欢迎来到本博客️️
博主优势:博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。
️座右铭:行百里者,半于九十。
本文目录如下:
目录
️赠与读者
做科研,涉及到一个深在的思想系统,需要科研者逻辑缜密,踏实认真,但是不能只是努力,很多时候借力比努力更重要,然后还要有仰望星空的创新点和启发点。当哲学课上老师问你什么是科学,什么是电的时候,不要觉得这些问题搞笑。哲学是科学之母,哲学就是追究终极问题,寻找那些不言自明只有小孩子会问的但是你却回答不出来的问题。建议读者按目录次序逐一浏览,免得骤然跌入幽暗的迷宫找不到来时的路,它不足为你揭示全部问题的答案,但若能让人胸中升起一朵朵疑云,也未尝不会酿成晚霞斑斓的别一番景致,万一它居然给你带来了一场精神世界的苦雨,那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。
或许,雨过云收,神驰的天地更清朗.......
1 概述
该算法基于参考文献[1]实现,并针对从参考文献[2]中得到的建筑物提取输出进行了调整。如果您使用此算法,请参阅[1]。
[1] M. Awrangjeb和C. S. Fraser,“一种基于机载LiDAR数据的建筑物提取技术的自动且无阈值性能评估系统,”IEEE选择性主题应用于地球观测与遥感杂志,即将出版,2014年。
[2] M. Awrangjeb和C. S. Fraser,“原始LiDAR数据的自动分割以提取建筑物屋顶,”遥感,6(5),3716–3751,2014年4月。
文献1:
摘要:一些现有的建筑物提取技术性能评估系统在很大程度上依赖人工,仅提供视觉结果或借助人的判断。许多采用一个或多个阈值来判定提取的建筑物或屋顶平面是否正确的评估系统具有主观性,无法普遍适用。虽然存在少数自动且无需阈值的评估系统,但它们未必能涵盖所有特殊情况,例如,在提取屋顶平面时出现的过度分割和欠分割现象。本文提出了一种自动且无需阈值的评估系统,能够稳健地基于对象对建筑物提取技术进行评估。该系统利用最大重叠度建立提取实体与参照实体之间的一一对应关系。将其应用于某建筑物提取技术的评估结果显示,它能够估算包括分割错误在内的多种性能指标。因此,它可以被用来无偏见地评估其他以多边形实体为输出的技术。
关键词:建筑物,数据挖掘,图像重建,激光雷达,测量,遥感,植被,自动建筑物检测,评估,提取,性能,重建,屋顶,无阈值
从遥感数据中进行建筑物检测与重建对于房地产行业、城市规划、国土安全、灾害(如洪水或丛林火灾)管理及众多其他应用具有重要意义。建筑物检测指的是在遥感数据(如航空影像和LiDAR(光探测与测距)数据)中识别建筑物的问题。许多建筑物检测技术同时也专注于精确勾勒出建筑物边界。建筑物重建则意味着提取三维建筑物信息,这包括建筑物立面和屋顶的角点、边缘和平面。随后利用可用信息对立面和屋顶进行数字重建。本论文报道的研究主要集中在建筑物检测与屋顶平面提取的评估上。在过去几十年里,已经报告了大量建筑物检测与三维屋顶提取技术。关于建筑物检测和屋顶提取技术的综述,可见于Awrangjeb等人[1]、Haala和Kada[2]以及Wang[3]的著作中。
文献2:
摘要:从遥感数据中自动提取建筑物屋顶对于许多应用至关重要,包括三维城市建模。本文提出了一种新的原始LiDAR(光探测与测距)数据自动分割方法。利用DEM(数字高程模型)提供的地面高度,将原始LiDAR点分为两组。第一组包含形成“建筑物遮罩”的地面点;第二组则包含非地面点,通过建筑物遮罩对这些点进行聚类。一簇点通常代表单个建筑物或树木。在分割过程中,从每个点簇中提取平面屋顶段,并利用诸如点共面性和局部性等规则进行细化。通过面积和点高度差等信息移除树木上的平面。在六个不同数据集的九个区域上的实验结果显示,所提出的方法能成功去除植被干扰,即便在LiDAR点密度低至每平方米四点的情况下,也能实现建筑物检测(约90%正确性和完整性)和屋顶平面提取(约80%正确性和完整性)的高成功率。因此,所提议的方法可广泛应用于各类场景。
关键词:LiDAR;点云;分割;自动;建筑物;屋顶;提取
2 运行结果
部分代码:
%=====INPUTS======
%inputs parameters
%resolutionMask = 0.25;%building mask Mg resolution
resPs = 0.25;%resolution of points for evaluations
resPs1 = 0.5;%for initial asssesment
% x & y distances between LIDAR points in metre: maximum in- and across
% flight distances
%need to change for a given input data set
LPDx = 0.5;%these two values are for Vaihingen data set, in ISPRS benchmark
LPDy = 1.0;%for Australian data sets: set both 1m for Mooney Ponds and Knox, 0.5m for Fairfield, 0.2 for Aitkenvale
FlightDist = max(LPDx,LPDy); % flight distance: this is maximum point-to-point distance in the input LIDAR data;
%instead of setting LPDx and LPDy above just you can set FlightDist value directly
Msd = (2*FlightDist)^2;%mean square distance
%Mask: it is generated according to Ref [2]-[5]
Mg = imread('PrimaryMask_VA01Th1m.png');%a binary image indicates ground and non-ground locations
Rm = [0,-0.250000000000000;%TFW for Mg
0.250000000000000,0;
497067.900000000,5419979.25000000;];
%reference data: contains buildings and roof plalnes as polygonal entities
%for Area 1 of the Vaihingen data set. Check Ref [1] for how they were
%generated.
%Bo = all points in polygonal entities of reference buildings and planes.
%Bo size is M?2, where each row reprents easting and northing for each
%reference point. Note non reference height is available for this
%reference.
%AreaIndices = ISPRS benchmark test area for Area 1. Check
%Bindices = Each cell repesents a series of point indices to Bo. Each cell
%indicates a reference building boundary
%Pindices = Each cell repesents a series of point indices to Bo. Each cell
%indicates a reference plane boundary
%Bplanes = Each cell repesents a series of plane indices to Pindices. Each cell
%indicates a reference plane boundary
[Bo AreaIndices Bindices Pindices Bplanes] = Ref_VA01();
%pMask: n?1 mask output from Ref [2]. Each row element is for an extracted plane and
fp = fopen('pMask_VA01Th1m.txt', 'r');% > 0 indicates a valid extracted plane thus will be used in this evaluation,
pMask = fscanf(fp,'%d ',[1 Inf]);%while <= 0 indicates the plane has been discarded, so will not used
pMask = pMask';%anymore in this evaluation.
fclose(fp);
3 参考文献
文章中一些内容引自网络,会注明出处或引用为参考文献,难免有未尽之处,如有不妥,请随时联系删除。
[1] M. Awrangjeb and C. S. Fraser, “An automatic and threshold-free performance evaluation system for building extraction techniques from airborne LIDAR data,” IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, in press, 2014.
[2] M. Awrangjeb and C. S. Fraser, “Automatic Segmentation of Raw LIDAR Data for Extraction of Building Roofs,” Remote Sensing, 6(5), 3716–3751, April 2014.
4 Matlab代码实现
资料获取,更多粉丝福利,MATLAB|Simulink|Python资源获取
文章评论