Reconstrucción de Ciudades en 3D: Un Método Nuevo para la Segmentación Semántica y Construcción de Monómeros de Edificios Usando Fotografía Oblicua

La reconstrucción de ciudades en 3D existente a través de fotografía oblicua solo puede producir modelos de superficie, careciendo de información semántica sobre el entorno urbano y de la capacidad para incorporar todos los edificios individuales. Aquí, proponemos un método para la segmentación semántica de datos de modelos 3D provenientes de fotografía oblicua y para la construcción e implementación de monómeros de edificios. Los datos de malla se convirtieron y se mapearon como conjuntos de puntos agrupados para formar conjuntos de superpuntos a través de una segmentación geométrica áspera, facilitando las extracciones de características subsiguientes. En el cálculo del vecindario local de la segmentación semántica, un método de búsqueda de vecindario basado en distancias geodésicas mejoró la racionalidad de este vecindario. Además, se retuvo información de características a través de los conjuntos de superpuntos. Considerando los requisitos prácticos de conjuntos de datos 3D a gran escala, este estudio ofrece un método de segmentación robusto y eficiente que combina modelos de bosque aleatorio tradicional y campo aleatorio de Markov para segmentar la semántica de escenas 3D. Para abordar la necesidad de modelar edificios individuales y únicos, nuestra metodología utilizó datos de malla 3D de edificios como fuente de datos para la extracción de contornos específicos. La construcción de monómeros de modelos y las extracciones de contornos de edificios se basaron en cortes de modelos de malla y evaluaciones de similitud geométrica, lo que permitió la consecución simultánea y automática de estos dos procesos.