一種基于實景三維模型的建筑基底輪廓精細化提取方法技術

本發明專利技術涉及一種基于實景三維模型的建筑基底輪廓精細化提取方法，基于實景三維模型進行建筑基底輪廓提取，首先通過深度學習算法提取植被圖斑來對建筑圖斑進行精化，有效地區分高度接近的植被和建筑，生成初始建筑矢量面，然后基于初始建筑矢量面與實景三維模型生成側面影像圖，并通過側面影像圖生成第一側面影像圖，利用深度學習算法對第一側面影像圖進行分類，從而能夠有效剔除建筑側面的附屬物，避免造成干擾；然后，從第二側面影像圖提取窗戶，得到樓層信息，從而能夠有效地剔除建筑屋檐、違章搭建等突出結構，實現屋檐自動化矯正，進而能夠提取精確的建筑基底輪廓。而能夠提取精確的建筑基底輪廓。而能夠提取精確的建筑基底輪廓。

【技術實現步驟摘要】
一種基于實景三維模型的建筑基底輪廓精細化提取方法


[0001]本專利技術涉及建筑基底輪廓提取
，具體而言，涉及一種基于實景三維模型的建筑基底輪廓精細化提取方法。

技術介紹

[0002]在智慧城市建設中，建筑基底輪廓發揮著極其重要的作用，它可以用于城市規劃、災害評估、宅基地調查等領域?，F有的建筑基底輪廓提取方法主要分為以下兩類：（1）基于實地測繪的方法：作業人員通過高精度的測繪儀器，如全站儀等，測量建筑基底輪廓；該方法精度高，但是工作量大，不適用于大面積、需要快速相應的調查任務。
[0003]（2）基于遙感影像的（半）自動提取方法：該方法受限于遙感影像的自身缺陷，如場景遮擋、建筑投影差等，提取的結果并非真正意義上的建筑基底輪廓，從而影響后續的定量化應用。例如，公開號為CN113011288A的中專利公開了一種基于Mask R
?
CNN算法的遙感建筑檢測方法，該方法通過修改RPN網絡、改進mask掩膜方向，得到一種適合不規則遙感建筑的檢測網絡模型，加強了對不規則建筑的檢測分割能力，但是無法解決建筑之間的遮擋、投影差等問題。
[0004]再有公開號為CN113011288A的中專利公開了融合高度和光譜信息的傾斜攝影數據建筑物自動提取方法，通過高度閾值分割、植被信息濾除、后處理等步驟，優化建筑提取結果，實現建筑信息的自動提取，但其在對植被信息進行濾除以后，直接通過去除面積小的噪聲對象，填充內部小孔洞，其中間過濾會出現底層的噪聲和高層信息混合的情況，同時，也沒有解決建筑之間的遮擋、投影差等問題。

技術實現思路

[0005]本專利技術解決的問題是如何解決建筑之間遮擋、投影差對建筑基底輪廓的影響，提升建筑基底輪廓提取精度和自動化程度。
[0006]為解決上述問題，本專利技術提供一種基于實景三維模型的建筑基底輪廓精細化提取方法，包括如下：S1、基于實景三維模型，采用RTT技術從所述實景三維模型中提取DSM和DOM；S2、使用布料模擬濾波算法從所述DSM中提取出DTM，通過差值運算得到nDSM，nDSM=DSM
?
DTM；S3、使用輪廓提取算法從所述nDSM中提取初始建筑輪廓，進而得到初始建筑圖斑；S4、使用深度學習算法從所述DOM中提取出植被圖斑；S5、從所述初始建筑圖斑中過濾所述植被圖斑對應的區域，再采用形態學方法進行圖斑優化，并使用圖斑矢量化算法得到初始建筑矢量面；S6、使用Monotone剖分算法將初始建筑矢量面分割成多個凸多邊形，基于所述凸多邊形從實景三維模型中提取得到待處理模型；使用Cycles渲染引擎的光線追蹤算法從待處理模型上生成對應的側面影像圖；然后基于側面影像圖生成第一側面影像圖、第一建筑
模型以及第一側面影像圖與第一建筑模型之間的幾何映射關系；S7、使用語義分割算法從所述第一側面影像圖中分離出建筑像素區域和非建筑像素區域，所述第一側面影像圖過濾非建筑像素區域得到第二側面影像圖，然后根據幾何映射關系和第二側面影像圖從第一建筑模型中提取精化的建筑模型；S8、使用目標檢測算法從所述第二側面影像圖中提取窗戶位置，基于窗戶左下角坐標的高程進行聚類，得到樓層的高度區間；S9、基于所述樓層的高區區間，對所述精化的建筑模型進行分割，得到多個單層建筑模型，將多個所述單層建筑模型分別進行正射投影并柵格化到二維投影圖像上，得到多張二維投影圖，并將多張所述二維投影圖融合，生成高精度的建筑基底輪廓本專利技術的有益效果是：基于實景三維模型進行建筑基底輪廓提取，首先通過深度學習算法提取植被圖斑來對建筑圖斑進行精化，有效地區分高度接近的植被和建筑，生成初始建筑矢量面，然后基于初始建筑矢量面與實景三維模型生成側面影像圖，并通過側面影像圖生成第一側面影像圖，利用深度學習對第一側面影像圖進行分類，能夠有效剔除建筑側面的附屬物，避免造成干擾；然后，從第二側面影像圖提取窗戶，得到樓層信息，從而能夠有效地剔除建筑屋檐、違章搭建等突出結構，實現屋檐自動化矯正，進而能夠提取精確的建筑基底輪廓。
[0007]作為優選，所述S1具體包括：S101、設置RTT技術的光學分辨率為res，對所述實景三維模型進行分塊處理，得到實景三維模型塊；S102、利用RTT技術將每塊所述實景三維模型塊渲染生成含高程信息的DSM
′
和含紋理信息的DOM
′
；將所述DSM
′
進行拼接得到完整的DSM，將所述DOM
′
進行拼接得到完整的DOM。
[0008]作為優選，所述S3具體包括：S301、預設高程信息的過濾閾值S，nDSM
′
為初始的nDSM；S302、判斷過濾閾值S是否大于nDSM
′
中高程信息的最小值，若是，則進入S303，否則，進入S4；S303、在nDSM
′
上過濾小于過濾閾值S的單元，得到filtered
?
nDSM；接著，并采用輪廓提取算法從filtered
?
nDSM中提取初始建筑輪廓，再將初始建筑輪廓柵格化為初始建筑圖斑；S304、nDSM
′
= nDSM
′??
filtered
?
nDSM對應的初始建筑圖斑；且S=S
?
Q，Q為S的預設降低值，并返回S302；通過分層過濾檢測，使得高低層信息分離，避免底層的噪聲和高層信息混合，使得高層檢測輪廓更加準確。
[0009]作為優選，所述S4具體包括：S401、使用LabelImg制作植被的樣本數據集，訓練用于植被提取的第一語義分割模型；S402、利用所述第一語義分割模型從DOM中進行植被提取，得到植被圖斑。
[0010]作為優選，所述S5具體包括：S501、使用柵格運算方法計算所述初始建筑圖斑與植被圖斑的差集，過濾所述初
始建筑圖斑中植被區域，得到第一建筑圖斑，從而去除初始建筑圖斑中的植被區域，消除植被對建筑基底輪廓提取的影響；S502、采用形態學腐蝕運算對所述第一建筑圖斑進行處理，得到第二建筑圖斑，從而消除第一建筑圖斑中圖斑像素小的物體，例如殘留的植被圖斑、圖斑像素數量小于5的圖斑；S503、采用形態學膨脹運算對所述第二建筑圖斑進行處理，得到第三建筑圖斑，達到恢復邊界，對孔洞進行填充的效果；S504、對所述第三建筑圖斑進行空間聚類，過濾圖斑面積小于設定閾值的圖斑，得到第四建筑圖斑；S505、采用輪廓提取算法從所述第四建筑圖斑中進行輪廓提取，得到建筑圖斑輪廓；S506、采用Douglas
–
Peucker算法對所述建筑圖斑輪廓進行簡化，得到初始建筑矢量面。
[0011]作為優選，所述S6具體包括：S601、使用Monotone剖分算法將初始建筑矢量面分割成多個凸多邊形；S602、根據分割的多個凸多邊形，從所述實景三維模型中提取凸多邊形對應的數據，作為待處理建筑模型；S603、計算所述待處理建筑模型的幾何中心、平面半徑和高度，并生成環繞待處理建筑模型的圓柱形模型；S604、采用Cycles本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種基于實景三維模型的建筑基底輪廓精細化提取方法，其特征在于，包括如下：S1、基于實景三維模型，采用RTT技術從所述實景三維模型中提取DSM和DOM；S2、使用布料模擬濾波算法從所述DSM中提取出DTM，通過差值運算得到nDSM，nDSM=DSM
?
DTM；S3、使用輪廓提取算法從所述nDSM中提取初始建筑輪廓，進而得到初始建筑圖斑；S4、使用深度學習算法從所述DOM中提取出植被圖斑；S5、從所述初始建筑圖斑中過濾所述植被圖斑對應的區域，再采用形態學方法進行圖斑優化，并使用圖斑矢量化算法得到初始建筑矢量面；S6、使用Monotone剖分算法將初始建筑矢量面分割成多個凸多邊形，基于所述凸多邊形從實景三維模型中提取得到待處理模型；使用Cycles渲染引擎的光線追蹤算法從待處理模型上生成對應的側面影像圖；然后基于側面影像圖生成第一側面影像圖和第一建筑模型，以及第一側面影像圖與第一建筑模型之間的幾何映射關系；S7、使用語義分割算法從所述第一側面影像圖中分離出建筑像素區域和非建筑像素區域，所述第一側面影像圖過濾非建筑像素區域得到第二側面影像圖，然后根據幾何映射關系和第二側面影像圖從第一建筑模型中提取精化的建筑模型；S8、使用目標檢測算法從所述第二側面影像圖中提取窗戶位置，然后基于窗戶左下角坐標的高程進行聚類，得到樓層的高度區間；S9、基于所述樓層的高度區間，對所述精化的建筑模型進行分割，得到多個單層建筑模型，將多個所述單層建筑模型分別進行正射投影并柵格化到二維投影圖上，得到多張二維投影圖，并將多張所述二維投影圖融合，生成高精度的建筑基底輪廓。2.根據權利要求1所述的一種基于實景三維模型的建筑基底輪廓精細化提取方法，其特征在于，所述S1具體包括：S101、設置RTT技術的光學分辨率為res，對所述實景三維模型進行分塊處理，得到實景三維模型塊；S102、利用RTT技術將每塊所述實景三維模型塊渲染生成含高程信息的DSM
′
和含紋理信息的DOM
′
；將所述DSM
′
進行拼接得到完整的DSM，將所述DOM
′
進行拼接得到完整的DOM。3.根據權利要求1所述的一種基于實景三維模型的建筑基底輪廓精細化提取方法，其特征在于，所述S3具體包括：S301、預設高程信息的過濾閾值S，nDSM
′
為初始的nDSM；S302、判斷過濾閾值S是否大于nDSM
′
中高程信息的最小值，若是，則進入S303，否則，進入S4；S303、在nDSM
′
上過濾小于過濾閾值S的單元，得到filtered
?
nDSM；接著，并采用輪廓提取算法從filtered
?
nDSM中提取初始建筑輪廓，再將初始建筑輪廓柵格化為初始建筑圖斑；S304、nDSM
′
= nDSM
′??
filtered
?
nDSM對應的初始建筑圖斑；且S=S
?
Q，Q為S的預設降低值，并返回S302。4.根據權利要求1所述的一種基于實景三維模型的建筑基底輪廓精細化提取方法，其特征在于，所述S4具體包括：S401、使用LabelImg制作植被的樣本數據集，訓練用于植被提取的第一語義分割模型；S402、利用所述第一語義分割模型從DOM中進行植被提取，得到植被圖斑。
5.根據權利要求1所述的一種基于實景三維模型的建筑基底輪廓精細化提取方法，其特征在于，所述S5具體包括：S501、使用柵格運算方...

【專利技術屬性】
技術研發人員：應良中，高廣，周鑫，趙玨晶，吳敦，王世熿，孫華，費佳寧，
申請(專利權)人：寶略科技浙江有限公司，
類型：發明
國別省市：