System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及城市大范围建筑模型领域,尤其涉及一种基于多源数据融合的建筑物多细节层次模型重建方法。
技术介绍
1、城市大范围建筑模型重建一直是实景三维建模的热点问题,单一的机载lidar测量系统获得的建筑物点云立面数据缺失、密度不均,导致建筑物单体化难、自动化程度低等问题。随着测绘装备的快速发展,空、天、地多平台、多类型对地测量系统可以全天候、高速度、高密度地获取三维激光点云和图像纹理数据,在大范围城市空间信息采集方面具有显著优势,为自动化数据处理提供了数据基础。然而,由于现实环境复杂、目标丰富、地物遮挡等情况,三维数据自动化、智能化处理软件相比于硬件发展水平较低。具体表现为要素提取难、分类精度低、自动化程度低、重建精度低等问题,难以满足城市场景三维实体表达的需求。
技术实现思路
1、鉴于上述问题,本专利技术提出了以便提供克服上述问题或者至少部分地解决上述问题的一种基于多源数据融合的建筑物多细节层次模型重建方法。
2、根据本专利技术的一个方面,提供了一种基于多源数据融合的建筑物多细节层次模型重建方法,所述模型重建方法包括:
3、基于机载激光点云的三维几何信息进行地面点云自适应滤波、对地面点构建dem;
4、基于遥感图像数据,利用面向对象和卷积神经网络自动化提取建筑物二维图斑,利用图优化理论对初始的建筑物图斑进行规则化处理,获得建筑物图斑;
5、基于所述建筑物图斑获得建筑物单体化点云,结合建筑物屋顶三维高程和dem高程值重建建筑物lod
6、基于建筑物单体化点云,利用结构约束三角网进行建筑物立面结构推理和补全,重建建筑物lod2模型;
7、基于倾斜影像对重建的所述建筑物lod2模型和所述建筑物lod1模型进行自动化纹理映射。
8、可选的,所述基于机载激光点云的三维几何信息进行地面点云自适应滤波、对地面点构建dem具体包括:
9、基于虚拟格网化方法对原始点云进行均匀划分,针对没有点云的格网内插一个虚拟点,格网中的最低点作为格网点,而格网中的剩余点云标记为其他点云;
10、根据格网点的不同类型区域采用对应的基元进行表达。
11、可选的,所述根据格网点的不同类型区域采用对应的基元进行表达具体包括:
12、高程平缓区域采用面片表示,变化剧烈区域采用点表示。针对面片集合,采用点云分割滤波方法,非地面面片边界点云与地面之间存在高程差异,设定一定领域内的最低点作为地面种子点构建临时dem,计算各面片边界点与临时dem之间的高程差异,并与高程差阈值比较,将面片分成地面面片和非地面面片;
13、针对离散独立点云集合,采用多尺度形态学滤波方法进行处理,剔除非地面点云;
14、针对其他点云,计算未分类点云到临时dem的距离以及对应的地形坡度,并与阈值相比较,将未分类点云区分成地面点云和非地面点云;
15、针对分离的地面点云,对孔洞处进行反距离插值,再利用限定delaunay三角剖分生成dem。
16、可选的,所述基于遥感图像数据,利用面向对象和卷积神经网络自动化提取建筑物二维图斑,利用图优化理论对初始的建筑物图斑进行规则化处理,获得建筑物图斑具体包括:
17、采用多尺度分割方法,以不同尺度对同一图像进行分割,表达影像多尺度建筑物覆盖特征和空间结构信息;
18、基于影像多尺度分割结果,对各地物图斑的颜色、纹理、几何等特征建立最优特征组合,
19、构建多维卷积神经网络模型,并制作大量的样本集,提取建筑物二维图斑信息,提高建筑物识别的准确度和精确性;
20、根据提取的建筑物图斑存在的边缘不平滑、边界锯齿化、形状不规则的问题,基于图优化理论和g2o求解器对建筑物轮廓的角度和距离偏差进行全局一致性改正;
21、在优化过程中,将指定的线段作为顶点、临近的线段作为边,构成图;通过调整顶点来满足边的约束,使整体误差最小,完成建筑物图斑的规则化;
22、误差改正公式为(1),权值参数λ被用来平衡数据项和光滑项;
23、e(x)=(1-λ)·d(x)+λ·b(x) (1)
24、对于角度改正,数据项d(x)被用来改正与初始方向的角度偏差,表达式为:
25、
26、角度改正值xi∈[-θmax,θmax],被添加到线段i的初始方向,顺时针的方向为正,逆时针为负;θmax是角度改正阈值,根据点云的质量进行调整,n是提取线段总数量;
27、光滑项b(x)被用来改正相邻线段之间的几何关系,表达为:
28、
29、
30、
31、θij是相邻线段si,sj之间的夹角(θij∈[-2π,2π]),改正后的相邻线段接近平行、垂直或者共线,夹角θij调整到更为接近坐标轴,表达式为(4);
32、如果|θij|<2*θmax,参数uij=1,否则uij=0,相邻线段的夹角若在阈值范围内,则进行优化,否则不优化;同时,角度阈值θmax使得改正角度后不能过分偏离自身的方向;
33、其中k是与线段si相邻线段的个数,以线段si为中心,寻找其k最邻近值;
34、线段角度改正后需要对其进行距离改正,改正原理与角度改正一致;
35、在规则化处理的优化过程中,将所有组分直线段边界进行整体优化,确保相邻直线段之间固有的共线、平行和正交的关系。
36、可选的,所述基于所述建筑物图斑获得建筑物单体化点云,结合建筑物屋顶三维高程和dem高程值重建建筑物lod1模型具体包括:
37、将规则化后的建筑物图斑作为语义约束,提取建筑物单体化点云;
38、城市范围内机载激光点云数据量大,如果遍历每个点并判断是否在建筑物图斑中,会非常耗时,仅遍历点云滤波后的非地面点,非地面点包含了建筑物点云和其他地物的点云;
39、将非地面点建立kd-tree,计算建筑物图斑的外接圆;
40、以建筑物图斑包围盒中心为圆心,根据半径,获得在建筑物图斑外接圆区域的点云;
41、判断该区域点是否在建筑物图斑多边形中,获得建筑物单体化点云;
42、根据提取的建筑物单体化点云,采用ransac平面分割算法拟合建筑物屋顶平面,获得屋顶高度均值;
43、将规则化的建筑物图斑边界点投影至地形模型dem,计算交点坐标,将所述交点坐标的平均z值作为建筑物最低高程值;
44、将建筑物图斑拉伸重建建筑物lod1模型,重建的单体建筑lod1模型。
45、可选的,所述基于建筑物单体化点云,利用结构约束三角网进行建筑物立面结构推理和补全,重建建筑物lod2模型具体包括:
46、利用ransac平面分割算法获得屋顶平面信息,并提取平面的轮廓边界;
47、相邻平面多边形相交获得相交的线段;将屋顶多边形、相交本文档来自技高网...
【技术保护点】
1.一种基于多源数据融合的建筑物多细节层次模型重建方法,其特征在于,所述模型重建方法包括:
2.根据权利要求1所述的一种基于多源数据融合的建筑物多细节层次模型重建方法,其特征在于,所述基于机载激光点云的三维几何信息进行地面点云自适应滤波、对地面点构建DEM具体包括:
3.根据权利要求2所述的一种基于多源数据融合的建筑物多细节层次模型重建方法,其特征在于,所述根据格网点的不同类型区域采用对应的基元进行表达具体包括:
4.根据权利要求1所述的一种基于多源数据融合的建筑物多细节层次模型重建方法,其特征在于,所述基于遥感图像数据,利用面向对象和卷积神经网络自动化提取建筑物二维图斑,利用图优化理论对初始的建筑物图斑进行规则化处理,获得建筑物图斑具体包括:
5.根据权利要求1所述的一种基于多源数据融合的建筑物多细节层次模型重建方法,其特征在于,基于所述建筑物图斑获得建筑物单体化点云,结合建筑物屋顶三维高程和DEM高程值重建建筑物LoD1模型具体包括:
6.根据权利要求1所述的一种基于多源数据融合的建筑物多细节层次模型重建方法,其特征
7.根据权利要求1所述的一种基于多源数据融合的建筑物多细节层次模型重建方法,其特征在于,所述基于倾斜影像对重建的所述建筑物LoD2模型和所述建筑物LoD1模型进行自动化纹理映射具体包括:
...【技术特征摘要】
1.一种基于多源数据融合的建筑物多细节层次模型重建方法,其特征在于,所述模型重建方法包括:
2.根据权利要求1所述的一种基于多源数据融合的建筑物多细节层次模型重建方法,其特征在于,所述基于机载激光点云的三维几何信息进行地面点云自适应滤波、对地面点构建dem具体包括:
3.根据权利要求2所述的一种基于多源数据融合的建筑物多细节层次模型重建方法,其特征在于,所述根据格网点的不同类型区域采用对应的基元进行表达具体包括:
4.根据权利要求1所述的一种基于多源数据融合的建筑物多细节层次模型重建方法,其特征在于,所述基于遥感图像数据,利用面向对象和卷积神经网络自动化提取建筑物二维图斑,利用图优化理论对初始的建筑物图斑进行规...
【专利技术属性】
技术研发人员:崔扬,闫宁,刘鹏,刘延松,段明旭,李晓亮,宫延鹏,崔磊,杨玉,王凯松,柯继昌,李雷,栾文博,张佩霞,李晗,杨伯钢,刘光,
申请(专利权)人:北京市测绘设计研究院,
类型:发明
国别省市:
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。