[发明专利]一种基于K-plane算法的建筑物顶面点云数据分割方法

说明书

【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：200910272643.0)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。K-nn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K-nn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，K-nn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K-nn算法进行法向量计算的结果并不理想。Voronoi网格方法凭借Voronoi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Voronoi网格的过程十分复杂；其次，在进行邻域计算时，由于Voronoi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。