一种多尺度自适应机载LiDAR点云建筑物单体化分割方法技术

本发明专利技术公开了一种多尺度自适应机载LiDAR点云建筑物单体化分割方法，该方法包括以下步骤：步骤1、建筑物点云点间距的计算；步骤2、通过二维多尺度密度聚类算法对建筑物点云数据进行单体分割；步骤3、对变换后的点云运用三维多尺度密度聚类算法进行单体分割；步骤4、对非屋顶单体结构的建筑物点云在未缩放变换的尺度上再次运用三维多尺度密度聚类算法，将其分割为屋顶单体结构；步骤5、屋顶细节结构的识别与对应单体的合并；步骤6、小建筑物单体结构的识别；步骤7、建筑物附属物点合并到对应单体结构上，实现建筑物单体分割。本发明专利技术解决了老城区密集区域建筑物、裙楼结构建筑物和点云密度不均匀建筑物无法单体分割的问题。

A multi-scale adaptive algorithm for building segmentation of Airborne LIDAR point cloud

【技术实现步骤摘要】
一种多尺度自适应机载LiDAR点云建筑物单体化分割方法
本专利技术涉及计算机三维重建
，尤其涉及一种多尺度自适应机载LiDAR点云建筑物单体化分割方法，主要应用于建筑物的建模、城市规划、市政管理、数字城市建设等多个领域。
技术介绍
机载LiDAR可以快速获取地物三维表面信息，是建筑物三维建模的重要数据来源。我国所建设数字城市系统中的三维模型是缺乏语义信息的模型或者是由人工手动单体分割建立的模型，并不能满足真正数字城市建设与应用的需求，数字城市的建设亟需高精度的单体化三维模型作为基础。建筑物点云的单体分割可以并行模型重建、高效管理与分析各个单体建筑物，生成可查询、可分析的建筑物三维模型。然而，由于点云数据的立体性、层次性和海量性等并且场景中有大量老城区的密集建筑、物现代市区的裙楼以及由于建筑材料等导致建筑物点云密度不均匀等，其结构复杂和空间分布不规则，如何快速、高效、自动的实现建筑物的单体分割仍然是一个具有挑战的课题，也是一个亟需解决的难题。目前对建筑物单体分割主要用八邻域聚类算法、欧式距离聚类算法、密度聚类算法、区域增长(或移动窗口法)等，但对于建筑物单体分割的研究大部分都是在建筑物建模过程中对建筑物点云在二维空间内聚类，对建筑物结构复杂和裙楼建筑物和点云密度不均匀建筑物缺少深入研究，无法实现单体分割。与现有建筑物点云单体化相比，本专利技术的技术优势在于抗噪声强、鲁棒性好，通过多尺度与自适应性实现了对密集城区的建筑物、裙楼结构的建筑物和点云密度不均匀建筑物点云的单体分割。
技术实现思路
r>本专利技术要解决的技术问题在于规避现有方法单一尺度非自适应的问题，提供一种多尺度自适应机载LiDAR点云建筑物单体化分割方法，将现有的聚类方法与建筑物单体化评估方法相结合，充分考虑建筑物结构复杂和空间分布不规则的特点，以解决老城区的密集建筑物、现代市区的裙楼以及由于建筑材料等导致建筑物点云密度不均匀的数据建筑物单体分割问题，对多种数据具有自适应性，将过分割的单体进行合并，实现了多尺度自适应的建筑物单体分割。本专利技术解决其技术问题所采用的技术方案是：本专利技术提供一种多尺度自适应机载LiDAR点云建筑物单体化分割方法，该方法包括以下步骤：步骤1、获取建筑物的点云数据，并根据点云数据计算建筑物的点云间距；步骤2、通过二维多尺度密度聚类算法对建筑物点云数据进行单体分割，将其分割为单体结构和非单体结构；步骤3、去除非单体结构建筑物立面点云，将其在Z轴方向上进行缩放变换，对变换后的点云运用三维多尺度密度聚类算法进行单体分割，将其分割为屋顶单体结构和非屋顶单体结构；步骤4、对非屋顶单体结构的建筑物点云在未缩放变换的尺度上再次运用三维多尺度密度聚类算法，将其分割为屋顶单体结构；步骤5、将屋顶单体结构投影到XOY平面内，进行区域增长，获得三维单体结构和三维单体结构之外的其它点云；步骤6、将三维单体结构之外的其它点云运用密度聚类算法进行聚类，对屋顶细节结构进行识别并合并到对应的屋顶单体结构中，对于最小外接矩形长和宽大于最小建筑物阈值的非屋顶细节结构簇识别为小建筑物单体结构，否则，该簇为建筑物附属物点云；步骤7、将建筑物附属物点云根据最近邻域内所属单体建筑类别，合并到对应的单体结构中，完成建筑物单体分割。进一步地，本专利技术的步骤2中所述的通过二维多尺度密度聚类算法对建筑物点云进行单体分割的具体方法为：步骤2.1、运用二维多尺度密度聚类算法对建筑物点云进行聚类分割；步骤2.2、根据最小外接矩形旋转法求外接矩形的面积，利用面积的单调性，使点云向面积减小的方向旋转，求面积的最小值来改进最小外接矩形算法；步骤2.3、利用改进的最小外接矩形算法，根据最小外接矩形长和宽的阈值判断该簇是噪点还是待评估的结构，同时根据该簇点云数与该簇最小外接矩形面积的比值判断该簇是噪点还是待评估的结构；步骤2.4、对待评估的结构利用提出的建筑物单体分割评估方法进行评估，判断该簇点是单体结构还是非单体结构；步骤2.5、对非单体结构，通过减小搜索半径阈值再次进行聚类，直至搜索半径减小到最小阈值，完成二维多尺度密度聚类算法的单体分割。进一步地，本专利技术的步骤2.2中所述的改进的最小外接矩形算法的具体方法为：步骤2.2.1、对该簇点云旋转α＝0度，求该簇点云的最大值与最小值，通过最大值与最小值计算该簇点的面积为area1；步骤2.2.2、如果α＜90，对该点进行旋转α＝α+θ，求旋转后该簇点云的最大值与最小值，通过最大值与最小值计算该簇点的面积为area2，比较area1与area2的大小，如果area1大于area2，则将area2的值赋值给area1，则对点云簇继续旋转α＝α+θ，直至area1小于area2，返回α＝α-θ角度和旋转该角度对应的顶点坐标；步骤2.2.3、如果α＜90，对该点进行旋转α＝α+θ，求旋转后该簇点云的最大值与最小值，通过最大值与最小值计算该簇点的面积为area2，比较area1与area2的大小，如果area1小于area2，将area2的值赋值给area1，则对该点进行旋转α＝α-θ，如果α＞-90，求旋转后该簇点云的最大值与最小值，通过最大值与最小值计算该簇点的面积为area2，如果area1大于area2，则对点云簇继续旋转α＝α-θ，直至area1小于area2，返回α＝α+θ角度和旋转该角度对应的顶点坐标；步骤2.2.4、根据最小外接矩形顶点坐标，求最小外接矩形的长、宽和面积。进一步地，本专利技术的步骤2.4中所述的对待评估的结构利用提出的建筑物单体分割评估方法进行评估，判断该簇点是单体结构还是非单体结构，其具体方法为：步骤2.4.1、对该簇点云求最大值最小值，根据点云的最值，计算格网的行数和列数，建立二维格网，将点云填充到对应的格网内；步骤2.4.2、对格网内点数不为零的格网标记为true，否则标记为fault，统计有点格网的个数number2dt；步骤2.4.3、利用步骤2.4.1的最值，计算格网的行数nx、列数ny和层数nz，建立三维格网；步骤2.4.4、对三维格网从零行零列的最上层开始往下查找格网内点数不为零的格网，将其标记为true，对应行列号下面所有层均标记为true，一直到底层，并对每个访问过得格网标记已访问；步骤2.4.5、按照顺序，从最上层开始往下查找格网内点数不为零的格网，按照步骤2.4.4对所有的三维格网进行查找，统计三维格网标记为true的个数number3d；步骤2.4.6、根据建筑物是柱体结构，利用二维格网内有点云的格网数与三维格网的层数，可以根据公式计算理论上标记三维格网标记为true的格网个数number3dt；其公式为：number3dt＝number2dt*nz式中，number3dt表示三维格网内理论上标记为true的格网个数；number2dt表示二维格网标记为true的格网个数；nz表示三维格网的层数；...

【技术保护点】
1.一种多尺度自适应机载LiDAR点云建筑物单体化分割方法，其特征在于，该方法包括以下步骤：/n步骤1、获取建筑物的点云数据，并根据点云数据计算建筑物的点云间距；/n步骤2、通过二维多尺度密度聚类算法对建筑物点云数据进行单体分割，将其分割为单体结构和非单体结构；/n步骤3、去除非单体结构建筑物立面点云，将其在Z轴方向上进行缩放变换，对变换后的点云运用三维多尺度密度聚类算法进行单体分割，将其分割为屋顶单体结构和非屋顶单体结构；/n步骤4、对非屋顶单体结构的建筑物点云在未缩放变换的尺度上再次运用三维多尺度密度聚类算法，将其分割为屋顶单体结构；/n步骤5、将屋顶单体结构投影到XOY平面内，进行区域增长，获得三维单体结构和三维单体结构之外的其它点云；/n步骤6、将三维单体结构之外的其它点云运用密度聚类算法进行聚类，对屋顶细节结构进行识别并合并到对应的屋顶单体结构中，对于最小外接矩形长和宽大于最小建筑物阈值的非屋顶细节结构簇识别为小建筑物单体结构，否则，该簇为建筑物附属物点云；/n步骤7、将建筑物附属物点云根据最近邻域内所属单体建筑类别，合并到对应的单体结构中，完成建筑物单体分割。/n

【技术特征摘要】
1.一种多尺度自适应机载LiDAR点云建筑物单体化分割方法，其特征在于，该方法包括以下步骤：
步骤1、获取建筑物的点云数据，并根据点云数据计算建筑物的点云间距；
步骤2、通过二维多尺度密度聚类算法对建筑物点云数据进行单体分割，将其分割为单体结构和非单体结构；
步骤3、去除非单体结构建筑物立面点云，将其在Z轴方向上进行缩放变换，对变换后的点云运用三维多尺度密度聚类算法进行单体分割，将其分割为屋顶单体结构和非屋顶单体结构；
步骤4、对非屋顶单体结构的建筑物点云在未缩放变换的尺度上再次运用三维多尺度密度聚类算法，将其分割为屋顶单体结构；
步骤5、将屋顶单体结构投影到XOY平面内，进行区域增长，获得三维单体结构和三维单体结构之外的其它点云；
步骤6、将三维单体结构之外的其它点云运用密度聚类算法进行聚类，对屋顶细节结构进行识别并合并到对应的屋顶单体结构中，对于最小外接矩形长和宽大于最小建筑物阈值的非屋顶细节结构簇识别为小建筑物单体结构，否则，该簇为建筑物附属物点云；
步骤7、将建筑物附属物点云根据最近邻域内所属单体建筑类别，合并到对应的单体结构中，完成建筑物单体分割。


2.根据权利要求1所述的多尺度自适应机载LiDAR点云建筑物单体化分割方法，其特征在于，步骤2中所述的通过二维多尺度密度聚类算法对建筑物点云进行单体分割的具体方法为：
步骤2.1、运用二维多尺度密度聚类算法对建筑物点云进行聚类分割；
步骤2.2、根据最小外接矩形旋转法求外接矩形的面积，利用面积的单调性，使点云向面积减小的方向旋转，求面积的最小值来改进最小外接矩形算法；
步骤2.3、利用改进的最小外接矩形算法，根据最小外接矩形长和宽的阈值判断该簇是噪点还是待评估的结构，同时根据该簇点云数与该簇最小外接矩形面积的比值判断该簇是噪点还是待评估的结构；
步骤2.4、对待评估的结构利用提出的建筑物单体分割评估方法进行评估，判断该簇点是单体结构还是非单体结构；
步骤2.5、对非单体结构，通过减小搜索半径阈值再次进行聚类，直至搜索半径减小到最小阈值，完成二维多尺度密度聚类算法的单体分割。


3.根据权利要求2所述的多尺度自适应机载LiDAR点云建筑物单体化分割方法，其特征在于，步骤2.2中所述的改进的最小外接矩形算法的具体方法为：
步骤2.2.1、对该簇点云旋转a＝0度，求该簇点云的最大值与最小值，通过最大值与最小值计算该簇点的面积为area1；
步骤2.2.2、如果a＜90，对该点进行旋转a＝a+θ，求旋转后该簇点云的最大值与最小值，通过最大值与最小值计算该簇点的面积为area2，比较area1与area2的大小，如果area1大于area2，则将area2的值赋值给area1，则对点云簇继续旋转α＝α+θ，直至area1小于area2，返回α＝α-θ角度和旋转该角度对应的顶点坐标；
步骤2.2.3、如果α＜90，对该点进行旋转α＝α+θ，求旋转后该簇点云的最大值与最小值，通过最大值与最小值计算该簇点的面积为area2，比较area1与area2的大小，如果area1小于area2，将area2的值赋值给area1，则对该点进行旋转α＝α-θ，如果α>-90，求旋转后该簇点云的最大值与最小值，通过最大值与最小值计算该簇点的面积为area2，如果area1大于area2，则对点云簇继续旋转α＝α-θ，直至area1小于area2，返回α＝α+θ角度和旋转该角度对应的顶点坐标；
步骤2.2.4、根据最小外接矩形顶点坐标，求最小外接矩形的长、宽和面积。


4.根据权利要求2所述的多尺度自适应机载LiDAR点云建筑物单体化分割方法，其特征在于，步骤2.4中所述的对待评估的结构利用提出的建筑物单体分割评估方法进行评估，判断该簇点是单体结构还是非单体结构，其具体方法为：
步骤2.4.1、对该簇点云求最大值最小值，根据点云的最值，计算格网的行数和列数，建立二维格网，将点云填充到对应的格网内；
步骤2.4.2、对格网内点数不为零的格网标记为true，否则标记为fault，统计有点格网的个数number2dt；
步骤2.4.3、利用步骤2.4.1的最值，计算格网的行数nx、列数ny和层数nz，建立三维格网；
步骤2.4.4、对三维格网从零行零列的最上层开始往下查找格网内点数不为零的格网，将其标记为true，对应行列号下面所有层均标记为true，一直到底层，并对每个访问过得格网标记已访问；
步骤2.4.5、按照顺序，从最上层开始往下查找格网内点数不为零的格网，按照步骤2.4.4...

【专利技术属性】
技术研发人员：张永军，杨望山，刘欣怡，祝宪章，黄星北，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北;42