一种面向城市三维建模的密集点云的快速提取方法技术

本发明专利技术提出一种面向城市三维建模的密集点云的快速提取方法，包括以下步骤：1)数据准备；2)建立坐标格网；3)将影像转换为灰度图像；4)判断各目标像素点的灰度值与其邻域像素点的灰度值的差值是否大于阀值A，如果是，则作为候选角点，否则，舍去；5)计算候选角点的角点响应函数(CRF)值，判断该候选角点的角点响应函数(CRF)值是否大于阀值B，如果是，则作为特征点，否则，舍去；6)匹配同名点；7)生成种子点；8)区域扩散；9)粗差剔除；10)生成密集点云，构tin建立三维模型。与现有技术相比，本发明专利技术具有误差小、精度高、运行效率高、应用扩展广泛等优点。

【技术实现步骤摘要】

本专利技术涉及一种密集点云的提取方法，具体地说是一种面向城市三维建模的密集 点云的快速提取方法。
技术介绍
倾斜摄影技术是国际测绘遥感领域近年发展起来的一项高新技术，通过在同一飞 行平台上搭载多台传感器（目前常用的是五镜头相机），同时从垂直、倾斜等不同角度采集 影像，获取地面物体更为完整准确的信息。垂直地面角度拍摄获取的影像称为正片（一组 影像），镜头朝向与地面成一定夹角拍摄获取的影像称为斜片（四组影像），即为倾斜影像； 其中，倾斜影像具有如下的特点：（1)可以获取多个视点和视角的影像，从而得到更为详尽 的侧面信息；(2)具有较高的分辨率和较大的视场角；（3)同一地物具有多重分辨率的影 像；(4)倾斜影像地物遮挡现象较突出；针对这些特点，倾斜摄影测量技术可以用来快速三 维建模。 要利用矫正过的影像完成地物的三维建模，获取直观地位置信息，需要对影像进 行密集点云提取，密集点云提取出来之后就可以构tin，生成三维模型，而密集点云的获取 是通过影像匹配来完成的。 在密集点云的提取过程中，一般的流程是获取影像上的特征点，匹配同名点，确定 物方种子点，形成稀疏点云，扩散得到较为密集的点云后进行粗差剔除从而得到精度较高 的密集点云，为三维建模打下可靠的基础。密集点云的提取过程可以说是一系列约束条件 的几何，在这个过程中的可能会出现许多的误差，累计起来会对三维建模的精度产生影响， 在点云提取的流程中，仍有需要完善的地方，而种子点区域扩散是误差产生的重灾区，需要 对扩散后的点75T反复的粗差剔除，提尚精度。 另外，如今对密集点云提取的研究越来越多，点云提取涉及的方法也在不断地改 进，如特征点提取中，最初多米用Morevec算法，考虑像素点向特定的几个方向移动灰度梯 度所产生的变化，这种方法并不能考虑到像素点周围所有灰度梯度变化的情况，因此容易 遗漏特征点，对后续的点云提取有一定的不良影响；现在多采用Harris算法提取特征点， 在Morevec基础上的改进，可以对像素点周围的所有方向检测灰度梯度的变化，使得特征 点的提取更加的合理。但是Harris算法也存在着局限性，对特征点提取时，检测的时间上 较慢，运行效率低。 Harris算法是一种基于影像灰度的角点检测算法，适用于倾斜影像的特征点提 取，角度最好在45度以内，对于尺度变化比较敏感，是一种有效的点特征提取算法，Harris 算法的思想是：在影像上以被检测像素点为中心设置一个窗口，沿各个方向微小移动窗口， 考察窗口内灰度强度的平均变化情况，当该变化值超过设定的阈值时，则将被检测点提取 为特征点，即认为是角点。 其优点总结起来有：①计算简单：Harris算法中只用到灰度的一阶差分以及滤 波，操作简单；②提取的点特征均匀而且合理：Harris算法对图像中的每个点都计算其兴 趣值，然后在邻域中选择最优点。实验表明，在纹理信息丰富的区域，Harris算法可以提 取出大量有用的特征点，而在纹理信息少的区域，提取的特征点则较少；③稳定：Harris 算法的计算公式中只涉及到一阶导数，因此对影像的旋转、灰度变化、噪声影响和视点变换 不敏感。 具体应用时： ①邻域是平坦的，则灰度强度随窗口移动变化很小；(R取小数值的正数，不可能 为角点） ②若中心点邻域包含边缘，则沿水平边缘方向移动窗口时，灰度强度变化很小，沿 垂直边缘方向移动窗口时，灰度强度变化很大；(R取大数值的负数） ③若中心点邻域内包含角点，则沿任意方向移动窗口时，灰度强度均有明显变化； (R取大数值的正数） 灰度强度变化函数： 为了寻找带角点的窗口，搜索像素灰度变化较大的窗口，于是期望最大化E(u，V)。 通过微分运算可以覆盖所有方向的检测并进行泰勒展开，其灰度强度变化量可定 义为： R=det(M)-k(trace(M))2 (k是经验值，常取0? 04~0? 06) det(M)=入！入 2 trace(M)=入A入 2 Al、A2是二阶矩阵M的两个特征值。R为角点响应函数，当目标像素点的R值大 于设定的阈值（由于R值分类比较明显，容易确定阀值时），可以作为角点选择出来。 具体步骤： ①计算影像上各个像素点水平和垂直方向上的梯度值Ix和Iy，求得自相关矩阵 M； ②对计算后的影像进行高斯滤波，得到滤波后的M; ③计算各个像素点的角点响应函数的值； ④选取R的局部极大值点作为候选角点； ⑤设定相应的阈值提取角点。 综上可知，现有技术的缺点主要集中在以下几点：a)面向城市快速建模应用中，目前基于倾斜影像的密集点云提取方法影响了三维 建模的精度，其提取方法流程仍待完善； b)中小城市建模工作采用倾斜影像建模方式大概需要三到五个月的时间，多视影 像密集点云提取过程中采用的Harris算法在检测角点的过程中需要对每一个像素点进行 角点响应检测，其中会涉及大量的乘法运算，导致计算速度比较慢，影响工作的效率。 c)多视影像密集点云提取种子点扩散后得到的点云中有很多的误差点，误差点的 存在会使得地物的几何形状发生改变，对后续的三维建模有较大的影响。 为了解决上述技术问题，本专利技术提出一种高精度、高效率且应用范围广的 面向城市三维建模的密集点云的快速提取方法。
技术实现思路
本专利技术的目的是为了克服上述现有密集点云提取方法存在的不足，提出一种优 化密集点云提取流程、改进特征点获取算法以提高运行效率、并能对扩散后的点云进行反 复粗差剔除的高精度、高效率且应用范围广的面向城市三维建模的密集点云的快速提取方 法。 为了实现上述目的，本专利技术采用了以下技术方案： -种面向城市三维建模的密集点云的快速提取方法，具体包括以下步骤： 1)数据准备，数据具体包括倾斜航空摄影获取的多视影像数据、空三加密后的影 像外方位元素、倾斜航摄仪相机参数信息，所述的多视影像数据包括有元数据，内含影像分 辨率、影像投影坐标； 2)在步骤1中的多视影像数据中的垂直影像上，按照城市三维建模精细化的实际 需求建立坐标格网，坐标格网中每个格网单元的大小不小于影像分辨率，所述影像分辨率 与步骤1的影像分辨率相同； 3)将多视影像转换为灰度图像，并通过高斯滤波对灰度图像进行平滑处理； 4)在灰度图像中，计算各目标像素点的灰度值与其邻域像素点的灰度值，将各目 标像素点的灰度值与其邻域像素点的灰度值进行比较形成差值，多个差值构成一个数值范 围，在该数值范围内确定阀值A的大小，然后判断各目标像素点的灰度值与其邻域像素点 的灰度值的差值是否大于阀值A，如果是，则将该目标像素点提取作为候选角点，否则，直接 舍去； 5)计算步骤4中候选角点的角点响应函数（CRF)值，判断该候选角点的角点响应 函数（CRF)值是否大于预先设定的阀值B，如果是，则将该候选角点提取作为特征点，否则， 直接舍去； 6)匹配同名点，选择参考影像和搜索影像，将参考影像上的特征点按核线几何约 束条件在搜索影像上寻找同名点； 7)生成种子点，利用步骤1中的当前第1页1 2 3 4 本文档来自技高网...

【技术保护点】
一种面向城市三维建模的密集点云的快速提取方法，其特征在于具体包括以下步骤：1)数据准备，数据具体包括倾斜航空摄影获取的多视影像数据、空三加密后的影像外方位元素、倾斜航摄仪相机参数信息，所述的多视影像数据包括有元数据，内含影像分辨率、影像投影坐标；2)在步骤1中的多视影像数据中的垂直影像上，按照城市三维建模精细化的实际需求建立坐标格网，坐标格网中每个格网单元的大小不小于影像分辨率，所述影像分辨率与步骤1的影像分辨率相同；3)将多视影像转换为灰度图像，并通过高斯滤波对灰度图像进行平滑处理；4)在灰度图像中，计算各目标像素点的灰度值与其邻域像素点的灰度值，将各目标像素点的灰度值与其邻域像素点的灰度值进行比较形成差值，多个差值构成一个数值范围，在该数值范围内确定阀值A的大小，然后判断各目标像素点的灰度值与其邻域像素点的灰度值的差值是否大于阀值A，如果是，则将该目标像素点提取作为候选角点，否则，直接舍去；5)计算步骤4中候选角点的角点响应函数(CRF)值，判断该候选角点的角点响应函数(CRF)值是否大于预先设定的阀值B，如果是，则将该候选角点提取作为特征点，否则，直接舍去；6)匹配同名点，选择参考影像和搜索影像，将参考影像上的特征点按核线几何约束条件在搜索影像上寻找同名点；7)生成种子点，利用步骤1中的数据进行初始匹配，获取种子点；8)区域扩散，即种子点扩散，内插生成待定点的空间坐标和法向量，得到相对密集的点云，使其均匀密集的分布在规则格网上；9)粗差剔除，通过多片前方交会严密解方式以及最小二乘思想，剔除点云粗差点；并判断格网单元是否计算完毕，如果是，则进入步骤10，否则，回到步骤8继续进行区域扩散；10)生成密集点云，构tin建立三维模型。...

【技术特征摘要】

【专利技术属性】
技术研发人员：李英成，王恩泉，廖明，孙攀，俞凯杰，敖楠，唐泽彬，叶冬梅，张金龙，
申请(专利权)人：浙江中测新图地理信息技术有限公司，
类型：发明
国别省市：浙江;33