一種基於強度體素模型的LiDAR點雲建築物完整性增強方法

2023-05-09 08:34:59 1

一種基於強度體素模型的lidar點雲建築物完整性增強方法
技術領域
1.本發明屬於遙感數據處理技術領域，具體涉及一種基於強度體素模型的lidar點雲建築物完整性增強方法。


背景技術：

2.建築物三維重建技術在數字城市、房地產、城市規劃建設等領域有著廣泛的應用，是當前研究的熱點之一。機載和車載雷射雷達(light detection and ranging，lidar)是兩種主流的獲取大尺度城區場景建築物屋頂和外立面的方式，綜合利用機載和車載lidar點雲，可為建築物三維重建提供相對完整的建築物基礎數據。但是，受遮擋、完全透射或吸收性地物所致的無反射回波等因素的影響，建築物lidar點雲表面常存在局部數據空洞等不可避免的數據缺欠，即使採用多次掃描的方式也難以避免。現有的基於lidar點雲的增強方法主要分為：(1)基於lidar點雲的自身信息實現增強，從點雲自身出發，常用數據中缺欠及缺欠周圍的點雲關係進行填補，即主要利用鄰域點信息、拓撲結構信息等通過內插、曲面擬合等數據合成算法對數據空洞進行填補。但該類方法對於一些比較複雜且不具有重複紋理特徵的缺欠區域，較難保證填補的客觀性。(2)基於lidar點雲與影像的互補信息實現增強，藉助於攝影測量通過採集點雲空洞位置周圍的實體影像數據，利用運動恢復結構算法(structure from motion，sfm)和基於面片模型的密集匹配(patch-based multi-view stereo，pmvs)將影像數據解算成原始影像點雲數據，經過兩種點雲數據的配準，重疊區域原始影像點雲數據的刪除和影像點雲數據的最優密度選擇完成兩種數據之間的融合，從而完成修補。但該類方法需要大量的輔助作業，工作效率較低。(3)基於機載及車載lidar點雲的互補信息實現增強，由於機載及車載lidar系統都無法單獨獲取完整的建築物點雲，同時機載及車載lidar系統所採集得到的數據均為點雲，因此，相比於航空影像、光譜信息數據源的融合，機載及車載lidar數據具有更好的兼容性，在此基礎上可利用相似建築物對應部位的點雲對局部數據空洞進行填補。但相似特徵的存在是執行填補的前提，若不存在則無法實現填補。有鑑於此，本發明提出一種基於強度體素模型的lidar點雲建築物完整性增強方法。


技術實現要素：

3.本發明要解決的技術問題是針對上述現有技術的不足，提供一種基於強度體素模型的lidar點雲建築物完整性增強方法。
4.為解決上述技術問題，本發明所採取的技術方案是：
5.一種基於強度體素模型的lidar點雲建築物完整性增強方法，包括以下步驟：
6.步驟1：讀取原始lidar點雲數據，形成原始lidar點雲數據集；
7.步驟2：將原始lidar點雲數據集規則化為強度體素模型；
8.步驟2.1：從原始lidar點雲數據中剔除高程異常數據及強度異常數據，得到剔除異常數據集；
9.步驟2.1.1：統計原始lidar點雲數據中各個雷射點高程值的頻次，並以直方圖的形式可視化顯示統計結果；
10.步驟2.1.2：確定與真實地形對應的最高高程閾值t
hi
和最低高程閾值t
li
；
11.步驟2.1.3：針對原始lidar點雲數據中各個雷射點，若其高程值高於最高高程閾值t
hi
或低於最低高程閾值t
li
，則該雷射點為異常數據，進行剔除，否則保留該雷射點，最終獲得剔除高程異常數據集；
12.步驟2.1.4：統計剔除高程異常數據集中各雷射點的強度值的頻次，並以直方圖的形式可視化顯示統計結果；
13.步驟2.1.5：根據強度值的頻次直方圖統計結果，目測確定與真實地形及地物對應的最高強度閾值t
he
和最低強度閾值t
le
；
14.步驟2.1.6：針對剔除高程異常數據集中各個雷射點，若其強度值高於最高強度閾值t
he
或低於最低強度閾值t
le
，則該雷射點為強度異常數據，進行剔除，否則保留該雷射點，最終獲得剔除高程及強度異常數據集。
15.步驟2.2：將剔除異常數據集規則化為強度體素模型；
16.步驟2.2.1：用剔除異常數據集的軸向包圍盒(軸向平行包圍盒選用aabb型包圍盒，aabb是指各邊平行於坐標軸且包含所有點雲的最小六面體。)表示三維空間範圍；
17.步驟2.2.2：根據剔除異常數據集中雷射點的平均點間距確定體素在x、y、z方向上的解析度(
△
x，
△
y，
△
z)，即體素大小；
18.步驟2.2.3：依據體素解析度(
△
x，
△
y，
△
z)對軸向包圍盒進行劃分，得到3d體素格網，用3d體素陣列表示(r行、c列及l層)，每一個3d體素格網單元即為體素；
19.步驟2.2.4：將剔除異常數據集中各個雷射點映射到3d體素格網，進而根據3d體素格網中包含的雷射點的強度屬性為各體素賦值，得到強度體素模型。
20.根據3d體素格網中包含的雷射點的強度屬性為各體素賦值的具體過程如下：
21.將含有雷射點的體素賦值為雷射點的強度均值，將不含有雷射點的體素賦值為0，進一步將各體素賦值離散化到{0，
…
，255}，得到各體素值。
22.步驟3：基於建築物屋頂和立面的特性，依次檢測建築物屋頂和立面形成的3d連通區域，完成基於強度體素模型的lidar點雲建築物檢測及單體化；
23.步驟3.1基於三維連通區域構建理論檢測建築物屋頂，具體步驟如下:
24.步驟3.1.1：基於建築物邊緣點的高程跳變特性，從強度體素模型中搜索建築物邊緣體素作為種子體素gs，其中，s＝1，2，...；
25.步驟3.1.2：標記種子體素的3d連通區域，對任一未標記的種子體素gs，利用深度優先遍歷策略搜索強度體素模型中與種子體素gs3d連通且強度差小於強度差閾值tg的所有未標記體素，並標記為lk，其中，k為標記標籤的索引，k＝1，2，...直至標記完所有未標記的種子體素的3d連通區域，得到若干個3d連通區域，具體步驟如下：
26.3.1.2.1：初始化一個空棧，將gs存入棧中；
27.3.1.2.2：彈出棧頂元素，獲取與該棧頂元素3d連通且強度差小於強度差閾值tg的所有未標記的體素，標記為建築物屋頂體素並存入棧中；
28.3.1.2.3：判斷棧是否為空，若是，則強度體素模型中所有建築物屋頂體素均被標記，否則，返回步驟3.1.2.2。
29.步驟3.1.3：基於面積及強度特性，對建築物屋頂體素集合進行優化，完成建築物屋頂檢測，具體包含步驟如下：
30.3.1.3.1：基於面積特性剔除非建築物屋頂的3d連通區域；
31.3.1.3.2：基於強度特性剔除非建築物屋頂的3d連通區域。
32.步驟3.2：基於屋頂空間連通區域拓撲分析聚類完成建築物屋頂單體化，具體步驟如下:
33.步驟3.2.1：基於拓撲矩陣描述各屋頂連通區域的拓撲關係；
34.所述拓撲矩陣是表示屋頂連通區域間包含、相鄰或其它拓撲關係的矩陣，可由二維矩陣示出，矩陣中的行、列表示提取所得的屋頂連通區域；
35.步驟3.2.2：將具有拓撲鄰接和包含關係的各屋頂連通區域聚類為建築單體，具體過程如下：
36.設s、o分別對應兩個屋頂連通區域，且o的水平投影面積較大，s、o內的體素集合分別記為s、o，若則判定兩者為包含關係、屬於同一建築，並由o示出該建築單體的屋頂。進一步，若s、o的距離d(s，o)小於某一閾值(此處的閾值可根據規範中規定的建築間的最短距離設置)，則判定二者具有相鄰關係、屬於同一建築，則由s及o示出該建築單體的屋頂。
37.步驟3.3：基於緩衝區分析，檢測建築物立面的3d連通區域，完成建築物立面檢測；
38.步驟3.3.1：檢測各個建築物屋頂的輪廓；
39.步驟3.3.2：在水平面上，以任一建築物屋頂輪廓為中心，以內側和外側各一個體素為寬度建立緩衝區；
40.步驟3.3.3：對位於緩衝區內高程方向密度(即平面坐標相同的有值體素的個數)大於某一密度閾值的非0體素，若其反射強度值位於緩衝區內部體素反射強度值均值的正負2倍標準差範圍內，則將該體素判做立面體素，否則為非立面體素。密度閾值為0.22。
41.步驟4：基於可旋轉面狀結構元的形態學局部細小空洞填補；
42.步驟4.1：以各建築體素為中心，以c軸為法向量vi，構建9*9範圍的目標模板f；
43.步驟4.2：基於羅德裡格旋轉公式實現目標模板f在垂直方向及水平方向的旋轉，
44.v
rot
＝cosθvi+(1-cosθ)(vi·
k)+sinθ
×
vi45.其中，k為旋轉軸，θ為目標模板的旋轉角，v
rot
為目標模板經旋轉後得到新目標模板的法向量；
46.步驟4.3：基於鄰域搜索找出以當前體素為中心的一定空間鄰域範圍內的鄰域體素集i，並判斷所有鄰域體素與各方向目標模板f的位置關係，若f＝0，則判定該體素位於該目標模板上；
47.步驟4.4：在各目標模板上應用3*3大小的面狀結構元(se＝[1,1,1；1,1,1；1,1,1])執行形態閉操作，實現建築模型中局部細小空洞的填補。
[0048]
採用上述技術方案所產生的有益效果在於：本發明提出的方法基於體素結構設計，很好的利用了3d體素數據中各體素間隱含的鄰域關係；設計的可旋轉的結構元可自適應於各方向建築物表面的空洞探測及填補，最終得到的結果有助於基於體素建模理論的lidar點雲數據處理及應用的發展。
附圖說明
[0049]
圖1為本發明具體實施方式中基於強度體素模型的lidar點雲建築物完整性增強方法的流程圖；
[0050]
圖2為本發明具體實施方式中原始機載及車載lidar點雲數據；
[0051]
其中，(a)為機載lidar點雲數據，(b)為車載lidar點雲數據；
[0052]
圖3為本發明具體實施方式中將原始機載及車載lidar點雲數據規則化為強度體素模型的流程圖；
[0053]
圖4為本發明具體實施方式中lidar點雲數據規則化所得強度體素模型側視圖；
[0054]
其中，(a)為機載lidar對應的強度體素模型，(b)為車載lidar對應的強度體素模型；
[0055]
圖5為本發明具體實施方式中建築物檢測流程圖；
[0056]
圖6為本發明具體實施方式中緩衝區設置的俯視圖；
[0057]
其中，深灰色體素代表提取的建築物屋頂輪廓，淺灰色體素代表內外側緩衝區；
[0058]
圖7為本發明具體實施方式中完成基於強度體素模型的lidar點雲建築物檢測結果；
[0059]
其中，(a)為機載lidar的建築物檢測結果，(b)為車載lidar的建築物檢測結果；
[0060]
圖8為本發明具體實施方式中設計的旋轉平面結構元素示意圖；
[0061]
圖9為本發明具體實施方式中基於形態學局部細小空洞填補結果；
[0062]
其中，(a)為機載lidar的填補結果，(b)為車載lidar的填補結果。
具體實施方式
[0063]
下面結合附圖和實施例，對本發明的具體實施方式作進一步詳細描述。以下實施例用於說明本發明，但不用來限制本發明的範圍。
[0064]
本實施例中，在intel(r)core(tm)[email protected] 2.71ghz、內存4gb、windows 10旗艦版64位系統上使用matlab 9.0.0平臺編程實現該方法，並進一步通過對該方法的精度評定驗證方法的有效性。
[0065]
一種基於強度體素模型的lidar點雲建築物完整性增強方法，如圖1所示，包括以下步驟：
[0066]
步驟1：讀取原始lidar點雲數據，形成原始lidar點雲數據集。
[0067]
本實施方式中，採用不同場景下的機載和車載lidar點雲以檢驗提出算法的有效性和可行性。建築物屋頂數據通過機載雷射掃描系統獲取，點雲平均密度為8.7點/m2，共有87542個數據點，該場景中包含獨立的低矮住宅區，部分住宅被植被包圍，如圖2(a)所示；建築立面數據通過車載雷射掃描系統獲取，點雲平均密度為1651點/m2，共有1066651個數據點，該場景中包含建築立面、街道樹以及車輛等地物，如圖2(b)所示。
[0068]
本實施例中，定義原始lidar點雲數據集p＝{pi(xi,yi,zi),i＝1,
…
,n}，其中，i是原始lidar點雲數據的索引，n是原始lidar點雲數據的個數，pi是第i個原始lidar點雲數據，其坐標為(xi,yi,zi)。
[0069]
步驟2：將原始lidar點雲數據規則化為強度體素模型，具體流程如圖3所示；
[0070]
步驟2.1：從原始lidar點雲數據中剔除高程及強度異常數據，得到剔除異常數據
集；
[0071]
步驟2.1.1：統計原始lidar點雲數據中各個雷射點高程值的頻次，並以直方圖的形式可視化顯示統計結果；
[0072]
步驟2.1.2：確定與真實地形對應的最高高程閾值t
hi
和最低高程閾值t
li
；
[0073]
步驟2.1.3：針對原始lidar點雲數據中各個雷射點，若其高程值高於最高高程閾值t
hi
或低於最低高程閾值t
li
，則該雷射點為異常數據，進行剔除，否則保留該雷射點，最終獲得剔除高程異常數據集；
[0074]
步驟2.1.4：統計剔除高程異常數據集中各雷射點的強度值的頻次，並以直方圖的形式可視化顯示統計結果；
[0075]
步驟2.1.5：確定與真實地形及地物對應的最高強度閾值t
he
和最低強度閾值t
le
；
[0076]
步驟2.1.6：針對剔除高程異常數據集中各個雷射點，若其強度值高於最高強度閾值t
he
或低於最低強度閾值t
le
，則該雷射點為強度異常數據，進行剔除，否則保留該雷射點，最終獲得剔除高程及強度異常數據集。
[0077]
本實施例中，剔除異常數據集記做q＝{q
i』(x
i』,y
i』,z
i』),i』＝1,
…
,t}，其中，i』是剔除異常數據集中數據的索引，t是剔除異常數據集中數據的個數，q
i』是剔除異常數據集中第i』個數據，其坐標為(x
i』,y
i』,z
i』)。
[0078]
本實施例中，最高高程閾值t
hi
和最低高程閾值t
li
為常數，其取值需根據原始lidar點雲數據的空間分布情況確定。對於機載lidar點雲數據的最高高程閾值t
hi
取285m、最低高程閾值t
li
取260m；車載lidar點雲數據的最高高程閾值t
hi
取270m、最低高程閾值t
li
取260m。
[0079]
步驟2.2：將剔除異常數據集規則化為強度體素模型；
[0080]
步驟2.2.1：用剔除異常數據集的軸向包圍盒表示三維空間範圍；
[0081]
本實施例中，剔除異常數據集q的空間範圍可由其軸向平行包圍盒(axisaligned bounding box，aabb)確定。aabb＝{x,y,z|x
min
≤x≤x
max
,y
min
≤y≤y
max
,z
min
≤z≤z
max
}，其中，(x
min
,y
min
,z
min
)和(x
max
,y
max
,z
max
)分別代表剔除異常數據集中x、y和z坐標的最小值和最大值，x
max
＝max{x
i』,i』＝1,
…
,t}，x
min
＝min{x
i』,i』＝1,
…
,t}，y
max
＝max{y
i』,i』＝1,
…
,t}，y
min
＝min{y
i』,i』＝1,
…
,t}，z
max
＝max{z
i』,i』＝1,
…
,t}，z
min
＝min{z
i』,i』＝1,
…
,t}。
[0082]
步驟2.2.2：根據剔除異常數據集q中雷射點的平均點間距確定體素在x、y、z方向上的解析度(
△
x，
△
y，
△
z)，即體素大小；
[0083]
本實施例中，體素在x、y、z方向上的解析度
△
x、
△
y、
△
z的計算公式如式(1)所示：
[0084][0085]
其中，s
xy
＝{(x
i』,y
i』),i』＝1,
…
,t}為剔除異常數據集q在xoy平面上的投影所得二維點集，c(s
xy
)是點集s
xy
的凸殼，a(c(s
xy
))是凸殼c(s
xy
)的面積。
[0086]
步驟2.2.3：依據體素解析度(
△
x,
△
y,
△
z)對軸向包圍盒進行劃分，得到3d體素格網，用3d體素陣列表示(r行、c列及l層)，每一個3d體素格網單元即為體素；
[0087]
本實施方式中，基於體素解析度(
△
x,
△
y,
△
z)就可以將軸向包圍盒劃分為3d體素格網，用3d體素陣列表示。設g是3d體素陣列中的體素集合，如式(2)所示：
[0088]
g＝{gj(rj,cj,lj),j＝1,
…
,m}
ꢀꢀꢀ
(2)
[0089]
其中，j是體素索引，m是體素數，g是體素值，(r,c,l)是體素在3d體素陣列中的坐標(行、列和層號)。x方向上的體素個數為r，y方向上的體素個數為c，z方向上的體素個數為l。其中，r、c、l由公式(3)所示：
[0090][0091]
其中，為向上取整操作符，x
max
＝max{x
i』,i』＝1,
…
,t}，x
min
＝min{x
i』,i』＝1,
…
,t}，y
max
＝max{y
i』,i』＝1,
…
,t}，y
min
＝min{y
i』,i』＝1,
…
,t}，z
max
＝max{z
i』,i』＝1,
…
,t}，z
min
＝min{z
i』,i』＝1,
…
,t}。
[0092]
由此可以得出，體素數m如式(4)所示：
[0093]
m＝r*c*l
ꢀꢀꢀ
(4)
[0094]
步驟2.2.4：將剔除異常數據集q中各個雷射點映射到3d體素格網，進而根據3d體素格網中包含的雷射點的強度屬性為各體素賦值，得到強度體素模型。
[0095]
本實施方式中，將剔除異常數據集q中各個雷射點映射到3d體素格網，進而根據3d體素格網中包含的雷射點的強度屬性為各體素賦值。其中，將含有雷射點的體素賦值為雷射點的強度均值、將不含有雷射點的體素賦值為0，如式(5)所示：
[0096][0097]
其中，為向下取整操作符。進一步將各體素賦值離散化到{0,
…
,255}，得到各體素值。由此，得到強度體素模型，完成對剔除異常數據集的規則化。
[0098]
本實施例中，將機載及車載lidar點雲分別分為0.375m
×
0.375m
×
0.25m和0.125m
×
0.125m
×
0.125m的3d陣列，2個3d陣列共包含64783和85489個目標體素，如圖4所示。
[0099]
步驟3：基於建築物屋頂和立面的特性，依次檢測建築物屋頂和立面形成的3d連通區域，完成基於強度體素模型的lidar點雲建築物檢測，具體流程如圖5所示；
[0100]
步驟3.1基於三維連通區域構建理論檢測建築物屋頂，具體步驟如下：
[0101]
步驟3.1.1：基於建築物邊緣點的高程跳變特性，從強度體素模型中搜索建築物邊緣體素作為種子體素gs，其中，s＝1，2，...；
[0102]
本實施例中，對於強度體素模型中的任一非有值體素，若該有值體素和其水平8鄰域內的有值體素的高程差大於高差閾值te(常數，2m)，則判定該體素為建築物邊緣體素，將其作為種子體素gs。
[0103]
步驟3.1.2：標記種子體素的3d連通區域，對任一未標記的種子體素gs，利用深度優先遍歷策略搜索強度體素模型中與種子體素gs3d連通且強度差小於強度差閾值tg的所有未標記體素，並標記為lk，其中，k為標記標籤的索引，k＝1，2，...直至標記完所有未標記的種子體素的3d連通區域，得到若干個3d連通區域，具體包含步驟如下：
[0104]
3.1.2.1：初始化一個空棧，將gs存入棧中；
[0105]
3.1.2.2：彈出棧頂元素，獲取與該棧頂元素3d連通且強度差小於強度差閾值tg的所有未標記的體素，標記為建築物屋頂體素並存入棧中；
[0106]
3.1.2.3：判斷棧是否為空，若是，則強度體素模型中所有建築物屋頂體素均被標
記，否則，返回步驟3.1.2.2。
[0107]
步驟3.1.3：基於面積及強度特性，對建築物屋頂體素集合進行優化，完成建築物屋頂檢測，具體包含步驟如下：
[0108]
本實施例中，建築物屋頂的特性為：具有一定的面積，和其它目標(如植被等)的空間分布存在強度差異。根據建築物屋頂的上述面積及強度特性對上述所得的建築物屋頂的3d連通區域進行優化，即剔除其中存在的個別非建築物屋頂的3d連通區域。
[0109]
3.1.3.1：基於面積特性剔除非建築物屋頂的3d連通區域；
[0110]
本實施例中，令原始lidar點雲數據集p中的最小建築物面積為a
min
，令原始lidar點雲數據集p中的最大的建築物面積為a
max
。
[0111]
原始lidar點雲數據集p中的建築物面積是指建築物在水平平面的投影面積。
[0112]
對任一3d連通區域，若其水平投影面積大於等於a
min
並且小於等於a
max
，則該3d連通區域判定為建築物屋頂，予以保留，否則剔除該3d連通區域。
[0113]
在本實施例中，a
min
和a
max
為常數，由用戶根據給定的原始lidar點雲數據的情況來定義。
[0114]
3.1.3.2：基於強度特性剔除非建築物屋頂的3d連通區域。
[0115]
本實施例中，對任一3d連通區域，若其強度小於給定的強度閾值ts，則該3d連通區域判定為建築物屋頂，予以保留，否則剔除該3d連通區域；
[0116]
本實施例中，強度閾值ts為常數，其取值可根據各個3d連通區域的密度分布情況確定。
[0117]
步驟3.2：基於屋頂空間連通區域拓撲分析聚類完成建築物屋頂單體化，具體步驟如下：
[0118]
步驟3.2.1：基於拓撲矩陣描述各屋頂連通區域的拓撲關係；
[0119]
所述拓撲矩陣是表示屋頂連通區域間包含、相鄰或其它拓撲關係的矩陣，可由二維矩陣示出，矩陣中的行、列表示提取所得的屋頂連通區域。
[0120]
步驟3.2.2：將具有拓撲鄰接和包含關係的各屋頂連通區域聚類為建築單體，具體過程如下：
[0121]
設s、o分別對應兩個屋頂連通區域，且o的水平投影面積較大，s、o內的體素集合分別記為s、o，若則判定兩者為包含關係、屬於同一建築，並由o示出該建築單體的屋頂。進一步，若s、o的距離d(s，o)小於某一閾值(此處的閾值可根據規範中規定的建築間的最短距離設置)，則判定二者具有相鄰關係、屬於同一建築，則由s及o示出該建築單體的屋頂。
[0122]
步驟3.3：基於緩衝區分析，檢測建築物立面的3d連通區域，完成建築物立面檢測；
[0123]
步驟3.3.1：檢測各個建築物屋頂的輪廓；
[0124]
步驟3.3.2：在水平面上，以任一建築物屋頂輪廓為中心，以內側和外側各一個體素為寬度建立緩衝區，如圖6所示；
[0125]
步驟3.3.3：以緩衝區內高程方向密度(即平面坐標相同的有值體素的個數)大於某一密度閾值的體素的反射強度均值的正負2倍標準差範圍作為該棟建築的反射強度一致性準則，若緩衝區內某體素的體素值位於上述範圍內，則將該體素判做立面體素，否則為非立面體素。密度閾值為0.22。
[0126]
本實施例中，經過基於強度體素模型的建築物檢測處理，從機載及車載lidar點雲
中分別檢測出9199和46451個建築物體素，且從建築物檢測結果中可以發現場景數據中的建築物均已被成功檢測。結果如圖7所示，其中，圖7(a)為機載lidar建築物檢測結果，圖7(b)為車載lidar建築物檢測結果。
[0127]
步驟4：基於可旋轉面狀結構元的形態學局部細小空洞填補；
[0128]
步驟4.1：以各建築體素為中心,以c軸為法向量vi，構建9*9範圍的目標模板f；
[0129]
步驟4.2：基於羅德裡格旋轉公式實現目標模板f在垂直方向及水平方向的旋轉，v
rot
＝cosθvi+(1-cosθ)(vi·
k)+sinθ
×
vi[0130]
其中，k為旋轉軸，θ為目標模板的旋轉角，v
rot
為目標模板經旋轉後得到的新目標模板的法向量；
[0131]
本實施例中，為了實現目標模板沿垂直及水平方向的旋轉，旋轉軸k分別取目標模板的垂直中心軸的單位向量及水平中心軸的單位向量，其中旋轉角θ取30
°
，共實現11個方向上目標模板的構建，如圖8所示；
[0132]
步驟4.3：基於鄰域搜索找出以當前體素為中心的一定空間鄰域範圍內的鄰域體素集i，並判斷所有鄰域體素與各方向目標模板f的位置關係，若f＝0，則判定該體素位於該目標模板上；
[0133]
步驟4.4：在各目標模板上應用3*3大小的面狀結構元(se＝[1,1,1；1,1,1；1,1,1])執行形態閉操作，實現建築模型中局部細小空洞的填補。
[0134]
本實施例中，經過基於可旋轉面狀結構元的形態學局部細小空洞填補處理，對機載及車載lidar體素模型分別填補了4838和765個體素，如圖9所示，其中，圖9(a)為機載lidar的填補結果，圖9(b)為車載lidar的填補結果。
[0135]
本實施例中，為了對點雲填補結果進行定量的評估，設計了相應的實驗，來驗證算法的有效性。對於基於形態學的局部細小空洞的填補通過計算其填補率e
p
(％)(填補的體素總數c
t
佔原始體素模型中空洞的總數z
t
的比例)來評估該算法的填補精度。
[0136]
表1為本實施例中基於機載及車載lidar實驗數據中的體素數據進行基於形態學的局部細小空洞的填補，對應的空洞填補結果的精度指標。
[0137]
表1基於形態學的局部細小空洞填補的精度評價
[0138][0139]
由表1可知，利用基於形態學的局部細小空洞填補方法對應機載及車載lidar點雲的填補率分別為95.49％及94.21％。從而驗證了本發明提出的方法的有效性。
[0140]
本發明提供的一種基於強度體素模型的lidar點雲建築物完整性增強方法，以3d連通區域構建理論為基礎，基於體素空間鄰域關係及幾何特徵的搜索標記方式，很好地利用了三維體素數據中各體素間隱含的鄰域關係；設計的可旋轉面狀結構元可自適應於各方
向空洞的探測與填補；有助於基於體素理論的lidar點雲數據處理及應用的發展。本方法對局部細小空洞的填補結果其填補率可達到90％以上。
[0141]
最後應說明的是：以上各實施例僅用以說明本發明的技術方案，而非對其限制；儘管參照前述各實施例對本發明進行了詳細的說明，本領域的普通技術人員應當理解：其依然可以對前述各實施例所記載的技術方案進行修改，或者對其中部分或者全部技術特徵進行等同替換；而這些修改或者替換，並不使相應技術方案的本質脫離本發明權利要求所限定的範圍。