国产精品1024永久观看,大尺度欧美暖暖视频在线观看,亚洲宅男精品一区在线观看,欧美日韩一区二区三区视频,2021中文字幕在线观看

  • <option id="fbvk0"></option>
    1. <rt id="fbvk0"><tr id="fbvk0"></tr></rt>
      <center id="fbvk0"><optgroup id="fbvk0"></optgroup></center>
      <center id="fbvk0"></center>

      <li id="fbvk0"><abbr id="fbvk0"><dl id="fbvk0"></dl></abbr></li>

      集成影像與LiDAR數(shù)據(jù)提取建筑物輪廓的方法

      文檔序號:6149523閱讀:258來源:國知局
      專利名稱:集成影像與LiDAR數(shù)據(jù)提取建筑物輪廓的方法
      技術領域
      本發(fā)明涉及一種集成影像與LiDAR數(shù)據(jù)提取建筑物輪廓的方法,屬于衛(wèi)星遙 感影像與LiDAR數(shù)據(jù)處理技術領域。
      背景技術
      建筑物模型重建一直是測繪、遙感領域研究的熱點?,F(xiàn)階段,數(shù)字攝影測量 技術與機載激光雷達技術(LiDAR)是三維建筑物模型獲取的兩種最常用手段。 然而,"對于各式各樣的建筑物,沒有一項建模技術可以同時滿足自動化、高精 度、靈活高效、價格低廉等要求",融合多源數(shù)據(jù),發(fā)揮各自優(yōu)勢并相互補充, 是建筑物模型重建的必然趨勢。因此急需同時滿足高度自動化、更精確、更細致, 且價格低廉、靈活高效地重建建筑物模型的方法。
      輪廓提取是建筑物提取與建模的重要基礎工作。建筑物形狀各異,但絕大多 數(shù)的輪廓特征線為直線,建筑物直線輪廓提取的研究具有重要意義。從高分辨率 影像中自動提取建筑物的研究已經(jīng)開展多年,(張祖勛等,2001)提出了一種幾何 約束與影像分割結合的半自動房屋提取方法;(Huertas等,1988)通過提取矩形 的角點來提取建筑物輪廓;(Lin等,1994)提出了采用感知編組和陰影信息相結 合的建筑物提取方案;(Kim等,1999)通過計算各直線相互關系的代價函數(shù),以 代價函數(shù)最小的準則提取建筑物矩形輪廓;(陶文兵等,2003)引入知識定義了幾 種近似的矩形結構,提出了一套直線后處理的方法。這些方法的共同特點是或者 基于幾何約束、或者基于某種規(guī)則、或者基于知識等等來優(yōu)化輪廓獲取工作,然 而高分辨率影像上有著大量復雜信息,僅僅基于影像難以自動分離建筑物區(qū)域與 非建筑物區(qū)域,道路邊線、建筑物陰影、橋梁、停車場等類似目標往往會對建筑 物輪廓提取工作形成干擾,輪廓誤檢與漏檢的情況不可避免大量存在,單純基于 影像自動、準確獲取邊緣輪廓的技術難度很大且效率不高。
      從影像中提取出的輪廓幾何精度高、細節(jié)豐富,但處理的自動化程度不高, 從LiDAR數(shù)據(jù)中提取的輪廓往往定位精度不高、且建筑細微結構易被忽略,但 LiDAR點直接提供了三維坐標,有利于提高處理的自動化程度。顯然,兩類數(shù)據(jù) 存在著很強的互補性,集成兩類數(shù)據(jù)進行建筑物輪廓提取具有研究價值。
      3利用DSM或者LiDAR點云提取建筑物輪廓的研究也有許多。(Weiss等,1995; Brunn等,1997)利用DSM與DEM之間的差異提取建筑物輪廓;(Vosselman等, 2001)利用規(guī)劃數(shù)據(jù)輔助LiDAR進行建筑物重建;(Sohn等,2003)將IKONOS影 像與LiDAR數(shù)據(jù)結合檢測建筑物;(黃先鋒2006; Sampath等,2007)使用規(guī)則 化的方法提取建筑物輪廓;綜述性的文章可以參見(Brenner 2005)。 一般而言, 以現(xiàn)有技術水平,空載LiDAR數(shù)據(jù)的點間距約為米級,相對于可以達到厘米級分 辨率的航空高分辨率影像而言,LiDAR數(shù)據(jù)空間分辨率較低,直接基于LiDAR數(shù) 據(jù)獲取的建筑物輪廓線往往不夠精細且精度不高。利用規(guī)則化技術可以提高輪廓 線的精度,但規(guī)則化方法也受制于LiDAR點的空間分辨率與濾波、分類等處理的 精度,存在不確定性且容易導致輪廓線產(chǎn)生整體偏移。

      發(fā)明內(nèi)容
      為了克服上述現(xiàn)有技術的不足,本發(fā)明提供一種集成影像與LiDAR數(shù)據(jù)提取 建筑物輪廓的方法。
      實現(xiàn)本發(fā)明目的采用的技術方案是集成影像與LiDAR數(shù)據(jù)提取建筑物輪廓 的方法,包括以下步驟
      (1) 預處理。將LiDAR點云中的建筑物點分離出來,并分割這些點形成每棟 建筑物的點集;
      (2) 建立輪廓提取區(qū)。針對每棟建筑物,內(nèi)插其點集成面域做緩沖區(qū),套合 影像與緩沖區(qū)并利用緩沖區(qū)過濾無關區(qū)域形成建筑物專題影像,再擬合點集的外 接矩形切割專題影像,建立每棟建筑物的輪廓提取區(qū);
      (3) 線段提取。針對絕大多數(shù)建筑物存在主方向的特點,根據(jù)LiDAR點集估 算出建筑物的概略主方向,基于概略主方向的約束在輪廓提取區(qū)自動、魯棒的檢 測出精確主方向,線段提取在精確的主方向上進行;
      (4) 輪廓篩選。針對超高分辨率影像線段提取的特點,在LiDAR數(shù)據(jù)的輔助 下,利用Kmeans聚類算法動態(tài)篩選出精確輪廓
      本發(fā)明的特點是-
      (1) 可以有效提取結構復雜的建筑物輪廓,提取出的輪廓應具有較高的定位 精度。
      (2) 建筑物輪廓完整、細微結構如較短的邊、細小的轉(zhuǎn)角等都能準確提取。


      附圖為本發(fā)明方法的流程圖。
      具體實施例方式
      下面結合附圖和實施例對本發(fā)明作進一步的說明。 實施例
      集成影像與LiDAR數(shù)據(jù)提取建筑物輪廓的方法的流程圖如附圖所示,包括以 下步驟
      (l)預處理
      將LiDAR點云中建筑物點與非建筑物點分離,分割建筑物點形成每棟建筑物 的點集。其中點云的分離,首先根據(jù)兩次反射數(shù)據(jù)消除絕大部分的樹叢;再通過 線形預測的方法檢測地形獲取DEM,刪除地面點后得到帶有噪聲的建筑物點;最 后通過面積控制消除碎片得到建筑物點。建筑物點的分割可采用(Sampath and Shan 2007)中介紹的區(qū)域生長的方法。預處理環(huán)節(jié)的全自動化尚有技術難度,一 般策略是在自動處理結果的基礎上進行了一定的人工編輯。預處理部分所使用方 法的技術細節(jié),可參見所引參考文獻。
      (2)預處理的過程分割出每棟建筑物的點集,利用這些點集在影像上建立輪 廓提取感興趣區(qū)域,使得輪廓提取專注于目標區(qū)域,大大減少了無關信息的干擾, 在影像上建立輪廓提取感興趣區(qū)域的具體方法分為三步
      (a)套合LiDAR數(shù)據(jù)與影像。本發(fā)明方法不依賴于具體影像類型,故套合的 具體方法因影像情況的不同而不同。如果是正射影像,兩者直接套合即可;如果 是航片,則可根據(jù)外方位元素,通過下式共線方程將LiDAR點反算到影像上,進 行套合;如果是方位未知的影像,則采用人工配準的方法將影像與LiDAR數(shù)據(jù)套合。
      <formula>formula see original document page 5</formula>
      其中;c,y為像點的像平面坐標,x。,少。,/為影像的內(nèi)方位元素,^,i;,2^為攝 站點的物方空間坐標;義,y,Z為物方點的物方空間坐標,fl,,6,,c,為影像外方位角元素組成的方向余琺。
      (b)緩沖區(qū)過濾。LiDAR數(shù)據(jù)與影像的套合會受一系列誤差的影響而導致位 置偏差,將建筑物點集內(nèi)插成面域后向外做緩沖區(qū)(buffer),以確保影像上建筑 物落在緩沖區(qū)內(nèi),再通過緩沖區(qū)過濾無關區(qū)域只剩下建筑物區(qū)域影像,形成所謂 的建筑物專題影像。
      外接矩形切割。針對每個建筑物,根據(jù)其點集擬合外接矩形,以緩沖區(qū)閾值 為閾值進行外擴,切割建筑物專題影像,形成每個建筑物的輪廓提取感興趣區(qū)域, 簡稱輪廓提取區(qū)。
      (3)建筑物精確主方向檢測算法
      (3-1)主方向檢測只在單個建筑物中進行,所有建筑物逐個處理,由于一個 建筑物只存在一個主方向,解決了建筑物排列無序的問題。沿著建筑物主方向存 在大量的平行輪廓直線,影像空間這些平行線對應著Hough空間的同一個e,根 據(jù)閾值過濾積累矩陣可以建立角度累加值的直方圖,直方圖上主方向的位置會出 現(xiàn)峰值,因為閾值變成問題的關鍵。本實施例利用LiDAR數(shù)據(jù)預先獲取概略主方 向區(qū)間,在概略主方向的約束下,以自適應的方式自動獲取閾值。同時,因為有 了概略主方向的約束,直方圖的峰值檢測工作由0-180度區(qū)間的多峰值檢測變?yōu)?已知區(qū)間內(nèi)的單峰值檢測,精確主方向的獲取變得魯棒、高效。
      (3-2)概略主方向的擬合,絕大多數(shù)的建筑物幾何形狀規(guī)則,針對每個建筑 物,根據(jù)其建筑物點集擬合旋轉(zhuǎn)的最小外接矩形(MBR),以最小外接矩形兩個邊 的方向為建筑物的概略主方向。
      (3-3)精確主方向檢測 在概略主方向的約束下,精確主方向檢測算法的步驟如下
      (a) 對輪廓提取區(qū)影像做Hough變換,找出積累空間中的最大值;
      (b) 設定閾值為積累空間最大值乘以系數(shù)t, t初始取值為0.9。將積累空 間每個單元的值與此閾值進行比較,大于閾值的保留,小于閾值的單元值設為0;
      (c) 在概略主方向區(qū)間內(nèi),對于每個0累加積累空間的列。如果累加值都為
      零,那么減小系數(shù)t (減小幅度為O.l),跳轉(zhuǎn)到(b);如果積累值有不為零的,
      那么對這些積累值做單峰值檢測,此峰值就是精確主方向;
      判斷概略主方向區(qū)間是否都處理完畢,如果是,則程序終止,如果沒有,則跳轉(zhuǎn)到(C),完成概略主方向的處理。
      (4) 線段提取
      線段提取需要在邊緣影像上進行,本實施例首先采用Edison算子對輪廓提取 區(qū)進行邊緣檢測。在主方向的指導下,線段提取工作由Hough變換的二維積累空 間的峰值檢測變?yōu)閮蓚€主方向指導下的一維峰值檢測。因而,線段提取工作變得 準確、魯棒且高效??紤]到影像成像過程中各種因素的干擾,影像上平行線之間 也會有些微小的偏差角度,實際實驗中,精確主方向也被給予一定的閾值形成精 確主方向區(qū)間。本實施例以迭代的方法提取線段,算法步驟為 (4-1)在輪廓提取區(qū)做Hough變換,建立積累空間;
      (4-2)任選一個精確主方向,在該方向上搜索最大值,得到該方向的峰值
      (4-3)以線段最小距離閾值、最短線段長度闞值為約束,獲取峰值P對應的 符合要求的線段,以及線段的端點;
      (4-4)轉(zhuǎn)換這些線段上的點到Hough空間,消除這些點對積累矩陣的貢獻; (4-5)設置該峰值及其相鄰單元積累矩陣值為0;
      (4-6)選擇新的主方向,跳轉(zhuǎn)至第(2)步。依此,循環(huán)所有主方向,重復 (2)-(5),完成線段提取。
      (5) 利用Kraeans聚類算法動態(tài)篩選輪廓 在完成線段提取工作后,還需要進行輪廓的篩選工作,因為所提取的線段還
      包括大量的屋頂?shù)慕Y構線、以及一些干擾線段。下面通過一種基于Kmeans聚類 的動態(tài)篩選精確輪廓的策略,具體實現(xiàn)如下
      (5-1)過濾。在獲取精確輪廓前,需要先將明顯無關的線段過濾掉,過濾分 為兩步(I )利用擬合的建筑物最小外接矩形(MBR),切割輪廓提取區(qū)中的所有 線段,排除MBR外的線段;(n)針對剩余線段,依每條線段垂直方向做外擴形 成線段的左右矩形。如果左右矩形內(nèi)均沒有LiDAR點,則說明此線段為建筑物區(qū) 域外的線段,過濾之。如果左右矩形內(nèi)LiDAR點密度相當,則說明此線段為屋頂 結構線,過濾之。
      (5-2)分組和聚類。過濾后所剩線段均為疑似的建筑物輪廓線,將角度偏差 很小的線段視為平行線段,根據(jù)平行線段間的水平距離和垂直距離對線段分組。對于一組中的每條候選輪廓線,按照上述方法外擴形成左右矩形,計算每條線段 左右矩形的LiDAR點密度差。用下式定義一組線段的密度差
      <formula>formula see original document page 8</formula>
      式中《表示第k條候選輪廓線的密度差,用Kmeans聚類算法,根據(jù)|《|將所有
      密度差聚集成兩類, 一類密度差大,另一類密度差小。密度差小的被排除,保留 密度差大的,密度差大的線段為該組中的精確輪廓線。
      權利要求
      1.一種集成影像與LiDAR數(shù)據(jù)提取建筑物輪廓的方法,其特征在于包括以下步驟(1)預處理將LiDAR點云中的建筑物點分離出來,并分割這些點形成每棟建筑物的點集;(2)建立輪廓提取區(qū)針對每棟建筑物,內(nèi)插其點集成面域做緩沖區(qū),套合影像與緩沖區(qū)并利用緩沖區(qū)過濾無關區(qū)域形成建筑物專題影像,再擬合點集的外接矩形切割專題影像,建立每棟建筑物的輪廓提取區(qū);(3)線段提取針對絕大多數(shù)建筑物存在主方向的特點,根據(jù)LiDAR點集估算出建筑物的概略主方向,基于概略主方向的約束在輪廓提取區(qū)自動、魯棒的檢測出精確主方向,線段提取在精確的主方向上進行;(4)輪廓篩選,針對超高分辨率影像線段提取的特點,在LiDAR數(shù)據(jù)的輔助下,利用Kmeans聚類算法動態(tài)篩選出精確輪廓。
      2. 根據(jù)權利要求1所述集成影像與LiDAR數(shù)據(jù)提取建筑物輪廓的方法,其特征在 于集成LiDAR數(shù)據(jù)利用高分辨率航空影像提取建筑物輪廓。
      全文摘要
      本發(fā)明公開了一種集成影像與LiDAR數(shù)據(jù)提取建筑物輪廓的方法,該方法包括(1)LiDAR點云數(shù)據(jù)預處理;(2)建立輪廓提取區(qū);(3)建筑物線段提取;(4)建筑物輪廓篩選。本發(fā)明可以有效提取結構復雜的建筑物輪廓,定位精度與LiDAR的方案相當,而且正確率與完整率高、魯棒性好。
      文檔編號G01C11/04GK101604450SQ20091006330
      公開日2009年12月16日 申請日期2009年7月24日 優(yōu)先權日2009年7月24日
      發(fā)明者孫開敏, 眭海剛, 亮 程, 龔健雅 申請人:武漢大學
      網(wǎng)友詢問留言 已有0條留言
      • 還沒有人留言評論。精彩留言會獲得點贊!
      1