CN104091369A - 一种无人机遥感影像建筑物三维损毁检测方法 - Google Patents
一种无人机遥感影像建筑物三维损毁检测方法 Download PDFInfo
- Publication number
- CN104091369A CN104091369A CN201410352371.6A CN201410352371A CN104091369A CN 104091369 A CN104091369 A CN 104091369A CN 201410352371 A CN201410352371 A CN 201410352371A CN 104091369 A CN104091369 A CN 104091369A
- Authority
- CN
- China
- Prior art keywords
- calamity
- buildings
- dsm
- image
- aerial vehicle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种无人机遥感影像建筑物三维损毁检测方法,包括生成灾前的DSM和灾后的DSM并配准,识别损毁建筑物疑似区域;根据灾前的DSM获取建筑物的矢量信息,进一步分割灾前建筑物区域和灾后建筑物区域;根据灾前建筑物区域分割结果、灾后建筑物区域分割结果进行特征提取,得到特征证据;根据证据理论原理,采用特征证据计算建筑物发生倒损的置信度,得到检测结果。本发明充分利用了多重叠影像生成的点云三维信息,同时结合灾前后的遥感影像房屋损毁特征,显著提高了建筑物损毁检测的精度。
Description
技术领域
本发明涉及遥感影像应用技术领域,尤其是涉及一种无人机遥感影像建筑物三维损毁检测方法。
背景技术
自然灾害发生后,如何快速的对灾害中的房屋损毁情况做出检测评价,具有重要的意义。它能够及时和准确的了解受灾的区域和灾害级别,以便快速做出相应的应急措施。无人机作为一种新型遥感监测平台,飞行操作智能化程度高,可按预定航线自主飞行、摄像,实时提供遥感监测数据和低空视频监控,具有机动性强、便捷、成本低等特点,其所获取的高分辨率重叠的遥感数据具有抗干扰能力强,成像范围大等特点,使之成为建筑物损毁检测有效的方式之一。
通常自然灾害发生后建筑物的倒损形式包括结构整体倒塌、整体沉降、部分倒塌、下部倒塌、中间层倒塌、墙体裂而不倒等。显而易见,对于建筑物整体沉降,下部倒塌等情况,倒损检测不仅需要二维信息的提取与分析,建筑物高度信息的检测也至关重要。目前利用遥感进行建筑物倒损检测的典型方法包括以下几种:1)利用单张灾后影像的建筑物损毁检测方法,其核心思想是通过对遥感影像解译分类,提取建筑物损毁信息。由传统的基于像元级别的提取方法,发展到现在主流的基于面向对象技术提取方法,同时结合影像的各种特征包括几何结构、形状、边缘、纹理、颜色等,对建筑物损毁信息进行提取;但该方法难以提取建筑物高度变化信息,即使能利用阴影等方式获得部分建筑物高度,但不具有普适性。2)利用两/多时相遥感影像的建筑物损毁信息提取方法,其核心思想是遥感变化检测,通过灾害前后遥感影像变化区域对比,提取建筑物损毁信息;这些方法主要是基于二维数据的变化检测,难以检测建筑物高度变化信息,对检测那些部分倒塌、整体沉降、下部倒塌或中间层倒塌等高度发生变化的建筑物具有先天缺陷。3)利用航空或卫星立体像对提取的DSM三维信息对建筑物进行损毁检测,通过三维信息的提取与比较分析检测建筑物高度的变化而获得损毁信息;因此需要迫切寻找一种数据易获取、检测效率高、检测结果相对精确且顾及到建筑物高度信息的变化检测方法。
发明内容
为克服现有技术缺陷,本发明提出了一种无人机遥感影像建筑物三维损毁检测方法。
本发明的技术方案提供的一种多重叠无人机遥感影像建筑物三维损毁检测方法,包括以下步骤,
步骤一、对灾前数据和灾后数据分别进行处理,生成灾前的DSM和灾后的DSM,DSM为数字地表模型;所用的灾前数据和灾后数据为多重叠无人机遥感影像数据;
步骤二,对步骤一所得灾前的DSM和灾后的DSM进行自动配准;
步骤三,对步骤二配准后的DSM,利用高程信息进行变化检测,识别损毁建筑物疑似区域;
步骤四,进一步分割灾前建筑物区域和灾后建筑物区域,包括根据步骤一所得灾前的DSM获取建筑物的矢量信息,并且进行以下处理,
基于灾前数据进行影像拼接,把步骤三中损毁建筑物疑似区域投影到所得拼接影像上,得到影像上的变化疑似区域,利用建筑物的矢量信息叠加在所得影像上的变化疑似区域上进行分割,得到灾前建筑物区域分割结果;
基于灾后数据进行影像拼接,把步骤三中损毁建筑物疑似区域投影到所得拼接影像上,得到影像上的变化疑似区域,利用建筑物的矢量信息叠加在所得影像上的变化疑似区域上进行分割,得到灾后建筑物区域分割结果;
步骤五,根据灾前建筑物区域分割结果、灾后建筑物区域分割结果进行特征提取,得到特征证据;
步骤六,根据证据理论原理,采用步骤五所得特征证据计算建筑物发生倒损的置信度,得到检测结果。
而且,步骤一中,对灾前数据和灾后数据分别进行处理时,处理方式包括利用先验信息对多重叠无人机遥感影像进行预处理,利用空三构网求出每张影像的外方位元素,密集匹配生成三维点云,构建底面格网,生成DSM。
而且,步骤四中,根据步骤一所得灾前的DSM获取建筑物的矢量信息,包括利用数学形态学滤波分离出非地面点,基于区域生长方式提取建筑物点,通过建筑物投影到地面的轮廓信息得到建筑物的矢量信息。
而且,步骤五中,所述特征证据包括面积特征证据和纹理特征证据。
而且,根据灾前建筑物区域分割结果、灾后建筑物区域分割结果进行面积特征提取,获得面积特征证据,实现方式如下,
分别计算灾前和灾后的第i个建筑物的面积SiBefore、SiAfter,以及面积差ΔSi=SiBefore-SiAfter,
当ΔSi小于或等于给定的面积差最小阈值MinΔSi时,认为建筑物发生倒损的隶属度RiΔS(Area)为0;
当ΔSi大于或等于给定的面积差最大阈值MaxΔSi时,认为建筑物发生倒损的隶属度RiΔS(Area)为1;
当MinΔSi<ΔSi<MaxΔSi,根据隶属函数确定建筑物发生倒损的隶属度
而且,根据灾后建筑物区域分割结果进行纹理特征提取,获得纹理特征证据,实现方式如下,
求取灾后的第i个建筑物的灰度共生矩阵中能量特征ASMi,
当ASMi大于或等于给定的最大阈值MaxASMi时,认为建筑物发生倒损的隶属度RiASM(ASM)为0,
当ASMi小于或等于给定的最小阈值MinASMi时,认为建筑物发生倒损的隶属度RiASM(ASM)为1,
当MinASMi<ASMi<MaxASMi时,根据隶属函数计算建筑物发生倒损的隶属度
本发明充分利用了多重叠影像生成的点云三维信息,同时结合灾前后的遥感影像房屋损毁特征,显著提高了建筑物损毁检测的精度,特点是:
(1)损毁变化检测由二维扩展到三维环境中,利用影像生成的三维点云的高程信息进行三维变化检测,根据高度变化情况进行疑似区域检测。
(2)利用影像生成的DSM进行建筑物的分割提取,生成建筑物的矢量信息,利用矢量信息得到灾前和灾后影像上的建筑物区域。
(3)利用建筑物的高程、面积和纹理等多特征对建筑物进行变化检测,并运用证据理论对特征提取结果进行处理。
附图说明
图1为本发明实施例的流程图。
图2为本发明实施例的分组示意图。
具体实施方式
本发明提供了一种基于三维的建筑物损毁变化检测的方法,通过重叠的无人机航拍影像生成三维点云,利用灾前三维点云信息提取建筑物的矢量信息,利用灾前和灾后建筑物的高程、面积和纹理作对比来进行变化检测,最终得到损毁建筑物。本发明技术方案可采用计算机软件技术实现自动运行流程。以下结合附图和实施例详细说明本发明技术方案。
如图1,实施例包括以下步骤:
步骤一、对灾前数据和灾后数据分别进行处理。
实施例基于灾前数据和灾后数据的多重叠无人机遥感影像分别进行以下步骤,生成灾前的DSM和灾后的DSM,一般可采用以下步骤:
(1)利用先验信息对多重叠无人机遥感影像进行预处理:
无人机航拍的相邻影像之间有一定的重叠度。由于航拍的数据量非常大,直接进行三维重建,一方面无法得到较好的重建效果,另外一方面会使得重建的计算量大,重建时间较长。因此,利用已有POS信息和航带先验信息对影像进行分组。由于实施例中无分机影像的航向重叠度是80%,旁向重叠度是35%,那么对于某张影像应该和同一航带的连续4张影像以及航带间的连续两张影像分为一组。如图2所示A点的影像在航带图中的分组,黑色矩形虚线框住部分为与A影像分在同一组的影像。
(2)在步骤(1)的基础上进行空三摄影测量,利用空三构网,求出每张影像的外方位元素,并进行光束法的整体平差。本步骤实现可采用现有技术,本发明不予赘述。
(3)根据影像分组,在步骤(2)的基础上利用现有技术中GPU加速的PMVS算法进行快速的密集匹配,生成密集的三维点云,所重建的点云作为三维高程数据。
(4)对步骤(3)中的三维点云底面进行网格化,构建底面格网,每个网格对应一个高程点,对网格中没有高程的点,进行插值形成DSM。DSM为数字地表模型。
步骤二,对步骤一所得灾前的DSM和灾后的DSM进行自动配准:由于由灾前和灾后重叠影像生成的点云也可换算为精确的大地坐标,因此可以进行比较精确的自动配准。自动配准实现可采用现有技术,本发明不予赘述。
步骤三,利用高程信息进行变化检测,识别损毁建筑物疑似区域:具体实施时可对步骤二配准后的DSM进行差值运算处理,当差值大于某个预设阈值时,认为发生了变化,最后得到DSM差值影像,对差值影像进行二值化和Canny的边缘检测,得到侯选变化区域。本领域技术人员可自行预设相应阈值。
步骤四,进一步分割灾前建筑物区域和灾后建筑物区域:
实施例对步骤一所得灾前的DSM分离出非地面点,采用基于面片拟合的区域生长方法提取建筑物点,最终获取建筑物的矢量信息。具体步骤如下:
a)利用数学形态学滤波分离出非地面点。主要思路是将地面之上的建筑物和植被腐蚀至地表,然后再进行膨胀恢复。具体方法是:移动一个固定大小的窗口(结构元素),通过开运算检测出窗口内的最低点,如果此窗口内点的高程值与最低点高程之差在预设阈值范围内,则判断该点为地面点,否则加以剔除。阈值的大小通常由三维点云的精度确定,本领域技术人员可自行预设相应阈值。当该窗口在整个点云内完整地移动一遍就获得了最终的滤波结果,实现地面和非地面的分离。
b)基于规格网的区域生长方法提取建筑物点。具体流程如下:
①基于步骤一所得灾前的DSM,以第一个网格点做为增长的起始点,并对区域进行标记。
②将该网格点的高程和周围8-邻域的高程进行比较,若高程差小于某一个预设阈值,合并到同一区域,并对该区域进行标记。本领域技术人员可自行预设相应阈值。
③从新合并的格网点开始,反复②的操作,直到不能合并。
④返回①的操作,寻找新的网格点作为区域增长的起始点,重复②③操作,当所有的网格点搜索完毕,区域增长结束。
c)通过建筑物投影到地面的轮廓信息得到建筑物的矢量信息。具体实施时,可对每个建筑物进行编号,得到矢量和建筑物编号的对应关系。基于编号可以记录相应建筑物的位置。
并且基于灾前数据和灾后数据的多重叠无人机遥感影像分别进行以下步骤,
(1)对影像进行利用基于特征的影像拼接,具体流程如下:
a)特征提取:利用SIFT进行影像的特征提取。
b)影像配准:先进行粗配准,利用k-d树搜索匹配的特征点;然后进行精配准,粗配准往往出现错误的匹配点,因此利用RANSAC算法剔除错误的匹配点。通过影像的配准,可以得到影像之间的变换矩阵。
c)影像的拼接:通过b)得到的变换矩阵进行影像的拼接。
d)影像的融合:拼接后,利用双线性插值算法进行影像的融合。
SIFT特征提取、k-d树、RANSAC算法、双线性插值算法具体实现为现有技术,本发明不予赘述。
(2)把步骤三中候选变化区域投影到(1)所得拼接影像上,得到影像上的变化疑似区域。设投影矩阵P3×4表示单视图几何的已知的内外方位元素,计算P3×4矩阵:
其中,P即投影矩阵P3×4,f为影像的焦距,x0和y0为光轴距离光心在水平方向和垂直方向的偏心距。Xs、Ys、Zs为相机中心在世界坐标系中的坐标,RT表示3×3的旋转矩阵。
投影公式为:
利用式一和式二计算点云上的点到影像上的投影。x,y,z表示物点在相机坐标系下的坐标,X,Y,Z表示物点在世界坐标系下的坐标。
(3)矢量引导分割:利用建筑物的矢量信息叠加在(2)所得影像上的变化疑似区域上进行分割。
针对灾前影像,进行以上拼接、投影、分割处理后,得到灾前建筑物区域分割结果;针对灾后影像,进行以上拼接、投影、分割处理后,得到灾后建筑物区域分割结果。
步骤五,进行特征提取,得到特征证据。
(1)根据灾前建筑物区域分割结果、灾后建筑物区域分割结果进行面积特征提取获得面积特征证据,主要是得到建筑物面积大小。分别计算灾前和灾后的第i个建筑物的面积SiBefore、SiAfter,以及面积差ΔSi=SiBefore-SiAfter,
当ΔSi小于或等于给定的面积差最小阈值MinΔSi时,认为建筑物发生倒损的隶属度RiΔS(Area)为0;
当ΔSi大于或等于给定的面积差最大阈值MaxΔSi时,认为建筑物发生倒损的隶属度RiΔS(Area)为1;
当MinΔSi<ΔSi<MaxΔSi,根据隶属函数确定建筑物发生倒损的隶属度
(2)根据灾后建筑物区域分割结果进行纹理特征提取获得纹理特征证据。利用灾后建筑物区域分割结果进行提取灾后分割区域内建筑物的纹理特征,本发明采用现有技术中的灰度共生矩阵中能量特征ASM来描述纹理特征,完整的、未损毁的建筑物ASM值较大,纹理杂乱的倒损建筑物ASM值较小。具体实施如下:
设大小为m×n的影像f(x,y),影像灰度级别为Ng,灰度共生矩阵B为:
B(a,b)=#{(x1,y1),(x2,y2)∈m×n|f(x1,y1)=a,f(x2,y2)=b}
其中,#{.}表示大括号中成立的像元对数。显然B为Ng×Ng的矩阵,B(a,b)为其中第a行第b列的元素,a的取值为0,1,2,…,Ng-1,b的取值为0,1,2,…,Ng-1,若影像f(x,y)中两个像素点(x1,y1)与(x2,y2)间距离为d,两者与坐标横轴的夹角为θ,则可以得到各种间距及角度的灰度共生矩阵B(a,b,d,θ)。此共生矩阵的角二阶矩(ASM)为:
求取灾后的第i个建筑物的灰度共生矩阵中能量特征ASMi后,
当待检测建筑物ASMi大于或等于给定的最大阈值MaxASMi时,建筑物发生倒损的隶属度RiASM(ASM)为0,
当ASMi小于或等于给定的最小阈值MinASMi时,认为建筑物发生倒损的隶属度RiASM(ASM)为1,
当MinASMi<ASMi<MaxASMi时,根据隶属函数计算建筑物发生倒损的隶属度
具体实施时,本领域技术人员可自行根据情况设定相应阈值MinΔSi、MaxΔSi、MinASMi、MaxASMi。
步骤六,根据证据理论原理,将建筑物倒损各个特征证据通过统计专家分配置信度的方式给予概率,具体实施时本领域技术人员可根据具体情况预先设置证据概率。将检测出的面积和纹理特征进行组合来计算建筑物发生倒损的置信度。认为置信度处于置信区间的对象发生倒损,并入对象集Bs,置信度处于拒绝区间的建筑物对象没有发生倒损,并入对象集Bn。置信区间、拒绝区间可由技术人员根据实际情况预先给定划分。
建筑物倒损置信度公式如下式所示:
其中,Rj为证据j的隶属度。ρj为证据j的预设置信度,如果没有检测到相应证据,则ρj取0;n为证据总个数,最终计算出建筑物发生倒损的置信度PJudge。实施例中n=2,R1为RiΔS(Area),R2为RiASM(ASM)。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (6)
1.一种无人机遥感影像建筑物三维损毁检测方法,其特征在于:包括以下步骤,
步骤一、对灾前数据和灾后数据分别进行处理,生成灾前的DSM和灾后的DSM,DSM为数字地表模型;所用的灾前数据和灾后数据为多重叠无人机遥感影像数据;
步骤二,对步骤一所得灾前的DSM和灾后的DSM进行自动配准;
步骤三,对步骤二配准后的DSM,利用高程信息进行变化检测,识别损毁建筑物疑似区域;
步骤四,进一步分割灾前建筑物区域和灾后建筑物区域,包括根据步骤一所得灾前的DSM获取建筑物的矢量信息,并且进行以下处理,
基于灾前数据进行影像拼接,把步骤三中损毁建筑物疑似区域投影到所得拼接影像上,得到影像上的变化疑似区域,利用建筑物的矢量信息叠加在所得影像上的变化疑似区域上进行分割,得到灾前建筑物区域分割结果;
基于灾后数据进行影像拼接,把步骤三中损毁建筑物疑似区域投影到所得拼接影像上,得到影像上的变化疑似区域,利用建筑物的矢量信息叠加在所得影像上的变化疑似区域上进行分割,得到灾后建筑物区域分割结果;
步骤五,根据灾前建筑物区域分割结果、灾后建筑物区域分割结果进行特征提取,得到特征证据;
步骤六,根据证据理论原理,采用步骤五所得特征证据计算建筑物发生倒损的置信度,得到检测结果。
2.根据权利要求1所述无人机遥感影像建筑物三维损毁检测方法,其特征在于:步骤一中,对灾前数据和灾后数据分别进行处理时,处理方式包括利用先验信息对多重叠无人机遥感影像进行预处理,利用空三构网求出每张影像的外方位元素,密集匹配生成三维点云,构建底面格网,生成DSM。
3.根据权利要求1所述无人机遥感影像建筑物三维损毁检测方法,其特征在于:步骤四中,根据步骤一所得灾前的DSM获取建筑物的矢量信息,包括利用数学形态学滤波分离出非地面点,基于区域生长方式提取建筑物点,通过建筑物投影到地面的轮廓信息得到建筑物的矢量信息。
4.根据权利要求1或2或3所述无人机遥感影像建筑物三维损毁检测方法,其特征在于:步骤五中,所述特征证据包括面积特征证据和纹理特征证据。
5.根据权利要求4所述无人机遥感影像建筑物三维损毁检测方法,其特征在于:根据灾前建筑物区域分割结果、灾后建筑物区域分割结果进行面积特征提取,获得面积特征证据,实现方式如下,
分别计算灾前和灾后的第i个建筑物的面积SiBefore、SiAfter,以及面积差ΔSi=SiBefore-SiAfter,
当ΔSi小于或等于给定的面积差最小阈值MinΔSi时,认为建筑物发生倒损的隶属度RiΔS(Area)为0;
当ΔSi大于或等于给定的面积差最大阈值MaxΔSi时,认为建筑物发生倒损的隶属度RiΔS(Area)为1;
当MinΔSi<ΔSi<MaxΔSi,根据隶属函数确定建筑物发生倒损的隶属度
6.根据权利要求4所述无人机遥感影像建筑物三维损毁检测方法,其特征在于:根据灾后建筑物区域分割结果进行纹理特征提取,获得纹理特征证据,实现方式如下,
求取灾后的第i个建筑物的灰度共生矩阵中能量特征ASMi,
当ASMi大于或等于给定的最大阈值MaxASMi时,认为建筑物发生倒损的隶属度RiASM(ASM)为0,
当ASMi小于或等于给定的最小阈值MinASMi时,认为建筑物发生倒损的隶属度RiASM(ASM)为1,
当MinASMi<ASMi<MaxASMi时,根据隶属函数计算建筑物发生倒损的隶属度
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410352371.6A CN104091369B (zh) | 2014-07-23 | 2014-07-23 | 一种无人机遥感影像建筑物三维损毁检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410352371.6A CN104091369B (zh) | 2014-07-23 | 2014-07-23 | 一种无人机遥感影像建筑物三维损毁检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104091369A true CN104091369A (zh) | 2014-10-08 |
CN104091369B CN104091369B (zh) | 2017-02-22 |
Family
ID=51639084
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410352371.6A Active CN104091369B (zh) | 2014-07-23 | 2014-07-23 | 一种无人机遥感影像建筑物三维损毁检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104091369B (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104484668A (zh) * | 2015-01-19 | 2015-04-01 | 武汉大学 | 一种无人机多重叠遥感影像的建筑物轮廓线提取方法 |
CN105139375A (zh) * | 2015-07-15 | 2015-12-09 | 武汉大学 | 一种结合全球dem与立体视觉的卫星影像云检测方法 |
CN105893972A (zh) * | 2016-04-08 | 2016-08-24 | 深圳市智绘科技有限公司 | 基于影像进行的违章建筑物自动监测方法及其实现系统 |
CN106846385A (zh) * | 2016-12-30 | 2017-06-13 | 广州地理研究所 | 基于无人机的多传感遥感影像匹配方法、装置和系统 |
WO2017120897A1 (zh) * | 2016-01-15 | 2017-07-20 | 武汉武大卓越科技有限责任公司 | 基于线扫描三维点云的物体表面变形特征提取方法 |
CN107843939A (zh) * | 2017-10-24 | 2018-03-27 | 防灾科技学院 | 基于无人机热红外影像的煤火识别方法 |
CN107958209A (zh) * | 2017-11-16 | 2018-04-24 | 深圳天眼激光科技有限公司 | 一种违建识别方法、系统及电子设备 |
CN107967685A (zh) * | 2017-12-11 | 2018-04-27 | 中交第二公路勘察设计研究院有限公司 | 一种基于无人机遥感的桥梁墩塔裂缝无损定量检测方法 |
CN108898144A (zh) * | 2018-06-28 | 2018-11-27 | 中国地震局地震预测研究所 | 一种建筑物损毁状态检测方法 |
CN108921837A (zh) * | 2018-06-28 | 2018-11-30 | 中国地震局地震预测研究所 | 一种建筑物损毁状态检测方法 |
CN108961286A (zh) * | 2018-06-27 | 2018-12-07 | 武汉大学 | 一种顾及建筑物三维及边缘形状特征的无人机影像分割方法 |
CN109344282A (zh) * | 2018-09-26 | 2019-02-15 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种无人机电力巡检照片的自动命名方法 |
CN109544579A (zh) * | 2018-11-01 | 2019-03-29 | 上海理工大学 | 一种利用无人机进行灾后损毁建筑物评估的方法 |
CN110110641A (zh) * | 2019-04-29 | 2019-08-09 | 中国水利水电科学研究院 | 一种流域性洪涝场景的无人机监测方法及系统 |
CN111126184A (zh) * | 2019-12-09 | 2020-05-08 | 武汉大学 | 一种基于无人机视频的震后建筑物损毁检测方法 |
CN111678502A (zh) * | 2020-06-09 | 2020-09-18 | 中国科学院东北地理与农业生态研究所 | 基于无人机航测影像提取冻土灾害信息的方法 |
CN112396006A (zh) * | 2020-11-23 | 2021-02-23 | 中国人民大学 | 基于机器学习的建筑物损毁识别方法、装置及计算设备 |
CN114782826A (zh) * | 2022-06-20 | 2022-07-22 | 绵阳天仪空间科技有限公司 | 一种灾后建筑物的安全监测系统及方法 |
CN116434009A (zh) * | 2023-04-19 | 2023-07-14 | 应急管理部国家减灾中心(应急管理部卫星减灾应用中心) | 一种损毁建筑物深度学习样本集的构建方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080089610A1 (en) * | 2004-01-16 | 2008-04-17 | Geotango International Corp. | System, computer program and method for 3d object measurement, modeling and mapping from single imagery |
CN101788685A (zh) * | 2010-02-11 | 2010-07-28 | 中国土地勘测规划院 | 基于像元的遥感震害信息提取与挖掘方法 |
CN103714339A (zh) * | 2013-12-30 | 2014-04-09 | 武汉大学 | 基于矢量数据的sar影像道路损毁信息提取方法 |
CN103729853A (zh) * | 2014-01-15 | 2014-04-16 | 武汉大学 | 三维gis辅助下的高分遥感影像建筑物倒损检测方法 |
-
2014
- 2014-07-23 CN CN201410352371.6A patent/CN104091369B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080089610A1 (en) * | 2004-01-16 | 2008-04-17 | Geotango International Corp. | System, computer program and method for 3d object measurement, modeling and mapping from single imagery |
CN101788685A (zh) * | 2010-02-11 | 2010-07-28 | 中国土地勘测规划院 | 基于像元的遥感震害信息提取与挖掘方法 |
CN103714339A (zh) * | 2013-12-30 | 2014-04-09 | 武汉大学 | 基于矢量数据的sar影像道路损毁信息提取方法 |
CN103729853A (zh) * | 2014-01-15 | 2014-04-16 | 武汉大学 | 三维gis辅助下的高分遥感影像建筑物倒损检测方法 |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104484668A (zh) * | 2015-01-19 | 2015-04-01 | 武汉大学 | 一种无人机多重叠遥感影像的建筑物轮廓线提取方法 |
CN104484668B (zh) * | 2015-01-19 | 2017-11-10 | 武汉大学 | 一种无人机多重叠遥感影像的建筑物轮廓线提取方法 |
CN105139375B (zh) * | 2015-07-15 | 2017-09-29 | 武汉大学 | 一种结合全球dem与立体视觉的卫星影像云检测方法 |
CN105139375A (zh) * | 2015-07-15 | 2015-12-09 | 武汉大学 | 一种结合全球dem与立体视觉的卫星影像云检测方法 |
AU2016385541B2 (en) * | 2016-01-15 | 2019-07-11 | Wuhan Optics Valley Zoyon Science And Technology Co., Ltd. | Object surface deformation feature extraction method based on line scanning three-dimensional point Cloud |
WO2017120897A1 (zh) * | 2016-01-15 | 2017-07-20 | 武汉武大卓越科技有限责任公司 | 基于线扫描三维点云的物体表面变形特征提取方法 |
CN105893972A (zh) * | 2016-04-08 | 2016-08-24 | 深圳市智绘科技有限公司 | 基于影像进行的违章建筑物自动监测方法及其实现系统 |
CN105893972B (zh) * | 2016-04-08 | 2022-03-11 | 深圳市智绘科技有限公司 | 基于影像进行的违章建筑物自动监测方法及其实现系统 |
CN106846385A (zh) * | 2016-12-30 | 2017-06-13 | 广州地理研究所 | 基于无人机的多传感遥感影像匹配方法、装置和系统 |
CN107843939A (zh) * | 2017-10-24 | 2018-03-27 | 防灾科技学院 | 基于无人机热红外影像的煤火识别方法 |
CN107958209A (zh) * | 2017-11-16 | 2018-04-24 | 深圳天眼激光科技有限公司 | 一种违建识别方法、系统及电子设备 |
CN107958209B (zh) * | 2017-11-16 | 2021-10-29 | 深圳天眼激光科技有限公司 | 一种违建识别方法、系统及电子设备 |
CN107967685A (zh) * | 2017-12-11 | 2018-04-27 | 中交第二公路勘察设计研究院有限公司 | 一种基于无人机遥感的桥梁墩塔裂缝无损定量检测方法 |
CN108961286A (zh) * | 2018-06-27 | 2018-12-07 | 武汉大学 | 一种顾及建筑物三维及边缘形状特征的无人机影像分割方法 |
CN108961286B (zh) * | 2018-06-27 | 2021-11-16 | 武汉大学 | 一种顾及建筑物三维及边缘形状特征的无人机影像分割方法 |
CN108921837A (zh) * | 2018-06-28 | 2018-11-30 | 中国地震局地震预测研究所 | 一种建筑物损毁状态检测方法 |
CN108898144A (zh) * | 2018-06-28 | 2018-11-27 | 中国地震局地震预测研究所 | 一种建筑物损毁状态检测方法 |
CN108898144B (zh) * | 2018-06-28 | 2020-12-11 | 中国地震局地震预测研究所 | 一种建筑物损毁状态检测方法 |
CN108921837B (zh) * | 2018-06-28 | 2020-10-09 | 中国地震局地震预测研究所 | 一种建筑物损毁状态检测方法 |
CN109344282A (zh) * | 2018-09-26 | 2019-02-15 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种无人机电力巡检照片的自动命名方法 |
CN109544579A (zh) * | 2018-11-01 | 2019-03-29 | 上海理工大学 | 一种利用无人机进行灾后损毁建筑物评估的方法 |
CN110110641A (zh) * | 2019-04-29 | 2019-08-09 | 中国水利水电科学研究院 | 一种流域性洪涝场景的无人机监测方法及系统 |
CN111126184A (zh) * | 2019-12-09 | 2020-05-08 | 武汉大学 | 一种基于无人机视频的震后建筑物损毁检测方法 |
CN111126184B (zh) * | 2019-12-09 | 2022-04-12 | 武汉大学 | 一种基于无人机视频的震后建筑物损毁检测方法 |
CN111678502A (zh) * | 2020-06-09 | 2020-09-18 | 中国科学院东北地理与农业生态研究所 | 基于无人机航测影像提取冻土灾害信息的方法 |
CN111678502B (zh) * | 2020-06-09 | 2022-06-14 | 中国科学院东北地理与农业生态研究所 | 基于无人机航测影像提取冻土灾害信息的方法 |
CN112396006A (zh) * | 2020-11-23 | 2021-02-23 | 中国人民大学 | 基于机器学习的建筑物损毁识别方法、装置及计算设备 |
CN112396006B (zh) * | 2020-11-23 | 2023-11-14 | 中国人民大学 | 基于机器学习的建筑物损毁识别方法、装置及计算设备 |
CN114782826A (zh) * | 2022-06-20 | 2022-07-22 | 绵阳天仪空间科技有限公司 | 一种灾后建筑物的安全监测系统及方法 |
CN116434009A (zh) * | 2023-04-19 | 2023-07-14 | 应急管理部国家减灾中心(应急管理部卫星减灾应用中心) | 一种损毁建筑物深度学习样本集的构建方法及系统 |
CN116434009B (zh) * | 2023-04-19 | 2023-10-24 | 应急管理部国家减灾中心(应急管理部卫星减灾应用中心) | 一种损毁建筑物深度学习样本集的构建方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN104091369B (zh) | 2017-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104091369A (zh) | 一种无人机遥感影像建筑物三维损毁检测方法 | |
WO2022061945A1 (zh) | 一种电力线路安全距离检测方法 | |
CN113359810B (zh) | 一种基于多传感器的无人机着陆区域识别方法 | |
Chiabrando et al. | UAV and RPV systems for photogrammetric surveys in archaelogical areas: two tests in the Piedmont region (Italy) | |
Duarte et al. | Towards a more efficient detection of earthquake induced facade damages using oblique UAV imagery | |
US8259993B2 (en) | Building shape change detecting method, and building shape change detecting system | |
Barazzetti et al. | Fully automatic UAV image-based sensor orientation | |
US6952632B2 (en) | Method of guiding an aircraft in the final approach phase and a corresponding system | |
CN103729853B (zh) | 三维gis辅助下的高分遥感影像建筑物倒损检测方法 | |
CN104484668A (zh) | 一种无人机多重叠遥感影像的建筑物轮廓线提取方法 | |
Tao et al. | Dense point cloud extraction from UAV captured images in forest area | |
CN104123730A (zh) | 基于道路特征的遥感影像与激光点云配准方法及系统 | |
Duarte et al. | Damage detection on building façades using multi-temporal aerial oblique imagery | |
Boonpook et al. | UAV-based 3D urban environment monitoring | |
CN112613437B (zh) | 一种违章建筑识别方法 | |
Al-Rawabdeh et al. | A robust registration algorithm for point clouds from UAV images for change detection | |
Karantzalos et al. | Model-based building detection from low-cost optical sensors onboard unmanned aerial vehicles | |
Esfandiari et al. | Building change detection in off-nadir images using deep learning | |
Douret et al. | A multi-cameras 3d volumetric method for outdoor scenes: a road traffic monitoring application | |
Tian et al. | Application oriented quality evaluation of Gaofen-7 optical stereo satellite imagery | |
Javanmardi et al. | 3D building map reconstruction in dense urban areas by integrating airborne laser point cloud with 2D boundary map | |
Comert et al. | Object based building extraction and building period estimation from unmanned aerial vehicle data | |
KR20230026916A (ko) | 드론을 이용하여 시계열정보가 포함된 3차원 지도의 제작 방법 | |
MICKLEThWAITE et al. | Mapping from an Armchair: Rapid, high-resolution mapping using UAV and computer vision technology | |
Bai et al. | Application of unmanned aerial vehicle multi-vision image 3D modeling in geological disasters |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |