【技术】无人机影像解译建筑物的聚合方法

摘要

随着城市化进程的加快，建筑物数据的高效采集与及时更新已成为测绘地理信息领域的关键任务。基于无人机影像的解译与制图逐渐成为重要的地图制图方式，借助人工智能影像解译技术，虽已实现较高的自动化水平，但针对不同尺度的表达需求，仍需依托地图综合方法开展后续处理。本文针对无人机影像识别生成的粗糙矢量数据，结合其与传统基于规范的数据源综合方法的差异，提出一种基于德洛奈（Delaunay）三角剖分的建筑物聚合算法。该算法融合多边形合并与边界简化技术，在无人机解译的粗糙数据源基础上进行规范化处理，可实现非正常分割建筑物的合并重构，并能对道路两侧的建筑物集群开展跨要素综合处理，满足多尺度建筑物数据的建库与更新需求。

引用

[1] 任毅,吕翔,余俊波. 无人机影像解译建筑物的聚合方法[J]. 北京测绘, 2025, 39 (08): 1104-1109.

DOI:10.19580/j.cnki.1007-3000.2025.08.003.

引言

基于无人机采集的影像进行建筑物更新，具有灵活、高效的特点。依托深度学习技术在模式识别和影像解译领域的应用，能够精准解译无人机影像中的地物边界和要素类型等空间语义信息。目前，常用的建筑物特征提取方法以基于纹理特征的提取方法和基于形状特征的识别方法为主 。然而，无人机影像解译系统直接生成的矢量数据，通常呈现为粗糙的多边形图斑，存在形状不准确、图斑之间相互遮挡等问题。为了适用于不同尺度的应用场景，必须对这些大比例尺数据进行跨尺度的聚合处理，生成符合规范的多尺度建筑物数据。对于建筑物集群的聚合结果，其轮廓通常是由多个聚合前建筑物要素的边界线相互连接形成的，导致边界数据过于复杂和详细。这种精细化的边界表达不符合小比例尺地图对简化数据的需求。因此，在小比例尺地图中，必须对聚合后的边界数据进行适当的简化处理。

本研究针对上述问题和已有研究，提出了一种基于无人机解译建筑物数据的合并方法。在充分考虑无人机影像识别的建筑物数据本身的特点以及数据质量问题的前提下，结合数据的几何和属性信息，优化和集成已有的建筑物群聚合和化简算法，考虑属性和拓扑一致性等因素，生成不同尺度下的规范化建筑物数据，为城市规划和数据更新提供更加精确的决策支持。

主要图表

图1非正常分割建筑物的合并重构

图2相邻建筑物的错误合并区域

图3建筑物群的Delaunay三角剖分

图4三角形规则制定

图7跨要素聚合的约束条件

图8聚合后多边形的化简处理

图9建筑物集群聚合后的化简处理

图10实验区域数据

图11无人机影像的错误解译现象

图12错误识别的建筑物处理结果

图13跨道路要素的建筑物群综合结果

结束语

本文针对无人机影像解译结果中建筑物数据的综合问题，通过分析无人机影像解译数据的特点，对建筑物要素聚合及简化处理的关键问题，提出了基于Delaunay三角网剖分的聚合优化策略。利用建筑物的属性特征，对非正常分割的建筑物进行合并和化简，避免了关键建筑与邻近建筑的错误聚合。同时，通过结合道路等其他要素信息，避免了建筑物集群跨要素的错误合并，确保了建筑物数据的空间合理性与拓扑一致性。

尽管这些方法有效提升了建筑物数据的准确性与管理效率，但仍存在一定的局限性。例如，聚合过程中如何更好地自动识别关键建筑物，以及如何在不同尺度下保证建筑物形态和属性的一致性，仍需要进一步研究。未来工作可以重点探索深度学习与传统地理信息处理技术的结合，开发更加智能化的建筑物聚合与简化算法。

来源：测绘学术资讯