CN117437364B - 基于残缺点云数据的建筑三维结构提取方法和装置 - Google Patents
基于残缺点云数据的建筑三维结构提取方法和装置 Download PDFInfo
- Publication number
- CN117437364B CN117437364B CN202311755911.0A CN202311755911A CN117437364B CN 117437364 B CN117437364 B CN 117437364B CN 202311755911 A CN202311755911 A CN 202311755911A CN 117437364 B CN117437364 B CN 117437364B
- Authority
- CN
- China
- Prior art keywords
- dimensional
- cloud data
- point cloud
- contour line
- adjacent
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000007547 defect Effects 0.000 title claims description 16
- 238000012545 processing Methods 0.000 claims description 24
- 238000000605 extraction Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
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
-
- 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
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/04—Architectural design, interior design
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Computer Graphics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开了基于残缺点云数据的建筑三维结构提取方法和装置,所述方法包括:获取残缺点云数据以及多个二维矢量建筑物轮廓线,对残缺点云数据进行网格化处理,得到三维均匀点云数据,并计算每个二维矢量建筑物轮廓线的顶部高度;对多个二维矢量建筑物轮廓线进行相邻聚类处理,得到多个聚类相邻轮廓线集,并计算每个二维矢量建筑物轮廓线的地面高度;根据多个聚类相邻轮廓线集、对应的顶部高度以及地面高度生成多个柱状三维结构,并将多个柱状三维结构进行合并,得到建筑三维结构。本发明通过获取残缺点云数据来计算二维矢量建筑物轮廓线的顶部高度和地面高度,能够结合残缺点云数据和二维矢量建筑物轮廓线快速且精确地生成建筑三维结构。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及基于残缺点云数据的建筑三维结构提取方法和装置。
背景技术
随着“数字城市”、“数字建筑”等概念的提出,在虚拟空间内快速建立贴近真实城市建筑模型的需求越来越多。然而,要想快速建立实景三维数字城市模型,关键在于通过地籍测绘成果来获取城市内各个建筑的真实轮廓数据。地籍测绘成果中包含大量的二维矢量建筑物轮廓线数据,建筑物轮廓线通常用来表示建筑的不同层数、不同结构性质以及主要房屋和附加房屋之间的分割。
现有技术中一般是通过二维矢量建筑物轮廓线数据来构建建筑物的三维结构,但往往因二维矢量建筑物轮廓线对应的高度不准确,从而导致构建出来的建筑物的三维结构不够精准,而且构建效果较差,无法满足客户需求。
因此,现有技术还有待于改进和发展。
发明内容
本发明的主要目的在于提供基于残缺点云数据的建筑三维结构提取方法和装置,旨在解决现有技术中通过二维矢量建筑物轮廓线数据来构建建筑物的三维结构,但往往因二维矢量建筑物轮廓线对应的高度不准确,从而导致构建出来的建筑物的三维结构不够精准的问题。
为实现上述目的,本发明提供一种基于残缺点云数据的建筑三维结构提取方法,所述基于残缺点云数据的建筑三维结构提取方法包括如下步骤:
获取残缺点云数据以及多个二维矢量建筑物轮廓线,对所述残缺点云数据进行网格化处理,得到三维均匀点云数据,并根据所述三维均匀点云数据计算每个所述二维矢量建筑物轮廓线的顶部高度;
对多个所述二维矢量建筑物轮廓线进行相邻聚类处理,得到多个聚类相邻轮廓线集,并根据多个所述聚类相邻轮廓线集计算每个所述二维矢量建筑物轮廓线的地面高度;
根据多个所述聚类相邻轮廓线集、对应的所述顶部高度以及所述地面高度生成多个柱状三维结构,并将多个所述柱状三维结构进行合并,得到建筑三维结构。
可选地,所述的基于残缺点云数据的建筑三维结构提取方法,其中,所述获取残缺点云数据以及多个二维矢量建筑物轮廓线,对所述残缺点云数据进行网格化处理,得到三维均匀点云数据,并根据所述三维均匀点云数据计算每个所述二维矢量建筑物轮廓线的顶部高度,具体包括:
获取所述残缺点云数据以及多个所述二维矢量建筑物轮廓线,将所述残缺点云数据所在的空间划分为三维网格,并根据所述三维网格对所述残缺点云数据进行网格化处理,得到三维均匀点云数据;
将所述三维均匀点云数据进行投影处理,并提取投影后落在所述二维矢量建筑物轮廓线的范围内的三维均匀点云数据,得到多个三维均匀点云数据集,并根据多个所述三维均匀点云数据集计算每个所述二维矢量建筑物轮廓线的顶部高度。
可选地,所述的基于残缺点云数据的建筑三维结构提取方法,其中,所述根据所述三维网格对所述残缺点云数据进行网格化处理,得到三维均匀点云数据,具体包括:
获取所述三维网格中每个网格范围内的残缺点云数据,并计算每个网格范围内的残缺点云数据与对应网格范围中心的距离,并提取距离最近的残缺点云数据;
将所述距离最近的残缺点云数据进行合并,得到所述三维均匀点云数据。
可选地,所述的基于残缺点云数据的建筑三维结构提取方法,其中,所述将所述三维均匀点云数据进行投影处理,并提取投影后落在所述二维矢量建筑物轮廓线的范围内的三维均匀点云数据,得到多个三维均匀点云数据集,并根据多个所述三维均匀点云数据集计算每个所述二维矢量建筑物轮廓线的顶部高度,具体包括:
将所述三维均匀点云数据投影至对应的所述二维矢量建筑物轮廓线所在的二维水平面,并提取投影后落在对应的所述二维矢量建筑物轮廓线的范围内的所述三维均匀点云数据,得到多个所述三维均匀点云数据集;
获取每个所述三维均匀点云数据集中每个三维均匀点云数据的高度值,并对所述高度值进行中位数计算,得到每个所述二维矢量建筑物轮廓线的顶部高度。
可选地,所述的基于残缺点云数据的建筑三维结构提取方法,其中,所述提取投影后落在对应的所述二维矢量建筑物轮廓线的范围内的所述三维均匀点云数据,得到多个所述三维均匀点云数据集,具体包括:
获取所述三维均匀点云数据投影后的二维点云坐标,并获取所述三维均匀点云数据对应的所述二维矢量建筑物轮廓线的范围;
提取所述二维点云坐标在所述二维矢量建筑物轮廓线的范围内对应的三维均匀点云数据,得到多个所述三维均匀点云数据集。
可选地,所述的基于残缺点云数据的建筑三维结构提取方法,其中,所述对多个所述二维矢量建筑物轮廓线进行相邻聚类处理,得到多个聚类相邻轮廓线集,并根据多个所述聚类相邻轮廓线集计算每个所述二维矢量建筑物轮廓线的地面高度,具体包括:
对多个所述二维矢量建筑物轮廓线进行相邻聚类处理,得到多个聚类相邻轮廓线集;
将多个所述聚类相邻轮廓线集进行合并,得到第一相邻合并轮廓线集;
将所述第一相邻合并轮廓线集进行外扩处理,得到第二相邻合并轮廓线集;
获取所述第一相邻合并轮廓线集与所述第二相邻合并轮廓线集之间的点云数据的高度值,并对所述点云数据的高度值进行中位数计算,得到每个所述二维矢量建筑物轮廓线的地面高度。
可选地,所述的基于残缺点云数据的建筑三维结构提取方法,其中,所述对多个所述二维矢量建筑物轮廓线进行相邻聚类处理,得到多个聚类相邻轮廓线集,具体包括:
获取多个所述二维矢量建筑物轮廓线,并对多个所述二维矢量建筑物轮廓线进行相交判断;
将判定为相交或间接相交的所述二维矢量建筑物轮廓线进行归类处理,得到多个所述聚类相邻轮廓线集。
可选地,所述的基于残缺点云数据的建筑三维结构提取方法,其中,所述根据多个所述聚类相邻轮廓线集、对应的所述顶部高度以及所述地面高度生成多个柱状三维结构,并将多个所述柱状三维结构进行合并,得到建筑三维结构,具体包括:
根据多个所述聚类相邻轮廓线集对应的所述顶部高度以及所述地面高度对多个所述聚类相邻轮廓线集中每个二维矢量建筑物轮廓线进行拉伸处理,得到多个柱状三维结构;
根据构造实体几何方法对多个所述柱状三维结构进行合并,得到所述建筑三维结构。
可选地,所述的基于残缺点云数据的建筑三维结构提取方法,其中,所述根据多个所述聚类相邻轮廓线集对应的所述顶部高度以及所述地面高度对多个所述聚类相邻轮廓线集中每个二维矢量建筑物轮廓线进行拉伸处理,得到多个柱状三维结构,具体包括:
获取多个所述聚类相邻轮廓线集中的每个二维矢量建筑物轮廓线,并将所述二维矢量建筑物轮廓线沿Z轴进行拉伸;
直至将多个所述聚类相邻轮廓线集中的每个二维矢量建筑物轮廓线拉伸至对应的所述顶部高度以及所述地面高度,得到多个柱状三维结构。
此外,为实现上述目的,本发明还提供一种基于残缺点云数据的建筑三维结构提取装置,其中,所述基于残缺点云数据的建筑三维结构提取装置包括:
顶部高度获取模块,用于获取残缺点云数据以及多个二维矢量建筑物轮廓线,对所述残缺点云数据进行网格化处理,得到三维均匀点云数据,并根据所述三维均匀点云数据计算每个所述二维矢量建筑物轮廓线的顶部高度;
地面高度获取模块,用于对多个所述二维矢量建筑物轮廓线进行相邻聚类处理,得到多个聚类相邻轮廓线集,并根据多个所述聚类相邻轮廓线集计算每个所述二维矢量建筑物轮廓线的地面高度;
三维结构合并模块,用于根据多个所述聚类相邻轮廓线集、对应的所述顶部高度以及所述地面高度生成多个柱状三维结构,并将多个所述柱状三维结构进行合并,得到建筑三维结构。
本发明中,获取残缺点云数据以及多个二维矢量建筑物轮廓线,对所述残缺点云数据进行网格化处理,得到三维均匀点云数据,并根据所述三维均匀点云数据计算每个所述二维矢量建筑物轮廓线的顶部高度;对多个所述二维矢量建筑物轮廓线进行相邻聚类处理,得到多个聚类相邻轮廓线集,并根据多个所述聚类相邻轮廓线集计算每个所述二维矢量建筑物轮廓线的地面高度;根据多个所述聚类相邻轮廓线集、对应的所述顶部高度以及所述地面高度生成多个柱状三维结构,并将多个所述柱状三维结构进行合并,得到建筑三维结构。本发明通过获取残缺点云数据和二维矢量建筑物轮廓线来计算每个二维矢量建筑物轮廓线的顶部高度和地面高度,并根据所述顶部高度和所述地面高度对每个二维矢量建筑物轮廓线进行拉伸,以此来构建多个柱状三维结构,进而通过对多个柱状三维结构采用构造几何的方式进行合并,能够快速且准确的生成建筑三维结构。
附图说明
图1是本发明基于残缺点云数据的建筑三维结构提取方法的较佳实施例的二维轮廓线的示意图;
图2是本发明基于残缺点云数据的建筑三维结构提取方法的较佳实施例的流程图;
图3是本发明基于残缺点云数据的建筑三维结构提取方法的较佳实施例的残缺点云数据的示意图;
图4是本发明基于残缺点云数据的建筑三维结构提取方法的较佳实施例的柱状三维结构的示意图;
图5是本发明基于残缺点云数据的建筑三维结构提取方法的较佳实施例的建筑三维结构的示意图;
图6是本发明基于残缺点云数据的建筑三维结构提取装置的较佳实施例的结构图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
随着“数字城市”、“数字建筑”等概念的提出,在虚拟空间内快速建立贴近真实城市建筑模型的需求越来越多。然而,要想快速建立实景三维数字城市模型,关键在于通过地籍测绘成果来获取城市内各个建筑的真实轮廓数据。地籍测绘成果中包含大量的二维矢量建筑物轮廓线数据,建筑物轮廓线通常用来表示建筑的不同层数、不同结构性质以及主要房屋和附加房屋之间的分割,如图1所示。
现有技术中一般是通过二维矢量建筑物轮廓线数据来构建建筑物的三维结构,但往往因高度不准确导致构建出来的建筑物的三维结构不够精准,并且二维矢量轮廓线是分不同层数、不同结构性质、主要房屋和附加房屋分割表示,无法表示整体一栋建筑三维结构,而且效果较差,无法满足客户需求。
本方法主要涉及步骤有顶部高度提取、地面高度提取、建筑三维结构提取,使用残缺点云结合二维矢量建筑物轮廓线生成建筑三维结构。
本发明较佳实施例所述的基于残缺点云数据的建筑三维结构提取方法,如图2所示,所述基于残缺点云数据的建筑三维结构提取方法包括以下步骤:
步骤S10、获取残缺点云数据以及多个二维矢量建筑物轮廓线,对所述残缺点云数据进行网格化处理,得到三维均匀点云数据,并根据所述三维均匀点云数据计算每个所述二维矢量建筑物轮廓线的顶部高度。
如图3所示,本发明中所述残缺点云是指正摄方向上的点云,建筑侧面的点云可以缺失,提取顶部高度主要用到建筑顶部数据,提取地面高度主要用到建筑附近地面上点云数据。比如从DSM(Digital Surface Model,数字表面模型)提取的点云就是一种无建筑侧面数据的点云。当然完整的点云也可以使用。
具体地,获取所述残缺点云数据以及多个所述二维矢量建筑物轮廓线,将所述残缺点云数据所在的空间划分为三维网格。
获取所述三维网格中每个网格范围内的残缺点云数据,并计算每个网格范围内的残缺点云数据与对应网格范围中心的距离,并提取距离最近的残缺点云数据。
将所述距离最近的残缺点云数据进行合并,得到所述三维均匀点云数据。
其中,本发明中对残缺点云进行网格化处理,通过将空间划为三维网格,每个网格保留离中心最近的一个数据点。
进行网格化处理原因是使二维轮廓线范围内(指二维轮廓线范围内,将点云投影到二维后进行范围判断)的高度值中位数更具有代表性,如果点云密度不均匀,则进行二维轮廓线范围内高度值中位数的提取将不准确,无法有效代表建筑屋顶的高度(进行网格化处理,相当于将不均匀点云数据处理成均匀点云数据)。
进一步的,将所述三维均匀点云数据投影至对应的所述二维矢量建筑物轮廓线所在的二维水平面,获取所述三维均匀点云数据投影后的二维点云坐标,并获取所述三维均匀点云数据对应的所述二维矢量建筑物轮廓线的范围。
提取所述二维点云坐标在所述二维矢量建筑物轮廓线的范围内对应的三维均匀点云数据,得到多个所述三维均匀点云数据集。
获取每个所述三维均匀点云数据集中每个三维均匀点云数据的高度值,并对所述高度值进行中位数计算,得到每个所述二维矢量建筑物轮廓线的顶部高度。
也就是说,在本发明中,获取每个二维轮廓线Li范围内的点云集Pi(j)(二维轮廓线的坐标是(m,n),点云三维坐标是(x,y,z)),获取的方式为:通过将点云投影(三维点云带有高度值z,投影到二维水平面相当于忽略了z,投影到二维水平面就相当于只用点云的x、y坐标)到二维水平面方式判断点是否在二维轮廓范围内(判断原因是需要用二维轮廓范围内的点云提取建筑顶部高度,当点云不在二维轮廓范围内时,不用该点云来提取顶部高度)。
轮廓线Li范围内的点云集Pi(j)中每个点的高度值H的集合为H(j),对H(j)求中位数得到顶部高度T,例如得到轮廓线Li顶部高度Ti(指第i个轮廓线的顶部高度Ti)。
步骤S20、对多个所述二维矢量建筑物轮廓线进行相邻聚类处理,得到多个聚类相邻轮廓线集,并根据多个所述聚类相邻轮廓线集计算每个所述二维矢量建筑物轮廓线的地面高度。
具体地,获取多个所述二维矢量建筑物轮廓线,并对多个所述二维矢量建筑物轮廓线进行相交判断;将判定为相交或间接相交的所述二维矢量建筑物轮廓线进行归类处理,得到多个所述聚类相邻轮廓线集。
将多个所述聚类相邻轮廓线集进行合并,得到第一相邻合并轮廓线集;将所述第一相邻合并轮廓线集进行外扩处理,得到第二相邻合并轮廓线集。
获取所述第一相邻合并轮廓线集与所述第二相邻合并轮廓线集之间的点云数据的高度值,并对所述点云数据的高度值进行中位数计算,得到每个所述二维矢量建筑物轮廓线的地面高度。
其中,对轮廓线进行相邻聚类(对轮廓线进行相交判断,当轮廓线之间存在相交时划分到一个类,存在间接关系也划分到同一个类,比如A与B相交,B与C相交,虽然A与C没有直接相交,但是A与C存在间接关系,则将A、B、C划为同一个类)得到轮廓线子集,相邻的轮廓线属于同一建筑。
对每个聚类相邻轮廓线集Sk进行合并,得到相邻合并轮廓线Lk,其中,所述相邻合并轮廓线Lk代表了一个建筑的轮廓线。
进一步的,将所述相邻合并轮廓线Lk(所述第一相邻合并轮廓线集)外扩1米得到轮廓线Lk +(所述第二相邻合并轮廓线集),并获取在Lk到Lk +之间范围内的点云Pk(j)。
对Lk到Lk +之间范围内的点云Pk(j)中高度值Y的集合Y(j)求中位数得到D,Lk地面高度即为Dk(第k个合并轮廓Lk的地面高度值)。
相邻聚类集合Sk中二维轮廓线地面高度都为Dk,即可得到每个二维轮廓线Li的地面高度Dk。
步骤S30、根据多个所述聚类相邻轮廓线集、对应的所述顶部高度以及所述地面高度生成多个柱状三维结构,并将多个所述柱状三维结构进行合并,得到建筑三维结构。
具体地,获取多个所述聚类相邻轮廓线集中的每个二维矢量建筑物轮廓线,并将所述二维矢量建筑物轮廓线沿Z轴进行拉伸;
直至将多个所述聚类相邻轮廓线集中的每个二维矢量建筑物轮廓线拉伸至对应的所述顶部高度以及所述地面高度,得到多个柱状三维结构;
根据构造实体几何方法对多个所述柱状三维结构进行合并,得到所述建筑三维结构。
如图4所示,根据每个轮廓线Li、每个Li对应的地面高度和每个Li对应的顶部高度生成(将二维轮廓线L沿Z轴进行拉伸,底部高度为D,顶部高度为T,得到柱状三维结构)单个柱状三维结构。
如图5所示,对每个聚类相邻轮廓线集Sk中每个轮廓线的柱状三维结构Vi通过构造实体几何方法,可能生成视觉上复杂的对象。具体使用CGAL库(Computational GeometryAlgorithms Library,计算几何算法库)的布尔运算来完成柱状三维结构合并)进行合并得到每个建筑三维结构Uk。其中,构造实体几何是指许允许建模者通过使用布尔运算符组合更简单的对象来创建复杂的表面或对象,通过组合一些原始对象可能生成视觉上复杂的对象。
进一步地,如图6所示,基于上述基于残缺点云数据的建筑三维结构提取方法,本发明还相应提供了一种基于残缺点云数据的建筑三维结构提取装置,其中,所述基于残缺点云数据的建筑三维结构提取装置包括:
顶部高度获取模块51,用于获取残缺点云数据以及多个二维矢量建筑物轮廓线,对所述残缺点云数据进行网格化处理,得到三维均匀点云数据,并根据所述三维均匀点云数据计算每个所述二维矢量建筑物轮廓线的顶部高度;
地面高度获取模块52,用于对多个所述二维矢量建筑物轮廓线进行相邻聚类处理,得到多个聚类相邻轮廓线集,并根据多个所述聚类相邻轮廓线集计算每个所述二维矢量建筑物轮廓线的地面高度;
三维结构合并模块53,用于根据多个所述聚类相邻轮廓线集、对应的所述顶部高度以及所述地面高度生成多个柱状三维结构,并将多个所述柱状三维结构进行合并,得到建筑三维结构。
综上所述,本发明提供一种基于残缺点云数据的建筑三维结构提取方法和装置,所述方法包括:获取残缺点云数据以及多个二维矢量建筑物轮廓线,对所述残缺点云数据进行网格化处理,得到三维均匀点云数据,并根据所述三维均匀点云数据计算每个所述二维矢量建筑物轮廓线的顶部高度;对多个所述二维矢量建筑物轮廓线进行相邻聚类处理,得到多个聚类相邻轮廓线集,并根据多个所述聚类相邻轮廓线集计算每个所述二维矢量建筑物轮廓线的地面高度;根据多个所述聚类相邻轮廓线集、对应的所述顶部高度以及所述地面高度生成多个柱状三维结构,并将多个所述柱状三维结构进行合并,得到建筑三维结构。本发明通过获取残缺点云数据和二维矢量建筑物轮廓线来计算每个二维矢量建筑物轮廓线的顶部高度和地面高度,并根据所述顶部高度和所述地面高度对每个二维矢量建筑物轮廓线进行拉伸,以此来构建多个柱状三维结构,进而通过对多个柱状三维结构采用构造几何的方式进行合并,能够快速且准确的生成建筑三维结构。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者终端中还存在另外的相同要素。
当然,本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关硬件(如处理器,控制器等)来完成,所述的程序可存储于一计算机可读取的计算机可读存储介质中,所述程序在执行时可包括如上述各方法实施例的流程。其中所述的计算机可读存储介质可为存储器、磁碟、光盘等。
应当理解的是,本发明的应用不限于上述的举例,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (8)
1.基于残缺点云数据的建筑三维结构提取方法,其特征在于,所述基于残缺点云数据的建筑三维结构提取方法包括:
获取残缺点云数据以及多个二维矢量建筑物轮廓线,对所述残缺点云数据进行网格化处理,得到三维均匀点云数据,并根据所述三维均匀点云数据计算每个所述二维矢量建筑物轮廓线的顶部高度;
对多个所述二维矢量建筑物轮廓线进行相邻聚类处理,得到多个聚类相邻轮廓线集,并根据多个所述聚类相邻轮廓线集计算每个所述二维矢量建筑物轮廓线的地面高度;
所述对多个所述二维矢量建筑物轮廓线进行相邻聚类处理,得到多个聚类相邻轮廓线集,并根据多个所述聚类相邻轮廓线集计算每个所述二维矢量建筑物轮廓线的地面高度,具体包括:
对多个所述二维矢量建筑物轮廓线进行相邻聚类处理,得到多个聚类相邻轮廓线集;
将多个所述聚类相邻轮廓线集进行合并,得到第一相邻合并轮廓线集;
将所述第一相邻合并轮廓线集进行外扩处理,得到第二相邻合并轮廓线集;
获取所述第一相邻合并轮廓线集与所述第二相邻合并轮廓线集之间的点云数据的高度值,并对所述点云数据的高度值进行中位数计算,得到每个所述二维矢量建筑物轮廓线的地面高度;
所述对多个所述二维矢量建筑物轮廓线进行相邻聚类处理,得到多个聚类相邻轮廓线集,具体包括:
获取多个所述二维矢量建筑物轮廓线,并对多个所述二维矢量建筑物轮廓线进行相交判断;
将判定为相交或间接相交的所述二维矢量建筑物轮廓线进行归类处理,得到多个所述聚类相邻轮廓线集;
根据多个所述聚类相邻轮廓线集、对应的所述顶部高度以及所述地面高度生成多个柱状三维结构,并将多个所述柱状三维结构进行合并,得到建筑三维结构。
2.根据权利要求1所述的基于残缺点云数据的建筑三维结构提取方法,其特征在于,所述获取残缺点云数据以及多个二维矢量建筑物轮廓线,对所述残缺点云数据进行网格化处理,得到三维均匀点云数据,并根据所述三维均匀点云数据计算每个所述二维矢量建筑物轮廓线的顶部高度,具体包括:
获取所述残缺点云数据以及多个所述二维矢量建筑物轮廓线,将所述残缺点云数据所在的空间划分为三维网格,并根据所述三维网格对所述残缺点云数据进行网格化处理,得到三维均匀点云数据;
将所述三维均匀点云数据进行投影处理,并提取投影后落在所述二维矢量建筑物轮廓线的范围内的三维均匀点云数据,得到多个三维均匀点云数据集,并根据多个所述三维均匀点云数据集计算每个所述二维矢量建筑物轮廓线的顶部高度。
3.根据权利要求2所述的基于残缺点云数据的建筑三维结构提取方法,其特征在于,所述根据所述三维网格对所述残缺点云数据进行网格化处理,得到三维均匀点云数据,具体包括:
获取所述三维网格中每个网格范围内的残缺点云数据,并计算每个网格范围内的残缺点云数据与对应网格范围中心的距离,并提取距离最近的残缺点云数据;
将所述距离最近的残缺点云数据进行合并,得到所述三维均匀点云数据。
4.根据权利要求2所述的基于残缺点云数据的建筑三维结构提取方法,其特征在于,所述将所述三维均匀点云数据进行投影处理,并提取投影后落在所述二维矢量建筑物轮廓线的范围内的三维均匀点云数据,得到多个三维均匀点云数据集,并根据多个所述三维均匀点云数据集计算每个所述二维矢量建筑物轮廓线的顶部高度,具体包括:
将所述三维均匀点云数据投影至对应的所述二维矢量建筑物轮廓线所在的二维水平面,并提取投影后落在对应的所述二维矢量建筑物轮廓线的范围内的所述三维均匀点云数据,得到多个所述三维均匀点云数据集;
获取每个所述三维均匀点云数据集中每个三维均匀点云数据的高度值,并对所述高度值进行中位数计算,得到每个所述二维矢量建筑物轮廓线的顶部高度。
5.根据权利要求4所述的基于残缺点云数据的建筑三维结构提取方法,其特征在于,所述提取投影后落在对应的所述二维矢量建筑物轮廓线的范围内的所述三维均匀点云数据,得到多个所述三维均匀点云数据集,具体包括:
获取所述三维均匀点云数据投影后的二维点云坐标,并获取所述三维均匀点云数据对应的所述二维矢量建筑物轮廓线的范围;
提取所述二维点云坐标在所述二维矢量建筑物轮廓线的范围内对应的三维均匀点云数据,得到多个所述三维均匀点云数据集。
6.根据权利要求1所述的基于残缺点云数据的建筑三维结构提取方法,其特征在于,所述根据多个所述聚类相邻轮廓线集、对应的所述顶部高度以及所述地面高度生成多个柱状三维结构,并将多个所述柱状三维结构进行合并,得到建筑三维结构,具体包括:
根据多个所述聚类相邻轮廓线集对应的所述顶部高度以及所述地面高度对多个所述聚类相邻轮廓线集中每个二维矢量建筑物轮廓线进行拉伸处理,得到多个柱状三维结构;
根据构造实体几何方法对多个所述柱状三维结构进行合并,得到所述建筑三维结构。
7.根据权利要求6所述的基于残缺点云数据的建筑三维结构提取方法,其特征在于,所述根据多个所述聚类相邻轮廓线集对应的所述顶部高度以及所述地面高度对多个所述聚类相邻轮廓线集中每个二维矢量建筑物轮廓线进行拉伸处理,得到多个柱状三维结构,具体包括:
获取多个所述聚类相邻轮廓线集中的每个二维矢量建筑物轮廓线,并将所述二维矢量建筑物轮廓线沿Z轴进行拉伸;
直至将多个所述聚类相邻轮廓线集中的每个二维矢量建筑物轮廓线拉伸至对应的所述顶部高度以及所述地面高度,得到多个柱状三维结构。
8.一种基于残缺点云数据的建筑三维结构提取装置,其特征在于,所述基于残缺点云数据的建筑三维结构提取装置包括:
顶部高度获取模块,用于获取残缺点云数据以及多个二维矢量建筑物轮廓线,对所述残缺点云数据进行网格化处理,得到三维均匀点云数据,并根据所述三维均匀点云数据计算每个所述二维矢量建筑物轮廓线的顶部高度;
地面高度获取模块,用于对多个所述二维矢量建筑物轮廓线进行相邻聚类处理,得到多个聚类相邻轮廓线集,并根据多个所述聚类相邻轮廓线集计算每个所述二维矢量建筑物轮廓线的地面高度;
所述对多个所述二维矢量建筑物轮廓线进行相邻聚类处理,得到多个聚类相邻轮廓线集,并根据多个所述聚类相邻轮廓线集计算每个所述二维矢量建筑物轮廓线的地面高度,具体包括:
对多个所述二维矢量建筑物轮廓线进行相邻聚类处理,得到多个聚类相邻轮廓线集;
将多个所述聚类相邻轮廓线集进行合并,得到第一相邻合并轮廓线集;
将所述第一相邻合并轮廓线集进行外扩处理,得到第二相邻合并轮廓线集;
获取所述第一相邻合并轮廓线集与所述第二相邻合并轮廓线集之间的点云数据的高度值,并对所述点云数据的高度值进行中位数计算,得到每个所述二维矢量建筑物轮廓线的地面高度;
所述对多个所述二维矢量建筑物轮廓线进行相邻聚类处理,得到多个聚类相邻轮廓线集,具体包括:
获取多个所述二维矢量建筑物轮廓线,并对多个所述二维矢量建筑物轮廓线进行相交判断;
将判定为相交或间接相交的所述二维矢量建筑物轮廓线进行归类处理,得到多个所述聚类相邻轮廓线集;
三维结构合并模块,用于根据多个所述聚类相邻轮廓线集、对应的所述顶部高度以及所述地面高度生成多个柱状三维结构,并将多个所述柱状三维结构进行合并,得到建筑三维结构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311755911.0A CN117437364B (zh) | 2023-12-20 | 2023-12-20 | 基于残缺点云数据的建筑三维结构提取方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311755911.0A CN117437364B (zh) | 2023-12-20 | 2023-12-20 | 基于残缺点云数据的建筑三维结构提取方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117437364A CN117437364A (zh) | 2024-01-23 |
CN117437364B true CN117437364B (zh) | 2024-04-26 |
Family
ID=89552047
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311755911.0A Active CN117437364B (zh) | 2023-12-20 | 2023-12-20 | 基于残缺点云数据的建筑三维结构提取方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117437364B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105960569A (zh) * | 2014-05-27 | 2016-09-21 | 精益视觉科技私人有限公司 | 使用二维图像处理来检查三维物体的方法 |
CN107527038A (zh) * | 2017-08-31 | 2017-12-29 | 复旦大学 | 一种三维地物自动提取与场景重建方法 |
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 |
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 |
CN114764871A (zh) * | 2022-06-15 | 2022-07-19 | 青岛市勘察测绘研究院 | 一种基于机载激光点云的城市建筑物属性提取方法 |
CN115482355A (zh) * | 2022-09-21 | 2022-12-16 | 南京国图信息产业有限公司 | 一种众源数据驱动的lod2级城市建筑物模型增强建模算法 |
CN115620168A (zh) * | 2022-12-02 | 2023-01-17 | 成都国星宇航科技股份有限公司 | 基于空天数据提取三维建筑物轮廓的方法、装置及设备 |
CN115965712A (zh) * | 2023-03-16 | 2023-04-14 | 深圳市规划和自然资源数据管理中心(深圳市空间地理信息中心) | 一种建筑物二维矢量图构建方法、***、设备及存储介质 |
CN116824379A (zh) * | 2023-07-04 | 2023-09-29 | 嵩山实验室 | 一种基于多维特征的激光点云建筑物轮廓渐进优化方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112052503B (zh) * | 2020-09-04 | 2021-04-13 | 东南大学 | 一种基于人工智能的商业街区建筑体块生成的方法 |
-
2023
- 2023-12-20 CN CN202311755911.0A patent/CN117437364B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105960569A (zh) * | 2014-05-27 | 2016-09-21 | 精益视觉科技私人有限公司 | 使用二维图像处理来检查三维物体的方法 |
CN107527038A (zh) * | 2017-08-31 | 2017-12-29 | 复旦大学 | 一种三维地物自动提取与场景重建方法 |
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 |
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 |
CN114764871A (zh) * | 2022-06-15 | 2022-07-19 | 青岛市勘察测绘研究院 | 一种基于机载激光点云的城市建筑物属性提取方法 |
CN115482355A (zh) * | 2022-09-21 | 2022-12-16 | 南京国图信息产业有限公司 | 一种众源数据驱动的lod2级城市建筑物模型增强建模算法 |
CN115620168A (zh) * | 2022-12-02 | 2023-01-17 | 成都国星宇航科技股份有限公司 | 基于空天数据提取三维建筑物轮廓的方法、装置及设备 |
CN115965712A (zh) * | 2023-03-16 | 2023-04-14 | 深圳市规划和自然资源数据管理中心(深圳市空间地理信息中心) | 一种建筑物二维矢量图构建方法、***、设备及存储介质 |
CN116824379A (zh) * | 2023-07-04 | 2023-09-29 | 嵩山实验室 | 一种基于多维特征的激光点云建筑物轮廓渐进优化方法 |
Non-Patent Citations (1)
Title |
---|
机载全波形LiDAR数据的地形与建筑物重建技术;李鹏程;中国博士学位论文全文数据库;20160715;A008-21 * |
Also Published As
Publication number | Publication date |
---|---|
CN117437364A (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106408604A (zh) | 一种点云数据的滤波方法及装置 | |
CN113487730B (zh) | 一种基于激光雷达点云数据的城市三维自动建模方法 | |
CN105354883A (zh) | 基于点云的3ds Max快速精细三维建模方法及*** | |
CN112164145B (zh) | 基于点云数据快速提取室内三维线段结构的方法 | |
CN110544308B (zh) | 变电站建模方法、装置、计算机设备和存储介质 | |
CN110544298B (zh) | 变电站建模方法、装置、计算机设备和存储介质 | |
CN114332134B (zh) | 一种基于密集点云的建筑物立面提取方法和装置 | |
CN116310115B (zh) | 一种基于激光点云构建建筑物三维模型的方法及*** | |
JP2019168976A (ja) | 3次元モデル生成装置 | |
CN113137919A (zh) | 一种激光点云栅格化方法 | |
CN116883754A (zh) | 一种面向地面LiDAR点云的建筑物信息提取方法 | |
CN116721228B (zh) | 一种基于低密度点云的建筑物高程提取方法及*** | |
Zhao et al. | A 3D modeling method for buildings based on LiDAR point cloud and DLG | |
CN117437364B (zh) | 基于残缺点云数据的建筑三维结构提取方法和装置 | |
CN116051980B (zh) | 基于倾斜摄影的建筑识别方法、***、电子设备及介质 | |
Sahebdivani et al. | Deep learning based classification of color point cloud for 3D reconstruction of interior elements of buildings | |
CN116012613A (zh) | 一种基于激光点云的露天矿的土方量变化测算方法和*** | |
Namouchi et al. | Piecewise horizontal 3d roof reconstruction from aerial lidar | |
CN115410036A (zh) | 一种高压架空输电线路关键要素激光点云自动分类方法 | |
CN113763240A (zh) | 一种点云缩略图生成方法、装置、设备及存储介质 | |
Zhang et al. | Shape preserving noise attenuation model for 3-d-MODELING of heritage sites by portable laser scans | |
Gkeli et al. | Automatic 3D reconstruction of buildings roof tops in densely urbanized areas | |
CN112132969B (zh) | 一种车载激光点云建筑物目标分类方法 | |
JPH11339071A (ja) | 点群からのポリゴン自動生成システム | |
CN117974899B (zh) | 一种基于数字孪生的三维场景展示方法及其*** |
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 |