CN106960450A - 基于块的影像匹配数字表面模型的全局高程优化方法 - Google Patents

基于块的影像匹配数字表面模型的全局高程优化方法 Download PDF

Info

Publication number
CN106960450A
CN106960450A CN201710087309.2A CN201710087309A CN106960450A CN 106960450 A CN106960450 A CN 106960450A CN 201710087309 A CN201710087309 A CN 201710087309A CN 106960450 A CN106960450 A CN 106960450A
Authority
CN
China
Prior art keywords
block
surface model
digital surface
image matching
represent
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
Application number
CN201710087309.2A
Other languages
English (en)
Other versions
CN106960450B (zh
Inventor
黄旭
金彦
胡堃
叶辉
周超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
WUHAN ENGINEERING SCIENCE & TECHNOLOGY INSTITUTE
Original Assignee
Wuhan Yunhang Engineering Geophysical Research Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan Yunhang Engineering Geophysical Research Institute Co Ltd filed Critical Wuhan Yunhang Engineering Geophysical Research Institute Co Ltd
Priority to CN201710087309.2A priority Critical patent/CN106960450B/zh
Publication of CN106960450A publication Critical patent/CN106960450A/zh
Application granted granted Critical
Publication of CN106960450B publication Critical patent/CN106960450B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10032Satellite or aerial image; Remote sensing

Landscapes

  • Image Processing (AREA)

Abstract

本发明涉及基于块的影像匹配数字表面模型的全局高程优化方法,步骤为:1、输入原始的IMDSM;2、将输入的原始IMDSM分割成一系列规则的块;3、构建全局能量函数中的数据项;4、构建全局能量函数中的平滑项;5、根据数据项和平滑项,建立全局能量函数,并解算函数;6、执行羽化算法,消除块之间的拼接缝;本发明能够有效消除目前IMDSM中普遍存在的“高程阶梯”问题,优化后的IMDSM表面连续光滑,三维可视效果好。本发明将IMDSM的优化问题转化为矩阵函数的极值计算问题,无需迭代,可直接计算全局最优解,时间复杂度低,适合大范围DSM的全局优化。

Description

基于块的影像匹配数字表面模型的全局高程优化方法
技术领域
本发明涉及影像匹配数字表面模型的高程优化技术领域,具体地指一种基于块的影像匹配数字表面模型的全局高程优化方法。
技术背景
影像匹配数字表面模型(Image Matching Based Digital Surface Model,IMDSM)指通过影像密集匹配技术,获取大范围自然地表和人工地物表面的数字三维模型。生产IMDSM所需的影像包括卫星影像、航拍影像、无人机影像等等。IMDSM生成技术是计算机视觉、数字摄影测量等领域的核心技术之一,在数字地球、导航定位、巡航避障、文物重建、抢险救灾、灾后重建、空间数据库更新等应用中,发挥着重要的作用。
传统的IMDSM生产流程,往往采用局部匹配算法、半全局匹配算法、基于图像引导的非局部匹配算法、全局匹配算法等简单高效的一维编号(1D label)匹配算法。1D label匹配算法总是假设影像中相邻像素之间要尽可能满足视差一致的约束。实际上,在地表斜面区域,相邻像素的视差是不可能一致的。因此,虽然1D label算法的时间复杂度低,但是1D label算法生成的IMDSM在斜面区域会存在明显的“高程阶梯”问题,影响IMDSM的高程精度和三维可视效果。
发明内容
本发明的目的就是要提供一种基于块的影像匹配数字表面模型的全局高程优化方法,该方法将初始的影像匹配数字表面模型分割成一系列相互邻接的块,采用全局优化的方法和羽化算法,获取表面连续光滑的影像匹配数字表面模型。本发明能够有效解决目前影像匹配数字表面模型中普遍存在的“高程阶梯”问题,使得影像匹配数字表面模型表面连续光滑,增强影像匹配数字表面模型的三维可视效果。
为实现此目的,本发明所设计的一种基于块的影像匹配数字表面模型的全局高程优化方法,其特征在于,它包括如下步骤:
步骤1:将原始影像匹配数字表面模型输入到计算机中;
步骤2:计算机采用SLIC超像素分割的方法,将输入的原始影像匹配数字表面模型分割成一系列规则的块,用Si表示第i个块;
步骤3:构建全局能量函数中的数据项,用Edata表示数据项,保证优化后的影像匹配数字表面模型的高程,与原始影像匹配数字表面模型的高程保持一致;
每个所述块都用一个高程平面方程来描述,即:
d(ti)=ai·tix+bi·tiy+ci;ti∈Si
其中,ai、bi、ci表示块Si的高程平面方程参数;ti=(tix,tiy)T表示块Si内的一个三维点的平面坐标;d表示三维点的高程坐标;
表示块Si所在平面的高程平面方程系数,表示优化影像匹配数字表面模型的全局能量函数的变量,q表示块的数目,i∈1,...q,将数据项Edata表示为矩阵计算的形式,即:
式中,Gdata表示数据项Edata的二次项系数矩阵;Hdata表示数据项Edata的一次项的系数矩阵,Edata为优化影像匹配数字表面模型的全局能量函数的数据项;ldata表示数据项Edata的常数项,上述系数矩阵和常数项具体表达为:
其中,gi、hi和li分别表示Gdata、Hdata和ldata中的块矩阵;tix、tiy表示块Si内每个点的平面坐标;|Si|表示块Si内三维点的数目;Diag表示对角线矩阵,ti表示原始影像匹配数字表面模型上的块Si内的一个点,d0(ti)表示点ti在原始影像匹配数字表面模型上的高程;
步骤4:构建优化影像匹配数字表面模型的全局能量函数中的平滑项,用Esmooth表示优化影像匹配数字表面模型的全局能量函数的平滑项,保证优化后的三维点云表面分片光滑连续;同样令表示优化影像匹配数字表面模型的全局能量函数的变量,将平滑项Esmooth表示为矩阵计算的形式:
式中,Gs表示平滑项的二次项系数矩阵,Gs可以表达为:
其中,q表示块的数目;Sj表示Si的邻接块;N(Si)表示块Si的相邻块集合;E(Si,Sj)表示块Si内,与块Sj相邻接的像素,ci=(cix,ciy)T表示块Si的重心;P(i,j)表示根据块Si与块Sj的邻接关系计算出来的惩罚系数,t表示原始影像匹配数字表面模型上的一个点,该点位于集合E(Si,Sj)内;gsr(i,j,t)表示块Si与块Sj之间的相关矩阵。
其中,gsr代表块Si与块Sj之间的邻接矩阵;σ1表示分块矩阵,T为转置符号;03×3表示3×3的零矩阵;
步骤5:根据数据项和平滑项,构建优化影像匹配数字表面模型的全局能量函数,其中,优化影像匹配数字表面模型的全局能量函数的极值解,即为影像匹配数字表面模型的全局优化结果;
定义D表示影像匹配数字表面模型,E(D)表示优化影像匹配数字表面模型的全局能量函数,那么,将优化影像匹配数字表面模型的全局能量函数定义为:
其中,Edata表示优化影像匹配数字表面模型的全局能量函数的数据项,数据项Edata保证优化的影像匹配数字表面模型的高程与原始影像匹配数字表面模型的高程尽可能的保持一致;Esmooth表示优化影像匹配数字表面模型的全局能量函数的平滑项,平滑项Esmooth保证优化后的三维点云表面分片光滑连续;
求公式的最小值,等价于求采用Cholesky矩阵分解方法直接计算获得全局最优的影像匹配数字表面模型;
步骤6:采用羽化算法,修正全局最优的影像匹配数字表面模型中块与块之间交界处的高程,消除全局最优的影像匹配数字表面模型中块与块之间的拼接缝,使得全局最优的影像匹配数字表面模型中块与块之间平滑过渡,获得平滑的影像匹配数字表面模型。
本发明的有益效果为:
本发明能够有效消除目前影像匹配数字表面模型中普遍存在的高程阶梯问题,采用本发明的方法优化后的影像匹配数字表面模型表面连续光滑,三维可视效果好。本发明将影像匹配数字表面模型的优化问题转化为矩阵函数的极值计算问题,无需迭代,可直接计算全局最优解,时间复杂度低,适合大范围DSM(Digital Surface Model,数字表面模型)的全局优化,能够为数字摄影测量、计算机视觉、数字地球、巡航避障、虚拟显示等学科和应用提供技术服务。
附图说明
图1为“高程阶梯”问题示意图;
图2为本发明的流程图;
图3为SLIC超像素分割示意图;
图4为全局优化后的影像匹配数字表面模型示意图;
图5为羽化示意图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步的详细说明:
本发明针对目前实际工程应用中生产的影像匹配数字表面模型,普遍存在的高程阶梯问题,如图1所示,提出一种基于块的影像匹配数字表面模型全局高程优化方法。该方法无需迭代,能够直接快速获得优化后的影像匹配数字表面模型,能够有效解决高程阶梯问题,使得优化后的影像匹配数字表面模型表面连续光滑,三维可视效果好。图1中(a)表示原始影像,图1中(b)表示根据影像匹配出来的影像匹配数字表面模型,可以比较分析发现,匹配出来的原始影像匹配数字表面模型,存在明显的高程阶梯问题。本发明的工作流程如图2所示,它包括如下步骤:
步骤1:将原始影像匹配数字表面模型输入到计算机中;
原始影像匹配数字表面模型即根据多视影像直接匹配出来的数字表面模型,影像可以采用卫星影像、航拍影像、无人机影像等,匹配的算法可以采用局部匹配算法、基于图像引导的非局部匹配算法、半全局匹配算法,全局匹配算法等;
步骤2:计算机采用SLIC(simple linear iterative cluster)超像素分割的方法,将输入的原始影像匹配数字表面模型分割成一系列规则的块,用Si表示第i个块,认为每个块在三维空间近似为一个平面,可以采用高程平面方程来描述,超像素分割代码参见网址http://ivrl.epfl.ch/supplementary_material/RK_SLICSuperpixels/index.html;
步骤3:构建全局能量函数中的数据项,用Edata表示数据项,保证优化的影像匹配数字表面模型的高程,与原始影像匹配数字表面模型的高程保持一致;
每个所述块都用一个高程平面方程来描述,即:
d(ti)=ai·tix+bi·tiy+ci;ti∈Si
其中,ai、bi、ci表示块Si的高程平面方程参数;ti=(tix,tiy)T表示块Si内的一个三维点的平面坐标;d表示三维点的高程坐标;
表示块Si所在平面的高程平面方程系数,表示优化影像匹配数字表面模型的全局能量函数的变量,q表示块的数目,i∈1,...q,将数据项Edata表示为矩阵计算的形式,即:
式中,Gdata表示数据项Edata的二次项系数矩阵;Hdata表示数据项Edata的一次项的系数矩阵,Edata为优化影像匹配数字表面模型的全局能量函数的数据项;ldata表示数据项Edata的常数项,上述系数矩阵和常数项具体表达为:
其中,gi、hi和li分别表示Gdata、Hdata和ldata中的块矩阵;tix、tiy表示块Si内每个点的平面坐标;|Si|表示块Si内三维点的数目;Diag表示对角线矩阵,ti表示原始影像匹配数字表面模型上块Si内的的一个点,d0(ti)表示点ti在原始影像匹配数字表面模型上的高程,T为转置符号;
步骤4:构建优化影像匹配数字表面模型的全局能量函数中的平滑项,用Esmooth表示优化影像匹配数字表面模型的全局能量函数的平滑项,保证优化后的三维点云表面分片光滑连续;同样令表示优化影像匹配数字表面模型的全局能量函数的变量,将平滑项Esmooth表示为矩阵计算的形式:
式中,Gs表示平滑项的二次项系数矩阵,Gs可以表达为:
其中,q表示块的数目;Sj表示Si的邻接块;N(Si)表示块Si的相邻块集合;E(Si,Sj)表示块Si内,与块Sj相邻接的像素,ci=(cix,ciy)T表示块Si的重心;P(i,j)表示根据块Si与块Sj的邻接关系计算出来的惩罚系数,t表示原始影像匹配数字表面模型上的一个点,该点位于集合E(Si,Sj)内;gsr(i,j,t)表示块Si与块Sj之间的相关矩阵;
其中,gsr代表块Si与块Sj之间的邻接矩阵;σ1表示分块矩阵;03×3表示3×3的零矩阵;
步骤5:根据数据项和平滑项,构建优化影像匹配数字表面模型的全局能量函数,其中,优化影像匹配数字表面模型的全局能量函数的极值解,即为影像匹配数字表面模型的全局优化结果;
定义D表示影像匹配数字表面模型,E(D)表示优化影像匹配数字表面模型的全局能量函数,那么,将优化影像匹配数字表面模型的全局能量函数定义为:
其中,Edata表示优化影像匹配数字表面模型的全局能量函数的数据项,数据项Edata保证优化后的影像匹配数字表面模型的高程与原始影像匹配数字表面模型的高程尽可能的保持一致;Esmooth表示优化影像匹配数字表面模型的全局能量函数的平滑项,平滑项Esmooth保证优化后的三维点云表面分片光滑连续;
求公式的最小值,等价于求采用Cholesky矩阵分解方法直接计算具体解算线性方程组的代码可以参见开源的eigen库:http://eigen.tuxfamily.org/index.php?title=Main_Page,获得全局最优的影像匹配数字表面模型,解决了“高程阶梯”问题,如图4所示;
步骤6:采用羽化算法,修正全局最优的影像匹配数字表面模型中块与块之间交界处的高程,消除全局最优的影像匹配数字表面模型中块与块之间的拼接缝,使得全局最优的影像匹配数字表面模型中块与块之间平滑过渡,获得平滑的影像匹配数字表面模型。
上述技术方案中,所述步骤4中,根据块Si与块Sj的邻接关系计算出来的惩罚系数P(i,j)有:
其中,P为人工给定的惩罚值阈值(根据经验,可设为16),exp表示以自然指数e为底的指数函数;分别表示在块Si与块Sj之间的邻接像素中平均的高程值;num(i,j)表示块Si与块Sj之间的邻接像素数目;σd是优化影像匹配数字表面模型的高程平滑因子(一般设为2)、σn为优化影像匹配数字表面模型的连接性平滑因子(一般设为5)。
上述技术方案中,所述步骤5中,解算后,即获得每个块的平面方程参数(ai,bi,ci)T,然后根据每个块内的点云平面坐标和平面方程参数,计算每个点优化后的高程,如下式所示:
d(ti)=ai·tix+bi·tiy+ci;ti∈Si.
其中,ai、bi、ci表示块Si的高程平面方程参数;ti=(tix,tiy)T表示块Si内的一个三维点的平面坐标;d表示三维点优化后的高程坐标,依次计算每个块内所有三维点的高程坐标,获得全局最优的影像匹配数字表面模型。
上述技术方案中,步骤6:采用羽化算法修正全局最优的影像匹配数字表面模型中块与块之间交界处的高程(在全局优化后的影像匹配数字表面模型的曲面区域中,块与块之间会存在明显的拼接缝,影响三维重建的可视效果),首先,以全局最优的影像匹配数字表面模型的块与块之间的拼接缝为中心,定义一个半径为l的缓冲区,如图5中(a)所示,缓冲区内的所有点参与羽化计算,像素p为缓冲区内的一个像素,距离拼接缝的距离为l',点p的第一高程由块Si的平面方程参数确定,设为di;点p的第二高程由块Sj的平面方程参数确定,设为dj.点p羽化后的深度,由di和dj联合确定,羽化后的结果如图5中(b)所示,如下式所示:
d′(p)=w·di+(1-w)·dj.
式中,d′(p)表示像素p羽化后的深度;w表示权值,根据像素p距离拼接缝的距离为l'来确定:w=0.5+l′/2l°
本发明能够有效解决目前影像匹配数字表面模型中普遍存在的“高程”阶梯问题,所获取的影像匹配数字表面模型表面连续光滑,三维可视效果好。本发明所设计的算法时间复杂度低,适合大范围影像匹配数字表面模型的高程优化。
本说明书未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (4)

1.一种基于块的影像匹配数字表面模型的全局高程优化方法,其特征在于,它包括如下步骤:
步骤1:将原始影像匹配数字表面模型输入到计算机中;
步骤2:计算机采用SLIC超像素分割的方法,将输入的原始影像匹配数字表面模型分割成一系列规则的块,用Si表示第i个块;
步骤3:构建全局能量函数中的数据项,用Edata表示数据项,保证优化后的影像匹配数字表面模型的高程,与原始影像匹配数字表面模型的高程保持一致;
每个所述块都用一个高程平面方程来描述,即:
d(ti)=ai·tix+bi·tiy+ci;ti∈Si
其中,ai、bi、ci表示块Si的高程平面方程参数;ti=(tix,tiy)T表示块Si内的一个三维点的平面坐标;d表示三维点的高程坐标;
表示块Si所在平面的高程平面方程系数,表示优化影像匹配数字表面模型的全局能量函数的变量,q表示块的数目,i∈1,...q,将数据项Edata表示为矩阵计算的形式,即:
E d a t a = x ~ T G d a t a x ~ - 2 H d a t a T x ~ + l d a t a
式中,Gdata表示数据项Edata的二次项系数矩阵;Hdata表示数据项Edata的一次项的系数矩阵,Edata为优化影像匹配数字表面模型的全局能量函数的数据项;ldata表示数据项Edata的常数项,T为转置符号,上述系数矩阵和常数项具体表达为:
G d a t a = D i a g ( g i ) ; H d a t a = h 0 T h 1 T ... h q T T ;
l d a t a = Σ i = 1 q l i ;
g i = Σ t i ∈ S i t i x 2 Σ t i ∈ S i t i x · t i y Σ t i ∈ S i t i x Σ t i ∈ S i t i x · t i y Σ t i ∈ S i t i y 2 Σ t i ∈ S i t i y Σ t i ∈ S i t i x Σ t i ∈ S i t i y | S i | ;
h i = Σ t i ∈ S i t i x · d 0 ( t i ) Σ t i ∈ S i t i y · d 0 ( t i ) Σ t i ∈ S i d 0 ( t i ) T ;
l i = Σ t i ∈ S i d 0 ( t i ) 2
其中,gi、hi和li分别表示Gdata、Hdata和ldata中的块矩阵;tix、tiy表示块Si内每个点的平面坐标;|Si|表示块Si内三维点的数目;Diag表示对角线矩阵,ti表示原始影像匹配数字表面模型上块Si内的一个点,d0(ti)表示点t在原始影像匹配数字表面模型上的高程;
步骤4:构建优化影像匹配数字表面模型的全局能量函数中的平滑项,用Esmooth表示优化影像匹配数字表面模型的全局能量函数的平滑项,保证优化后的三维点云表面分片光滑连续;同样令表示优化影像匹配数字表面模型的全局能量函数的变量,将平滑项Esmooth表示为矩阵计算的形式:
E s m o o t h = x ~ T G S x ~
式中,Gs表示平滑项的二次项系数矩阵,Gs可以表达为:
G s = Σ i = 1 q ( Σ S j ∈ N ( S i ) P ( i , j ) · Σ t ∈ ( E ( S i , S j ) ∪ c i ) g s r ( i , j , t ) )
其中,q表示块的数目;Sj表示Si的邻接块;N(Si)表示块Si的相邻块集合;E(Si,Sj)表示块Si内,与块Sj相邻接的像素,ci=(cix,ciy)T表示块Si的重心;P(i,j)表示根据块Si与块Sj的邻接关系计算出来的惩罚系数,t表示原始影像匹配数字表面模型上的一个点,该点位于集合E(Si,Sj)内;gsr(i,j,t)表示块Si与块Sj之间的相关矩阵;
σ 1 ( i , j , t ) = t i x 2 t i x · t i y t i x t i x · t i y t i y 2 t i y t i x t i y 1 .
其中,gsr代表块Si与块Sj之间的邻接矩阵;σ1表示分块矩阵;03×3表示3×3的零矩阵;
步骤5:根据数据项和平滑项,构建优化影像匹配数字表面模型的全局能量函数,其中,优化影像匹配数字表面模型的全局能量函数的极值解,即为影像匹配数字表面模型的全局优化结果;
定义D表示影像匹配数字表面模型,E(D)表示优化影像匹配数字表面模型的全局能量函数,那么,将优化影像匹配数字表面模型的全局能量函数定义为:
E ( D ) = E d a t a + E s m o o t h = x ~ T ( G d a t a + G s ) x ~ - 2 H d a t a T x ~ + l d a t a
其中,Edata表示优化影像匹配数字表面模型的全局能量函数的数据项;Esmooth表示优化影像匹配数字表面模型的全局能量函数的平滑项,平滑项Esmooth保证优化后的三维点云表面分片光滑连续;
求公式的最小值,等价于求采用Cholesky矩阵分解方法直接计算获得全局最优的影像匹配数字表面模型;
步骤6:采用羽化算法,修正全局最优的影像匹配数字表面模型中块与块之间交界处的高程,消除全局最优的影像匹配数字表面模型中块与块之间的拼接缝,使得全局最优的影像匹配数字表面模型中块与块之间平滑过渡,获得平滑的影像匹配数字表面模型。
2.根据权利要求1所述的基于块的影像匹配数字表面模型的全局高程优化方法,其特征在于:所述根据块Si与块Sj的邻接关系计算出来的惩罚系数P(i,j)有:
P ( i , j ) = P · exp ( - | nd i ‾ - nd j ‾ | / σ d ) · ( 1 - exp ( - n u m ( i , j ) / σ n ) ) ;
其中,P为人工给定的惩罚值阈值,exp表示以自然指数e为底的指数函数;分别表示在块Si与块Sj之间的邻接像素中平均的高程值;num(i,j)表示块Si与块Sj之间的邻接像素数目;σd是优化影像匹配数字表面模型的高程平滑因子、σn为优化影像匹配数字表面模型的连接性平滑因子。
3.根据权利要求1所述的基于块的影像匹配数字表面模型的全局高程优化方法,其特征在于:所述步骤5中,解算后,即获得每个块的平面方程参数(ai,bi,ci)T,然后根据每个块内的点云平面坐标和平面方程参数,计算每个点优化后的高程,如下式所示:
d(ti)=ai·tix+bi·tiy+ci;ti∈Si.
其中,ai、bi、ci表示块Si的高程平面方程参数;ti=(tix,tiy)T表示块Si内的一个三维点的平面坐标;d表示三维点优化后的高程坐标,依次计算每个块内所有三维点的高程坐标,获得全局最优的影像匹配数字表面模型。
4.根据权利要求1所述的基于块的影像匹配数字表面模型的全局高程优化方法,其特征在于:步骤6:在采用羽化算法修正全局最优的影像匹配数字表面模型中,首先,以全局最优的影像匹配数字表面模型的块与块之间的拼接缝为中心,定义一个半径为l的缓冲区,缓冲区内的所有点参与羽化计算,像素p为缓冲区内的一个像素,距离拼接缝的距离为l',点p的第一高程由块Si的平面方程参数确定,设为di;点p的第二高程由块Sj的平面方程参数确定,设为dj.点p羽化后的深度,由di和dj联合确定,如下式所示:
d′(p)=w·di+(1-w)·dj.
式中,d′(p)表示像素p羽化后的深度;w表示权值,根据像素p距离拼接缝的距离为l'来确定:w=0.5+l′/2l。
CN201710087309.2A 2017-02-17 2017-02-17 基于块的影像匹配数字表面模型的全局高程优化方法 Active CN106960450B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710087309.2A CN106960450B (zh) 2017-02-17 2017-02-17 基于块的影像匹配数字表面模型的全局高程优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710087309.2A CN106960450B (zh) 2017-02-17 2017-02-17 基于块的影像匹配数字表面模型的全局高程优化方法

Publications (2)

Publication Number Publication Date
CN106960450A true CN106960450A (zh) 2017-07-18
CN106960450B CN106960450B (zh) 2019-08-20

Family

ID=59481588

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710087309.2A Active CN106960450B (zh) 2017-02-17 2017-02-17 基于块的影像匹配数字表面模型的全局高程优化方法

Country Status (1)

Country Link
CN (1) CN106960450B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105160702A (zh) * 2015-08-20 2015-12-16 武汉大学 基于LiDAR点云辅助的立体影像密集匹配方法及系统
CN105205808A (zh) * 2015-08-20 2015-12-30 武汉大学 基于多特征多约束的多视影像密集匹配融合方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105160702A (zh) * 2015-08-20 2015-12-16 武汉大学 基于LiDAR点云辅助的立体影像密集匹配方法及系统
CN105205808A (zh) * 2015-08-20 2015-12-30 武汉大学 基于多特征多约束的多视影像密集匹配融合方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XU HUANG 等: "Image-Guided Non-local Dense Matching with Three-steps Optimization", 《ISPRS ANNALS OF THE PHOTOGRAMMETRY,REMOTE SENSING AND SPATIAL INFORMATION SCIENCE》 *
庞世燕: "三维信息辅助的建筑物自动变化检测若干关键技术研究", 《中国博士学位论文全文数据库 信息科技辑》 *

Also Published As

Publication number Publication date
CN106960450B (zh) 2019-08-20

Similar Documents

Publication Publication Date Title
US10552989B2 (en) Point cloud attribute compression method based on KD tree and optimized graph transformation
CN105205808B (zh) 基于多特征多约束的多视影像密集匹配融合方法及系统
CN107767413A (zh) 一种基于卷积神经网络的图像深度估计方法
CN103985155B (zh) 基于映射法的散乱点云Delaunay三角剖分曲面重构方法
CN107170000B (zh) 基于全局块优化的立体影像密集匹配方法
CN111862101A (zh) 一种鸟瞰图编码视角下的3d点云语义分割方法
CN103810725B (zh) 一种基于全局优化的视频稳定方法
CN115564926B (zh) 基于影像建筑物结构学习的三维面片模型构建方法
CN106815808A (zh) 一种利用分块运算的图像拼接方法
CN104616286B (zh) 快速的半自动多视图深度修复方法
CN106709948A (zh) 一种基于超像素分割的快速双目立体匹配方法
CN106600583A (zh) 基于端到端神经网络的视差图获取方法
CN105528785A (zh) 一种双目视觉图像立体匹配方法
CN110232738B (zh) 基于视差图和关键点的多视图遥感图像立体重构方法
CN113343346A (zh) 一种基于高精地图的三维交通场景快速建模方法
CN102074014A (zh) 一种利用基于图论的图像分割算法的立体匹配方法
CN104517317A (zh) 一种车载红外图像三维重建方法
CN104036479A (zh) 一种基于非负矩阵分解的多聚焦图像融合方法
CN103106651A (zh) 一种基于三维hough变换的获取视差平面的方法
CN110060283B (zh) 一种多测度半全局密集匹配方法
CN112435267B (zh) 一种高分辨率城市卫星立体图像的视差图计算方法
CN109146946A (zh) 一种图像非局部立体匹配方法
CN106485676A (zh) 一种基于稀疏编码的LiDAR点云数据修复方法
CN108648264A (zh) 基于运动恢复的水下场景重建方法及存储介质
CN102609950A (zh) 一种二维视频深度图的生成方法

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20210113

Address after: 430019 No.30 Jiangda Road, Hankou, Wuhan, Hubei Province

Patentee after: WUHAN ENGINEERING SCIENCE & TECHNOLOGY INSTITUTE

Address before: Room 1610, 16th floor, block a, overseas talents building, 999 Gaoxin Avenue, Donghu New Technology Development Zone, Hongshan District, Wuhan City, Hubei Province 430206

Patentee before: WUHAN YUNHANG ENGINEERING GEOPHYSICAL RESEARCH INSTITUTE Co.,Ltd.

TR01 Transfer of patent right