本发明适用于GIS技术领域，提供一种城市绿植孪生的建模方法及装置，所述方法包括：步骤S1、根据倾斜摄影模型，通过计算提取植被城市绿植覆盖范围和属性，进而生成城市绿植矢量数据，包括植被矢量面和单株矢量点数据；步骤S2、根据所述城市绿植矢量数据，将植被矢量面和单株矢量点数据在三维引擎中进行高程采样，根据最终属性生成对应的孪生植被模型。本发明简化了城市绿植孪生模型生产流程，提高生产效率，减少人工干预，并进一步实现城市绿植孪生模型与现实数据对应，满足城市绿植模型的可编辑、可管理、可利用的需要。
1.一种城市绿植孪生的建模方法，其特征在于，所述建模方法包括下述步骤：步骤S1、根据倾斜摄影模型，通过计算提取植被城市绿植覆盖范围和属性，进而生成城市绿植矢量数据，包括植被矢量面和单株矢量点数据；
步骤S2、根据所述城市绿植矢量数据，将植被矢量面和单株矢量点数据在三维引擎中进行高程采样，根据最终属性生成对应的孪生植被模型；
提取倾斜摄影模型中的影像数据和模型数据，将影像数据转换为数字正射影像，将模型数据转换为数字表面模型；
将数字正射影像通过神经网络分类器进行分类，获取确定为植被覆盖的像素以及植被种类，得到植被覆盖的栅格分类影像；
对生成的栅格分类影像进行矢量化，得到植被覆盖的矢量数据，即植被矢量面；
根据所述数字表面模型提取地表高程得到数字地形模型，通过数字地形模型和数字表面模型的差值，提取植被矢量面的高度信息，对于植被矢量面，保留植被的最大高度和平均高度；
对植被矢量面进行筛选，对于小于面积阈值的植被矢量面，直接将其转换为单株矢量点数据；
对于大于或等于面积阈值的植被矢量面，将植被矢量面与城市道路数据进行求交，相交部分为被植被覆盖的道路，对植被覆盖道路进行均匀点采样，得到行道树点数据，将行道树点数据合并至单株矢量点数据，同时保留植被矢量面不与城市道路数据相交的部分为最终的植被矢量面。
2.如权利要求1所述城市绿植孪生的建模方法，其特征在于，所述步骤S2具体过程如下：将植被矢量面和单株矢量点数据输入至三维引擎中，将植被矢量面和单株矢量点的空间参考转换到三维引擎的坐标系上；
将随机矢量点数据和单株矢量点合并得到二维植株点数据；
在三维引擎中以俯视角度从设置高度H进行深度渲染，得到地形的深度缓存图，按照二维植株矢量点的位置进行采样，得到观察深度d，进而得到植株的高程h=H‑d；
根据植被的最大高度和平均高度，以正态分布的方式生成各个植株的高度信息，计算各个植株的高度信息与植被种类对应的单体植株模型的高度比值，得到单个植株的缩放比例S；
针对每个植株，根据植株的位置T、随机旋转R、缩放比例S，确定唯一的空间变换阵M=T*R*S，根据该空间变换阵按照对应的单体植株模型在三维引擎中生成孪生植被模型。
3.如权利要求2所述城市绿植孪生的建模方法，其特征在于，所述将植被矢量面转换成随机矢量点数据，具体过程如下：设置植被矢量面的植株最小间距R；
获取植被矢量面的外接矩形，将外接矩形转换为以 为网格边长的格网；
创建随机点数组S和待处理队列W，在格网中随机取一个点作为原点，将其加入S与W；
当W不为空时，取W的队首点P0，在P0周围生成随机点P1，且P1与P0距离L满足R
4.一种城市绿植孪生的建模装置，其特征在于，所述建模装置包括：数据处理单元，用于根据倾斜摄影模型，通过计算提取植被城市绿植覆盖范围和属性，进而生成城市绿植矢量数据，包括植被矢量面和单株矢量点数据；
模型生成单元，用于根据所述城市绿植矢量数据，将植被矢量面和单株矢量点数据在三维引擎中进行高程采样，根据最终属性生成对应的孪生植被模型；
数据提取模块，用于提取倾斜摄影模型中的影像数据和模型数据，将影像数据转换为数字正射影像，将模型数据转换为数字表面模型；
数据分类模块，用于将数字正射影像通过神经网络分类器进行分类，获取确定为植被覆盖的像素以及植被种类，得到植被覆盖的栅格分类影像；
矢量化模块，用于对生成的栅格分类影像进行矢量化，得到植被覆盖的矢量数据，即植被矢量面；
高度提取模块，用于根据所述数字表面模型提取地表高程得到数字地形模型，通过数字地形模型和数字表面模型的差值，提取植被矢量面的高度信息，对于植被矢量面，保留植被的最大高度和平均高度；
数据转换模块，用于对植被矢量面进行筛选，对于小于面积阈值的植被矢量面，直接将其转换为单株矢量点数据；
道路修正单元，用于对于大于或等于面积阈值的植被矢量面，将植被矢量面与城市道路数据进行求交，相交部分为被植被覆盖的道路，对植被覆盖道路进行均匀点采样，得到行道树点数据，将行道树点数据合并至单株矢量点数据，同时保留植被矢量面不与城市道路数据相交的部分为最终的植被矢量面。
5.如权利要求4所述城市绿植孪生的建模装置，其特征在于，所述模型生成单元包括：数据输入模块，用于将植被矢量面和单株矢量点数据输入至三维引擎中，将植被矢量面和单株矢量点的空间参考转换到三维引擎的坐标系上；
面转点模块，用于将植被矢量面转换成随机矢量点数据；
数据合并模块，用于将随机矢量点数据和单株矢量点合并得到二维植株点数据；
高程计算模块，用于在三维引擎中以俯视角度从设置高度H进行深度渲染，得到地形的深度缓存图，按照二维植株矢量点的位置进行采样，得到观察深度d，进而得到植株的高程h=H‑d；
缩放计算模块，用于根据植被的最大高度和平均高度，以正态分布的方式生成各个植株的高度信息，计算各个植株的高度信息与单体植株模型的高度比值，得到单个植株的缩放比例S；
模型生成模块，用于针对每个植株，根据植株的位置T、随机旋转R、缩放比例S，确定唯一的空间变换阵M=T*R*S，根据该空间变换阵按照对应的单体植株模型在三维引擎中生成孪生植被模型。
一种城市绿植孪生的建模方法及装置
技术领域
[0001] 本发明属于GIS技术领域，尤其涉及一种城市绿植孪生的建模方法及装置。
背景技术
[0002] 近年来，随着数字孪生技术的进步，如何更好的搭建城市数字孪生平台已经成为了当下智慧城市领域的热点话题。当前大部分的城市物理形态信息，比如道路、河流、建筑等，可以通过3D建模的方法进行表达。然而对于城市覆盖的绿植，由于存在覆盖面积广、种类多、形态复杂等特征，难以通过建模的方式对其进行表现。
[0003] 当前在搭建数字孪生平台时，在三维引擎中对城市绿植覆盖区域进行三维重建，大多是采用人工操作的方式来完成。首先，作业人员对照城市正射影像（DOM）或倾斜摄影数据(比如：OSGB组织格式)，确定城市绿植范围。然后，通过三维引擎（比如:UnrealEngine）自带的植被种植能力，基于画刷对城市绿植覆盖区域进行绘制，由三维引擎批量生成对应种类的城市绿植。最后，对于自动生成的城市绿植模型进行位置和形态的人工调整，从而使其在外观上与现实场景基本保持一致。由于当前的数据生产过程中很少有针对城市中的绿植覆盖数据进行生产，导致现有的城市的绿植覆盖范围很大程度上需要通过作业人员根据DOM以及OSGB模型进行人工判断。然后在三维引擎中生产绿植孪生模型时需要大量的美术人员的投入，基于确定的范围进行“刷”植被模型，最后通过人工方式微调植被模型的种类以及位置。一方面，这种技术导致作业人员生产率极其低下，而且难以满足大城市的绿植孪生模型的生产；另一方面，这种技术人工介入环节过多，植被的位置精度难以保证，而且人工刷的植被模型缺乏单体化及独立的属性信息，无法进行有效的管理，无法与现实场景中存在的业务数据相关联，很难满足智慧城市精细化管理。
[0004] 以景德镇市某片区（43平方公里）为例，经实际验证，投入美术人员基于卫星影像和倾斜模型进行城市绿植的绘制、微调等，最终形成该片区的绿植孪生模型需投入21人/天。对于动辄上千平方公里的大城市场景来说显然难以满足实际的生产需要。
[0005] 因此这种传统的城市绿植孪生的生产建模方法，需要投入大量的美术人员进行编辑处理，而且过程繁琐，耗时耗力。同时，这种生成方案过度依赖美术人员对场景的主观感受，导致整个场景的城市绿植效果难以统一。更重要的是，这样生产的城市绿植模型由于位置精度、缺乏属性信息等各种原因，无法与现实世界的城市绿植一一对应，使其无法在智慧城市项目中得到实际的管理与利用。
发明内容
[0006] 鉴于上述问题，本发明的目的在于提供一种城市绿植孪生的建模方法及装置，旨在解决上述城市绿植建模效率低、无法进行精细化管理的技术问题。
[0007] 本发明采用如下技术方案：
[0008] 所述城市绿植孪生的建模方法，包括下述步骤：
[0009] 步骤S1、根据倾斜摄影模型，通过计算提取植被城市绿植覆盖范围和属性，进而生成城市绿植矢量数据，包括植被矢量面和单株矢量点数据；
[0010] 步骤S2、根据所述城市绿植矢量数据，将植被矢量面和单株矢量点数据在三维引擎中进行高程采样，根据最终属性生成对应的孪生植被模型。
[0011] 另一方面，所述城市绿植孪生的建模装置，建模装置包括：
[0012] 数据处理单元，用于根据倾斜摄影模型，通过计算提取植被城市绿植覆盖范围和属性，进而生成城市绿植矢量数据，包括植被矢量面和单株矢量点数据；
[0013] 模型生成单元，用于根据所述城市绿植矢量数据，将植被矢量面和单株矢量点数据在三维引擎中进行高程采样，根据最终属性生成对应的孪生植被模型。
[0014] 本发明的有益效果是：本发明基于城市OSGB倾斜数据模型，自动确定城市绿植孪生模型覆盖范围，并提取绿植的属性信息，通过算法确定各个绿植的位置、种类、高度等属性，根据这些数据在三维引擎中自动生成绿植孪生模型，该过程完全不需要人工干预，极大的提高了城市绿植孪生的生产效率；由于基于数据驱动直接生成对应的绿植孪生模型，从而可以实现业务数据的自动挂接。
附图说明
[0015] 图1是本发明第一实施例提供的城市绿植孪生的建模方法流程图；
[0016] 图2是本发明第一实施例提供的步骤S1流程图；
[0017] 图3是本发明第一实施例提供的DeeplabV3+神经网络分类器的示意图；
[0018] 图4是DOM影像与经过植被数据处理后得到的城市绿植矢量数据的对比示例图；
[0019] 图5是本发明第一实施例提供的步骤S2流程图；
[0020] 图6是DOM影像与生成的孪生植被模型对比示意图；
[0021] 图7是本发明第二实施例提供的城市绿植孪生的建模装置的结构方框图。
具体实施方式
[0022] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0023] 为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
[0024] 实施例一：
[0025] 如图1所示，本实施例提供的城市绿植孪生的建模方法，包括下述步骤：
[0026] 步骤S1、根据倾斜摄影模型，通过计算提取植被城市绿植覆盖范围和属性，进而生成城市绿植矢量数据，包括植被矢量面和单株矢量点数据。
[0027] 目前技术中，倾斜摄影模型的格式有多种。本实施例以OSGB倾斜数据模型为例。OSGB格式的影像是倾斜影像，一般用OSGB文件在较大的三维模型加载；OSGB是国际通用三维场景格式，按区块存储，但是没有索引，因此每次只能显示一块；倾斜摄影数据仅支持smart3d格式的OSGB 组织方式。
[0028] 本步骤从倾斜摄影模型中提取城市绿植的覆盖范围以及一些属性，比如植株的位置、种类、高度等，生成城市绿植矢量数据。如图2所示，本步骤具体过程如下：
[0029] S11、提取倾斜摄影模型中的影像数据和模型数据，将影像数据转换为数字正射影像，将模型数据转换为数字表面模型。
[0030] 数字正射影像DOM（Digital Orthophoto Map）是利用DEM数字高程模型对经过扫描处理的数字化航空像片或遥感影像（单色或彩色），经逐像元进行辐射改正、微分纠正和镶嵌，并按规定图幅范围裁剪生成的形象数据，带有公里格网、图廓（内、外）整饰和注记的平面图。
[0031] 数字表面模型DSM（Digital Surface Model）是指包含了地表建筑物、桥梁和树木等高度的地面高程模型。和DEM相比，DSM只包含了地形的高程信息，并未包含其它地表信息，DSM是在DEM的基础上，进一步涵盖了除地面以外的其它地表信息的高程。在一些对建筑物高度有需求的领域，得到了很大程度的重视。
[0032] 本步骤通过现有的倾斜数据模型，得到需要建模城市区域的DOM影像和DSM模型。
[0033] S12、将数字正射影像通过神经网络分类器进行分类，获取确定为植被覆盖的像素以及植被种类，得到植被覆盖的栅格分类影像。
[0034] 本步骤可以采用各种神经网络模型，比如DeeplabV3+神经网络分类器。结合图3所示，该分类器使用编码‑解码结构，其中编码结构包含一个特征提取的主干网络和一个空间池化网络。主干网络使用的是Xception主干网络，该主干网络包含前卷积单元，中间卷积单元和输出卷积单元，前卷积单元是多个依次串联的卷积层，首先是两个3*3的卷积，然后是三个深度可分离卷积代替普通3*3卷积的残差模块。中间卷积单元是多个串联的卷积，这里用的是深度可分离卷积。最后是输出单元，里面包含一个残差模块和三个深度可分离卷积。空间池化网络是用一个1*1的卷积和3个3*3的空洞卷积和一个空间金字塔池化对主干网络的输出进行处理，然后将其结果进行连接并用一个1*1的卷积来缩减通道。解码结构将主干网络的各单元中间输出和空洞卷积的输出变换成相同形状，然后将其连接在一起，再进行
3*3的卷积，然后对其输出结果进行上采样，得到分类结果。本步骤运用网络对DOM影像的像素进行分类，获取确定为植被覆盖的像素以及种类，比如当前植被覆盖区域像素是法国梧桐，最后得到植被覆盖的栅格分类影像。
[0035] S13、对生成的栅格分类影像进行矢量化，得到植被覆盖的矢量数据，即植被矢量面。
[0036] S14、根据所述数字表面模型提取地表高程得到数字地形模型，通过数字地形模型和数字表面模型的差值，提取植被矢量面的高度信息，对于植被矢量面，保留植被的最大高度和平均高度。
[0037] 根据步骤S11中得到的DSM模型，提取其地表高程得到数字地形模型DTM，DTM模型在测绘中被用于绘制等高线、坡度坡向图、立体透视图，制作正射影像图以及地图的修测。在遥感应用中可作为分类的辅助数据。
[0038] 通过计算DSM模型与DTM模型的差值即可提取到植被矢量面的高度信息。本步骤只保留植被矢量面的植被最大高度和平均高度，用于后续确定植被模型的缩放比例。
[0039] S15、对植被矢量面进行筛选，对于小于面积阈值的植被矢量面，直接将其转换为单株矢量点数据。
[0040] 对于小面积的植被矢量面可以直接转换成单株矢量点数据，可以提高后续对植被矢量面数据的处理效率。因此本步骤通过设定面积阈值对植被矢量面进行筛选，将小于该面积阈值的植被矢量面转换成单株矢量点数据。
[0041] S16、对于大于或等于面积阈值的植被矢量面，将植被矢量面与城市道路数据进行求交，相交部分为被植被覆盖的道路，对植被覆盖道路进行均匀点采样，得到行道树点数据，将行道树点数据合并至单株矢量点数据，同时保留植被矢量面不与城市道路数据相交的部分为最终的植被矢量面。
[0042] 实际中，有的植被是位于道路上的，对于这种情况，将植被矢量面与城市道路数据进行求交，即可得到被植被覆盖的道路。此时直接对植被覆盖道路进行均匀点采样得到行道树点数据，该行道树点数据合并至前述单株矢量点数据。而剩下的植被矢量面即未面积较大且不是道路上的植被区域。
[0043] 图4是为景德镇人民广场附近的DOM影像与经过植被数据处理过程后得到的城市绿植矢量数据的对比图。可以看到，城市中的植被较为完整的被提取了出来，并转换为了矢量数据。
[0044] 步骤S2、根据所述城市绿植矢量数据，将植被矢量面和单株矢量点数据在三维引擎中进行高程采样，根据最终属性生成对应的孪生植被模型。
[0045] 城市绿植孪生模型构建过程在三维引擎中进行。基于上一步植被数据处理得到的植被矢量面和植株矢量点数据，通过随机点算法，根据植被种类对面数据进行采样，将其散点化，全部转换为植株点位数据。对这些二维的植株点数据，在三维引擎中通过对地形数据进行高程采样，得到植株所在的地表高程从而将其转化为三维的空间点数据，并根据植被的属性计算其模型缩放比例。最后根据植株的种类查询对应的单体植株模型，按照其位置，缩放比例生成到三维引擎中，实现绿植孪生模型的生成。结合图5所示，具体过程如下：
[0046] S21、将植被矢量面和单株矢量点数据输入至三维引擎中，将植被矢量面和单株矢量点的空间参考转换到三维引擎的坐标系上。
[0047] 植被矢量面和单株矢量点数据输入至三维引擎中坐标转换后，方便在三维引擎中进行建模。
[0048] S22、将植被矢量面转换成随机矢量点数据。
[0049] 在处理植被矢量面时，也将矢量面转换成矢量点数据，便于后续统一对矢量点数据进行处理。
[0050] 由于植被的覆盖面可以被认为由随机的植被点构成的，所以本步骤将考虑使用算法将植被矢量面数据转换为单一植株的随机矢量点数据。同时可认为植被之间存在一个最小的距离，该距离与单株植被的大小成正比。基于此原理，本步骤通过算法生成按一定规则分布的散点，代替原来的矢量面数据，用于植被模型的种植。具体的算法过程如下：
[0051] 1）设置植被矢量面的植株最小间距R；
[0052] 2）获取植被矢量面的外接矩形，将外接矩形转换为以 为网格边长的格网；
[0053] 3）创建随机点数组S和待处理队列W，在格网中随机取一个点作为原点，将其加入S与W；
[0054] 4）当W不为空时，取W的队首点P0，在P0周围生成随机点P1，且P1与P0距离L满足R
[0055] 5）最后直至W为空，则S为最终获得的随机点数组。
[0056] S23、将随机矢量点数据和单株矢量点合并得到二维植株点数据。
[0057] S24、在三维引擎中以俯视角度从设置高度H进行深度渲染，得到地形的深度缓存图，按照二维植株矢量点的位置进行采样，得到观察深度d，进而得到植株的高程h=H‑d。
[0058] 在三维引擎中渲染时需要先设置高度H，从该位置开始以俯视角度渲染。按照植被种类，在二维植株矢量点的位置进行采样，得到观察深度d，最后h=H‑d即为此植被的高程。
[0059] S25、根据植被的最大高度和平均高度，以正态分布的方式生成各个植株的高度信息，计算各个植株的高度信息与植被种类对应的单体植株模型的高度比值，得到单个植株的缩放比例S。
[0060] 高程指的是植株的所在位置的绝对高度，高度指的是植株本身的高度。前述已经得到的各种植被的最大高度和平均高度，以正态分布的方式生成各个植株的高度信息，可以避免计算每个植株的高度，提高处理速度。在得到植株的高程和高度以及点位后，即可知道植株在空间中的具体位置。
[0061] S26、对各个植株设置随机旋转R。
[0062] 为了让各植株分布美观，对各植株设置绕Z轴（即高度方向）的随机旋转R。如果不需要旋转，则R=1。
[0063] S27、针对每个植株，根据植株的位置T、随机旋转R、缩放比例S，确定唯一的空间变换阵M=T*R*S，根据该空间变换阵按照对应的单体植株模型在三维引擎中生成孪生植被模型。
[0064] 每种植被都有对应的单体植株模型，将植被类型，根据空间变换阵可以得到各个植株的位置、角度和大小，最后根据对应的单体植株模型生成孪生植被模型。
[0065] 最终生成的效果图6所示，图中左边为正射影像，右边为生成的城市绿植孪生模型，通过图片对比可以看到，该方法对城市植被覆盖得到了很好的还原。
[0066] 实施例二：
[0067] 本发明的另一实施例提供了城市绿植孪生的建模装置，如图7所示，包括：
[0068] 数据处理单元1，用于根据倾斜摄影模型，通过计算提取植被城市绿植覆盖范围和属性，进而生成城市绿植矢量数据，包括植被矢量面和单株矢量点数据；
[0069] 模型生成单元2，用于根据所述城市绿植矢量数据，将植被矢量面和单株矢量点数据在三维引擎中进行高程采样，根据最终属性生成对应的孪生植被模型。
[0070] 上述两个功能单元对应实现了实施例一中的步骤S1、S2，具体通过数据处理单元生成城市绿植矢量数据，然后通过模型生成单元对植被矢量面和单株矢量点数据，生成孪生植被模型。
[0071] 其中，所述数据处理单元包括：
[0072] 数据提取模块，用于提取倾斜摄影模型中的影像数据和模型数据，将影像数据转换为数字正射影像，将模型数据转换为数字表面模型；
[0073] 数据分类模块，用于将数字正射影像通过神经网络分类器进行分类，获取确定为植被覆盖的像素以及植被种类，得到植被覆盖的栅格分类影像；
[0074] 矢量化模块，用于对生成的栅格分类影像进行矢量化，得到植被覆盖的矢量数据，即植被矢量面；
[0075] 高度提取模块，用于根据所述数字表面模型提取地表高程得到数字地形模型，通过数字地形模型和数字表面模型的差值，提取植被矢量面的高度信息，对于植被矢量面，保留植被的最大高度和平均高度；
[0076] 数据转换模块，用于对植被矢量面进行筛选，对于小于面积阈值的植被矢量面，直接将其转换为单株矢量点数据；
[0077] 道路修正单元，用于对于大于或等于面积阈值的植被矢量面，将植被矢量面与城市道路数据进行求交，相交部分为被植被覆盖的道路，对植被覆盖道路进行均匀点采样，得到行道树点数据，将行道树点数据合并至单株矢量点数据，同时保留植被矢量面不与城市道路数据相交的部分为最终的植被矢量面。
[0078] 所述模型生成单元包括：
[0079] 数据输入模块，用于将植被矢量面和单株矢量点数据输入至三维引擎中，将植被矢量面和单株矢量点的空间参考转换到三维引擎的坐标系上；
[0080] 面转点模块，用于将植被矢量面转换成随机矢量点数据；
[0081] 数据合并模块，用于将随机矢量点数据和单株矢量点合并得到二维植株点数据；
[0082] 高程计算模块，用于在三维引擎中以俯视角度从设置高度H进行深度渲染，得到地形的深度缓存图，按照二维植株矢量点的位置进行采样，得到观察深度d，进而得到植株的高程h=H‑d；
[0083] 缩放计算模块，用于根据植被的最大高度和平均高度，以正态分布的方式生成各个植株的高度信息，计算各个植株的高度信息与单体植株模型的高度比值，得到单个植株的缩放比例S；
[0084] 旋转设置模块，用于对各个植株设置随机旋转R；
[0085] 模型生成模块，用于针对每个植株，根据植株的位置T、随机旋转R、缩放比例S，确定唯一的空间变换阵M=T*R*S，根据该空间变换阵按照对应的单体植株模型在三维引擎中生成孪生植被模型。
[0086] 上述两个功能单元的模块结构也一一对应实现了实施例一中的具体实现过程，这里不再赘述。
[0087] 本发明提供的城市绿植孪生的建模方法及装置，不仅能够大幅度提高城市绿植孪生模型的生产效率，降低美术资源投入，并且整个生产过程，从数据出发，保证数据的真实性，从而使其能够挂接真实的业务数据，实现可管理，可利用的需求。
[0088] 以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
