基于多视图像点云的建筑物屋顶分割算法研究

建筑物是一种可用于估算能源[1]需求、生活、城市人口和财产税的基本GIS 数据。

基于机载点云的建筑物三维建模，主要是以建筑物屋顶为基础进行几何模型绘制[2]；同时建筑物屋顶识别作为屋顶轮廓线生成的关键一步[3]，在“乡村振兴”的时代背景下，对农村地籍调查工作大有裨益。

全自动建筑物屋顶识别算法将有助于解决传统人工方法从海量点云中提取建筑物屋顶成本高、耗时长的问题。

基于低空无人机获取的多视倾斜图像经过计算机视觉技术处理后，可得到多视图像MVS 点云[4]。

相较于机载激光雷达技术，倾斜摄影技术具有速度快、成本低、风险小等优点，且MVS 点云不仅包含地物详细的三维信息，还包含纹理信息和光谱信息，因此MVS 点云后处理技术是未来研究的趋势[5]。

鉴于此，研究基于MVS 点云的全自动
建筑物屋顶识别技术十分必要。

通过查阅大量文献可知，现存的点云后处理技术主要针对激光点云。

在机载激光点云后处理算法中，从点云中提取建筑物屋顶主要包括建筑物识别和屋顶面片提取[6]两步。

建筑识别通常包括“自下而上”和“自上而下”两种思路，“自下而上”即分别过滤地面、植被等非建筑点，最后得到建筑[7]；而“自上而下”则是直接从点云中识别建筑[8]；通常来说，“自下而上”的方式更流行。

从点云中识别地面的算法[9-11]有很多，如ZHANG K [9]等提出的渐进形态学滤波，ZHANG W M [11]等提出的布料滤波，这些算法都能取得很好的效果，算法的难点是如何对建筑和植被点进行
分类。

针对植被识别算法，研究主要集中在LiDAR 点云，但这些方法往往都有使用场景的限制。

部分学者
基于多视图像点云的建筑物屋顶分割算法研究
陈鑫祥1，蒲冰鑫2*，俞
建1，王瑞胜3，钟若飞2
（1.广东省国土资源技术中心，广东广州510098；2.首都师范大学资源环境与旅游学院，北京100048；
3.广州大学地理科学学院，广东广州510006）
摘要：建筑物屋顶不仅能作为基于点云的城市三维重建的重要参考依据，而且能用于房屋地籍测量。

以多视图像点云为数据
源，提出了一种自动分割建筑物屋顶面片的算法。

该算法由建筑物单体化、屋顶面片识别、面片优化3个部分组成。

首先利用基于颜色不变量理论的植被过滤算法、地面过滤完成建筑物单体化；然后计算点特征去除建筑物立面，并利用区域增长算法实现屋顶面片识别；最后利用基于主成分分析的面片平整技术进行优化。

大规模实验结果表明，该算法能生成理想的平整屋顶面片，正确率可达96.46%。

关键词：多视图像点云；地籍测量；颜色不变量理论；主成分分析中图分类号：P231
文献标志码：B
文章编号：1672-4623（2022）05-0033-05
doi:10.3969/j.issn.1672-4623.2022.05.007
May,2022Vol.20,No.5
地理空间信息
GEOSPATIAL INFORMATION
2022年5月第20卷第5期
Research on Building Roof Segmentation Algorithm from Multiple
View Stereo Point Clouds
CHEN Xinxiang 1,PU Bingxin 2,YU Jian 1,WANG Ruisheng 3,ZHONG Ruofei 2
（nd and Resources Technology Center of Guangdong Province,Guangzhou 510098,China;2.College of Resource Environment and Tourism,Capital Normal University,Beijing 100048,China;3.School of Geographical Sciences of GZHU,Guangzhou University,Guangzhou 510006,China ）
Abstract:Building roof can be used as an important reference for not only 3D urban reconstruction from point clouds,but also house cadastral survey.This paper presented a method to segment building roof planes from a large scale multi view stereo point clouds,which consists of three parts:building monomer,roof planes identification and plane optimization.The vegetation filtering algorithm based on color invariant theory and ground filtering algorithm were implemented to complete the monomer of buildings.Then,we calculated the point feature to remove the building façade and used region growing algorithm to segment roof planes.Finally,a PCA-based plane processing technique was used to optimize the plane.Key words:multiple view stereo point clouds,cadastral surveying,color invariant theory,principal component analysis
收稿日期：2019-12-20。

（*为通信作者）
地理空间信息第20卷第5期
对MVS点云做了研究，如刘宇[12]等提出利用植被系数和绿信比过滤植被点，该方法参数过多、不易控制；眭海刚[13]等利用了颜色不变量理论[14-15]，只需设置一个参数；上述两种方法均未考虑建筑物表面极有可能为近绿色的情况。

屋顶面片分割算法的关键是如何识别面片之间的差异性。

常见的算法包括基于点法向量的区域增长算法、基于平面拟合的RANSAC算法[16]以及基于最小能量函数的屋顶分割算法[2]等。

综上所述，现阶段存在很多激光点云后处理算法，各有优劣。

对于MVS点云，由于其往往存在不同程度的数据缺失，且含有大量噪声、离值点，因此从
MVS点云中快速而准确地分割建筑物屋顶是一大挑战。

针对该问题，本文提出了一种从大规模MVS点云中分割建筑物屋顶面片的新算法。

1研究方法
本文借用LiDAR点云处理的一些思想，结合MVS 点云数据的特点，提出了一种从MVS点云中全自动识别建筑物屋顶面片的算法框架，主要由建筑物单体化、屋顶面片识别和面片优化3个部分组成，每个部分又由2~3个子算法组成，如图1所示。

图1建筑物屋顶分割流程图
1.1建筑物单体化
借鉴计算机科学中“分而治之”的算法思想，首先需要执行建筑物单体化操作。

由于屋顶是以单体建筑物为单元存在的，因此准确识别建筑物至关重要。

算法借用LiDAR点云“自下而上”分离建筑物的思想，通过过滤植被、分离地面来实现建筑物单体化。

1.1.1地面过滤
从数据性质上来看，MVS点云类似于机载激光点
云，因此可利用机载激光点云中地面识别算法进行地面去除。

本文采用ZHANG W M[11]等提出的布料滤波算法。

该算法利用三维计算机图形学中的布料模拟技术，将计算机编程模拟的布料放置在倒置后的点云数据上，再通过布料与数据的接触来识别地面点。

1.1.2植被过滤
从数据内容上来看，数据源是彩色点云，具有正确的RGB信息。

受相关研究[14-15]的启发，植被通常是绿色或近绿色，那么可利用基于颜色不变量的植被滤波方法。

具体的，设点云中每个点的坐标为（x y z），利用绿色和蓝色通道定义的颜色不变量公式为：
Ψ
g
()
x y z=4
π
´tan-1
æ
è
çç
ö
ø
÷÷
I
g
()
x y z-I
b
(
x y z)
I
g
()
x y z+I
b
(x y z)
（1）
式中，I
g
(x y z)、I
b
(x y z)为该点的绿色和蓝色通道值。

设植被阈值为T
g
，当Ψ
g
<T
g
时，表示该点为植被点；否则，为非植被点。

值得注意的是，现实世界中存在一些带有特殊颜色的建筑，如屋顶为蓝色的厂房、墙上绿色攀援植物的居民楼、彩色外墙的幼儿园（图2）等，通常的植被去除算法都忽略了这些特殊情况。

为了防止植被点过滤时误删除这些建筑物点，本文采用一种基于法向量变化检测的方法来进行优化[17]。

图2幼儿园
首先，估计点的法向量。

利用式（2），构造一个圆心
为p，半径为r的邻域N
p
，其中P为原始点集，pÎP；d()
p q为两点之间的距离；r为以p为圆心的半径。

N
p
={}
q|qÎP d()
p q<r（2）然后，利用式（3），计算邻域内点的协方差矩阵
C
p
，并计算其特征值和特征向量。

对特征值排序，
λ
1
<λ
2
<λ
3
，则最小特征值λ
1
对应的特征向量被视为
点p的法向量。

其中，pˉ为邻域N
p
的中心。

C
p
=1
|N
p
|
å
qÎN
p
()
q-pˉ()
q-pˉT（3）
··34
第20卷第5期陈鑫祥等：基于多视图像点云的建筑物屋顶分割算法研究
最后，构造邻域N n
p
内点法向量的协方差矩阵。

与C
p 相同，对其特征值进行排序，λn
1
<λn
2
<λn
3
；则λn
2
可定量表示该点p在高斯球面上法线的最大变化。

C n
p =1
|N n
p
|
å
qÎN n
p
n
q
´n
q
T（4）
通过设定阈值T n则可很好地识别共面点。

通过上述步骤，理论上可保证准确地过滤植被点。

1.1.3建筑物的单体化
对于MVS点云，过滤掉地面、植被后，通常剩余地物为建筑物、车辆和电力设施（如电线、电杆）等。

由于建筑物包含完整的立面信息，因此单栋建筑物的点数明显大于其余地物。

利用基于点间距的欧式聚类算法，设置聚类的最小点数和点间距的最大值，可有效剔除非建筑物点，实现建筑物聚类。

为了进一步提高算法的精确度，本文结合高程信息对结果进行优化。

找到每个点集的高程最小值
Z
min
，并结合建筑屋顶常识，设置建筑物高程最小值
Z min +T
z
，如T
z
=2.0m。

1.2屋顶面片识别
经过建筑物单体化后，本文以单栋建筑物点集为处理单元进行屋顶面片提取。

相较于机载激光点云，
MVS点云中的建筑物信息更加丰富，不仅包括大量建筑物立面信息，还有可能包括部分室内信息。

1.2.1建筑物立面去除
根据先验知识，建筑物立面通常是垂直于水平面的。

因此，可通过计算特征f去除建筑物立面[18]。

由式（5）可知，若点位于立面，则f极有可能等于1。

f=1-|n
p ´e
z
|（5）
式中，n
p 为点p处的法向量；e
z
为单位列向量（0，0，1）。

由于MVS点云具有详细的建筑物立面信息（图3），通过特征值f只能剔除建筑物墙面点，对于非墙面点，如雨棚等构筑物则不能有效去除。

这些构筑物呈小块状零星分布，不同块之间有较大距离，因此可利用欧式聚类算法进行有效去除。

1.2.2面片识别
建筑物屋顶通常由各种平面或类平面组成，因此可利用区域增长算法分割屋顶面片。

经典区域增长算法的工作原理是基于点法线之间的角度比较，即通过设置曲率变化和法线角度变化的阈值，合并在平滑度上接近的点，从而分割面片。

1.3面片优化
MVS点云中存在部分点与现实世界不一致甚至部分点缺失的情况，如两个平面的相交区域为不规则曲面、屋顶面片中有较大孔洞等，如图4所示；同时，建筑物屋顶通常存在一些附属物，如水箱、通风设施、太阳能热水器等，去除立面后，仍会有点残留，这些情况
将造成分割出的屋顶面片边界不规则甚至不完整。

图4建筑物屋顶
1.3.1面片平整
针对这些问题，受李海亮[19]等研究的启发，结合屋顶环境的特点，本文提出了一种基于主成分分析的面片平整算法，既能修补孔洞，又能平整面片。

1）搜索与点数最多的面片P max的距离d在阈值内的面片，如0.5<d<2.0；这些被认为是非屋顶面片P'。

2）利用主成分分析算法将P'和P max转换到主平
面。

计算转换后P
max
的高程均值，并把它赋给所有点的z坐标。

3）在主平面上，搜索与直线x=X min+i´dˉ距离在dˉ/2范围内的点；再以dˉ为阈值，进行补点，其中dˉ为平
均点间距，i=1 2 3 ；直至X
min
+i´d>X
max
为止。

4）在y坐标上重复步骤3）。

5）将所有点从主平面还原到世界坐标系，得到屋顶面片P。

6）迭代执行步骤1）~5），直至遍历所有点。

通过该算法处理，理论上可获得平整的建筑物屋顶面片。

1.3.2格网化
通过实验发现，由于照相机摄影角度的原因，MVS
点云通常含有建筑物内部点。

为了避免将建筑物
图3建筑物
·
·35
地理空间信息第20卷第5期
内部点识别为屋顶，本文提出了一种基于二维格网的
滤波算法。

首先找到点集在X 、Y 轴上的最值（X min 、X max 、Y min 、Y max ）
；再根据式（6）计算每个点所属网格的行列索引号；最后统计每个网格内的点数，并按照高程值对点进行排序。

若网格内存在相邻点的高程之差大于阈值T z ，如T z =2.5，则舍弃高程较低的那部分点。

ì
íî
ïïïïcolumn i =x i -x min width +1row i =y i -y min width +1
（6）式中，row i 为点i 的行索引；column i 为点i 的列索
引；width 为网格的宽度；x i 为点i 的x 坐标；y i 为点i 的y 坐标。

通过该算法处理，不仅能清除建筑物的内部面片、提高屋顶面片的识别率，而且能删除屋顶面片之间的重叠部分，使面片规则，从而方便了以屋顶面片为输入数据的其他算法处理，如屋顶轮廓线提取、基于屋顶的三维建模等。

2实验与结果分析
2.1
数据预处理
为了验证本文算法的正确性，选取一组由倾斜影像生成的彩色点云进行实验。

原始数据采集于广州市某小区，共约包含38593万个点，大小约为17.6G ；按照1∶50抽稀，并去除噪声后，最终数据大小为359M ，点数约为772万个。

场景内包括一个幼儿园、11栋居民楼（含一栋连体建筑）、两栋结构复杂的商业建筑、大量绿化设施和车辆以及道路、路灯等交通
设施，如图5
所示。

图5原始数据
2.2实验环境
实验采用C ++编程语言，基于PCL 库，环境为
Windows 64位系统，处理器为Intel Xeon （至强）E3-1226v3@3.30GHz 四核，内存为16GB ，IDE 为Visual Studio 2013。

2.3
实验结果分析
整个框架运行时间为1542.1s ，其中植被过滤耗
时约为53s ，地面过滤和单体化耗时约为461.96s ，屋顶面片分割由于涉及到面片优化，耗时较长，约为1027.14s 。

实验结果如图6所示，可以看出，尽管测试数据中有彩色建筑，本文算法仍可准确识别出14栋
建筑物，有效完成屋顶分割任务。

为了进一步说明该算法的有效性，本文将原始数据与分割结果进行叠加比较，如图7所示，从视觉效果上来看，该算法能正
确分割出屋顶面片。

a 建筑物单体化结果
b 屋顶分割结果
图6
实验结果
图7重叠效果图
为了突出屋顶分割的准确性，屋顶包含大量附属物的建筑物分割结果如图8所示，可以看出，该算法不仅能准确分割屋顶面片，而且能保证其具有较规则
的几何形状。

图8附属物屋顶
本文采用参考文献[18]的方法来定量评价本文算法，结果如表1所示，可以看出，实验数据的分割准确度可达96.46%。

对比实验结果和原始数据发现，出现欠分割的原因是两个屋顶面片平行且紧
邻，导致面片合并，如m 和n 组；屋顶存在较大空洞导致出现过分割，如h 组，充分说明本文算法具有良好的鲁棒性。

3结语
本文提出了一种全自动从大规模多视图点云中分割建筑物屋顶面片的算法。

虽然MVS 点云中含有大量的离值点，但该算法仍能生成准确、平整的建筑物屋
··36
第20卷第5期陈鑫祥等：基于多视图像点云的建筑物屋顶分割算法研究
顶面片，并保证面片之间正确的拓扑关系。

本文具有两个创新点：①优化了基于颜色不变量理论的建筑物单体化技术，能在复杂的城市场景中实现高准确率的建筑物识别；②提出了一种基于主成分分析的面片孔洞修补算法，既能修补空洞，又能平整面片，对于由规则四边形组成的屋顶普遍适用。

本文解决了从MVS点云中分割建筑物屋顶面片较难的问题，在一定程度上降低了工业上分割建筑物屋顶面片的成本；且研究结果能作为建筑物屋顶轮廓线提取或三维建模的输入数据。

本文算法仍存在一些不足之处，如对于非矩形组成的屋顶面片适用性不强等，后续研究中将重点解决这些不足，同时研究如何生成规则屋顶轮廓线。

参考文献
[1]Awrangjeb ing Point Cloud Data to Identify，Trace，
and Regularize the Outlines of Buildings[J].International
Journal of Remote Sensing，2016，37(3):551-579
[2]Kim K，Shan J.Building Roof Modeling from Airborne La-
ser Scanning Data Based on Level Set Approach[J].IS-
PRS Journal of Photogrammetry and Remote Sensing，2011，66(4):484-497
[3]CHEN D，WANG R，Peethambaran J.Topologically Aware
Building Rooftop Reconstruction from Airborne Laser
Scanning Point Clouds[J].IEEE Transactions on Geosci-
ence and Remote Sensing，2017，55(12):7032-7052
[4]杜建丽，陈动，张振鑫，等.建筑点云几何模型重建方法研究
进展[J].遥感学报，2019，23(3):374-391
[5]陈宇.基于倾斜影像密集匹配点云的建筑物单体化提取技
术研究[D].郑州:信息工程大学，2017[6]ZHANG K，YAN J，CHEN S C.Automatic Construction of
Building Footprints from Airborne LiDAR Data[J].IEEE
Transactions on Geoscience and Remote Sensing，2006，44(9):2523-2533
[7]Filin S.Surface Classification from Airborne Laser Scan-
ning Data[J].Computers and Geosciences，2004，30(9/10):
1033-1041
[8]HUANG R，YANG B，LIANG F，et al.A Top-down Strate-
gy for Buildings Extraction from Complex Urban Scenes
Using Airborne LiDAR Point Clouds[J].Infrared Physics
and Technology，2018，92:203-218
[9]ZHANG K，CHEN S C，Whitman D，et al.A Progressive
Morphological Filter for Removing Nonground Measure-
ments from Airborne LiDAR Data[J].IEEE Transactions
on Geoscience and Remote Sensing，2003，41(4):872-882 [10]Sithole G，V osselman G.Experimental Comparison of Fil-
ter Algorithms for Bare-earth Extraction from Airborne La-
ser Scanning Point Clouds[J].ISPRS Journal of Photogram-
metry and Remote Sensing，2004，59(1/2):85-101
[11]ZHANG W M，QI J B，WAN P，et al.An Easy-to-use Air-
borne LiDAR Data Filtering Method Based on Cloth Simu-
lation[J].Remote Sensing，2016，8(6):501
[12]刘宇，李晓天，付伟锋，等.基于倾斜影像点云的建筑物提取
算法研究[J].河南科学，2018，36(9):1444-1449
[13]眭海刚，涂继辉，贾曲，等.一种无人机多重叠遥感影像的建
筑物轮廓线提取方法:CN104484668A[P].2015-04-01 [14]Nicholas S，Takis K.Automatic Vegetation Identification
and Building Detection from a Single Nadir Aerial Im-
age[J].Remote Sensing，2009(4):731-757
[15]Gevers T，Smeulders A W M.PicToSeek:Combining Color
and Shape Invariant Features for Image Retrieval[J].IEEE
Transactions on Image Processing，2000，9(1):102-119 [16]Schnabel R，Wahl R，Klein R.Efficient RANSAC for
Point-cloud Shape Detection[C]//Proceedings of the Com-
puter Graphics Forum，Wiley Online Library，2007
[17]SUN S，Salvaggio C.Aerial3D Building Detection and
Modeling from Airborne LiDAR Point Clouds[J].IEEE
Journal of Selected Topics in Applied Earth Observations
and Remote Sensing，2013，6(3):1440-1449
[18]CHEN D，ZHANG L，LI J，et al.Urban Building Roof Seg-
mentation from Airborne LiDAR Point Clouds[J].Interna-
tional Journal of Remote Sensing，2012，33(20):6497-6515 [19]李海亮，邓非，李刚.摄影测量激光点云空洞修补[J].测绘
科学，2010，35(5):101-102
第一作者简介：陈鑫祥（1983—），硕士，高级工程师，主要从事GIS设计与开发、地理信息公共平台建设等工作。

表1实验结果统计
BN a b c d e f g h i j k l m n SP
4
6
2
6
6
5
5
5
6
3
3
4
15
12
RP
4
6
2
6
6
6
6
4
6
3
3
4
17
17
完整度/%
100.00
100.00
100.00
100.00
100.00
83.33
83.33
125.00
100.00
100.00
100.00
100.00
88.24
70.59
注：BN为建筑物编号，SP为屋顶分割结果，RP为建筑物固有的屋顶面片数，完整度为屋顶面片分割的完整度，即分割得到的屋顶面片数目与固有的屋顶面片数目之比；平均完整度为96.46%。

··37。