CN105606123A - 一种低空航空摄影测量自动纠正数字地面高程模型的方法 - Google Patents
一种低空航空摄影测量自动纠正数字地面高程模型的方法 Download PDFInfo
- Publication number
- CN105606123A CN105606123A CN201510957889.7A CN201510957889A CN105606123A CN 105606123 A CN105606123 A CN 105606123A CN 201510957889 A CN201510957889 A CN 201510957889A CN 105606123 A CN105606123 A CN 105606123A
- Authority
- CN
- China
- Prior art keywords
- point
- edge
- elevation
- line segment
- digital
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012937 correction Methods 0.000 title claims abstract description 6
- 238000000605 extraction Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000013461 design Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
- G01C11/04—Interpretation of pictures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Manufacturing & Machinery (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开一种低空航空摄影测量自动纠正数字地面高程模型的方法,包括以下步骤:a)利用低空无人机拍摄到的目标物的数字航空影像生成数字表面模型点云;b)在数字表面模型点云中提取高程有陡变的目标点;c)利用步骤“b)”中提取到的目标点提取目标物边缘轮廓线;d)纠正步骤“c)”中提取到的目标物边缘轮廓线的高程值。本发明利用地表面高度模型点云数据,提取建筑物的边缘轮廓线并进行规则化处理,建立数字高程模型,然后在此基础上进行数字微分纠正,生成正射影像,不仅能有效地消除正射影像中建筑物高程突变位置处边缘存在的锯齿失真现象,美化正射影像,还保证了正射影像的平面精度,大大推动了无人机低空航空摄影测量技术的应用。
Description
技术领域
本发明涉及一种低空航空摄影测量自动纠正数字地面高程模型的方法。
背景技术
随着科技的发展,无人机低空航空摄影测量技术因其具有成本低、快速灵活、高分辨率影像、起降条件要求低等优点被广泛应用于测绘行业,用于测量房屋、高架公路等建筑物的外形和位置。无人机的飞行高度低且基高比小,容易导致其拍摄到的影像投影误差很大,对在垂直方向上边缘点存在着高程突变的建筑物,拍摄到的影像投影误差更大。
现有技术解算数字正射影像图(DigitalOrthophotoMap,简称DOM)的像素值的原理如下:利用数字高程模型(DigitalElevationModel,简称DEM)可以获得数字正射影像图的像元P(X,Y)的高程为Z,无人机拍摄到的数字航空影像的像元p(x,y)与数字正射影像图上对应的地面点P(X,Y,Z)的关系公式为:
其中,(x0,y0)为数字航空影像的主点坐标,(Xs,YS,ZS)为摄站坐标,f为相机焦距,a1、a2、a3、b1、b2、b3、c1、c2、c3为由航摄相机的姿态角生成的坐标变换旋转矩阵元素,Z是点P的高程,其通过数字高程模型内插求得,生成DOM的反解法原理如图1所示。
由上述DOM生成理论可知,DEM中内插的高程值Z的精度对正射影像的精度有着重大的影响,如图2所示,图中P、P′分别是平面位置相同的物方空间中两点,它们的高程差为ΔH,因为平面位置相同,因此在正射影像上应该在同一点上,纹理映射像方平面的像素值也应该是相同的。但是正如图中所示,P、P′经相机投影中心S成像后,在像方平面上有p、p′这两个影像点,这就造成了正射影像像素值在纹理映射过程中会产生不确定性。房屋边缘线上的点,都是属于这种高程有陡变的地面点,也就是说在数字地表高程点云模型(digitalsurfacemodel,简称DSM)中,房屋边缘线类型的地面目标的高程可能会有2种不同的值。根据公式(1),相同的地面平面坐标,由于高程的不同(有高差ΔH),可以有2个像点p(x,y)、p′(x′,y′)与之对应,这2个像素值中的任何一个都可以作为相应的正射影像点的像素值。
当从DSM内插高程时,对高程有陡变的目标边界,难以保证高程值的一致性,所以简单地用DSM来支持数字正射影像的制作,城市的高楼房檐线、高架立交的道路边线在正射影像上的纹理往往会出现曲线现象。我们把这种现象称作是DEM的误差,对DOM的纹理影响。
如果不对DSM进行处理,建筑物边缘位置的高度是不连续的,会导致生成的正射影像的边缘存在明显的锯齿变形和边缘模糊,并影响目标建筑物的判读和提取,降低了无人机低空航空摄影测量技术的使用效果。因此,有必要提供一种新的方法来解决上述问题。
发明内容
本发明的目的在于提供一种能够有效防止正射影像中建筑物边缘存在的锯齿失真现象的低空航空摄影测量自动纠正数字地面高程模型的方法。
为了实现上述目的,本发明所采用的技术方案如下:
一种低空航空摄影测量自动纠正数字地面高程模型的方法,包括以下步骤:
a)利用低空无人机拍摄到的目标物的数字航空影像生成数字地表高程点云模型;
b)在数字地表高程点云模型中提取高程有陡变的目标点;
c)利用步骤“b)”中提取到的目标点提取目标物边缘轮廓线;
d)纠正步骤“c)”中提取到的目标物边缘轮廓线的高程值。
优选的,步骤b)中依据以下方法提取目标点:设目标点为若干不同的待定点P,待定点P的边缘点集为M,待定点P的邻域半径为R,待定点P的高程梯度阈值为Th,待定点P与其邻域内所有点Ri(i=1,2,…,n)的高程梯度为Gi,对应的关系公式为
统计待定点P邻域内所有点满足上式条件的频率Percentp=F/n,其中F为满足条件Gi>Th的频数,设定频率PercentP的阈值为TP,若满足条件PercentP>TP,则点P为边缘点,将其计入目标点的边缘点集M。
优选的,步骤c)中依据以下方法提取目标物边缘轮廓线:给定目标物的边缘线段的拐点的点集C(C1,C2,…,Ck),设边缘线段的子集为Mi,设拐点Cj和拐点Cj+1确定的边缘线段为Lj,j+1,将按照步骤b)中计算得到的边缘点集M(M1,M2,…,Mt)分别自动分类到各边缘线子集Mi中,
则当 时,Mi∈Lj,j+1,
设边缘线段Lj,j+1的子集Mi中的点到边缘线段Lj,j+1的距离的阈值为Td,利用子集Mi中的点进行最小二乘法直线拟合,确定边缘线段Lj,j+1的直线参数矩阵Aj,j+1,并且统计子集Mi中的点到边缘线段Lj,j+1的距离之和∑d,若∑d<Td,则完成边缘轮廓线的提取,否则,剔除距离最大的点继续进行线段拟合和统计∑d的过程迭代,直到子集Mi中的所有点到边缘线段Lj,j+1的距离之和∑d均小于Td,完成目标物边缘轮廓线的提取。
优选的,步骤d)中依据以下方法纠正目标物边缘轮廓线的高程值:根据步骤c)中得到的直线参数矩阵Aj,j+1来构建各边缘线段的直线方程,对任意边缘线段Lj,j+1,在数字表面模型中搜索离该边缘线段Lj,j+1距离为r1范围内的任意点Q,在经过点Q且与边缘线段Lj,j+1垂直的直线上,找到与边缘线段Lj,j+1距离为r1+r2的点O,且点O与点Q在该边缘线段Lj,j+1的同一侧,在以点O为中心、r3为半径的邻域内搜索数字表面模型的点集F(F1,F2,…,Fm);当点集F中Fi点的高程与Q点的高程ZQ之差大于设定的阈值th时,则将计入高程点集
当F中所有的点都按公式 检测完毕,则可以统计出中的点数E,再按公式PercentF=E/m计算条件频率PercentF,若PercentF大于给定阈值TF,则Q点的高程值可由计算的结果替代,
否则,Q点的高程值保持原来的数值不变;在边缘线段Lj,j+1的两侧,当符合距离条件的所有点都按上述过程计算完毕,则完成了对该边缘线段Lj,j+1的高程纠正。
与现有技术相比,本发明低空航空摄影测量自动纠正数字地面高程模型的方法的有益效果在于:本发明利用数字地表面高度模型点云数据,提取建筑物的边缘轮廓线并进行规则化处理,建立数字高程模型,然后在此基础上进行数字微分纠正,生成正射影像,不仅能够有效地消除正射影像中建筑物高程突变位置处边缘存在的锯齿失真现象,美化正射影像,还保证了正射影像的平面精度,大大推动了无人机低空航空摄影测量技术的应用。
附图说明
图1为背景技术中生成DOM的反解法原理示意图;
图2为背景技术中DEM误差对DOM的精度造成影响的原理示意图;
图3为本发明DSM点云的高程纠正原理示意图;
图4为本发明的数据处理过程流程图;
图5为未作规则化处理的正射影像图;
图6为边缘规则化处理后的正射影像图。
具体实施方式
下面结合具体实施例对本发明进一步进行描述。
请参阅图1至图6所示,本发明提供一种低空航空摄影测量自动纠正数字地面高程模型的方法,包括以下步骤:
a)利用低空无人机拍摄到的目标物的数字航空影像生成数字表面点云模型;
b)在数字表面点云模型中提取高程有陡变的目标点;
c)利用步骤“b)”中提取到的目标点提取目标物边缘轮廓线;
d)纠正步骤“c)”中提取到的目标物边缘轮廓线的高程值。
其中,步骤b)中依据以下方法提取目标点:设目标点为若干不同的待定点P,待定点P的边缘点集为M,待定点P的邻域半径为R,待定点P的高程梯度阈值为Th,待定点P与其邻域内所有点Ri(i=1,2,…,n)的高程梯度为Gi,对应的关系公式为
统计待定点P邻域内所有点满足上式条件的频率PercentP=F/n,其中F为满足条件Gi>Th的频数,设定频率PercentP的阈值为TP,若满足条件PercentP>TP,则点P为边缘点,将其计入目标点的边缘点集M。
在本实施例中,步骤c)中依据以下方法提取目标物边缘轮廓线:给定目标物的边缘线段的拐点的点集C(C1,C2,…,Ck),设边缘线段的子集为Mi,设拐点Cj和拐点Cj+1确定的边缘线段为Lj,j+1,将按照步骤b)中计算得到的边缘点集M(M1,M2,…,Mt)分别自动分类到各边缘线子集Mi中,
则当 时,Mi∈Lj,j+1,
设边缘线段Lj,j+1的子集Mi中的点到边缘线段Lj,j+1的距离的阈值为Td,利用子集Mi中的点进行最小二乘法直线拟合,确定边缘线段Lj,j+1的直线参数矩阵Aj,j+1,并且统计子集Mi中的点到边缘线段Lj,j+1的距离之和∑d,若∑d<Td,则完成边缘轮廓线的提取,否则,剔除距离最大的点继续进行线段拟合和统计∑d的过程迭代,直到子集Mi中的所有点到边缘线段Lj,j+1的距离之和∑d均小于Td,完成目标物边缘轮廓线的提取。
步骤d)中依据以下方法纠正目标物边缘轮廓线的高程值:根据步骤c)中得到的直线参数矩阵Aj,j+1来构建各边缘线段的直线方程,对任意边缘线段Lj,j+1,在数字表面模型中搜索离该边缘线段Lj,j+1距离为r1范围内的任意点Q,在经过点Q且与边缘线段Lj,j+1垂直的直线上,找到与边缘线段Lj,j+1距离为r1+r2的点O,且点O与点Q在该边缘线段Lj,j+1的同一侧,在以点O为中心、r3为半径的邻域内搜索数字表面模型的点集F(F1,F2,…,Fm);当点集F中Fi点的高程与Q点的高程ZQ之差大于设定的阈值th时,则将计入高程点集
当F中所有的点都按公式 检测完毕,则可以统计出中的点数E,再按公式PercentF=E/m计算条件频率PercentF,若PercentF大于给定阈值TF,则Q点的高程值可由计算的结果替代,
否则,Q点的高程值保持原来的数值不变;在边缘线段Lj,j+1的两侧,当符合距离条件的所有点都按上述过程计算完毕,则完成了对该边缘线段Lj,j+1的高程纠正。
在应用本发明所述方法时,以建筑物为房屋为例,图5为未作规则化处理的正射影像图,图6为边缘规则化处理后的正射影像图,对比图5和图6可知,本发明所提出的方法能有效地消除正射影像中房屋边缘锯齿现象。采用本发明提出的方法处理前房屋的边缘模糊不清,很难清楚地确定房屋角点和边缘,而采用本发明提出的方法处理后的影像中房屋边缘锯齿现象几乎没有,且边缘清晰可辨,达到较为理想的效果。
以上示意性的对本发明及其实施方式进行了描述,该描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。所以,如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (4)
1.一种低空航空摄影测量自动纠正数字地面高程模型的方法,其特征在于,包括以下步骤:
a)利用低空无人机拍摄到的目标物的数字航空影像生成数字地表高度点云模型;
b)在数字地表高度点云模型中提取高程有陡变的目标点;
c)利用步骤“b)”中提取到的目标点提取目标物边缘轮廓线;
d)纠正步骤“c)”中提取到的目标物边缘轮廓线的高程值。
2.如权利要求1所述的低空航空摄影测量自动纠正数字地面高程模型的方法,其特征在于,步骤b)中依据以下方法提取目标点:设目标点为若干不同的待定点P,待定点P的边缘点集为M,待定点P的邻域半径为R,待定点P的高程梯度阈值为Th,待定点P与其邻域内所有点Ri(i=1,2,...,n)的高程梯度为Gi,对应的关系公式为
统计待定点P邻域内所有点满足上式条件的频率PercentP=F/n,其中F为满足条件Gi>Th的频数,设定频率PercentP的阈值为TP,若满足条件PercentP>TP,则点P为边缘点,将其计入目标点的边缘点集M。
3.如权利要求2所述的低空航空摄影测量自动纠正数字地面高程模型的方法,其特征在于,步骤c)中依据以下方法提取目标物边缘轮廓线:给定目标物的边缘线段的拐点的点集C(C1,C2,...,Ck),设边缘线段的子集为Mi,设拐点Cj和拐点Cj+1确定的边缘线段为Lj,j+1,将按照步骤b)中计算得到的边缘点集M(M1,M2,...,Mt)分别自动分类到各边缘线子集Mi中,
则当 时,Mi∈Lj,j+1,
设边缘线段Lj,j+1的子集Mi中的点到边缘线段Lj,j+1的距离的阈值为Td,利用子集Mi中的点进行最小二乘法直线拟合,确定边缘线段Lj,j+1的直线参数矩阵Aj,j+1,并且统计子集Mi中的点到边缘线段Lj,j+1的距离之和∑d,若∑d<Td,则完成边缘轮廓线的提取,否则,剔除距离最大的点继续进行线段拟合和统计∑d的过程迭代,直到子集Mi中的所有点到边缘线段Lj,j+1的距离之和∑d均小于Td,完成目标物边缘轮廓线的提取。
4.如权利要求3所述的低空航空摄影测量自动纠正数字地面高程模型的方法,其特征在于,步骤d)中依据以下方法纠正目标物边缘轮廓线的高程值:根据步骤c)中得到的直线参数矩阵Aj,j+1来构建各边缘线段的直线方程,对任意边缘线段Lj,j+1,在数字表面模型中搜索离该边缘线段Lj,j+1距离为r1范围内的任意点Q,在经过点Q且与边缘线段Lj,j+1垂直的直线上,找到与边缘线段Lj,j+1距离为r1+r2的点O,且点O与点Q在该边缘线段Lj,j+1的同一侧,在以点O为中心、r3为半径的邻域内搜索数字表面点云模型的点集F(F1,F2,...,Fm);当点集F中Fi点的高程与Q点的高程ZQ之差大于设定的阈值th时,则将计入高程点集
当F中所有的点都按公式 检测完毕,则可以统计出中的点数E,再按公式PercentF=E/m计算条件频率PercentF,若PercentF大于给定阈值TF,则Q点的高程值可由计算的结果替代,
否则,Q点的高程值保持原来的数值不变;在边缘线段Lj,j+1的两侧,当符合距离条件的所有点都按上述过程计算完毕,则完成了对该边缘线段Lj,j+1的高程纠正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510957889.7A CN105606123B (zh) | 2015-12-18 | 2015-12-18 | 一种低空航空摄影测量自动纠正数字地面高程模型的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510957889.7A CN105606123B (zh) | 2015-12-18 | 2015-12-18 | 一种低空航空摄影测量自动纠正数字地面高程模型的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105606123A true CN105606123A (zh) | 2016-05-25 |
CN105606123B CN105606123B (zh) | 2018-07-06 |
Family
ID=55986251
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510957889.7A Active CN105606123B (zh) | 2015-12-18 | 2015-12-18 | 一种低空航空摄影测量自动纠正数字地面高程模型的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105606123B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108062794A (zh) * | 2017-12-29 | 2018-05-22 | 百度在线网络技术(北京)有限公司 | 一种建筑物模型的获取方法、装置、服务器及存储介质 |
CN109341720A (zh) * | 2018-10-10 | 2019-02-15 | 中国科学院上海技术物理研究所 | 一种基于恒星轨迹的遥感相机几何标定方法 |
CN110208815A (zh) * | 2019-05-10 | 2019-09-06 | 江苏大学 | 一种基于机载激光雷达的大面积成熟作物收获信息快速获取方法 |
CN111523391A (zh) * | 2020-03-26 | 2020-08-11 | 上海刻羽信息科技有限公司 | 建筑物的识别方法、系统、电子设备及可读存储介质 |
CN113280798A (zh) * | 2021-07-20 | 2021-08-20 | 四川省公路规划勘察设计研究院有限公司 | 隧道gnss拒止环境下车载扫描点云的几何纠正方法 |
CN115620168A (zh) * | 2022-12-02 | 2023-01-17 | 成都国星宇航科技股份有限公司 | 基于空天数据提取三维建筑物轮廓的方法、装置及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101126813A (zh) * | 2007-09-29 | 2008-02-20 | 北京交通大学 | 一种高分辨率卫星遥感影像中构筑物轮廓提取方法 |
WO2009131108A1 (ja) * | 2008-04-23 | 2009-10-29 | 株式会社パスコ | 建物屋根輪郭認識装置、建物屋根輪郭認識方法、及び建物屋根輪郭認識プログラム |
CN102506824A (zh) * | 2011-10-14 | 2012-06-20 | 航天恒星科技有限公司 | 一种城市低空无人机系统生成数字正射影像图的方法 |
CN102930540A (zh) * | 2012-10-26 | 2013-02-13 | 中国地质大学(武汉) | 城市建筑物轮廓检测的方法及系统 |
-
2015
- 2015-12-18 CN CN201510957889.7A patent/CN105606123B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101126813A (zh) * | 2007-09-29 | 2008-02-20 | 北京交通大学 | 一种高分辨率卫星遥感影像中构筑物轮廓提取方法 |
WO2009131108A1 (ja) * | 2008-04-23 | 2009-10-29 | 株式会社パスコ | 建物屋根輪郭認識装置、建物屋根輪郭認識方法、及び建物屋根輪郭認識プログラム |
CN102506824A (zh) * | 2011-10-14 | 2012-06-20 | 航天恒星科技有限公司 | 一种城市低空无人机系统生成数字正射影像图的方法 |
CN102930540A (zh) * | 2012-10-26 | 2013-02-13 | 中国地质大学(武汉) | 城市建筑物轮廓检测的方法及系统 |
Non-Patent Citations (1)
Title |
---|
童春芽: "机载LiDAR数据辅助DOM提取建筑物关键技术研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108062794A (zh) * | 2017-12-29 | 2018-05-22 | 百度在线网络技术(北京)有限公司 | 一种建筑物模型的获取方法、装置、服务器及存储介质 |
CN109341720A (zh) * | 2018-10-10 | 2019-02-15 | 中国科学院上海技术物理研究所 | 一种基于恒星轨迹的遥感相机几何标定方法 |
CN110208815A (zh) * | 2019-05-10 | 2019-09-06 | 江苏大学 | 一种基于机载激光雷达的大面积成熟作物收获信息快速获取方法 |
CN111523391A (zh) * | 2020-03-26 | 2020-08-11 | 上海刻羽信息科技有限公司 | 建筑物的识别方法、系统、电子设备及可读存储介质 |
CN111523391B (zh) * | 2020-03-26 | 2021-11-05 | 上海刻羽信息科技有限公司 | 建筑物的识别方法、系统、电子设备及可读存储介质 |
CN113280798A (zh) * | 2021-07-20 | 2021-08-20 | 四川省公路规划勘察设计研究院有限公司 | 隧道gnss拒止环境下车载扫描点云的几何纠正方法 |
CN113280798B (zh) * | 2021-07-20 | 2021-10-01 | 四川省公路规划勘察设计研究院有限公司 | 隧道gnss拒止环境下车载扫描点云的几何纠正方法 |
CN115620168A (zh) * | 2022-12-02 | 2023-01-17 | 成都国星宇航科技股份有限公司 | 基于空天数据提取三维建筑物轮廓的方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN105606123B (zh) | 2018-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105606123A (zh) | 一种低空航空摄影测量自动纠正数字地面高程模型的方法 | |
CN109785379B (zh) | 一种对称物体尺寸及重量的测量方法及测量系统 | |
CN107830846B (zh) | 一种利用无人机和卷积神经网络测量通信塔天线角度方法 | |
CN110849362B (zh) | 一种基于车载惯性的激光雷达与视觉组合导航算法 | |
US10634500B2 (en) | Aircraft and obstacle avoidance method and system thereof | |
CN109191504A (zh) | 一种无人机目标跟踪方法 | |
US10621456B2 (en) | Distance measurement method and apparatus, and unmanned aerial vehicle | |
CN105222788A (zh) | 基于特征匹配的飞行器航偏移误差的自校正方法 | |
CN114419165B (zh) | 相机外参校正方法、装置、电子设备和存储介质 | |
CN109255808B (zh) | 基于倾斜影像的建筑物纹理提取方法和装置 | |
CN106096497B (zh) | 一种针对多元遥感数据的房屋矢量化方法 | |
CN111383333A (zh) | 一种分段式sfm三维重建方法 | |
CN112947526B (zh) | 一种无人机自主降落方法和系统 | |
CN114565863B (zh) | 无人机图像的正射影像实时生成方法、装置、介质及设备 | |
CN109214254B (zh) | 一种确定机器人位移的方法及装置 | |
CN108021857B (zh) | 基于无人机航拍图像序列深度恢复的建筑物检测方法 | |
CN104180794B (zh) | 数字正射影像拉花区域的处理方法 | |
KR20120111805A (ko) | 촬영화상의 카메라 자세 추정 시스템 및 방법 | |
CN108109118B (zh) | 一种无控制点的航拍图像几何校正方法 | |
CN110223233B (zh) | 一种基于图像拼接的无人机航拍建图方法 | |
CN111982076B (zh) | 一种单镜头无人机飞行参数设置方法 | |
CN106023170A (zh) | 一种基于gpu处理器的双目3d畸变矫正方法 | |
CN110927765B (zh) | 激光雷达与卫星导航融合的目标在线定位方法 | |
CN105405135A (zh) | 基于基本配置点的两步法摄影物点、像点自动匹配方法 | |
CN113312435A (zh) | 高精度地图更新方法和设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |