[发明专利]一种面向城市三维建模的密集点云的快速提取方法

说明书

技术领域

本发明涉及一种密集点云的提取方法，具体地说是一种面向城市三维建模的密集点云的快速提取方法。

背景技术

倾斜摄影技术是国际测绘遥感领域近年发展起来的一项高新技术，通过在同一飞行平台上搭载多台传感器(目前常用的是五镜头相机)，同时从垂直、倾斜等不同角度采集影像，获取地面物体更为完整准确的信息。垂直地面角度拍摄获取的影像称为正片(一组影像)，镜头朝向与地面成一定夹角拍摄获取的影像称为斜片(四组影像)，即为倾斜影像；其中，倾斜影像具有如下的特点：(1)可以获取多个视点和视角的影像，从而得到更为详尽的侧面信息；(2)具有较高的分辨率和较大的视场角；(3)同一地物具有多重分辨率的影像；(4)倾斜影像地物遮挡现象较突出；针对这些特点，倾斜摄影测量技术可以用来快速三维建模。

要利用矫正过的影像完成地物的三维建模，获取直观地位置信息，需要对影像进行密集点云提取，密集点云提取出来之后就可以构tin，生成三维模型，而密集点云的获取是通过影像匹配来完成的。

在密集点云的提取过程中，一般的流程是获取影像上的特征点，匹配同名点，确定物方种子点，形成稀疏点云，扩散得到较为密集的点云后进行粗差剔除从而得到精度较高的密集点云，为三维建模打下可靠的基础。密集点云的提取过程可以说是一系列约束条件的几何，在这个过程中的可能会出现许多的误差，累计起来会对三维建模的精度产生影响，在点云提取的流程中，仍有需要完善的地方，而种子点区域扩散是误差产生的重灾区，需要对扩散后的点云反复的粗差剔除，提高精度。

另外，如今对密集点云提取的研究越来越多，点云提取涉及的方法也在不断地改进，如特征点提取中，最初多采用Morevec算法，考虑像素点向特定的几个方向移动灰度梯度所产生的变化，这种方法并不能考虑到像素点周围所有灰度梯度变化的情况，因此容易遗漏特征点，对后续的点云提取有一定的不良影响；现在多采用Harris算法提取特征点，在Morevec基础上的改进，可以对像素点周围的所有方向检测灰度梯度的变化，使得特征点的提取更加的合理。但是Harris算法也存在着局限性，对特征点提取时，检测的时间上较慢，运行效率低。

Harris算法是一种基于影像灰度的角点检测算法，适用于倾斜影像的特征点提取，角度最好在45度以内，对于尺度变化比较敏感，是一种有效的点特征提取算法，Harris算法的思想是：在影像上以被检测像素点为中心设置一个窗口，沿各个方向微小移动窗口，考察窗口内灰度强度的平均变化情况，当该变化值超过设定的阈值时，则将被检测点提取为特征点，即认为是角点。

其优点总结起来有:①计算简单:Harris算法中只用到灰度的一阶差分以及滤波，操作简单；②提取的点特征均匀而且合理:Harris算法对图像中的每个点都计算其兴趣值,然后在邻域中选择最优点。实验表明,在纹理信息丰富的区域，Harris算法可以提取出大量有用的特征点,而在纹理信息少的区域,提取的特征点则较少；③稳定:Harris算法的计算公式中只涉及到一阶导数，因此对影像的旋转、灰度变化、噪声影响和视点变换不敏感。

具体应用时：

①邻域是平坦的，则灰度强度随窗口移动变化很小；(R取小数值的正数，不可能为角点)

②若中心点邻域包含边缘，则沿水平边缘方向移动窗口时，灰度强度变化很小，沿垂直边缘方向移动窗口时，灰度强度变化很大；(R取大数值的负数)

③若中心点邻域内包含角点，则沿任意方向移动窗口时，灰度强度均有明显变化；(R取大数值的正数)

灰度强度变化函数：