一種面向城市三維建模的密集點云的快速提取方法
【技術領域】
[0001] 本發明涉及一種密集點云的提取方法，具體地說是一種面向城市三維建模的密集 點云的快速提取方法。
【背景技術】
[0002] 傾斜攝影技術是國際測繪遙感領域近年發展起來的一項高新技術，通過在同一飛 行平臺上搭載多臺傳感器（目前常用的是五鏡頭相機），同時從垂直、傾斜等不同角度采集 影像，獲取地面物體更為完整準確的信息。垂直地面角度拍攝獲取的影像稱為正片（一組 影像），鏡頭朝向與地面成一定夾角拍攝獲取的影像稱為斜片（四組影像），即為傾斜影像； 其中，傾斜影像具有如下的特點：（1)可以獲取多個視點和視角的影像，從而得到更為詳盡 的側面信息；(2)具有較高的分辨率和較大的視場角；（3)同一地物具有多重分辨率的影 像；(4)傾斜影像地物遮擋現象較突出；針對這些特點，傾斜攝影測量技術可以用來快速三 維建模。
[0003] 要利用矯正過的影像完成地物的三維建模，獲取直觀地位置信息，需要對影像進 行密集點云提取，密集點云提取出來之后就可以構tin，生成三維模型，而密集點云的獲取 是通過影像匹配來完成的。
[0004] 在密集點云的提取過程中，一般的流程是獲取影像上的特征點，匹配同名點，確定 物方種子點，形成稀疏點云，擴散得到較為密集的點云后進行粗差剔除從而得到精度較高 的密集點云，為三維建模打下可靠的基礎。密集點云的提取過程可以說是一系列約束條件 的幾何，在這個過程中的可能會出現許多的誤差，累計起來會對三維建模的精度產生影響， 在點云提取的流程中，仍有需要完善的地方，而種子點區域擴散是誤差產生的重災區，需要 對擴散后的點75T反復的粗差剔除，提尚精度。
[0005] 另外，如今對密集點云提取的研究越來越多，點云提取涉及的方法也在不斷地改 進，如特征點提取中，最初多米用Morevec算法，考慮像素點向特定的幾個方向移動灰度梯 度所產生的變化，這種方法并不能考慮到像素點周圍所有灰度梯度變化的情況，因此容易 遺漏特征點，對后續的點云提取有一定的不良影響；現在多采用Harris算法提取特征點， 在Morevec基礎上的改進，可以對像素點周圍的所有方向檢測灰度梯度的變化，使得特征 點的提取更加的合理。但是Harris算法也存在著局限性，對特征點提取時，檢測的時間上 較慢，運行效率低。
[0006] Harris算法是一種基于影像灰度的角點檢測算法，適用于傾斜影像的特征點提 取，角度最好在45度以內，對于尺度變化比較敏感，是一種有效的點特征提取算法，Harris 算法的思想是：在影像上以被檢測像素點為中心設置一個窗口，沿各個方向微小移動窗口， 考察窗口內灰度強度的平均變化情況，當該變化值超過設定的閾值時，則將被檢測點提取 為特征點，即認為是角點。
[0007] 其優點總結起來有：①計算簡單：Harris算法中只用到灰度的一階差分以及濾 波，操作簡單；②提取的點特征均勻而且合理：Harris算法對圖像中的每個點都計算其興 趣值，然后在鄰域中選擇最優點。實驗表明，在紋理信息豐富的區域，Harris算法可以提 取出大量有用的特征點，而在紋理信息少的區域，提取的特征點則較少；③穩定：Harris 算法的計算公式中只涉及到一階導數，因此對影像的旋轉、灰度變化、噪聲影響和視點變換 不敏感。
[0008] 具體應用時：
[0009] ①鄰域是平坦的，則灰度強度隨窗口移動變化很小；(R取小數值的正數，不可能 為角點）
[0010] ②若中心點鄰域包含邊緣，則沿水平邊緣方向移動窗口時，灰度強度變化很小，沿 垂直邊緣方向移動窗口時，灰度強度變化很大；(R取大數值的負數）
[0011] ③若中心點鄰域內包含角點，則沿任意方向移動窗口時，灰度強度均有明顯變化； (R取大數值的正數）
[0012] 灰度強度變化函數：
[0014] 為了尋找帶角點的窗口，搜索像素灰度變化較大的窗口，于是期望最大化E(u，V)。
[0015] 通過微分運算可以覆蓋所有方向的檢測并進行泰勒展開，其灰度強度變化量可定 義為：
[0020] R=det(M)-k(trace(M))2
[0021] (k是經驗值，常取0? 04~0? 06)
[0022] det(M)=入！入 2
[0023] trace(M)=入A入 2
[0024] Al、A2是二階矩陣M的兩個特征值。R為角點響應函數，當目標像素點的R值大 于設定的閾值（由于R值分類比較明顯，容易確定閥值時），可以作為角點選擇出來。
[0025] 具體步驟：
[0026] ①計算影像上各個像素點水平和垂直方向上的梯度值Ix和Iy，求得自相關矩陣 M；
[0027] ②對計算后的影像進行高斯濾波，得到濾波后的M;
[0028] ③計算各個像素點的角點響應函數的值；
[0029] ④選取R的局部極大值點作為候選角點；
[0030] ⑤設定相應的閾值提取角點。
[0031] 綜上可知，現有技術的缺點主要集中在以下幾點：
[0032]a)面向城市快速建模應用中，目前基于傾斜影像的密集點云提取方法影響了三維 建模的精度，其提取方法流程仍待完善；
[0033] b)中小城市建模工作采用傾斜影像建模方式大概需要三到五個月的時間，多視影 像密集點云提取過程中采用的Harris算法在檢測角點的過程中需要對每一個像素點進行 角點響應檢測，其中會涉及大量的乘法運算，導致計算速度比較慢，影響工作的效率。
[0034] c)多視影像密集點云提取種子點擴散后得到的點云中有很多的誤差點，誤差點的 存在會使得地物的幾何形狀發生改變，對后續的三維建模有較大的影響。
[0035] 為了解決上述技術問題，本發明提出一種高精度、高效率且應用范圍廣的
[0036] 面向城市三維建模的密集點云的快速提取方法。
【發明內容】
[0037] 本發明的目的是為了克服上述現有密集點云提取方法存在的不足，提出一種優 化密集點云提取流程、改進特征點獲取算法以提高運行效率、并能對擴散后的點云進行反 復粗差剔除的高精度、高效率且應用范圍廣的面向城市三維建模的密集點云的快速提取方 法。
[0038] 為了實現上述目的，本發明采用了以下技術方案：
[0039] -種面向城市三維建模的密集點云的快速提取方法，具體包括以下步驟：
[0040] 1)數據準備，數據具體包括傾斜航空攝影獲取的多視影像數據、空三加密后的影 像外方位元素、傾斜航攝儀相機參數信息，所述的多視影像數據包括有元數據，內含影像分 辨率、影像投影坐標；
[0041] 2)在步驟1中的多視影像數據中的垂直影像上，按照城市三維建模精細化的實際 需求建立坐標格網，坐標格網中每個格網單元的大小不小于影像分辨率，所述影像分辨率 與步驟1的影像分辨率相同；
[0042] 3)將多視影像轉換為灰度圖像，并通過高斯濾波對灰度圖像進行平滑處理；
[0043] 4)在灰度圖像中，計算各目標像素點的灰度值與其鄰域像素點的灰度值，將各目 標像素點的灰度值與其鄰域像素點的灰度值進行比較形成差值，多個差值構成一個數值范 圍，在該數值范圍內確定閥值A的大小，然后判斷各目標像素點的灰度值與其鄰域像素點 的灰度值的差值是否大于閥值A，如果是，則將該目標像素點提取作為候選角點，否則，直接 舍去；
[0044] 5)計算步驟4中候選角點的角點響應函數（CRF)值，判斷該候選角點的角點響應 函數（CRF)值是否大于預先設定的閥值B，如果是，則將該候選角點提取作為特征點，否則， 直接舍去；
[0045] 6)匹配同名點，選擇參考影像和搜索影像，將參考影像上的特征點按核線幾何約 束條件在搜索影像上尋找同名點；
[0046] 7)生成種子點，利用步驟1中的