CN106097456A - 基于自适应簇算法的倾斜摄影实景三维单体化模型方法 - Google Patents
基于自适应簇算法的倾斜摄影实景三维单体化模型方法 Download PDFInfo
- Publication number
- CN106097456A CN106097456A CN201610395104.6A CN201610395104A CN106097456A CN 106097456 A CN106097456 A CN 106097456A CN 201610395104 A CN201610395104 A CN 201610395104A CN 106097456 A CN106097456 A CN 106097456A
- Authority
- CN
- China
- Prior art keywords
- data
- information
- model
- diagnostic method
- monomer
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
Landscapes
- Engineering & Computer Science (AREA)
- Architecture (AREA)
- Computer Graphics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Processing Or Creating Images (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于自适应簇算法的倾斜摄影实景三维单体化模型方法，利用现有基于倾斜摄影测量的自动三维建模的建模成果，并解析空间信息与纹理信息，同时解析出空间信息与纹理信息的对应关系；在此基础上，分别基于空间信息判别法、光谱信息判别法实现对建筑物、非建筑物如植被等三维模型的单体化模型的自动分割、提取；然后采用自适应簇算法对已经分割、提取的单体化进行进一步优化，输出基于自适应簇算法的单体化模型。本发明实现了基于自适应簇算法的实景三维模型单体化模型快速分割、提取功能，不仅自动化程度高，而且还具有准确度高、效率高的特点，特别是在实际建筑物密度较大区域，更为有效地提取出单个三维模型。
Description
技术领域
本发明属于实景三维模型技术领域，涉及一种基于自适应簇算法的倾斜摄影实景三维单体化模型方法。
背景技术
倾斜摄影技术是国际测绘领域近些年发展起来的一项高新技术，它颠覆了以往正射影像只能从垂直角度拍摄的局限，通过在同一飞行平台上搭载多台传感器，同时从一个垂直、四个倾斜等五个不同的角度采集影像，通过专用的处理软件，可以自动生成符合人眼视觉的三维模型数据，倾斜摄影成为三维城市实景建设的新的高效的技术手段。
目前，基于倾斜摄影的实景三维自动建模已成为城市或者各类行业大比例实景三维模型建设的发展趋势。与传统的人工建模真实度低、作业效率低下、作业人员技术水平差异等而导致的模型准确度不高而成本却相当高等缺点相比较，基于倾斜摄影的实景三维自动建模具有简单快捷、性价比高等特点，同时生成的实景三维模型具有相当好的真实感。这一技术正被推广到传统的测绘领域以及诸多行业应用领域，从而实现智慧时空大数据快速获取、处理与分析能力。
虽然传统的基于倾斜摄影的实景三维自动建模具有高能效的特点，但是其获取的实景三维模型只有空间信息，而没有高效、可靠地实现模型单体化等，这是基于倾斜摄影的实景三维应用所遇到的一个技术问题。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是：针对现有技术中的不足，提出一种基于自适应簇算法的倾斜摄影实景三维单体化模型方法，实现基于倾斜摄影的自动三维建模中模型的单体化。
(二)技术方案
为了解决上述技术问题，本发明提供一种基于自适应簇算法的倾斜摄影实景三维单体化模型方法，其包括以下步骤：
步骤1：获取基于倾斜摄影测量的自动三维建模输出的开放式建模成果数据；
步骤2：解析步骤1所述开放式建模成果数据中的空间信息、纹理信息、空间信息与纹理信息之间的对应关系，实现其格式转换，以获得满足步骤3至步骤5中空间信息判别法、光谱信息判别法、自适应簇算法需要的数据格式；
步骤3：采用空间信息判别法，利用高度区分出解析后三维模型数据中建筑物、非建筑物区域，并进行单体分离,实现对基于空间信息判别法的单体模型的自动分割、提取；
步骤4：通过光谱信息判别法，对解析后三维模型数据中的纹理信息分类，同时利用光谱信息与空间信息的对应关系，进行基于光谱信息判别法的单体模型分割、提取操作；
步骤5：对基于空间信息判别法的单体模型和基于光谱信息判别法的单体模型两个成果数据集合并，形成基于空间信息与光谱信息综合判别的单体模型成果；
步骤6：基于自适应簇算法对所述单体模型成果数据集进行优化分析，输出基于自适应簇算法的倾斜摄影实景三维单体化模型，该输出成果在格式上与所述开放式建模成果数据格式一致。
其中，所述步骤2中，格式转换后获得的数据格式中，数据内容包括：
(a)空间信息；
(b)纹理信息；
(c)空间信息与纹理信息之间的对应关系；
(d)单体模型数据集；
数据表达形式包括：
(a)数据单元(ID、X、Y、Z、R、G、B、I、F、P、C)，其中，ID表示数据的唯一识别码；(X、Y)表示数据的空间信息之平面坐标数值；Z表示数据的空间信息之高度值；(R、G、B)表示数据的纹理信息之光谱信息R、G、B；I表示数据的纹理信息之强度；F表示数据的特征信息；P表示数据的属性信息；C表示数据的分类信息；
(b)由若干数据单元作为样本空间内容建立三模模型数据集；
(c)空间信息数据单元(ID、X、Y、Z)；由若干空间信息数据单元作为样本空间内容建立空间信息数据集；
(d)纹理信息数据单元(ID、R、G、B)；由若干纹理信息数据单元作为样本空间内容建立纹理信息数据集；
(e)由数据的唯一识别码ID建立空间信息数据、纹理信息数据以及其他数据之间一一对应关系；
(f)单体模型数据单元(SID，P，C，X、Y、Z，D3D)，其中，SID表示单体模型数据的唯一识别码；P表示单体模型数据的属性信息；C表示单体模型数据的分类信息；X、Y、Z表示单体模型数据的重心坐标数值；D3D表示单体模型对应的三维模型数据子集；
(g)建立由单体模型数据单元作为样本空间内容的单体模型成果数据集。
其中，所述步骤2中，“解析”的过程为：
(a)建立统一的数据规格数据表；
(b)获取自动三维建模的开放式建模成果数据；
(c)将自动三维建模的开放式建模成果数据内容中信息按统一的数据规格中的数据的唯一识别码ID构建统一的数据规格数据表。
其中，所述步骤3中，建筑物与非建筑物区域通过确定实景三模模型数据的模型高度分界点来区分；基于平面与高度信息进行样本空间距离法聚类分析，分离、提取基于空间信息判别法的单体模型。
其中，所述步骤4中，基于三维模型数据的模型光谱信息分界点对三维模型数据中的纹理信息分类；根据纹理信息所包含的光谱信息并结合植被在纹理数据的光谱分布对纹理数据中的信息进行基于光谱信息的样本空间距离法聚类分析，分离、提取基于光谱信息判别法的单体模型。
其中，所述步骤5中，空间信息判别法对应的成果为：基于空间信息数据集数据单元(ID、X、Y、Z)确定三维模型数据集数据单元(ID、X、Y、Z、R、G、B、I、F、P、C)中数据的分类信息C【基于空间信息判别法】与对应的单体模型成果；
光谱信息判别法对应的成果为：基于纹理即光谱信息数据集数据单元(ID、X、Y、Z)确定三维模型数据集数据单元(ID、X、Y、Z、R、G、B、I、F、P、C)中数据的分类信息C【基于光谱信息判别法】与对应的单体模型成果；
两个成果数据集合并处理后，三维模型数据集数据单元中数据的分类信息形成如下四种：
确定性的分类信息C【基于空间信息判别法、基于光谱信息判别法二者输出一致】；
确定性的分类信息C【基于空间信息判别法输出，基于光谱信息判别法无输出】；
确定性的分类信息C【基于光谱信息判别法输出，基于空间信息判别法无输出】；
不确定性的分类信息C【基于空间信息判别法、基于光谱信息判别法二者都无输出】。
其中，所述步骤5中，所述单体模型成果数据集的形成过程如下：
(a)形成单体模型数据单元(SID，P，C，X、Y、Z，D3D)，其中，SID表示单体模型数据的唯一识别码；P表示单体模型数据的属性信息；C表示单体模型数据的分类信息；X、Y、Z表示单体模型数据的重心坐标数值；D3D表示单体模型对应的三维模型数据子集；
(b)建立由单体模型数据单元作为样本空间内容的单体模型成果数据集。
其中，所述步骤6中，优化分析的过程为：将单体模型成果数据集分别进行基于空间信息、光谱信息的空间变换，并以空间变换数据成果作为样本空间，分别构建自适应簇算法数学模型的模糊隶属度函数、模糊聚类中心加权测度、目标函数，通过该算法的自适应迭代收敛准则迭代解算出模糊隶属度、模糊聚类中心，在实现该算法目标函数最优的基础上，获得基于自适应簇算法的倾斜摄影实景三维单体化模型成果；将该成果解析成与所述开放式建模成果数据格式一致。
其中，所述步骤1中，所述开放式建模成果输出为OBJ格式的三维模型或OSGB格式的三维模型。
(三)有益效果
上述技术方案实现了基于自适应簇算法的实景三维模型单体化模型快速分割、提取功能，不仅自动化程度高，而且还具有准确度高、效率高的特点，特别是在实际建筑物密度较大区域，更为有效地提取出单个三维模型，为今后的智慧城市提供真实的实景三维基础数据，大大降低了人工干预，具有效率高、准确度高、性价比高等特点。
附图说明
图1是本发明的总体处理流程图；
图2是基于空间信息判别法的单体化模型处理流程图；
图3是基于光谱信息判别法的单体化模型处理流程图；
图4是基于自适应簇算法的倾斜摄影实景三维模型单体化模型处理流程图。
具体实施方式
为使本发明的目的、内容、和优点更加清楚，下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。
参照图1所示，本实施例基于自适应簇算法的倾斜摄影实景三维单体化模型方法包括以下步骤：
步骤1：获取基于倾斜摄影测量的自动三维建模输出的开放式建模成果数据；
本步骤中，由三个、五个或者更多个机载航空摄影相机组成的倾斜摄影系统对城市或感兴趣的目标区域进行航空摄影，并通过街景工厂(Street Factory)、Smart3D、图景iMOS-3D航拍数据快速处理系统等进行倾斜摄影数据的自动匹配、自动定向、自动空中三角测量以及三维模型纹理自动提取等流程，称为基于倾斜摄影测量的自动三维建模。其建模成果输出通常是：(a)OBJ格式的三维模型；(b)OSGB格式的三维模型。由于是采用自动化作业流程，通常这种作业成果称为倾斜摄影实景三维建模。
本实施例中，上述建模成果不但可以包括这些格式，而且不限于这些格式，只要成果输出的格式是开放的即可，步骤2中“解析”功能，即实现对开放的自动三维建模的建模成果进行格式转换并解析为本实施例可处理的数据格式。
自动三维建模的建模成果数据主要包括空间信息(平面、高度信息)、纹理信息(光谱信息R、G、B)、空间信息与纹理信息之间的对应关系、属性信息以及其他感兴趣的信息内容等。本实施例主要关注的数据内容是空间信息、纹理信息、空间信息与纹理信息之间的对应关系。
步骤2：解析所述开放式建模成果数据中的空间信息、纹理信息、空间信息与纹理信息之间的对应关系，实现其格式转换，以获得满足步骤3至步骤5中空间信息判别法、光谱信息判别法、自适应簇算法需要的数据格式。
事实上，现有基于倾斜摄影测量的自动三维建模的建模成果本身，包括有空间信息、纹理信息以及空间信息与纹理信息之间的对应关系，但是为便于本实施例统一的内部数据规格，进行本步骤的“解析”功能，即：将步骤1的“开放式的自动三维建模的建模成果数据”转化为本实施例统一的内部数据规格。
(1)本实施例统一的内部数据规格内容主要包括：
(a)空间信息(平面、高度)；
(b)纹理信息(光谱信息R、G、B)；
(c)空间信息与纹理信息之间的对应关系；
(d)单体模型数据集。
(2)本实施例统一的内部数据规格主要以如下形式表达：
(a)数据单元(ID、X、Y、Z、R、G、B、I、F、P、C)，其中，ID表示数据的唯一识别码；(X、Y)表示数据的空间信息之平面坐标数值；Z表示数据的空间信息之高度值；(R、G、B)表示数据的纹理信息之光谱信息R、G、B；I表示数据的纹理信息之强度；F表示数据的特征信息；P表示数据的属性信息；C表示数据的分类信息。
(b)由若干数据单元作为样本空间内容建立三模模型数据集。
(c)空间信息数据单元(ID、X、Y、Z)；由若干空间信息数据单元作为样本空间内容建立空间信息数据集。
(d)纹理信息数据单元(ID、R、G、B)；由若干纹理信息数据单元作为样本空间内容建立纹理信息数据集。
(e)由数据的唯一识别码ID建立空间信息数据、纹理信息数据以及其他数据之间一一对应关系。
(f)单体模型数据单元(SID，P，C，X、Y、Z，D3D)，其中，SID表示单体模型数据的唯一识别码；P表示单体模型数据的属性信息；C表示单体模型数据的分类信息；X、Y、Z表示单体模型数据的重心坐标数值；D3D表示单体模型对应的三维模型数据子集。
(g)建立由单体模型数据单元作为样本空间内容的单体模型成果数据集。
(3)本步骤“解析”所使用的方法，即：将步骤1的“自动三维建模的开放式建模成果数据”转化为本实施例统一的内部数据规格所使用的方法：
(a)建立本实施例统一的内部数据规格数据表；
(b)获取“自动三维建模的开放式建模成果数据”；
(c)将“自动三维建模的开放式建模成果数据”内容中的空间信息(平面X、Y、高度Z)、纹理信息(光谱信息R、G、B)以及其他信息(如有数据的纹理信息之强度I；数据的特征信息F；数据的属性信息P；数据的分类信息C)按统一的内部数据规格中的数据的唯一识别码ID构建统一的内部数据规格数据表。
步骤3：采用空间信息判别法，利用高度区分出解析后三维模型数据中建筑物、非建筑物(如植被等)区域，并进行单体分离,实现对基于空间信息判别法的单体模型的自动分割、提取。
基于三维模型数据中高度信息为判别标准进行三维模型数据分割的方法，将之称为空间信息判别法。建筑物与非建筑物的区分通过确定实景三模模型数据的模型高度分界点来实现。基于平面与高度信息进行样本空间距离法聚类分析，分离、提取基于空间信息判别法的单体模型。其中，样本空间距离法聚类分析，是常规方法。
步骤3的具体处理过程如图2所示：
(1)根据步骤2中解析获得的数据确定出三维模型数据的模型高度分界点；
(2)基于平面与高度信息进行样本空间距离法聚类分析，分离、提取基于空间信息判别法的单体模型。
该步骤中，输入数据是：三维模型数据集；输出数据是：单体模型数据集(其中分类信息是基于空间信息判别法输出成果)、三维模型数据集(其中分类信息是基于空间信息判别法输出成果)；处理算法是：平面与高度信息进行样本空间距离法聚类分析。
步骤4：通过纹理信息即光谱信息判别法，对解析后的三维模型数据中的纹理信息分类，同时利用光谱信息与空间信息的对应关系，进行基于光谱信息判别法的单体模型分割、提取操作；
基于三维模型数据中纹理信息即光谱信息为判别标准进行三维模型数据分割的方法，称为纹理信息即光谱信息判别法。
步骤3中基于空间信息判别法的单体模型分割、提取操作主要是将各种显著高于地表的建筑物、非建筑等三维模型从连成大片的整块数据分开来，这个操作的对象是空间信息(高度信息)。
步骤4中基于光谱信息判别法的单体模型分割、提取操作主要是将各种植被等光谱信息显著的三维模型从连成大片的整块数据分开来，这个操作的对象是纹理信息(光谱信息)。
步骤4的具体处理过程如图3所示：
(1)根据步骤2解析的数据确定三维模型数据的模型光谱信息分界点；
(2)根据纹理信息所包含的光谱信息并结合植被等在纹理数据的光谱分布对纹理数据中的信息进行基于光谱信息的样本空间距离法聚类分析，分离、提取基于光谱信息判别法的单体模型。
该步骤中，输入数据是：三维模型数据集；输出数据是：单体模型数据集(其中分类信息是基于光谱信息判别法输出成果)、三维模型数据集(其中分类信息是基于光谱信息判别法输出成果)；处理算法是：基于光谱信息进行样本空间距离法聚类分析。
步骤5：对基于空间信息判别法的单体模型和基于光谱信息判别法的单体模型两个成果数据集合并，形成基于高度信息与光谱信息综合判别的单体模型成果。
其中，空间信息判别法对应的成果为：基于空间信息数据集数据单元(ID、X、Y、Z)确定三维模型数据集数据单元(ID、X、Y、Z、R、G、B、I、F、P、C)中数据的分类信息C【基于空间信息判别法】与对应的单体模型成果。
光谱信息判别法对应的成果为：基于纹理即光谱信息数据集数据单元(ID、X、Y、Z)确定三维模型数据集数据单元(ID、X、Y、Z、R、G、B、I、F、P、C)中数据的分类信息C【基于光谱信息判别法】与对应的单体模型成果。
两个成果数据集合并处理后，三维模型数据集数据单元中数据的分类信息C可形成如下四种：
●确定性的分类信息C【基于空间信息判别法、基于光谱信息判别法二者输出一致】。
●确定性的分类信息C【基于空间信息判别法输出，基于光谱信息判别法无输出】。
●确定性的分类信息C【基于光谱信息判别法输出，基于空间信息判别法无输出】。
●不确定性的分类信息C【基于空间信息判别法、基于光谱信息判别法二者都无输出】。
该步骤中，合并处理的结果是分别输出基于空间信息与光谱信息综合判别的单体模型成果数据集，其中，单体模型成果数据集的形成过程如下：
(a)形成单体模型数据单元(SID，P，C，X、Y、Z，D3D)，其中，SID表示单体模型数据的唯一识别码；P表示单体模型数据的属性信息；C表示单体模型数据的分类信息；X、Y、Z表示单体模型数据的重心坐标数值；D3D表示单体模型对应的三维模型数据子集。
(b)建立由单体模型数据单元作为样本空间内容的单体模型成果数据集。
步骤6：如图4所示，基于自适应簇算法对所述单体模型成果数据集进行优化分析，输出基于自适应簇算法的倾斜摄影实景三维单体化模型。该输出成果在格式上与输入的已有实景三维模型格式一致，可导入到标准化的实景三维模型显示环境进行综合显示。
自适应簇算法是一种自适应模糊C均值聚类，其数据处理过程为：将单体模型成果数据集分别进行基于空间信息、光谱信息的空间变换如统计直方图法，并以空间变换数据成果作为样本空间，建立模糊隶属度函数、模糊聚类中心加权测度、目标函数等自适应簇算法数学模型的函数数据集。
优化分析的过程为：基于自适应簇算法数学模型迭代收敛准则，基于以空间信息、光谱信息空间变换数据成果作为样本空间，分别构建自适应簇算法数学模型的模糊隶属度函数、模糊聚类中心加权测度、目标函数，通过该算法的自适应迭代收敛准则迭代解算出模糊隶属度、模糊聚类中心，从而在实现该算法目标函数最优的基础上，获得基于自适应簇算法的倾斜摄影实景三维单体化模型成果，该成果数据集规格如步骤5中所示。
为保证本发明的数据处理成果开放性，进一步将输出的成果解析成与输入已有实景三维模型格式一致，从而可实现导入到标准化的实景三维模型显示环境进行综合显示。
综上所述，本发明利用现有基于倾斜摄影测量的自动三维建模的建模成果，并解析空间信息(平面、高度)与纹理信息(包括光谱R、G、B信息)，同时解析出空间信息与纹理信息的对应关系；在此基础上，分别基于空间信息判别法、光谱信息判别法实现对建筑物、非建筑物如植被等三维模型的单体化模型的自动分割、提取；然后采用自适应簇算法对已经分割、提取的单体化进行进一步优化，输出基于自适应簇算法的单体化模型。本发明实现了基于自适应簇算法的实景三维模型单体化模型快速分割、提取功能，不仅自动化程度高，而且还具有准确度高、效率高的特点，特别是在实际建筑物密度较大区域，更为有效地提取出单个三维模型。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (9)
1.一种基于自适应簇算法的倾斜摄影实景三维单体化模型方法，其特征在于，包括以下步骤：
步骤1：获取基于倾斜摄影测量的自动三维建模输出的开放式建模成果数据；
步骤2：解析步骤1所述开放式建模成果数据中的空间信息、纹理信息、空间信息与纹理信息之间的对应关系，实现其格式转换，以获得满足步骤3至步骤5中空间信息判别法、光谱信息判别法、自适应簇算法需要的数据格式；
步骤3：采用空间信息判别法，利用高度区分出解析后三维模型数据中建筑物、非建筑物区域，并进行单体分离,实现对基于空间信息判别法的单体模型的自动分割、提取；
步骤4：通过光谱信息判别法，对解析后三维模型数据中的纹理信息分类，同时利用光谱信息与空间信息的对应关系，进行基于光谱信息判别法的单体模型分割、提取操作；
步骤5：对基于空间信息判别法的单体模型和基于光谱信息判别法的单体模型两个成果数据集合并，形成基于空间信息与光谱信息综合判别的单体模型成果；
步骤6：基于自适应簇算法对步骤5所述单体模型成果数据集进行优化分析，输出基于自适应簇算法的倾斜摄影实景三维单体化模型，该输出成果在格式上与步骤1所述开放式建模成果数据格式一致。
2.如权利要求1所述的基于自适应簇算法的倾斜摄影实景三维单体化模型方法，其特征在于，所述步骤2中，格式转换后获得的数据格式中，数据内容包括：
(a)空间信息；
(b)纹理信息；
(c)空间信息与纹理信息之间的对应关系；
(d)单体模型数据集；
数据表达形式包括：
(a)数据单元(ID、X、Y、Z、R、G、B、I、F、P、C)，其中，ID表示数据的唯一识别码；(X、Y)表示数据的空间信息之平面坐标数值；Z表示数据的空间信息之高度值；(R、G、B)表示数据的纹理信息之光谱信息R、G、B；I表示数据的纹理信息之强度；F表示数据的特征信息；P表示数据的属性信息；C表示数据的分类信息；
(b)由若干数据单元作为样本空间内容建立三模模型数据集；
(c)空间信息数据单元(ID、X、Y、Z)；由若干空间信息数据单元作为样本空间内容建立空间信息数据集；
(d)纹理信息数据单元(ID、R、G、B)；由若干纹理信息数据单元作为样本空间内容建立纹理信息数据集；
(e)由数据的唯一识别码ID建立空间信息数据、纹理信息数据以及其他数据之间一一对应关系；
(f)单体模型数据单元(SID，P，C，X、Y、Z，D3D)，其中，SID表示单体模型数据的唯一识别码；P表示单体模型数据的属性信息；C表示单体模型数据的分类信息；X、Y、Z表示单体模型数据的重心坐标数值；D3D表示单体模型对应的三维模型数据子集；
(g)建立由单体模型数据单元作为样本空间内容的单体模型成果数据集。
3.如权利要求2所述的基于自适应簇算法的倾斜摄影实景三维单体化模型方法，其特征在于，所述步骤2中，“解析”的过程为：
(a)建立统一的数据规格数据表；
(b)获取自动三维建模的开放式建模成果数据；
(c)将自动三维建模的开放式建模成果数据内容中信息按统一的数据规格中的数据的唯一识别码ID构建统一的数据规格数据表。
4.如权利要求1所述的基于自适应簇算法的倾斜摄影实景三维单体化模型方法，其特征在于，所述步骤3中，建筑物与非建筑物区域通过确定实景三模模型数据的模型高度分界点来区分；基于平面与高度信息进行样本空间距离法聚类分析，分离、提取基于空间信息判别法的单体模型。
5.如权利要求1所述的基于自适应簇算法的倾斜摄影实景三维单体化模型方法，其特征在于，所述步骤4中，基于三维模型数据的模型光谱信息分界点对三维模型数据中的纹理信息分类；根据纹理信息所包含的光谱信息并结合植被在纹理数据的光谱分布对纹理数据中的信息进行基于光谱信息的样本空间距离法聚类分析，分离、提取基于光谱信息判别法的单体模型。
6.如权利要求2所述的基于自适应簇算法的倾斜摄影实景三维单体化模型方法，其特征在于，所述步骤5中，空间信息判别法对应的成果为：基于空间信息数据集数据单元(ID、X、Y、Z)确定三维模型数据集数据单元(ID、X、Y、Z、R、G、B、I、F、P、C)中数据的分类信息C【基于空间信息判别法】与对应的单体模型成果；
光谱信息判别法对应的成果为：基于纹理即光谱信息数据集数据单元(ID、X、Y、Z)确定三维模型数据集数据单元(ID、X、Y、Z、R、G、B、I、F、P、C)中数据的分类信息C【基于光谱信息判别法】与对应的单体模型成果；
两个成果数据集合并处理后，三维模型数据集数据单元中数据的分类信息形成如下四种：
确定性的分类信息C【基于空间信息判别法、基于光谱信息判别法二者输出一致】；
确定性的分类信息C【基于空间信息判别法输出，基于光谱信息判别法无输出】；
确定性的分类信息C【基于光谱信息判别法输出，基于空间信息判别法无输出】；
不确定性的分类信息C【基于空间信息判别法、基于光谱信息判别法二者都无输出】。
7.如权利要求6所述的基于自适应簇算法的倾斜摄影实景三维单体化模型方法，其特征在于，所述步骤5中，所述单体模型成果数据集的形成过程如下：
(a)形成单体模型数据单元(SID，P，C，X、Y、Z，D3D)，其中，SID表示单体模型数据的唯一识别码；P表示单体模型数据的属性信息；C表示单体模型数据的分类信息；X、Y、Z表示单体模型数据的重心坐标数值；D3D表示单体模型对应的三维模型数据子集；
(b)建立由单体模型数据单元作为样本空间内容的单体模型成果数据集。
8.如权利要求6所述的基于自适应簇算法的倾斜摄影实景三维单体化模型方法，其特征在于，所述步骤6中，优化分析的过程为：将单体模型成果数据集分别进行基于空间信息、光谱信息的空间变换，并以空间变换数据成果作为样本空间，分别构建自适应簇算法数学模型的模糊隶属度函数、模糊聚类中心加权测度、目标函数，通过该算法的自适应迭代收敛准则迭代解算出模糊隶属度、模糊聚类中心，在实现该算法目标函数最优的基础上，获得基于自适应簇算法的倾斜摄影实景三维单体化模型成果；将该成果解析成与所述开放式建模成果数据格式一致。
9.如权利要求1-8中任一项所述的基于自适应簇算法的倾斜摄影实景三维单体化模型方法，其特征在于，所述步骤1中，所述开放式建模成果输出为OBJ格式的三维模型或OSGB格式的三维模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610395104.6A CN106097456A (zh) | 2016-06-06 | 2016-06-06 | 基于自适应簇算法的倾斜摄影实景三维单体化模型方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610395104.6A CN106097456A (zh) | 2016-06-06 | 2016-06-06 | 基于自适应簇算法的倾斜摄影实景三维单体化模型方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106097456A true CN106097456A (zh) | 2016-11-09 |
Family
ID=57448444
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610395104.6A Pending CN106097456A (zh) | 2016-06-06 | 2016-06-06 | 基于自适应簇算法的倾斜摄影实景三维单体化模型方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106097456A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106897418A (zh) * | 2017-02-22 | 2017-06-27 | 湖南腾琨信息科技有限公司 | 一种基于倾斜摄影三维地图的三实数据集成方法 |
| CN107833273A (zh) * | 2017-11-02 | 2018-03-23 | 重庆市勘测院 | 基于三维仿真模型的倾斜摄影三维模型对象化应用方法 |
| CN108052914A (zh) * | 2017-12-21 | 2018-05-18 | 中国科学院遥感与数字地球研究所 | 一种基于slam和图像识别的森林林木资源调查方法 |
| CN110379004A (zh) * | 2019-07-22 | 2019-10-25 | 泰瑞数创科技(北京)有限公司 | 一种对倾斜摄影成果进行地物分类及单体化提取的方法 |
| CN110533776A (zh) * | 2019-08-31 | 2019-12-03 | 王亚亚 | 一种高精度倾斜摄影建模方法 |
| CN111784840A (zh) * | 2020-05-08 | 2020-10-16 | 广西壮族自治区自然资源遥感院 | 基于矢量数据自动分割lod层级三维数据单体化方法及系统 |
| CN112200906A (zh) * | 2020-10-23 | 2021-01-08 | 江苏省测绘研究所 | 一种面向倾斜三维模型的实体提取方法及其系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101630419A (zh) * | 2009-08-13 | 2010-01-20 | 苏州市数字城市工程研究中心有限公司 | 一种用于城市综合管网三维可视化系统的架构方法 |
| US20130077837A1 (en) * | 2010-03-29 | 2013-03-28 | Galderma Research & Development Snc | Fuzzy clustering algorithm and its application on carcinoma tissue |
| CN103093497A (zh) * | 2013-01-09 | 2013-05-08 | 吉林大学 | 基于分层轮廓的lidar数据城市快速重建方法 |
| CN104077806A (zh) * | 2014-07-10 | 2014-10-01 | 天津中科遥感信息技术有限公司 | 基于城市建筑三维模型的自动分体提取方法 |
| CN104200521A (zh) * | 2014-09-04 | 2014-12-10 | 中国科学院遥感与数字地球研究所 | 基于模型先验的高分辨率 sar 图像建筑物目标三维重建方法 |
-
2016
- 2016-06-06 CN CN201610395104.6A patent/CN106097456A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101630419A (zh) * | 2009-08-13 | 2010-01-20 | 苏州市数字城市工程研究中心有限公司 | 一种用于城市综合管网三维可视化系统的架构方法 |
| US20130077837A1 (en) * | 2010-03-29 | 2013-03-28 | Galderma Research & Development Snc | Fuzzy clustering algorithm and its application on carcinoma tissue |
| CN103093497A (zh) * | 2013-01-09 | 2013-05-08 | 吉林大学 | 基于分层轮廓的lidar数据城市快速重建方法 |
| CN104077806A (zh) * | 2014-07-10 | 2014-10-01 | 天津中科遥感信息技术有限公司 | 基于城市建筑三维模型的自动分体提取方法 |
| CN104200521A (zh) * | 2014-09-04 | 2014-12-10 | 中国科学院遥感与数字地球研究所 | 基于模型先验的高分辨率 sar 图像建筑物目标三维重建方法 |
Non-Patent Citations (2)
| Title |
|---|
| SONGCAN CHEN,DAOQIANG ZHANG: "obust image segmentation using FCM with spatial constraints based on new kernel-induced distance measure", 《IEEE SYSTEMS, MAN, AND CYBERNETICS SOCIETY》 * |
| 景晖等: "基于模糊C均值聚类算法的三维模型检索", 《中国仪器仪表学会第九届青年学术会议论文集》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106897418A (zh) * | 2017-02-22 | 2017-06-27 | 湖南腾琨信息科技有限公司 | 一种基于倾斜摄影三维地图的三实数据集成方法 |
| CN107833273A (zh) * | 2017-11-02 | 2018-03-23 | 重庆市勘测院 | 基于三维仿真模型的倾斜摄影三维模型对象化应用方法 |
| CN107833273B (zh) * | 2017-11-02 | 2021-03-02 | 重庆市勘测院 | 基于三维仿真模型的倾斜摄影三维模型对象化应用方法 |
| CN108052914A (zh) * | 2017-12-21 | 2018-05-18 | 中国科学院遥感与数字地球研究所 | 一种基于slam和图像识别的森林林木资源调查方法 |
| CN110379004A (zh) * | 2019-07-22 | 2019-10-25 | 泰瑞数创科技(北京)有限公司 | 一种对倾斜摄影成果进行地物分类及单体化提取的方法 |
| CN110379004B (zh) * | 2019-07-22 | 2021-02-09 | 泰瑞数创科技(北京)有限公司 | 一种对倾斜摄影成果进行地物分类及单体化提取的方法 |
| CN110533776A (zh) * | 2019-08-31 | 2019-12-03 | 王亚亚 | 一种高精度倾斜摄影建模方法 |
| CN111784840A (zh) * | 2020-05-08 | 2020-10-16 | 广西壮族自治区自然资源遥感院 | 基于矢量数据自动分割lod层级三维数据单体化方法及系统 |
| CN111784840B (zh) * | 2020-05-08 | 2024-04-19 | 广西壮族自治区自然资源遥感院 | 基于矢量数据自动分割lod层级三维数据单体化方法及系统 |
| CN112200906A (zh) * | 2020-10-23 | 2021-01-08 | 江苏省测绘研究所 | 一种面向倾斜三维模型的实体提取方法及其系统 |
| CN112200906B (zh) * | 2020-10-23 | 2021-05-07 | 江苏省测绘研究所 | 一种面向倾斜三维模型的实体提取方法及其系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106097456A (zh) | 基于自适应簇算法的倾斜摄影实景三维单体化模型方法 | |
| Wu et al. | Rachis detection and three-dimensional localization of cut off point for vision-based banana robot | |
| Wang et al. | A multiscale and hierarchical feature extraction method for terrestrial laser scanning point cloud classification | |
| CN110321815A (zh) | 一种基于深度学习的道路裂缝识别方法 | |
| Recky et al. | Windows detection using k-means in cie-lab color space | |
| CN106610969A (zh) | 基于多模态信息的视频内容审查系统及方法 | |
| CN104182765A (zh) | 一种互联网图像驱动的三维模型最优视图自动选择方法 | |
| CN113379898B (zh) | 一种基于语义分割的三维室内场景重建方法 | |
| CN103530638B (zh) | 多摄像头下的行人匹配方法 | |
| CN105528575B (zh) | 基于上下文推理的天空检测方法 | |
| CN104134234A (zh) | 一种全自动的基于单幅图像的三维场景构建方法 | |
| Nedović et al. | Stages as models of scene geometry | |
| CN103440035A (zh) | 一种三维空间中的手势识别系统及其识别方法 | |
| WO2021082168A1 (zh) | 一种场景图像中特定目标对象的匹配方法 | |
| CN109635750A (zh) | 一种复杂背景下的复合卷积神经网络手势图像识别方法 | |
| CN107392251B (zh) | 一种使用分类图片提升目标检测网络性能的方法 | |
| CN102509104A (zh) | 基于置信度图的增强现实场景虚拟对象判别和检测方法 | |
| CN106503170B (zh) | 一种基于遮挡维度的图像库构建方法 | |
| CN111402224A (zh) | 一种用于电力设备的目标识别方法 | |
| CN108898098A (zh) | 基于监控平台的早期视频烟雾检测方法 | |
| Tu et al. | Extraction of street pole-like objects based on plane filtering from mobile LiDAR data | |
| CN112102296A (zh) | 一种基于人类概念学的电力设备目标识别方法 | |
| CN110287798A (zh) | 基于特征模块化和上下文融合的矢量网络行人检测方法 | |
| CN112800982A (zh) | 一种基于遥感场景分类的目标检测方法 | |
| Hao et al. | Structure-based object detection from scene point clouds |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161109 |
|
| RJ01 | Rejection of invention patent application after publication |