Skip to content

Latest commit

 

History

History
137 lines (113 loc) · 7.07 KB

README.md

File metadata and controls

137 lines (113 loc) · 7.07 KB
Raw

Introductie Geoflow-DIM

Deze pijplijn verricht Geoflow LoD1.2-2.2 3D gebouw reconstructie uit zowel lidar puntewolken als Dense Matching puntenwolken aangevuld met true-ortho beelden voor daklijn extractie. Voor ieder gebouw wordt automatisch bepaald welke puntenwolk het meest geschikt is op basis van puntdekking en/of acquisitie datum.

Inputs en outputs

Voor de gebouw reconstructie zijn nodig. Deze inputs kunnen automatisch worden geprepareerd met 3dbag-input-kadaster:

  1. 2D gebouw polygonen (bv BAG)
  2. Een of meerdere lidar puntenwolken (bv AHN3, AHN4)
  3. (optioneel) een Dense Matching puntenwolk + true-ortho beelden (beeldmateriaal van een recentere datum dan de laatste lidar puntenwolk)

Hiermee worden de volgende outputs gecreeerd:

  1. Een CityJSON feature bestand per gebouw (features/*.city.jsonl)
  2. Een normaal CityJSON bestand voor alle gebouwn (tile.city.json)
  3. Een GIS vector output in een PostgreSQL database.

Deze outputs bevatten dezelfde allemaal dezelfde gebouwdata, maar in verschillende bestandsformaten.

Werking pijplijn

De pijplijn is opgebouwd uit de volgende stappen:

  1. Uitsnijden punten wolken per gebouw op basis van 2D gebouw polygonen.
  2. Per gebouw analyse + selectie van de optimale puntenwolk op basis van criteria puntdekking en actualiteit.
  3. Voor gebouwen waarvoor de DIM puntenwolk is geselecteerd daklijn extractie uit de true-ortho beelden.
  4. Reconstructie 3D gebouw modellen. Hierbij wordt voor de gebouwen met DIM puntenwolk een aparte versie van het algoritme gebruikt waarbij ook de true-ortho daklijnen worden meegenomen. Deze stap genereert de CityJSON feature bestanden.
  5. Het samenvoegen van de CityJSON feature bestanden naar een reguliere CityJSON bestand (met alle gebouwen) en een GIS vector output (bv GPKG).

Gebruik voor zeer grote gebieden

Voor het draaien van zeer grote gebieden is het aanbevolen de data van te voren in tegels op te splitsen en deze pijplijn per tegel te draaien. 3dbag-input-kadaster doet dit automatisch.

Gebruik

Deze pijplijn is beschikbaar is momenteel alleen beschikbaar als Docker image. Directe installatie op een systeem (zonder Docker) is in principe wel mogelijk maar erg ingewikkeld en wordt daarom afgeraden. Docker kan gebruikt worden op alle besturingssystemen.

Download de docker image op de Release pagina (bv: geoflow-dim_v0.3.tar.gz) en laad in met:

docker load < geoflow-dim_v0.3.tar.gz

Test of de docker image juist is ingeladen met:

docker run --rm geoflow-dim

Dit zou de volgende output moeten geven:

Usage: run.py [OPTIONS] COMMAND [ARGS]...

Options:
  -c, --config PATH               Main configuration file
  -l, --loglevel [INFO|WARNING|DEBUG]
                                  Print debug information
  -j, --jobs INTEGER              Number of parallel jobs to use. Default is
                                  all cores.
  --keep-tmp-data                 Do not remove temporary files (could be
                                  helpful for debugging)
  --only-reconstruct              Only perform the building reconstruction and
                                  tile generation steps (needs tmp data from
                                  previous run)
  --help                          Show this message and exit.

Commands:
  cmd  Run a command (for debugging)

Gebruik met 3dbag-input-kadaster

Let op gebruik minimaal 3dbag-input-kadaster versie 0.4

De 3dbag-input-kadaster pijplijn prepareert de input data automatisch en splitst deze op in tegels. Voor iedere tegel (van 1.25x1.25 km) wordt een configuratie bestand weggeschreven naar een Azure BLOB container. Deze configuratie bestanden kunnen direct gebruikt worden om de geoflow-dim docker image te draaien. Ieder configuratie bestand zal 1 tegel aan gebouwen genereren.

Voorbeeld voor het draaien van tegel 10BZ1_3 (in de tile_configs map die door 3dbag-input-kadaster wordt weggeschreven):

docker run \
  --env-file .env \
  geoflow-dim --config tile_configs/10BZ1/t_10BZ1_3.tml

Hierbij wordt met --env-file een bestand met omgevingsvariabelen opgegeven. In dit bestand worden de input en output Azure BLOB containers geconfigureerd alsmede de database verbinding voor de GIS vector output.

Voorbeeld '.env' bestand:

# GFDATA container waar data door 3dbag-input-kadaster is weggeschreven:
AZBLOB_GFDATA_SAS_KEY="<sas_key_gfdata>"
AZBLOB_GFDATA_CONTAINER=<container_gfdata>
AZBLOB_GFDATA_ENDPOINT=<endpoint_gfdata>

# optioneel voor Beeldmateriaal input:
# AZBLOB_BM_SAS_KEY="<sas_key_bm>"
# AZBLOB_BM_CONTAINER=<container_bm>
# AZBLOB_BM_ENDPOINT=<endpoint_bm>

# container waar de output bestanden naar moeten worden weggeschreven:
AZBLOB_GFOUTPUT_SAS_KEY="<sas_key_gfoutput>"
AZBLOB_GFOUTPUT_CONTAINER=<container_gfoutput>
AZBLOB_GFOUTPUT_ENDPOINT=<endpoint_gfoutput>

# database en schema (moet vooraf al bestaan) waar de vector output naar moet worden weggeschreven:
PG_OUTPUT="PG:dbname=gfoutput active_schema=public user=<pg_username> port=<pg_port> host=<pg_host> password=<password>"

Test met voorbeeld data

Clone dit git repository:

git clone https://github.com/3DGI/geoflow-dim.git
cd geoflow-dim

Download de testadata en pak uit in de example_data map.

Draai de pijplijn met:

docker run --rm \
  -v ./config:/config \
  -v ./example_data/10_268_594/bag:/data/poly \
  -v ./example_data/10_268_594/true-ortho:/data/img \
  -v ./example_data/10_268_594/laz/2020_dim:/data/laz/2020_dim \
  -v ./example_data/10_268_594/laz/ahn3:/data/laz/ahn3 \
  -v ./example_data/10_268_594/laz/ahn4:/data/laz/ahn4 \
  -v ./tmp:/data/tmp \
  -v ./ouput:/data/output \
  geoflow-dim -c /config/config.toml -l INFO

Hiermee worden met -v verschillende lokale mappen in de docker container gemount. Vervolgens wordt met -c ... het configuratie bestand opgegeven en met -l INFO het log niveau ingesteld. Voorbeeld output:

2023-08-17 19:52:17,495 [INFO]: Config read from /config/config.toml
2023-08-17 19:52:17,495 [INFO]: Pointcloud selection and cropping...
2023-08-17 19:52:50,713 [INFO]: Roofline extraction from true orthophotos...
2023-08-17 19:52:50,742 [INFO]: Building reconstruction...
2023-08-17 19:52:57,225 [INFO]: Generating CityJSON file...
2023-08-17 19:53:24,089 [INFO]: Cleaning up temporary files...

Daarnaast zou er nu een output map moeten zijn verschenen met daarin de gereconstrueerde gebouwen in verschillende bestands formaten:

features <- Map met CityJSON features
tile.city.json <- CityJSON bestand met alle gebouwen
tile.gpkg <- GIS vector bestand met alle gebouwen

Gebruik met eigen data

Hiervoor dienen de juiste lokale mappen in de docker container gemount te worden als een volume (met -v) en het configuratie bestand moet aangepast worden om daarin de juiste input bestanden te noemen (input gebouw polygonen en puntenwolken). config/config.toml is een voorbeeld configuratie bestand met uitleg.