摘要

針對大規(guī)模城市場景中建筑物傾斜攝影測量模型輪廓線提取過程中存在的局部特征模糊與全局拓撲失準問題，提出一種動態(tài)聚類-規(guī)則化協(xié)同優(yōu)化模型。先將傾斜攝影測量模型三角網(wǎng)與橫截面的交線離散為點云，通過構建點云的密度自適應聚類算法與基于特征值分解的直線度驅動輪廓生長機制，實現(xiàn)噪聲環(huán)境下建筑主體輪廓初步提取；進一步設計多層級規(guī)則化約束，解決復雜直角輪廓的斷裂與冗余邊問題。在某大學傾斜攝影測量模型中的5棟不同形狀建筑物模型上與Alpha Shapes算法進行對比試驗，本文提出的方法在5組建筑物上的點均離線誤差均小于10 cm,且無系統(tǒng)性偏差，均方根誤差小于0.2,相對占地誤差均低于0.7%,顯示出高精度和良好的輪廓整體把握能力，顯著優(yōu)于Alpha Shapes算法。研究成果可為三維城市建模提供高精度、可擴展的技術方案。

引用

[1] 沈元博,車德福. 一種三維建筑物模型外輪廓的自動化提取方法[J]. 測繪科學, 2026, 51 (1): 146-154.

DOI:10.16251/j.cnki.1009-2307.2026.01.015.

引言

現(xiàn)有建筑物輪廓提取方法可歸納為3類：

1)影像驅動方法，基于深度學習，如OEC-RNN [2] 、DARNe t [3] 的影像分割技術雖在規(guī)則建筑檢測中表現(xiàn)良好，但對遮擋嚴重區(qū)域的輪廓完整性恢復能力不足。

2)機載 LiDAR 點云驅動方法：文獻 [4]提出利用三角函數(shù)與斜率獲取初始輪廓點，再擬合成輪廓線并規(guī)則化，適用于低密度變化場景，通用性仍需改進；文獻 [5]采用多層級 MBR 分解策略提取輪廓線，這種方法局限于矩形幾何假設；文獻 [6]通過改進不規(guī)則三角網(wǎng)加密法分離地面/非地面點，結合 Alpha Shapes 與方位角閾值法提取關鍵點，最后以線段長度加權方向實現(xiàn)規(guī)則化，該方法受限于垂直/平行等幾何先驗強約束。

3)多源數(shù)據(jù)融合方法：建筑信息模型(building information modeling, BIM)與傾斜模型集成雖能提升語義信息豐富度，卻因數(shù)據(jù)異構性導致計算復雜度激增 [7-9] 。

針對傾斜攝影模型，本團隊曾提出半自動隨機抽樣一致算法(random sample consensus, RANSAC)改進算法 [10] ,但其人工交互耗時占比超60%,且噪聲干擾下占地面積相對誤差(relative error of area, REA)波動范圍大于3%,難以滿足城市級建模需求。

針對上述挑戰(zhàn)，提出一種動態(tài)聚類-規(guī)則化協(xié)同優(yōu)化框架，其核心創(chuàng)新包括：

1)密度自適應的動態(tài)生長聚類算法。通過歐氏距離約束的種子點擴展機制，有效分離建筑主體點云與漂浮物噪聲，克服傳統(tǒng)固定半徑聚類對場景尺度敏感的問題。

2)直線度驅動的輪廓生長模型?；趨f(xié)方差特征分解量化局部線特征置信度，結合隨機采樣一致性檢驗自適應擴展輪廓邊界，確保復雜直角結構的拓撲連貫性。

3)多層級規(guī)則化約束體系。融合幾何一致性校驗、鄰近邊融合與閉合拓撲修復策略，消除建筑物輪廓斷裂現(xiàn)象。實驗表明，本方法在測試中表現(xiàn)出優(yōu)越性能，關鍵指標顯著優(yōu)于Alpha Shapes [11-12] 算法。處理效率較人工標注采集顯著提升，滿足城市級測繪需求。

主要圖表

圖1 歐氏距離約束的動態(tài)生長聚類算法流程圖

圖4 規(guī)則化算法示意圖

圖5 隨機圓內4種點集的直線度計算情況

圖6 點云聚類結果對比

圖7 建筑物輪廓提取結果

應用本算法對5棟建筑物共提取134處角點，其中與真實坐標偏差小于20 cm的占74.63%。建筑物①的MAD最高，但結合其36個角點的具體偏差分布，有兩處角點偏差顯著，其余點偏差普遍低于0.3 m。這表明復雜多邊形可能因局部幾何復雜性導致個別角點提取難度增加，但整體誤差可控。建筑物②(20邊)和建筑物④(18邊)的MAD較低，且其角點偏差分布更均勻(如建筑物②的角點偏差均低于0.393 m),說明邊數(shù)較少的建筑輪廓提取更易保持一致性。

嘗試進行誤差歸因，可以發(fā)現(xiàn)誤差主要來源于以下3個方面：

1)數(shù)據(jù)來源有誤。

算法的數(shù)據(jù)來源于OSGB模型的Mesh網(wǎng)，為了保證算法的速度，選擇的Mesh網(wǎng)并不稠密，可能無法反映出建筑物的真實細節(jié)。

2)算法的隨機誤差。

由于算法采樣局部直線特征的方式為隨機采樣，因此得出的結果會帶有一定范圍的隨機誤差。

3)算法的理論短板。

算法得出輪廓的較短邊并非是算法直接擬合得來的，而是進行多段線閉合時連接而來，算法理論上無法擬合兩條以上的連續(xù)較短邊，從而產(chǎn)生誤差。

結束語

針對傾斜攝影三維模型中建筑物外輪廓提取面臨的局部特征模糊與全局拓撲失準難題，本研究提出一種融合動態(tài)聚類與多尺度規(guī)則化的協(xié)同優(yōu)化方法。通過構建密度自適應的動態(tài)生長聚類算法，有效分離建筑主體點云與噪聲，實現(xiàn)復雜場景下點云的高精度獲取；設計基于特征值分解的直線度驅動輪廓生長機制，結合隨機采樣一致性檢驗，解決稀疏三角網(wǎng)環(huán)境下直線特征檢測的魯棒性問題；構建多層級規(guī)則化約束體系，消除建筑物輪廓斷裂現(xiàn)象，顯著提升復雜直角輪廓的拓撲連貫性。實驗驗證表明，本方法在多源數(shù)據(jù)測試中表現(xiàn)出優(yōu)越性能，關鍵指標顯著優(yōu)于Alpha Shapes算法。處理效率較人工標注采集顯著提升，滿足城市級建模需求。未來研究將聚焦復雜結構語義識別、多尺度特征融合及跨模態(tài)數(shù)據(jù)泛化能力，進一步推動三維地理信息提取技術的工程化應用。

來源：測繪學術資訊