利用目标区域拓扑关系图提取建筑物点云

建筑物提取一直是机载激光点云数据处理研究的热点,其中建筑物和其他地物之间的区分是研究的核心和难点。为提高建筑物与其他地物在机载激光点云中的区分能力,提出了一种建筑物点云层次提取方法。首先,在点云滤波后,从非地面点云中提取建筑物候选区域;然后,通过形态学重建和点云平面分割方法对建筑物候选区域构建多尺度空间,并建立目标区域的拓扑关系图;最后,在拓扑关系图基础上,利用5种特征量对目标区域分类,并精确提取建筑物点云。为了测试算法的有效性和可靠性,利用国际摄影测量与遥感学会（International Society for Photogrammetry and Remote Sensing,ISPRS）提供的Vaihingen和Toronto两组测试数据集进行实验,并由ISPRS对结果进行评估,其中基于面积和目标的完整度、正确率和提取质量分别都大于87.8%、94.7%、87.3%。与其他建筑物提取方法相比,该方法在基于面积和目标的质量指标方面最为稳定。实验结果表明,在不同的城市场景下,该算法能够稳健地提取建筑物,并保持很高的正确率。     

关键点检测的复杂建筑物模型自动重建

利用机载LiDAR点云数据进行建筑物重建是当今摄影测量与遥感领域的一个热点问题,特别是复杂形状建筑物模型的精确自动构建一直是一个难题。本文提出一种基于关键点检测的复杂建筑物模型自动重建方法,采用RANSAC法与距离法相结合的分割方法自动提取建筑物屋顶各个平面的点云,并利用Alpha Shape算法提取出各个平面的精确轮廓,根据屋顶平面之间的空间拓扑关系分析建筑物的公共交线特征,在此特征约束下对提取的初始关键点进行修正,最终重建出精确的建筑物3维模型。选取不同类型复杂建筑物与包含复杂建筑物的城市区域点云进行实验,结果表明该算法具有较强实用价值。     

一种利用点云邻域信息的建筑物屋顶面高精度自动提取方法

从LiDAR数据中高精度地提取建筑物屋顶面是构建屋顶面拓扑关系、实现建筑物三维模型重建的关键。本文针对现有算法提取复杂建筑物屋顶面适应性较差、精度较低等问题,提出了一种利用点云邻域信息的建筑物屋顶面高精度自动提取方法。通过主成分分析计算点云特征,构建特征直方图,选取可靠种子点;利用提出的局部点云法向量分布密度聚类算法聚类种子点,快速准确地提取初始屋顶面片;构建基于邻域信息的投票模型,有效地解决屋顶面竞争现象。试验结果表明,本文方法可自动、高精度地提取屋顶面,对不同复杂程度的建筑物具有较好的适应性,能为建筑物三维模型重建提供可靠的屋顶面信息。     

基于区域多次回波点密度分析的城区LiDAR建筑物提取

以正确提取城区Li DAR点云中建筑物为目标,综合利用不同类别目标点云的回波特征以及地形信息,提出了一种基于区域多次回波密度分析的Li DAR点云建筑物提取方法。首先,将点云构建不规则三角网(triangulated irregular network,TIN),获取封闭的等高线;然后,利用等高线间的拓扑关系得到等高线族区域;最后,统计每一区域的多次回波点云密度信息,通过建筑物和树木区域多次回波点云在区域密度上的巨大差异来识别建筑物点云和树木点云。研究结果表明:该方法既充分利用了建筑物表面与植被间多次回波特性的差异,又不否定建筑物边缘同样存在多次回波的现象;通过封闭的等高线自适应地检测出地物目标的轮廓,弥补了传统Li DAR建筑物提取方法的不足;该方法能够较其他方法更准确地提取建筑物。     

融合高度和光谱信息的倾斜摄影数据建筑物自动提取

建筑物作为三维模型的主体,其矢量化主要依赖人工勾画,虽有采用深度学习等方法进行建筑物提取的研究,但依然需要标注大量样本。针对上述问题,本文以天津市典型区域为试验区,提出一种融合高度和光谱信息的倾斜摄影数据建筑物自动提取方法。首先,通过高度初始分割、植被信息滤除、形态学后处理等,逐步优化建筑物提取结果,实现建筑物信息的自动提取,建筑物的总体识别精度达到94%。然后,通过对建筑物轮廓进行矢量化和规则化,在地理信息平台中实现了建筑物的对象化查询,拓展了实景三维模型的应用深度。     

面向对象的高分辨率遥感影像建筑物震害信息提取

建筑物的倒损信息是震后灾害评估的一项重要指标。文中应用震后高分辨率遥感影像数据,采用面向对象分类方法,以最优分割参数对影像进行分割,构建多尺度影像对象层次结构。通过影像对象的光谱、形状、纹理等特征及空间拓扑关系建立分类规则库,提取基本完好、受损和完全倒塌三类破坏等级的建筑物震害信息。结果表明,面向对象分类方法能够实现提取三类等级的建筑物震害信息,从而满足地震灾害快速评估要求。     

基于机载LiDAR数据和遥感影像的复杂建筑物提取

综合利用机载LiDAR数据和高分辨率遥感影像数据优势,提出了一种面向对象的分层分类提取复杂建筑物的新方法。首先根据坡度强度信息,将影像分割成高、中、低坡度目标;再采用阈值法进行陡峭区、地表面和建筑物的初始分类;最后根据邻近对象光谱相似性原则,对陡峭区进行多尺度分割,并结合光谱、形状和空间关系等特征,基于模糊分类对建筑物提取结果进行优化。实验表明,该方法提取的建筑物信息精度较高,轮廓边缘相对完整。     

2D地图的建筑物场景结构提取方法及其在城市增强现实中的应用

城市AR中,场景结构的自动获取,对自适应信息表达具有重要意义,是解决“层叠式”信息表现形式引发的信息指示不明、场景感知混乱等问题的关键步骤。然而,场景结构信息隐藏在场景图像中,直接提取十分困难。2D地图描述了地理实体的位置、轮廓和空间布局,可作为场景结构提取的先验信息。针对城市AR中场景结构获取难、效率低的问题,本文提出一种基于2D地图的建筑物场景结构自动化提取方法。在地理配准的基础上,首先根据2D地图中建筑物的轮廓和属性信息,构建场景图像语义分割的结构线索;然后将其作为过分割处理后场景图像合并的依据,生成多个包含语义信息的图像区域;最后根据图像区域与2D地图中建筑物轮廓之间的映射关系,提取出场景图像中的区域轮廓、场景深度和平面朝向等场景结构信息。试验选取了格拉茨地区32个建筑物场景进行测试。结果表明本文方法能实时地提取建筑物场景结构,且建筑物立面提取的质量明显优于对比方法。提取的场景结构能应用于城市AR多种自适应信息表达方法中,使信息标注更明确,遮挡关系更清晰。     

多尺度SLIC-GMRF与FCNSVM联合的高分影像建筑物提取

遥感影像建筑物提取具有重要的应用价值。然而,高分辨率遥感影像中细节信息繁多、特征复杂,增加了建筑物提取难度。针对这一问题,本文提出一种基于多尺度SLIC-GMRF和FCNSVM的建筑物提取方法,一定程度上提高了高分辨率遥感影像建筑物提取能力。首先,利用多尺度SLIC-GMRF分割算法确定初始建筑物区域,然后,充分利用FCN神经网络在语义分割中的优势抽取建筑物特征,最后,结合提取出的建筑物特征训练SVM分类器细化建筑物提取结果,通过3种控制实验,两种对比方法得出以下结论:SLIC分割算法影响初始分割结果;SVM分类器影响建筑物细部提取;FCN特征影响SVM分类器性能。对于特征清晰、遮挡干扰较少的研究区,本文方法能够较好提取影像中的建筑物,查准率、查全率、质量指标均优于对比方法,对建筑物复杂分布的研究区同样能够取得较好的提取效果。     

城市基础地理信息增量模型

分析城市基础地理信息变化的描述,并给出变化的增量模型。以北京市的行政区划变化为例,给出包括几何信息、属性信息和拓扑关系在内的区域变化增量模型。对某区域的房屋数据层和水系数据层的增量信息进行提取,应用这些增量信息可以对客户数据库的旧版本数据进行增量更新。