zh) * 2008-10-24 2010-06-09 中国科学院光电研究院 从三维激光点云数据中提取感兴趣建筑物的方法
CN106097311A (zh) * 2016-05-31 2016-11-09 中国科学院遥感与数字地球研究所 机载激光雷达数据的建筑物三维重建方法
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
CN109146990A (zh) * 2018-08-08 2019-01-04 广州市城市规划勘测设计研究院 一种建筑轮廓的计算方法
CN109919237A (zh) * 2019-03-13 2019-06-21 武汉海达数云技术有限公司 点云处理方法及装置
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***
CN111508074A (zh) * 2020-03-12 2020-08-07 浙江工业大学 一种基于屋顶轮廓线的三维建筑模型简化方法
CN114332291A (zh) * 2021-12-21 2022-04-12 武汉大势智慧科技有限公司 一种倾斜摄影模型建筑物外轮廓规则提取方法
CN114419085A (zh) * 2022-01-19 2022-04-29 中煤航测遥感集团有限公司 建筑物轮廓线自动提取方法、装置、终端设备及存储介质
CN114429530A (zh) * 2022-04-06 2022-05-03 武汉峰岭科技有限公司 自动提取建筑物三维模型的方法、***、存储介质及设备
CN114913146A (zh) * 2022-05-11 2022-08-16 山东省国土测绘院 基于房屋角点的倾斜点云平面精度计算方法及***
CN115049925A (zh) * 2022-06-07 2022-09-13 中国电建集团中南勘测设计研究院有限公司 田块田坎提取方法、电子设备及存储介质
CN115063557A (zh) * 2022-08-18 2022-09-16 北京山维科技股份有限公司 一种基于倾斜模型的建筑物智能提取方法及装置
CN115131231A (zh) * 2022-06-02 2022-09-30 山东科技大学 辅以多特征聚类的复杂地形区点云层次滤波方法
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***
CN115525951A (zh) * 2022-09-28 2022-12-27 土豆数据科技集团有限公司 建筑物轮廓优化及特征边重构的规则化方法及装置
WO2023273339A1 (zh) * 2021-06-30 2023-01-05 广东三维家信息科技有限公司 一种三维模型简化方法、装置及存储介质
CN116051771A (zh) * 2023-02-07 2023-05-02 江西慧航工程咨询有限公司 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

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101667290B (zh) * 2008-09-05 2012-12-19 鸿富锦精密工业（深圳）有限公司 特征元素拟合方法及其计算机***
US20140237430A1 (en) * 2013-02-21 2014-08-21 Pictometry International Corp. System and process for roof measurement using aerial imagery
US9613388B2 (en) * 2014-01-24 2017-04-04 Here Global B.V. Methods, apparatuses and computer program products for three dimensional segmentation and textured modeling of photogrammetry surface meshes
CA3030513A1 (en) * 2018-01-19 2019-07-19 Sofdesk Inc. Automated roof surface measurement from combined aerial lidar data and imagery

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001312716A (ja) * 2000-04-28 2001-11-09 Nec Corp Ｄｅｍ平滑化装置およびｄｅｍ平滑化方法
CN101726255A (zh) * 2008-10-24 2010-06-09 中国科学院光电研究院 从三维激光点云数据中提取感兴趣建筑物的方法
CN106097311A (zh) * 2016-05-31 2016-11-09 中国科学院遥感与数字地球研究所 机载激光雷达数据的建筑物三维重建方法
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
CN109146990A (zh) * 2018-08-08 2019-01-04 广州市城市规划勘测设计研究院 一种建筑轮廓的计算方法
CN109919237A (zh) * 2019-03-13 2019-06-21 武汉海达数云技术有限公司 点云处理方法及装置
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***
CN111508074A (zh) * 2020-03-12 2020-08-07 浙江工业大学 一种基于屋顶轮廓线的三维建筑模型简化方法
WO2023273339A1 (zh) * 2021-06-30 2023-01-05 广东三维家信息科技有限公司 一种三维模型简化方法、装置及存储介质
CN114332291A (zh) * 2021-12-21 2022-04-12 武汉大势智慧科技有限公司 一种倾斜摄影模型建筑物外轮廓规则提取方法
CN114419085A (zh) * 2022-01-19 2022-04-29 中煤航测遥感集团有限公司 建筑物轮廓线自动提取方法、装置、终端设备及存储介质
CN114429530A (zh) * 2022-04-06 2022-05-03 武汉峰岭科技有限公司 自动提取建筑物三维模型的方法、***、存储介质及设备
CN114913146A (zh) * 2022-05-11 2022-08-16 山东省国土测绘院 基于房屋角点的倾斜点云平面精度计算方法及***
CN115131231A (zh) * 2022-06-02 2022-09-30 山东科技大学 辅以多特征聚类的复杂地形区点云层次滤波方法
CN115049925A (zh) * 2022-06-07 2022-09-13 中国电建集团中南勘测设计研究院有限公司 田块田坎提取方法、电子设备及存储介质
CN115063557A (zh) * 2022-08-18 2022-09-16 北京山维科技股份有限公司 一种基于倾斜模型的建筑物智能提取方法及装置
CN115525951A (zh) * 2022-09-28 2022-12-27 土豆数据科技集团有限公司 建筑物轮廓优化及特征边重构的规则化方法及装置
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***
CN116051771A (zh) * 2023-02-07 2023-05-02 江西慧航工程咨询有限公司 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

Also Published As

Publication number Publication date
CN116580048A (zh) 2023-08-11

Similar Documents

Publication Publication Date Title
CN116580048B (zh) 一种提取房屋倾斜模型上直角房屋的轮廓线的方法及***
CN111932688B (zh) 一种基于三维点云的室内平面要素提取方法、***及设备
CN111508074B (zh) 一种基于屋顶轮廓线的三维建筑模型简化方法
CN110363861B (zh) 基于激光雷达点云的田地作物三维重构方法
CN110246092B (zh) 一种顾及邻域点均值距离和斜率的三维激光点云去噪方法
CN110222642B (zh) 一种基于全局图聚类的平面建筑构件点云轮廓提取方法
WO2018098891A1 (zh) 一种立体匹配方法及***
CN111667574B (zh) 从倾斜摄影模型自动重建建筑物规则立面三维模型的方法
CN112115534A (zh) 一种将三维房屋模型转换带高度属性的二维矢量面的方法
CN115222625A (zh) 一种基于多尺度噪声的激光雷达点云去噪方法
CN115797592B (zh) 一种基于倾斜摄影三维模型自动生成建筑物体块的方法和装置
CN113538264B (zh) 一种点云数据的去噪方法、装置及存储介质
CN108154516A (zh) 面向封闭空间的点云拓扑分割方法及装置
CN114202632A (zh) 网格线性结构恢复方法、装置、电子设备及存储介质
CN112396133A (zh) 基于多尺度空间的城市区域空地一体融合点云分类方法
CN113409332A (zh) 一种基于三维点云的建筑物平面分割方法
CN109035405B (zh) 一种基于预测-校正模型的网格简化方法
CN113643444A (zh) 一种基于坡度补偿的渐进加密三角网点云滤波方法
CN116363319B (zh) 一种建筑物屋顶的建模方法、建模装置、设备及介质
CN116071530B (zh) 一种基于机载激光点云的建筑物屋***化分割方法
CN117274517A (zh) 基于三维模型的城市建筑物轻量化体框模型的生成方法
CN111582156A (zh) 一种基于倾斜摄影城市三维模型的高大植被提取方法
GB2597238A (en) A computer implemented method of generating a parametric structural design model
CN115661398A (zh) 一种用于实景三维模型的建筑物提取方法、装置及设备
WO2011085437A1 (en) Extraction processes

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