The present invention relates to a density clustering algorithm for separating single buildings from point clouds of buildings, and applies the density clustering idea to the separation process of single buildings. The method has the advantages of noise resistance, good robustness, excellent calculation performance, good segmentation effect and high accuracy for data in dense building areas, and no manual intervention is needed. The point clouds (data sets) of single buildings separated automatically by this algorithm can be directly used to produce three-dimensional models of buildings. As a data base, they can be widely used in the construction of smart cities or digital cities. They can be applied in real-time updating of urban building data, refinement of cities, scientific management or operation, etc.
【技术实现步骤摘要】
一种建筑点云中分离单体建筑的密度聚类算法
本专利技术涉及计算机三维重建，尤其是一种建筑点云中分离单体建筑的密度聚类算法。
技术介绍
建筑物三维模型重建的数据来源，除传统的人工测绘、立体影像外，另一种更高效更精确的方式是使用激光雷达(LiDAR)所获取的高精度三维点云(PointCloud)。基于点云重建建筑三维模型的主要步骤包括，建筑区域提取(点云滤波及分类)以及三维重建。为满足主题查询等需求，重建的三维建筑模型在物理上应当是可区分的。但是，当建筑物区域(建筑点云)从原始点云中分类(提取)出来以后，建筑点云数据集中常包含多幢建筑。为了正确、有效地重建建筑物三维模型，需要从中分离出各单体建筑。已有的单体建筑分离方法按数据处理方式可分为基于栅格或基于矢量的分离方法。基于栅格的分离过程，先将点云数据按一定的规则(如高度、点密度等)重采样，投影到2D平面上，然后再用图像处理或相关技术手段，聚类、分割，边缘检测、跟踪等方法分离出单体建筑区域后，再反投影，进而分割出单体建筑点云。栅格法的主要困难包括：选择合适的单元格大小，选择合适的分割阈值等，另外数据转换也会带来误差，导致不...
【技术保护点】
1.一种建筑点云中分离单体建筑的密度聚类算法，包括以下步骤：1)从任一未处理的点P0开始，若其ε‑邻域内至少包含minPts个点，则P0为核心点，开始转步骤2)进行聚类过程；否则，将P0标记为噪声点，并重复当前步骤；如果数据集中所有点都处理完毕，则聚类过程结束；2)将P0的ε‑邻域点加入到新的聚类C中，并将这些邻域点根据其各自的邻点数量，分别标记为核心点或噪声点；3)重复步骤2)，即将C中所有未处理的核心点，继续同样的处理过程，直到没有新的核心点加入C为止，即找到一个密度连接的最大子集，标记/分离出某一单体建筑；4)重复上述步骤，寻找一个新的聚类。
【技术特征摘要】
1.一种建筑点云中分离单体建筑的密度聚类算法，包括以下步骤：1)从任一未处理的点P0开始，若其ε-邻域内至少包含minPts个点，则P0为核心点，开始转步骤2)进行聚类过程；否则，将P0标记为噪声点，并重复当前步骤；如果数据集中所有点都处理完毕，则聚类过程结束；2)将P0的ε-邻域点加入到新的聚类C中，并将这些邻域点根据其各自的邻点数量，分别标记为核心点或噪声点；3)重复步骤...
【专利技术属性】
技术研发人员：曹如军，吕德亮，
申请(专利权)人：杭州中科天维科技有限公司，中科光绘上海科技有限公司，
类型：发明
国别省市：浙江,33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。