CN105893972B - 基于影像进行的违章建筑物自动监测方法及其实现系统 - Google Patents
基于影像进行的违章建筑物自动监测方法及其实现系统 Download PDFInfo
- Publication number
- CN105893972B CN105893972B CN201610219181.6A CN201610219181A CN105893972B CN 105893972 B CN105893972 B CN 105893972B CN 201610219181 A CN201610219181 A CN 201610219181A CN 105893972 B CN105893972 B CN 105893972B
- Authority
- CN
- China
- Prior art keywords
- dsm
- digital surface
- phase
- surface model
- elevation
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明提供了一种基于影像进行的违章建筑物自动监测方法及其实现系统,通过对影像的处理、不同时相的数字表面模型DSM配准、高程变化的检测、以及违章建筑的确认,解决了现有技术中基于光谱特征或纹理特征忽视建筑高程变化的问题,使得基于影像进行的违章建筑物自动监测方法以三维影像的方式进行监测,监测精度高,不受阴影、天气等环境因素影响不易发生误判。
Description
技术领域
本发明涉及无人机航拍影像及高分辨率卫星遥感影像判读技术领域,尤其涉及一种基于影像进行的违章建筑物自动监测方法及其实现系统。
背景技术
随着我国城市化、工业化和信息的进一步推进,建设用地开发利用的程度越来越大,违法占用土地、违规建筑的现象十分普遍,严重影响土地的合理有效利用及城市的可持续发展,给城市管理带来很大阻碍。实时、动态、准确掌握城镇建设用地,并利用现状及建筑物变更状况,快速发现违章建筑并及时制止违法建设行为,是加强城市规划和土地资源动态管理、确保土地利用总体规划和城市总体规划顺利实施的必要前提条件。
无人机航拍监测以其灵活方便、操控简单的优势成为普查监测违章建筑的一种新手段。无人机具有设备廉价、易操控的特点,且其资质获取易、飞行高度低、法律风险低、一线人员接受程度高。与传统卫星遥感和航空遥感相比,无人机航拍具有短周期、高时效、高分辨率、低成本、低损耗、低风险、客观准确、及可重复等诸多优势,能够快速获取国土、资源、环境等空间要素,其应用领域也从早期的军事应用逐渐扩大到城市监测、大地测量、灾害监测、气象监测、资源调查等民用领域。利用无人机航摄遥感监测技术可以快速获取生动直观、现势性强的高清晰地表影像数据,通过后期加工处理和数据利用,可生成数字表面模型(DSM,Digital Surface Model)、数字高程模型 (DEM,Digital Elevation Model)、数字正射影像图(DOM,Digital Orthophoto Map)、三维虚拟景观模型、三维地表模型等多种数据产品,为解决城市发展过程中面临的违章建筑监测与查巡难题提供了一种良好的工具和全新的技术手段,使城市违章建筑监测与查巡变得更加快速、低成本,让城市管理工作更加科学、高效、快捷。无人机影像相比卫星遥感影像数据,空间信息的内容更丰富,细节表现力更强,地物几何结构和纹理信息更加清晰多样,因此,无人机影像数据应用范围更广,成果的准确性更高。
借助高分辨率无人机影像,从不同时间获取的无人机航拍影像中通过一定的算法自动检测并获取变化图斑,再结合外业核查变化图斑情况,能够有效实现国土部门违法违章建筑监测的智能化,快速、实时、动态监测违章建筑情况,有利于国土和城市规划建设部门迅速做出决策,及时遏制违法使用土地行为的发生,极大提高土地违法监察工作的效率,从而更好更快地为政府部门监测和查处违章建筑提供技术支撑和决策依据。同时,这种方式用时短、现势性强、成本低,还能够为土地执法部门提供实时客观的定量依据。
目前已有许多学者提出了多种利用无人机航拍影像/卫星影像进行建筑物自动变化检测的方法,这些方法可以分为监督法和非监督法两大类。监督法是指根据地面真实数据来获取变化区域的训练样本,然后从卫星影像中自动分类出变化区域;非监督法是指直接对不同时相的卫星影像数据进行比对,找出相对于上一个时相变化了的区域。相对于监督法,非监督法不需要地面的真实信息,易于操作,因此被广泛采用。
但是,不管是监督法还是非监督法,它们进行变化检测所采用的特征主要是地物光谱特征和影像纹理特征。自然界中任何地物都具有其自身的电磁辐射规律,如具有反射,吸收外来的紫外线、可见光、红外线和微波的某些波段的特性;它们又都具有发射某些红外线、微波的特性;少数地物还具有透射电磁波的特性,这种特性称为地物的光谱特征。不同的地物类型有着不同的光谱特征,单同一区域的地物发生变换时,其对应的光谱特征也会产生变化。通过分析这些光谱特征的变化情况,就可以检测出哪些地方发生了变化,是否可能有违章建筑存在。基于光谱特征的变化检测一般包括地物光谱特征采集、光谱校正。绝大多数光谱影像的空间分辨率不高,因此基于光谱特征不能检测出较小的变化区域。且光谱特征易受外界的影响,如季节的变化、天气的变化、植被状况变化等等,容易产生“伪变化信息”。纹理特征是指图像灰度在空间上的重复性变化或图像中反复出现的局部模式及其排列规则。不同的地物,纹理特征也不一样。随着遥感影像空间分辨率的提高,影像中包含的纹理信息也更加丰富。通过对比纹理的变化,即可分析出影像中的变化区域,从而找出疑似违章建筑物。基于纹理特征的变化检测需要经过纹理特征提取、傅里叶变换、主成分分析、阀值分割等一系列步骤,过程十分繁琐。且纹理特征易受阴影、光照等外界环境的干扰,造成“伪变化信息”。不管是光谱特征还是纹理特征,均是直接从二维平面影像中提取出来的二维空间特征。
因此,现有技术中传统的基于光谱特征或纹理特征的遥感影像违章建筑监测方法都忽视了违章建筑在高程上的变化。目前基于无人机航拍影像或卫星遥感影像的违章建筑自动监测方法均不能取得较为理想的结果。
发明内容
为此,本发明所要解决的技术问题是:提供一种基于影像进行的违章建筑物自动监测方法及其实现系统,以解决现有技术中基于光谱特征或纹理特征忽视建筑高程变化的问题,使得基于影像进行的违章建筑物自动监测方法以三维影像的方式进行监测,监测精度高,不受阴影、天气等环境因素影响不易发生误判。
于是,本发明提供了一种基于影像进行的违章建筑物自动监测方法,包括:
根据影像生成数字表面模型DSM和数字正摄影像图DOM,并剔除数字表面模型DSM和数字正摄影像图DOM中的植被区域,保留建筑区域;
将数字正摄影像图DOM映射到相同时相下的数字表面模型 DSM上,形成带纹理的数字表面模型DSM,并构建分页细节层次模型以实现动态调度,多分辨率纹理映射,对大数据量的纹理影像基于四叉树进行分块管理,每个分块节点采用相同尺寸的纹理图像进行表达,不同细节层次的节点采用不同的分辨率的纹理图像;
进行地形的分页层次模型构建,以细节层次获得高效率的渲染计算,以分页层次缓解渲染和内存的压力,构建地形的多分辨率金字塔模型;
将不同时相下数字表面模型DSM的分辨率尺度进行统一;
对不同时相的所述带纹理的数字表面模型DSM进行粗配准,之后再对其进行像素级精配准,得到精配准的带纹理的数字表面模型 DSM;
将所述精配准的带纹理的数字表面模型DSM坐标归一到同一参考系下,并对不同时相下的两幅数字表面模型DSM的高程值进行逐像素对比,计算不同时相相同位置上的高程差值δh,
当高程差值δh的绝对值大于预置的阈值时,则认为该点在高程上前后两个时相间具有显著的变化;当高程差值δh的绝对值小于预置的阈值时,则认为该点在高程上前后两个时相间具有无变化,阀值和可以进行调整,是可变量;
逐像素点的高程值比对完成后,在第二时相的数字表面模型 DSM上标注出高程有显著变化的点以及有变化但不显著的点,再对这两类变化区域进行聚类,聚类完成后,计算每个聚类区域的面积S,当S大于预置的阀值σS时,则将该区域标记为疑似违章建筑区域,其中阀值σS可以进行调整,是可变量;
将所述标记的疑似违章建筑区域叠加到第二时相的数字正摄影像图DOM中进行显示,通过人工识图进行快速确认疑似建筑物是否为违章建筑,对于确认为违章建筑的区域进行图斑标注。
其中,所述构建分页细节层次模型以实现动态调度,包括:
对大规模数据的实时动态调度,包括:
对过期场景数据的删除;
对新数据加载请求的获取,请求加载的数据分为两种,一种为已更新的数据,一种为在数据场景中曾使用过的场景数据;
对加载的新数据进行编译,以提高显示或者机载效率;
合并新加载的数据至场景树中,此时通过创建一个数据列表,将加载的数据进行预读取并存储,然后通过循环仿真获取数据列表中数据并将新的数据节点予以合并。
其中,所述将不同时相下数字表面模型DSM的分辨率尺度进行统一,包括:
以不同时相下数字表面模型DSM中最大分辨率尺度为统一尺度,将小于该分辨率尺度的数字表面模型DSM进行降采样,以便使分辨率尺度进行统一。
其中,所述降采样包括最近邻法、重采样算法和三次卷积法。
其中,所述对不同时相的所述带纹理的数字表面模型DSM进行粗配准,包括:
手工点选获取不少于4组同名点进行配准,以前一个时相的数字表面模型DSM为参考,对第二个时相的数字表面模型DSM进行平移,为了准确地选取同名点,分别将两个时相的数字正摄影像图DOM 映射到对应的数字表面模型DSM上,从而得到生成带RGB信息的数字表面模型DSM,先在前一个时相的数字表面模型DSM上手工选取一个特征角点,再在后一个时相的数字表面模型DSM上手工选取出对应的同名点,一个点对选取完成后,再选取下一个点对,选取完多个点对后,可以按照公式(2)计算出后一个时相数字表面模型DSM 相对于前一个时相数字表面模型DSM的平移量:
公式(2)中,表示在前一个时相的数字表面模型DSM 上的点在ENU站心坐标系下北、东、高程的坐标值,同理, 为后一个时相的数字表面模型DSM对应的同名点在ENU站心坐标系下北、东、高程的坐标值,分别为同名点的坐标修正量;
然后对第二个时相数字表面模型DSM所有的坐标进行平移,得到与第一个时相数字表模型DSM配准后的第二个时相数字表面模型 DSM:
其中,所述对不同时相的所述带纹理的数字表面模型DSM进行粗配准,包括:手工点选获取不少于4组同名点进行配准,以前一个时相的数字表面模型DSM为参考,对第二个时相的数字表面模型DSM 进行平移和旋转,分别将两个时相的数字正摄影像图DOM映射到对应的数字表面模型DSM上,得到生成带RGB信息的数字表面模型 DSM,先在前一个时相的数字表面模型DSM上手工选取一个特征角点,再在后一个时相的数字表面模型DSM上手工选取出对应的同名点,一个点对选取完成后,再选取下一个点对,选取至少三个点对后,可以按照公式(4)、(5)计算出后一个时相数字表面模型DSM相对于前一个时相数字表面模型DSM的平移量和旋转矩阵
公式(4)中,n代表同名点对数,表示第一个时相DSM中n个同名点北东方向地理坐标向量所组成的坐标矩阵,表示第二个时相DSM中n个同名点北东方向地理坐标向量所组成的坐标矩阵,表示第二时相DSM向第一个时相DSM进行配准的二维旋转矩阵,表示第二时相DSM向第一个时相DSM进行配准的二维平移矩阵,表示第二时相DSM向第一个时相DSM进行配准的三维旋转矩阵,表示第二时相DSM向第一个时相DSM进行配准的三维平移矩阵;
其中,所述对带纹理的数字表面模型DSM进行像素级精配准,包括:
其中一个DSM在一个设定的三维窗口范围内进行移动,其中前两维单位为像素,最后一维,及高度方向上的移动单位为像元地面分辨率,在每一次移动中,计算他们之间的均方误差,将具有最小均方误差的三维平移量作为精配准参数,对于每个像素的误差在相应的平移量(v,j,k)∈{[-2,2],[-2,2],[-2G SD,2G SD]}其误差计算为:
ρv,j,k(x,y)=|DSM1(x-v,y-j)-DSM2(x,y)-k| (6)
RMSE(v,j,k)=∑x,yρv,j,k(x,y)2 (7)
其中v表示第二时相DSM向第一时相DSM精配准时像素坐标横向上的平移量,表示像素坐标纵向上的平移量,k表示高程上的平移量,GSD为像元地面分辨率,DSM1(x,y)表示第一时相DSM中第x 行第y列像素对应的高程值,DSM2(x,y)表示第二时相DSM中第x行第y列像素对应的高程值。∑x,y表示累加,RMSE(v,j,k)为第二时相 DSM向第一时相DSM进行精配准时的均方根误差。
考虑到其可能涉及到变化的部分,我们提供一个粗差检测阈值τ=5σv,j,k,其中σv,j,k为当前平移结果计算出来的标准差,为:
其中npix为总像素个数,因此我们将带粗差检查的的均方误差表示计算RMSEg:
RMSEg(v,j,k)=∑(x,y)∈{(x,y)|ρv,j,k(x,y)<τ}ρv,j,k(x,y)2 (9)
及计算在剔除当前误差大于粗差检测阈值之后所有像素的均方误差,最后精匹配之后的平移量计算为:
将此平移量在粗配准的基础上利用公式(3),即可得出精配准的数字表面模型DSM,其中,min表示最小化函数。
本发明还提供了一种基于影像进行的违章建筑物自动监测实现系统,包括:
生成单元,用于影像生成数字表面模型DSM和数字正摄影像图 DOM;
剔除单元,将生成单元生成的数字表面模型DSM和数字正摄影像图DOM剔除数字表面模型DSM和数字正摄影像图DOM中的植被区域,保留建筑区域;
映射构建单元,将数字正摄影像图DOM映射到相同时相下的数字表面模型DSM上,形成带纹理的数字表面模型DSM,并构建分页细节层次模型以实现动态调度,多分辨率纹理映射,对大数据量的纹理影像基于四叉树进行分块管理,每个分块节点采用相同尺寸的纹理图像进行表达,不同细节层次的节点采用不同的分辨率的纹理图像,进行地形的分页层次模型构建,以细节层次获得高效率的渲染计算,以分页层次缓解渲染和内存的压力,构建地形的多分辨率金字塔模型;
分辨率统一单元,将不同时相下数字表面模型DSM的分辨率尺度进行统一;
配准单元,对不同时相的所述带纹理的数字表面模型DSM进行粗配准,之后再对其进行像素级精配准,得到精配准的带纹理的数字表面模型DSM;
高程检测单元,将所述精配准的带纹理的数字表面模型DSM坐标归一到同一参考系下,并对不同时相下的两幅数字表面模型DSM 的高程值进行逐像素对比,计算不同时相相同位置上的高程差值δh,
当高程差值δh的绝对值大于预置的阈值时,则认为该点在高程上前后两个时相间具有显著的变化;当高程差值δh的绝对值小于预置的阈值时,则认为该点在高程上前后两个时相间具有无变化,阀值和可以进行调整,是可变量;
逐像素点的高程值比对完成后,在第二时相的数字表面模型 DSM上标注出高程有显著变化的点以及有变化但不显著的点,再对这两类变化区域进行聚类,聚类完成后,计算每个聚类区域的面积S,当S大于预置的阀值σS时,则将该区域标记为疑似违章建筑区域,其中阀值σS可以进行调整,是可变量;
显示单元,将所述标记的疑似违章建筑区域叠加到第二时相的数字正摄影像图DOM中进行显示。
其中,所述映射构建单元包括:
多分辨率纹理映射单元,对大数据量的纹理影像基于四叉树进行分块管理,每个分块节点采用相同尺寸的纹理图像进行表达,不同细节层次的节点采用不同的分辨率的纹理图像;
模型构建单元,进行地形的分页层次模型构建,以细节层次获得高效率的渲染计算,以分页层次缓解渲染和内存的压力,构建地形的多分辨率金字塔模型;
动态调度单元,对大规模数据的实时动态调度,包括:
对过期场景数据的删除;对新数据加载请求的获取,请求加载的数据分为两种,一种为已更新的数据,一种为在数据场景中曾使用过的场景数据;对加载的新数据进行编译,以提高显示或者机载效率;合并新加载的数据至场景树中,此时通过创建一个数据列表,将加载的数据进行预读取并存储,然后通过循环仿真获取数据列表中数据并将新的数据节点予以合并。
其中,所述分辨率统一单元包括:以不同时相下数字表面模型 DSM中最大分辨率尺度为统一尺度,将小于该分辨率尺度的数字表面模型DSM进行降采样,以便使分辨率尺度进行统一。
本发明所述基于影像进行的违章建筑物自动监测方法及其实现系统,通过对影像的处理、不同时相的数字表面模型DSM配准、高程变化的检测、以及违章建筑的确认,解决了现有技术中基于光谱特征或纹理特征忽视建筑高程变化的问题,使得基于影像进行的违章建筑物自动监测方法以三维影像的方式进行监测,监测精度高,不受阴影、天气等环境因素影响不易发生误判。
附图说明
图1为本发明实施例基于影像进行的违章建筑物自动监测方法流程示意图;
图2为纹理单元空间坐标系示意图;
图3为基于四叉树结构的金字塔模型示意图;
图4为地形的多分辨率金字塔模型示意图
图5为动态调度实现流程示意图;
图6为本发明实施例所述基于影像进行的违章建筑物自动监测实现系统结构示意图。
具体实施方式
下面,结合附图对本发明进行详细描述。
如图1所示,本实施例提供了一种基于影像进行的违章建筑物自动监测方法,该方法包括以下四步骤:
步骤一、无人机航拍影像预处理
1)生成数字表面模型和数字正射影像图
利用无人机航拍影像生成数字表面模型DSM和数字正射影像图 DOM,这一步可以采用商用软件如Inpho、Erdas以及开源软件来完成。
2)剔除植被区域
利用影像处理软件剔除DSM和DOM中的植被区域,保留建筑区域,这一步可以采用商业软件eCognition、ENVI等商业软件来完成。
3)生成带纹理的DSM,构建分页细节层次模型将数字正射影像图DOM映射到相同时相下的数字表面模型DSM上,形成带纹理的数字表面模型,并构建分页细节层次(PagedLOD)模型,并实现动态调度。这一步可以通过OpenSceneGraph(OSG)开源渲染引擎实现。
对于大规模的地形数据,在三维场景渲染时,海量地形数据如果采用全加载的方式不仅需要相当长的等待时间,而且影响整个地形展示的连续性。同时,由于海量的模型数据全部存储在计算机内存当中,对计算机内存提出了很高的要求,限制了一般的用户。所以通过构建带有纹理的数字表面模型并构建其分页细节层次模型,对于后续工作中同名点的选取提供了极大的便利,并能有效展示大规模的地形数据。此过程主要分以下三步:
⑴多分辨率纹理映射
纹理映射即将DOM中的纹理图像映射到3D渲染物体DSM的表面上,此过程要解决的核心问题是建立图形与三维模型的集合顶点位置的一一对应关系。纹理贴图中的纹理单元(纹理中的个体图像元素)是根据抽象的纹理坐标排列的,在通常情况下,纹理坐标被指定为浮点值,其范围是0.0至1.0,地形所采用的遥感影像DOM作为纹理贴图,属于二维纹理贴图,二维纹理单元在纹理中的位置如图2 所示,在渲染物体模型时,要把模型几何体上的顶点与纹理单元对应的坐标(s,t)关联起来,对于影像数据而言,每个纹理单元对应着影像的灰度值。创建纹理贴图的流程如下:
①为模型几何体指定纹理坐标
②基于纹理坐标创建纹理对象并保存纹理图形数据
③为几何体对象设定适当的纹理属性和模式
对于大规模的地形场景实时渲染时,由于纹理图像数据量大,对显卡中的纹理内存的消耗非常大,所以在追求地形渲染的真实感效果时,纹理内存大小就成为了限制渲染性能的硬件瓶颈。为解决这个问题提出了多分辨率纹理技术,即对大数据量的纹理影像基于四叉树进行分块管理,每个分块节点采用相同尺寸的纹理图像进行表达,不同细节层次的节点可以采用不同的分辨率的纹理图像。由于纹理图像相邻的像素之间具有某种连续性,利用这种连续性对图像金字塔进行压缩可以有效地减少数据冗余,使得纹理的表示更为紧凑。本文采用图像金字塔,以二进制的格式对纹理图片进行多层次的压缩和存储,从而减少文件的大小,方便纹理的绘制。
⑵地形的分页层次模型(PagedLOD)构建
细节层次技术,即LOD,是目前广泛使用的地形简化技术,能够根据物体模型的节点在显示环境中所处的位置和重要度,决定物体渲染的资源分配,降低非重要物体的面数和细节度,从而获得高效率的渲染运算。DatabasePager即动态数据库技术,用来缓解内存压力,能够自动加载卸载所需要的数据。PagedLOD技术是结合LOD和DatabasePager技术,能同时缓解渲染和内存的压力。PagedLOD能够根据距离选择不同细节层次的模型,然后也能判断出没有用到的细节层次模型和当前窗口外的模型,通知DatabasePager进行卸载判断。
金字塔是一种多分辨率层次模型,体现的就是分层分块存储与调度的思想,在对三维地形场景进行漫游时,根据场景绘制的需求,从硬盘中将当前层次下的多块地形数据动态地加载到内存中,而对于不在当前视域内的其他地形数据,则直接忽略或从内存中卸载。这正是中动态调度节点加载地形数据的理论机制,为大规模地形场景的实时渲染提供了技术支撑。地形的分页层次模型(PagedLOD)的构建即采用金字塔的方式,不仅采用了细节层次模型LOD,同时也充分利用了计算系统的硬件资源,即把海量地形数据进行分块,以金字塔结构的文件存储在硬盘中。金字塔的构建常采用倍率的方式,从顶层到底层,金字塔的表示的范围不变,但是其分辨率则越来越高。每一层的分辨率可用公式(1)来进行表达:
Ra=Rmax·n-a (1)
公式(1)中,Rmax为地形数据的最高分辨率,n为金字塔的倍率,Ra为a层的地形的分辨率。
通过为地形数据构建金子塔,可以将其生成多个不同分辨率的地形数据文件,便于地形场景的快速渲染。也即是,当系统实时渲染地形场景的每一帧时,不同视距、不同位置需要不同细节层次和不同分辨率的地形子块,此时,则可以直接调用金字塔地形数据文件,而无需再实时进行重采样。如图3,为基于四叉树结构的金字塔模型。
构建地形的分页层次模型(PagedLOD)主要为以下几个过程实现:
①对原始数据做分层处理,从最顶层开始也是分辨率最低的层次,定义为第0层,它包含一个地形瓦块,瓦块中的地形点的行列数与原始地形数据的范围及信息量相关,不同范围及信息量,行列数也不同。第0层由于分辨率最低,其中地形表达的信息量也是最少,细节层次也是最低。
②构建第1层,其在0层的基础上一分为四,形成四个地形子块,分辨率则是上一层的2倍,细节层次也更为精细。
③由此类推,第k+1层所含地形子块数是第k层的4倍,分辨率为第k层的2倍,从而形成多分辨率的金字塔模型数据。图4为构建的地形金字塔模型。
④利用四叉树结构对构建的地形金字塔模型进行组织,以便进行数据的实时动态调度。图5为地形三维场景的组织结构。
⑶大规模数据的实时动态调度
对于大规模数据的实时动态调度机制,可通过以下几个过程来分布分功能实现:
①过期场景数据的删除:过期数据通常指在既定时间范围内,在当前用户的场景视域范围内,长时间处于脱离不显示状态,而且预测其在下一时刻或时间段范围不会立即显示。过期数据的处理通过场景的更新遍历函数执行,在此函数中,首先将过期对象存入过期对象列表,然后在具体的数据线程中统一删除。
②新数据加载请求的获取:请求加载的数据分为两种,一种为已更新的数据,一种为在数据场景中曾使用过的场景数据;数据来源或是本地,或来自网络;通过网络途径获取的数据同时需要在本地进行缓存。
③对加载的数据进行编译出来:在地形动态调度机制中,对于涉及到的部分数据为提高显示或者机载效率,通常需要进行预编译。以地形展示或模型加载中的几何体数据和纹理数据为例,几何数据可以通过显示列表(Display List)来进行统一存储,纹理数据也可以在内存中提前存储与加载。
④合并新加载的数据至场景树:此时通过创建一个数据列表,将加载的数据进行预读取并存储,然后通过循环仿真获取数据列表中数据并将新的数据节点予以合并。图5为以上实现流程示意图。
步骤二、不同时相的DSM数据配准
1.统一分辨率
由于不同时相采集的DSM地面分辨率一般不一致,无法进行逐像素的配准和比对,因此,首先需要将不同的时相下DSM的分辨率尺度进行统一。以不同时相DSM中最大分辨率尺度为统一尺度,将小于该分辨率尺度的DSM进行降采样(downsampling),以便使分辨率尺度进行统一。这里可以采用的包括最近邻法、重采样算法和三次卷积法。
2.不同时相的DSM数据粗配准
对两个时相的卫星立体像对生成的DSM进行配准。利用步骤一生成的两个时相的带纹理的DSM模型,手工点选获取不少于4组同名点进行配准。
粗配准有两种方案,第一种只考虑平移,第二种考虑平移和旋转。
1)只考虑平移的配准方法
以前一个时相的DSM为参考,对第二个时相的DSM进行平移。为了准确地选取同名点,分别将两个时相的DOM映射到对应的DSM 上,从而得到生成带RGB信息的DSM。先在前一个时相的DSM上手工选取一个特征角点,再在后一个时相的DSM上手工选取出对应的同名点。一个点对选取完成后,再选取下一个点对。选取完多个点对后,可以按照公式(2)计算出后一个时相DSM相对于前一个时相 DSM的平移量。
其中,在公式(2)中,表示在前一个时相的数字表面模型DSM上的点在ENU站心坐标系下北、东、高程的坐标值,同理,为后一个时相的数字表面模型DSM对应的同名点在ENU 站心坐标系下北、东、高程的坐标值,分别为同名点的坐标修正量。
然后对第二个时相DSM所有的坐标进行平移,得到与第一个时相DSM配准后的第二个时相DSM。
2)考虑平移和旋转的配准方法
以前一个时相的DSM为参考,对第二个时相的DSM进行平移和旋转。同样地,为了准确地选取同名点,分别将两个时相的DOM 映射到对应的DSM上,从而得到生成带RGB信息的DSM。先在前一个时相的DSM上手工选取一个特征角点,再在后一个时相的DSM 上手工选取出对应的同名点。一个点对选取完成后,再选取下一个点对。选取至少三个点对后,可以按照公式(4 )、(5 )计算出后一个时相DSM相对于前一个时相DSM的平移量和旋转矩阵。
其中,在公式(4)中,n代表同名点对数,表示第一个时相DSM 中n个同名点北东方向地理坐标向量所组成的坐标矩阵,表示第二个时相DSM中n个同名点北东方向地理坐标向量所组成的坐标矩阵,表示第二时相DSM向第一个时相DSM进行配准的二维旋转矩阵,表示第二时相DSM向第一个时相DSM进行配准的二维平移矩阵,表示第二时相DSM向第一个时相DSM进行配准的三维旋转矩阵,表示第二时相DSM向第一个时相DSM进行配准的三维平移矩阵;
3.不同时相的DSM数据像素级精配准
在粗配准过程中,手工选取同名点的过程中不可避免的存在选点误差,导致配准精度不高,从而影响变化检测的精度。因此,在进行粗配准后,我们进一步的提出对不同时相DSM的像素级精配准方法。此方法通过将其中一个DSM在一个设定的三维窗口(通常为5×5×5) 范围内进行移动,其中前两维单位为像素,最后一维,及高度方向上的移动单位为像元地面分辨率(表示为GSD,ground sampling distance)。在每一次移动中(总共125次),计算他们之间的均方误差(RMSE,root-mean-squared error),将具有最小均方误差的三维平移量作为精配准参数。对于每个像素的误差在相应的平移量 (v,j,k)∈{[-2,2],[-2,2],[-2G SD,2G SD]},其误差计算为:
ρv,j,k(x,y)=|DSM1(x-v,y-j)-DSM2(x,y)-k| (6)
RMSE(v,j,k)=∑x,yρv,j,k(x,y)2 (7)
其中v表示第二时相DSM向第一时相DSM精配准时像素坐标横向上的平移量,j表示像素坐标纵向上的平移量,k表示高程上的平移量,GSD为像元地面分辨率,DSM1(x,y)表示第一时相DSM中第x行第y列像素对应的高程值,DSM2(x,y)表示第二时相DSM中第x行第y列像素对应的高程值。∑x,y表示累加,RMSE(v,j,k)为第二时相DSM向第一时相DSM进行精配准时的均方根误差。
考虑到其可能涉及到变化的部分,我们提供一个粗差检测阈值τ=5σv,j,k其冲σv,j,k为当前平移结果计算出来的标准差,为:
其中npix为总像素个数,因此我们将带粗差检查的的均方误差表示计算RMSEg:
RMSEg(v,j,k)=∑(x,y)∈{(x,y)|ρv,j,k(x,y)<τ}ρv,j,k(x,y)2 (9)
及计算在剔除当前误差大于粗差检测阈值τ之后所有像素的均方误差。最后精匹配之后的平移量计算为:
将此平移量在粗配准的基础上利用公式(3),即可得出精配准的DSM。
步骤三、高程变化检测
1)首先,利用步骤二得到的转换矩阵将不同时相的DSM坐标系归一到同一参考系下(以第一时相的DSM为参考):
2)在配准和降采样完成后,接着对不同时相下的两幅DSM的高程值进行逐像素比对,计算不同时相相同位置上高程差值δht。
3)逐点高程比对完成后,在第二时相的DSM上标注出有高程有显著变化的点以及有变化但不显著的点,再对这两类变化区域进行聚类,这里,聚类方法可以采用八邻域或四邻域搜索的方法。聚类完成后,计算每个聚类区域的面积S,当S大于一定的阀值σS时,则将该区域标记为疑似违章建筑区域。阀值σS可以进行调整,在本发明具体实现过程中,可以在调整时实时显示检测结果,从而有利于寻找到最优阀值。
步骤四、违章建筑确认
将前一步得到的疑似违章建筑区域叠加到第二时相的DOM中进行显示,通过人工识图进行快速确认疑似建筑物是否为违章建筑,对于确认为违章建筑的区域进行图斑标注。
基于上述方法,本实施例还提供了一种基于影像进行的违章建筑物自动监测实现系统,包括:
生成单元,用于影像生成数字表面模型DSM和数字正摄影像图 DOM;
剔除单元,将生成单元生成的数字表面模型DSM和数字正摄影像图DOM剔除数字表面模型DSM和数字正摄影像图DOM中的植被区域,保留建筑区域;
映射构建单元,将数字正摄影像图DOM映射到相同时相下的数字表面模型DSM上,形成带纹理的数字表面模型DSM,并构建分页细节层次模型以实现动态调度;
分辨率统一单元,将不同时相下数字表面模型DSM的分辨率尺度进行统一;
配准单元,对不同时相的所述带纹理的数字表面模型DSM进行粗配准,之后再对其进行像素级精配准,得到精配准的带纹理的数字表面模型DSM;
高程检测单元,将所述精配准的带纹理的数字表面模型DSM坐标归一到同一参考系下,并对不同时相下的两幅数字表面模型DSM 的高程值进行逐像素对比,计算不同时相相同位置上的高程差值δh,
当高程差值δh的绝对值大于预置的阈值时,则认为该点在高程上前后两个时相间具有显著的变化;当高程差值δh的绝对值小于预置的阈值时,则认为该点在高程上前后两个时相间具有无变化,阀值和可以进行调整,是可变量;
逐像素点的高程值比对完成后,在第二时相的数字表面模型 DSM上标注出高程有显著变化的点以及有变化但不显著的点,再对这两类变化区域进行聚类,聚类完成后,计算每个聚类区域的面积S,当S大于预置的阀值σS时,则将该区域标记为疑似违章建筑区域,其中阀值σS可以进行调整,是可变量;
显示单元,将所述标记的疑似违章建筑区域叠加到第二时相的数字正摄影像图DOM中进行显示。
其中,所述映射构建单元包括:
多分辨率纹理映射单元,对大数据量的纹理影像基于四叉树进行分块管理,每个分块节点采用相同尺寸的纹理图像进行表达,不同细节层次的节点采用不同的分辨率的纹理图像;
模型构建单元,进行地形的分页层次模型构建,以细节层次获得高效率的渲染计算,以分页层次缓解渲染和内存的压力,构建地形的多分辨率金字塔模型;
动态调度单元,对大规模数据的实时动态调度,包括:
对过期场景数据的删除;对新数据加载请求的获取,请求加载的数据分为两种,一种为已更新的数据,一种为在数据场景中曾使用过的场景数据;对加载的新数据进行编译,以提高显示或者机载效率;合并新加载的数据至场景树中,此时通过创建一个数据列表,将加载的数据进行预读取并存储,然后通过循环仿真获取数据列表中数据并将新的数据节点予以合并。
所述分辨率统一单元包括:以不同时相下数字表面模型DSM中最大分辨率尺度为统一尺度,将小于该分辨率尺度的数字表面模型 DSM进行降采样,以便使分辨率尺度进行统一。
以上,根据违章建筑会造成地形高程上的变化这一显著特征,利用无人机航拍影像生成的DSM和DOM进行城市违章建筑物的三维自动检测。通过将DOM映射到DSM形成带纹理的DSM,该数据不仅具有高程信息而且具有纹理信息。然后将两个时段的彩色DSM进行粗配准和精配准后,再进行逐像素高程比对,最后对变化区域进行聚类后自动提取出疑似违章建筑物。
超大分辨率DSM和DOM的映射技术的应用,首先通过将DSM 构建LOD进行分页管理调度,并将DOM的纹理映射到DSM中,能够流畅的浏览几G甚至几十G的DSM与DOM叠加数据,该数据不仅具有高程信息且具有纹理信息,利用纹理信息选取同名点可以对不同时相的DSM进行精确配准。通过以上技术,待配准的DSM和DOM 数据大小不受限制,且能够充分有效地利用纹理信息完成精确配准。
违章建筑的鲁棒检测,通过用户自定义的双高程变化阈值、变化区域面积阀值以及实时显示不同阈值下的结果,有效解决阀值最优化问题,使得违章建筑的查询结果更加鲁棒。
基于人工判图的违章建筑查询具有效率低、劳动强度大、主观性强的缺点而传统的基于二维影像的违章建筑自动检测方法受阴影、天气等环境因素的影像,容易产生误判。
本发明根据违章建筑会造成地形高程上的变化这一显著特征,先利用无人机航拍影像生成DSM和DOM,通过比对两个时相DSM的高程变化,自动检测出疑似违章建筑区域,具有检测精度高,不受环境影响的优点。
本实施例所述的无人机航拍影像,可采用高分辨率卫星遥感立体像对来代替。利用高分辨率卫星遥感立体像对生成的DSM和DOM 后,也可以采用本发明提出的违章建筑检测方法。
综上所述,本实施例所述基于影像进行的违章建筑物自动监测方法及其实现系统,通过对影像的处理、不同时相的数字表面模型DSM 配准、高程变化的检测、以及违章建筑的确认,解决了现有技术中基于光谱特征或纹理特征忽视建筑高程变化的问题,使得基于影像进行的违章建筑物自动监测方法以三维影像的方式进行监测,监测精度高,不受阴影、天气等环境因素影响不易发生误判。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于影像进行的违章建筑物自动监测方法,其特征在于,包括:
根据影像生成数字表面模型DSM和数字正摄影像图DOM,并剔除数字表面模型DSM和数字正摄影像图DOM中的植被区域,保留建筑区域;
将数字正摄影像图DOM映射到相同时相下的数字表面模型DSM上,形成带纹理的数字表面模型DSM,并构建分页细节层次模型以实现动态调度,多分辨率纹理映射,对大数据量的纹理影像基于四叉树进行分块管理,每个分块节点采用相同尺寸的纹理图像进行表达,不同细节层次的节点采用不同的分辨率的纹理图像;
进行地形的分页层次模型构建,以细节层次获得高效率的渲染计算,以分页层次缓解渲染和内存的压力,构建地形的多分辨率金字塔模型;
将不同时相下数字表面模型DSM的分辨率尺度进行统一;
对不同时相的所述带纹理的数字表面模型DSM进行粗配准,之后再对其进行像素级精配准,得到精配准的带纹理的数字表面模型DSM;
将所述精配准的带纹理的数字表面模型DSM坐标归一到同一参考系下,并对不同时相下的两幅数字表面模型DSM的高程值进行逐像素对比,计算不同时相相同位置上的高程差值δh,
当高程差值δh的绝对值大于预置的阈值时,则认为该点在高程上前后两个时相间具有显著的变化;当高程差值δh的绝对值小于预置的阈值时,则认为该点在高程上前后两个时相间具有无变化,阀值和可以进行调整,是可变量;
逐像素点的高程值比对完成后,在第二时相的数字表面模型DSM上标注出高程有显著变化的点以及有变化但不显著的点,再对这两类变化区域进行聚类,聚类完成后,计算每个聚类区域的面积S,当S大于预置的阀值σS时,则将该区域标记为疑似违章建筑区域,其中阀值σS可以进行调整,是可变量;
将所述标记的疑似违章建筑区域叠加到第二时相的数字正摄影像图DOM中进行显示,通过人工识图进行快速确认疑似建筑物是否为违章建筑,对于确认为违章建筑的区域进行图斑标注。
2.根据权利要求1所述的方法,其特征在于,对大规模数据的实时动态调度,包括:
对过期场景数据的删除;
对新数据加载请求的获取,请求加载的数据分为两种,一种为已更新的数据,一种为在数据场景中曾使用过的场景数据;
对加载的新数据进行编译,以提高显示或者机载效率;
合并新加载的数据至场景树中,此时通过创建一个数据列表,将加载的数据进行预读取并存储,然后通过循环仿真获取数据列表中数据并将新的数据节点予以合并。
3.根据权利要求1所述的方法,其特征在于,所述将不同时相下数字表面模型DSM的分辨率尺度进行统一,包括:
以不同时相下数字表面模型DSM中最大分辨率尺度为统一尺度,将小于该分辨率尺度的数字表面模型DSM进行降采样,以便使分辨率尺度进行统一。
4.根据权利要求3所述的方法,其特征在于,所述降采样包括最近邻法、重采样算法和三次卷积法。
5.根据权利要求1所述的方法,其特征在于,所述对不同时相的所述带纹理的数字表面模型DSM进行粗配准,包括:
手工点选获取不少于4组同名点进行配准,以前一个时相的数字表面模型DSM为参考,对第二个时相的数字表面模型DSM进行平移,为了准确地选取同名点,分别将两个时相的数字正摄影像图DOM映射到对应的数字表面模型DSM上,从而得到生成带RGB信息的数字表面模型DSM,先在前一个时相的数字表面模型DSM上手工选取一个特征角点,再在后一个时相的数字表面模型DSM上手工选取出对应的同名点,一个点对选取完成后,再选取下一个点对,选取完多个点对后,可以按照公式(2)计算出后一个时相数字表面模型DSM相对于前一个时相数字表面模型DSM的平移量:
公式(2)中,表示在前一个时相的数字表面模型DSM上的点在ENU站心坐标系下北、东、高程的坐标值,同理, 为后一个时相的数字表面模型DSM对应的同名点在ENU站心坐标系下北、东、高程的坐标值,分别为同名点的坐标修正量;
然后对第二个时相数字表面模型DSM所有的坐标进行平移,得到与第一个时相数字表面模型DSM配准后的第二个时相数字表面模型DSM:
6.根据权利要求5所述的方法,其特征在于,所述对不同时相的所述带纹理的数字表面模型DSM进行粗配准,包括:
手工点选获取不少于4组同名点进行配准,以前一个时相的数字表面模型DSM为参考,对第二个时相的数字表面模型DSM进行平移和旋转,分别将两个时相的数字正摄影像图DOM映射到对应的数字表面模型DSM上,得到生成带RGB信息的数字表面模型DSM,先在前一个时相的数字表面模型DSM上手工选取一个特征角点,再在后一个时相的数字表面模型DSM上手工选取出对应的同名点,一个点对选取完成后,再选取下一个点对,选取至少三个点对后,可以按照公式(4)、(5)计算出后一个时相数字表面模型DSM相对于前一个时相数字表面模型DSM的平移量和旋转矩阵
公式(4)中,n代表同名点对数,表示第一个时相DSM中n个同名点北东方向地理坐标向量所组成的坐标矩阵,表示第二个时相DSM中n个同名点北东方向地理坐标向量所组成的坐标矩阵,表示第二时相DSM向第一个时相DSM进行配准的二维旋转矩阵,表示第二时相DSM向第一个时相DSM进行配准的二维平移矩阵,表示第二时相DSM向第一个时相DSM进行配准的三维旋转矩阵,表示第二时相DSM向第一个时相DSM进行配准的三维平移矩阵;
7.根据权利要求6所述的方法,其特征在于,所述对带纹理的数字表面模型DSM进行像素级精配准,包括:
其中一个DSM在一个设定的三维窗口范围内进行移动,其中前两维单位为像素,最后一维,及高度方向上的移动单位为像元地面分辨率,在每一次移动中,计算他们之间的均方误差,将具有最小均方误差的三维平移量作为精配准参数,对于每个像素的误差在相应的平移量(v,j,k)∈{[-2,2],[-2,2],[-2G SD,2G SD]},每个像素精配准误差计算为:
ρv,j,k(x,y)=|DSM1(x-v,y-j)-DSM2(x,y)-k| (6)
RMSE(v,j,k)=∑x,yρv,j,k(x,y)2 (7)
其中v表示第二时相DSM向第一时相DSM精配准时像素坐标横向上的平移量,j表示像素坐标纵向上的平移量,k表示高程上的平移量,GSD为像元地面分辨率,DSM1(x,y)表示第一时相DSM中第x行第y列像素对应的高程值,DSM2(x,y)表示第二时相DSM中第x行第y列像素对应的高程值,∑x,y表示累加,RMSE(v,j,k)为第二时相DSM向第一时相DSM进行精配准时的均方根误差,
考虑到其可能涉及到变化的部分,我们提供一个粗差检测阈值τ=5σv,j,k,其中σv,j,k为当前平移结果计算出来的标准差,为:
其中npix为总像素个数,因此我们将带粗差检查的均方误差表示计算RMSEg:
RMSEg(v,j,k)=∑(x,y)∈{(x,y)|ρv,j,k(x,y)<τ}ρv,j,k(x,y)2 (9)
及计算在剔除当前误差大于粗差检测阈值之后所有像素的均方误差,最后精匹配之后的平移量计算为:
将此平移量在粗配准的基础上利用公式(3),即可得出精配准的数字表面模型DSM,其中,min表示最小化函数。
8.一种基于影像进行的违章建筑物自动监测实现系统,其特征在于,包括:
生成单元,用于影像生成数字表面模型DSM和数字正摄影像图DOM;
剔除单元,将生成单元生成的数字表面模型DSM和数字正摄影像图DOM剔除数字表面模型DSM和数字正摄影像图DOM中的植被区域,保留建筑区域;
映射构建单元,将数字正摄影像图DOM映射到相同时相下的数字表面模型DSM上,形成带纹理的数字表面模型DSM,并构建分页细节层次模型以实现动态调度,多分辨率纹理映射,对大数据量的纹理影像基于四叉树进行分块管理,每个分块节点采用相同尺寸的纹理图像进行表达,不同细节层次的节点采用不同的分辨率的纹理图像,进行地形的分页层次模型构建,以细节层次获得高效率的渲染计算,以分页层次缓解渲染和内存的压力,构建地形的多分辨率金字塔模型;
分辨率统一单元,将不同时相下数字表面模型DSM的分辨率尺度进行统一;
配准单元,对不同时相的所述带纹理的数字表面模型DSM进行粗配准,之后再对其进行像素级精配准,得到精配准的带纹理的数字表面模型DSM;
高程检测单元,将所述精配准的带纹理的数字表面模型DSM坐标归一到同一参考系下,并对不同时相下的两幅数字表面模型DSM的高程值进行逐像素对比,计算不同时相相同位置上的高程差值δh,
当高程差值δh的绝对值大于预置的阈值时,则认为该点在高程上前后两个时相间具有显著的变化;当高程差值δh的绝对值小于预置的阈值时,则认为该点在高程上前后两个时相间具有无变化,阀值和可以进行调整,是可变量;
逐像素点的高程值比对完成后,在第二时相的数字表面模型DSM上标注出高程有显著变化的点以及有变化但不显著的点,再对这两类变化区域进行聚类,聚类完成后,计算每个聚类区域的面积S,当S大于预置的阀值σS时,则将该区域标记为疑似违章建筑区域,其中阀值σS可以进行调整,是可变量;
显示单元,将所述标记的疑似违章建筑区域叠加到第二时相的数字正摄影像图DOM中进行显示。
9.根据权利要求8所述的系统,其特征在于,所述映射构建单元包括:
多分辨率纹理映射单元,对大数据量的纹理影像基于四叉树进行分块管理,每个分块节点采用相同尺寸的纹理图像进行表达,不同细节层次的节点采用不同的分辨率的纹理图像;
模型构建单元,进行地形的分页层次模型构建,以细节层次获得高效率的渲染计算,以分页层次缓解渲染和内存的压力,构建地形的多分辨率金字塔模型;
动态调度单元,对大规模数据的实时动态调度,包括:
对过期场景数据的删除;对新数据加载请求的获取,请求加载的数据分为两种,一种为已更新的数据,一种为在数据场景中曾使用过的场景数据;对加载的新数据进行编译,以提高显示或者机载效率;合并新加载的数据至场景树中,此时通过创建一个数据列表,将加载的数据进行预读取并存储,然后通过循环仿真获取数据列表中数据并将新的数据节点予以合并。
10.根据权利要求8所述的系统,其特征在于,所述分辨率统一单元包括:以不同时相下数字表面模型DSM中最大分辨率尺度为统一尺度,将小于该分辨率尺度的数字表面模型DSM进行降采样,以便使分辨率尺度进行统一。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610219181.6A CN105893972B (zh) | 2016-04-08 | 2016-04-08 | 基于影像进行的违章建筑物自动监测方法及其实现系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610219181.6A CN105893972B (zh) | 2016-04-08 | 2016-04-08 | 基于影像进行的违章建筑物自动监测方法及其实现系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105893972A CN105893972A (zh) | 2016-08-24 |
CN105893972B true CN105893972B (zh) | 2022-03-11 |
Family
ID=57013130
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610219181.6A Active CN105893972B (zh) | 2016-04-08 | 2016-04-08 | 基于影像进行的违章建筑物自动监测方法及其实现系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105893972B (zh) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106898038B (zh) * | 2017-01-22 | 2019-10-01 | 浙江大学 | 一种使用光线频率曲线合并hm滤波器的渲染方法 |
CN106897694A (zh) * | 2017-02-24 | 2017-06-27 | 西安天和防务技术股份有限公司 | 用于国土资源监控的违建场景识别方法 |
US10747825B2 (en) * | 2017-02-27 | 2020-08-18 | Google Llc | Content search engine |
CN108805864A (zh) * | 2018-05-07 | 2018-11-13 | 广东省电信规划设计院有限公司 | 基于图像数据的违章建筑物的获取方法以及装置 |
CN109145812A (zh) * | 2018-08-20 | 2019-01-04 | 贵州宜行智通科技有限公司 | 违建监测方法及装置 |
CN109598792B (zh) * | 2018-11-19 | 2020-09-08 | 南京大学 | 三维场景中建筑物注记的自动放置方法 |
CN109753928B (zh) * | 2019-01-03 | 2022-03-29 | 北京百度网讯科技有限公司 | 违章建筑物识别方法和装置 |
CN109992692A (zh) * | 2019-04-14 | 2019-07-09 | 山东建筑大学 | 一种基于倾斜摄影的城镇违法用地监测方法及系统 |
CN110135354B (zh) * | 2019-05-17 | 2022-03-29 | 武汉大势智慧科技有限公司 | 一种基于实景三维模型的变化检测方法 |
CN112241659B (zh) * | 2019-07-17 | 2024-05-17 | 杭州海康威视数字技术股份有限公司 | 违章建筑的检测装置和检测方法以及终端设备 |
CN110737652B (zh) * | 2019-09-30 | 2022-03-11 | 中南大学 | 露天矿山三维数字模型的数据清洗方法、系统及存储介质 |
CN110969134A (zh) * | 2019-12-05 | 2020-04-07 | 重庆商勤科技有限公司 | 水源地违建识别预警方法、装置、服务器及存储介质 |
CN111047712A (zh) * | 2019-12-18 | 2020-04-21 | 南京诺联计算机科技有限公司 | 一种道路设计图纸与航拍实景特效合成的方法 |
CN111563448B (zh) * | 2020-04-30 | 2023-10-31 | 北京百度网讯科技有限公司 | 一种违章建筑物检测方法、装置、电子设备和存储介质 |
CN111401345B (zh) * | 2020-06-04 | 2020-08-28 | 常州市新翼空间信息科技有限公司 | 一种基于航拍测量的dsm自动比对系统 |
CN112270291B (zh) * | 2020-11-11 | 2021-09-07 | 中山大学 | 一种基于多源光学遥感图像的违法建设用地开发自动检测方法 |
CN113095223A (zh) * | 2021-04-13 | 2021-07-09 | 山东瑞智飞控科技有限公司 | 一种基于航拍正射影像的新增违法建筑识别方法和系统 |
CN113159174B (zh) * | 2021-04-21 | 2022-05-06 | 云南师范大学 | 无控制点的dem匹配与形变量探测方法及装置 |
CN113971768A (zh) * | 2021-10-27 | 2022-01-25 | 国网安徽省电力有限公司马鞍山供电公司 | 一种基于无人机的输电线路违章建筑三维动态检测方法 |
CN114138265B (zh) * | 2021-12-03 | 2023-07-18 | 北京数字政通科技股份有限公司 | 一种基于数字孪生的可视化方法 |
CN116029430A (zh) * | 2022-12-27 | 2023-04-28 | 江苏师范大学科文学院 | 一种基于航拍图像的草原区生态环境监测系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007033157A (ja) * | 2005-07-25 | 2007-02-08 | Ntt Data Corp | 画像解析装置、画像解析方法及びプログラム |
CN101479731A (zh) * | 2006-05-12 | 2009-07-08 | 贺利实公司 | 为感兴趣的地理区域产生有纹理图像的数字表面模型(dsm)的方法及系统 |
CN103093466A (zh) * | 2013-01-21 | 2013-05-08 | 武汉大学 | 基于LiDAR点云和影像的建筑物三维变化检测方法 |
CN103268221A (zh) * | 2012-12-07 | 2013-08-28 | 北京建筑工程学院 | 一种基于web技术的气象数据体三维显示方法及装置 |
CN104006802A (zh) * | 2014-05-06 | 2014-08-27 | 国家基础地理信息中心 | 一种基于信息融合的地表三维变化检测方法及系统 |
CN104049245A (zh) * | 2014-06-13 | 2014-09-17 | 中原智慧城市设计研究院有限公司 | 基于LiDAR点云空间差异分析的城市建筑物变化检测方法 |
CN104091369A (zh) * | 2014-07-23 | 2014-10-08 | 武汉大学 | 一种无人机遥感影像建筑物三维损毁检测方法 |
CN104766341A (zh) * | 2015-05-04 | 2015-07-08 | 福建师范大学 | 一种基于dsm和核密度估计的遥感影像建筑物变化检测方法 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4378571B2 (ja) * | 2007-05-31 | 2009-12-09 | Necシステムテクノロジー株式会社 | 地図変化検出装置、地図変化検出方法およびプログラム |
-
2016
- 2016-04-08 CN CN201610219181.6A patent/CN105893972B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007033157A (ja) * | 2005-07-25 | 2007-02-08 | Ntt Data Corp | 画像解析装置、画像解析方法及びプログラム |
CN101479731A (zh) * | 2006-05-12 | 2009-07-08 | 贺利实公司 | 为感兴趣的地理区域产生有纹理图像的数字表面模型(dsm)的方法及系统 |
CN103268221A (zh) * | 2012-12-07 | 2013-08-28 | 北京建筑工程学院 | 一种基于web技术的气象数据体三维显示方法及装置 |
CN103093466A (zh) * | 2013-01-21 | 2013-05-08 | 武汉大学 | 基于LiDAR点云和影像的建筑物三维变化检测方法 |
CN104006802A (zh) * | 2014-05-06 | 2014-08-27 | 国家基础地理信息中心 | 一种基于信息融合的地表三维变化检测方法及系统 |
CN104049245A (zh) * | 2014-06-13 | 2014-09-17 | 中原智慧城市设计研究院有限公司 | 基于LiDAR点云空间差异分析的城市建筑物变化检测方法 |
CN104091369A (zh) * | 2014-07-23 | 2014-10-08 | 武汉大学 | 一种无人机遥感影像建筑物三维损毁检测方法 |
CN104766341A (zh) * | 2015-05-04 | 2015-07-08 | 福建师范大学 | 一种基于dsm和核密度估计的遥感影像建筑物变化检测方法 |
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 |
Non-Patent Citations (5)
Title |
---|
Building Detection in Digital Surface Model;Shuang Zhou等;《2013 IEEE International Conference on Imaging Systems and Techniques (IST)》;20140203;第1-6页 * |
Development of Line-of-Sight Digital Surface Model for Co-Registering Off-Nadir VHR Satellite Imagery With Elevation Data;Alaeldin Suliman等;《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》;20150531;第8卷(第5期);第1913-1923页 * |
基于多时相机载LiDAR数据的三维变化检测关键技术研究;张良;《中国博士学位论文全文数据库 基础科学辑》;20150615;第2015年卷(第06期);第A008-9页 * |
基于无人机遥感平台的城市变化检测技术研究;施涛等;《科技创新导报》;20121231(第8期);第2-3页 * |
顾及投影差的遥感影像变化检测;徐丽华;《中国优秀博硕士学位论文全文数据库 (硕士) 基础科学辑》;20060515;第2006年卷(第05期);第A008-151页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105893972A (zh) | 2016-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105893972B (zh) | 基于影像进行的违章建筑物自动监测方法及其实现系统 | |
US20200340813A1 (en) | Map feature extraction system for computer map visualizations | |
CN107067405B (zh) | 基于尺度优选的遥感影像分割方法 | |
CN103337052B (zh) | 面向宽幅遥感影像的自动几何纠正方法 | |
CN103268358B (zh) | 多源控制点影像数据库构建及更新方法 | |
CA2995850A1 (en) | Systems and methods for analyzing remote sensing imagery | |
JP2011501301A (ja) | 地理的情報の複数のソースを用いた地理空間モデリングシステム及び関連する方法 | |
CN108921943A (zh) | 一种基于车道级高精度地图的道路三维模型建模方法 | |
CN108765567A (zh) | 一种用于构建城市设计数字化沙盘的系统 | |
CN114926602B (zh) | 基于三维点云的建筑物单体化方法及系统 | |
CN116843845A (zh) | 一种应用于数字孪生城市的空间数据集成方法及系统 | |
CN116343103B (zh) | 一种基于三维gis场景与视频融合的自然资源监管方法 | |
Karsli et al. | Automatic building extraction from very high-resolution image and LiDAR data with SVM algorithm | |
Ferri et al. | A new map of the European settlements by automatic classification of 2.5 m resolution SPOT data | |
CN114820975B (zh) | 基于全要素参数符号化的三维场景仿真重构系统及方法 | |
CN115512247A (zh) | 基于图像多参数提取的区域建筑损伤等级评定方法 | |
Zhu et al. | Depth-enhanced feature pyramid network for occlusion-aware verification of buildings from oblique images | |
CN114187532A (zh) | 一种遥感影像时空样本生成与智能迭代分类方法及系统 | |
US20230394705A1 (en) | Location determination in a gps-denied environment with user annotation | |
Xu | Application of remote sensing image data scene generation method in smart city | |
CN114418858A (zh) | 遥感影像的镶嵌方法、装置、设备及存储介质 | |
CN108052585B (zh) | 一种复杂环境中动态目标的判定方法 | |
Yu et al. | Abnormal crowdsourced data detection using remote sensing image features | |
Mahdavi-Amiri et al. | Data management possibilities for aperture 3 hexagonal discrete global grid systems | |
Carpanese et al. | Automated estimation of building height through image processing |
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 |