【技术实现步骤摘要】
一种基于机载LiDAR点云分割建筑物顶面的方法
本专利技术涉及一种基于机载LiDAR点云利用L0梯度最小化和图割全局优化进行房屋顶面提取的方法，可用于LiDAR点云分类分割、三维建筑物模型重建等。
技术介绍
建筑物的三维重建是计算机视觉、摄影测量与遥感等领域内的重要研究课题。随着激光探测及测距(LightDetectionandRanging)系统的快速发展，迅速且准确的获得大规模城市三维点云成为可能，这为三维建筑物的重建工作带来了极大的便利。现有的基于机载LiDAR点云的建筑物三维建模的方法大致可以分为两类：模型驱动方法以及数据驱动方法。模型驱动方法是一种自上而下的方法并且认为建筑物模型都是存在于预设的模型库中的。而数据驱动方法则是自下而上进行建筑物建模，首先需要从点云中提取建筑物顶面，然后分析建筑物顶面的拓扑结构来最终构建完整的建筑物模型。由于模型驱动方法无法准确还原模型库中所不存在的房屋模型结构，因此从数据出发的数据驱动方法更为有效。而对于数据驱动方法，如何准确且高效地从点云中提取建筑物的顶面成为了三维建模工作的关键。...
【技术保护点】
1.一种基于机载LiDAR点云分割建筑物顶面的方法，其特征在于，包括如下步骤：/n步骤1，对原始建筑物点云进行欧式聚类，以分割出每栋建筑物的点云；/n步骤2，分别对每一栋建筑物进行基于区域扩张的L0梯度最小化算法的多尺度分割以得到初始平面分割结果；/n步骤3，采用基于图割的后处理优化算法将初始平面分割结果进行精化，提取高精度建筑物顶面。/n
【技术特征摘要】
1.一种基于机载LiDAR点云分割建筑物顶面的方法，其特征在于，包括如下步骤：
步骤1，对原始建筑物点云进行欧式聚类，以分割出每栋建筑物的点云；
步骤2，分别对每一栋建筑物进行基于区域扩张的L0梯度最小化算法的多尺度分割以得到初始平面分割结果；
步骤3，采用基于图割的后处理优化算法将初始平面分割结果进行精化，提取高精度建筑物顶面。
2.如权利要求1所述的一种基于机载LiDAR点云分割建筑物顶面的方法，其特征在于：步骤2中所述的基于区域扩张的L0梯度最小化算法是对L0梯度最小化算法的改进，其具体原理如下；
基于区域扩张的L0梯度最小化算法的能量函数定义为：
式中，M代表输入点云的长度，Ii和Si分别代表点云中第i个点pi输入和输出的法向量；Ni代表pi的邻域，为k个最邻近的邻域点或者是三维空间中的以R为半径的球内的邻域点，i和j分别表示邻域点的索引，参数λ为L0范数的权重；
对公式(2)进行近似化求解，首先以一对相邻点pi和pj为例，它们对于整体能量函数F的贡献值f为：
为了使f最小，采取两种不同的策略：不融合pi与pj，此时Si≠Sj或者融合pi与pj，此时Si＝Sj，并且两个相邻点之间的L0范数被消除；
对于Si≠Sj的情况，具体做法为：
对于Si＝Sj的情况，具体做法为：
将两者情况相结合得到：
然后加入几何约束来进一步提升算法的稳定性，首先引入一个平面距离的概念，以一对相邻点pi和pj为例，它们之间的平面距离Pdi,j定义如下：
Pdi,j＝abs[pij·Ii](6)
其中Pij代表从pi到pj的向量，Ii代表pi的法向量，abs[]为取绝对值；因此Pdi,j代表着两个点在法向量Ii方向上的投影距离，当两个点之间的平面距离大于规定阈值Tpd，就不再惩罚它们之间的非零梯度；
因此公式6重写为：
接下来，把上述公式从相邻点扩展至相邻点集，以Gi代表一个点集，Yi代表其法向量，点集中点数为wi，点集Gi与Gj之间的连接点个数为ci,j，结合上述几何约束条件相邻点集之间的能量公式为：
上述公式解为：
公式10即为基于区域扩张的L0梯度最小化算法的扩张条件。
3.如权利要求2所述的一种基于机载LiDAR点云分割建筑物顶面的方法，其特征在于：步骤2的基于区域扩张的L0梯度最小化算法的流程如下，
1)计算待分割点云中每个点的局部平滑特征，按照局部平滑特征值对点的操作顺序进行排序；
2)初始化点集并设定一个预设参数β，对于每一个点...
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。