技術(shù)特征：

1.一種融合多維特征的建筑物點(diǎn)云層次聚類分割方法，其特征在于：包括以下步驟：

(1)點(diǎn)云初始分割：利用DBSCAN密度劃分算法對(duì)建筑物點(diǎn)云數(shù)據(jù)中相互不連續(xù)的點(diǎn)云數(shù)據(jù)進(jìn)行初始分割，得到相互分離的點(diǎn)云數(shù)據(jù)塊；

(2)光譜特征分割：利用G-K聚類算法，結(jié)合點(diǎn)云數(shù)據(jù)的光譜特征對(duì)其進(jìn)行進(jìn)一步分割，將建筑物同周圍環(huán)境或建筑物不同結(jié)構(gòu)之間進(jìn)行細(xì)分，得到基于光譜特征多層細(xì)分的點(diǎn)云數(shù)據(jù)：

(3)幾何特征分割：根據(jù)點(diǎn)云數(shù)據(jù)計(jì)算其法向量特征和曲率特征，并利用G-K聚類算法，對(duì)經(jīng)光譜特征分割后的點(diǎn)云數(shù)據(jù)進(jìn)行更進(jìn)一步的幾何特征細(xì)分；

(4)數(shù)據(jù)檢查：對(duì)經(jīng)過細(xì)分后的點(diǎn)云數(shù)據(jù)進(jìn)行幾何檢查，判斷分割后的點(diǎn)云數(shù)據(jù)能否滿足利用簡(jiǎn)單的數(shù)學(xué)模型進(jìn)行建模的要求，若滿足要求，則保存分割后的點(diǎn)云數(shù)據(jù)；否則，重復(fù)第(2)和(3)步驟，對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行繼續(xù)分割。

2.根據(jù)權(quán)利要求1所述的融合多維特征的建筑物點(diǎn)云層次聚類分割方法，其特征在于：步驟(2)所述光譜特征包括利用掃描儀提取的顏色特征和反射強(qiáng)度特征。

3.根據(jù)權(quán)利要求2所述的融合多維特征的建筑物點(diǎn)云層次聚類分割方法，其特征在于：點(diǎn)云數(shù)據(jù)顏色特征的提取是利用掃描儀器自帶的彩色CCD相機(jī)拍攝被測(cè)物體的全景彩色照片，并獲取被測(cè)物體的顏色信息，結(jié)合貼圖技術(shù)，將所獲取的被測(cè)物體的顏色、紋理添加到所測(cè)點(diǎn)云數(shù)據(jù)中，得到所測(cè)量物體的三維真彩色信息。

4.根據(jù)權(quán)利要求3所述的融合多維特征的建筑物點(diǎn)云層次聚類分割方法，其特征在于：將掃描儀獲取的全景彩色照片的顏色模式由RGB模式轉(zhuǎn)換為HSV模式：

$S=\left\{\begin{array}{cc}0,& ifmax=0\\ \frac{max-min}{max}=1-\frac{min}{max},& otherwise\end{array}\right.$

V＝max

其中，(R,G,B)分別是一個(gè)顏色的紅、綠和藍(lán)坐標(biāo)，它們的值是在0到1之間的實(shí)數(shù)；max為R、G和B中的最大值，min為R、G和B值中的最小值；(H,S,V)分別代表顏色的色調(diào)、飽和度、明度。

5.根據(jù)權(quán)利要求1所述的融合多維特征的建筑物點(diǎn)云層次聚類分割方法，其特征在于：G-K聚類算法包括以下步驟：

設(shè)被聚類點(diǎn)云數(shù)據(jù)集合為X＝{x₁,x₂,…,x_n}，其中每一個(gè)數(shù)據(jù)x_k均有d個(gè)特征指標(biāo)，因而其特征指標(biāo)矩陣為：

將數(shù)據(jù)集X分成c類(2≤c≤n)，設(shè)c個(gè)聚類中心向量為：

設(shè)μ_jk∈[0,1]表示第k個(gè)數(shù)據(jù)對(duì)于第j類的隸屬度，且滿足則模糊劃分矩陣為：

G-K算法聚類準(zhǔn)則為使如下目標(biāo)函數(shù)取得最小值：

$J_f(U,M)=\underset{j=1}{\overset{c}{\Σ}}\underset{k=1}{\overset{n}{\Σ}}{\mathrm{\μ}}_{jk}^b\left|\right|x_k-m_j|{|}_A^2$

其中：m_j表示聚類中心，b>1為加權(quán)指數(shù)，b越大各聚類之間的重疊越多；相似度度量函數(shù)為

$D_{jk}^2=\left|\right|x_k-m_j|{|}_A^2={(x_k-m_j)}^T{A}_j(x_k-m_j)$

表示第k個(gè)數(shù)據(jù)與第j類的聚類中心的距離，它決定了聚類的形狀；其中A_j為一個(gè)正定矩陣，由近似反映各聚類實(shí)際形狀的聚類協(xié)方差矩陣F_j決定，當(dāng)A_j為單位矩陣時(shí)，度量函數(shù)采用歐氏距離；其中

$F_j=\frac{\underset{k=1}{\overset{n}{\Σ}}{\mathrm{\μ}}_{jk}^b(x_k-m_j){(x_k-m_j)}^T}{\underset{k=1}{\overset{n}{\Σ}}{\mathrm{\μ}}_{jk}^b}$

$A_j=\det {\left({\mathrm{\ρ}}_j{F}_j\right)}^{\frac{1}{n}}{F}_j^{-1},{\mathrm{\ρ}}_j\>0$

ρ_j對(duì)于每個(gè)聚類來說是個(gè)常數(shù)，在缺乏先驗(yàn)知識(shí)的情況下，取ρ_j＝1使得每個(gè)聚類的容量大致相同；

目標(biāo)函數(shù)J_f(U,M)最小化可以表示成約束化問題：

$\min \underset{j=1}{\overset{c}{\Σ}}\underset{k=1}{\overset{n}{\Σ}}{u}_{jk}^b\left|\right|x_k-m_j|{|}^2$

$\begin{array}{cc}s.t.& \underset{j=1}{\overset{c}{\Σ}}{u}_{jk}=1,k=1,2,...,n\end{array}$

用lagrange乘數(shù)法求解得：

$u_{jk}=\frac{1}{\underset{l=1}{\overset{c}{\Σ}}{(D_{jk}/D_{lk})}^{2/(b-1)}}$

且當(dāng)時(shí)，u_jk＝1,u_lk＝0(l≠j)

$m_j=\frac{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{u}_{jk}^b{x}_k}{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{u}_{jk}^b},j=1,2,\mathrm{...},c$

由以上迭代計(jì)算，確定出點(diǎn)云數(shù)據(jù)所對(duì)應(yīng)的聚類號(hào)以及每一類點(diǎn)云數(shù)據(jù)的聚類中心。

6.根據(jù)權(quán)利要求1所述的融合多維特征的建筑物點(diǎn)云層次聚類分割方法，其特征在于：步驟(3)利用點(diǎn)云數(shù)據(jù)的微切平面進(jìn)行法向量的計(jì)算，首先由局部點(diǎn)云數(shù)據(jù)擬合一張微切平面，任意點(diǎn)p_i的法向量由該平面的法向量估算來確定：

①平面擬合：根據(jù)使點(diǎn)云數(shù)據(jù)p_i(i＝0,1,…,n)中的所有點(diǎn)到該平面距離的平方和最小，確定平面P(u_i,v_i)：

$\underset{i=0}{\overset{n}{\mathrm{\Σ}}}\left|\right|P\left(u_i,v_i\right)-p_i|{|}^2\→\min$

其中，n表示點(diǎn)云數(shù)據(jù)中點(diǎn)的個(gè)數(shù)；

該平面表達(dá)式的一般形式為:

ax+by+cz+d＝0

最小二乘平面擬合的目標(biāo)函數(shù)為：

Ax＝0

其中：

$A=\left[\begin{array}{cccc}{x}_1& y_1& z_1& 1\\ x_2& y_2& z_2& 1\\ \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}.\\ .\\ .\end{array}\\ x_n& y_n& z_n& 1\end{array}\right],x={(a,b,c,d)}^T$

利用雅可比法計(jì)算矩陣A^TA的特征值λ_i和對(duì)應(yīng)的特征向量x_i(i＝1,...,4)，則絕對(duì)值最小的特征值λ_i所對(duì)應(yīng)的特征向量x_i即是待求平面參數(shù)a,b,c,d的最小二乘解；

②平面法向量確定：根據(jù)平面方程的一般表達(dá)式，平面法向量可表示為為避免平面參數(shù)a,b,c,d非獨(dú)立的問題，對(duì)所求的平面法向量進(jìn)行單位化處理，如下式所示：

$\left\{\begin{array}{c}{a}^{\′}=\frac{a}{\sqrt{a^2+b^2+c^2}}\\ b^{\′}=\frac{b}{\sqrt{a^2+b^2+c^2}}\\ c^{\′}=\frac{c}{\sqrt{a^2+b^2+c^2}}\\ d^{\′}=\frac{d}{\sqrt{a^2+b^2+c^2}}\end{array}\right.$

點(diǎn)云數(shù)據(jù)中的任意點(diǎn)在局部曲面處的單位法矢為：即實(shí)現(xiàn)了點(diǎn)云數(shù)據(jù)法向量的估算。

7.根據(jù)權(quán)利要求1所述的融合多維特征的建筑物點(diǎn)云層次聚類分割方法，其特征在于：步驟(3)點(diǎn)云數(shù)據(jù)的曲率特征根據(jù)點(diǎn)云中各點(diǎn)的平均曲率和高斯曲率計(jì)算需要對(duì)該點(diǎn)鄰域進(jìn)行二次曲面的擬合，確定出曲面S的主曲率及其主方向后，就可以計(jì)算該數(shù)據(jù)點(diǎn)的曲率特性；

a、二次曲面擬合：將點(diǎn)云數(shù)據(jù)p_i(i＝1,2…k)在局部鄰域內(nèi)進(jìn)行二次曲面擬合，擬合方程的一般形式為：

S(u,v)＝au²+buv+cv²+du+ev

擬合的目標(biāo)函數(shù)為：

$min\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{\[p_i-({\mathrm{au}}_i^2+{\mathrm{bu}}_i{v}_i+{\mathrm{cv}}_i^2+{\mathrm{du}}_i+{\mathrm{ev}}_i)\]}^2$

式中，u和v為曲面參數(shù)，應(yīng)用奇異值分解法可獲得擬合曲面的最小二乘解；

b、曲率估算：根據(jù)計(jì)算的二次曲面S的參數(shù)方程，以曲面點(diǎn)的主曲率及主方向作為點(diǎn)p_i的主曲率及主方向，其參數(shù)計(jì)算如下：

S_u|_(0,0)＝(1,0,2au+bv+d)|_(0,0)＝(1,0,d)且S_uu|＝(0,0,2a)

S_v|_(0,0)＝(0,1,bu+2cv+e)|_(0,0)＝(0,1,e)且S_vv|_(0,0)＝(0,0,2c)

S_uv|_(0,0)＝(0,0,b)

$n{|}_{(0,0)}=\frac{S_u\×S_v}{|S_u\×S_v|}{|}_{(0,0)}=(\frac{-d}{\sqrt{d^2+e^2+1}},\frac{-e}{\sqrt{d^2+e^2+1}},\frac{1}{\sqrt{d^2+e^2+1}})$

其中，S_u為曲面S對(duì)參數(shù)u的一階導(dǎo)數(shù)，S_uu為二階導(dǎo)數(shù)；S_v為曲面S對(duì)參數(shù)v的一階導(dǎo)數(shù)，S_vv為二階導(dǎo)數(shù)；S_uv為曲面S對(duì)參數(shù)u，v的二階導(dǎo)數(shù)；n為曲面的單位法矢；

根據(jù)以上參數(shù)，可以計(jì)算得：

E＝S_u·S_u＝1+d²且F＝S_u·S_v＝de

G＝S_v·S_v＝1+e²且

且

其中，E、F、G為曲面的第一基本量，L、M、N為曲面的第二基本量；

則P點(diǎn)處的高斯曲率和平均曲率值為：

$K=\frac{LN-M^2}{EG-F^2}$

$H=\frac{EN-2FM+GL}{2(EG-F^2)}$

最小主曲率θ_min和最大主曲率θ_max計(jì)算公式分別為：

${\mathrm{\θ}}_{min}=H-\sqrt{H^2-K}$

${\mathrm{\θ}}_{max}=H+\sqrt{H^2-K}.$