阅读说明：本技术 一种一键式模型单体化的方法 (One-key model singulation method ) 是由 王英 赖继文 陈震 刘述春 于 2021-07-15 设计创作，主要内容包括：本发明公开一种一键式模型单体化的方法,包括以下步骤：S1：在Mesh三角网格中,选取单体化建筑物目标中部的一个点P；S2：遍历Mesh三角网格,提取距离P点的距离小于平面半径R的所有三角形,放入三角形集合T1；S3：滤除T1中以下高程范围外的三角形：高程小于P点高程-h或大于P点高程+h；得到三角形集合T2,其中,h为高程半径；S4：遍历T2,对每个三角形按密度d提取三角形上的点坐标,得到总的点集合S；S5：对点集合S做聚类分析,得到n个点簇Ci(i＝1…n)；S6：计算各个点簇Ci与P点的最近距离,距离最小的点簇为最佳点簇Cr；S7：输出单体化成果Cr。(The invention discloses a method for singly integrating a one-key model, which comprises the following steps: s1: selecting a point P in the middle of a target of a single building in the Mesh triangular grid; s2: traversing the Mesh triangular Mesh, extracting all triangles with the distance from the point P being less than the plane radius R, and putting the triangles into a triangle set T1; s3: triangles in T1 outside the following elevation ranges were filtered out: the elevation is less than P point elevation-h or more than P point elevation + h; obtaining a triangle set T2, wherein h is an elevation radius; s4: traversing T2, extracting point coordinates on each triangle according to the density d to obtain a total point set S; s5: performing cluster analysis on the point set S to obtain n point clusters Ci (i is 1 … n); s6: calculating the closest distance between each point cluster Ci and the point P, wherein the point cluster with the smallest distance is the optimal point cluster Cr; s7: outputting a result Cr of the singleton.)

一种一键式模型单体化的方法

技术领域

本发明属于测绘领域，具体地，涉及一种一键式模型单体化的方法。

背景技术

倾斜摄影测量技术开展实景三维建模过程中，需要对建筑物单体化，单体化建筑物指的是想要单独获取某一栋建筑物，且将其与其他建筑物分开，然后对单体建筑物进行语义的分析。利用人工建模，自然会把需要单独管理的对象制作为单独的模型，与其它对象分离开。但是倾斜摄影得到的数据是连在一起的，而将单个建筑物单独分离出来又是必须的，因此自动地将建筑物单体化是必须解决的问题。

而在单体化过程中，往往需要解决这样的问题：人工指定房屋模型上的一个点，提取房屋模型上的一定高程范围内的模型面片，如图1。

三维模型中房屋的模型网格的突出特点是：1、陡直突出地表；这是区分房屋和地表模型、植被的一个显著的形态上区别。2、不同高度的墙体可能存在树木遮挡、人造装饰、附属设施等因素，如图2所示。所以，裸露整洁的墙体往往只在某一小段高度范围内；因此房屋自动提取的最佳数据源就在这一小段高度范围内。综上，截取一定高程范围内的房体模型数据，是自动提取房屋轮廓线的较好方式，既可以有效分离房屋与地表、植被，也有利于选取裸露整洁的部分墙体来提取。

连接性是指房屋作为现实生活中的完整实体对象，在三维模型上构成它的三角网格，在视觉上是连接在一起的，而房屋和房屋之间、房屋和周围的树木电杆等其他要素之间，在视觉上大部分没有连在一起。为了有效提取单个房屋模型，需要充分利用这种视觉上的连结性，即在模型上连接在一起的三角网格，它们构成同一实体对象的可能性很大。但在实际作业中三维模型数据存在一些不完整、不理想的情况，主要表现为：

1、分块存储导致的房屋网格割裂

分块、多级金字塔存储是三维模型数据存储的主流方式，这个因素导致的房屋网格割裂现象较为普遍，估计在房屋模型数据中达到50％，如图3所示；

2、建模算法的不完美导致的网格数据的局部重叠和不完整

主流建模算法的内核基础是计算机视觉算法，其主要目标是从视觉上尽可能逼近现实场景，因而在结果网格的唯一、无冗余上会有所舍弃，导致实际看到的模型里面有重复网格叠加在一起，如图4。此情况估计在房屋模型数据中达到50％。

3、房屋与周围要素连接在一起

原因一方面是照片数量不足，一方面是现实场景中房屋与周围要素距离很近或就是连接在一起。此情况估计在房屋模型数据中达到10％～20％，是属于数据源层面的问题，不属于本算法主要考虑的问题。

基于上述原因，在研究和利用网格的连结性这个特点时，需要：1)不能严格依赖三角网的连结性；2)仍然需要利用三角网格距离上的邻近性。同时，由于三角网格有的大、有的小，有的疏、有的密，我们提出这样的算法思想：1)先按照一定的密度内插模型点；2)再根据点的邻近性进行聚类分析，从而分离出房屋实体。

发明内容

针对上述问题与不足，本发明提出一种基于模型匹配的快速单体化技术。

为了实现上述发明目的，本文提出以下技术方案：

一种一键式模型单体化的方法，包括以下步骤：

S1：在Mesh三角网格中，选取单体化建筑物目标中部的一个点P；

S2：遍历Mesh三角网格，提取距离P点的距离小于平面半径R的所有三角形，放入三角形集合T1；

S3：滤除T1中以下高程范围外的三角形：高程小于P点高程-h或大于P点高程+h；得到三角形集合T2，其中，h为高程半径；

S4：遍历T2，对每个三角形按密度d提取三角形上的点坐标，得到总的点集合S；

S5：对点集合S做聚类分析，得到n个点簇Ci(i＝1…n)；

S6：计算各个点簇Ci与P点的最近距离，距离最小的点簇为最佳点簇Cr；

S7：输出单体化成果Cr。

如上所述的S3中，h为房屋建筑高度的一半。

有益效果：传统方法进行房屋单体化时，常常需要在三维交互界面中人为圈出房屋范围线，费时费力。本方法只需要在三维交互界面中人工选择房屋中部的一个点，就能够通过算法自动分离出房屋的格网点，效率大大提升。

附图说明

图1展示的是需要提取模型面片的区域；

图2展示的是房体与周围植被粘连；

图3展示的是分块存储导致房屋的网格割裂；

图4展示的是局部三角网的重叠和交叉；

图5展示的是S2的示意；

图6展示的是S3的示意；

图7是本发明实施例中所述方法流程图。

具体实施方法

以下结合附图对本公开的

具体实施方式

进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。

本发明提出一种一键式模型单体化的方法，包括以下步骤：

一种一键式模型单体化的方法，包括以下步骤：

S1：在Mesh三角网格中，选取单体化建筑物目标中部的一个点P，

S2：遍历Mesh三角网格，提取距离P点的距离小于平面半径R的所有三角形，如图5，放入三角形集合T1；

S3：滤除T1中以下高程范围外的三角形：高程小于P点高程-h或大于P点高程+h；得到三角形集合T2，如图6所示，其中，h为高程半径；

S4：遍历T2，对每个三角形按密度d提取三角形上的点坐标，得到总的点集合S；

S5：对点集合S做聚类分析，得到n个点簇Ci(i＝1…n)；

S6：计算各个点簇Ci与P点的最近距离，距离最小的点簇为最佳点簇Cr；如图5中，聚类的结果会出现五个点簇，包括图中的1个目标房屋的点簇和4个非目标房屋的点簇，其中目标房屋的点簇和P点最近。

S7：输出单体化成果Cr。

如上所述的S3中，h为房屋建筑高度的一半。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。