基于地面LiDAR技术的光孝塔三维模型精准重建与分析

基于地面LiDAR技术的光孝塔三维模型精准重建与分析一、引言1.1研究背景与意义古建筑作为人类文明的瑰宝，承载着丰富的历史、文化和艺术价值，是不可再生的珍贵遗产。然而，随着时间的推移以及自然和人为因素的影响，许多古建筑面临着损坏、倒塌的风险。例如，2019年法国巴黎圣母院突发大火，尖塔倒塌，屋顶烧毁，大量珍贵文物受损，这一事件引发了全球对古建筑保护的高度关注。在中国，众多古建筑也面临着不同程度的破坏，如山西平遥古城部分城墙出现坍塌，北京故宫古建筑群的木质结构受到虫蛀和腐朽的威胁等。传统的古建筑保护方法主要依赖于人工记录和简单的测绘手段，存在效率低、精度差、信息记录不全面等问题。数字化保护技术的出现为古建筑保护带来了新的机遇。通过数字化手段，可以对古建筑进行全方位、高精度的记录和分析，为古建筑的保护、修复和研究提供科学依据。地面LiDAR（LightDetectionandRanging，激光雷达）技术作为一种先进的数字化测绘技术，能够快速、准确地获取物体表面的三维坐标信息，生成高精度的点云数据。在古建筑三维建模领域，地面LiDAR技术具有独特的优势。它可以实现非接触式测量，避免对古建筑造成二次损坏；能够获取丰富的细节信息，精确还原古建筑的外观和结构；并且数据采集速度快，大大提高了工作效率。江苏省南通市光孝塔作为一座具有重要历史文化价值的古建筑，建于公元936年，是南通历史最悠久的建筑之一，也是我国古代建筑艺术的杰出代表。其独特的建筑风格和精湛的工艺，对于研究我国古代建筑史和佛教文化具有重要意义。然而，由于年代久远，光孝塔受到了自然和人为因素的破坏，亟需进行保护和修复。利用地面LiDAR技术对光孝塔进行三维建模，不仅可以为光孝塔的保护和修复提供精确的数据支持，还能够实现光孝塔的数字化展示和传承，让更多的人了解和欣赏这一历史文化遗产。1.2国内外研究现状在国外，地面LiDAR技术在古建筑三维建模领域的应用较早，取得了一系列的研究成果。例如，法国国家科学研究中心（CNRS）利用地面LiDAR技术对巴黎圣母院进行了三维建模，获取了建筑的详细结构信息，为巴黎圣母院的修复工作提供了重要依据。意大利的研究人员运用地面LiDAR技术对古罗马斗兽场进行建模，通过分析点云数据，揭示了斗兽场在历史变迁中的结构变化。美国的学者利用该技术对玛雅古城进行扫描，发现了许多隐藏在丛林中的古建筑遗迹，为研究玛雅文明提供了新的线索。在国内，随着对古建筑保护的重视程度不断提高，地面LiDAR技术在古建筑三维建模方面的研究和应用也日益广泛。清华大学利用地面LiDAR技术对北京故宫太和殿进行了三维重建，实现了对古建筑的数字化存档和展示。同济大学的研究团队运用该技术对上海豫园进行建模，通过对比不同时期的点云数据，监测古建筑的变形情况。此外，还有许多学者针对地面LiDAR技术在古建筑建模中的关键技术，如点云拼接、模型重建、精度评价等进行了深入研究，提出了一系列有效的算法和方法。尽管国内外在地面LiDAR技术用于古建筑三维建模方面取得了一定的成果，但仍存在一些问题和挑战。例如，在复杂环境下，点云数据的采集和处理难度较大；不同数据源的数据融合技术还不够成熟；三维模型的精度和质量评价标准尚未统一等。这些问题制约了地面LiDAR技术在古建筑保护领域的进一步应用和发展。1.3研究目标与内容本研究旨在利用地面LiDAR技术，实现对江苏省南通市光孝塔的高精度三维模型重建，为光孝塔的保护、修复、研究以及数字化展示提供可靠的数据支持。具体研究内容包括：光孝塔数据采集：运用地面LiDAR设备，对光孝塔进行全方位的数据采集，获取包含塔体结构、装饰细节等信息的点云数据。在数据采集过程中，需要根据光孝塔的实际情况，合理设置扫描参数，选择合适的扫描站点，以确保获取的数据全面、准确。点云数据处理与拼接：对采集到的点云数据进行预处理，包括去除噪声、滤波、坐标转换等操作，提高数据质量。然后，采用有效的点云拼接算法，将不同站点采集的点云数据拼接成一个完整的光孝塔点云模型。在点云拼接过程中，需要解决点云匹配、重叠区域融合等关键问题，以保证拼接精度。三维模型重建：基于处理后的点云数据，采用合适的三维重建方法，构建光孝塔的三维模型。在模型重建过程中，需要对光孝塔的结构进行分析，提取关键特征，实现模型的参数化设计，以提高模型的准确性和可编辑性。三维模型质量评价：建立一套科学合理的三维模型质量评价体系，从视觉质量和几何质量两个方面对重建的光孝塔三维模型进行评价。通过评价结果，分析模型存在的问题，提出改进措施，不断优化模型质量。1.4研究方法与技术路线本研究采用的主要方法包括文献研究法、实验法和数据分析方法。通过查阅国内外相关文献，了解地面LiDAR技术在古建筑三维建模领域的研究现状和发展趋势，为研究提供理论基础。在实验过程中，运用地面LiDAR设备对光孝塔进行数据采集，并使用专业的软件对数据进行处理和分析。通过对比不同算法和参数设置下的实验结果，优化数据处理和模型重建方法。技术路线如下：首先进行数据采集，利用地面LiDAR设备在光孝塔周围设置多个扫描站点，获取多角度的点云数据。然后对采集到的数据进行预处理，去除噪声和异常点，进行坐标转换和滤波处理。接着采用基于中轴的点云拼接算法，将不同站点的点云数据进行拼接，得到完整的光孝塔点云模型。在点云模型的基础上，基于模型对象化的方法进行三维重建，构建光孝塔的三维模型。最后，从视觉质量和几何质量两个方面对三维模型进行质量评价，根据评价结果对模型进行优化和改进。二、地面LiDAR技术原理与光孝塔概况2.1地面LiDAR技术原理与系统组成地面LiDAR技术的核心是通过测量激光束从发射到接收的时间差来计算目标物体与设备之间的距离。其基本原理基于飞行时间法（TimeofFlight，ToF）。激光发射装置向目标物体发射激光脉冲，当激光束遇到物体表面时，部分光线会被反射回来，被激光接收装置捕获。由于光在空气中的传播速度是已知的常数（约为3\times10^{8}m/s），通过精确测量激光脉冲从发射到返回的时间差\Deltat，就可以根据公式D=\frac{c\times\Deltat}{2}（其中D为目标物体与设备之间的距离，c为光速）计算出距离信息。为了获取目标物体的三维坐标信息，地面LiDAR系统还需要测量激光束的发射角度。通常，系统内部配备有高精度的角度编码器，在激光脉冲发射和接收的瞬间，角度编码器会记录下激光束的水平角和俯仰角。结合测量得到的距离信息以及设备自身的位置和姿态信息（通过GPS/IMU等定位系统获取），就可以将每个测点转换为三维坐标（X，Y，Z），从而生成点云数据。点云数据是由大量离散的三维点组成，这些点精确地反映了目标物体表面的几何形状和位置信息，为后续的三维建模提供了基础数据。地面LiDAR系统主要由以下几个部分组成：激光发射与接收单元：这是系统的核心部件，负责发射激光脉冲并接收反射回来的信号。激光发射单元通常采用高能量、短脉冲的激光源，以确保能够探测到远距离的目标物体；接收单元则使用高灵敏度的光电探测器，如雪崩光电二极管（APD），将微弱的光信号转换为电信号，以便后续处理。扫描系统：用于控制激光束在水平和垂直方向上的扫描，实现对目标物体的全方位测量。常见的扫描方式包括机械旋转式、微机电系统（MEMS）式和光学相控阵（OPA）式等。机械旋转式扫描通过整个激光发射/接收头围绕中心轴高速旋转，实现水平方向的扫描，内部的反射镜快速俯仰摆动，实现垂直方向的扫描，是早期最主流的扫描方式；MEMS式扫描使用微小的可动反射镜进行快速的微小角度偏转来引导激光束，具有结构紧凑、成本较低、扫描模式灵活等优点；OPA式扫描则通过改变发射天线阵列的相位差来实现无机械运动的电子扫描，速度快、可靠性高，是固态激光雷达的代表技术。定位与定向单元：一般由全球定位系统（GPS）和惯性测量单元（IMU）组成。GPS用于确定设备在地球坐标系中的位置，IMU则测量设备的加速度和角速度，从而计算出设备的姿态信息。通过将定位和定向信息与激光测距数据相结合，能够准确地确定每个测量点的三维坐标。数据处理与存储单元：负责对采集到的原始数据进行处理、分析和存储。数据处理过程包括去除噪声、滤波、坐标转换、点云拼接等操作，以提高数据质量和可用性。处理后的数据通常存储在大容量的存储设备中，以便后续的模型重建和分析使用。2.2光孝塔建筑特色与历史文化价值光孝塔位于江苏省南通市天宁寺西北隅，是一座具有独特建筑特色的五级八面砖木塔。其建筑风格融合了唐代和宋代的建筑特点，展现了我国古代建筑工艺的精湛水平。光孝塔的塔身建于须弥座上，须弥座采用砖石材料砌筑，雕刻有精美的花纹图案，具有较高的艺术价值。塔身每层设有四门，门的设置既满足了建筑的通风和采光需求，又体现了对称美的设计理念。每层塔檐用砖砌成迭涩平座，上檐采用角梁结构，下存擎檐柱，这种设计有效地支撑了塔檐的重量，使塔檐能够向外伸展，增加了建筑的层次感和立体感。腰檐向上反翘，犹如飞鸟展翅，轻盈灵动，展现出独特的建筑韵律。绕以雕板木栏，不仅起到了防护作用，还为塔身增添了一份精致和典雅。塔刹是光孝塔的重要组成部分，其高度较高，承露盘上装相轮七重，刹顶上安置绕以光焰的宝珠。塔刹的设计不仅具有装饰性，更象征着佛教的神圣和庄严，体现了光孝塔作为佛教建筑的宗教意义。光孝塔具有极高的历史文化价值，是南通历史文化的重要象征。它建于公元864年（唐咸通五年），是南通历史最悠久的建筑之一，见证了南通地区千余年的历史变迁，对于研究南通的城市发展、历史沿革具有重要的实物参考价值。作为佛教建筑，光孝塔承载着深厚的佛教文化内涵，是佛教信仰在南通地区传播和发展的重要见证。塔内曾经供奉佛像，香火旺盛，吸引了众多信徒前来朝拜，对于研究佛教文化在我国的传播路径和发展演变具有重要意义。光孝塔也是我国古代建筑艺术的杰出代表，其独特的建筑风格、精湛的工艺技术，体现了我国古代建筑师的智慧和创造力。通过对光孝塔的研究，可以深入了解唐代和宋代时期的建筑技术、建筑材料、建筑美学等方面的特点，为研究我国古代建筑史提供了珍贵的实例。2.3数据采集方案设计与实施为了获取光孝塔全面、准确的三维信息，在数据采集前，需要根据光孝塔的实际情况和周围环境，精心设计数据采集方案。在光孝塔周边合理设置测站是数据采集的关键步骤。考虑到光孝塔为五级八面的建筑结构，为了确保能够获取塔体各个面和部位的信息，在塔的周围均匀设置了5个测站，使每个测站能够覆盖塔体的不同角度和区域。测站之间的距离根据塔的高度和测量设备的有效测程进行合理调整，以保证相邻测站之间有一定的重叠区域，便于后续的点云拼接。同时，测站的选择还考虑了周围环境的影响，避免选择在遮挡物较多、光线过强或过暗的位置，以确保激光束能够顺利发射和接收。在每个测站的测量范围内，均匀布置了多个标靶。标靶采用具有高反射率的材料制作，以便在激光扫描时能够清晰地被识别和捕捉。标靶的形状通常为圆形或方形，尺寸适中，既便于在点云数据中准确识别，又不会对光孝塔的外观造成明显影响。在布置标靶时，确保标靶分布在光孝塔的不同高度和位置上，包括塔身、塔檐、塔刹等部位，以便在点云数据中建立起统一的坐标系统，实现不同测站数据的精确拼接。在实施数据采集时，使用TrimbleX7地面LiDAR设备。该设备具有高精度、高速度的数据采集能力，能够满足光孝塔三维建模的需求。在每个测站，首先将设备安装在稳定的三脚架上，并进行精确的对中和平整。然后，根据测站的位置和测量范围，设置合适的扫描参数，包括扫描角度、扫描分辨率、激光发射频率等。扫描角度设置为能够覆盖光孝塔的全部可见区域，扫描分辨率根据光孝塔的细节要求进行调整，对于塔体的关键部位和装饰细节，采用较高的分辨率进行扫描，以获取更丰富的细节信息；激光发射频率则根据设备的性能和测量环境进行优化，以确保数据采集的效率和质量。在扫描过程中，密切关注设备的运行状态和数据采集情况，确保扫描过程的连续性和稳定性。同时，对采集到的数据进行实时检查，查看数据的完整性和准确性，如发现数据缺失或异常，及时进行补扫或调整扫描参数。完成一个测站的扫描后，移动设备至下一个测站，按照相同的方法进行扫描，直至完成所有测站的数据采集工作。数据采集完成后，将采集到的原始数据传输至计算机进行存储和后续处理。三、点云数据预处理与拼接3.1点云数据预处理在地面LiDAR采集光孝塔数据的过程中，由于受到测量环境、设备噪声以及目标物体表面特性等多种因素的影响，采集到的原始点云数据不可避免地会包含噪声点和离群点，这些噪声和离群点会严重影响后续的点云拼接和三维模型重建的精度与质量，因此需要对原始点云数据进行预处理。离群点是指那些明显偏离点云主体分布的点，它们可能是由于测量误差、反射干扰或其他异常情况产生的。去除离群点的目的是消除这些异常数据点，使点云数据更加准确地反映光孝塔的真实形状和结构。常用的去除离群点算法是统计滤波算法，其原理基于统计学原理，通过计算每个点与其邻域点之间的距离统计信息来识别离群点。具体步骤如下：首先计算每个点到其k个最近邻点的平均距离，k值的选择会影响离群点的识别效果，一般根据点云的密度和复杂程度进行调整，对于光孝塔这种具有复杂结构的古建筑点云数据，经过多次试验，选择k=20较为合适；然后计算所有点的平均距离的均值\mu和标准差\sigma；最后根据设定的标准差倍数n（一般取n=2到3之间的值），将平均距离大于\mu+n\sigma的点判定为离群点并予以去除。例如，对于某一点P，其到k个最近邻点的平均距离为d，若d>\mu+2\sigma，则点P被认为是离群点。通过这种方式，可以有效地去除点云中的离群点，提高点云数据的质量。除了离群点，点云数据中还可能存在各种噪声，如高斯噪声、椒盐噪声等，这些噪声会使点云表面变得粗糙，影响模型的重建精度。滤波是去除噪声的常用方法，其中高斯滤波是一种基于高斯核函数的线性平滑滤波方法，它能够有效地去除高斯噪声，使点云数据更加平滑。高斯滤波的原理是对每个点的邻域内的点进行加权平均，权重由高斯函数确定，离中心点越近的点权重越大。在Open3D库中，可以通过设置高斯核的标准差来控制滤波的强度，标准差越大，滤波后的点云越平滑，但同时也会损失更多的细节信息。对于光孝塔点云数据，经过试验，选择标准差为0.05时，能够在有效去除噪声的同时，较好地保留点云的细节特征。此外，直通滤波也是一种常用的滤波方法，它可以根据设定的坐标轴范围，去除点云中位于该范围之外的点。在光孝塔点云数据处理中，由于光孝塔是垂直矗立的建筑，在某些情况下，可能需要去除点云中在水平方向上偏离塔体的噪声点。通过设置直通滤波器在x和y方向上的范围，如x范围为[-5,5]，y范围为[-5,5]，可以去除在水平方向上明显偏离光孝塔主体的噪声点，进一步提高点云数据的质量。3.2基于中轴的点云拼接算法点云拼接是将从不同测站获取的点云数据合并到统一坐标系下，形成完整的光孝塔点云模型的关键步骤。传统的点云拼接算法，如迭代最近点（ICP）算法及其变体，虽然在一些情况下能够取得较好的效果，但对于像光孝塔这样结构复杂、存在大量相似特征的古建筑点云数据，容易出现误匹配和陷入局部最优解的问题。为了提高光孝塔点云数据的拼接精度和效率，本文提出一种基于中轴的点云拼接算法，该算法充分利用光孝塔的几何结构特征，通过提取点云的中轴信息来实现点云的快速、准确拼接。基于中轴的点云拼接算法主要包括以下几个关键步骤：点云中轴提取：中轴是物体几何形状的一种重要特征表示，它能够反映物体的大致形状和结构。对于光孝塔点云数据，采用基于距离变换的方法提取中轴。首先，构建光孝塔点云的三维空间网格，将点云数据映射到网格中；然后，计算每个网格点到点云中最近点的距离，得到距离场；接着，通过对距离场进行骨架化处理，提取出点云的中轴。在提取中轴的过程中，需要对距离场进行适当的平滑处理，以避免噪声对中轴提取的影响，可以采用高斯平滑滤波对距离场进行预处理。通过这种方法提取的中轴能够较好地反映光孝塔的主体结构，为后续的点云配准提供可靠的特征。特征点提取与匹配：在提取点云中轴后，在中轴上均匀选取一定数量的特征点，这些特征点应具有代表性，能够反映中轴的形状和位置信息。为了实现特征点的匹配，采用快速点特征直方图（FPFH）算法计算每个特征点的特征描述符。FPFH算法是一种基于局部几何特征的描述符计算方法，它能够有效地描述特征点周围的几何结构信息。在计算FPFH特征描述符时，需要设置合适的搜索半径和邻域点数量等参数，对于光孝塔点云数据，经过试验，选择搜索半径为0.5米，邻域点数量为50时，能够得到较为准确的特征描述符。通过匹配不同点云中特征点的FPFH描述符，找到初始的对应点对。在匹配过程中，采用最近邻搜索算法（如KD-Tree算法）来快速查找对应点对，提高匹配效率。粗配准：基于找到的对应点对，采用随机抽样一致性（RANSAC）算法进行粗配准，计算出初始的变换矩阵，大致确定不同点云之间的相对位置关系。RANSAC算法是一种迭代的模型估计算法，它通过随机抽样的方式，从对应点对中选取一组样本点，假设这些样本点是内点，计算出一个变换模型（如刚体变换模型），然后用这个模型去测试其他点对，统计内点的数量。经过多次迭代，选择内点数量最多的模型作为最终的粗配准结果。在光孝塔点云粗配准中，设置RANSAC算法的最大迭代次数为1000次，距离阈值为0.1米，以确保能够得到较为准确的粗配准结果。精配准：在粗配准的基础上，采用改进的ICP算法进行精配准，进一步优化点云之间的对齐精度。传统ICP算法在每次迭代中，通过寻找最近点对来计算变换矩阵，容易陷入局部最优解。改进的ICP算法引入了点云的法向量信息，在计算变换矩阵时，不仅考虑点之间的距离，还考虑点的法向量方向，使配准结果更加准确和稳定。具体来说，在寻找最近点对时，优先选择法向量方向相近的点对，这样可以避免在配准过程中出现错误的匹配。同时，在每次迭代中，根据点对之间的距离和法向量差异，对变换矩阵进行加权优化，以提高配准的精度。通过多次迭代，使点云之间的误差收敛到一个较小的值，完成点云的精配准。3.3实验与精度分析为了验证基于中轴的点云拼接算法在光孝塔点云数据处理中的有效性和精度，将该算法应用于实际采集的光孝塔点云数据，并与传统的ICP算法进行对比实验。实验环境配置为：计算机硬件为IntelCorei7-10700K处理器，32GB内存；软件平台为Windows10操作系统，使用Python语言结合Open3D库进行算法实现和数据处理。在实验中，首先对采集到的光孝塔原始点云数据进行预处理，包括去除离群点和滤波等操作，得到高质量的点云数据。然后分别使用基于中轴的点云拼接算法和传统ICP算法对预处理后的点云数据进行拼接。对于基于中轴的点云拼接算法，按照上述步骤进行中轴提取、特征点提取与匹配、粗配准和精配准。在特征点提取时，在中轴上均匀选取了100个特征点；在计算FPFH特征描述符时，设置搜索半径为0.5米，邻域点数量为50；RANSAC算法的最大迭代次数为1000次，距离阈值为0.1米；改进的ICP算法在精配准过程中，设置迭代次数为50次，收敛阈值为1e-6。对于传统ICP算法，直接对预处理后的点云数据进行配准，设置迭代次数为100次，收敛阈值为1e-6。拼接完成后，采用均方根误差（RMSE）和重叠率（OverlapRatio）两个指标来评估拼接精度。RMSE用于衡量拼接后点云之间的平均距离误差，其计算公式为RMSE=\sqrt{\frac{1}{n}\sum_{i=1}^{n}(p_{i}-q_{i})^{2}}，其中n为对应点对的数量，p_{i}和q_{i}分别为两个点云中对应的点。重叠率用于衡量拼接后点云之间的重叠程度，其计算公式为OverlapRatio=\frac{N_{overlap}}{N_{total}}\times100\%，其中N_{overlap}为重叠区域内的点的数量，N_{total}为拼接后点云的总点数。实验结果表明，基于中轴的点云拼接算法的RMSE为0.035米，重叠率为95.6\%；传统ICP算法的RMSE为0.062米，重叠率为91.2\%。从结果可以看出，基于中轴的点云拼接算法在RMSE指标上明显低于传统ICP算法，说明该算法能够更准确地对齐点云，减少拼接误差；在重叠率指标上，基于中轴的点云拼接算法也高于传统ICP算法，表明该算法能够更好地保留点云之间的重叠区域，使拼接后的点云模型更加完整。通过对拼接结果的可视化分析也可以直观地看出，基于中轴的点云拼接算法能够更好地将不同测站的点云数据拼接在一起，光孝塔的各个部分连接更加自然、平滑，没有明显的错位和缝隙；而传统ICP算法拼接后的点云模型在一些部位存在明显的拼接误差，如塔檐和塔身的连接处，出现了不连续的情况。综上所述，基于中轴的点云拼接算法在光孝塔点云数据拼接中具有更高的精度和更好的效果，能够为光孝塔的三维模型重建提供更可靠的数据基础。四、基于模型对象化的光孝塔三维重建4.1古建筑三维模型构件对象化为了实现光孝塔的精确三维重建，首先需要对其结构进行深入分析，将光孝塔分解为各个组成构件，并对这些构件进行对象化表达。光孝塔主要由塔身、塔檐、塔刹等关键构件组成，每个构件都具有独特的几何形状和空间位置关系。塔身是光孝塔的主体结构，呈五级八面的柱状。在对象化表达时，将塔身视为一个具有特定高度、截面形状和层级结构的对象。塔身的高度可以通过点云数据中塔基到塔顶的垂直距离测量得到，经测量光孝塔塔身高度约为20米。其截面形状为正八边形，通过对各层塔身点云数据的分析，可以确定正八边形的边长以及各边之间的夹角关系，例如，经测量每层塔身正八边形边长约为3米。同时，将塔身的每一层视为一个独立的子对象，每个子对象包含该层的高度、门窗位置等信息。光孝塔每层设有四门，通过点云数据的分析，可以精确确定门的位置、高度和宽度等参数，为后续的模型重建提供准确的几何信息。塔檐是光孝塔建筑特色的重要体现，其独特的造型和结构增加了建筑的美感和层次感。塔檐采用砖砌成迭涩平座，上檐用角梁，下存擎檐柱，腰檐向上反翘，绕以雕板木栏。在对象化表达时，将塔檐视为一个由多个子构件组成的复合对象。其中，迭涩平座、角梁、擎檐柱和雕板木栏等都作为独立的子对象进行定义和描述。迭涩平座的对象化描述包括其层数、每层的悬挑长度和厚度等参数，通过点云数据测量，光孝塔塔檐迭涩平座约有5层，每层悬挑长度约为0.3米，厚度约为0.1米。角梁则被描述为具有特定长度、截面形状和倾斜角度的对象，角梁长度约为1.5米，截面为矩形，倾斜角度约为45度，这些参数都可以从点云数据中准确提取。擎檐柱和雕板木栏也分别根据其几何形状和位置关系进行对象化表达，包括擎檐柱的高度、直径，雕板木栏的高度、图案样式和分布位置等信息。塔刹是光孝塔的顶部结构，具有较高的宗教象征意义和建筑艺术价值。塔刹较高，承露盘上装相轮七重，刹顶上安置绕以光焰的宝珠。在对象化表达时，将塔刹视为一个包含承露盘、相轮和宝珠等子对象的复杂对象。承露盘被描述为具有特定直径和厚度的圆盘状对象，通过点云数据分析，承露盘直径约为1米，厚度约为0.2米。相轮则被定义为具有不同直径和高度的环状对象，每个相轮的直径和高度都可以从点云数据中精确测量，例如，最底层相轮直径约为0.8米，高度约为0.3米，随着相轮层数的增加，直径逐渐减小，高度也略有变化。宝珠作为塔刹的顶端装饰，被描述为具有特定半径的球状对象，其半径约为0.1米。通过对光孝塔各构件的对象化表达，建立了光孝塔的构件对象模型，为后续的参数化设计和三维模型重建奠定了坚实的基础。这种基于对象化的建模方法，能够清晰地表达光孝塔各构件之间的层次结构和空间关系，便于对模型进行管理和编辑，提高了建模的效率和准确性。4.2古建筑三维模型构件参数化设计在完成光孝塔构件对象化表达的基础上，进一步确定各构件的尺寸、形状等参数，并建立参数化模型，以实现对光孝塔三维模型的精确控制和灵活编辑。对于塔身，其主要参数包括总高度、每层高度、截面八边形的边长和各层门窗的位置与尺寸等。通过对处理后的点云数据进行精确测量和分析，得到光孝塔塔身总高度约为20米，共分为5层，每层高度依次为4.5米、4米、3.5米、3米和2.5米。塔身截面正八边形的边长在各层基本保持一致，约为3米。每层的四门均匀分布在八边形的四条边上，门的高度约为2米，宽度约为1米。在参数化模型中，将这些参数定义为变量，通过调整这些变量的值，可以方便地修改塔身的尺寸和结构，例如改变层数或每层的高度，以满足不同的研究和展示需求。塔檐的参数化设计涉及多个子构件的参数定义。以角梁为例，其参数包括长度、截面尺寸（宽度和高度）、倾斜角度以及与塔身的连接位置等。如前文所述，角梁长度约为1.5米，截面宽度约为0.2米，高度约为0.3米，倾斜角度约为45度，与塔身的连接位置位于每层塔身的顶部边缘。在参数化模型中，这些参数都可以作为变量进行调整，通过改变角梁的长度和倾斜角度，可以模拟不同风格和设计的塔檐造型；调整截面尺寸，则可以改变角梁的力学性能和视觉效果。对于迭涩平座，其参数包括层数、每层悬挑长度和厚度等。通过调整这些参数，可以改变塔檐的悬挑程度和层次感，例如增加迭涩平座的层数或悬挑长度，可以使塔檐看起来更加舒展和大气。塔刹的参数化设计主要围绕承露盘、相轮和宝珠的尺寸和位置参数展开。承露盘的参数包括直径和厚度，相轮的参数有每层的直径、高度和数量，宝珠的参数为半径。在参数化模型中，通过调整这些参数，可以实现塔刹造型的多样化。例如，增加相轮的数量或改变相轮的直径比例，可以营造出不同的宗教氛围和艺术效果；调整宝珠的半径大小，则可以突出或弱化塔刹的顶端装饰效果。通过建立光孝塔各构件的参数化模型，实现了对光孝塔三维模型的参数化驱动。设计师可以通过修改参数值，快速生成不同尺寸、形状和风格的光孝塔三维模型，不仅提高了建模效率，还为光孝塔的保护、修复和研究提供了更多的可能性。例如，在光孝塔的修复方案设计中，可以通过参数化模型模拟不同修复措施对光孝塔整体结构和外观的影响，从而选择最优的修复方案。4.3三维模型对象与LiDAR点云匹配将建立的参数化三维模型与LiDAR点云数据进行匹配，是实现光孝塔精确三维重建的关键步骤。通过匹配，使参数化模型能够准确地贴合点云数据，真实地反映光孝塔的实际形状和结构。在匹配过程中，首先利用点云数据的几何特征和模型对象的参数化信息，建立两者之间的初始对应关系。以塔身为例，根据点云数据中塔身的中轴线和截面八边形的特征，与参数化模型中塔身的相应几何参数进行匹配，确定模型在点云空间中的大致位置和方向。对于塔檐和塔刹等构件，同样根据其独特的几何形状和位置特征，与点云数据中的对应部分进行匹配，初步对齐模型和点云。然而，初始匹配往往存在一定的误差，需要进一步优化调整。采用迭代优化算法，如迭代最近点（ICP）算法的变体，对模型的位置和姿态进行精细调整，使模型表面的点与点云数据中的对应点之间的距离误差最小化。在每次迭代中，根据当前模型与点云的匹配情况，计算出模型的最优变换矩阵，包括平移和旋转参数，然后将模型按照该变换矩阵进行调整。通过多次迭代，不断减小模型与点云之间的误差，直到达到预设的精度阈值。在匹配过程中，还需要考虑光孝塔的复杂结构和细节特征，以确保模型能够准确地反映点云数据的真实情况。对于塔檐的角梁、擎檐柱等细节部分，采用局部匹配的方法，将模型中的这些细节构件与点云数据中的对应部分进行单独匹配和调整，提高细节部分的匹配精度。同时，利用点云数据的法向量信息，约束模型的调整方向，使模型在贴合点云的同时，保持正确的姿态和几何关系。通过三维模型对象与LiDAR点云的精确匹配，实现了参数化模型与实际测量数据的有机融合，重建的光孝塔三维模型能够准确地还原光孝塔的真实形状和结构，为后续的分析和应用提供了高精度的模型基础。4.4光孝塔三维模型重建结果经过上述步骤，成功实现了光孝塔的三维模型重建。重建后的光孝塔三维模型以直观、逼真的方式呈现了光孝塔的全貌，包括塔身、塔檐、塔刹等各个部分的精细结构和几何特征。从整体上看，三维模型准确地还原了光孝塔五级八面的建筑形态，塔身挺拔高耸，各层比例协调，展现出光孝塔独特的建筑韵律。塔身的每一层都清晰可见，四门的位置和尺寸与实际情况相符，通过模型可以清晰地观察到塔身内部的空间结构。塔檐部分是光孝塔建筑特色的重要体现，在重建的三维模型中得到了细致的呈现。迭涩平座的层次感分明，角梁的倾斜角度和长度与实际测量数据一致，擎檐柱和雕板木栏的细节也得到了准确还原。腰檐向上反翘的独特造型栩栩如生，仿佛能够感受到其轻盈灵动的美感。通过对塔檐参数化设计的应用，模型能够灵活地展示不同风格和设计的塔檐效果，为研究光孝塔的建筑演变和艺术风格提供了便利。塔刹作为光孝塔的顶部装饰和宗教象征，在三维模型中也得到了高度还原。承露盘、相轮和宝珠的尺寸、形状和位置与实际情况精确匹配，相轮的七重结构清晰可辨，宝珠的光泽和质感通过材质渲染得到了逼真的呈现。从模型中可以清晰地看到塔刹的整体造型和细节装饰，感受到其庄严肃穆的宗教氛围。为了更直观地展示重建效果，对三维模型进行了多角度的可视化展示。通过旋转、缩放等操作，可以从不同的视角观察光孝塔的三维模型，全面了解其建筑结构和外观特征。同时，利用虚拟现实（VR）和增强现实（AR）技术，将三维模型融入虚拟场景中，用户可以身临其境地感受光孝塔的魅力，实现了光孝塔的数字化展示和传承。通过与实际的光孝塔照片和实地考察结果进行对比分析，验证了重建的三维模型具有较高的精度和准确性。模型能够准确地反映光孝塔的实际形状、尺寸和细节特征，为光孝塔的保护、修复、研究以及数字化展示提供了可靠的数据支持和模型基础。在光孝塔的保护工作中，可以利用三维模型进行结构分析和损伤评估，制定科学合理的保护方案；在研究领域，三维模型为古建筑学者提供了详细的研究资料，有助于深入探讨光孝塔的建筑历史和文化价值；在数字化展示方面，三维模型可以通过互联网等平台进行传播，让更多的人了解和欣赏光孝塔这一珍贵的历史文化遗产。五、三维模型质量评价三维模型的质量直接影响到其在古建筑保护、研究和展示等方面的应用效果。因此，建立一套科学合理的三维模型质量评价体系至关重要。本研究从视觉质量和几何质量两个方面对重建的光孝塔三维模型进行评价。5.1视觉质量评价方法采用熵权模糊综合评价法对光孝塔三维模型的视觉质量进行评价。熵权模糊综合评价法是一种结合了熵权法和模糊综合评价法的多指标评价方法，能够充分考虑评价指标的不确定性和模糊性，提高评价结果的准确性和可靠性。构建三维模型视觉质量评价指标体系是进行评价的基础。结合光孝塔三维模型的特点和视觉质量评价的相关研究，确定了以下评价指标：模型完整性：反映模型是否完整地包含了光孝塔的各个组成部分，如塔身、塔檐、塔刹等，以及模型表面是否存在缺失或破损的情况。光孝塔作为一座具有复杂结构的古建筑，其三维模型的完整性对于准确呈现其建筑风貌至关重要。如果模型存在部分构件缺失，将无法全面展示光孝塔的建筑特色，也会影响对其结构和历史文化价值的研究。纹理清晰度：衡量模型表面纹理的清晰程度，纹理是否能够清晰地反映光孝塔的建筑材料、装饰图案等细节信息。清晰的纹理能够增强模型的真实感和视觉效果，使观察者能够更直观地感受到光孝塔的建筑艺术魅力。例如，光孝塔塔身的砖石纹理、塔檐的木雕纹理等，都需要在三维模型中清晰呈现。色彩还原度：评估模型的色彩是否与实际光孝塔的色彩一致，是否准确地还原了光孝塔在不同光照条件下的色彩特征。色彩还原度对于展示光孝塔的真实外观非常重要，准确的色彩能够使模型更加逼真地再现光孝塔的原貌。在实际拍摄光孝塔时，由于光线、拍摄设备等因素的影响，获取的图像可能存在色彩偏差，因此在三维模型重建过程中，需要对色彩进行校正和还原，以提高色彩还原度。光影效果：考虑模型在不同光照条件下的光影表现，是否能够真实地模拟光孝塔的光影变化，增强模型的立体感和层次感。合理的光影效果能够突出光孝塔的建筑结构和细节，营造出更加逼真的视觉场景。例如，通过设置合适的光源位置和强度，模拟阳光在光孝塔上的照射效果，使模型的塔身、塔檐等部位产生自然的阴影和高光，增强模型的立体感。利用熵权法确定各评价指标的权重。熵权法是一种基于信息熵的客观赋权方法，通过计算各指标的信息熵，根据信息熵的大小来确定指标的权重。信息熵越小，说明该指标提供的信息量越大，其权重也就越大。具体计算步骤如下：数据标准化：对评价指标数据进行标准化处理，消除量纲和数量级的影响。假设共有n个评价样本，m个评价指标，x_{ij}表示第i个样本的第j个评价指标值，则标准化后的数据y_{ij}为：y_{ij}=\frac{x_{ij}-\min(x_{j})}{\max(x_{j})-\min(x_{j})}其中，\min(x_{j})和\max(x_{j})分别为第j个评价指标的最小值和最大值。计算指标比重：计算第i个样本中第j个评价指标的比重p_{ij}：p_{ij}=\frac{y_{ij}}{\sum_{i=1}^{n}y_{ij}}计算信息熵：计算第j个评价指标的信息熵e_{j}：e_{j}=-k\sum_{i=1}^{n}p_{ij}\ln(p_{ij})其中，k=\frac{1}{\ln(n)}，当p_{ij}=0时，令p_{ij}\ln(p_{ij})=0。计算熵权：计算第j个评价指标的熵权w_{j}：w_{j}=\frac{1-e_{j}}{\sum_{j=1}^{m}(1-e_{j})}通过上述计算，得到各评价指标的熵权，从而确定了各指标在视觉质量评价中的相对重要性。在确定评价指标和权重的基础上，构建模糊评价矩阵。邀请多位专家对光孝塔三维模型的各个评价指标进行打分，打分范围为1-5分，其中1分表示非常差，2分表示差，3分表示一般，4分表示好，5分表示非常好。根据专家打分结果，统计每个评价指标在不同评价等级上的得分比例，得到模糊评价矩阵R。例如，对于模型完整性指标，有30\%的专家打4分，50\%的专家打5分，20\%的专家打3分，则该指标在模糊评价矩阵中的第一行元素为[0,0,0.2,0.3,0.5]。进行模糊综合评价。将模糊评价矩阵R与各评价指标的权重向量W进行模糊合成运算，得到综合评价结果向量B：B=W\timesR其中，“\times”为模糊合成算子，常用的模糊合成算子有“M(\land,\lor)”（取小取大算子）、“M(\cdot,\lor)”（乘积取大算子）、“M(\land,\oplus)”（取小加权算子）和“M(\cdot,\oplus)”（乘积加权算子）等。在本研究中，采用“M(\cdot,\oplus)”乘积加权算子进行模糊合成运算，即：b_{k}=\sum_{j=1}^{m}w_{j}r_{jk}其中，b_{k}为综合评价结果向量B的第k个元素，r_{jk}为模糊评价矩阵R的第j行第k列元素。根据综合评价结果向量B，确定光孝塔三维模型的视觉质量等级。将评价等级划分为五个等级：非常好（4.5-5分）、好（3.5-4.5分）、一般（2.5-3.5分）、差（1.5-2.5分）、非常差（1-1.5分）。通过比较b_{k}的值与各等级的得分范围，确定模型的视觉质量等级。5.2几何质量评价方法从空间位置准确性、空间约束准则和空间几何精度三个方面对光孝塔三维模型的几何质量进行评价。空间位置准确性评价主要考察三维模型在空间中的位置是否与实际光孝塔的位置一致。通过对比模型中特征点的坐标与实际光孝塔对应特征点的测量坐标，计算坐标偏差来评估空间位置准确性。例如，选择光孝塔的塔基四个角点、塔顶中心点等作为特征点，在实际测量中获取这些特征点的大地坐标，然后在三维模型中提取相应特征点的坐标，计算两者之间的欧氏距离偏差。设模型中特征点的坐标为(x_{m},y_{m},z_{m})，实际测量的特征点坐标为(x_{r},y_{r},z_{r})，则坐标偏差d为：d=\sqrt{(x_{m}-x_{r})^{2}+(y_{m}-y_{r})^{2}+(z_{m}-z_{r})^{2}}计算所有特征点的坐标偏差后，取平均值作为空间位置准确性的评价指标。偏差越小，说明模型的空间位置准确性越高。空间约束准则评价主要考虑模型是否满足光孝塔的几何结构约束和拓扑关系约束。光孝塔作为一座古建筑，其结构具有一定的规律性和约束条件，如塔身的垂直性、塔檐的水平性、各层之间的比例关系等。在评价时，通过检查模型中相关构件的几何参数和位置关系，判断是否符合这些约束准则。例如，测量模型中塔身各层的垂直度，计算垂直度偏差。假设塔身某一层的实际垂直度为\theta_{r}，模型中该层的垂直度为\theta_{m}，则垂直度偏差\Delta\theta为：\Delta\theta=|\theta_{m}-\theta_{r}|对于塔檐的水平性，通过测量塔檐各点的高程差来评估水平度偏差。设塔檐上某两点的实际高程分别为h_{r1}和h_{r2}，模型中对应两点的高程为h_{m1}和h_{m2}，则水平度偏差\Deltah为：\Deltah=|(h_{m1}-h_{m2})-(h_{r1}-h_{r2})|通过计算这些几何参数的偏差，评估模型是否满足空间约束准则。偏差越小，说明模型在几何结构和拓扑关系上越符合实际情况。空间几何精度评价主要评估模型中各构件的尺寸精度和形状精度。对于尺寸精度，通过测量模型中关键构件的长度、宽度、高度等尺寸参数，并与实际测量的尺寸进行对比，计算尺寸偏差。例如，测量模型中塔身的高度、塔檐的悬挑长度、角梁的长度等，与实际测量值进行比较。设模型中某构件的尺寸为l_{m}，实际尺寸为l_{r}，则尺寸偏差\Deltal为：\Deltal=|l_{m}-l_{r}|对于形状精度，采用一些形状描述子来量化模型与实际构件形状的相似度，如曲率、面积比、周长比等。以塔身的正八边形截面为例，计算模型中截面的周长与实际截面周长的比值，以及模型中截面的面积与实际截面面积的比值，来评估形状精度。设模型中截面的周长为C_{m}，实际截面周长为C_{r}，面积为S_{m}，实际截面面积为S_{r}，则周长比r_{C}和面积比r_{S}分别为：r_{C}=\frac{C_{m}}{C_{r}}r_{S}=\frac{S_{m}}{S_{r}}通过这些指标的计算，综合评估模型的空间几何精度。指标值越接近1，说明模型的尺寸精度和形状精度越高。5.3实验与分析对重建的光孝塔三维模型进行质量评价实验。邀请了5位古建筑专家和3位测绘专家组成评价小组，对模型的视觉质量进行评价。专家们根据自己的专业知识和经验，对模型的完整性、纹理清晰度、色彩还原度和光影效果等指标进行打分，打分结果如表1所示：专家编号模型完整性纹理清晰度色彩还原度光影效果1443425444345334544454434643437544484434根据专家打分结果，统计各评价指标在不同评价等级上的得分比例，构建模糊评价矩阵R：R=\begin{bmatrix}0&0&0.25&0.5&0.25\\0&0&0.125&0.75&0.125\\0&0&0.375&0.375&0.25\\0&0&0.25&0.5&0.25\end{bmatrix}利用熵权法计算各评价指标的权重，得到权重向量W=[0.23,0.27,0.25,0.25]。采用“M(\cdot,\oplus)”乘积加权算子进行模糊合成运算，得到综合评价结果向量B：B=W\timesR=[0,0,0.245,0.54,0.215]根据综合评价结果向量B，计算模型的视觉质量得分：S=1\times0+2\times0+3\times0.245+4\times0.54+5\times0.215=3.97根据视觉质量等级划分标准，该模型的视觉质量等级为“好”。在几何质量评价方面，通过实地测量获取光孝塔的关键特征点坐标、几何结构参数和构件尺寸等数据，与三维模型中的相应数据进行对比分析。计算得到空间位置准确性的平均坐标偏差为0.05米，空间约束准则评价中塔身垂直度偏差最大为0.5^{\circ}，塔檐水平度偏差最大为0.03米，空间几何精度评价中关键构件的尺寸偏差均在允许范围内，形状描述子的指标值与实际值较为接近。从实验结果可以看出，重建的光孝塔三维模型在视觉质量和几何质量方面都达到了较高的水平。视觉质量评价结果表明，模型在完整性、纹理清晰度、色彩还原度和光影效果等方面表现良好，能够真实地呈现光孝塔的外观和艺术特色。几何质量评价结果显示，模型的空间位置准确性较高，满足光孝塔的几何结构约束和拓扑关系约束，各构件的尺寸精度和形状精度也符合要求。这说明本文所采用的基于地面LiDAR的三维重建方法以及质量评价体系是有效的，能够为光孝塔的保护、修复和研究提供可靠的三维模型支持。然而，在评价过程中也发现了一些不足之处，如在纹理清晰度方面，部分细节纹理的清晰度还有待提高；在空间几何精度方面，一些微小构件的尺寸精度还可以进一步优化。针对这些问题，在后续的研究中可以进一步改进数据采集和处理方法，提高模型的质量。六、结论与展望6.1研究成果总结本研究成功利用地面LiDAR技术实现了江苏省南通市光孝塔的三维模型重建。通过精心设计的数据采集方案，使用TrimbleX7地面LiDAR设备在光孝塔周边设置5个测站，获取了包含塔体结构、装饰细节等丰富信息的点云数据。对原始点云数据进行了全面的预处理，采用统计滤波算法去除离群点，运用高斯滤波和直通滤波去除噪声，有效提高了点云数据的质量。在点云拼接环节，提出基于中轴的点云拼接算法。该算法通过提取点云中轴、匹配特征点、利用RANSAC算法进行粗配准以及改进的ICP算法进行精配准，成功将不同测站的点云数据拼接成完整的光孝塔点云模型。实验结果表明，该算法在均方根误差（RMSE）和重叠率指标上明显优于传统ICP算法，拼接后的点云模型精度更高，完整性更好。基于模型对象化的方法进行三维重建，对光孝塔的塔身、塔檐、塔刹等构件进行了对象化表达和参数化设计。通过将建立的参数化三维模型与LiDAR点云数据进行匹配，实现了光孝塔的精确三维重建。重建后的三维模型以直观、逼真的方式呈现了光孝塔的全貌，包括塔身的五级八面结构、塔檐的独特造型和塔刹的精细装饰等，为光孝塔的保护、修复、研究以及数字化展示提供了可靠的数据支持。从视觉质量和几何质量两个方面对三维模型进行了质量评价。采用熵权模糊综合评价法对视觉质量进行评价，结果显示模型在完整性、纹理清晰度、色彩还原度和光影效果等方面表现良好，视觉质量等级为“好”；在几何质量评价中，模型的空间位置准确性较高，满足光孝塔的几何结构约束和拓扑关系约束，各构件的尺寸精度和形状精度也符合要求。6.2研究创新点在算法方面，提出的基于中轴的点云拼接算法是本研究的一大创新点。该算法充分利用光孝塔的几何结构特征，通过提取点云中轴信息来实现点云的快速、准确拼接，有效解决了传统ICP算法在处理复杂古建筑点云数据时容易出现的误匹配和陷入局部最优解的问题。在中轴提取过程中，采用基于距离变换的方法，并结合高斯平滑滤波对距离场进行预处理，提高了中轴提取的准确性和稳定性；在特征点匹配和配准过程中，引入了快速点特征直方图（FPFH）算法和改进的ICP算法，综合考虑了点云的几何特征和法向量信息，进一步提高了拼接精度。在模型构建方面，采用基于模型对象化的三维重建方法具有创新性。将光孝塔分解为各个组成构