一种基于K-plane算法的建筑物顶面点云数据分割方法

文档序号:5963313阅读:393来源:国知局
专利名称:一种基于K-plane算法的建筑物顶面点云数据分割方法
一种基于K-plane算法的建筑物顶面点云数据分割方法技术领域
本发明涉及遥感测绘领域,尤其是一种基于K-plane算法的建筑物顶面点云数据分割方法。背景技术
建筑物作为三维地理信息系统中的重要组成部分,对其实现快速、高精度探测已经成为遥感测绘领域内的重大需求。虽然采用传统测绘技术及方法,可以得到大多数建筑物的相关数据,但是其获取数据的速度慢,过程繁琐,很难满足对大规模建筑物进行快速、 高精度探测的需求。因此,目前在城市区域内多采用激光雷达对大范围建筑物进行快速探测。如何对所得到的建筑物点云数据进行恰当的分类处理,从中准确地提取出建筑物的相关信息,是采用激光雷达进行建筑物探测过程中的一个至关重要的步骤。
在蒋晶珏,姚春静和马洪超申请的发明专利(申请号200910272643. O)所述方法中,利用区域生长的方法,对激光雷达点云数据进行基于分割段的自动分类。该发明所述方法仅适用于对点云数据进行地物分离处理,通过该方法,可将点云数据分类为裸露地面、 建筑物、植被、噪声和其它非地面对象五类。该方法不适用于对提取出的建筑物点云数据进行进一步细化分割处理。在李传荣,周梅,苏国中,黎荆梅,唐伶俐和夏冰申请的发明专利 (申请号200810224910.2)所述方法中,聚类运算的方法被引入点云数据分割领域。但由于该发明所述方法以点间距离作为约束对候选点进行聚类,这样的操作同样仅适用于对建筑物顶面点云数据进行整体提取,而不适用于对获得的建筑物顶面点云数据进行进一步的分割处理。
目前,基于聚类算法的建筑物顶面点云数据分割方法通常依靠采用K-means算法对点云数据内的激光脚点进行聚类运算来实现。由MacQueen提出的K_means算法是一种基于距离划分对特征空间进行聚类分析的经典方法,其算法简洁,具有很强的数据搜索能力, 适合处理点云数据这种数据量大的分类对象。由于K-means算法采用点模型作为聚类中心,利用该算法对建筑物顶面点云数据进行分割时,需要计算点云数据中各 个激光脚点的邻域法向量作为聚类运算的数据对象。目前,计算激光脚点的邻近点主要有以下三种方法 同半径圆覆盖方法、K-nearest neighborhood(K_nn)算法和Voronoi网格方法。其中,同半径圆覆盖方法对点云数据的要求较高,在被处理的点云数据中不能存在空洞,而且激光脚点的分布必须较为均匀。Κ-ηη算法通过求解出与各个激光脚点距离最近的K个邻近点, 构建该最近邻域的最小二乘拟合平面,实现法向量提取。在实际应用中,如何选取合适的K 值是基于Κ-ηη算法的激光脚点法向量计算方法中所存在的主要问题。当所选取的K值较小时,邻域内包含激光脚点的数目较少,所构成的拟合平面受到测量误差的影响较大,计算出的法向量误差较大;当选取的K值较大时,邻域内包含激光脚点的数目较多,所构成的邻域拟合平面的细节表征能力较弱,也会导致计算出的法向量存在较大误差。同时,与同半径圆覆盖方法类似,Κ-ηη算法也对被处理点云数据的分布均匀性有一定要求,当点云数据中激光脚点的分布密度不均匀时,采用Κ-ηη算法进行法向量计算的结果并不理想。Voronoi网格方法凭借VOTonoi网格的构造唯一性和良好的空间方向性,在实际应用中通常可以得到比较好的激光脚点邻域法向量计算结果。可是,Voronoi网格方法也有其自身存在的问题,首先,对数目巨大的点云数据构造VOTonoi网格的过程十分复杂;其次,在进行邻域计算时,由于VOTonoi网格方法所具有的良好的空间方向性,在获得较高的邻近点计算精度的同时,所引起的负面问题是所得出的每个激光脚点的邻近点数目很多,从而导致计算各个激光脚点邻域的拟合平面和进一步求取其法向量的运算量巨大;最后,由于建筑物顶面自身空间结构的特点,建筑物顶面内的各个几何平面的法向量之间的差距很小,同时由于激光雷达测量误差和建筑物表面粗糙性的存在,即使采用Voronoi网格方法也不能保证计算所得的法向量数据一定具有良好的可分割性。
本发明所述方法采用K-plane算法对建筑物顶面点云数据进行分类运算。与 K-means算法类似,K-plane算法也是一种基于距离划分的聚类算法,其思想是采用平面模型代替K-means算法中的点模型作为聚类中心,并通过最小化数据对象与其各自所属类的聚类中心平面的距离之和的方法进行分类。因此,在对点云数据进行分割时,K-plane算法直接采用点云数据内各个激光脚点的三维坐标值作为聚类运算的数据对象。由于不需要计算各个激光脚点的邻域法向量,采用K-plane算法对建筑物顶面点云数据进行分割可以减少分类运算的计算时间,同时,可以避免由于激光脚点邻域法向量计算错误而导致错误分类出现的可能性。一直以来,阻碍K-plane算法在建筑物顶面点云数据分割领域应用的难题是K-plane算法的初始聚类中心平面很难被合理地设定。若所选取的初始聚类中心平面不合理,在聚类运算过程中,会出现由于迭代次数过多而引起计算时间过长和聚类结果落入局部最优解等情况。本发明所述方法通过对建筑物顶面点云数据的高程图像中各个像素的邻域法向量进行分析,将高程图像分割为一 系列与屋顶的几何平面相对应的区域,利用这些区域的最小二乘拟合平面作为K-plane算法的初始聚类中心平面,进而减少聚类运算的迭代次数,缩短聚类运算的时间,同时降低聚类结果落入局部最优解的可能性。在实际应用中,与基于K-means算法的建筑物顶面点云数据的分割方法相比,本发明所述方法具有速度快、精度高等优点。
发明内容
本发明是一种基于K-plane算法的建筑物顶面点云数据分割方法。利用格网化方法生成建筑物顶面点云数据的高程图像。利用高程图像中各个像素点及其最小邻域内的邻域像素点的三维坐标值计算各个像素点邻域的最小二乘拟合平面。利用所得到的最小二乘拟合平面的法向量对高程图像中各个像素点邻域的法向量进行表示。利用阈值滤波和尺度变换的方法对高程图像中各个像素点的邻域法向量的三个坐标轴参数分别进行滤波处理并将其映射至图像灰度值的定义域内,对得到的映射结果进行取整处理,得出分别对应于法向量的三个坐标轴参数的灰度值矩阵,组合这三个灰度值矩阵生成高程图像像素点邻域法向量彩色图像。利用阈值分类方法对三个灰度值矩阵分别进行分类处理。利用得到的分类结果对高程图像进行分割,计算高程图像内各个分割区域的最小二乘拟合平面并将得到的拟合平面设置为K-plane算法中的初始聚类中心平面。利用K-plane算法对建筑物顶面点云数据进行聚类运算,将得到的聚类结果作为点云数据的分割结果进行输出。
本发明的技术方案是这样实现的
本发明的一种基于K-plane算法的建筑物顶面点云数据分割方法,步骤如下
步骤一、对建筑物顶面点云数据进行格网化处理,生成高程图像。
在笛卡尔三维xyz坐标系内,将建筑物顶面点云数据沿z轴方向映射到xoy平面 上,选取建筑物顶面点云数据的扫描线平均间距和扫描线内扫描点平均间距两者之中的较 大值作为格网尺寸,构建正方形格网对点云数据进行分割。当格网内仅包含一个激光脚点 时,采用该激光脚点的高程值作为格网的高程值;当格网内包含一个以上激光脚点时,采用 这些激光脚点的高程平均值作为格网的高程值;当格网内不包含激光脚点时,采用该格网 的最小邻域内所有格网的高程平均值作为其高程值。将所得到的包含高程值的格网作为图 像的像素点,得出建筑物顶面点云数据的高程图像。
步骤二、计算高程图像内各个像素点的邻域法向量。
将高程图像中各个像素点的高程值作为其z轴坐标,利用各个像素点及其最小邻 域内各像素点的X轴、y轴和Z轴坐标计算出各个像素点邻域的最小二乘拟合平面,将所得 到的最小二乘拟合平面的法向量作为各个像素点邻域的法向量。
步骤三、对高程图像内像素点的邻域法向量的各坐标轴的参数分别进行图像化表/Jn ο
对高程图像内像素点的邻域法向量的三个坐标轴的参数分别进行阈值滤波处理, 利用尺度变换的方法将滤波后的三个坐标轴参数分别映射至图像灰度值的定义域
内。通过对所得到的参数进行取整处理,得到分别对应法向量X轴、y轴和z轴的三个灰度 值矩阵。将这三个矩阵作为彩色图像的三原色矩阵,对其进行组合,得出建筑物顶面点云数 据高程图像中像素点邻域法向量的彩色图像。
步骤四、对图像化表示后的法向量进行阈值分类,根据分类结果对建筑物顶面的 高程图像进行分割,将分割得到的各个区域的最小二乘拟合平面设置为K-plane算法中的 初始聚类中心平面。
利用阈值分类方法对图像化表示后的法向量三个坐标轴的参数分别进行分类,利 用各个坐标轴参数的分类结果对高程图像进行分割,利用分割得到的各个区域内像素点的 三维坐标计算各个区域的最小二乘拟合平面,将得到的拟合平面设置为K-plane算法中的 初始聚类中心平面。
步骤五、利用K-plane算法对建筑物顶面点云数据进行聚类运算,得出点云数据 分割结果。
利用K-plane算法对建筑物顶面点云数据进行聚类运算,采用平面作为聚类中心 模型,比较激光脚点与各个聚类中心平面之间的欧式距离,将该激光脚点分配给距离其最 近的聚类中心平面所代表的类。将点云数据中所有的激光脚点都按照这样的方法进行分 配,当点云数据中所有激光脚点都被分配后,将各个类的聚类中心平面更新为各个类内激 光脚点的最小二乘拟合平面。再次比较各个激光脚点与各个更新后的聚类中心平面之间 的距离,重新对点云数据中的各个激光脚点进行分配,待分配结束后,再次更新聚类中心平 面,按照这样的方法进行迭代运算。当所得的分类结果不再随迭代运算发生变化或者迭次 次数已经满足要求,将聚类运算的分类结果作为点云数据的分割结果输出。
本发明的有益效果本发明所述方法采用平面作为聚类中心模型,通过比较激光 脚点的三维坐标与各个聚类中心平面之间的欧式距离进行分类运算,因此,在采用本发明所述方法进行点云数据分割过程中,避免了采用基于K-means算法的点云数据分割方法中对点云数据内各个激光脚点的邻域法向量进行计算的步骤,这样即缩短了点云数据分割的整体运算时间,又可以避免由于激光脚点邻域法向量计算的误差而导致点云数据被错误分类的可能性。本发明所述方法中的K-plane算法的初始聚类中心平面是通过对点云数据的高程图像中各个像素的邻域法向量进行分析得到的,相对于传统的随机初始化方法,采用本发明所述的初始化方法可以有效的减少点云数据分割过程中聚类运算的迭代次数,缩短分类运算的时间,并且,可以降低得到的分类结果陷入聚类运算的局部最优解的可能性。
说明书附图


图1是本发明所述的一种基于K-plane算法的建筑物顶面点云数据分割方法的示意图2是利用本发明所述方法对一真实建筑物顶面点云数据进行分割的具体实施例的示意图。
具体实施方式
本发明的一种基于K-plane算法的建筑物顶面点云数据分割方法,步骤如下
步骤一、对建筑物顶面点云数据进行格网化处理,生成高程图像。
在笛卡尔三维xyz坐标系内,将建筑物顶面点云数据沿z轴方向映射到xoy平面上,选取建筑物顶面点云数据中的扫描线平均间距和扫描线内扫描点平均间距两者之中的较大值作为格网尺寸,构建正方形格网对点云数据进行分割。当格网内仅包含一个激光脚点时,采用该激光脚点的高程值作为格网的高程值;当格网内包含一个以上激光脚点时,采用这些激光脚点的高程平均值作为格网的高程值;当格网内不包含激光脚点时,采用该格网的最小邻域内所有格网的高程平均值作为其高程值。将所得到的包含高程值的格网作为图像的像素点,得出建筑物顶面点云数据的高程图像。
步骤二、计算高程图像内各个像素点的邻域法向量。
将高程图像中各个像素点的高程值作为其z轴坐标,计算各个像素点最小邻域 (3*3邻域)内的邻域像素点。将高程图像中的像素点(i,j)记为Pu),其邻域切平面 Planeiij j)的数学表达式记为A Q」)x+B Q」)y+C Q」)z+D C」)=0,其中,x轴和y轴分别表示高程图像的横坐标轴和纵坐标轴,z轴表示高程值的坐标轴,A(i,」),BbvCaj)和Daj)分别表示切平面Plane(i,j)的相应参数。该像素点(i, j)及其在3*3邻域内的全部邻近点到 拟合切平面Plane(i,」)的距离的平方和表示为
权利要求
1.一种基于κ-plane算法的建筑物顶面点云数据分割方法,其特征在于包括以下五个步骤步骤一、对建筑物顶面点云数据进行格网化处理,生成高程图像;在笛卡尔三维xyz坐标系内,将建筑物顶面点云数据沿z轴方向映射到xoy平面上,选取建筑物顶面点云数据的扫描线平均间距和扫描线内扫描点平均间距两者之中的较大值作为格网尺寸,构建正方形格网对点云数据进行分割,当格网内仅包含一个激光脚点时,采用该激光脚点的高程值作为格网的高程值,当格网内包含一个以上激光脚点时,采用这些激光脚点的高程平均值作为格网的高程值,当格网内不包含激光脚点时,采用该格网的最小邻域内所有格网的高程平均值作为其高程值,将所得到的包含高程值的格网作为图像的像素点,得出建筑物顶面点云数据的高程图像;步骤二、计算高程图像内各个像素点的邻域法向量;将高程图像中各个像素点的高程值作为其z轴坐标,利用各个像素点及其最小邻域内各像素点的X轴、y轴和z轴坐标计算出各个像素点邻域的最小二乘拟合平面,将所得到的最小二乘拟合平面的法向量作为各个像素点邻域的法向量;步骤三、对高程图像内像素点的邻域法向量的各坐标轴的参数进行图像化表示;对高程图像内像素点的邻域法向量的三个坐标轴的参数分别进行阈值滤波处理,利用尺度变换的方法将滤波后的三个坐标轴参数分别映射至图像灰度值的定义域
内, 通过对所得到的参数进行取整处理,得到分别对应法向量X轴、y轴和z轴的三个灰度值矩阵,将这三个矩阵作为彩色图像的三原色矩阵,对其进行组合,得出建筑物顶面点云数据高程图像中像素点邻域法向量的彩色图像;步骤四、对图像化表示后的法向量进行阈值分类,根据分类结果对建筑物顶面的高程图像进行分割,将分割得到的各个区域的最小二乘拟合平面设置为K-plane算法中的初始聚类中心平面;利用阈值分类方法对图像化表示后的法向量三个坐标轴的参数分别进行分类,利用各个坐标轴参数的分类结果对高程图像进行分割,利用分割得到的各个区域内像素点的三维坐标计算各个区域的最小二乘拟合平面,将得到的拟合平面设置为K-plane算法中的初始聚类中心平面;步骤五、利用K-plane算法对建筑物顶面点云数据进行聚类运算,得出点云分割结果; 利用K-plane算法对建筑物顶面点云数据进行聚类运算,将获得的聚类运算结果作为点云数据的分割结果进行输出。
全文摘要
本发明公开了一种基于K-plane算法的建筑物顶面点云数据分割方法。利用格网化方法,得出建筑物顶面点云数据的高程图像;通过对建筑物顶面点云数据的高程图像中各个像素的邻域法向量进行分类分析,将高程图像分割为一系列与建筑物顶面内各个几何平面相对应的区域,将这些区域的最小二乘拟合平面作为K-plane算法的初始聚类中心平面;利用K-plane算法,通过计算建筑物顶面点云数据中各个激光脚点与其各自所被分配的类的聚类中心平面之间的距离之和的最小值,得出点云数据的分类结果,实现对建筑物顶面点云数据进行分割。
文档编号G01S17/89GK103020637SQ201210478659
公开日2013年4月3日 申请日期2012年11月22日 优先权日2012年11月22日
发明者徐立军, 孔德明, 李小路, 李端 申请人:北京航空航天大学
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1