结合区域增长与RANSAC的机载LiDAR点云屋顶面分割

建筑物屋顶面大小差异较大、形状复杂、数量不确定等特点,以及机载LiDAR点云密度不均、分布不规则、缺乏语义信息等特性,对屋顶面的准确分割造成了很大干扰,因此现有分割方法的精度和适用性仍有待提高。针对上述问题,本文提出一种结合区域增长与RANSAC的机载LiDAR点云屋顶面分割方法。首先,引入稳健的法向量估计算法计算点云法向量,利用提出的迭代区域增长策略和RANSAC提取多个可靠屋顶面片;然后,基于可靠屋顶面片参数和RANSAC计算内点的思想,迭代合并可靠屋顶面片,并精化屋顶面参数;最后,计算未能通过前面步骤分割的点到各屋顶面的垂直距离,将其标记为距离最小且小于阈值的屋顶面,并通过局部范围内投票的方式精化屋顶面分割结果。利用多个具有代表性的建筑物点云和一组区域建筑物点云进行试验,结果表明,所提出的方法可有效地分割不同复杂程度的建筑物屋顶面,并能较好地分割面积较小的屋顶面,以屋顶面和单点为评价单元的平均分割正确率为95.56%和97.93%,分割的结果可为建筑物三维模型重建、点云精简等应用提供可靠的信息。

基于体素增长的机载LiDAR点云建筑物屋顶面分割

建筑物屋顶面的准确分割对建筑物模型重建具有重要意义。但是由于建筑物屋顶面的种类繁多、大小差异大、形状复杂等特点,以及机载LiDAR点云数据的密度不均、数据量大等特性,传统分割方法存在欠分割、过分割以及小平面难以准确分割等问题。针对上述问题,本文提出一种基于体素区域增长的机载LiDAR点云建筑物屋顶面分割方法,有效提升了复杂结构建筑物屋顶面的分割精度。首先,对点云数据进行体素化,根据PCA方法估计每个体素的法向量、曲率值。然后实现基于体素区域增长的初始屋顶面分割。该过程选取当前体素空间曲率最小值体素作为初始种子体素,以26邻域为增长方向,根据种子体素与待增长体素间的法向量夹角约束增长。迭代增长过程中根据当前种子体素与增长体素的曲率差绝对值确定待增长种子体素,直到未有新的种子体素出现停止增长。再次选择新的初始种子体素重复该过程,直到完成所有体素的分割。最后通过对初始分割结果中过分割屋顶面进行合并、屋顶面结构完整性修复、复杂建筑物的小平面提取等优化处理得到最终的屋顶面。本文选取ISPRS官网提供的Vaihingen和Toronto 2个地区的机载LiDAR点云数据,分别对其中代表性的单栋建筑物和区域建筑物进行屋顶面分割实验。结果表明,复杂建筑物屋顶面点云分割的完整率、正确率和分割质量结果分别为95.36%~99.58%、94.83%~100%和90.65%~98.28%。本文方法在解决欠分割和过分割问题的基础上,有效地提高了建筑物点云的屋顶面分割的精度。

基于改进RANSAC算法的屋顶激光点云面片分割方法

基于改进的随机抽样一致性算法(RANSAC)对建(构)筑物屋顶面片进行点云分割,通过改进种子点选取方式来提高面片分割的置信度,并将点到平面距离的标准差作为判断准则,以提高分割面片的准确性。同时,采用KD-Tree组织点云,根据空间平面的法向量、连通性分析、点云的R半径密度对分割的面片进行优化处理,试验证明该方法能有效地对建筑物屋顶面片进行点云分割。