CN116895022A - 基于点云数据处理的建筑物边界提取方法 - Google Patents
基于点云数据处理的建筑物边界提取方法 Download PDFInfo
- Publication number
- CN116895022A CN116895022A CN202311159406.XA CN202311159406A CN116895022A CN 116895022 A CN116895022 A CN 116895022A CN 202311159406 A CN202311159406 A CN 202311159406A CN 116895022 A CN116895022 A CN 116895022A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- building
- boundary
- image
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 40
- 238000000605 extraction Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000004891 communication Methods 0.000 claims description 18
- 238000013507 mapping Methods 0.000 claims description 10
- 230000036544 posture Effects 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 238000007621 cluster analysis Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了基于点云数据处理的建筑物边界提取方法包括：获取指定区域内的初始点云数据，对所述初始点云数据进行预处理，得到目标点云数据，根据所述目标点云数据建立区域特征图像，对所述区域特征图像进行二值化处理，获取处理后的区域特征图像中包含的边缘线条，根据所述边缘线条绘制所述指定区域的建筑物轮廓，根据所述建筑物轮廓，确定所述指定区域内建筑物的边界，生成边界统计信息传输到指定终端进行显示，通过利用点云数据具有的可量测性来分析建筑物的边界，可以通过点云数据来呈现不同建筑物的外观，提高了建筑物边界的信息提取准确性。
Description
技术领域
本发明涉及外边界提取方法技术领域，特别涉及基于点云数据处理的建筑物边界提取方法。
背景技术
建筑物是城市场景中人造物体的主要类型。随着城市规划、智慧城市和建筑信息模型的不断发展，这些领域对建筑物结构信息及其特征的需求越来越大，要求也越来越高，精确的建筑物提取在许多应用中起着至关重要的作用，例如建筑物重建、测绘、人口估计和违法建筑物监测等，而使用 ArcGIS 等工具手动描绘单个建筑物会消耗大量时间和精力。随着遥感技术的发展，高分辨率影像得到广泛应用，使得建筑物的自动提取成为可能。 然而由于建筑物的背景信息复杂、分布密集、外观多样，使得开发一种有效的建筑物自动提取方法成为挑战。
因此，本发明提供了基于点云数据处理的建筑物边界提取方法。
发明内容
本发明基于点云数据处理的建筑物边界提取方法，通过利用点云数据具有的可量测性来分析建筑物的边界，可以通过点云数据来呈现不同建筑物的外观，提高了建筑物边界的信息提取准确性。
本发明提供了基于点云数据处理的建筑物边界提取方法，包括：
步骤1：获取指定区域内的初始点云数据；
步骤2：对所述初始点云数据进行预处理，得到目标点云数据，根据所述目标点云数据建立区域特征图像；
步骤3：对所述区域特征图像进行二值化处理，获取处理后的区域特征图像中包含的边缘线条，根据所述边缘线条绘制所述指定区域的建筑物轮廓；
步骤4：根据所述建筑物轮廓，确定所述指定区域内建筑物的边界，生成边界统计信息传输到指定终端进行显示。
在一种可实施的方式中，
所述步骤1包括：
步骤11：基于预设扫描规则，利用预设雷达设备扫描所述指定区域，得到所述指定区域的第一扫描数据；
步骤12：基于预设扫描规则，利用预设红外设备扫描所述指定区域，得到所述指定区域的第二扫描数据；
步骤13：根据所述预设扫描规则建立扫描路径，筛选落入到所述扫描路径上的目标第一扫描数据和目标第二扫描数据；
步骤14：对所述目标第一扫描数据和第二扫描数据进行相互适应训练得到目标数据，利用所述目标数据建立初始点云数据。
在一种可实施的方式中，
所述步骤2包括：
步骤21：根据所述指定区域的区域面积建立对应规格的三维体素网格，当所述初始点云数据的数据量大于网格数时，对所述初始点云数据进行下采样，将采样点云数据输入到所述三维体素网格中，得到点云三维体素网格；
步骤22：分别获取所述点云三维体素网格在每一维度下对应的网格面，分别提取并剔除每一网格面上的离群点云数据，得到目标点云数据；
步骤23：对所述目标点云数据进行拼接，得到整体点云数据，利用所述整体点云数据绘制第一区域图像，并对所述第一区域图像进行完整度评价；
步骤24：当所述第一区域图像的完整度低于预设完整度时，将所述整体点云数据进行坐标转换得到点云坐标，提取所述点云坐标中的空白坐标，获取与所述空白坐标相邻的所有有效坐标，利用所述有效坐标对对应的所述空白坐标进行坐标填补，得到修正点云数据；
步骤25：根据所述修正点云数据绘制第二区域图像，获取所述第二区域图像中每一第二像素点对应的第二像素特征，将所述第二像素特征分别标记在所述第二区域图像中对应的第二像素点上，建立区域特征图像。
在一种可实施的方式中，
所述步骤3包括：
步骤31：对所述区域特征图像进行二值化处理得到二值特征图像，将所述二值特征图像中的二值像素进行聚类分析，得到对应的像素类；
步骤32：分别获取每一像素类构成的联通域，获取每一联通域中包含的二值特征，根据所述二值特征得到对应连通域中包含的线条特征；
步骤33：根据所述线条特征绘制每一联通域中的线条，对所述线条进行增强处理，得到每一联通域中包含的边缘线条；
步骤34：分别获取每一边缘线条对应的线条粗度，根据线条粗度相同的边缘线条进行线条融合，根据融合后的边缘线条绘制所述指定区域的建筑物轮廓。
在一种可实施的方式中，
所述步骤4包括：
步骤41：将所述区域特征图像划分为若干个预设规格的子图像，将所述建筑物轮廓映射到所述区域特征图像中，根据映射结果得到区域特征图像中包含建筑物特征的第一子图像；
步骤42：分别获取每一第一子图像中包含的建筑物特征数量与非建筑物特征数量之间的数量比，提取数量比小于预设数量比的第二子图像；
步骤43：分别解析每一第二子图像，建立每一第二子图像中建筑物特征与非建筑物特征的特征分界线；
步骤44：将所述特征分界线映射到所述区域特征图像中，得到所述定区域内建筑物的边界，获取每一子图像包含的边界信息，生成边界统计信息传输到指定终端进行显示。
在一种可实施的方式中，
所述步骤23，包括：
步骤231：将所述三维体素网格划分为若干个三维体素九宫格，分别提取每一三维体素九宫格对应的中心点云数据；
步骤232：分别获取每一中心点云数据对应的点云姿态，分别获取同一三维体素九宫格中每一普通点云数据与中心点云数据之间相对姿态向量，根据所述相对姿态向量的方向角建立拼接方向，根据所述拼接方向将同一三维体素九宫格中点云数据进行拼接，得到若干个拼接点云数据；
步骤233：在所述三维体素网格中标记每一拼接点云数据进行循环拼接，得到整体点云数据；
步骤234：利用所述整体点云数据绘制第一区域图像，获取所述第一区域图像中空白像素的数量，根据所述空白像素的数量生成完整度评价信息。
在一种可实施的方式中，
还包括：
当所述第一区域图像的完整度高于或者等于预设完整度时，获取所述第一区域图像中每一第一像素点对应的第一像素特征，将所述第一像素特征分别标记在所述第一区域图像中对应的第一像素点上，建立区域特征图像。
在一种可实施的方式中，
还包括：
将所述点云坐标划分为若干个预设规格的坐标群，分别获取每一坐标群中空白坐标的数量；
当所述坐标群中存在空白坐标数据大于预设数量的异常坐标群时，确定所述初始点云数据有误，生成重新扫描指令传输到所述指定终端进行显示。
在一种可实施的方式中，
还包括：
根据所述边界统计信息绘制边界图像，并将所述边界图像传输到所述指定终端进行显示。
在一种可实施的方式中，
还包括：
分别获取每一建筑物对应的边界统计信息和建筑物名称，建立建筑物边界列表并进行存储。
本发明可以实现的有益效果为：为了分析一个建筑物所在位置的边界，先采集该建筑物所在的指定区域内的初始点云数据，然后对点云数据进行预处理，可以根据得到的目标点云数据建立区域特征图像，然后对区域特征图像进行二值化处理，从而得到区域特征图像中包含的边缘线条，然后可以绘制指定区域的建筑物轮廓，最后根据建筑物轮廓来建立指定区域的边界，从而得到了边界统计信息，通过利用点云数据来分析建筑物轮廓的方式可以通过三维的方式来建立建筑物的边界，不仅可以快速确定建筑物的边界，而且还适用于不同外形的建筑物，提高了该提取方法的实用性。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明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。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中基于点云数据处理的建筑物边界提取方法的工作流程示意图；
图2为本发明实施例中基于点云数据处理的建筑物边界提取方法步骤3的工作流程示意图；
图3为本发明实施例中基于点云数据处理的建筑物边界提取方法步骤4的工作流程示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例1
本实施例提供了基于点云数据处理的建筑物边界提取方法，如图1所示，包括：
步骤1：获取指定区域内的初始点云数据；
步骤2：对所述初始点云数据进行预处理，得到目标点云数据，根据所述目标点云数据建立区域特征图像；
步骤3：对所述区域特征图像进行二值化处理，获取处理后的区域特征图像中包含的边缘线条，根据所述边缘线条绘制所述指定区域的建筑物轮廓；
步骤4：根据所述建筑物轮廓，确定所述指定区域内建筑物的边界，生成边界统计信息传输到指定终端进行显示。
该实例中，指定区域表示包含建筑物的、需要进行建筑物边界提取的区域；
该实例中，初始点云数据表示通过扫描的方式所获取到的关于指定区域的点云数据；
该实例中，预处理表示对初始点云数据进行滤波；
该实例中，区域特征图像表示将指定区域内特征和区域图像相结合所产生的带有特征的图像；
该实例中，边缘线条表示区域特征图像中的线条特征所构成的关于建筑物的线条；
该实例中，建筑物轮廓表示根据边缘线条所绘制的关于建筑物外缘形状的轮廓；
该实例中，边界表示建筑物所在位置的边界线。
上述技术方案的工作原理以及有益效果：为了分析一个建筑物所在位置的边界，先采集该建筑物所在的指定区域内的初始点云数据，然后对点云数据进行预处理，可以根据得到的目标点云数据建立区域特征图像，然后对区域特征图像进行二值化处理，从而得到区域特征图像中包含的边缘线条，然后可以绘制指定区域的建筑物轮廓，最后根据建筑物轮廓来建立指定区域的边界，从而得到了边界统计信息，通过利用点云数据来分析建筑物轮廓的方式可以通过三维的方式来建立建筑物的边界，不仅可以快速确定建筑物的边界，而且还适用于不同外形的建筑物，提高了该提取方法的实用性。
实施例2
在实施例1的基础上，所述基于点云数据处理的建筑物边界提取方法，所述步骤1包括：
步骤11：基于预设扫描规则，利用预设雷达设备扫描所述指定区域，得到所述指定区域的第一扫描数据；
步骤12：基于预设扫描规则，利用预设红外设备扫描所述指定区域，得到所述指定区域的第二扫描数据；
步骤13：根据所述预设扫描规则建立扫描路径，筛选落入到所述扫描路径上的目标第一扫描数据和目标第二扫描数据；
步骤14：对所述目标第一扫描数据和第二扫描数据进行相互适应训练得到目标数据，利用所述目标数据建立初始点云数据。
该实例中，预设扫描规则表示分别扫描建筑物除了地面以外的五个表面，并且扫描每一表面时均是由左到右扫描，且在扫描过程中，先选定一个扫描表面从左到右进行扫描，扫描结束后选取第二扫描表面，在扫描第二扫描表面后，两次扫描所产生的数据有交叉，以此类推，后续的扫描均与前面的扫描数据有交叉；
该实例中，第一扫描数据表示利用雷达设备扫描指定区域后得到的扫描数据，第二扫描数据表示利用红外设备扫描指定区域后得到的扫描数据，其中的“第一”、“第二”仅用来区分不同的扫描数据，不具有比较和排序的功能；
该实例中，扫描路径表示进行扫描工作的过程中所生成的路径；
该实例中，相互适应训练表示将目标第一扫描数据和目标第二扫描数据进行平均的过程。
上述技术方案的工作原理以及有益效果：为了避免单一的扫描方式具有不明显缺陷，在建立初始点云数据前先利用两种不同的扫描设备对指定区域进行扫描，得到两组扫描数据，然后对扫描数据进行筛选，将筛选后的数据进行相互适应训练，利用两组扫描数据相互补偿从而得到了完整的初始点云数据。
实施例3
在实施例1的基础上，所述基于点云数据处理的建筑物边界提取方法，所述步骤2包括：
步骤21：根据所述指定区域的区域面积建立对应规格的三维体素网格，当所述初始点云数据的数据量大于网格数时，对所述初始点云数据进行下采样，将采样点云数据输入到所述三维体素网格中，得到点云三维体素网格；
步骤22：分别获取所述点云三维体素网格在每一维度下对应的网格面，分别提取并剔除每一网格面上的离群点云数据，得到目标点云数据；
步骤23：对所述目标点云数据进行拼接，得到整体点云数据，利用所述整体点云数据绘制第一区域图像，并对所述第一区域图像进行完整度评价；
步骤24：当所述第一区域图像的完整度低于预设完整度时，将所述整体点云数据进行坐标转换得到点云坐标，提取所述点云坐标中的空白坐标，获取与所述空白坐标相邻的所有有效坐标，利用所述有效坐标对对应的所述空白坐标进行坐标填补，得到修正点云数据；
步骤25：根据所述修正点云数据绘制第二区域图像，获取所述第二区域图像中每一第二像素点对应的第二像素特征，将所述第二像素特征分别标记在所述第二区域图像中对应的第二像素点上，建立区域特征图像。
该实例中，三维体素网格表示用固定大小的立方块作为最小单元所建立的，用来表示三维物体的数据结构，且每一立方块的分辨率是固定的；
该实例中，下采样表示表示对初始点云数据进行压缩的操作；
该实例中，点云三维体素网格表示包含点云数据的三维体素网格；
该实例中，一个三维体素网格具有三个不同的维度，分别为X方向维度、Y方向维度和Z方向维度；
该实例中，一个维度对应一个网格面；
该实例中，离群点云数据表示与其它点云数据之间的差异过大的初始点云数据；
该实例中，整体点云数据表示由多个目标点云数据组成的点云数据组；
该实例中，第一区域图像表示整体点云数据所描绘的图像；
该实例中，预设完整度可以为80%；
该实例中，点云坐标表示将点云数据输入到三维坐标系中所得到的坐标；
该实例中，空白坐标表示点云坐标中的空白点；
该实例中，有效坐标表示点云坐标中包含数据的坐标；
该实例中，利用所述有效坐标对对应的所述空白坐标进行坐标填补，得到修正点云数据的过程包括：获取所有有效坐标对应的坐标均值，将坐标均值填补到空白坐标中，得到修正点云数据；
该实例中，第二区域图像表示修正点云数据所描绘的图像；
该实例中，第二像素点表示第二区域图像中的像素点；
该实例中，第二像素特征表示第二区域图像中一个像素点所呈现的特征。
上述技术方案的工作原理以及有益效果：为了对初始点云数据进行预处理，根据指定区域的区域面积建立一个三维体素网格，然后对初始点云数据进行下采样，将采样点云数据输入到三维体素网格中建立了一个点云三维体素网格，由此可以根据点云三维体素网格中不同维度的网格面中的点云数据分布情况来确定初始点云数据中的离群点云数据，将离群点云数据剔除，就可以得到目标点云数据，为了进行图像绘制，将目标点云数据进行拼接，从而得到了整体点云数据，利用整体点云数据绘制第一区域图像，为了避免第一区域图像中含有大量空白区域导致边界提取的误差过大，对第一区域图像进行完整度评价，再必要时，对整体点云数据进行填补生成修正点云数据，然后根据修正点云数据来建立第二区域图像，从而分析第二区域图像的每一个像素点的特征，从而建立了区域特征图像。
实施例4
在实施例1的基础上，所述基于点云数据处理的建筑物边界提取方法，如图2所示，所述步骤3包括：
步骤31：对所述区域特征图像进行二值化处理得到二值特征图像，将所述二值特征图像中的二值像素进行聚类分析，得到对应的像素类；
步骤32：分别获取每一像素类构成的联通域，获取每一联通域中包含的二值特征，根据所述二值特征得到对应连通域中包含的线条特征；
步骤33：根据所述线条特征绘制每一联通域中的线条，对所述线条进行增强处理，得到每一联通域中包含的边缘线条；
步骤34：分别获取每一边缘线条对应的线条粗度，根据线条粗度相同的边缘线条进行线条融合，根据融合后的边缘线条绘制所述指定区域的建筑物轮廓。
该实例中，二值特征图像表示每个像素只有两个可能值的数字图像；
该实例中，聚类分析表示将二值像素一致的像素点记作一类的过程；
该实例中，同一个像素类中的二值像素是一致的；
该实例中，联通域表示由一个像素类所建立的图像区域；
该实例中，二值特征表示一个联通域所呈现的特征；
该实例中，线条特征表示一个联通域中的线条所呈现的特征；
该实例中，边缘线条表示属于建筑物边缘的线条；
该实例中，线条融合表示将线条粗度相同的线条进行连接。
上述技术方案的工作原理以及有益效果：为了建立有效的建筑物轮廓，将区域特征图像进行二值化处理得到一个二值特征图像，然后将二值像素进行聚类分析建立像素类，通过分析每一像素类对应的联通域来中的线条特征来绘制线条，将线条进行增强后将线条粗度相同的线条进行融合，从而绘制了指定区域的建筑物轮廓，从而可以得到棱角分明的建筑物轮廓。
实施例5
在实施例1的基础上，所述基于点云数据处理的建筑物边界提取方法，如图3所示，所述步骤4包括：
步骤41：将所述区域特征图像划分为若干个预设规格的子图像，将所述建筑物轮廓映射到所述区域特征图像中，根据映射结果得到区域特征图像中包含建筑物特征的第一子图像；
步骤42：分别获取每一第一子图像中包含的建筑物特征数量与非建筑物特征数量之间的数量比，提取数量比小于预设数量比的第二子图像；
步骤43：分别解析每一第二子图像，建立每一第二子图像中建筑物特征与非建筑物特征的特征分界线；
步骤44：将所述特征分界线映射到所述区域特征图像中，得到所述定区域内建筑物的边界，获取每一子图像包含的边界信息，生成边界统计信息传输到指定终端进行显示。
该实例中，预设规格可以为将区域特征图像的长度与宽度分别进行平均分割后的规格；
该实例中，每一个子图像都来自于区域特征图像；
该实例中，第一子图像表示包含建筑物特征的子图像；
该实例中，第二子图像表示既包含建筑物特征，又包含非建筑物特征的第一子图像，即，第二子图像中包含建筑物的边缘；
该实例中，预设数量比为1。
上述技术方案的工作原理以及有益效果：为了确定建筑物的边界，先将区域特征图像划分为若干个子图像，然后将建筑物轮廓预设到区域特征图像中，从中提取包含建筑物特征的第一子图像，然后再从第一子图像中提取建筑物边缘的第二子图像，从而建立建筑物特征和非建筑物特征的特征分界线，从而建立了建筑物的边界，最后生成统计信息传输到指定终端进行显示，实现了通过建筑物的轮廓来确定边界的目的。
实施例6
在实施例3的基础上，所述基于点云数据处理的建筑物边界提取方法，所述步骤23，包括：
步骤231：将所述三维体素网格划分为若干个三维体素九宫格，分别提取每一三维体素九宫格对应的中心点云数据；
步骤232：分别获取每一中心点云数据对应的点云姿态，分别获取同一三维体素九宫格中每一普通点云数据与中心点云数据之间相对姿态向量，根据所述相对姿态向量的方向角建立拼接方向，根据所述拼接方向将同一三维体素九宫格中点云数据进行拼接，得到若干个拼接点云数据；
步骤233：在所述三维体素网格中标记每一拼接点云数据进行循环拼接，得到整体点云数据；
步骤234：利用所述整体点云数据绘制第一区域图像，获取所述第一区域图像中空白像素的数量，根据所述空白像素的数量生成完整度评价信息。
该实例中，三维体素九宫格表示一个规格为3*3的三维体素网格；
该实例中，中心点云数据表示处于三维体素九宫格中第5宫格的点云数据；
该实例中，点云姿态表示中心点云数据在三维体素网格中所呈现的姿态；
该实例中，相对姿态向量表示由普通点云数据指向中心点云数据的向量。
上述技术方案的工作原理以及有益效果：为了避免第一区域图像中含有大量的空白像素影响轮廓生成，所以在进行轮廓建立前先对第一区域图像进行完整度平均，先将三维体素网格划分为多个三维体素九宫格，然后获取每一三维体素九宫格对应的中心点云数据，获取每一中心点云数据对应的点云姿态，然后建立每一普通点云数据与中心点云数据之间的相对姿态向量，从而确定拼接方向，进行点云数据拼接生成第一区域图像，根据第一区域图像中空白像素的数量来对第一区域图像进行完整度评价，通过完整度评价来确定是否需要进行点云数据修正。
实施例7
在实施例3的基础上，所述基于点云数据处理的建筑物边界提取方法，还包括：
当所述第一区域图像的完整度高于或者等于预设完整度时，获取所述第一区域图像中每一第一像素点对应的第一像素特征，将所述第一像素特征分别标记在所述第一区域图像中对应的第一像素点上，建立区域特征图像。
上述技术方案的工作原理以及有益效果：当第一区域图像的完整度高于或者等于预设完整度时说明第一区域图像中的空白区域少，可以直接建立区域特征图像，所以利用第一区域图像直接建立区域特征图像，减少了后续的修正工作。
实施例8
在实施例3的基础上，所述基于点云数据处理的建筑物边界提取方法，还包括：
将所述点云坐标划分为若干个预设规格的坐标群，分别获取每一坐标群中空白坐标的数量；
当所述坐标群中存在空白坐标数据大于预设数量的异常坐标群时，确定所述初始点云数据有误，生成重新扫描指令传输到所述指定终端进行显示。
该实例中，预设规格的坐标群表示16*16的坐标群；
该实例中，预设数量为7。
上述技术方案的工作原理以及有益效果：通过将点云坐标划分为若干个坐标群，然后获取每一坐标群中空白坐标的数量，当空白坐标的数量大于预设数量时，确定点云数据发生了丢失，所以生成重新扫描指令进行二次扫描。
实施例9
在实施例1的基础上，所述基于点云数据处理的建筑物边界提取方法，还包括：
根据所述边界统计信息绘制边界图像，并将所述边界图像传输到所述指定终端进行显示。
上述技术方案的工作原理以及有益效果：通过绘制边界图像并将边界图像传输到指定终端，便于相关人员查看。
实施例10
在实施例1的基础上，所述基于点云数据处理的建筑物边界提取方法，还包括：
分别获取每一建筑物对应的边界统计信息和建筑物名称，建立建筑物边界列表并进行存储。
上述技术方案的工作原理以及有益效果：为了便于相关人员查看建立建筑物边界列表并进行存储，相关人员可以随时查找以及查看建筑物边界信息。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于点云数据处理的建筑物边界提取方法，其特征在于，包括：
步骤1：获取指定区域内的初始点云数据；
步骤2：对所述初始点云数据进行预处理，得到目标点云数据，根据所述目标点云数据建立区域特征图像；
步骤3：对所述区域特征图像进行二值化处理，获取处理后的区域特征图像中包含的边缘线条，根据所述边缘线条绘制所述指定区域的建筑物轮廓；
步骤4：根据所述建筑物轮廓，确定所述指定区域内建筑物的边界，生成边界统计信息传输到指定终端进行显示。
2.如权利要求1所述的一种基于点云数据处理的建筑物边界提取方法，其特征在于，所述步骤1包括：
步骤11：基于预设扫描规则，利用预设雷达设备扫描所述指定区域，得到所述指定区域的第一扫描数据；
步骤12：基于预设扫描规则，利用预设红外设备扫描所述指定区域，得到所述指定区域的第二扫描数据；
步骤13：根据所述预设扫描规则建立扫描路径，筛选落入到所述扫描路径上的目标第一扫描数据和目标第二扫描数据；
步骤14：对所述目标第一扫描数据和第二扫描数据进行相互适应训练得到目标数据，利用所述目标数据建立初始点云数据。
3.如权利要求1所述的一种基于点云数据处理的建筑物边界提取方法，其特征在于，所述步骤2包括：
步骤21：根据所述指定区域的区域面积建立对应规格的三维体素网格，当所述初始点云数据的数据量大于网格数时，对所述初始点云数据进行下采样，将采样点云数据输入到所述三维体素网格中，得到点云三维体素网格；
步骤22：分别获取所述点云三维体素网格在每一维度下对应的网格面，分别提取并剔除每一网格面上的离群点云数据，得到目标点云数据；
步骤23：对所述目标点云数据进行拼接，得到整体点云数据，利用所述整体点云数据绘制第一区域图像，并对所述第一区域图像进行完整度评价；
步骤24：当所述第一区域图像的完整度低于预设完整度时，将所述整体点云数据进行坐标转换得到点云坐标，提取所述点云坐标中的空白坐标，获取与所述空白坐标相邻的所有有效坐标，利用所述有效坐标对对应的所述空白坐标进行坐标填补，得到修正点云数据；
步骤25：根据所述修正点云数据绘制第二区域图像，获取所述第二区域图像中每一第二像素点对应的第二像素特征，将所述第二像素特征分别标记在所述第二区域图像中对应的第二像素点上，建立区域特征图像。
4.如权利要求1所述的一种基于点云数据处理的建筑物边界提取方法，其特征在于，所述步骤3包括：
步骤31：对所述区域特征图像进行二值化处理得到二值特征图像，将所述二值特征图像中的二值像素进行聚类分析，得到对应的像素类；
步骤32：分别获取每一像素类构成的联通域，获取每一联通域中包含的二值特征，根据所述二值特征得到对应连通域中包含的线条特征；
步骤33：根据所述线条特征绘制每一联通域中的线条，对所述线条进行增强处理，得到每一联通域中包含的边缘线条；
步骤34：分别获取每一边缘线条对应的线条粗度，根据线条粗度相同的边缘线条进行线条融合，根据融合后的边缘线条绘制所述指定区域的建筑物轮廓。
5.如权利要求1所述的一种基于点云数据处理的建筑物边界提取方法，其特征在于，所述步骤4包括：
步骤41：将所述区域特征图像划分为若干个预设规格的子图像，将所述建筑物轮廓映射到所述区域特征图像中，根据映射结果得到区域特征图像中包含建筑物特征的第一子图像；
步骤42：分别获取每一第一子图像中包含的建筑物特征数量与非建筑物特征数量之间的数量比，提取数量比小于预设数量比的第二子图像；
步骤43：分别解析每一第二子图像，建立每一第二子图像中建筑物特征与非建筑物特征的特征分界线；
步骤44：将所述特征分界线映射到所述区域特征图像中，得到所述定区域内建筑物的边界，获取每一子图像包含的边界信息，生成边界统计信息传输到指定终端进行显示。
6.如权利要求3所述的一种基于点云数据处理的建筑物边界提取方法，其特征在于，所述步骤23，包括：
步骤231：将所述三维体素网格划分为若干个三维体素九宫格，分别提取每一三维体素九宫格对应的中心点云数据；
步骤232：分别获取每一中心点云数据对应的点云姿态，分别获取同一三维体素九宫格中每一普通点云数据与中心点云数据之间相对姿态向量，根据所述相对姿态向量的方向角建立拼接方向，根据所述拼接方向将同一三维体素九宫格中点云数据进行拼接，得到若干个拼接点云数据；
步骤233：在所述三维体素网格中标记每一拼接点云数据进行循环拼接，得到整体点云数据；
步骤234：利用所述整体点云数据绘制第一区域图像，获取所述第一区域图像中空白像素的数量，根据所述空白像素的数量生成完整度评价信息。
7.如权利要求3所述的一种基于点云数据处理的建筑物边界提取方法，其特征在于，还包括：
当所述第一区域图像的完整度高于或者等于预设完整度时，获取所述第一区域图像中每一第一像素点对应的第一像素特征，将所述第一像素特征分别标记在所述第一区域图像中对应的第一像素点上，建立区域特征图像。
8.如权利要求3所述的一种基于点云数据处理的建筑物边界提取方法，其特征在于，还包括：
将所述点云坐标划分为若干个预设规格的坐标群，分别获取每一坐标群中空白坐标的数量；
当所述坐标群中存在空白坐标数据大于预设数量的异常坐标群时，确定所述初始点云数据有误，生成重新扫描指令传输到所述指定终端进行显示。
9.如权利要求1所述的一种基于点云数据处理的建筑物边界提取方法，其特征在于，还包括：
根据所述边界统计信息绘制边界图像，并将所述边界图像传输到所述指定终端进行显示。
10.如权利要求1所述的一种基于点云数据处理的建筑物边界提取方法，其特征在于，还包括：
分别获取每一建筑物对应的边界统计信息和建筑物名称，建立建筑物边界列表并进行存储。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311159406.XA CN116895022B (zh) | 2023-09-11 | 2023-09-11 | 基于点云数据处理的建筑物边界提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311159406.XA CN116895022B (zh) | 2023-09-11 | 2023-09-11 | 基于点云数据处理的建筑物边界提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116895022A true CN116895022A (zh) | 2023-10-17 |
| CN116895022B CN116895022B (zh) | 2023-12-01 |
Family
ID=88311092
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311159406.XA Active CN116895022B (zh) | 2023-09-11 | 2023-09-11 | 基于点云数据处理的建筑物边界提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116895022B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106373199A (zh) * | 2016-08-31 | 2017-02-01 | 中测新图(北京)遥感技术有限责任公司 | 一种倾斜摄影建筑物模型快速提取方法 |
| CN108447124A (zh) * | 2018-02-12 | 2018-08-24 | 北京工业大学 | 一种基于点云的古建筑轮廓提取方法及*** |
| US20200027266A1 (en) * | 2018-07-17 | 2020-01-23 | Uti Limited Partnership | Building contour generation from point clouds |
| CN112927360A (zh) * | 2021-03-24 | 2021-06-08 | 广州蓝图地理信息技术有限公司 | 一种基于倾斜模型与激光点云数据融合的三维建模方法和*** |
| CN113344956A (zh) * | 2021-06-21 | 2021-09-03 | 深圳市武测空间信息有限公司 | 基于无人机航摄三维建模的地物轮廓提取分类方法 |
| CN114821522A (zh) * | 2022-03-29 | 2022-07-29 | 东南大学 | 基于车载激光点云数据的城市道路横坡和超高值计算方法 |
| CN115033967A (zh) * | 2022-06-27 | 2022-09-09 | 北京航空航天大学 | 一种基于点云数据的建筑物模板实例化建模方法 |
| CN115035492A (zh) * | 2022-06-21 | 2022-09-09 | 苏州浪潮智能科技有限公司 | 车辆识别方法、装置、设备和存储介质 |
| CN115564673A (zh) * | 2022-09-26 | 2023-01-03 | 浙江省测绘科学技术研究院 | 三维点云地下车库柱状物提取与矢量自动生成方法及*** |
| CN116486015A (zh) * | 2023-04-28 | 2023-07-25 | 广东沧科智慧科技有限公司 | 一种格子柜的三维尺寸自动检测和cad数模重建方法 |
-
2023
- 2023-09-11 CN CN202311159406.XA patent/CN116895022B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106373199A (zh) * | 2016-08-31 | 2017-02-01 | 中测新图(北京)遥感技术有限责任公司 | 一种倾斜摄影建筑物模型快速提取方法 |
| CN108447124A (zh) * | 2018-02-12 | 2018-08-24 | 北京工业大学 | 一种基于点云的古建筑轮廓提取方法及*** |
| US20200027266A1 (en) * | 2018-07-17 | 2020-01-23 | Uti Limited Partnership | Building contour generation from point clouds |
| CN112927360A (zh) * | 2021-03-24 | 2021-06-08 | 广州蓝图地理信息技术有限公司 | 一种基于倾斜模型与激光点云数据融合的三维建模方法和*** |
| CN113344956A (zh) * | 2021-06-21 | 2021-09-03 | 深圳市武测空间信息有限公司 | 基于无人机航摄三维建模的地物轮廓提取分类方法 |
| CN114821522A (zh) * | 2022-03-29 | 2022-07-29 | 东南大学 | 基于车载激光点云数据的城市道路横坡和超高值计算方法 |
| CN115035492A (zh) * | 2022-06-21 | 2022-09-09 | 苏州浪潮智能科技有限公司 | 车辆识别方法、装置、设备和存储介质 |
| CN115033967A (zh) * | 2022-06-27 | 2022-09-09 | 北京航空航天大学 | 一种基于点云数据的建筑物模板实例化建模方法 |
| CN115564673A (zh) * | 2022-09-26 | 2023-01-03 | 浙江省测绘科学技术研究院 | 三维点云地下车库柱状物提取与矢量自动生成方法及*** |
| CN116486015A (zh) * | 2023-04-28 | 2023-07-25 | 广东沧科智慧科技有限公司 | 一种格子柜的三维尺寸自动检测和cad数模重建方法 |
Non-Patent Citations (1)
| Title |
|---|
| 邢亚蒙 等: "基于改进Hough变换的激光雷达点云特征提取方法研究", 制造业自动化, no. 01, pages 131 - 134 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116895022B (zh) | 2023-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110598784B (zh) | 基于机器学习的建筑垃圾分类方法及装置 | |
| US9942535B2 (en) | Method for 3D scene structure modeling and camera registration from single image | |
| CN110163213B (zh) | 基于视差图和多尺度深度网络模型的遥感图像分割方法 | |
| CN109978871B (zh) | 融合概率型和确定型纤维束追踪的纤维束筛选方法 | |
| Demir et al. | Automated modeling of 3D building roofs using image and LiDAR data | |
| Han et al. | Automated monitoring of operation-level construction progress using 4D BIM and daily site photologs | |
| CN110992384B (zh) | 半自动化图像数据标注方法、电子装置及存储介质 | |
| CN114511718B (zh) | 一种建筑施工用物料智能管理方法及*** | |
| CN112418155A (zh) | 一种检测地铁车侧巡检图像上工件的位置和类型的方法 | |
| CN108958231A (zh) | 一种移动机器人地图的多分辨率区域划分方法 | |
| JP4568845B2 (ja) | 変化領域認識装置 | |
| AU2019349986A1 (en) | Apparatus and method for three-dimensional object recognition | |
| CN115908988A (zh) | 一种缺陷检测模型生成方法、装置、设备以及存储介质 | |
| CN109727255B (zh) | 一种建筑物三维模型分割方法 | |
| Sahar et al. | Semiautomatic extraction of building outlines from large-scale aerial images | |
| CN118015190A (zh) | 一种数字孪生模型的自主构建方法及装置 | |
| Champion et al. | A test of automatic building change detection approaches | |
| CN116895022B (zh) | 基于点云数据处理的建筑物边界提取方法 | |
| CN115239794B (zh) | 道路积水面积检测方法、装置及电子设备 | |
| CN114742876B (zh) | 一种土地视觉立体测量方法 | |
| CN111079752A (zh) | 识别红外图像中的断路器的方法、装置及可读存储介质 | |
| CN115861532A (zh) | 基于深度学习的植被地物模型重建方法与*** | |
| CN113487741B (zh) | 稠密三维地图更新方法及装置 | |
| CN112116561B (zh) | 基于图像处理融合网络权值的电网传输线检测方法及装置 | |
| CN114863274A (zh) | 基于深度学习的地表绿网苫盖提取方法 |
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 |