بازسازي سه‌بعدي ساختمان‌هاي داراي سقف‌هاي مسطح با استفاده از داده‌هاي ليدار و تصاوير رقومي هوايي

3D reconstruction of buildings with flat roofs using LiDAR data and digital aerial images

در این مقاله روندی برای بازسازی ساختمان‌های مسطح از داده‌های لیدار و تصاویر رقومی هوایی ارائه شده است. زیرا از یك‌سو، این نوع ساختمان‌ها، بافت اصلی شهرهای بزرگ ایران را تشكیل می‌دهند. از سوی دیگر، تفكیك صفحات و بازسازی آن‌ها به دلیل یكسان بودن بردار نرمال برای تمام صفحات و عدم تقاطع صفحات به دلیل موازی بودن، موضوعی پرچالش است. در این راستا، ابتدا با تولید 16 توصیفگر اولیه بالقوه و استفاده از الگوریتم ژنتیك و الگوریتم خوشه‌بندی KNN، توصیف‌گرهای بهینه برای شناسایی ساختمان‌ها مشخص شده و ساختمان‌ها شناسایی گشتند. در مرحله بعد با ارائه روندی، مناطق به اشتباه شناسایی شده‌، حذف گشته و نتایج شناسایی بهبود داده شد. روند بازسازی به گونه‌ای طراحی شده است كه هر بلوك ساختمانی را به صورت مجزا بررسی كند تا از افزونگی داده جلوگیری شود و دقت نیز افزایش یابد. پس از انتخاب بلوك مورد نظر، با استفاده از پارامتر تغییرات شیب، یك كلاس اولیه از صفحات سقف ساختمان بدست آمد. با آنالیز ارتفاعی و بافتی، صفحات سقفی به طور كامل شناسایی شده و معادله آن‌ها محاسبه شد. در مرحله بعد، مرز هر یك از صفحات به صورت برداری استخراج گردید و با بررسی اطراف هر نقطه مرزی، نقطه زمینی متناظر آن نیز بدست آمد. در نهایت با استفاده از معادله صفحات و مرز آن‌ها و همچنین نقاط كف استخراج شده، مدل نهایی ساختمان بازسازی شد. روند پیشنهادی بر روی چند بلوك ساختمان با ساختار متفاوت پیاده‌سازی شد و دقت هر یك از صفحات بازسازی شده به دو صورت مسطحاتی و ارتفاعی مورد ارزیابی قرار گرفت. نتایج ارزیابی به طور متوسط %56/84 دقت كلی در شناسایی مسطحاتی صفحات سقفی، 212/0 متر خطای مسطحاتی در مختصات گوشه‌های صفحات و 145/0 متر خطا در راستای ارتفاعی را نشان داد كه تصریح كننده عملكرد مناسب روند پیشنهادی در بازسازی ساختمان‌های دارای سقف‌های مسطح است.

In this paper, an approach has been proposed in order to reconstruct the flat buildings using the LiDAR data and the digital aerial images because on one hand, these types of buildings constitute the main structure of IRAN mega cities. On the other hand, separating the roof planes and reconstructing them is a challenging matter due to the fact that the normal vectors of the building roof planes are completely the same and there is not any intersection among them. In this regard, firstly, 16 potentially primary features were produced and the optimum features were extracted using the genetic algorithm and the KNN algorithm to detect the buildings. Subsequently, an approach was presented to eliminate the misclassified regions and to improve the detection results. In the designed reconstruction approach, each building parcel was considered separately in order to reduce data redundancy and increase the result accuracy. After selecting the considered parcel, an initial class for building roof planes was achieved by employing the surface slope differential. Actually, a threshold was specified and the regions with the slope differential value less than it were removed. Therefore, an initial class of primary planes were recognized and labeled by connected component algorithm. The roof planes were improved and detected completely by textural and altitudinal analyzing. The acceptable range was determined by computing the median minus the variance of the elevation in the plane to the median plus the variance. The median was selected as a criterion, because it is not sensitive to the noise of data and it causes to choose a reliable value. To identify the adjacent planes, the recognized plane was scanned row by row and column by column. In each row/column, the pixels with values more than zeros were extracted and analyzed. If there exists a variation, the pixels numbers were extracted and considered as the adjacent. Afterwards, the boundary nodes of each plane were extracted using the chain code algorithm. The optimum nodes should be selected as boundary and the planes should be placed beside each other without any intersection and gap. Hence, by investigating the distance and angle, very close nodes were removed and replaced by their mean. Also, the nodes that cause creating the intersection or gap were recognized and rectified in order to eliminate this error. Then by searching around of the extracted nodes, the corresponding terrain node for each boundary node was obtained. The equation of each plane was computed by the coordinates of the inner nodes in that plane. Finally, the equation of planes, extracted boundaries, and nodes of the floor were utilized for reconstructing the final model. The proposed approach was implemented on some building blocks with different structures and the accuracy of the reconstructed plane was evaluated in both altimetric and planimetric criteria. The evaluated results were shown 84.56% accuracy on average for planimetric reconstruction, 0.212 meter root mean squared error for planimetric corner coordinate, and 0.145 meter root mean squared error for altimetric reconstruction. These results clarify the good performance of the proposed approach for reconstructing buildings with flat roofs.