CN106611439A - 一种dem重构算法的评价方法及装置 - Google Patents
一种dem重构算法的评价方法及装置 Download PDFInfo
- Publication number
- CN106611439A CN106611439A CN201510695206.5A CN201510695206A CN106611439A CN 106611439 A CN106611439 A CN 106611439A CN 201510695206 A CN201510695206 A CN 201510695206A CN 106611439 A CN106611439 A CN 106611439A
- Authority
- CN
- China
- Prior art keywords
- dem
- value
- difference
- reference elevation
- checkpoints
- 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
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Processing Or Creating Images (AREA)
Abstract
本申请实施例公开了一种DEM重构算法的评价方法及装置。所述方法包括:测量得到模拟场景的基准高程值;获取所述模拟场景的点云数据;使用被评价重构算法根据所述点云数据构建DEM;根据构建的DEM中检查点的高程值与对应的基准高程值计算评价指标值;计算所述评价指标值与对应的阈值之间的差值;根据所述差值显示对应的精度图像。本申请使用模拟场景构建运动机器的运动环境,可以避免进行实地勘测来建立DEM,并通过评价指标值来体现DEM重构算法的重构精度,且将评价指标值与其阈值的差值进行可视化呈现,使用户能够直观地观察到DEM的精度情况,快速决定是否采信该DEM重构算法。
Description
技术领域
本发明涉及测绘技术领域,尤其涉及一种DEM重构算法的评价方法及装置。
背景技术
数字高程模型(Digital Elevation Model),简称DEM,是一种用一组有序数值阵列形式描述地面高程信息的实体地面模型,在测绘、工程建设、通讯和移动导航等领域有着广泛的应用。在移动导航领域,DEM由于其表示简单,计算方便,常常用来表示运动机器,例如移动车辆(包括无人驾驶车辆)或移动机器人,所感知的外部场景的变化情况(态势),运动机器则随着DEM的统计结果作出相应的运动变化。因此,在运动机器的研发测试过程中,DEM势必会影响整个运动机器的性能,故而在装配运动机器前须对DEM进行评价,以增强应用该DEM的信心。
传统DEM的建立是通过人工测量获取高程数据,根据所述高程数据进行计算机建模。人工测量是指完全依靠作业人员对整个实地通过电子速测经纬仪或者全站经纬仪实测等获得高程数据,将测得的高程数据输入到计算机计算得到DEM,但这种全实地测量DEM的方式,人力、物力和财力耗费大,运动机器测试成本很高,而且由于实地易受天气和场地规模等各种客观因素的制约,全实地测量的周期也会很长。
针对全实地测量DEM方法的缺点,研究人员提出利用DEM重构算法自动构建运动机器周围的三维地形模型,这类算法实时采集传感器数据,然后利用重构算法对传感器数据进行处理得到DEM。利用DEM重构算法建立DEM后,需对DEM进行评价,评估所得的DEM的精度,从而判断该DEM重构算法是否满足精度要求。目前DEM重构算法的评价主要采用人工判定的方式,但人工判定只能得到一个大体的结果,没有量化评价值的支持,精度低,且缺乏可视化直观展示。
发明内容
为克服相关技术中DEM重构算法的评价问题,本申请提供一种DEM重构算法的评价方法及装置。
根据本申请实施例的第一方面,提供一种DEM重构算法的评价方法,包括:
测量得到模拟场景的基准高程值;
获取所述模拟场景的点云数据;
根据所述点云数据使用被评价的重构算法建立DEM;
根据DEM中检查点的高程值与对应的基准高程值计算评价指标值;
计算所述评价指标值与对应的阈值之间的差值;
根据所述差值显示对应的精度图像。
可选的,所述测量得到所述模拟场景的基准高程数据,包括:
将预设的二维网格与所述模拟场景对应,以所述二维网格中交叉点对应的模拟场景中的位置为检查点;
在所述检查点中确定关键检查点;
获取所述关键检查点的基准高程值;
根据所述关键检查点的基准高程值计算除所述关键检查点外,其他检查点的基准高程值,得到所有检查点的基准高程值。
可选的,所述的DEM重构算法的评价方法,使用多线雷达获取所述模拟场景的点云数据。
可选的,所述根据所述点云数据使用被评价的重构算法建立DEM,包括:
根据所述点云数据拟合得到候选平面;
滤波所述候选平面得到平面点;
连接所述平面点,并根据预设的标准限定所述平面点的大小,得到地面点,使用被评价的重构算法形成初始DEM;
修正所述初始DEM,得到最终的DEM。
可选的,所述根据所述差值显示对应的精度图像,包括:
确定所述差值所属的预设范围;
根据所述差值所属的预设范围,确定预设图形的颜色;
根据所述差值的大小确定所述预设图形的长度;
显示所述预设图形。
对应于本申请实施例的第一方面,根据本申请实施例的第二方面,提供一种DEM重构算法的评价装置,包括:
基准高程值测量单元,用于测量得到模拟场景的基准高程值;
点云数据获取单元,用于获取所述模拟场景的点云数据;
DEM建立单元,用于根据所述点云数据使用被评价的重构算法建立DEM;
评价指标计算单元,用于根据DEM中检查点的高程值与对应的基准高程值计算评价指标值;
差值计算单元,计算所述评价指标值与对应的阈值之间的差值;
精度图像显示单元,用于根据所述差值显示对应的精度图像。
可选的,所述基准高程值测量单元,包括:
检查点获取子单元,用于将预设的二维网格与所述模拟场景对应,以所述二维网格中交叉点对应的模拟场景中的位置为检查点;
关键检查点确定子单元,用于在所述检查点中确定关键检查点;
关键点高程值获取子单元,用于获取所述关键检查点的高程值;
基准高程值插值子单元,用于根据所述关键检查点的基准高程值计算除所述关键检查点外,其他检查点的基准高程值,得到所有检查点的基准高程值。
可选的,所述点云数据获取单元使用多线雷达获取所述模拟场景的点云数据。
可选的,所述DEM建立单元,包括:
候选平面拟合子单元,用于根据所述点云数据拟合得到候选平面;
平面点滤波子单元,用于滤波所述候选平面得到平面点;
初始DEM建立子单元,用于连接所述平面点,并根据预设的标准限定所述平面点的大小,得到地面点,使用被评价的重构算法形成初始DEM;
修正子单元,用于修正所述初始DEM,得到最终的DEM。
可选的,所述精度图像显示单元,包括:
范围确定子单元,用于确定所述差值所属的预设范围;
颜色确定子单元,用于根据所述差值所属的预设范围,确定预设图形的颜色;
尺寸确定子单元,用于根据所述差值的大小确定所述预设图形的长度;
显示子单元,用于显示所述预设图形。
本申请实施例提供的技术方案,使用模拟场景构建运动机器的运动环境,测量模拟场景的基准高程值作为DEM的评价基准,使用待评价的DEM重构算法获取模拟场景的点云数据建立DEM,然后根据DEM中检查点的高程值与对应的基准高程值计算评价指标值,并计算评价指标值与对应的阈值的差值,并将所述差值图形化。由此,可以避免进行实地勘测来建立DEM,并通过评价指标值来体现DEM的精度,且将评价指标值与其阈值的差值进行可视化呈现,由此用户能够直观地观察到DEM的精度情况,从而决定是否采信该DEM重构算法。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请一示例性实施例示出的一种DEM重构算法的评价方法的流程示意图。
图2为本申请一示例性实施例示出的一种DEM重构算法的评价装置的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
为了全面理解本申请,在以下详细描述中提到了众多具体的细节,但是本领域技术人员应该理解,本申请可以无需这些具体细节而实现。在其他实施例中,不详细描述公知的方法、过程、组件和电路,以免不必要地导致实施例模糊。
图1为本申请一示例性实施例示出的一种DEM重构算法的评价方法的流程示意图,如图1所示,所述方法包括:
步骤S101,测量得到模拟场景的基准高程值。
其中,模拟场景由人工元素搭建,或者由然元素和人工元素混合搭建,模拟场景元素包括但不限于山体、水坑、植被、桥梁、沙丘、湖泊等,以及车道如高速公路、乡村道路及越野山路等,以模拟实际运动机器运动时的自然场景。
运动机器在运动过程中,会根据DEM得到运动环境的实时高程信息,并根据实时高程信息来调整运动态势,因此需对DEM的精度要求很高,在建立DEM后需对DEM进行测试评价,以判断DEM是否符合精度要求。全实地场景(全自然场景元素的场景)的高程测量困难大,且易受天气、遮挡等因素的影响,如果使用全实地场景来建立DEM并进行DEM评价,成本大,周期长,而使用模拟场景,则可以根据需要自由搭建利于测量的运动环境,不受天气和遮挡等因素的影响,且便于根据调整和更新场景来满足新的测量要求。
所述基准高程值为直接对模拟场景的元素测量的原始高程值,用于作为评价DEM精度的基准值。基准高程值的测量包括确定检查点和高程测量的步骤。将二维网格对应到模拟场景中,在水平方向和垂直方向等间距布置直线,直线交叉点即可确认为检查点,可以调整二维网格直线的间距以根据需要获得不同个数的检查点。对检查点基准高程值的测量可以使用全人工测量的方式,人工测量所有检查点的基准高程值,然后输入到DEM评价装置中。人工测量得到的基准高程值精度高,值也稳定,但检查点通常有非常多个,所有检查点都使用人工测量的话,工作量仍然很大。
另一种方式是选择部分检查点,将该部分检查点确定为关键检查点,可以选择对运动机器运动态势影响大的地形处的检查点作为关键检查点,还可以结合后续计算方便的需要,例如便于插值的需要,来选择关键检查点;关键检查点的基准高程值由人工测量得到;然后基于关键检查点的基准高程值,计算得到其他检查点的基准高程值,例如使用插值算法计算其他检查点的基准高程值,由此得到所有检查点的基准高程值。这种方式可以减少人工测量的工作量。
人工测量得到的所有检查点或者关键检查点的基准高程值输入到DEM评价装置中,或者保存于测量文件或测量数据库中,由DEM评价装置读取得到。人工测量也可以由布置于模拟场景的高程测量元件的自动测量替代。
步骤S102,获取所述模拟场景的点云数据;
步骤S103,根据所述点云数据使用被评价的重构算法建立DEM。
以多线激光雷达为例,使用多线雷达(例如32线雷达或64线雷达)得到模拟场景的点云数据,多线雷达可以快速准确地获取视野内的点云数据。然后基于多线雷达进行DEM实时点云数据获取,首先将二维网格与模拟场景对应,也就是将点云数据投影到网格中,所述二维网格与步骤S101中使用的二维网格相同,然后区分对应后所得模拟场景网格的悬空点和地面点,在同一个网格内,将投影到该网格的三维点按照高度进行排序,然后由低到高进行搜索,如果相邻两点之间的高度差大于设定的阈值,则认为出现了悬空点,之前的点都是地面点。此时,二维网格图中存在一些空洞,即激光雷达没有扫描的区域。对这些空洞区域,利用空洞周围的地面点,可以使用插值算法得到空洞区域的地面点,从而可以提取出最大地面区域的点云数据。根据点云数据拟合得到候选平面(即地面),这样处理之后的网络称为纹理网格(Texture Grid),将之滤波后得到平面点,连接平面点和对其进行大小限制(上下限限定)后得到地面点,并得到地面点之外的非地面点,对所述地面点和非地面点进行深度图像处理,得到初始DEM。
得到初始DEM后,为提高DEM的准确度和光滑程度,可以使用平面或者曲面,例如B样条曲面或者高斯曲面,对DEM进行建模修正。
DEM的建立也可以使用其他常用的DEM建立方法。
步骤S104,根据DEM中检查点的高程值与对应的基准高程值计算评价指标值;
步骤S105,计算所述评价指标值与对应的阈值之间的差值;
步骤S106,根据所述差值显示对应的精度图像。
建立好DEM后,运动机器在运动过程中,根据DEM可以得到运动场景的实时高程值,其中,亦可得到检查点的高程值,所述检查点即步骤S101中的检查点,也就是网格交叉点对应的基准高程值测量点。然后根据DEM中检查点的高程值与对应的基准高程值,使用评价指标计算公式计算评价指标值。设第ith个检查点的基准高程值为Si,测量高程值为Hi,所述评价指标包括但不限于下述几种:
均方根误差(Root Mean Square Error,RMSE),或者标准差(Standard Deviationof Errors,SDE),用于表示总体误差范围,其计算公式如下:
或者,最大误差(Maximal Error),用于评价最大正向偏差:
绝对最大误差(Maximal Absolute Error),用于评价最大波动范围:
max|E|=max|(Si-Hi)|。
在得到评价指标值后,求取评价指标值与对应的阈值的差值,所述阈值预先设置,差值可以为评价指标值减去阈值,也可以为阈值减去评价指标值,例如,RMSE对应的阈值为10,如果RMSE值为3,则二者差值a=10-3=7,或者差值b=3-10=-7,如果要求是评价指标值必须小于阈值,则用阈值减去评价指标值更优,差值越大说明精度越高,如果要求是评价指标值必须大于阈值,则评价指标减去阈值更优,差值越大说明精度越高,反之越低。需要说明的是,可以同时选择多个评价指标来进行计算,使用多个评价指标有利于更多方面的对DEM进行评价。
在得到所述差值后,根据所述差值显示对应的精度图像。在一种可能的实施方式中,所述精度图像为直接显示各个差值数值的柱形图或表图,用户自行通过数值来观察DEM的精度情况,在差值数值旁还可以标注阈值,或者标注阈值和评价指标值,用户可以更具体的了解DEM评价指标所反映的精度。
在另一种可能的实施方式中,根据所述差值,确定所述差值所属的预设范围,所述预设范围根据对DEM的精度要求确定,例如,要求RMSE必须小于阈值,RMSE与其阈值的差值=阈值-RMSE,设阈值为10(这也决定了差值不可能大于10),对所述差值设置3个预设范围:≥7(高精度范围),≥3且<7(中精度范围),以及<3(低精度范围),差值=阈值-RMSE=5,则差值属于中精度范围。
在确定了所述差值所属的预设范围后,根据所述差值所属的预设范围,确定对应的预设图形的颜色,以及根据所述差值的大小确定所述预设图形的长度。各个预设范围对应的预设图形的形状可以相同,通过预设图形的不同颜色来表示预设范围,也就是差值所反映的精度的高低,延续上述举例,高精度范围对应的颜色为绿色,中精度范围对应的颜色为黄色,低精度范围的颜色为红色,这样用户可以非常直观的通过颜色来判断评价指标所反映的DEM的精度符合要求的程度。各个预设范围对应的预设图形的形状也可以不同,这样用户不仅可以通过颜色,还可以通过形状来判断DEM精度符合要求的程度。在一种实施方式中,也可以仅通过预设图形的形状来表示不同的预设范围,而预设图形的颜色都相同,但由于人眼对颜色的敏感度大于对形状的敏感度,这种方式没有通过颜色来表示的方式直观,所以优选的方式是,各个预设范围对应的预设图形的形状相同,而对应的预设图形的颜色不同。
在确定了差值所属的预设范围,所对应的预设图形的颜色后,便可以显示所述预设图形,用户通过颜色来判断评价指标所反映精度是否符合要求。进一步的,还可以根据所述差值的大小确定所述预设图形的长度,所述预设图形的长度为预设图形的横向所占像素的大小,设定差值大小和预设图形的长度之间的比例对应关系,则可以通过预设图形的长度来反映差值的大小,从而使用户直观地看到差值的大小情况。在一种实施方式中,可以计算多次建立的DEM的相同的评价指标与其对应的阈值的差值,将各个差值并列显示,以比较得出哪次建立的DEM更符合精度要求。
在上述实施方式中,预设图形的长度和颜色都与差值大小对应,这样差值不同时,预设图形根据差值调整,也就是预设图形不固定。在又一种实施方式中,所述预设图形的长度固定,其长度与差值可能的最大值(或差值可能的最大值加上冗余值)对应,并分为不同颜色段,每个颜色段对应一个差值的预设范围。在得到差值后,根据所述差值的大小,将差值映射到所述预设图形上对应的位置并标注,由此可以根据差值标注所在的颜色段直观地查看差值在那个精度层次(高精度、中精度or低精度),除此外,也可以同时在预设图形旁显示差值对应的阈值,用户可以比较差值和阈值数值的差距,得到更具体地DEM精度与规定的要求之间的差距。
除上述使用的评价指标外,还可以使用,误差分区间频数(Frequency of Errors atDifferent Interval),计算DEM中检查点的高程值与基准高程值的统计差值,依统计差值情况划分为多个区间,例如:<10cm,<20cm...<90cm,≥90cm等,并得到每个区间中统计差值的个数。根据误差分区间频数可以看出统计差值分布的情况、统计差值不满足要求和统计差值满足要求的检查点的个数分布,从而判断DEM的精度是否符合要求。另外,还可以计算区间误差百分比率,即上述各个区间的差值的个数占所有差值数目的百分比率,通过图表方式显示所述区间误差百分比率,以供用户查看DEM的精度。
以上最终显示的即为精度图像。
本申请实施例提供的技术方案,使用模拟场景构建运动机器的运动环境,测量模拟场景的基准高程值作为DEM的评价基准,获取模拟场景的点云数据使用DEM重构算法建立DEM,然后根据DEM中检查点的高程值与对应的基准高程值计算评价指标值,并计算评价指标值与对应的阈值的差值,并将所述差值图形化。从而可以减少DEM建模和测试的成本,且不受天气等因素的影响,更为方便易行,并通过评价指标值来体现DEM的精度,对评价指标结果进行可视化呈现,由此用户能够非常直观地查看DEM重构的精度情况,从而能够快速地决定是否采信该DEM重构算法。
通过以上的方法实施例的描述,所属领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,并存储在一个存储介质中,包括若干指令用以使得一台智能设备执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:只读存储器(ROM)、随机存取存储器(RAM)、磁碟或者光盘等各种可以存储数据和程序代码的介质。
图2为本申请一示例性实施例示出的一种DEM评价装置的结构示意图。如图2所示,所述装置包括:
基准高程值测量单元U201,用于测量得到模拟场景的基准高程值;
点云数据获取单元U202,用于获取所述模拟场景的点云数据;
DEM建立单元U203,用于根据所述点云数据使用被评价的重构算法建立DEM;
评价指标计算单元U204,用于根据DEM中检查点的高程值与对应的基准高程值计算评价指标值;
差值计算单元U205,计算所述评价指标值与对应的阈值之间的差值;
精度图像显示单元U206,用于根据所述差值显示对应的精度图像。
其中,所述基准高程值测量单元U201,可以包括:
检查点获取子单元,用于将预设的二维网格与所述模拟场景对应,以所述二维网格中交叉点对应的模拟场景中的位置为检查点;
关键检查点确定子单元,用于在所述检查点中确定关键检查点;
关键点高程值获取子单元,用于获取所述关键检查点的高程值;
基准高程值插值子单元,用于根据所述关键检查点的基准高程值计算除所述关键检查点外,其他检查点的基准高程值,得到所有检查点的基准高程值。
其中,所述点云数据获取单元可以使用多线雷达获取所述模拟场景的点云数据。
其中,所述DEM建立单元U203,可以包括:
候选平面拟合子单元,用于根据所述点云数据拟合得到候选平面;
平面点滤波子单元,用于滤波所述候选平面得到平面点;
初始DEM建立子单元,用于连接所述平面点,并根据预设的标准限定所述平面点的大小,得到地面点,使用被评价的重构算法形成初始DEM;
修正子单元,用于修正所述初始DEM,得到初始DEM后,为提高DEM的准确度和光滑程度,可以使用平面或者曲面,例如B样条曲面或者高斯曲面,对DEM进行建模修正,得到最终的DEM。
其中,所述精度图像显示单元U206,可以包括:
范围确定子单元,用于确定所述差值所属的预设范围;
颜色确定子单元,用于根据所述差值所属的预设范围,确定预设图形的颜色;
尺寸确定子单元,用于根据所述差值的大小确定所述预设图形的长度;
显示子单元,用于显示所述预设图形。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置或系统实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者逆序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、系统或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、系统或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、系统或者设备中还存在另外的相同要素。
以上所述仅是本申请的具体实施方式,使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种DEM重构算法的评价方法,其特征在于,包括:
测量得到模拟场景的基准高程值;
获取所述模拟场景的点云数据;
根据所述点云数据使用被评价的重构算法建立DEM;
根据DEM中检查点的高程值与对应的基准高程值计算评价指标值;
计算所述评价指标值与对应的阈值之间的差值;
根据所述差值显示对应的精度图像。
2.根据权利要求1所述的DEM重构算法的评价方法,其特征在于,所述测量得到所述模拟场景的基准高程数据,包括:
将预设的二维网格与所述模拟场景对应,以所述二维网格中交叉点对应的模拟场景中的位置为检查点;
在所述检查点中确定关键检查点;
获取所述关键检查点的基准高程值;
根据所述关键检查点的基准高程值计算除所述关键检查点外,其他检查点的基准高程值,得到所有检查点的基准高程值。
3.根据权利要求1所述的DEM重构算法的评价方法,其特征在于,使用多线雷达获取所述模拟场景的点云数据。
4.根据权利要求1或3所述的DEM重构算法的评价方法,其特征在于,所述根据所述点云数据使用被评价的重构算法建立DEM,包括:
根据所述点云数据拟合得到候选平面;
滤波所述候选平面得到平面点;
连接所述平面点,并根据预设的标准限定所述平面点的大小,得到地面点,使用被评价的重构算法形成初始DEM;
修正所述初始DEM,得到最终的DEM。
5.根据权利要求1所述的DEM重构算法的评价方法,其特征在于,所述根据所述差值显示对应的精度图像,包括:
确定所述差值所属的预设范围;
根据所述差值所属的预设范围,确定预设图形的颜色;
根据所述差值的大小确定所述预设图形的长度;
显示所述预设图形。
6.一种DEM重构算法的评价装置,其特征在于,包括:
基准高程值测量单元,用于测量得到模拟场景的基准高程值;
点云数据获取单元,用于获取所述模拟场景的点云数据;
DEM建立单元,用于根据所述点云数据使用被评价的重构算法建立DEM;
评价指标计算单元,用于根据DEM中检查点的高程值与对应的基准高程值计算评价指标值;
差值计算单元,计算所述评价指标值与对应的阈值之间的差值;
精度图像显示单元,用于根据所述差值显示对应的精度图像。
7.根据权利要求6所述的DEM重构算法的评价装置,其特征在于,所述基准高程值测量单元,包括:
检查点获取子单元,用于将预设的二维网格与所述模拟场景对应,以所述二维网格中交叉点对应的模拟场景中的位置为检查点;
关键检查点确定子单元,用于在所述检查点中确定关键检查点;
关键点高程值获取子单元,用于获取所述关键检查点的高程值;
基准高程值插值子单元,用于根据所述关键检查点的基准高程值计算除所述关键检查点外,其他检查点的基准高程值,得到所有检查点的基准高程值。
8.根据权利要求6所述的DEM重构算法的评价装置,其特征在于,所述点云数据获取单元使用多线雷达获取所述模拟场景的点云数据。
9.根据权利要求6或8所述的DEM重构算法的评价装置,其特征在于,所述DEM建立单元,包括:
候选平面拟合子单元,用于根据所述点云数据拟合得到候选平面;
平面点滤波子单元,用于滤波所述候选平面得到平面点;
初始DEM建立子单元,用于连接所述平面点,并根据预设的标准限定所述平面点的大小,得到地面点,使用被评价的重构算法形成初始DEM;
修正子单元,用于修正所述初始DEM,得到最终的DEM。
10.根据权利要求6所述的DEM重构算法的评价装置,其特征在于,所述精度图像显示单元,包括:
范围确定子单元,用于确定所述差值所属的预设范围;
颜色确定子单元,用于根据所述差值所属的预设范围,确定预设图形的颜色;
尺寸确定子单元,用于根据所述差值的大小确定所述预设图形的长度;
显示子单元,用于显示所述预设图形。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510695206.5A CN106611439A (zh) | 2015-10-22 | 2015-10-22 | 一种dem重构算法的评价方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510695206.5A CN106611439A (zh) | 2015-10-22 | 2015-10-22 | 一种dem重构算法的评价方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106611439A true CN106611439A (zh) | 2017-05-03 |
Family
ID=58612432
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510695206.5A Pending CN106611439A (zh) | 2015-10-22 | 2015-10-22 | 一种dem重构算法的评价方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106611439A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110285805A (zh) * | 2019-06-28 | 2019-09-27 | 北京航空航天大学 | 一种数据空洞的自适应插值/分割处理方法 |
CN111145347A (zh) * | 2019-11-18 | 2020-05-12 | 长江水利委员会长江科学院 | 地形断面的数字高程数据的校正方法、装置及校正设备 |
CN114581361A (zh) * | 2021-06-28 | 2022-06-03 | 广州极飞科技股份有限公司 | 物体形态测量方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130144565A1 (en) * | 2011-12-01 | 2013-06-06 | Harris Corporation | Accuracy-based significant point derivation from dense 3d point clouds for terrain modeling |
CN103207090A (zh) * | 2013-04-09 | 2013-07-17 | 北京理工大学 | 一种无人驾驶车辆环境模拟测试系统及测试方法 |
CN104835202A (zh) * | 2015-05-20 | 2015-08-12 | 中国人民解放军装甲兵工程学院 | 一种三维虚拟场景快速构建方法 |
-
2015
- 2015-10-22 CN CN201510695206.5A patent/CN106611439A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130144565A1 (en) * | 2011-12-01 | 2013-06-06 | Harris Corporation | Accuracy-based significant point derivation from dense 3d point clouds for terrain modeling |
CN103207090A (zh) * | 2013-04-09 | 2013-07-17 | 北京理工大学 | 一种无人驾驶车辆环境模拟测试系统及测试方法 |
CN104835202A (zh) * | 2015-05-20 | 2015-08-12 | 中国人民解放军装甲兵工程学院 | 一种三维虚拟场景快速构建方法 |
Non-Patent Citations (8)
Title |
---|
WU HONG-AN等: "A high resolution TnSAR topographic height reconstruction algorithm in rugged terrain based on SRTM DEM", 《JOURNAL OF REMOTE SENSING》 * |
李江: "可视化技术在DEM误差研究中的应用", 《第六届全国地图学与GIS学术会议》 * |
李瑾杨等: "基于点云数据内插DEM的精度比较研究", 《测绘与空间地理信息》 * |
殷硕文等: "基于地形匹配的InSAR地形变化检测方法研究", 《武汉大学学报 信息科学版》 * |
游雄等: "《地形建模原理与精度评估方法》", 31 December 2014 * |
贾文涛等: "《3S技术在土地整治中的应用》", 31 May 2014 * |
陈吉龙等: "用等高线内插DEM的不同算法的误差分析", 《测绘科学》 * |
齐晓飞: "DEM误差可视化方法的研究与实践", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110285805A (zh) * | 2019-06-28 | 2019-09-27 | 北京航空航天大学 | 一种数据空洞的自适应插值/分割处理方法 |
CN111145347A (zh) * | 2019-11-18 | 2020-05-12 | 长江水利委员会长江科学院 | 地形断面的数字高程数据的校正方法、装置及校正设备 |
CN111145347B (zh) * | 2019-11-18 | 2023-04-25 | 长江水利委员会长江科学院 | 地形断面的数字高程数据的校正方法、装置及校正设备 |
CN114581361A (zh) * | 2021-06-28 | 2022-06-03 | 广州极飞科技股份有限公司 | 物体形态测量方法、装置、设备及存储介质 |
CN114581361B (zh) * | 2021-06-28 | 2023-03-07 | 广州极飞科技股份有限公司 | 物体形态测量方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101872376B (zh) | 真三维道路智能设计方法及系统 | |
CN102800127B (zh) | 一种基于光流优化的三维重建方法及装置 | |
CN108563887A (zh) | 一种桥梁荷载试验的智能分析系统 | |
Ostwald | The fractal analysis of architecture: calibrating the box-counting method using scaling coefficient and grid disposition variables | |
CN105550199A (zh) | 一种基于多源地图的点位聚合方法及装置 | |
CN104835202A (zh) | 一种三维虚拟场景快速构建方法 | |
CN108375985A (zh) | 一种土地三维规划设计平台及其设计方法 | |
CN108776745A (zh) | 一种基于WRF和Fluent耦合的复杂地形风场模拟方法及装置 | |
CN102012522B (zh) | 地震采集数据的评价方法及装置 | |
CN106611439A (zh) | 一种dem重构算法的评价方法及装置 | |
CN105571572B (zh) | 一种天空可视域的标准测量方法 | |
CN107144265A (zh) | 一种基于投影图解的三维产权体空间界址点的测量方法 | |
CN113916130A (zh) | 一种基于最小二乘法的建筑物位置测量方法 | |
CN102865814B (zh) | 植物群体三维重建误差测量方法 | |
CN114943178A (zh) | 一种三维地质模型建模方法、装置及计算机设备 | |
CN109740684A (zh) | 共享单车入栏检测方法及装置 | |
CN114283070B (zh) | 融合无人机影像与激光点云的地形断面制作方法 | |
CN116663762A (zh) | 一种城市规划地下空间勘察测绘方法及系统 | |
CN102750729A (zh) | 一种使用近景普通数码相机的快速单木建模方法 | |
CN104240301A (zh) | 地质曲面重构方法及设备 | |
CN109859323B (zh) | 一种基于三角网模型林分空间格局加权的方法 | |
CN107452059A (zh) | 一种三维插值建模方法、设备及其存储设备 | |
CN110648280A (zh) | 一种用于大型溶洞海量点云数据拼接的数据处理方法 | |
Tucci et al. | Photogrammetry and 3d scanning: Assessment of metric accuracy for the digital model of danatello’s maddalena | |
Carlisle | Digital elevation model quality and uncertainty in DEM-based spatial modelling |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170503 |
|
RJ01 | Rejection of invention patent application after publication |