基于点云维度和空间距离聚类的建筑物轮廓自动提取方法技术

本发明专利技术提供了一种基于点云维度和空间距离聚类的建筑物轮廓自动提取方法，包括：S1、对带有真实地理坐标的激光点云进行去噪处理；S2、通过对所述激光点云进行点云滤波，分离场景中的地面点云及非地面点云；S3、计算所述非地面点云所属维度可能性，通过空间聚类分析获取建筑物点云；S4、获取建筑物点云轮廓，并拟合轮廓函数。本发明专利技术数据源采用激光点云，不仅能解决传统方法中由于遥感影像分辨率低导致的地物分类不准确等问题，也能面向大场景开展建筑物轮廓提取，还通过计算点云所属维度，从非地面点云中分离现状点云、面状点云和散状点云，再依据空间距离聚类方法准确提取建筑物点云。不光使得提取建筑物点云的结果更精确，还提升了效率。提升了效率。提升了效率。

【技术实现步骤摘要】
基于点云维度和空间距离聚类的建筑物轮廓自动提取方法


[0001]本专利技术涉及激光点云处理
，具体涉及一种基于点云维度和空间距离聚类的建筑物轮廓自动提取方法。

技术介绍

[0002]城市实景三维模型能够真实、立体、时序化反映人类生产、生活和生态空间，是国家重要的新型基础设施，也是助力数字政府、数字经济建设的时空信息数据和战略性资源。建筑物单体化模型作为城市实景三维模型中的关键要素，在城市资源优化配置与精细化管理等领域具有重要作用。目前常用的三维模型单体化技术，如切割单体化、ID单体化等都需要首先获取建筑物轮廓。因而，建筑物轮廓提取的效率和精度是三维模型单体化过程中必须解决的问题。在实际生产中，常见的建筑物轮廓提取方法有以下几种：
[0003](1)基于人工勾画的建筑物轮廓提取。该方法通过目视解译和判读对遥感影像地物进行分类，再通过人工勾画的方式提取建筑物轮廓矢量。
[0004](2)基于光谱特征的建筑物轮廓提取。该方法首先获取区域内多光谱正射遥感信息，并对遥感信息进行融合生成多光谱正射影像地图，再对地图中的地物进行分类和分割，从而得到建筑物轮廓。
[0005](3)基于深度学习的建筑物轮廓提取。该方法构建卷积神经网络及延伸模型进行实验，通过调整和修改模型参数对获取的建筑物轮廓进行不断优化，最终得到建筑物轮廓。
[0006]上述几种常用方法均基于遥感影像实现建筑物轮廓提取，但在技术上仍存在一些不可避免的缺陷：一是基于人工勾画的建筑物轮廓提取方法需要大量的人力物力投入，轮廓提取效率和精度较低，无法面向大场景实施。二是基于光谱特征的建筑物轮廓提取方法只针对多光谱正射遥感影像，该方法易受到云层、阴影、噪声等的干扰，导致地物分类精度不够，提取出的建筑物轮廓只能近似拟合。三是基于深度学习的建筑物轮廓提取方法需要事先构建大容量的样本库，同时针对不同的场景需要不断调整和修改模型，人力物力耗费较大，无法面向通用场景实现建筑物轮廓提取。
[0007]因此，目前基于遥感影像实现建筑物轮廓提取的方法面临轮廓提取效率和精度较低、易受云层、阴影、噪声等的干扰等问题。

技术实现思路

[0008]针对现有技术中所存在的不足，本专利技术提供了一种基于点云维度和空间距离聚类的建筑物轮廓自动提取方法，以解决现有技术中目前基于遥感影像实现建筑物轮廓提取的方法面临轮廓提取效率和精度较低、易受云层、阴影、噪声等的干扰等问题。
[0009]本专利技术提供了一种基于点云维度和空间距离聚类的建筑物轮廓自动提取方法，包括：
[0010]S1、对带有真实地理坐标的激光点云进行去噪处理；
[0011]S2、通过对所述激光点云进行点云滤波，分离场景中的地面点云及非地面点云；
[0012]S3、计算所述非地面点云所属维度可能性，通过空间聚类分析获取建筑物点云；
[0013]S4、获取建筑物点云轮廓，并拟合轮廓函数。
[0014]可选地，所述对带有真实地理坐标的激光点云进行去噪处理，包括：
[0015]根据原始点云信息，确定一个邻域半径Eps和判断阈值MinPts，基于DBSCAN聚类分析算法得到核心点、边界点及噪声点，保留核心点和边界点，达到点云去噪目的。
[0016]可选地，所述通过对所述激光点云进行点云滤波，分离场景中的地面点云及非地面点云，包括：
[0017]基于布料模拟滤波算法，分别计算点云受外部因素和内部因素影响后的位移量，通过比较点云位移量与高程阈值的大小，分离地面点云和非地面点云。
[0018]可选地，所述计算所述非地面点云所属维度可能性，包括：
[0019]所述非地面点云所属维度包括线状点云、面状点云和散状点云的三个维度，结合非地面点云邻域协方差矩阵，分别计算非地面点云属于所述三个维度的概率：
[0020][0021]其中，ρ
1D
、ρ
2D
及ρ
3D
分别表示该点云属于线状点云、面状点云和散状点云的概率，δ0，δ1，δ2由协方差矩阵的三个特征值计算得出。
[0022]可选地，所述通过空间聚类分析获取建筑物点云，包括：
[0023]基于空间距离对非地面点云进行聚类分析，提取建筑物点云，构建建筑物点云集。
[0024]可选地，所述通过空间聚类分析获取建筑物点云，包括：
[0025]基于空间距离对非地面点云进行聚类分析，提取建筑物点云，具体判断条件为：
[0026][0027]其中，n
1D
、n
2D
、n
3D
分别表示线状点云、面状点云和散状点云的数目，μ
2D
为面状点云比例阈值，所述空间距离包括云簇中最大高差和建筑物最小高度阈值，Δh
max
为点云簇中最大高差，Δh
b
为建筑物最小高度阈值，保留满足上述判断条件的点云，即建筑物点云。
[0028]可选地，所述获取建筑物点云轮廓，并拟合轮廓函数，包括：
[0029]对所述建筑物点云集采用α
‑
shape算法提取出点云集轮廓，基于所述点云集轮廓，采用Douglas
‑
Peucker算法拟合轮廓函数。
[0030]相比于现有技术，本专利技术具有如下有益效果：
[0031](1)数据源采用激光点云，其不受云雾和天气影响，具有优异的方位分辨率以及高密度、高精度、易分割的特性，适用于大多数场景和环境，不仅能解决传统方法中由于遥感影像分辨率低导致的地物分类不准确等问题，也能面向大场景开展建筑物轮廓提取。
[0032](2)通过计算点云所属维度，从非地面点云中分离现状点云、面状点云和散状点云，可以有效剔除树木、电杆、路牌等目标，再依据空间距离聚类方法准确提取建筑物点云。这种方法不仅避免了大量的人力物力投入，还提高了点云分类的精度和效率，相比其他方法(如K
‑
means聚类算法等)，该方法提取建筑物点云的结果更精确。
附图说明
[0033]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本专利技术的实施
例，并与说明书一起用于解释本专利技术的原理。
[0034]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0035]图1为本专利技术的流程示意图；
[0036]图2为本专利技术的具体流程示意图；
[0037]图3为本专利技术中DBSCAN聚类分析算法概念示意图；
[0038]图4为本专利技术中α
‑
shape算法提取点云集轮廓概念图示意图。
具体实施方式
[0039]为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于点云维度和空间距离聚类的建筑物轮廓自动提取方法，其特征在于，包括：S1、对带有真实地理坐标的激光点云进行去噪处理；S2、通过对所述激光点云进行点云滤波，分离场景中的地面点云及非地面点云；S3、计算所述非地面点云所属维度可能性，通过空间聚类分析获取建筑物点云；S4、获取建筑物点云轮廓，并拟合轮廓函数。2.根据权利要求1所述的基于点云维度和空间距离聚类的建筑物轮廓自动提取方法，其特征在于，所述对带有真实地理坐标的激光点云进行去噪处理，包括：根据原始点云信息，确定一个邻域半径Eps和判断阈值MinPts，基于DBSCAN聚类分析算法得到核心点、边界点及噪声点，保留核心点和边界点，达到点云去噪目的。3.根据权利要求1所述的基于点云维度和空间距离聚类的建筑物轮廓自动提取方法，其特征在于，所述通过对所述激光点云进行点云滤波，分离场景中的地面点云及非地面点云，包括：基于布料模拟滤波算法，分别计算点云受外部因素和内部因素影响后的位移量，通过比较点云位移量与高程阈值的大小，分离地面点云和非地面点云。4.根据权利要求1所述的基于点云维度和空间距离聚类的建筑物轮廓自动提取方法，其特征在于，所述计算所述非地面点云所属维度可能性，包括：所述非地面点云所属维度包括线状点云、面状点云和散状点云的三个维度，结合非地面点云邻域协方差矩阵，分别计算非地面点云属于所述三个维度的概率：其中，ρ
1D
、ρ
2D
及ρ
3...

【专利技术属性】
技术研发人员：黄林周，连蓉，罗鼎，张孝成，马泽忠，余淮江，黄印，魏文杰，林熙，王小攀，刘亦凡，李晓，雷小虎，袁月，蒋雪，
申请(专利权)人：重庆市地理信息和遥感应用中心，
类型：发明
国别省市：