[发明专利]一种建筑点云中分离单体建筑的密度聚类算法

说明书

本发明涉及一种建筑点云中分离单体建筑的密度聚类算法，将密度聚类思想应用于单体建筑的分离过程。本发明抗噪声、鲁棒性好、计算性能优异，对建筑密集区的数据分割效果好正确率高，无需人工干预。由本算法所自动分离的单体建筑点云(数据集)，可直接用于生产建筑物三维模型，进而作为数据基础，广泛服务于智慧城市或数字城市建设，应用于城市建筑物数据实时更新、城市精细化、科学化管理或运营等领域。

技术领域

本发明涉及计算机三维重建，尤其是一种建筑点云中分离单体建筑的密度聚类算法。

背景技术

建筑物三维模型重建的数据来源，除传统的人工测绘、立体影像外，另一种更高效更精确的方式是使用激光雷达(LiDAR)所获取的高精度三维点云(Point Cloud)。基于点云重建建筑三维模型的主要步骤包括，建筑区域提取(点云滤波及分类)以及三维重建。为满足主题查询等需求，重建的三维建筑模型在物理上应当是可区分的。但是，当建筑物区域(建筑点云)从原始点云中分类(提取)出来以后，建筑点云数据集中常包含多幢建筑。为了正确、有效地重建建筑物三维模型，需要从中分离出各单体建筑。已有的单体建筑分离方法按数据处理方式可分为基于栅格或基于矢量的分离方法。基于栅格的分离过程，先将点云数据按一定的规则(如高度、点密度等)重采样，投影到2D平面上，然后再用图像处理或相关技术手段，聚类、分割，边缘检测、跟踪等方法分离出单体建筑区域后，再反投影，进而分割出单体建筑点云。栅格法的主要困难包括：选择合适的单元格大小，选择合适的分割阈值等，另外数据转换也会带来误差，导致不正确的分割结果。矢量法中最常见的方法是基于空间域的聚类。Sampath and Shan(2007)基于区域增长法(或称移动窗口法)聚类分离单体建筑物，其核心思想是利用搜索窗口，从某一点开始，搜索其窗口邻域内的所有邻点，再移动窗口位置加入新的邻点(移动窗口，moving window)。Awrangjeb and Fraser(2014)用DEM生成建筑物掩膜(building mask)，将掩膜内的平面点聚类形成平面片，再合并邻接的平面片形成单体建筑区域。Kwak and Habib(2014)用改进凸包算法跟踪建筑点云的边界，将距离大于阈值的建筑点云分割开形成单体建筑。上述方法的几个主要问题是：噪声敏感、参数(阈值)敏感，以及计算复杂。此外，前述所有方法对建筑密集区的适应性较差(分割正确率较低)。

发明内容

本发明要解决上述现有技术的缺点，提供一种避免数据转换所带来的误差，降低各类阈值(参数)设置的主观性以及非广泛适应性，抗噪声、鲁棒性好，算法计算性能优异且易于实现的建筑点云中分离单体建筑的密度聚类算法。

本发明解决其技术问题采用的技术方案：这种建筑点云中分离单体建筑的密度聚类算法，包括以下步骤：

1)从任一未处理的点P₀开始，若其ε-邻域内至少包含minPts个点，则P₀为核心点，开始转步骤2)进行聚类过程；否则，将P₀标记为噪声点，并重复当前步骤；如果数据集中所有点都处理完毕，则聚类过程结束；

2)将P₀的ε-邻域点加入到新的聚类C中，并将这些邻域点根据其各自的邻点数量，分别标记为核心点或噪声点；

3)重复步骤2)，即将C中所有未处理的核心点，继续同样的处理过程，直到没有新的核心点加入C为止，即找到一个密度连接的最大子集，标记/分离出某一单体建筑；

4)重复上述步骤，寻找一个新的聚类。

作为优选，在计算邻域距离时采用闵克夫斯基距离测度，关于n-维实数空间中的两个点，其p-阶闵克夫斯基距离定义如下：

其中p的值可采用1,2或∞。