的有益效果是：
[0073] 本发明利用三维激光扫描仪获取的震区建筑物三维点云数据，开展建筑物震害程 度评估和分析，解决传统遥感震害评估分析中无法真实反映建筑物破坏状态的问题。本发 明主要关注建筑物的破坏和可修复情况，针对直立或部分倒塌的建筑物开展震害信息提取 和分析，其中融合了边缘提取、形状聚类及判别分析方法，有效解决了建筑物等高多边形序 列提取、形状离散参数计算、不规则建筑物区块分割和震害分析上遇到的问题。
[0074] 本发明优点如下：
[0075] (1)实用性：强调建筑物的结构不规则性，在工程实践中能够应用于现实世界的 大多数建筑物。
[0076](2)拓展性：可以根据实际情况选择其他形状特征参数，以改进不规则建筑物分 割和震害判别函数。
[0077] ⑶识别能力强：能够比较准确地区分中度破坏和严重破坏建筑物，这是传统遥 感震害评估方法很难完成的。
[0078] (3)统一性：与震害现场调查工作及评估标准相结合，定量分析建筑物震害情况， 两者相互结合对地震烈度判定、地震救援和灾区重建具有指导价值，同时获取的三维点云 数据为建筑物破坏过程数值模拟和分析提供了重要数据支持，有利于推动地震工程领域的 研究。
[0079] (4)易操作性：使用的建筑物形状离散参数通俗易懂，提取方法操作简单，便于非 专业人员理解与掌握。
【附图说明】
[0080] 图1是本发明所述建筑物震害分析方法的流程示意图；
[0081] 图2是实施例中四种建筑物B12、B14、H2和H3的形状离散参数倾斜方向Θ对采 样间隔的相应统计图；图2中带矩形的曲线表示B12的统计曲线，带原点的曲线表示B14的 统计曲线，带正三角形的曲线表示H2的统计曲线，带倒三角形的曲线表示H3的统计曲线；
[0082] 图3是图2中所述四种建筑物的形状离散参数紧致度C对采样间隔的相应统计 图；图3中带矩形的曲线表示B12的统计曲线，带原点的曲线表示B14的统计曲线，带正三 角形的曲线表示H2的统计曲线，带倒三角形的曲线表示H3的统计曲线；
[0083] 图4是实时例中B8(N= 1)、H4(N= 3)和H4(N= 1)三个建筑物的形状离散参数 长宽比r、倾斜方向Θ、矩形度R、紧致度C和中心点dis坐标（x，y)的离散度聚类效果对比 图；图4中带矩形的曲线表示B8(N= 1)各参数离散度聚类效果，带原点的曲线表示H4(N=3)各参数离散度聚类效果，带三角形的曲线表示H4(N= 1)各参数离散度聚类效果；
[0084] 图5是实施例中21个建筑物的长宽比离散参数分布图；图中，原点、菱形和六边形 依次表示21个建筑物中严重破坏、中等破坏和轻微破坏的长宽比离散参数；
[0085] 图6是实施例中21个建筑物的倾斜方向离散参数分布图；原点、菱形和六边形依 次表示21个建筑物中严重破坏、中等破坏和轻微破坏的倾斜方向离散参数；
[0086] 图7是实施例中21个建筑物的矩形度离散参数分布图；原点、菱形和六边形依次 表示21个建筑物中严重破坏、中等破坏和轻微破坏的矩形度离散参数；
[0087] 图8是实施例中21个建筑物的紧致度离散参数分布图；原点、菱形和六边形依次 表示21个建筑物中严重破坏、中等破坏和轻微破坏的紧致度离散参数；
[0088] 图9是实施例中21个建筑物的中心点离散参数分布图；原点、菱形和六边形依次 表示21个建筑物中严重破坏、中等破坏和轻微破坏的中心点离散参数；
[0089] 图10是实施例中严重破坏、中等破坏和轻微破坏三种程度的长宽比r的标准差的 盒式统计图；
[0090] 图11是实施例中严重破坏、中等破坏和轻微破坏三种程度的倾斜方向Θ的标准 差的盒式统计图；
[0091] 图12是实施例中严重破坏、中等破坏和轻微破坏三种程度的矩形度R的标准差的 盒式统计图；
[0092] 图13是实施例中严重破坏、中等破坏和轻微破坏三种程度的紧致度C的标准差的 盒式统计图；
[0093] 图14是实施例中严重破坏、中等破坏和轻微破坏三种程度的中心点dis的标准差 的盒式统计图；
[0094] 图15是不同类别建筑物在判别函数二维空间上的散点图，矩形表示中心点，原点 表示轻微破坏，菱形表示中等破坏，六边形表示严重破坏。
【具体实施方式】
[0095] 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，对本发明进 行进一步详细说明。应当理解，此处所描述的【具体实施方式】仅仅用以解释本发明，并不用于 限定本发明。
[0096] 本发明所述建筑物震害分析方法，该方法按照以下步骤实现：
[0097] S1，点云数据预处理
[0098] 设定等高采样间隔，利用三维激光扫描仪获取的震区建筑物三维点云数据，提取 建筑物不同高度上的点云集合，然后利用凸包算法获取等高截面轮廓线，将建筑物的三维 点云转化为二维等高多边形序列；以降低形状分析的维度；
[0099] S2,提取形状离散参数并计算其标准差
[0100] S21，计算得到建筑物二维等高多边形的长宽比r、倾斜方向Θ、矩形度R、紧致度C 和中心点坐标（X，y);判断建筑物在地震之前形态是否规则，如果是，则直接计算建筑物的 形状参数的标准差σ〇、〇R、〇c；、〇dis，其中，σ〇、σκ、σ。、〇<^依次表示建筑物 的长宽比r、倾斜方向θ、矩形度R、紧致度C的离散度，σdis表示中心点位置的标准差，然 后进入S3;如果否，则进入S22;
[0101] 其中，对于严重破坏建筑物，无法判断震前形态时，视为规则建筑物；
[0102] S22,采用聚类算法，将二维等高多边形序列分割为若干子序；
[0103]S23,计算每个子序列的建筑物形状参数的标准差，然后通过加权平均计算建筑物 形状参数加权处理后的标准差σ/、σ〇'、σR'、σc；'、σdis'，然后进入S3 ;其中，σ/、σ/、 σκ'、依次表示建筑物的长宽比r、倾斜方向Θ、矩形度R、紧致度C的加权处理后的标 准差，〇dls'表示中心点位置的加权处理后的标准差；
[0104] 其中，当建巩物是规则建巩物时，=σ^、σθ =σθ、σκ =oR、oc =oc、 0dis= 0dis；
[0105] S3,建筑物震害特征评估分析
[0106] 通过Fisher判别分析对步骤S22或步骤S23中得到的标准差进行统计，得到建筑 物三种破坏程度所对应的判别函数，分别为：
[0107] 建筑物轻微破坏，对应的判别函数为F1= 6. 528 〇 +17. 956 〇 dis' -9. 761;
[0108] 建筑物中等破坏，对应的判别函数为F2= 675σ+27. 530σdis' -20. 560 ;
[0109] 建筑物严重破坏，对应的判别函数为F3= 16. 961σ+41. 302σdis' -55. 945。
[0110] ( -）步骤S1中，建筑物等高多边形序列的提取是数据预处理阶段的重要环节，主 要是提取不同高度上建筑物点云集合的轮廓线。现有边界检测算法大多针对栅格数据，很 难应用于离散点云数据。本方法采用计算机几何学中的凸包算法解决了这一问题。凸包是 实体向量空间中给定集合X的凸集的交集，X包括离散点集和多边形两类。
[0111] 二维点集凸包求解算法比较多，包括增量式算法、Graham扫描法、Jarvis步进 法、单链法、分治法、快包法等，目前比较常用的是Graham法。该算法由数学大师葛立恒 (Graham)在1972年提出，采用堆栈思想，迭代扫描点集中的所有离散点，按照极角排序方 式检索凸包多边形顶点及其关联关系，对所有离散点进行排序，并前后连接形成闭合多边 形。Graham扫描法中每个点只被遍历一次，空间复杂度为0(1)，时间复杂度为0(nlgn)，比 增量式算法和Jarvis步进法快速高效，其缺点目前尚不能解决二维以上空间中的问题。本 文利用该算法基于地面激光扫描点云提取建筑物的等高多边形序列，则解决了避免了这个 缺点。
[0112] 而，本申请中，提取建筑物不同高度上的点云集合，然后利用凸包算法获取等高截 面轮廓线，具体按照下述步骤实现：
[0113]S11，选择任意一个高度上的点云集合A;
[0114] 首先，去除X坐标相同且y坐标也相同的点，得到新点云集合A ;
[0115] 然后，获取新点云集合A中y坐标最小的点数量，如果数量为1，则y坐标最小的一 点进栈；如果数量大于1，则选取X坐标、y坐标均最小的一点进栈；
[0116] 接着，将y坐标最小或X坐标、y坐标均最小的一点作为基点，将基点与新点云集 合A中剩余点构成的向量与X轴之间形成的极角按照逆时针排序，同时，将构成向量的除基 点外的点按照所述逆时针排序，得到序列B;
[0117] 在点排序过程中，当存在两个和两个以上的极角相等时，保留距离基点最远的点， 其余点删除。
[0118]S12,序列B中的所有点与基点形成的线段一定在凸包上，故序列B中的第一点进 栈，依据序列B中前三个点顺次形成的边角的方向，判断在序列B中第二点处边角的方向是 否是向左转，如果是，则第二点进栈；如果否，则第二点不进栈，接着判断与第一点离得最近 的第三点；
[0119] S13,按照步骤S12中所述判断方法依次对序列B中的其他点迭代扫描，保留边角 方向向左转的点，最终得到所有进栈的点，连接形成三维点云凸包多边形。
[0120] (二）建筑物依照设计建造，结构有序，并非随机的自组织系统。因此一个形状规 则且未受损坏的建筑物，等高