基于影像建筑物结构学习的三维面片模型构建方法技术

本发明专利技术公开了一种基于影像建筑物结构学习的三维面片模型构建方法，包括：获取建筑物的航空影像并处理获得航空正射影像和数字表面模型；构建建筑物屋顶线段检测网络模型，以提取出航空正射影像中建筑物屋顶矢量线段；采用基于梯度项约束的联合双边上采样方法去除数字表面模型中的异常噪声；将数字表面模型变换为对应的三维点云数据，根据三维点云数据拟合屋顶平面从而绘制建筑物屋顶场景分布的初始面元；将建筑物多边形分解为矩形区域；在每个矩形区域内以屋顶矢量结构线作为几何约束，联合屋顶的初始面元构建总体目标函数，再对总体目标函数局部最优求解，完成建筑物屋顶三维面片模型的构建。本发明专利技术给后续建筑物模型的精细重建提供了基础。细重建提供了基础。细重建提供了基础。

【技术实现步骤摘要】
基于影像建筑物结构学习的三维面片模型构建方法


[0001]本专利技术属于图像处理的
，具体涉及一种基于影像建筑物结构学习的三维面片模型构建方法。

技术介绍

[0002]随着我国智慧城市建设和城市化进程的快速推进，经济社会发展需要空间信息从二维走向三维，人们迫切需要通过高精度、细粒度的建模方法来表达更真实的地理实景空间。建筑物作为城市场景内的主要地物类别，其大规模三维实景模型的构建是城市国土资源管理和各类空间分析应用的数据基础。然而，尽管当前围绕大规模城市建筑物三维几何重建已有较为成熟的技术和流程，但建筑物自动语义化识别与单体化建模的研究仍然不足，存在业务割裂、效率不高、难以规模化应用等问题，导致建筑物实景三维模型构建很难纳入应用级的实体数据生产体系。
[0003]近年来，传感器技术和对地观测技术的飞速发展使得高分辨率航空影像变得广泛可用，现有基于航空影像的三维重建方法凭借其成本低廉、流程简洁且能够适应多种地物环境的优势，成为构建大范围城市建筑物三维模型的重要途径。然而，当前在航空影像建筑物信息提取方面，现有方法面对地物种类繁多、存在大量冗余信息的城市场景，通常基于光谱、纹理和几何等特征提取建筑物的外部轮廓，这种方法过度简化了建筑物的结构信息，丢失了屋顶内部的几何结构和空间拓扑信息，给后续建筑物模型的精细重建带来了极大的困难。而在建筑物的三维模型重建阶段，基于多视影像密集匹配生成的数字表面模型存在高程突变、边缘模糊和内部空洞等问题，且由于缺乏显著几何特征仅能用于重建低质量的LOD1级模型，极大的制约了重建模型的可用性。

技术实现思路

[0004]本专利技术的目的在于针对现有技术的不足之处，提供一种基于影像建筑物结构学习的三维面片模型构建方法，该方法保留了屋顶内部的几何结构和空间拓扑信息，给后续建筑物模型的精细重建提供了基础。
[0005]为解决上述技术问题，本专利技术采用如下技术方案：一种基于影像建筑物结构学习的三维面片模型构建方法，包括如下步骤：步骤1，获取建筑物的航空影像数据，对航空影像数据进行预处理获得航空正射影像和数字表面模型；步骤2，构建建筑物屋顶线段检测网络模型，将航空正射影像输入到建筑物屋顶线段检测网络模型中，建筑物屋顶线段检测网络模型根据建筑物的几何和语义信息提取屋顶关键结点信息并生成候选线段，再对航空正射影像的多尺度特征进行融合，最后将候选线段与特征层对齐，滤除错误拓扑的候选线段，并输出航空正射影像中拓扑完整的建筑物屋顶矢量线段；步骤3，采用基于梯度项约束的联合双边上采样方法去除数字表面模型中的异常
噪声，提升数字表面模型的数据质量；步骤4，将步骤3处理后的数字表面模型变换为对应的三维点云数据，根据三维点云数据拟合屋顶平面从而提取出所有屋顶平面，并根据是否倾斜对所有屋顶平面划分类别属性，最后根据不同的属性绘制建筑物屋顶场景分布的初始面元；步骤5，基于网格将不规则建筑物多边形分解为多个矩形区域；在每个矩形区域内，以步骤2输出的拓扑完整的建筑物屋顶矢量线段作为几何约束，联合步骤4的屋顶初始面片构建初始面片的总体目标函数，最后在每个矩形区域中对总体目标函数进行局部最优求解，从而完成建筑物屋顶三维面片模型的构建。
[0006]进一步地，建筑物屋顶线段检测网络模型包括骨干网络、线段检测分支、语义分割分支以及LOI Pooling模块；其中，骨干网络用于对航空正射影像进行特征提取并将特征提取后的图像输入到线段检测分支和语义分割分支中；线段检测分支用于根据建筑物的几何和语义信息提取屋顶关键结点信息并生成候选线段；语义分割分支用于对航空正射影像的多尺度特征进行融合；LOI Pooling模块将候选线段与深度下采样的特征层对齐，滤除错误拓扑的候选线段，并输出航空正射影像中拓扑结构的建筑物屋顶矢量线段。
[0007]进一步地，线段检测分支包括编码器、结点预测模块以及混合采样模块，在线段检测分支中生成候选线段的方法为：以编码器下采样获得的共享特征图作为输入，其中，共享特征图来自骨干网络的输出，采用结点预测模块提取屋顶关键结点的位置坐标，并将共享特征图划分为多个网格单元，再将关键点的真值转变为对应坐标的高斯概率分布，网格单元中的结点概率分布由结点概率分布图E和位置偏移图O表示，其对应的概率分布映射和偏移映射表示为：；其中，表示角点序号集合V中存在第i个交点，其位置位于网格单元b内，网格单元b的中心坐标表示为，则代表第i个结点的坐标，W
b
表示网格单元的宽度；最后，选取预测概率最优的K个关键结点采用混合采样模块生成候选线段。
[0008]进一步地，步骤3中去除数字表面模型中的异常噪声的具体方法为：根据数字表面模型中的高度信息、色彩信息，以及两者具有的空间相关性，同时引入深度引导图在色彩域权值计算中，采用联合双边上采样并结合数字表面模型中的梯度值，将原本异常的数据噪声去除，从而提升数字表面模型的数据质量。
[0009]进一步地，上述上采样方法具体为：
;此外相对于在颜色域中计算相似的灰度值差异，数字表面模型中的梯度值更能反映图像的边缘特征，将原有的颜色核高斯函数变换为计算相邻像素之间的梯度项约束：；；；其中，p表示核中心坐标，q表示邻接窗口D内的像素坐标，表示坐标p处输出的深度，W
p
表示坐标p处的归一化系数，表示空间核，其中表示空间核的标准差，表示坐标q处的输入的DSM灰度值，表示颜色核，其中表示颜色核的标准差，表示坐标p处输入的遥感正射影像RGB值，表示坐标q处输入的RGB值，表示坐标p处输入的深度值，表示坐标q处输入的深度值，深度图像由数字表面模型线性内插得到，α为归一化自适应权重；此外相对于在颜色域中计算相似的灰度值差异，数字表面模型中的梯度值更能反映图像的边缘特征，将原有的颜色核高斯函数变换为计算相邻像素之间的梯度项约束：；
；；其中，G
x
、G
y
则分别代表图像中p、q在水平、垂直方向的梯度变化程度；x、y分别表示水平和垂直方向；p
x
、p
y
分别表示p的x、y坐标，q
x
、q
y
分别表示q的x、y坐标，σ
r
表示颜色核的标准差；采用上述改进后的联合双边上采样方法，将数字表面模型中原本异常的数据噪声去除，从而提升数字表面模型的数据质量。
[0010]进一步地，步骤4中绘制建筑物屋顶场景分布的初始面元的方法为：采用RANSAC算法从点云数据中拟合出置信度最高的平面模型参数方程；然后采用RANSAC算法对剩余的外点不断迭代拟合，直至提取出所有屋顶平面，在将点云数据拟合为多个屋顶平面的同时计算其对应的法线方向；根据屋顶平面的法线方向计算其与地物坐标系z轴法线之间的夹角，从而将屋顶平面模型划分为水平、倾斜两类属性；最后依照属性将各屋顶平面对应的点云集合重投影至数字表面模型中，从而划分出反映屋顶场景分布的初始面元。
[0011]进一步地，步骤5中，将不规则建筑物多边形分解为多个矩形区域的方法为：首先，将本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于影像建筑物结构学习的三维面片模型构建方法，其特征在于，包括如下步骤：步骤1，获取建筑物的航空影像数据，对航空影像数据进行预处理获得航空正射影像和数字表面模型；步骤2，构建建筑物屋顶线段检测网络模型，将航空正射影像输入到建筑物屋顶线段检测网络模型中，建筑物屋顶线段检测网络模型根据建筑物的几何和语义信息提取屋顶关键结点信息并生成候选线段，再对航空正射影像的多尺度特征进行融合，最后将候选线段与特征层对齐，滤除错误拓扑的候选线段，并输出航空正射影像中拓扑完整的建筑物屋顶矢量线段；步骤3，采用基于梯度项约束的联合双边上采样方法去除数字表面模型中的异常噪声，提升数字表面模型的数据质量；步骤4，将步骤3处理后的数字表面模型变换为对应的三维点云数据，根据三维点云数据拟合屋顶平面从而提取出所有屋顶平面，并根据是否倾斜对所有屋顶平面划分类别属性，最后根据不同的属性绘制建筑物屋顶场景分布的初始面元；步骤5，基于网格将不规则建筑物多边形分解为多个矩形区域；在每个矩形区域内，以步骤2输出的拓扑完整的建筑物屋顶矢量线段作为几何约束，联合步骤4的屋顶初始面片构建初始面片的总体目标函数，最后在每个矩形区域中对总体目标函数进行局部最优求解，从而完成建筑物屋顶三维面片模型的构建。2.根据权利要求1所述的基于影像建筑物结构学习的三维面片模型构建方法，其特征在于，建筑物屋顶线段检测网络模型包括骨干网络、线段检测分支、语义分割分支以及LOI Pooling模块；其中，骨干网络用于对航空正射影像进行特征提取并将特征提取后的图像输入到线段检测分支和语义分割分支中；线段检测分支用于根据建筑物的几何和语义信息提取屋顶关键结点信息并生成候选线段；语义分割分支用于对航空正射影像的多尺度特征进行融合；LOI Pooling模块将候选线段与深度下采样的特征层对齐，滤除错误拓扑的候选线段，并输出航空正射影像中拓扑结构的建筑物屋顶矢量线段。3.根据权利要求2所述的基于影像建筑物结构学习的三维面片模型构建方法，其特征在于，线段检测分支包括编码器、结点预测模块以及混合采样模块，在线段检测分支中生成候选线段的方法为：以编码器下采样获得的共享特征图作为输入，其中，共享特征图来自骨干网络的输出，采用结点预测模块提取屋顶关键结点的位置坐标，并将共享特征图划分为多个网格单元，再将关键点的真值转变为对应坐标的高斯概率分布，网格单元中的结点概率分布由结点概率分布图E和位置偏移图O表示，其对应的概率分布映射和偏移映射表示为：；
其中，表示角点序号集合V中存在第i个交点，其位置位于网格单元b内，网格单元b的中心坐标表示为，则代表第i个结点的坐标，W
b
表示网格单元的宽度；最后，选取预测概率最优的K个关键结点采用混合采样模块生成候选线段。4.根据权利要求1所述的基于影像建筑物结构学习的三维面片模型构建方法，其特征在于，步骤3中去除数字表面模型中的异常噪声的具体方法为：根据数字表面模型中的高度信息、色彩信息，以及两者具有的空间相关性，同时引入深度引导图在色彩域权值计算中，采用联合双边上采样并结合数字表面模型中的梯度值，将原本异常的数据噪声去除，从而提升数字表面模型的数据质量。5.根据权利要求4所述的基于影像建筑物结构学习的三维面片模型构建方法，其特征在于，上述上采样方法具体为：;其中，p表示核中心坐标，q表示邻接窗口D内的像素坐标，表示坐标p处输出的深度，W
p
表示坐标p处的归一化系数，表示空间核，其中表示空间核的标准差，表示坐标q处的输入的DSM灰度值，表示颜色核，其中表示颜色核的标准差，表示坐标p处输入的遥感正射影像RGB值，表示坐标q处输入的RGB...

【专利技术属性】
技术研发人员：郑先伟，龚健雅，王嘉宁，熊汉江，岳林蔚，
申请(专利权)人：武汉大学，
类型：发明
国别省市：