استخراج و ساده سازی قطعات نمای ساختمان از ابرهای نقطه ای اسکنر لیزری سیار برای خدمات نمای خیابان سه بعدی

خلاصه

استخراج و تجزیه و تحلیل نماهای ساختمان، فرآیندهای کلیدی در بازسازی ساختمان سه بعدی (سه بعدی) و مدل سازی هندسی واقع گرایانه از محیط شهری است که شامل کاربردهای زیادی مانند مدیریت هوشمند شهر، ناوبری مستقل در محیط شهری، رندر پروازی است. ، نمای خیابان سه بعدی، گردشگری مجازی، برنامه ریزی ماموریت شهری، و غیره. این مقاله یک الگوریتم استخراج و ساده سازی قطعات نمای ساختمان را بر اساس فیلتر مورفولوژیکی با ابرهای نقطه ای به دست آمده توسط یک اسکنر لیزری سیار (MLS) پیشنهاد می کند. ابتدا، این مطالعه یک الگوریتم طرح ابر نقطه ای را با پارامترهای جهت گیری با دقت بالا از موقعیت و سیستم جهت گیری (POS) MLS ارائه می کند که می تواند حجم زیادی از داده های ابر نقطه را به یک تصویر شطرنجی تبدیل کند. دومین، این مطالعه یک رویکرد استخراج ویژگی مبتنی بر فیلتر مورفولوژیکی با طرح ابر نقطه ای را پیشنهاد می کند که می تواند ویژگی های نمای ساختمان را در یک فضای تصویر به دست آورد. سوم، این مطالعه یک تبدیل معکوس از طرح ابر نقطه ای را برای تبدیل ویژگی های نمای ساختمان از یک فضای تصویر به یک فضای سه بعدی طراحی می کند. یک ویژگی نمای ساختمان با الگوریتم تشخیص صفحه نما محدود شده برای بازسازی قطعات نما برای خدمات نمای خیابان پیاده سازی شده است. نتایج آزمایش‌های استخراج نمای ساختمان با حجم زیادی از ابر نقطه از MLS نشان می‌دهد که رویکرد پیشنهادی برای انواع مختلف استخراج نمای ساختمان مناسب است. دقت هندسی نماهای ساختمان در جهت x 0.66 متر، در جهت y 0.64 و در جهت عمودی 0.55 متر است که با وضوح فضایی (0.5 متر) ابر نقطه برابر است.

کلید واژه ها:

اسکنر لیزری موبایل (MLS) ; ابر نقطه ; تصویر پروجکشن ; نمای ساختمان ; مورفولوژی ; استخراج ویژگی

1. معرفی

اسکن سه بعدی به عنوان یک تکنیک جدید نقشه برداری و نقشه برداری محبوبیت پیدا می کند و به تدریج به معیار اصلی برای به دست آوردن و به روز رسانی داده های جغرافیایی مکانی تبدیل می شود [ 1 ، 2 ]. سیستم‌های اسکن لیزری سیار (MLS) برای جمع‌آوری ابرهای نقطه‌ای با چگالی بالا در مناطق شهری برای به دست آوردن داده‌های کنار جاده استفاده می‌شوند. سیستم‌های MLS از زوایای اسکن کافی برای اندازه‌گیری ویژگی‌های عمودی در طول جاده، مانند درختان، ساختمان‌ها و قطب‌ها استفاده می‌کنند. این رویکرد سریع، بسیار دقیق و کم‌هزینه است و داده‌های به‌دست‌آمده حاوی ویژگی‌های بی‌درنگ قوی است که به جاده‌های شهری متکی است، که به یک منبع داده سه بعدی مفید برای جمع‌آوری و به‌روزرسانی داده‌های ژئوانفورماتیک شهر تبدیل شده‌اند [3 ، 4 ، 5 ]]. روش نمونه‌گیری داده‌های سیستم‌های اسکن لیزری سه بعدی مبتنی بر وسیله نقلیه برای جمع‌آوری اطلاعات جغرافیایی شهر مناسب است. بنابراین، این سیستم‌ها به سرعت به ابزار اولیه جمع‌آوری اطلاعات شهر تبدیل شده‌اند و به طور گسترده در بازسازی شهر سه بعدی، ناوبری مستقل در محیط شهری، رندرینگ، نمای خیابان سه‌بعدی، گردشگری مجازی، برنامه‌ریزی ماموریت شهری و غیره استفاده شده‌اند. [ 5 ، 6]. مقادیر انبوه نقاط از MLS با داشتن حجم زیاد، مستقل بودن، نداشتن ساختار و اطلاعات شکل مشخص می شود. به این ترتیب، داده های ابر نقطه ای را نمی توان مستقیماً برای مدل سازی سه بعدی استفاده کرد. ساختار نمای ساختمان برای مدل سازی سه بعدی ساختمان، نقشه برداری بافت خودکار، حاشیه نویسی اطلاعات و خدمات نمای خیابان بسیار مهم است. استخراج سریع و دقیق قطعات نمای ساختمان برای بازسازی سه بعدی با استفاده از داده های ابر نقطه ای به دلیل چگالی نقاط مختلف، موقعیت های دید متفاوت، هندسه اسکن و اشیاء مسدود شده چالش برانگیز است [7 ، 8 ] .

در می 2007، گوگل برای اولین بار Google Street View (GSV) را با تصاویر پانوراما 360 درجه [ 9 ] راه اندازی کرد که با جمع آوری تصاویر از تمام ساختمان ها و کنار جاده ها هنگام رانندگی در هر خیابان در جهان، نمای خیابانی را ارائه می دهد. یک شبکه سه بعدی ساده شده از داده‌های اسکنر لیزری موبایل برای مدل‌سازی نماها با تصاویر ابر نقطه‌ای و تصاویر پانوراما تولید می‌شود. سپس اطلاعات نمای ساختمان ( شکل 1 ) به عنوان اطلاعات فضای پس زمینه به دست می آید، در حالی که داده های تصویر پانورامای پیوسته خیابان برای نمایش استفاده می شود. GSV می تواند افکت های سه بعدی فضایی را با تشخیص داده های فضای پس زمینه بر اساس موقعیت حرکت ماوس کاربر و تغییر جهت، زاویه و اطلاعات شکل صفحه تشخیص ماوس ایجاد کند.

GSV خدمات نمای خیابان آنلاین را برای کاربران عمومی در سراسر جهان ارائه می دهد. همانطور که در شکل 1 نشان داده شده است، می توان به جلو و عقب، به سمت بالا و پایین حرکت کرد و همچنین بزرگنمایی و کوچکنمایی کرد.(کاربرد اینترنتی GSV). هنگامی که کاربر روی قطعه نما کلیک می کند، رابط می پرد و به سمت نزدیک ترین نمای تصویر از قطعه نما می رود. داده های GSV را می توان با تصویربرداری پانوراما و اسکن لیزری سه بعدی به وسیله نقلیه جمع آوری نمای خیابان ردیابی کرد. علاوه بر این، نقطه مورد علاقه (POI) را می توان در تصویر نمای خیابان که توسط قطعات نما پشتیبانی می شود، برچسب گذاری کرد. خودروی جمع‌آوری نمای خیابان حجم عظیمی از داده‌های LIDAR را می‌گیرد که نمی‌توانند در اینترنت منتشر شوند. استخراج قطعات نمای ساختمان از داده های LIDAR سه بعدی، پایه ای برای تحقق انتشار تصاویر پانورامای قابل اندازه گیری، موقعیت یابی و بدون پرش در اینترنت است [ 9 ، 10 ، 11 ].

استخراج موثر سازه‌های نمای ساختمان از داده‌های ابر نقطه‌ای عظیم برای مدل‌سازی خودکار شهر دیجیتالی سه بعدی و کاربرد اینترنت نمای خیابان دشوار است [ 9 ، 10 ، 11 ]. بسیاری از محققان در سراسر جهان به طور گسترده این مشکل را بررسی کرده اند. برای داده‌های LIDAR سه‌بعدی هوابرد، داده‌های ابر نقطه اصلی ابتدا طبقه‌بندی می‌شوند و مرزهای ساختمان متعاقباً بر اساس داده‌های سطح بالای ساختمان تأیید می‌شوند. یک مسئله محبوب در مطالعه پردازش ابر نقطه LIDAR استخراج سقف ساختمان، مرزها و ردپاها است [ 12 ، 13 ، 14 ، 15] .]. تشخیص خطوط کلی ساختمان از اسکن لیزری هوابرد (ALS) یا تصاویر هوایی به دلیل این واقعیت که خطوط کلی ساختمان در این مجموعه داده‌ها با گسترش سقف تعریف می‌شوند و نه با دیوارهای ساختمان مانند نقشه‌های کاداستر [16] مختل می‌شود .

داده های ابر نقطه سه بعدی از MLS اطلاعات بسیار دقیق تری در مورد نمای ساختمان ارائه می دهد که برای استخراج نما و مدل سازی ساختمان های سه بعدی مفیدتر است. در مقابل، مقادیر زیادی از حجم داده، افزونگی و انسداد بر کارایی و توانایی اتوماسیون استخراج شی از ابر نقطه MLS تأثیر می‌گذارد. جداسازی داده‌های ابر نقطه‌ای به داده‌های زمینی و داده‌های غیرزمینی بر اساس ویژگی ارتفاع برای استخراج مرزهای ساختمان‌های غیرزمینی دشوار است [17 ، 18 ، 19 ] . وانگ جان و همکاران روشی برای استخراج ارتفاع ساختمان از بالای ساختمان پیشنهاد کرد [ 20]. هوانگ لی و همکاران الگوریتم استخراج ویژگی “قاب مرجع نقطه افقی” را بر اساس اطلاعات نقطه افقی در اسکن داده های مربوط به مشکلاتی مانند نقاط نویز رد شده، حجم بسیار زیاد داده، پردازش کند و غیره پیشنهاد کرد [21 ] . با این حال، پیش نیازهای مهار این رویکرد پیچیده است، و الزامات برای داده های اصلی بالا است. لی تقسیم بندی آستانه ابرهای نقطه ای را با استفاده از طرح ریزی متراکم برای استخراج مرز هندسه ساختمان انجام داد [ 22]. این روش برای ساختمان‌های مستقل مناسب است، اما نه برای ساختمان‌های فراوان در کنار جاده که توسط LIDAR با وسیله نقلیه اسکن می‌شوند زیرا تحت تأثیر چند هدف قرار می‌گیرند. لو و همکاران یک روش استخراج شبکه‌بندی ساختمان را بر اساس اسکن پیش‌بینی‌های متراکم از داده‌های ابر نقطه‌ای که حاوی اطلاعات متراکم است و بر اساس تفاوت‌های اشیاء مختلف شهر با ویژگی‌ها، پیشنهاد کرد. در این روش، یک ابر نقطه پراکنده سه بعدی از طریق طرح ابر نقطه ای به یک تصویر ویژگی تبدیل شد تا ویژگی های سه بعدی استخراج شود [ 23 ]. با این حال، طرح‌ریزی ابر نقطه‌ای عمدتاً یک طرح نمای بالا است که از اسکن نمای جانبی وسیله نقلیه از ویژگی‌های LIDAR بهره کامل نمی‌برد. بنابراین، ویژگی 3D را نمی توان به طور موثر استخراج کرد. هر دو یانگ و همکاران [ 24] و مارتین و همکاران. [ 19 ] چندین روش جدید برای استخراج خودکار ردپای نماهای ساختمان از ابرهای نقطه LIDAR متحرک ارائه کرد. این رویکردها عمدتاً بر روی ردپای نمای ساختمان تمرکز دارند. عجازی و همکاران [ 14 ] روش جدیدی ارائه کرد که به طور خودکار اشکال مختلف پنجره را در ابرهای نقطه سه بعدی LIDAR به دست آمده از MLS در محیط شهری تشخیص می دهد. نمای ساختمان در سطح پنجره برای خدمات نمای خیابان حجم داده بیشتری دارد که بر کارایی خدمات نمای خیابان تأثیر می گذارد.

ریخت‌شناسی ریاضی می‌تواند به‌طور کمی محتوا را بر حسب شکل و اندازه برای استخراج شی‌های هندسی، مانند جاده‌ها، حاشیه‌ها، نمای ساختمان‌ها، و غیره توصیف کند [ 25 ، 26 ، 27 ، 28 ]. هرناندز و مارکوتگی [ 27 ] یک تقسیم بندی مورفولوژیکی از تصاویر نمای ساختمان بر اساس اطلاعات بافت ارائه کردند. رودریگز-کوئنکا و همکاران [ 28 ] یک رویکرد قوی برای تقسیم نماها از تصویر طرح ابری نقطه سه بعدی MLS بر اساس الگوریتم تقسیم بندی تایید شده پیشنهاد کرد، که از عملیات مورفولوژیکی برای تعیین مکان مرزهای خیابان برای استخراج جاده مستقیم و منحنی از مجموعه داده های MLS استفاده می کند. سرنا و همکاران [ 29 ،30 ] یک رویکرد قوی برای تقسیم نماها از ابر نقطه سه بعدی MLS با استفاده از عملگرهای مبتنی بر ویژگی مورفولوژیکی پیشنهاد کرد. پردازش با تصویر ارتفاع برای اهداف تجسم یا ارزیابی اجرا می شود. پردازش مورفولوژیکی می تواند یک رویکرد موثر برای تقسیم بندی، استخراج و طبقه بندی ابر نقطه ای باشد [ 27 ، 28 ، 29 ، 30 ، 31 ، 32 ، 33 ، 34 ].

هدف این مقاله توسعه روشی برای شناسایی و استخراج قطعات نمای ساختمان از داده های MLS برای کاربردهای نمای خیابان و مدل سازی سه بعدی است. یک الگوریتم طرح ابر نقطه همراه با پارامترهای جهت گیری با دقت بالا از موقعیت و سیستم جهت گیری (POS) MLS ارائه شده است، که می تواند حجم زیادی از داده های ابر نقطه را به یک تصویر شطرنجی تبدیل کند. یک رویکرد استخراج و ساده‌سازی ویژگی مبتنی بر فیلتر مورفولوژیکی با تصاویر پیش‌بینی ابر نقطه‌ای ارائه شده است. این رویکرد می تواند ویژگی نمای ساختمان را در یک فضای تصویر به دست آورد. پس از آن، یک تبدیل معکوس از طرح ابر نقطه ای برای تبدیل ویژگی نمای ساختمان از یک فضای تصویر به یک فضای سه بعدی طراحی شده است. یک ویژگی نمای ساختمان با الگوریتم تشخیص صفحه نمای محدود برای بازسازی قطعات نمای ساختمان دقیق اجرا شده است. نتایج آزمایش نشان می دهد که انواع مختلف نمای ساختمان را می توان به سرعت و به طور موثر با استفاده از این روش استخراج کرد و دقت هندسی همان تفکیک فضایی ابر نقطه از MLS است.

2. روش شناسی

2.1. چارچوب فنی رویکرد پیشنهادی

MLS عمدتاً داده های ابر نقطه ای را با اطلاعات نما از نمای جانبی به دست می آورد. روابط توپولوژیکی را می توان در میان داده های POS با دقت بالا، جاده های شهر و ساختمان های کنار جاده پیدا کرد. داده های ابر نقطه ای ساختمان ها می توانند به عنوان داده های پیچیده برای استخراج نمای شهر استفاده شوند. یک رویکرد استخراج نمای ساختمان بر اساس فیلتر مورفولوژیکی با ابر نقطه ای از تصویر طرح ریزی LIDAR مبتنی بر وسیله نقلیه پیشنهاد شده است. داده‌های ابر نقطه‌ای LIDAR بر روی وسیله نقلیه و داده‌های POS با دقت بالا مربوطه برای انجام تبدیل از داده‌های ابر نقطه LIDAR سه بعدی به تصاویر شطرنجی استفاده شد. بنابراین، روش پردازش تصویر فیلترینگ مورفولوژیکی با تصویر شطرنجی ابر نقطه‌ای برای استخراج نمای ساختمان اعمال شد. بر اساس رابطه تبدیل بین تصویر شطرنجی ابر نقطه ای و فضای سه بعدی، ویژگی های نمای ساختمان در فضای تصویر به یک فضای ابر نقطه سه بعدی تبدیل شد. پس از آن، ساختار سه بعدی نمای ساختمان با مهار ویژگی های نما و تشخیص صفحه در فضای ابر نقطه سه بعدی با ارتفاع های مختلف بازسازی شد. جریان الگوریتم در نشان داده شده استشکل 2 .

2.2. Project Cloud Point بر اساس POS

مقدار داده‌های ابر نقطه سه بعدی LIDAR که توسط وسیله نقلیه منتقل می‌شود بسیار زیاد است و استخراج مستقیم ویژگی‌ها در فضای ابری نقطه سه‌بعدی منجر به محاسبات فضای سه بعدی پیچیده می‌شود. بنابراین، با توجه به الزامات تجزیه و تحلیل ویژگی، طرح ابر نقطه سه بعدی LIDAR را می توان به تصاویر دو بعدی تبدیل کرد [ 35 ، 36]، و الگوریتم تجزیه و تحلیل ویژگی تصویر را می توان برای استخراج ویژگی ها از ابر نقطه LIDAR استفاده کرد. سیستم اسکن LIDAR بر روی وسیله نقلیه دارای داده های POS با دقت بالا است، در حالی که نمای ساختمان در کنار جاده عمدتاً دارای جهت جاده یکسان است. با این وجود، داده‌های POS مسیری را نشان می‌دهند که در آن از سیستم حمل‌ونقل خودرو نمونه‌برداری شد. بنابراین، داده‌های مسیر به‌دست‌آمده از POS می‌توانند به عنوان استاندارد عمل کنند، و داده‌های ابر نقطه‌ای LIDAR را می‌توان به صفحه طرح‌نمایی موازی با جاده یا جهت حرکت نمایش داد تا تصاویر پیش‌بینی ابر نقطه‌ای از کناره‌های جاده تولید شود.

اصول طرح ریزی نمای ابر نقطه ای بر اساس POS در شکل 3 نشان داده شده است ، که در آن نقاط A ، B و C سه نقطه از مسیر POS هستند. در نمایش داده های ابر نقطه ای حول قطعه AB ، نقطه A به عنوان مبدأ مختصات، خط مستقیم AB به عنوان محور X و جهت عمودی به سمت بالا به عنوان محور Z انتخاب می شود . محور Y را می توان با اصل سمت راست تعیین کرد و صفحه XZ صفحه تصویر طرح ریزی است. به طور مشابه، صفحه طرح ریزی بخش BC را می توان با استفاده از قوانین قبلی ساخت.

در شکل 3 ، نکات

p_{1}, p_{2}, p_{3}, p_{4}

چهار نقطه در داده های ابر نقطه LIDAR هستند.

L_{1}, L_{2}, L_{3}, L_{4}

بردارهای عادی چهار نقطه نسبت به صفحه طرح ریزی هستند. الگوریتم طرح ریزی نمای ابر نقطه سه بعدی LIDAR بر روی وسیله نقلیه به شرح زیر است:

مرحله 1: هر بردار معمولی را محاسبه کنید

L_{i}

نقطه LIDAR به نزدیکترین صفحه نمایش.

مرحله 2: نقاط LIDAR در نماهای چپ/راست را بررسی کنید. زمانی که جهت از

\overset{⇀}{L} \times \overset{⇀}{A B}

به سمت بالا است، نقطه متعلق به سمت چپ جاده است. زمانی که جهت از

\overset{⇀}{L} \times \overset{⇀}{A B}

رو به پایین است، نقطه متعلق به سمت راست جاده است.

مرحله 3: محاسبه پروجکشن. از هر نقطه LIDAR استفاده کنید

p_{i}

به عنوان نقطه تصویر مربوط به پدال بردار معمولی در نزدیکترین صفحه نمایش. مقدار خاکستری نقطه LIDAR را می توان بر اساس رابطه (1) محاسبه کرد:

f (ایکس من ، y من) = ∣ ∣ L من ⇀ ∣ ∣ ∣ ∣ L ⇀ ∣ ∣ حداکثر \times 255

(1)

جایی که $| \overset{⇀}{L_{i}} |$ طول بردار معمولی است $L_{i}$ ، و ${| \overset{⇀}{L} |}_{\max}$ حداکثر طول بردار معمولی تمام نقاط با فاصله مربوط به خط POS است.

مرحله 4: شبکه های صفحه نمایش را بر اساس تفکیک فضایی ابر نقطه تقسیم کنید. اگر بیش از یک نقطه پیش بینی شده در یک شبکه وجود دارد، از حداکثر مقدار خاکستری به عنوان مقدار خاکستری شبکه استفاده کنید.

شکل 4 تصاویر پیش بینی نمای دو طرف جاده را نشان می دهد. این تصاویر از داده های ابر نقطه LIDAR یک بلوک خیابان بر اساس داده های POS بدست آمده است. شکل 4 الف تصویر طرح ریزی نمای بالا بلوک خیابان است و شکل 4 ب نتیجه طرح ریزی نما است.

هنگامی که زاویه چرخش دو صفحه نمایش همسایه در مسیر POS بزرگ نباشد، دو تصویر طرح ریزی شده را می توان در یک تصویر موزاییک کرد تا از تقسیم ساختمان در گوشه به دو تصویر جلوگیری شود.

2.3. استخراج نما از تصویر طرح ریزی ابر نقطه ای پس از فیلتر مورفولوژیکی

ویژگی های نمای ساختمان از طرح ها و سازه ها ساخته می شوند. الگوریتم های پردازش تصویر مورفولوژیکی را می توان در تصاویر طرح ریزی ابر نقطه ای مورد استفاده قرار داد. با استفاده از محاسبات باز و بسته مورفولوژیکی، ممکن است اشکال اساسی مرزهای ساختمان در تصاویر پیش‌بینی شده حفظ شود و ساختارهای نامربوط ممکن است حذف شوند. ویژگی های زیر ممکن است برای توصیف تصاویر پیش بینی ابر نقطه نما ساختمان ها استفاده شود:

①: روابط بین هر مقدار خاکستری پیکسل و فاصله LIDAR به صفحه نمایش اشاره می کند. هر چه مقدار خاکستری بزرگتر باشد، از صفحه نمایش دورتر است.
②: از آنجایی که صفحات پیش بینی انتخاب شده گروهی از نماهای پیوسته ساختمان های مختلف هستند، ممکن است یک تغییر ناگهانی در جهت موقعیت اتصال دو نما ظاهر شود. این در تصاویر به عنوان اطلاعات پیکسلی از دست رفته یک یا چند ستون ظاهر می شود.

جریان الگوریتم استخراج ویژگی نما با تصاویر طرح ابر نقطه ای بر اساس فیلتر مورفولوژیکی در شکل 5 نشان داده شده است .

جریان الگوریتم بتن به شرح زیر است:

مرحله 1: فیلتر نویز تصویر طرح ریزی شده. در تصویر برآمده از ابر نقطه، مقدار خاکستری پیکسل نشان دهنده فاصله طرح ریزی است. از آنجایی که توزیع مقادیر خاکستری مشخص است، مقدار متوسط

\bar{f}

و انحراف معیار

σ

قابل محاسبه است. بنابراین، پیکسل هایی که تفاوت آنها با مقدار متوسط بیشتر از سه برابر انحراف استاندارد است، مانند رابطه (2) به عنوان نویز در نظر گرفته می شوند.

f (x ، y) = 255 من f (∣ ∣ f (x ، y) - f ¯ ∣ ∣ > 3 σ)

(2)

جایی که $f (x, y)$ مقدار خاکستری در صفحه تصویر است $(x, y)$ ، $\bar{f}$ مقدار متوسط خاکستری، N تعداد ابر نقطه و انحراف استاندارد است $σ$ می توان مانند رابطه (3) محاسبه کرد:

σ = \sum x = 0 R o w - 1 \sum y = 0 سی o l - 1 (ف (x ، y) - f ¯) 2 / (ن - 1) - - - - - - - - - - - - - - - - - - - - - - - - - - -  ⎷  

(3)

که در آن Row شماره ردیف تصویر طرح ریزی شده و Col شماره ستون تصویر طرح ریزی شده است.

مرحله 2: باینریزه کردن تصویر طرح ریزی شده. پیکسل هایی که مقدار خاکستری آنها برابر با 0 نیست را در تصویر پروژکتوری 255 تنظیم کنید تا باینریزه شدن تصویر را درک کنید. سرعت محاسبه فیلتر مورفولوژیکی با یک تصویر باینری سریعتر از یک تصویر خاکستری اصلی است. علاوه بر این، تصویر باینری می تواند پردازش بعدی را ساده کند. شکل 6 و شکل 7 به ترتیب تصویر طرح ابر نقطه اصلی و تصویر پس از تقسیم بندی باینریزه شدن آن را نشان می دهد.

شکل 6 و شکل 7 نشان می دهد که ویژگی های نمای ساختمان برای استخراج بیشتر نما از طریق پردازش تصویر پس از تبدیل ابر نقطه سه بعدی به تصویر طرح ریزی آشکار و سودمند است.

مرحله 3: فیلتر مورفولوژیکی با توجه به ویژگی های تصویر طرح ریزی، یک عنصر ساختار مستطیلی 5 × 5 b (

(\begin{matrix} 1 & 1 & 1 & 1 & 1 \\ 1 & 1 & 1 & 1 & 1 \\ 1 & 1 & 1 & 1 & 1 \\ 1 & 1 & 1 & 1 & 1 \\ 1 & 1 & 1 & 1 & 1 \end{matrix})

) را می توان برای انجام دو بار پردازش دیلاتاسیون در ابتدا و سپس پردازش e rosion دو بار استفاده کرد. عملیات

f • b

به صورت زیر تعریف می شود:

f ∙ b = (((f \oplus ب) \oplus ب) ⊙ ب) ⊙ ب)

(4)

جایی که $\oplus$ نشان دهنده پردازش اتساع، و – نشان دهنده پردازش فرسایش است.

هدف از استفاده از یک عنصر ساختاری بزرگ و انجام محاسبه اتساع، اطمینان از جبران خاکستری از دست رفته در موقعیت های اتصال نما است. شکل 8 جبران موثر موقعیت های خاکستری از دست رفته را نشان می دهد.

مرحله 4: استخراج خط مرزی. استفاده از عملگر لاپلاسی (

(\begin{matrix} 0 & 1 & 0 \\ 1 & - 4 & 1 \\ 0 & 1 & 0 \end{matrix})

) برای استخراج مرز؛ نتایج در شکل 9 نشان داده شده است :

مرحله 5: محاسبه خط تقسیم بندی. پس از محاسبات اتساع و فرسایش تصویر پیش‌بینی ابر نقطه‌ای، ساختمان‌هایی که در ابتدا به هم متصل نبودند ممکن است به‌طور کلی به هم متصل شوند. بنابراین، خطوط تقسیم بندی ساختمان باید استخراج شود. سپس مرزهای ساختمان استخراج شده را می توان به چندین زیر چند ضلعی تقسیم کرد که می توانند ساختمان های واقعی را بهتر نشان دهند.

مجموع مقادیر مطلق تقریب های گسسته گرادیان را محاسبه کنید

t (n)

برای هر پیکسل در ستون n به ترتیب مانند رابطه (5).

t (n) = \sum i = 1 اچ - 1 | 2 f (n, i) - f (n - 1, i) - f (n + 1, i) |, 0 < n < W

(5)

که در آن H ارتفاع تصویر پروجکشن و W عرض تصویر طرح ریزی شده است.

به دلیل تغییر شکل برآمدگی و وضوح اسکن، مرزهای ساختمانی که باید در فضا عمودی باشند، ممکن است به ستون‌های مجاور که در یک ستون نباشند، پیش‌بینی شود. پنجره ای از ستون های L برای شمارش گرادیان به عنوان معادله (5) گرفته می شود، که در آن L به عنوان معادله (6) محاسبه می شود:

L = د اف د G r i d

(6)

که در آن dF تغییر شکل برآمدگی است. وضوح فضایی را به عنوان حداکثر تغییر شکل طرح ریزی در نظر می گیریم. تغییر شکل طرح ریزی در آزمایش های ما بر اساس وضوح فضایی ابر نقطه کمتر از 0.5 متر بود. dGrid اندازه شبکه نمایش ابر نقطه است.

در هر پنجره از ستون های L ، بزرگترین گرادیان

t_{\max}^{l}

به عنوان موقعیت ممکن خط تقسیم بندی محاسبه می شود.

تی ل حداکثر = max {t (j - L), t (j + L)}, j - L < l < j + L, L < j < W - ال

(7)

که در آن l نشان دهنده ستونی با بیشترین گرادیان در پنجره [ j – L ، j + L ] است. سپس آن را ریست می کنیم $t (n)$ معادله (8):

⎧ ⎩ ⎨ ⎪ ⎪ ⎪ ⎪ تی “ (n) = \sum j = n - L n + L t (j) من f n = l ، t (n) = تی ل حداکثر تی “ (n) = 0 من f n \neq l

(8)

جایی که $t^{'} (n)$ شیب تنظیم مجدد در پنجره تغییر شکل طرح ریزی L است .

عرض ساختمان عموماً بزرگتر از 5 متر است. بنابراین، یک ستون پنجره جدید S برای تعیین خط تقسیم بندی، به عنوان معادله (9) در نظر گرفته شده است.

اس = h W د G r i d

(9)

که در آن hW عرض ساختمان است. در مقاله ما hW 5 متر در نظر گرفته شده است. سپس حداکثر گرادیان $t_{\max}^{s}$ در پنجره S به عنوان موقعیت احتمالی خط تقسیم بندی در نظر گرفته می شود.

تی س حداکثر = حداکثر {t (j - S) ، t (j + S)} ، j - S < s < j + S ، اس < j < W - اس

(10)

که در آن s موقعیت ممکن خط تقسیم بندی را نشان می دهد، همانطور که در رابطه (7) وجود دارد.

تی “ (n) = 0 من f تی “ (n) \neq تی س حداکثر ، n\in (- S_، اس)

(11)

با توجه به ویژگی های ساختار خانه، مرزهای دودکش و پنجره که در مرزهای چپ و راست عمودی هستند نیز ممکن است به عنوان خطوط تقسیم بندی در نظر گرفته شوند. بنابراین، وجود یک حداکثر محلی دوم (به عنوان ستون ذکر شده است

n^{'}

) درون

(- S, S)

فاصله باید بررسی شود اگر وجود داشته باشد، حداکثر ذاتی در بازه را می توان مانند رابطه (12) به عنوان یک خط غیر تقسیم بندی در نظر گرفت.

تی “ (n “) = 0 من f \exists t (n “) \approx تی س حداکثر ، j\in (- S_، اس)

(12)

سپس، ستون را بگیرید

t^{″} (n) \neq 0

به عنوان یک خط تقسیم بندی، همانطور که در شکل 10 نشان داده شده است .

مرحله 6: تقسیم بندی زیر چند ضلعی. مطابق خطوط تقسیم بندی مرحله 5، نمودار مرزی استخراج شده در مرحله 3 را به چندضلعی های فرعی مستقل از ساختمان ها تقسیم کنید، همانطور که در شکل 10 نشان داده شده است .

مرحله 7: چند ضلعی های فرعی را ساده کنید. ما می‌توانیم نمای ساختمان را در فضای سه‌بعدی از طریق طرح معکوس چندضلعی‌های فرعی از مرحله 6 بدست آوریم. به این ترتیب، شکل نماها با ساختمان واقعی منطبق‌تر است. با این حال، این نماها نسبتاً پیچیده هستند که منجر به بار محاسباتی فوق العاده ای می شود. علاوه بر این، نماهای پیچیده بر کارایی پرس و جو فضایی با قطعات نما از نمای خیابان در حال مرور کاربران نهایی آنلاین تأثیر می گذارد. به منظور ساده سازی چند ضلعی، دو خط تقسیم بندی هر چند ضلعی را به ارتفاع بالای چند ضلعی کشیده و سپس خطوط تقسیم بندی کشیده را به هم وصل می کنیم تا چند ضلعی نامنظم را به مستطیل تبدیل کنیم. نتایج ساده سازی در شکل 11 نشان داده شده است .

همانطور که در شکل 12 ، همه چند ضلعی ها به مستطیل ساده شده اند. در حالی که کارایی تشخیص هواپیما افزایش می یابد، می توان مقدار داده را کاهش داد. بنابراین، برای یک مرز ساختمان، تنها سه مقدار، یعنی موقعیت گوشه چپ و راست و ارتفاع مستطیل باید ثبت شود.

2.4. بازسازی قطعات نمای ساختمان در فضای ابری نقطه سه بعدی

ویژگی های نمای ساختمان دو بعدی که توسط فضای طرح ریزی تعیین می شوند را می توان به عنوان محدودیت برای شناسایی و بازسازی هواپیما در فضای ابر نقطه سه بعدی در نظر گرفت. سازه های نمای سه بعدی ساختمان را می توان به طور دقیق بر روی این پایه از طریق مراحل زیر بازسازی کرد:

مرحله 1: محاسبه مستطیل مرزبندی نمای ساختمان. مستطیل مرزی ساده شده از چندضلعی های فرعی ساختمان دوبعدی که از فضای تصویر طرح ریزی ابر نقطه ای استخراج شده اند را می توان به عنوان مهار در نظر گرفت. تبدیل معکوس پروجکشن را می توان با توجه به ارجاعات طرح ابر نقطه ای انجام داد تا مستطیل های مرزی شی نمای ساختمان مربوط به مستطیل با ویژگی صفحه را بدست آورد.

در شکل 13 ، مستطیل سبز، مستطیل مرزی است که از تبدیل معکوس طرح ریزی به دست می آید که از مستطیل ویژگی در صفحه نمایش استفاده می کند. داده‌های ابر نقطه آبی، داده‌های ابر نقطه‌ای در مستطیل مرزی هستند و همچنین داده‌های محاسبه‌ای هستند که در برازش صفحه هواپیما فضایی در این ناحیه استفاده می‌شوند.

مرحله 2: داده های ابر نقطه در ساخت یک مستطیل محدود به شی را می توان به عنوان داده های محاسباتی برای اتصال هواپیمای فضایی به دست آورد.

مرحله 3: از روش برازش صفحه قوی تکراری برای حذف نقاط پرت در داده های ابر نقطه و به دست آوردن نتایج برازش پایدار استفاده کنید.

صفحه نمای ساختمان را مانند رابطه (13) تعریف کنید [ 26 ]:

a x + b y + c z = د

(13)

که در آن a ، b ، c ، و d ارجاعات در صفحه هستند، و $P (x_{i}, y_{i}, z_{i})$ می تواند مختصات هر ابر نقطه ای باشد. بدین ترتیب،

\sum (الف ایکس من + ب y من + ج z من - د) 2 = \sum د 2 من

(14)

نتیجه بهترین صفحه برازش بر اساس اصل حداقل مربع حل می شود. هر صفحه با پارامترهای صفحه a , b , c که برآورده می شود

a^{2} + b^{2} + c^{2} = 1

می توان برای محاسبه باقی مانده استفاده کرد

\sum d_{i}^{2}

. پارامترهای با حداقل باقیمانده

\sum d_{i}^{2}

را می توان به عنوان بهترین هواپیما در نظر گرفت که نمای ساختمان نیز در آن قرار دارد. حل حداقل مربعات یک فرآیند تکراری است. با اختلاف دو تکرار مجاور، تکرار متوقف می شود

\sum d_{i}^{2}

کمتر از 0.1 متر است.

صفحه ای که با مرز قرمز در شکل 13 ساخته شده است ، نتیجه مناسب بودن نمای ساختمان در موقعیت است.

3. آزمایش ها و نتایج

3.1. مجموعه داده ها

داده‌های تجربی از سیستم اسکن سه بعدی LIDAR که توسط پلتفرم دانشگاه ووهان 985 پشتیبانی می‌شود، به‌دست آمد. این MLS شامل سه اسکنر (Sick® ^LMS 511، دوسلدورف، آلمان)، یک دوربین پانوراما (Ladybug® ³ ، Richmond، BC، کانادا)، دو دوربین CCD دید استریو دوچشمی، و یک دستگاه POS (Leador® ^LDA03 ، ووهان، چین است. ) همانطور که در شکل 14 الف نشان داده شده است.

منطقه آزمایشی یک خیابان تجاری 3 کیلومتری در ووهان است ^که یک منطقه شهری معمولی با ساختمان‌هایی با اشکال و ارتفاعات مختلف است. طول جاده حدود 1.8 کیلومتر است. شکل 14 ب تمام داده های ابر نقطه ای در این ناحیه را نشان می دهد. مجموعه داده‌ها نه تنها ساختمان‌ها و زیرساخت‌های شهری، بلکه داده‌های تلفن همراه غیرثابت، مانند اتومبیل‌های در حال اجرا و عابران پیاده را نیز شامل می‌شود. میانگین چگالی نقاط LIDAR در فاصله 30 متری تقریباً 0.5 متر است.

3.2. تجزیه و تحلیل نتایج

نماهای ساختمان در کنار جاده با استفاده از روش پیشنهادی استخراج شد. شکل 15 و شکل 16 به ترتیب نتایج استخراج نمای ساختمان سه بعدی را در کنار جاده و تصویر همپوشانی نمای ساختمان استخراج شده و ابر نقطه نشان می دهند.

شکل 16 سازه های نمای ساختمان را نشان می دهد که با استفاده از روش پیشنهادی در فضای تصویر طرح ریزی ابر نقطه ای استخراج شده اند. همانطور که در شکل 16 نشان داده شده است ، ساختارها به شدت با ابر نقطه اصلی پوشانده شده اند. نماهای استخراج شده از کل ساختمان جاده منطقه مورد بررسی قرار گرفت و مشخص شد که الزامات مرور نمای خیابان با قطعات نما را برآورده می کند.

شکل 17 نتیجه ثبت ساختار نمای ساختمان سه بعدی و تصویر پانوراما را با تطبیق جغرافیایی نشان می دهد. این نشان دهنده اعتبار روش است.

مدل سه بعدی ساده ساختمان را می توان به سرعت با رویکرد پیشنهادی ساخت. با توجه به ابر نقطه، تصاویر پانورامای جغرافیایی مرجع و نمای سه بعدی ساختمان استخراج شده، مدل های سه بعدی به صورت معکوس در فضای تصویر پانوراما محاسبه شدند و سپس تصاویر بافت مستقیماً از تصاویر پانوراما طراحی شدند. سپس تصاویر بافت با نمای سه بعدی ساختمان همانطور که در شکل 18 نشان داده شده است ترسیم شد .

برای تجزیه و تحلیل دقت استخراج سازه از نمای ساختمان، 15 نقطه مشخصه، از جمله بالا و پایین ساختمان، به طور مساوی از داده های ابر نقطه LIDAR انتخاب شدند. مختصات سه بعدی و مختصات نقطه متناظر نماهای ساختمان که به طور خودکار با روش پیشنهادی استخراج شده بودند، برای تحلیل دقیق مقایسه شدند. نتایج آمار خطا در جدول 1 نشان داده شده است .

در جدول 1 ، ساختار نمای ساختمان استخراج شده و دقت استخراج روش پیشنهادی در این مقاله حدود 0.7 متر در صفحه است که شامل خطای انتخاب نقطه نقاط مشخصه از سازه نمای ساختمان می‌شود. با توجه به اینکه فاصله بین ساختمان و جاده معمولاً بیش از 30 متر است، وضوح ابر نقطه ای تقریباً 0.5 متر است. این دقت شبیه به دقت استخراج ویژگی ساختار نمای مصنوعی تعاملی بر اساس ابر نقطه سه بعدی LIDAR است. خطای استخراج نما هم در ابر نقطه و هم در تصویر نمای خیابان حدود 2 پیکسل است که مطابق با الزامات سرویس نمای خیابان است.

4. بحث

نمای ساختمان کاربردهای زیادی برای مدل سازی سه بعدی شهر هوشمند دارد. مدل سازی سه بعدی سطوح مختلفی برای کاربردهای مختلف دارد. اگرچه رویکرد پیشنهادی یک روش استخراج نمای ساختمان است، اما هدف آن استفاده از این قطعات نما برای خدمات آنلاین نمای خیابان است. این امر مستلزم آن است که قطعات نمای ساختمان با تصاویر پانوراما با جلوه دید خوب مطابقت داشته باشند. بنابراین، اتساع مورفولوژیکی و پردازش فرسایش برای انتقال نماهای پیچیده ساختمان به قطعات نما اتخاذ شد. اینها حجم داده را برای خدمات نمای خیابان آنلاین کاهش می دهد. پیچیدگی نماها با پردازش مورفولوژیکی تعیین شد. رویکرد پیشنهادی برای مدلسازی سازه ساختمان است. مطالعات بیشتر در مورد پردازش مورفولوژیکی پنجره ها، درها، و پلتفرم هایی برای به دست آوردن دقت بالاتر و اطلاعات دقیق تر. عناصر سازه‌ای و زمان‌های پردازش مورفولوژیکی بر نتایج استخراج نما هم از نظر دقت و هم در جزئیات تأثیر می‌گذارند.37 ، 38 ].

موضوع مهم دیگر چگالی ابر نقطه از MLS است. اگرچه پردازش مورفولوژیکی بر دقت و جزئیات استخراج نما تأثیر می گذارد، تراکم یک عامل بسیار مهم است. رویکرد پیشنهادی استخراج نمای ساختمان برای کاربرد نمای خیابان است. به این ترتیب، دقت موقعیت قطعات نما برای پرش صحنه، برچسب گذاری POI و مرور نمای خیابان کافی است. ما داده های ابر نقطه ای را از MLS با وضوح 0.3 متر پیاده سازی کردیم. چگالی ابر نقطه ای باید تا سطح سانتی متر برای مدل سازی دقیق تر ساختار ساختمان بهبود یابد. با این حال، انجام این کار بر سرعت پردازش داده ها تأثیر می گذارد [ 39 ، 40 ].

5. نتیجه گیری ها

یک روش تقسیم بندی ابر نقطه سه بعدی LIDAR و روش طرح ریزی نمای جانبی بر اساس داده های POS با دقت بالا در این مقاله پیشنهاد شده است. تبدیل ابر نقطه ای به طور موثر ویژگی های نمای ساختمان را افزایش داد. بر این اساس، ویژگی تصویر طرح ریزی نمای جانبی و ویژگی های نمای ساختمان در تصویر طرح ریزی مورد تجزیه و تحلیل قرار گرفت. یک روش استخراج نمای ساختمان بر اساس فیلتر مورفولوژیکی پیشنهاد شد، و بازسازی دقیق نماهای سه بعدی ساختمان در نهایت با تبدیل ویژگی فضا از چند ضلعی دو بعدی به چند ضلعی فضایی سه بعدی محقق شد. این روش برای اکثر ساختمان‌های شهری امکان‌پذیر است، حجم کار محاسباتی کمتری نسبت به پردازش کامل کل ابر نقطه می‌طلبد و فقط به رانندگی و ثبت داده‌ها در جاده‌ها نیاز دارد. قطعات نمای سه بعدی ساختمان ها کمتر از داده های ابر نقطه سه بعدی LIDAR هستند. از این رو، مدل های سه بعدی ساده را می توان به سرعت بازسازی کرد. از این روش می توان در انتشار و استفاده از تصاویر نمای خیابان اینترنتی نیز استفاده کرد. اتوماسیون استخراج نمای ساختمان در بخش های پیچیده راه (به عنوان مثال، چهارراه ها) باید در آینده بیشتر مورد بررسی قرار گیرد.

منابع

مجید، ز. چونگ، AK; احمد، ع. ستان، اچ. سامسودین، فتوگرامتری AR و اسکن لیزری سه بعدی به عنوان تکنیک های جمع آوری داده های فضایی برای پایگاه داده ملی جمجمه و صورت. فتوگرام ضبط 2005 ، 20 ، 48-68. [ Google Scholar ] [ CrossRef ]
Wang, R. مدل سازی ساختمان سه بعدی با استفاده از تصاویر و LIDAR: یک بررسی. بین المللی J. Image Data Fusion 2013 ، 4 ، 273-292. [ Google Scholar ] [ CrossRef ]
السبرگ، جی. بورمان، دی. Nüchter, A. راه حل های الگوریتمی برای محاسبه دقیق ابرهای نقطه سه بعدی حداکثر احتمال از سیستم عامل های اسکن لیزری سیار. Remote Sens. 2013 , 5 , 5871–5906. [ Google Scholar ] [ CrossRef ]
پوربا، م. Goulette، F. رویکرد مبتنی بر بخش خط برای ارزیابی دقت ابرهای نقطه MLS در مناطق شهری. در مجموعه مقالات هشتمین سمپوزیوم بین المللی فناوری نقشه برداری موبایل، تاینان، تایوان، 1 تا 3 مه 2013. صص 660-665.
عجازی، ع.ک. چچین، پ. Trassoudaine, L. تشخیص خودکار و تخمین ویژگی پنجره ها در ابرهای نقطه شهری سه بعدی که از تقارن نما و تناظرهای زمانی بهره می برند. بین المللی J. Remote Sens. 2014 , 35 , 7726–7748. [ Google Scholar ] [ CrossRef ]
بینگ، LV؛ ژونگ، RF؛ Wang, JN محصولات اسکنر لیزری متحرک با وسیله نقلیه: بررسی. Geomat. تف کردن Inf. تکنولوژی 2012 ، 35 ، 184-187. [ Google Scholar ]
روتزینگر، ام. هوفل، بی. اود البرینک، اس. Vosselman, G. امکان سنجی استخراج ردپای نما از داده های اسکن لیزری سیار. فتوگرام فرنرکوند. Geoinf. 2011 ، 6952 ، 97-107. [ Google Scholar ] [ CrossRef ]
روتزینگر، ام. پراتیهاست، AK; البرینک، SJO؛ Vosselman، G. مدل‌سازی درخت از مجموعه داده‌های اسکن لیزری سیار. فتوگرام ضبط 2011 ، 26 ، 361-372. [ Google Scholar ] [ CrossRef ]
آنگلوف، دی. دولونگ، سی. فیلیپ، دی. کریستین، اف. استفان، ال. Richard, L. نمای خیابان گوگل: ثبت جهان در سطح خیابان. کامپیوتر 2010 ، 43 ، 32-38. [ Google Scholar ] [ CrossRef ]
هارا، ک. لی، وی. Froehlich، J. ترکیب جمع‌سپاری و نمای خیابان Google برای شناسایی مشکل دسترسی در سطح خیابان. در مجموعه مقالات کنفرانس SIGCHI در مورد عوامل انسانی در سیستم های محاسباتی، پاریس، فرانسه، 27 آوریل تا 2 مه 2013. صص 631-640.
توری، ا. هاولنا، م. Pajdla, T. از نمای خیابان گوگل تا مدل های سه بعدی شهر. در مجموعه مقالات کنفرانس بین المللی IEEE در کارگاه های بینایی کامپیوتری، کیوتو، ژاپن، 27 سپتامبر تا 4 اکتبر 2009. ص 2188-2195.
سمپات، ع. Shan, J. تقسیم بندی و بازسازی سقف های ساختمان های چند وجهی از ابرهای نقطه ای LIDAR هوایی. IEEE Trans. Geosci. Remote Sens. 2010 , 48 , 1554-1567. [ Google Scholar ] [ CrossRef ]
وانگ، ایکس. Li, P. استخراج ساختمان های فروریخته ناشی از زلزله با استفاده از تصاویر با وضوح بسیار بالا و داده های LIDAR موجود در هوا. بین المللی J. Remote Sens. 2015 ، 36 ، 2163-2183. [ Google Scholar ] [ CrossRef ]
گیلانی، SAN; اورنجیب، م. Lu, G. یک تکنیک استخراج و تنظیم خودکار ساختمان با استفاده از داده های ابر نقطه LiDAR و orthimage. Remote Sens. 2016 , 8 , 258. [ Google Scholar ] [ CrossRef ]
هوی، زی؛ هو، YJ; Xu, P. استخراج خودکار ردپای ساختمان از LIDAR با استفاده از روش‌های مبتنی بر تصویر ژئو انفورماتیک در مدیریت منابع و اکوسیستم پایدار . Springer: برلین/هایدلبرگ، آلمان، 2015; صص 79-86. [ Google Scholar ]
سان، اس. Savalggio, C. تشخیص سقف ساختمان پیچیده و توصیف دقیق از داده‌های LIDAR و تصاویر هوایی درست شده. در مجموعه مقالات سمپوزیوم علوم زمین و سنجش از دور (IGARSS)، مونیخ، آلمان، 22 تا 27 ژوئیه 2012. جلد 22، ص 5466–5469.
Arachchige، NH; پررا، SN; Maas, HG پردازش خودکار ابرهای نقطه اسکنر لیزری سیار برای تشخیص نمای ساختمان. ISPRS Int. قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2012 ، XXXIX-B5 ، 187-192. [ Google Scholar ]
رودریگز-کوئنکا، بی. گارسیا کورتس، اس. اوردونز، سی. آلونسو، MC رویکردی برای شناسایی و ترسیم محدودیت‌های خیابان از داده‌های ابر نقطه سه بعدی MLS. خودکار ساختن. 2015 ، 51 ، 103-112. [ Google Scholar ] [ CrossRef ]
یانگ، بی. دونگ، ز. ژائو، جی. Dai, W. استخراج سلسله مراتبی اشیاء شهری از داده های اسکن لیزری سیار. ISPRS J. Photogramm. Remote Sens. 2015 ، 99 ، 45-57. [ Google Scholar ] [ CrossRef ]
وانگ، جی. جین، FX; لو، های. Lin, ZM استخراج اطلاعات نمای ساختمان بر اساس اسکنر لیزری خودرو. J. شاندونگ دانشگاه. علمی تکنولوژی 2004 ، 23 ، 8-11. [ Google Scholar ]
هوانگ، ال. لو، XS؛ Chen, CF استخراج اطلاعات نمای ساختمان از داده های اسکن لیزری. علمی Surv. نقشه. 2006 ، 31 ، 141-142. [ Google Scholar ]
لی، بی جی; لی، QQ; شی، WZ; Wu, FF استخراج و مدل‌سازی ساختمان شهری از داده‌های اسکن لیزری با وسیله نقلیه. بین المللی قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2004 ، 35 ، 934-939. [ Google Scholar ]
لو، XS؛ روش Huang, L. Grid بر روی اطلاعات ساختمان با استفاده از داده های اسکنر لیزری. Geomat. Inf. دانشگاه ووهان 2007 ، 32 ، 852-855. [ Google Scholar ]
یانگ، بی. وی، ز. لی، کیو. Li, J. استخراج ردپای نمای ساختمان نیمه خودکار از ابرهای نقطه LIDAR متحرک. IEEE Geosci. سنسور از راه دور Lett. 2013 ، 10 ، 766-770. [ Google Scholar ] [ CrossRef ]
سینگ، اس. Grewal، SK نقش مورفولوژی ریاضی در پردازش تصویر دیجیتال: بررسی. بین المللی J. Sci. مهندس Res. 2014 ، 2 ، 1-3. [ Google Scholar ]
وو، اچ. لی، ن. لیو، سی. Shi, B. تقسیم‌بندی داده‌های LIDAR هوابرد بر اساس مورفولوژی ریاضی سه بعدی. J. Remote Sens. 2011 ، 6 ، 1189-1201. [ Google Scholar ]
هرناندز، جی. Marcotegui, B. تقسیم بندی مورفولوژیکی تصاویر نمای ساختمان. در مجموعه مقالات کنفرانس بین المللی IEEE در مورد پردازش تصویر، قاهره، مصر، 7 تا 10 نوامبر 2009. صفحات 4029–4032.
رودریگز-کوئنکا، بی. گارسیا کورتس، اس. اوردونز، سی. آلونسو، ام. عملیات مورفولوژیکی برای استخراج محدودیت‌های شهری در ابرهای نقطه‌ای سه بعدی MLS. ISPRS Int. J. Geo-Inf. 2016 ، 5 ، 93. [ Google Scholar ] [ CrossRef ]
سرنا، ا. مارکوتگی، بی. هرناندز، جی. تقسیم بندی نماها از ابرهای نقطه سه بعدی شهری با استفاده از اپراتورهای مبتنی بر ویژگی هندسی و مورفولوژیکی. ISPRS Int. J. Geo-Inf. 2016 ، 5 ، 6. [ Google Scholar ] [ CrossRef ]
سرنا، ا. مارکوتگی، ب. تشخیص دسترسی شهری از داده‌های اسکن لیزری سیار. ISPRS J. Photogramm. Remote Sens. 2013 ، 84 ، 23-32. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
ژانگ، ک. چن، SC; ویتمن، دی. Shyu, ML یک فیلتر مورفولوژیکی پیشرونده برای حذف اندازه‌گیری‌های غیرزمینی از داده‌های LIDAR در هوا. IEEE Trans. Geosci. Remote Sens. 2003 , 41 , 872-882. [ Google Scholar ] [ CrossRef ]
هوی، ز. هو، ی. Yevenyo، Y.; Yu, X. یک الگوریتم مورفولوژیکی بهبود یافته برای فیلتر کردن ابر نقطه LIDAR موجود در هوا بر اساس درون یابی کریجینگ چند سطحی. Remote Sens. 2016 ، 8 ، 1-16. [ Google Scholar ] [ CrossRef ]
موکرجی، ک. بانرجی، تی. رویچودری، پی. Yamane، T. زمینی LIDAR بررسی و تجزیه و تحلیل مورفولوژیکی برای شناسایی خواص نفوذ در سنگ آهک تامالا، غرب استرالیا. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2015 , 8 , 4871–4881. [ Google Scholar ]
کائو، ز. Wu, Y. یک روش جدید فیلتر مورفولوژیکی منطقه سه بعدی چند مقیاسی برای استخراج ساختمان LIDAR در هوا. بین المللی J. Smart Home 2016 ، 10 ، 267–276. [ Google Scholar ]
شی، WZ; لی، بی. لی، کیو. روشی برای تقسیم‌بندی تصویر برد گرفته‌شده توسط اسکن لیزری خودرو بر اساس چگالی نقاط پیش‌بینی‌شده. Acta Geodaetica Cartogr. گناه 2005 ، 34 ، 96-100. [ Google Scholar ]
گوان، ی. چن، ایکس. شی، جی. روشی قوی برای تطبیق یک هواپیما برای اشاره به ابرها. J. Tongji Univ. (Nat. Sci.) 2008 ، 36 ، 981-984. [ Google Scholar ]
پاراپ، سی دی; پرماچاندرا، سی. Tamura, M. بهینه سازی عناصر ساختار برای تبدیل مورفولوژیکی ضربه یا از دست دادن برای استخراج ساختمان از تصاویر VHR هوابرد در مناطق خطر طبیعی. بین المللی جی. ماخ. فرا گرفتن. سایبرن. 2015 ، 6 ، 641-650. [ Google Scholar ] [ CrossRef ]
Wu، XL; یانگ، LL; لیانگ، اف. روش تقسیم بندی Cui، SG دمبرگ بر اساس مورفولوژی عناصر چند ساختاری. Appl. مکانیک. ماتر 2015 ، 734 ، 581-585. [ Google Scholar ] [ CrossRef ]
مهدی سوزانی، ج. دیگن، جی. آدفری، ن. لارتیگ، سی. مورل، JM استخراج ویژگی از ابرهای نقطه با چگالی بالا: به سمت اتوماسیون یک استراتژی دیجیتالی بدون تماس سه بعدی هوشمند. محاسبه کنید. به دس کمک کرد. Appl. 2010 ، 7 ، 863-874. [ Google Scholar ]
هاکل، تی. وگنر، دی. شیندلر، ک. تقسیم بندی سریع ابر نقطه سه بعدی با چگالی بسیار متغیر. ISPRS Ann. فتوگرام حسگر از راه دور اسپات. Inf. 2016 ، III-3 ، 177-184. [ Google Scholar ]

شکل 1. نمای خیابان گوگل (GSV) با قطعات نمای ساختمان.

شکل 2. جریان الگوریتم.

شکل 3. طرح ریزی نمای ابر نقطه ای بر اساس مسیر سیستم موقعیت و جهت گیری (POS).

شکل 4. نتایج طرح نما بر اساس مسیر سیستم موقعیت و جهت گیری (POS). ( الف ) تصویر پیش‌بینی ابر نقطه‌ای از نمای بالا؛ ( ب ) تصویر طرح نما.

شکل 5. الگوریتم استخراج ویژگی نما با تصویر طرح ریزی ابر نقطه ای.

شکل 6. تصویر برجسته ابر نقطه اصلی.

شکل 7. تصویر باینری تصویر طرح ابر نقطه ای.

شکل 8. تصویر پروجکشن پس از پردازش اتساع و فرسایش.

شکل 9. نتیجه استخراج مرزی ساختمان.

شکل 10. نتیجه محاسبه خط تقسیم بندی.

شکل 11. نتیجه تقسیم بندی زیر چندضلعی ساختمان.

شکل 12. نتیجه ساده سازی زیر چندضلعی.

شکل 13. نمای ساختمان از تشخیص هواپیما.

شکل 14. سیستم اسکن LIDAR بر روی خودرو و داده های ابر نقطه ای به دست آمده است. ( الف ) سیستم اسکن سه بعدی LIDAR بر روی وسیله نقلیه؛ ( ب ) مجموعه داده آزمایش.

شکل 15. نمای فضایی ساختمان در کنار خیابان عابر پیاده در منطقه آزمایش.

شکل 16. تصویر روکش شده از نمای ساختمان استخراج شده و ابر نقطه.

شکل 17. نتیجه روکش شده تصویر نمای خیابان و قطعات نما.

شکل 18. ساخت مدل ساده ایجاد سریع بر اساس تصویر نمای خیابان و داده های LIDAR.

جدول 1. آمار دقیق استخراج قطعات نمای ساختمان.

© 2016 توسط نویسندگان؛ دارنده مجوز MDPI، بازل، سوئیس. این مقاله یک مقاله با دسترسی آزاد است که تحت شرایط و ضوابط مجوز Creative Commons Attribution (CC-BY) (http://creativecommons.org/licenses/by/4.0/) توزیع شده است.

;کاربردهای GIS مقالات

درخواست مشاوره

09120049370

8 صبح تا 12 شب