CN106485676B - 一种基于稀疏编码的LiDAR点云数据修复方法 - Google Patents
一种基于稀疏编码的LiDAR点云数据修复方法 Download PDFInfo
- Publication number
- CN106485676B CN106485676B CN201610864887.8A CN201610864887A CN106485676B CN 106485676 B CN106485676 B CN 106485676B CN 201610864887 A CN201610864887 A CN 201610864887A CN 106485676 B CN106485676 B CN 106485676B
- Authority
- CN
- China
- Prior art keywords
- matrix
- point cloud
- cloud data
- exposure mask
- dictionary
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000011084 recovery Methods 0.000 title claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims abstract description 162
- 230000008569 process Effects 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 230000003044 adaptive effect Effects 0.000 claims abstract description 5
- 238000012952 Resampling Methods 0.000 claims abstract description 4
- 239000000284 extract Substances 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 2
- 238000013480 data collection Methods 0.000 claims description 2
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 abstract description 7
- 238000012545 processing Methods 0.000 abstract description 6
- 230000008439 repair process Effects 0.000 abstract description 4
- 238000012876 topography Methods 0.000 abstract description 3
- 230000007812 deficiency Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于稀疏编码的LiDAR点云数据修复方法,包括1)利用ArcGIS软件对原始点云数据重采样,获取栅格化后的点云数据形成点云数据矩阵;2)对点云数据矩阵进行掩膜矩阵提取并将掩膜矩阵应用到上述点云数据矩阵;3)通过稀疏编码的自适应学习过程对步骤2)得到的点云数据矩阵中缺失的数据进行修补;4)利用加权平均对步骤3)所得字典矩阵和稀疏向量矩阵进行运算,从而完成对点云数据矩阵中缺失的数据进行修复。本发明解决了由于地形地貌比较复杂或因为高吸收性地物、航带无重叠度、地物遮挡等原因造成点云数据缺失,可以较多的保留细节特征,生成完整的DSM和DEM模型,更好地实现了后续的处理及应用。
Description
技术领域
本发明属于激光雷达三维点云数据修复领域,更进一步是一种基于稀疏编码理论的LiDAR(Light Detection And Ranging)点云数据修复方法。
背景技术
随着三维激光扫描技术的日渐成熟和相关仪器设备的广泛普及,使得利用三维激光扫描技术对目标进行精确三维重建成为研究热点。在地形测绘方面,对于城市及危险地区的精细地形测绘,常规的方法往往显得无能为力,而利用机载LiDAR系统进行非接触式的测量能够直接获取高精度的三维数据,对物体没有限制,且具有实时性强、精度高、扫描速度快等特点,能够无接触地完成对复杂危险地区的精细地形测量。目前的LiDAR以单点扫描方式为主,通过离散点云数据内插后处理来拟合生成连续地形表面,现有的点云修补方法一般通过对点云数据进行“插值”实现,如克里金(Kriging)插值法、样条(Spline)插值法、离散平滑(Discrete Smooth Interpolation)插值法等,这种点云修补方法可能造成点云数据的失真及变形,使点云数据丢失特征;另外,地形地貌比较复杂,在利用LiDAR进行地面的三维点云数据获取的过程中,常因为高吸收性地物、航带无重叠度、地物遮挡等原因造成点云数据缺失,数据的缺失将无法生成完整的DSM(Digital Surface Model)和DEM(Digital Elevation Model)模型,影响后续的处理和应用。
发明内容
针对现有技术的不足,本发明设计了一种全新的基于稀疏编码的LiDAR点云数据修复方法,主要是将LiDAR离散点云数据看作缺失了一部分数据的连续‘图像’,这样数据的处理过程就从矢量格式数据的处理变为了栅格格式数据的处理,使得利用稀疏编码强大的自适应学习能力来修复缺失数据成为可能,突破常规的离散点云修补方法多是在插值算法上来改进,容易丢失点云数据细节特征的不足,为LiDAR点云数据的处理提供了一种全新研究思路和方法。
为了解决上述技术问题,本发明提出的一种基于稀疏编码的LiDAR点云数据修复方法,包括如下步骤:
步骤一、利用ArcGIS软件对原始点云数据重采样,获取栅格化后的点云数据形成点云数据矩阵;
步骤二、对所述点云数据矩阵进行掩膜矩阵提取并将掩膜矩阵应用到上述点云数据矩阵,即将掩膜矩阵和点云数据矩阵进行点乘,得到新的点云数据矩阵y;
步骤三、通过稀疏编码的自适应学习过程,对步骤二得到的点云数据矩阵中缺失的数据进行修补,
式(1)中,λ为拉格朗日乘数,β为掩膜矩阵,y为步骤二得到的点云数据矩阵,Tij为二进制矩阵,为字典矩阵,为稀疏向量,为经修复的点云数据矩阵,μij为罚因子;具体步骤包括:
3-1)建立二进制矩阵Tij,对输入的点云数据矩阵y及掩膜矩阵β在固定位置进行(6~10)×(6~10)矩阵提取并将提取出的(6~10)×(6~10)矩阵转换为向量的形式;
3-2)建立输出点云数据矩阵保存经修复的点云数据并将输入的点云数据矩阵y直接赋值给输出的点云数据矩阵完成初始化;
3-3)建立字典矩阵保存运算过程中产生的字典并利用外部数据集对字典矩阵初始化;
3-4)建立稀疏向量矩阵保存运算过程中产生的稀疏向量利用OMP算法求解最优化问题完成对稀疏向量矩阵的初始化:
3-5)更新字典矩阵
3-6)更新稀疏向量矩阵;
3-7)对步骤3-5)及步骤3-6)进行迭代,迭代次数为8~20;
步骤四、利用加权平均的方法对经过步骤三后的字典矩阵和稀疏向量矩阵进行运算,对点云数据矩阵中缺失的数据进行修复,输出经修复后的点云数据矩阵。
进一步讲,本发明步骤二中,所述掩膜矩阵的提取是指建立与输入点云数据矩阵大小相同的掩膜矩阵,并且对该掩膜矩阵中的数值二值化,若对应位置为原始数据,则填充数值1,否则填充数值0。
本发明步骤3-4)中利用OMP算法求解下述最优化问题:
式(2)中,为Tij在输出点云数据矩阵某一固定位置提出的向量,为稀疏向量矩阵Coeffs与位置相对应的一列,为字典矩阵,Tijβ∈Rn×1为Tij在掩膜矩阵β的某一固定位置提出的向量,C是由所提取出的(6~10)×(6~10)矩阵大小决定的常数,代表点乘。
本发明步骤四中,加权平均公式为:
其中,I为单位矩阵,λ是拉格朗日乘数,是输出的点云数据矩阵,y为步骤二得到的点云数据矩阵,为字典矩阵,为稀疏向量。
与现有技术相比,本发明的有益效果是:
本发明方法解决了由于地形地貌比较复杂或者因为高吸收性地物、航带无重叠度、地物遮挡等原因造成点云数据缺失,可以较多的保留细节特征,生成完整的DSM(Digital Surface Model)和DEM(Digital Elevation Model)模型,更好地实现了后续的处理及应用。
附图说明
图1是本发明LiDAR点云修复方法流程图;
图2是本发明实施例2中预处理后的LiDAR三维点云图;
图3是本发明实施例2中经修复后的LiDAR三维点云图;
图4是与实施例2中所处理的区域对应的航拍影像图。
具体实施方式
下面结合附图和具体实施例对本发明技术方案作进一步详细描述,所描述的具体实施例仅对本发明进行解释说明,并不用以限制本发明。
实施例1:本发明提出的一种基于稀疏编码的LiDAR点云数据修复方法,如图1所示,包括如下步骤:
步骤一、利用ArcGIS软件对原始点云数据重采样,获取栅格化后的点云数据形成点云数据矩阵;根据机载雷达的扫描间隔,本实施例中,利用ArcGIS 10.2软件中的Conversion Tools对原始点云数据进行了矢量数据的栅格化。为了保留点云数据中的“孔洞”,所选用的空值填充方法为“None”。将栅格化后的点云数据称为输入点云数据矩阵y∈Rn×n。
步骤二、对所述点云数据矩阵进行掩膜矩阵提取,掩膜提取是指对输入点云数据矩阵y进行二值化,提取出对应的掩膜矩阵β∈Rn×n。首先构建与输入点云数据矩阵y大小相同的掩膜矩阵β,然后根据输入点云数据矩阵y的值对相应位置的掩膜矩阵β进行填充,如果对应点为原始点云数据,则填充数值1,否则填充数值0。将掩膜矩阵β应用到上述点云数据矩阵y,即将掩膜矩阵β和点云数据矩阵y进行点乘,使输入的点云数据矩阵y的孔洞值为0,减少后续运算量。
步骤三、主要作用是执行稀疏编码算法,即式(1),对步骤二得到的点云数据进行修复,稀疏编码是自适应学习方法,需要进行一定的迭代步骤来使修复的效果达到最优,具体内容如下:
式(1)中,λ为拉格朗日乘数,β为掩膜矩阵,y为步骤二得到的点云数据矩阵,Tij为二进制矩阵,为字典矩阵,为稀疏向量,为经修复的点云数据矩阵,μij为罚因子;
3-1)建立二进制矩阵Tij,对输入的点云数据矩阵y及掩膜矩阵β在固定位置[i,j]进行(6~10)×(6~10)矩阵提取并将提取出的(6~10)×(6~10)矩阵转换为向量的形式;其中,[i,j]代表矩阵的左上角坐标(在矩阵坐标[10,10]处提取出8×8的点云数据矩阵,将其转换为64×1的向量)。
3-2)建立输出点云数据矩阵保存经修复的点云数据并将输入的点云数据矩阵y直接赋值给输出的点云数据矩阵完成初始化;
3-3)建立字典矩阵的目的是为了存储在运算过程中产生的字典。字典的初始化过程通过导入外置的数据集来实现,经初始化后其中为字典矩阵的一列。
3-4)建立稀疏向量矩阵Coeffs保存运算过程中产生的稀疏向量稀疏向量的初始化过程通过OMP(orthogonal matching pursuit)算法求解最优化问题完成对稀疏向量矩阵的初始化:
式(2)中,为Tij在输出点云数据矩阵某一固定位置提出的向量,为稀疏向量矩阵Coeffs与位置相对应的一列,为字典矩阵,Tijβ∈Rn×1为Tij在掩膜矩阵β的某一固定位置提出的向量,C是由所提取出的(6~10)×(6~10)矩阵大小决定的常数,代表点乘。
上述OMP的执行步骤如下:
输入:字典矩阵向量向量Tijβ,稀疏度K;
输出:αij的K-稀疏的逼近
初始化:建立残差索引集
循环执行步骤(1)到(5);
(1)找出残差r与字典矩阵的列积中最大值所对应的脚标θ,即:
(2)更新索引集Λt=Λt-1∪θt,记录找到的字典矩阵中重建原子集合
(3)由最小二乘得到
(4)更新残差
(5)判断是否满足t>K,若满足,则停止迭代;若不满足,则执行步骤(1)。
通过上述公式以及固定字典矩阵就可以对稀疏向量矩阵Coeffs的每一列进行初始化。
3-5)更新字典矩阵
固定稀疏向量矩阵Coeffs,并且对字典矩阵的每一列执行以下步骤;
(1)挑选出稀疏向量矩阵Coeffs中不全为0的列集合所对应的小块集合,也就是说
式(3)中,代表稀疏向量矩阵Coeffs中列元素不全为0的列集合,ωl代表与之对应的小块集合。
(2)对ωl中的每一列按照公式(4)计算其误差向量
式(4)中,代表稀疏编码矩阵的列向量的第l个元素。
(3)建立误差矩阵其中El的每一列代表
(4)通过公式(5)更新和
式(4)是一个一阶近似方程,可以通过截断SVD(singular value decomposition)进行求解。
式(5)中,是的简略表达,(El-dαT)代表ωl的每一列的误差,βl是一个大小与El相同的矩阵,并且βl的每一列与在坐标[i,j]下对掩膜矩阵β进行移位提取并向量化后的值相同。
3-6)更新稀疏向量矩阵Coeffs,更新稀疏向量矩阵Coeffs的步骤与步骤3-4)相同,不同的是所用字典矩阵为经步骤3-5)更新后的字典矩阵。
3-7)对步骤3-5)及步骤3-6)进行迭代,迭代次数为8~20;本发明的迭代次数优选为10次;
步骤四、利用下述加权平均公式对经过步骤三后的字典矩阵和稀疏向量矩阵进行运算,经加权平均后的结果就是经修补后的点云数据矩阵。所述加权平均公式为:
式(6)中,I为单位矩阵,λ是拉格朗日乘数,是输出的点云数据矩阵,y为步骤二得到的点云数据矩阵,为字典矩阵,为稀疏向量。
实施例2:以从ISPRS(The International Society for Photogrammetry andRemote Sensing)测试项目中下载的点云为例进行点云修复,图2为经预处理后的点云数据,从图2中可以看出点云数据处于缺失状态,并且很难从图2中分辨出不同建筑物之间的高低。图3为按照上述实施例1的方法过程进行修复后的点云数据,图4为区域对应的航拍影像图,将图3与图4进行对比,可以明显的看出建筑物之间的高低,并且完整的保留了细节信息(如倾斜屋脊的高度变化信息、清晰的地物边界,树木、汽车等)。
尽管上面结合附图对本发明进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨的情况下,还可以做出很多变形,这些均属于本发明的保护之内。
Claims (3)
1.一种基于稀疏编码的LiDAR点云数据修复方法,包括如下步骤:
步骤一、利用ArcGIS软件对原始点云数据重采样,获取栅格化后的点云数据形成点云数据矩阵;
步骤二、对所述点云数据矩阵进行掩膜矩阵提取并将掩膜矩阵应用到上述点云数据矩阵,即将掩膜矩阵和点云数据矩阵进行点乘,得到新的点云数据矩阵y;
步骤三、通过稀疏编码的自适应学习过程,对步骤二得到的点云数据矩阵中缺失的数据进行修补;
式(1)中,λ为拉格朗日乘数,β为掩膜矩阵,y为步骤二得到的点云数据矩阵,Tij为二进制矩阵,为字典矩阵,为稀疏向量,为经修复的点云数据矩阵;具体步骤包括:
3-1)建立二进制矩阵Tij,对步骤二得到的点云数据矩阵y及掩膜矩阵β在固定位置进行(6~10)×(6~10)矩阵提取并将提取出的(6~10)×(6~10)矩阵转换为向量的形式;
3-2)建立输出点云数据矩阵保存经修复的点云数据并将输入的点云数据矩阵y直接赋值给输出的点云数据矩阵完成初始化;
3-3)建立字典矩阵保存运算过程中产生的字典并利用外部数据集对字典矩阵初始化;
3-4)建立稀疏向量矩阵保存运算过程中产生的稀疏向量利用OMP算法求解最优化问题完成对稀疏向量矩阵的初始化:
3-5)更新字典矩阵
3-6)更新稀疏向量矩阵;
3-7)对步骤3-5)及步骤3-6)进行迭代,迭代次数为8~20;
步骤四、利用加权平均的方法对经过步骤三后的字典矩阵和稀疏向量矩阵进行运算,对点云数据矩阵中缺失的数据进行修复,输出经修复后的点云数据矩阵;
加权平均公式为:
其中,λ是拉格朗日乘数,是输出的点云数据矩阵,y为步骤二得到的点云数据矩阵,为字典矩阵,为稀疏向量。
2.根据权利要求1所述基于稀疏编码的LiDAR点云数据修复方法,其特征在于:步骤二中,所述掩膜矩阵的提取是指建立与输入点云数据矩阵大小相同的掩膜矩阵,并且对该掩膜矩阵中的数值二值化,若对应位置为原始数据,则填充数值1,否则填充数值0。
3.根据权利要求1所述基于稀疏编码的LiDAR点云数据修复方法,其特征在于:步骤3-4)中利用OMP算法求解下述最优化问题:
式(2)中,为Tij在输出点云数据矩阵某一固定位置提出的向量,为稀疏向量矩阵Coeffs与位置相对应的一列,为字典矩阵,Tijβ∈Rn×1为Tij在掩膜矩阵β的某一固定位置提出的向量,C是由所提取出的(6~10)×(6~10)矩阵大小决定的常数,代表点乘。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610864887.8A CN106485676B (zh) | 2016-09-29 | 2016-09-29 | 一种基于稀疏编码的LiDAR点云数据修复方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610864887.8A CN106485676B (zh) | 2016-09-29 | 2016-09-29 | 一种基于稀疏编码的LiDAR点云数据修复方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106485676A CN106485676A (zh) | 2017-03-08 |
CN106485676B true CN106485676B (zh) | 2019-10-11 |
Family
ID=58268284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610864887.8A Active CN106485676B (zh) | 2016-09-29 | 2016-09-29 | 一种基于稀疏编码的LiDAR点云数据修复方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106485676B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108235018B (zh) * | 2017-12-13 | 2019-12-27 | 北京大学 | 一种基于拉格朗日乘子模型的点云帧内编码优化方法及装置 |
CN107993242B (zh) * | 2017-12-14 | 2022-06-03 | 天津大学 | 基于机载LiDAR点云数据缺失区域边界提取方法 |
CN109657569A (zh) * | 2018-11-30 | 2019-04-19 | 贵州电网有限责任公司 | 基于点云分析的多植被地区输电走廊隐患点快速提取方法 |
US11423642B2 (en) * | 2019-03-01 | 2022-08-23 | Tencent America LLC | Method and apparatus for point cloud compression |
CN110276732B (zh) * | 2019-06-18 | 2022-06-07 | 昆明理工大学 | 一种顾及地形特征线要素的山区点云空洞修复方法 |
CN110414480A (zh) * | 2019-08-09 | 2019-11-05 | 威盛电子股份有限公司 | 训练图像产生方法与电子装置 |
US11668798B2 (en) | 2019-11-14 | 2023-06-06 | Nio Technology (Anhui) Co., Ltd. | Real-time ground surface segmentation algorithm for sparse point clouds |
CN113971712A (zh) * | 2020-07-22 | 2022-01-25 | 上海商汤临港智能科技有限公司 | 一种点云数据的处理方法、装置、电子设备及存储介质 |
CN114494849B (zh) * | 2021-12-21 | 2024-04-09 | 重庆特斯联智慧科技股份有限公司 | 用于轮式机器人的路面状态识别方法和系统 |
CN116740262A (zh) * | 2022-03-04 | 2023-09-12 | 华为技术有限公司 | 数据处理方法及装置、电子设备和存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268934B (zh) * | 2014-09-18 | 2017-04-12 | 中国科学技术大学 | 一种由点云直接重建三维曲面的方法 |
CN105405162B (zh) * | 2015-10-16 | 2017-12-05 | 北京师范大学 | 基于局部结构和方向感知的树点云三维重建方法 |
-
2016
- 2016-09-29 CN CN201610864887.8A patent/CN106485676B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN106485676A (zh) | 2017-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106485676B (zh) | 一种基于稀疏编码的LiDAR点云数据修复方法 | |
CN109345574B (zh) | 基于语义点云配准的激光雷达三维建图方法 | |
CN104123730B (zh) | 基于道路特征的遥感影像与激光点云配准方法及系统 | |
CN109945853B (zh) | 一种基于3d点云航拍图像的地理坐标定位系统和方法 | |
CN104484668B (zh) | 一种无人机多重叠遥感影像的建筑物轮廓线提取方法 | |
JP5480667B2 (ja) | 位置姿勢計測装置、位置姿勢計測方法、プログラム | |
CN110006408B (zh) | LiDAR数据“云控制”航空影像摄影测量方法 | |
CN106056643B (zh) | 一种基于点云的室内动态场景slam方法及系统 | |
CN107862735B (zh) | 一种基于结构信息的rgbd三维场景重建方法 | |
CN109541630A (zh) | 一种适用于建筑物室内平面2d slam测绘的方法 | |
CN114862932B (zh) | 基于bim全局定位的位姿修正方法及运动畸变矫正方法 | |
CN113834625B (zh) | 一种飞行器模型表面压力测量方法及系统 | |
CN112414403B (zh) | 一种机器人的定位定姿方法、设备及存储介质 | |
US20120275698A1 (en) | Method of Orthoimage Color Correction Using Multiple Aerial Images | |
CN111862214B (zh) | 计算机设备定位方法、装置、计算机设备和存储介质 | |
CN115564926A (zh) | 基于影像建筑物结构学习的三维面片模型构建方法 | |
CN113298947A (zh) | 一种基于多源数据融合的变电站三维建模方法介质及系统 | |
CN114022459A (zh) | 基于多时相卫星影像的超像素变化检测方法及系统 | |
CN113361499A (zh) | 基于二维纹理和三维姿态融合的局部对象提取方法、装置 | |
CN106097277B (zh) | 一种基于视觉测量的绳索物质点跟踪方法 | |
CN118229524A (zh) | 基于点云映射隧道图像拼接方法、装置、设备及存储介质 | |
Zhang et al. | Hybrid iteration and optimization-based three-dimensional reconstruction for space non-cooperative targets with monocular vision and sparse lidar fusion | |
CN118010000A (zh) | 一种基于激光点云的高压电塔垂直度检测方法 | |
CN116763295B (zh) | 牲畜体尺测量方法、电子设备及存储介质 | |
CN112767459A (zh) | 基于2d-3d转换的无人机激光点云与序列影像配准方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |