陳 彪，彭欣月，周素紅，陳家亮，孔憲娟，卞明月，林高遠(yuǎn)

（1.奧格科技股份有限公司，廣州510000；2.中山大學(xué) 地理科學(xué)與規(guī)劃學(xué)院，廣州510275）

中國農(nóng)村地域遼闊，建筑物作為典型的地物要素，是農(nóng)村生活空間的主體，同時(shí)也是鄉(xiāng)村振興用地的重要保障之一（徐濤 等，2022）。此外，農(nóng)村建筑物的三維場景一張圖是鄉(xiāng)村信息化建設(shè)的重要數(shù)據(jù)之一，通過對(duì)農(nóng)村建筑物識(shí)別可有效分析當(dāng)前農(nóng)村的密集程度和土地利用率（古杰 等，2013；王利忠 等，2019），同時(shí)對(duì)優(yōu)化鄉(xiāng)村發(fā)展布局、促進(jìn)鄉(xiāng)村振興實(shí)施具有重要的現(xiàn)實(shí)意義。但現(xiàn)階段農(nóng)村房屋數(shù)據(jù)較為稀缺，如何快速、準(zhǔn)確地構(gòu)建農(nóng)村三維建筑模型是鄉(xiāng)村信息化建設(shè)的首要內(nèi)容。

早期三維建筑建模依靠人機(jī)交互，在二維矢量數(shù)據(jù)的基礎(chǔ)上，利用3dsMAX、CAD等軟件手動(dòng)構(gòu)建建筑物三維模型（謝小魁 等，2016；單杰 等，2019）。該方式模型精度高，但存在建模成本高、耗時(shí)長、覆蓋范圍小、真實(shí)紋理采集困難等問題，無法滿足大范圍快速建模的需要（張春敏 等，2018；張俊輝 等，2020）。隨著傾斜攝影技術(shù)的廣泛應(yīng)用，自動(dòng)化三維建筑建模取得很大進(jìn)展。也有研究結(jié)合航空立體像對(duì)與3dsMAX軟件完成了三維建模以及紋理映射（程慧，2013；李德仁 等，2015；文雄飛 等，2016；張春敏 等，2018）。陳良超等（2018）提出一種基于底面紋理的傾斜攝影模型動(dòng)態(tài)單體化方法。周曉敏等（2016）采用傾斜影像聯(lián)合空中三角測量技術(shù)，通過多視影像密集匹配和自動(dòng)紋理關(guān)聯(lián)，實(shí)現(xiàn)城市高精度真三維模型的構(gòu)建。傾斜攝影技術(shù)為三維模型領(lǐng)域帶來新的方法，但該類方法計(jì)算過程復(fù)雜且對(duì)數(shù)據(jù)質(zhì)量具有較高的要求，所構(gòu)建的三維模型在近地面時(shí)常存在紋理模糊、丟失、扭曲形變等問題，無法還原精細(xì)、完整的真實(shí)建筑物的空間信息（王琦 等，2012；張茂正 等，2022）。此外，建筑單體化還需進(jìn)行二次操作（包括建筑結(jié)構(gòu)重建與紋理貼圖），耗時(shí)更長。

近年來，高分辨率衛(wèi)星的飛速發(fā)展，為地物識(shí)別分析提供更豐富的途徑和資源（王艷陽 等，2020）。高分辨率衛(wèi)星數(shù)據(jù)集空間分辨率高，地物邊界、形狀和紋理也更加清晰，足以支撐對(duì)目標(biāo)地物的識(shí)別，且覆蓋范圍大、采集周期較短、成本相對(duì)較低、受氣象條件影響較小，使得利用高分辨率衛(wèi)星影像快速制作大范圍三維建筑物模型成為現(xiàn)實(shí)（陳良超 等，2018）。如曹治國等（2006）利用IKONOS衛(wèi)星立體像對(duì)實(shí)現(xiàn)城市場景的快速三維重建。龍北平等（2021）基于無人機(jī)遙感影像利用遷移學(xué)習(xí)法實(shí)現(xiàn)鄉(xiāng)村建筑物的快速檢測，并結(jié)合參數(shù)化建模方法完成鄉(xiāng)村區(qū)域建筑物的三維模型重建。為了更好地滿足精細(xì)化實(shí)景三維建模的需求，基于多源數(shù)據(jù)融合的三維建模成為主流研究方向。目前，常見的融合建模方法主要結(jié)合航空攝影技術(shù)與LiDAR或地面近景攝影技術(shù)（連蓉 等，2017）。如張俊輝等（2020）利用WorldView-3 衛(wèi)星、Geo-Eye-1 衛(wèi)星影像和互聯(lián)網(wǎng)眾源影像完成迪拜市建筑物單體化建模。孫保燕等（2019）融合航攝影像與地面照片重建桂林市靖江王陵的三維模型。Yu 等（2021）利用深度學(xué)習(xí)從航空影像中提取建筑輪廓并構(gòu)建一級(jí)細(xì)節(jié)（LOD1）模型。上述研究中，最優(yōu)紋理的挑選與映射仍是三維重建需攻克的關(guān)鍵技術(shù)。大多數(shù)研究方法均圍繞城市三維建模展開，鮮少有針對(duì)農(nóng)村地區(qū)三維建筑建模的一套完整方案。若直接將城市三維建模方法應(yīng)用在農(nóng)村地區(qū)，會(huì)存在投資成本高、維護(hù)周期長等問題。

鑒于此，本文提出一種基于多源數(shù)據(jù)融合的農(nóng)村建筑智能識(shí)別與三維建模方法，基于高分遙感影像識(shí)別建筑的輪廓，形成基礎(chǔ)白模，然后依靠現(xiàn)場采集人員利用手機(jī)設(shè)備完善模型細(xì)節(jié)，最后提供多端設(shè)備及三維技術(shù)展示建模成果。并以廣東省云浮市新興縣河村單體建筑為建模對(duì)象，采集建立了村莊的精細(xì)化三維建筑模型，以期實(shí)現(xiàn)鄉(xiāng)村精細(xì)化的管理。

1 研究方法

在農(nóng)村地區(qū)，眾包建模在資金投入方面顯然比傾斜攝影等建模方法更具成本優(yōu)勢，但眾包建模往往需要在操作流程上簡單易用，以便公眾參與。本文提出的基于多源數(shù)據(jù)融合的農(nóng)村建筑智能識(shí)別與三維建模方法，分為粗模生成和深化建模2個(gè)階段。在粗模生成階段，基于高分辨率遙感影像利用深度學(xué)習(xí)算法初步勾勒建筑基本形態(tài)，包括位置、尺寸及方位；為解決由模型精度不高引起的建筑輪廓畸形等問題，提出建筑輪廓正則化算法和自適應(yīng)的建筑校正算法；融合農(nóng)村的建筑高度信息則可拉伸成基礎(chǔ)三維白模。在深化建模階段，現(xiàn)場采集人員在基礎(chǔ)白模的基礎(chǔ)上，通過模型替換、尺寸調(diào)整、紋理貼圖等方式，逐步深化為精細(xì)化的三維建筑模型。最后，通過自動(dòng)化的三維模型融合技術(shù)形成完整的農(nóng)村電子沙盤，支撐智慧農(nóng)村建設(shè)的各項(xiàng)應(yīng)用。總體技術(shù)流程如圖1所示。

圖1 農(nóng)村建筑建?？傮w技術(shù)流程Fig.1 Overall technical flow of rural building modeling

1.1 基于Mask R_CNN的建筑識(shí)別

基于深度學(xué)習(xí)的建筑目標(biāo)提取已被證明比傳統(tǒng)的方法更有效（Bittner et al., 2018；胡舒 等，2020），其中，Mask R_CNN 算法（He et al., 2017；陸清嶼 等，2021）在建筑物識(shí)別方面表現(xiàn)出魯棒性，因此，利用Mask R_CNN算法實(shí)現(xiàn)建筑物的自動(dòng)識(shí)別，其技術(shù)路線如圖2所示，主要分為模型訓(xùn)練和模型測試2個(gè)階段。首先，從影像數(shù)據(jù)截取建筑物遙感影像建立樣本訓(xùn)練集，利用LabelMe標(biāo)注工具標(biāo)記出遙感影像中建筑物的輪廓；然后，將訓(xùn)練集輸入到Mask R_CNN網(wǎng)絡(luò)架構(gòu)中，經(jīng)過多次迭代得到最優(yōu)的建筑目標(biāo)識(shí)別模型。Mask R_CNN能同時(shí)分割出建筑與背景部分，對(duì)于每一個(gè)建筑都能產(chǎn)生與原圖相同大小的分割掩膜。

圖2 建筑物目標(biāo)識(shí)別技術(shù)路線Fig.2 The technology route of building object recognition

基于Mask R_CNN算法的建筑物目標(biāo)識(shí)別方法步驟為：首先，將裁剪好的遙感影像輸入到預(yù)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)（卷積層1）中進(jìn)行卷積、池化，得到對(duì)應(yīng)的特征圖（圖3）；接著，對(duì)特征圖的每個(gè)像素設(shè)定固定的感興趣區(qū)域（ROI）數(shù)量，從而獲得多個(gè)候選ROI；然后，將候選ROI輸入至區(qū)域建議網(wǎng)絡(luò)（RPN）進(jìn)行前景（建筑物）和背景分割以及邊界框優(yōu)化，精煉出前景得分最高的ROI；下一步，將精煉后的ROI 進(jìn)行ROI Align 操作，使得特征圖像素能與原圖像素完全對(duì)齊；最后對(duì)ROI通過卷積層2進(jìn)行建筑分類、邊框回歸和建筑掩膜生成。

圖3 Mask R_CNN算法的核心網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 The core network structure of the Mask R_CNN algorithm

1.2 建筑輪廓提取

建筑物目標(biāo)識(shí)別模型輸出的結(jié)果為掩膜圖像，而粗模生成需得到建筑的底部輪廓，因此需要從掩膜圖像中提取建筑外輪廓，并對(duì)建筑輪廓正則化。本文結(jié)合Ostu算法（Ostu, 2007；宋森森 等，2019）對(duì)掩膜圖像進(jìn)行閾值分割并提取建筑外輪廓。Ostu算法原理是根據(jù)直方圖確定閾值將灰度圖像分割成目標(biāo)和背景2部分，使得目標(biāo)與背景的類間距離最大。結(jié)合k-means 聚類算法，建筑輪廓提取與正則化步驟為：

1）輸入掩膜圖像，利用Ostu 算法進(jìn)行分割，取9×9 的內(nèi)核執(zhí)行2 次開運(yùn)算，平滑圖像邊緣、消除細(xì)狹縫、截?cái)嗉?xì)連通；

2）提取分割后的幾何輪廓，得到多個(gè)輪廓多邊形Pi(i= 1，2，...，n)；

3） 計(jì)算圖像中每個(gè)多邊形的面積APi(i=1，2，...，n)，如果APi值在十分位數(shù)以下則直接刪除；利用k-means聚類算法對(duì)APi進(jìn)行分類，將聚類集合中數(shù)量少且面積過小的多邊形刪除；

5）利用Douglas-Peucker 算法對(duì)Pi進(jìn)行優(yōu)化，減少建筑輪廓中重復(fù)或過于密集的點(diǎn)，并以最終的優(yōu)化結(jié)果為建筑輪廓。

1.3 自適應(yīng)的建筑校正算法

通常，由于影像分辨率、樹木遮擋、算法識(shí)別精度等影響因素，識(shí)別的建筑輪廓并不能完美匹配真實(shí)情況，會(huì)出現(xiàn)多個(gè)建筑識(shí)別為一個(gè)建筑、建筑方位抖動(dòng)、建筑邊角缺失等問題?？紤]到農(nóng)村建筑一般具有尺寸和方位的一致性，提出自適應(yīng)的模型校正方法，對(duì)建筑大小和方位施加約束。

1.3.1 建筑分割 遙感影像中的農(nóng)村地區(qū)成片建筑在尺寸和風(fēng)格上基本一致且布局緊密，如圖4-a 所示。但受樹木、地面等干擾物的影響，或因相鄰建筑分布緊密、建筑物目標(biāo)識(shí)別模型精度不足等，掩膜圖像會(huì)存在較小或很大的建筑輪廓。通過計(jì)算掩膜面積發(fā)現(xiàn)：一定區(qū)域范圍的建筑面積呈近似正態(tài)分布。因此，可利用正態(tài)分布閾值控制方法對(duì)識(shí)別后的建筑大小進(jìn)行校正。

圖4 建筑掩膜面積正態(tài)分布驗(yàn)證 [a.原始遙感建筑影像；b.建筑掩膜圖像；c.掩膜像素面積計(jì)算；d.原始影像與掩膜像素面積疊加圖；e.掩膜面積直方圖及正態(tài)曲線；f.根據(jù)正態(tài)分布閾值控制刪除的建筑（紅色線框）]Fig.4 Verification of normal distribution of building mask area[a.Original remote sensing building image; b.building mask image;c.calculation of mask pixel area; d.overlay of original image and mask pixel area; e.mask area histogram and normal curve;f.controlled deletion of buildings according to normal distribution threshold (red frame)]

假設(shè)目標(biāo)區(qū)域內(nèi)有n個(gè)建筑，且所有的建筑像素面積AM={A1，A2，...，Am，...，An}可用正態(tài)分布表示：

式中：Aμ為區(qū)域內(nèi)建筑像素面積的均值；Aσ為區(qū)域內(nèi)建筑像素面積的標(biāo)準(zhǔn)差。

如果第m個(gè)建筑像素面積Am(m=1，2，...，n) 在 區(qū) 間(Aμ-Aσ*λ1，Aμ+Aσ*λ2)內(nèi)，則不做處理；其中，λ1、λ2為正態(tài)分布閾值控制參數(shù)。如果Am＜Aμ-Aσ*λ1，則將該建筑剔除；如果Am＞Aμ+Aσ*λ2，則將該建筑分割為面積較小的2個(gè)建筑。

1.3.2 建筑旋轉(zhuǎn) 由于建筑一般為成片修建，所以相鄰的建筑朝向應(yīng)該是一致的。建筑分割后，對(duì)其進(jìn)行方位矯正，具體步驟如下為：

1）遍歷目標(biāo)區(qū)域內(nèi)所有建筑，計(jì)算第j（j=1，2，...，n）個(gè)建筑的底面面積Aj；

4）比較dkj與R的大小，如果dkj≤R，則將此相鄰建筑記入集合S，集合S包括第j個(gè)建筑；

5）設(shè)建筑輪廓的長底邊為標(biāo)準(zhǔn)，計(jì)算集合S中所有建筑房屋朝向，并將結(jié)果記入集合ε={εj，εk，...，εn}。

6）對(duì)集合ε中的元素按一定的角度閾值進(jìn)行聚類，若相近角度的建筑數(shù)量超過一定閾值，則認(rèn)為該片區(qū)建筑呈現(xiàn)相同的建筑朝向，并對(duì)這些建筑進(jìn)行旋轉(zhuǎn)，使該緩沖區(qū)內(nèi)的建筑旋轉(zhuǎn)角度一致。

1.4 CSG表示法

構(gòu)造實(shí)體幾何（CSG）的基本思想是通過對(duì)基本CSG 體素如球、圓柱體、立方體等進(jìn)行幾何變換、局部修改和布爾運(yùn)算構(gòu)造空間實(shí)體（隋剛 等，2003）。該方法建模速度快，對(duì)農(nóng)村地區(qū)簡單型建筑模型的適配性較強(qiáng)，可用于本文建筑模型庫的構(gòu)建。

建筑物CSG 建模流程包括2 個(gè)部分：1）分析三維建筑模型的基本CSG體素；2）對(duì)基本CSG體素進(jìn)行空間幾何變換和布爾運(yùn)算構(gòu)建三維建筑模型。如圖5所示，構(gòu)建過程為：首先，根據(jù)測量的長寬高確定房屋最大外輪廓（M1）、陽臺(tái)輪廓（M2）以及第一層平臺(tái)輪廓（M3）；然后，利用差運(yùn)算（?）：M1?M2?M3，最后得到二層全敞開式陽臺(tái)型房屋模型。

圖5 二層全敞開式陽臺(tái)型建筑構(gòu)造過程Fig.5 Construction process of two-floor fully open balcony type building

同理，利用CSG 對(duì)不同的屋頂樣式進(jìn)行構(gòu)造，如帶女兒墻的平屋頂、人字形屋頂，步驟見表1。

表1 基本屋頂模型生成算法Table 1 Basic Roof Model Generation Algorithm

1.5 數(shù)據(jù)組織

分別建立建筑數(shù)據(jù)庫，包括場景表（scene表）、建筑單體信息表（building 表）、建筑模型模板表（template表）和建筑紋理表（texture表），如圖6所示。scene表是以村或其他區(qū)域?yàn)閱卧?，方便?shù)據(jù)對(duì)接和業(yè)務(wù)管理。building 表和texture 表分別存儲(chǔ)遙感影像識(shí)別建立的建筑數(shù)據(jù)及紋理數(shù)據(jù)。template表存儲(chǔ)CSG 三維建模模版，通過傳遞對(duì)應(yīng)參數(shù)可生成三維模型。需要注意的是，CSG引擎生成的模型并不一定能直接用于紋理貼圖，會(huì)出現(xiàn)錯(cuò)亂等問題，可通過頂點(diǎn)關(guān)系和參數(shù)重新計(jì)算UV 及補(bǔ)充頂點(diǎn)。

圖6 建筑數(shù)據(jù)組織Fig.6 Building data organization

2 實(shí)驗(yàn)與分析

本文以廣東省云浮市新興縣河村為研究區(qū)域，該地區(qū)建筑既保留原始農(nóng)村風(fēng)貌，又有不少新式建筑，單體面積小，樓高一般不超過3層。基于必應(yīng)影像數(shù)據(jù)識(shí)別建筑物，并以手機(jī)攝影圖像作為建筑立面紋理，采用眾包的方式實(shí)現(xiàn)河村地區(qū)的三維建筑重建。

2.1 粗模生成

2.1.1 基于遙感影像識(shí)別建筑物 采用Mask R_CNN 建筑目標(biāo)識(shí)別模型，在必應(yīng)影像地圖上截取大量建筑數(shù)據(jù)集，圖片數(shù)據(jù)包括中國各大城鄉(xiāng)建筑樣式，具有形狀、樣式、光譜特征等內(nèi)容多樣化的特點(diǎn)，能滿足模型訓(xùn)練的需要。為了更好地評(píng)估模型，將數(shù)據(jù)集按照8∶2劃分訓(xùn)練集和驗(yàn)證集。訓(xùn)練集用于模型算法訓(xùn)練，共800 張。測試集共200張用于測試模型的性能。數(shù)據(jù)集的樣例見圖7。

圖7 建筑樣本示例Fig.7 Building sample example

精度分析方面，采用精度（Accuracy Precision, AP）指標(biāo)及交并比（Intersection over Union，IoU）進(jìn)行評(píng)估，結(jié)果表明：要求交并比為AP50時(shí)，模型精度為0.578；AP60時(shí)，模型精度為0.443；AP70時(shí)，模 型 精 度 為0.298；其 中，AP50、AP60、AP70分別表示交并比（Intersection over Union,IoU①*IoU = Area of Overlap Area of Union，表示檢測結(jié)果掩膜與直值掩膜之間的重疊程度，其中Area of Overlap為檢測掩膜與直值掩膜的交集，Area of Union為檢測掩膜與真值掩膜的并集，通常情況下，當(dāng)IoU ≥50%時(shí)即認(rèn)為檢測成功。）在50%、60%和70%時(shí)的識(shí)別精度。

為了展示模型的分割效果，從測試集中隨機(jī)挑選4個(gè)樣本圖像，包括均勻分布型建筑、疏松型建筑和密集型建筑，從不同角度且密集度較高的建筑物圖片展示實(shí)驗(yàn)結(jié)果，如圖8所示。

從圖8 可知，模型識(shí)別精度與建筑物的形態(tài)、布局、清晰度高度相關(guān)，當(dāng)建筑物形態(tài)規(guī)則且分布整齊時(shí)，模型識(shí)別精度高，檢測效果良好，如圖8-c2和d2所示，而當(dāng)建筑物呈密集式分布，輪廓清晰度低，人眼也難以分辨時(shí)，模型識(shí)別精度較低，檢測難度也更大，如圖8-a2 和b2 所示。在圖8-b 中，圖像背景噪音也是影響識(shí)別精度的因素之一。

圖8 不同密集程度建筑物識(shí)別與輪廓提取結(jié)果Fig.8 The results of building recognition and contour extraction with different degrees of density

2.1.2 生成基礎(chǔ)白模 建筑輪廓提取后，根據(jù)先驗(yàn)知識(shí)自定義建筑初始高度拉伸成基礎(chǔ)三維白模，如河村地區(qū)的建筑多為2～3層，高度約為7～10 m，可將白模統(tǒng)一高度初始設(shè)置為10 m，為鄉(xiāng)村管理和鄉(xiāng)村規(guī)劃提供基礎(chǔ)數(shù)據(jù)。若存在無法識(shí)別或需補(bǔ)充的建筑，可通過手工操作補(bǔ)充添加。

2.2 深化建模

2.2.1 建立農(nóng)村建筑模型庫 上述基礎(chǔ)白模可用于初步認(rèn)識(shí)該地區(qū)的建筑分布及簡單的農(nóng)村信息化管理。但模型精細(xì)度不足以反映河村的真實(shí)場景，因此可在基礎(chǔ)白模上繼續(xù)深化建模。調(diào)研人員預(yù)先對(duì)河村地區(qū)建筑進(jìn)行摸底調(diào)查，對(duì)該地區(qū)的建筑類型進(jìn)行分析整理，利用CSG 方法構(gòu)建河村建筑模型庫，最大程度地還原當(dāng)?shù)亟ㄖL(fēng)格，部分模型如圖9 所示，包括老式建筑、新式建筑、附屬類建筑和公共設(shè)施等多套模型。

圖9 河村建筑模型庫Fig.9 Building model library of He Village

此外，考慮到農(nóng)村地區(qū)建筑類型多樣性以及屋頂樣式復(fù)雜化，分別從建筑類型、樓層、屋頂和騎樓風(fēng)格4個(gè)維度對(duì)建筑模型進(jìn)行分類，各維度的下級(jí)內(nèi)容如表2 所示，能夠覆蓋實(shí)驗(yàn)區(qū)域河村的90%建筑風(fēng)格類型。用戶可通過層數(shù)、屋頂樣式等快速過濾篩選，定位到目標(biāo)建筑模型，如圖10所示。為了滿足后續(xù)的紋理貼圖、模型尺寸調(diào)整等建模步驟，建立CSG模型時(shí)采用按層、按模塊（如屋頂模塊、陽臺(tái)模塊等）的組合方式，并具備單面選擇和參數(shù)化修改的能力。

表2 建筑庫模型分類Table 2 Classification of building library models

圖10 建筑庫模型快速檢索Fig.10 Fast retrieval of building library models

2.2.2 建筑尺寸調(diào)整 外業(yè)采集人員根據(jù)現(xiàn)場情況將基礎(chǔ)白模替換為基于CSG的精細(xì)化模型，此時(shí)的模型尺寸為模板尺寸，故需根據(jù)測量結(jié)果重新生成。外業(yè)人員借助外部測量工具，如步數(shù)測量、卷尺，可得到農(nóng)村建筑層長寬高尺寸，接著可在手機(jī)端上應(yīng)用測量結(jié)果實(shí)現(xiàn)建筑模型尺寸調(diào)整，具體操作如圖11所示。圖11-a為原模型展示，圖11-b效果圖為模板模型的尺寸示意圖，指明CSG構(gòu)造時(shí)可調(diào)整的參數(shù)。采集人員根據(jù)現(xiàn)場測量結(jié)果輸入對(duì)應(yīng)的參數(shù)，如建筑每一層的長寬高及陽臺(tái)的長寬高，最后利用CSG的參數(shù)化構(gòu)造技術(shù)實(shí)時(shí)生成調(diào)整尺寸后的模型，在圖11-a1展示。

圖11 三層筒子樓模型尺寸調(diào)整示例Fig.11 An example of model size adjustment of a three-floor bungalow

2.2.3 建筑紋理貼圖 為了進(jìn)一步還原真實(shí)場景，需對(duì)建筑模型賦予紋理信息。為提升作業(yè)效率，預(yù)設(shè)樣本紋理庫，包括標(biāo)準(zhǔn)紋理庫和樣本紋理庫。標(biāo)準(zhǔn)紋理庫是指地面、墻、欄桿、廊檐等無明顯差異特征的紋理庫，用于重復(fù)鋪滿某個(gè)建筑表面；樣本紋理庫是指具備一定普適性的、多要素疊合的建筑立面，如農(nóng)村房屋側(cè)面帶窗戶的墻面，用于單張鋪滿某個(gè)建筑表面。房屋正面具備較強(qiáng)的識(shí)別特征，如門、窗、對(duì)聯(lián)、店面等均具有區(qū)域特征，宜采用手機(jī)拍攝的方式采集補(bǔ)充。由于CSG建模已采用分層、分模塊的方式，故手機(jī)拍攝時(shí)也應(yīng)逐層、逐模塊補(bǔ)充紋理信息，以此實(shí)現(xiàn)最佳的建模效果。此外，拍攝得到的照片將保存到紋理庫中，方便后續(xù)紋理復(fù)用，提高效率。

利用手機(jī)拍攝時(shí)具有一定局限，如因拍攝不便造成的拍攝不正或拍攝不全。因此需通過裁剪、拼接及校正等操作形成正射立面紋理圖像。圖12為某個(gè)建筑第一層的立面紋理獲取流程，首先，分別對(duì)3張采集照片圖12-a～c裁剪出對(duì)應(yīng)的紋理圖像區(qū)域，裁剪范圍如圖12-a1～c1所示，然后，利用透視變換算法將其拉伸矯正。最后將裁剪后的紋理圖像進(jìn)行拼接，形成正射建筑立面紋理圖像，如圖12-d 所示，通過這種方式得到的建筑紋理真實(shí)感較強(qiáng)。紋理拼接完成后，通過紋理映射技術(shù)將圖12-d所示的紋理圖像賦予三維模型對(duì)應(yīng)的表面，形成帶豐富立面紋理風(fēng)格的三維建筑模型，結(jié)果如圖13所示。

圖12 圖像裁剪與拼接Fig.12 Image cropping and stitching

圖13 紋理貼圖Fig.13 Texture mapping

2.2.4 模型深化 根據(jù)上述步驟構(gòu)建精細(xì)化模型后，在單獨(dú)瀏覽的情況下比較順暢，但在大范圍模型展示時(shí)則會(huì)出現(xiàn)卡頓現(xiàn)象，不利于全場景的展示和應(yīng)用。基于此，本文提出模型優(yōu)化策略，利用三維輕量化技術(shù)從模型優(yōu)化、紋理治理、多級(jí)LOD等方面提升渲染性能，同時(shí)結(jié)合地形高程數(shù)據(jù)進(jìn)行貼地融合，最終滿足在手機(jī)端順暢瀏覽的需求。最終效果如圖14所示。

圖14 云浮市新興縣河村三維建筑模型Fig.14 3D building model of Hecun Village, Xinxing County, Yunfu City

3 結(jié)論

針對(duì)現(xiàn)階段農(nóng)村房屋數(shù)據(jù)較為稀缺，鄉(xiāng)村信息化建設(shè)不足等現(xiàn)狀，本文將高分辨率遙感影像與手機(jī)拍攝圖像相結(jié)合，通過粗模生成和深化建模2個(gè)階段實(shí)現(xiàn)三維建筑建模。在粗模生成過程中，利用Mask R_CNN算法基于高分辨率遙感影像識(shí)別建筑物，生成基礎(chǔ)白模，勾勒建筑基本形態(tài)，包括位置、尺寸和方位，并提出了建筑輪廓正則化算法和自適應(yīng)的建筑校正算法提高模型精度。在深化建模過程中，現(xiàn)場采集人員通過模型替換、尺寸調(diào)整、紋理映射等操作，逐步深化為精細(xì)化的三維建筑模型。最后，通過自動(dòng)化的三維模型融合技術(shù)形成多端可訪問的農(nóng)村電子沙盤，支撐智慧農(nóng)村建設(shè)的各項(xiàng)應(yīng)用。并結(jié)合實(shí)地調(diào)研，實(shí)現(xiàn)廣東省云浮市新興縣河村的三維建筑模型重建。與手工建模和傾斜攝影建模方法（謝小魁 等，2016；張春敏 等，2018；單杰 等，2019））相比，在數(shù)據(jù)獲取方面更加便捷，可實(shí)現(xiàn)眾包建模，節(jié)省了大量人力物力，具有采集成本低、更新周期短、簡單易用等優(yōu)點(diǎn)，對(duì)推進(jìn)農(nóng)村建筑智能化建模具有較強(qiáng)的實(shí)用價(jià)值及良好的應(yīng)用前景。

當(dāng)前本文所述農(nóng)村智能建模方法還有一些需要改進(jìn)和深化的地方：①對(duì)于遙感影像數(shù)據(jù)質(zhì)量差和建筑分布密集的地區(qū)，模型識(shí)別精度還有待提高；②建筑的準(zhǔn)確定位和方位比較難以把控，需補(bǔ)充完善策略幫助現(xiàn)場采集人員進(jìn)行精準(zhǔn)定位；③需建立一個(gè)能覆蓋大范圍地區(qū)的農(nóng)村建筑模型庫；④建筑立面紋理提取過程較為復(fù)雜，需要提高自動(dòng)化能力。