基于LiDAR点云的建筑物边界提取及规则化

在无需定义主方向及建筑物形状的前提下,提出了一种适合于各种类型建筑的边界提取算法。首先利用凸包算法进行建筑物边界点的提取及排序,接着利用分组的Douglas-Peucker(D-P)算法进行边界特征点的提取,最后实现建筑物边界弧段部分的拟合。

FPN与Mask R-CNN多任务融合的建筑物边界提取

针对目前主流深度学习网络对建筑物边界提取时,存在的边界不准确和内部空洞等问题,该文提出了将语义分割网络-全卷积神经网络(FPN)和实例分割网络-掩膜区域卷积神经网络(Mask R-CNN)进行有机结合的多任务深度学习框架。该方法旨在实现建筑物的语义分割任务和实例分割任务,首先,使用深度残差网络(ResNet50)和全卷积FPN组成的骨干网络(backbone)进行多层次、多尺度的特征提取。然后,将网络分解为两个任务,一个基于FPN的反卷积语义分割任务,另一个则为利用区域候选网络(RPN)的实例分割任务;进一步分析两种结果的特点,通过规则合并两个任务的提取结果。最后,通过建筑物的面积和周长面积比对结果进行后处理,筛选最终的建筑物并进行边界规则化。结果表明,该文方法可以有效利用不同深度学习任务的优势,其精度优于单独使用FPN和Mask R-CNN网络。

改进GAC模型在点云和影像自动提取建筑物边界中的应用

以自动生成测地线活动轮廓(geodesic active contour,GAC)模型的初始曲线及改进其外力为出发点,提出一种基于LiDAR点云和随机影像数据,利用改进的GAC模型进行建筑物边界提取的方案。首先利用形态学交替序贯滤波自动获得模型演化的初始曲线;进而利用LiDAR深度梯度影像改进模型演化的外力,得到了改进的测地线活动轮廓(improved geodesic active contour,IGAC)模型。仿真试验表明,采用IGAC模型,可抑制弱边界泄漏,并提高建筑物边界提取的完整性和形状精确度。

建筑物边界约束的航空影像DSM优化

针对航空影像密集匹配生成点云数据边界模糊的问题,提出了一种基于DSM灰度影像矢量边界与DEM无约束D-三角网嵌套生成具有精确边界的建筑物表面模型的方法。通过逐点内插法建立实验区点云数据的DSM深度影像图;根据计算机视觉中的边缘检测算子,提取深度影像中建筑物的准确边界;建立DEM的无约束D-三角网,将准确建筑物边界作为硬边界嵌入三角网中,最终将建筑物三角网和地面点三角网拼合,生成"纯净"建筑物表面模型。实验结果表明,优化后的建筑物高度和平面信息无精度损失,该方法有较强实用性。

从机载激光雷达点云提取建筑物屋顶边界的活动轮廓模型改进方法

基于边缘与局部信息提出一种处理多波段图像的活动轮廓模型,并将其应用于LiDAR数据的建筑物边界提取。首先将分类得到的屋顶点云数据转换为栅格数据,并作为模型的输入图像,进而采用变分水平集方法解求模型能量函数的最小解,得到建筑物的边界。该模型消除了其他活动轮廓模型对初始曲线和所处理图像类型的限制,适于任意形状的建筑物边界的自动提取;水平集规则项的添加,减小了模型的计算时间。试验结果表明:与IAC模型、GACcolor模型相比,本文模型在建筑物边界提取的应用中可以达到更高的匹配度、形状相似度以及位置精度。