一种基于点云数据快速生成建筑物断面图的方法

提出了一种基于点云数据快速生成建筑物断面图的方法,首先利用设计的裁剪面对建筑物断面进行截取,得到该断面的边缘点云数据,形成断面边缘点云的二维平面数据;通过改进的Hough变换算法提取出共线点云,并对共线点云进行去噪、分割;采用选权迭代法拟合提取出的线状点云数据,找出各条线段端点,进而对端点进行连线绘制断面图。编程实现了基于点云数据快速生成建筑物断面图的算法,通过工程实例验证了该方法的可靠性和实用性。     

一种基于点云数据的建筑物平面精细分割方法

针对现有大规模点云数据平面特征分割方法中存在的错误识别、效率低、抗噪性差等问题,该文提出一种基于2D霍夫变换和八叉树的建筑物平面精细分割方法。该方法首先,对原始点云进行空间均匀降采样并向X-Y面投影,利用改进的2D霍夫变换算法提取投影后的点云线段,使用选权迭代法精确计算线段所在直线的方程及端点坐标,进一步确定立面的空间几何方程;接下来,建立原始点云数据的八叉树结构,利用端点坐标设计立方体并分割出立方体内的立面点云;最后,将立面点云从原始点云中剔除,对余下点云降采样并向X-Z面投影,重复以上过程分割水平面点云。试验验证了该文方法对建筑物面状特征分割的有效性。     

一种基于室内点云数据的建筑墙线提取

针对室内点云数据无结构化属性、数据间无连接、不承载语义信息且数据点密度高的特点,结合建筑物点云几何特征和室内导航需求,通过数据降维简化建筑几何特征提取的复杂性,提出一种基于室内点云数据提取建筑物墙线的方法。该方法首先通过向特定方向投影,利用点云密度直方图完成天花板面、地板面和房间墙面的初步分割;然后将房间墙面点云数据向地面投影,生成点云分布矩阵并将其转化为二值图,利用Hough变换算法提取直线,并利用直线方程求取交点得到备选墙线;最后将备选墙线和墙线点云二值图进行叠加从而获取最终建筑墙线。     

室内SLAM点云的快速分割研究

建筑物内部结构和环境复杂,由此产生的噪声等影响使其无法直接运用于室外建模中已经成熟的点云分割算法。为降低噪声带来的影响,本文提出利用直方图统计法,分别对点云进行Z轴方向和X-Y轴方向上的直方图统计,从而分割出地板面,天花板面以及墙面的"候选点"。以K-D树构建空间数据索引,计算点云中各点的法向量以及曲率,将"候选点"中面与面相交处曲率"突变"的点去除,利用区域生长算法分割出建筑物的地板面、墙面以及天花板面。以NavVis公司的M3三维激光扫描车获取的室内SLAM点云数据,对本文方法检验,实验结果表明该方法能有效地降低噪声带来的影响,并且可以对平面点云数据进行分割提取。     

机载激光雷达点云的城市建筑物直线特征提取方法

提出一种城市机载激光雷达点云的直线特征提取方法。首先基于曲率的区域增长方法分割三维点云平面, 对每个点云平面进行二维投影,并进行网格化和二值化。其次通过稳健的二维线段检测方法获得平面的线特征,将 二维线段重投影至三维空间得到相应的三维线段,构造线特征集。最后对线特征集构建基于固定网格的直线空间 索引方法,实现基于线特征的点云索引。实验结果表明,该方法直线提取误差较低,相对平面相交法效率更高,能够 有效提取城市建筑物的直线特征,通过索引提高了特征查询效率,可满足高精度区域分割和三维建模的需求。     

面向对象的车载激光扫描点云建筑物立面提取

本文利用面向对象的点云分析方法进行车载激光扫描点云数据中建筑物立面的识别。该方法对点云进行基于法向量和距离约束的点云分割,计算分割面片的倾角、面积、高程变化范围等特征,并依据建筑物立面垂直于水平面、面积比较大、高程变化范围较大等规则从点云数据中识别建筑物立面。实验表明该方法可以精确有效地进行MLS点云中建筑物立面提取。     

共享近邻聚类算法点云面线提取

针对激光点云数据进行建筑物建模或矢量信息提取中快速识别建筑物面和棱线信息的要求,该文提出基于共享近邻聚类算法进行建筑物面和棱线的快速提取方法。首先,计算点云中每个数据点的单位法向量和点到基准面的距离,利用基于网格的共享近邻聚类算法对点云进行分类确定建筑物面点云;然后,自动判别相交平面,提取建筑物棱线,并与RANSAC算法对某建筑物面的提取结果进行比较。结果证明,该方法自动化程度高,建筑物面和棱线提取快速、准确,提取结果能够应用于三维建筑物自动建模和测绘出图。     

三维点云室内平面要素提取与优化

室内平面要素的准确提取与关系恢复是室内模型自动化语义重建的重要基础,本文提出了一种面向复杂三维点云的室内平面要素提取与优化方法。该方法首先利用区域增长和RANSAC平面混合分割方法分割室内点云数据;其次利用室内语义部件的空间位置信息及包围盒和法向量信息,对分割后的平面进行平面要素的精确提取;然后对提取的墙面进行优化,实现共享墙面的合并,解决室内墙面冗余的问题;最后利用门与墙的空间位置信息,恢复门墙关联关系。试验部分采用了两组试验数据：一组是深圳大学某层教学楼的激光点云数据,另一组是国际摄影测量与遥感学会（ISPRS）的标准数据,通过对试验结果进行评估,验证了本文方法的有效性和可靠性。     

基于Otsu的建筑物点云分割改进算法

提出了一种基于Otsu的建筑物点云分割改进算法,针对传统Otsu分割算法在精确性方面的不足提出2点修改意见。首先根据投影点密度理论将三维点云转换为二维灰度图像,再利用Otsu算法及其改进算法对图像进行分割。采用Riegl公司VZ-400激光扫描仪采集的武汉大学信息学部第一教学楼的点云进行分割处理,并与传统的Otsu分割算法进行对比。结果表明,该算法分割正确率可达96.54%,远高于改进前的72.82%。     

基于 Otsu 的建筑物点云分割改进算法简

提出了一种基于Otsu 的建筑物点云分割改进算法,针对传统Otsu 分割算法在精确性方面的不足提出2 点修改意见.首先根据投影点密度理论将三维点云转换为二维灰度图像,再利用Otsu 算法及其改进算法对图像进行分割.采用Riegl 公司VZ-400 激光扫描仪采集的武汉大学信息学部第一教学楼的点云进行分割处理,并与传统的Otsu 分割算法进行对比.结果表明,该算法分割正确率可达96.54%,远高于改进前的72.82%.     

一种三维激光点云中建筑物立面渐进分割方法

针对建筑物立面分割的问题,该文提出了一种三维激光点云中建筑物立面渐进分割方法。建立三维格网索引,通过分析建筑物立面在三维格网内的空间分布特征和二维平面格网内投影的线性分布特征,确定立面种子格网和投影线的拟合点,拟合投影线并基于种子格网约束生长完成每层格网中立面粗分割;使用RANSAC算法对粗分割后的立面点云进行面拟合,实现精细分割,并将各层格网中的立面进行合并,实现建筑物立面的完整分割。实验结果表明,该方法能有效地实现建筑物立面的精细化分割,有助于后续的建筑物精细三维模型重建。     

基于维度特征的RANSAC建筑物点云分割算法

提出一种以建筑物表面形状特征为分割依据的改进RANSAC点云分割算法。该算法以主成分分析算法为基础计算维度特征和熵函数,并以熵函数最小准则确定最优邻域,继而进行表面形状分类,运用法向量夹角作为约束条件对分类结果进行优化。将分类结果作为随机抽样一致性(RANSAC)点云分割算法的模型选择依据,进行建筑物表面分割,采用法向量和距离等约束条件对分割结果进行优化,从而分割出具有不同形状的特征表面。实验表明:文中提出的改进的RANSAC点云分割算法是可行的,能有效保留表面特征。     

车载LiDAR点云中建筑物立面位置边界的自动提取

提出了一种基于点云特征图像和特征值分析的车载LiDAR点云建筑物立面位置边界的自动提取方法。首先利用车载LiDAR点云数据生成扫描区域的点云特征图像,并通过图像处理手段提取可能的建筑物目标点云;然后对提取的目标点云进行剖面分析和特征值分析,识别建筑物目标;最后对建筑物点云进行平面分割,提取建筑物立面,并对立面点云进行特征值分析,得到建筑物立面与地面交接的三维位置边界。实验结果表明,该方法能快速有效地提取车载LiDAR点云数据中的建筑物目标,同时提取的建筑物立面位置边界与原始点云能准确符合。     

基于点云的室内房间要素及拓扑关系提取

房间要素是室内导航地图的关键要素之一。针对从点云中提取房间要素不仅需要精确提取房间多边形而且需要构建房间构成要素之间的拓扑关系问题，本文提出一种自上而下分割点云并自动记录房间-墙线拓扑关系的房间要素快速提取方法。首先利用点云Z值投影的高度直方图提取天花板点云；其次将天花板点云向XOY面投影，通过欧式聚类分离出每一间房间点云，以房间为单位采用α-shape算法进行房间边界点提取；然后利用随机抽样一致算法(RANSAC)结合欧式聚类方法分割房间边界点得到墙线及其参数信息，并利用墙线中点对无序墙线进行排序后计算相邻墙线的交点作为房间角点；最后，生成房间、墙和角点之间的拓扑关系。实验结果表明，该方法不仅适用于包含平面墙体的建筑点云数据，也适用于包含曲面墙体的情况，具有良好的适应性和有效性。     

室内三维点云空间自动划分与规则化方法北大核心CSCD

精准空间划分是实现室内语义建模与拓扑结构重建的重要基础。三维点云作为常用的室内空间数据载体,如何基于三维点云进行室内空间语义信息提取与规则化具有重要意义。本文提出了一种基于形态学分割方法实现室内场景的分割,并结合矢量规则化方法完成分割场景的规则化。首先,基于区域增长算法与线性拟合方法提取空间分割要素,通过平面投影生成二进制影像,进而利用距离变换和分水岭算法完成空间分割;然后,对空间分割要素进行线性拟合,进行室内空间格网划分,采用矢栅叠加方法实现空间要素规则化;最后,通过4组实际场景(包含3组ISPRS数据集及1组实际场景采集数据)进行数据验证。试验结果显示,本文提出的室内空间分割与规则化方法可以准确快速地完成室内空间要素的提取。     

一种基于倾斜摄影测量点云密度自适应分割的建筑物边界提取方法

针对倾斜摄影场景中建筑物单体化问题,本文提出了基于倾斜摄影测量点云数据的建筑物识别和边界提取自动化算法。首先,对点云进行预处理,去除地面点和噪声点;然后,对点云进行二维栅格化处理,按间隔距离预分割;最后,结合改进的大津算法和区域增长算法,从预分割点云识别其中的建筑物,并提取建筑物边界点。从广东省江门市和湛江市选取两处试验区域对算法进行测试,结果表明:区域内建筑物点云均能准确被分割识别,建筑物边界提取准确度分别为87.8%与92.3%,说明本文提出的方法对于倾斜摄影测量建筑物识别和边界提取的适用性较强。     

基于kd-tree的建筑物散乱点云平面分割

应用kd-tree快速确定散乱点云数据中某一个点的邻域,不需要先验地知道点云数据之间的拓扑(邻接)关系,使得建筑物点云平面分割算法更一般化,应用面更广。根据建筑物平面特征的先验信息,并采用高效数据结构,优化了平面分割算法,给出了散乱点云平面分割的实现和相应结果,说明了基于kd-tree的建筑物散乱点云平面分割算法的有效性。     

结合超体素与区域增长的LiDAR点云屋顶面分割

针对传统区域增长算法易受噪声影响且局部分割性能不稳定的问题,提出了一种结合超体素与区域增长的屋顶面片点云分割算法。利用八叉树组织初始点云数据,基于点云的欧氏距离和法向量信息两个约束分割点云获得超体素。结合超体素结构特征,改进种子点选取准则,在超体素的光滑性和表面几何特征约束下进行点云区域增长,提取屋顶面片点云。选取不同复杂程度的建筑物LiDAR点云进行实验,结果表明,结合超体素与区域增长算法能有效提取复杂建筑物屋顶面片点云,提取率高且具有较好的适应性,可以为基于机载LiDAR的建筑物三维模型重建提供可靠的屋顶面信息。     

基于二维投影的散乱点云曲面重建

为降低点云曲面重建的复杂度,提出了一种基于二维投影的散乱点云曲面重建方法。首先利用点云的局平特性把点云投影到二维平面,然后在二维平面上对点云进行Delaunay三角剖分,并将拓扑连接关系映射到三维空间,最后剔除三角网格模型中的非流形三角面片得到点云模型重建结果。实验结果表明,只需获取散乱点云的坐标信息,该算法就能够重建出结构形态正确、保留物体细节信息的三维模型,且该算法原理简单、容易实现,降低了曲面重建复杂度,提高了曲面重建效率。     

机载LiDAR建筑物点云渐进提取算法

针对机载LiDAR建筑物点云提取过程中易受植被的影响的问题,本文提出了一种机载LiDAR建筑物点云的渐进提取算法。首先通过布料模拟滤波算法对地面点云与非地面点云进行区分,在此基础上利用最大类间方差法算法（Otsu）对非地面点云进行阈值分割,提取初始建筑物点云;然后根据点云的连通性对初始建筑物点云进行密度聚类分割（DBSCAN）,剔除离群噪声点;最后通过Alpha Shape算法实现建筑物点云的边缘提取。本文选取ISPRS官网提供的3组典型城区LiDAR点云数据进行试验,试验结果表明,本文算法可达到较好的建筑物点云提取效果。