[发明专利]一种基于机载LiDAR点云分割建筑物顶面的方法

说明书

本发明提出一种基于机载LiDAR点云分割建筑物顶面的方法，很好的实现了房屋顶面的高精度提取，并且对于不同的数据类型具备很强的鲁棒性。本发明首先对原始建筑物点云进行欧式聚类，以分割出每栋建筑物的点云；然后分别对每一栋建筑进行基于L0梯度最小化的多尺度分割，得到初始平面分割结果。针对房屋顶面提取工作的特殊性我们对L0梯度最小化算法进行了针对性改进，包括排序和区域扩张的策略的应用以及附加的几何约束条件，很好的改进了L0梯度最小化算法在平面分割中的精度和鲁棒性。最后采用基于图割的后处理优化算法，将初始结果进行精化，同时解决初始结果中可能存在的过度分割以及边缘锯齿状的问题以得到最终的房屋顶面提取结果。

技术领域

本发明涉及一种基于机载LiDAR点云利用L0梯度最小化和图割全局优化进行房屋顶面提取的方法，可用于LiDAR点云分类分割、三维建筑物模型重建等。

背景技术

建筑物的三维重建是计算机视觉、摄影测量与遥感等领域内的重要研究课题。随着激光探测及测距(Light Detection and Ranging)系统的快速发展，迅速且准确的获得大规模城市三维点云成为可能，这为三维建筑物的重建工作带来了极大的便利。现有的基于机载LiDAR点云的建筑物三维建模的方法大致可以分为两类：模型驱动方法以及数据驱动方法。模型驱动方法是一种自上而下的方法并且认为建筑物模型都是存在于预设的模型库中的。而数据驱动方法则是自下而上进行建筑物建模，首先需要从点云中提取建筑物顶面，然后分析建筑物顶面的拓扑结构来最终构建完整的建筑物模型。由于模型驱动方法无法准确还原模型库中所不存在的房屋模型结构，因此从数据出发的数据驱动方法更为有效。而对于数据驱动方法，如何准确且高效地从点云中提取建筑物的顶面成为了三维建模工作的关键。针对建筑物顶面提取问题，目前国内外相关研究层出不从，但是由于不同数据点云密度不同，房屋复杂程度不同，现有的方法无法获得稳定且高精度房屋顶面提取结果，因此需要设计一种高精度且具备鲁棒性的房屋顶面提取算法来进一步推进建筑物模型重建工作。

发明内容

本发明针对现有技术的不足，提供一种基于L0梯度最小化算法以及图割优化算法的房屋顶面提取方法，该方法在面对不同类型数据时都可以得到高精度的房屋顶面提取结果。

本发明的技术方案为一种基于机载LiDAR点云分割建筑物顶面的方法，包括如下步骤：

步骤1，对原始建筑物点云进行欧式聚类，以分割出每栋建筑物的点云；

步骤2，分别对每一栋建筑进行基于区域扩张的L0梯度最小化算法的多尺度分割以得到初始平面分割结果；

步骤3，采用基于图割的后处理优化算法将初始平面分割结果进行精化，提取高精度建筑物顶面。

进一步的，步骤2中所述的基于区域扩张的L0梯度最小化算法是对L0梯度最小化算法的改进，其具体原理如下；

基于区域扩张的L0梯度最小化算法的能量函数定义为：

式中，M代表输入点云的长度，I_i和S_i分别代表点云中第i个点p_i输入和输出的法向量；N_i代表p_i的邻域，为k个最邻近的邻域点或者是三维空间中的以R为半径的球内的邻域点，i和j分别表示邻域点的索引，参数λ为L0范数的权重；

对公式(2)进行近似化求解，首先以一对相邻点p_i和p_j为例，它们对于整体能量函数F的贡献值f为：