CN107527038A - 一种三维地物自动提取与场景重建方法 - Google Patents

Abstract

本发明属于地理信息系统与遥感技术领域，具体为基于地理信息与遥感数据的三维地物自动提取与场景重建方法。本发明主要步骤为：地表覆盖类型检测，包括从地图数据和从光学影像数据中提取水域、建筑物、道路、植被等覆盖类型；建筑物检测与高度估计，包括从地图中提取建筑物地理位置信息和从光学影像中估计建筑物高度；植被检测和提取，包括使用神经网络检测植被及高度估计；建立三维地表模型，包括使用数字高程图搭建三维地表、地表目标嵌入。基于全球地理信息数据和遥感数据自动重建的三维场景，具有真实准确、更新快速的特点，可以用来支持如位置服务、虚拟导游等虚拟现实/增强现实应用，也可以用来作为如电磁环境仿真的背景环境模型。

Description

一种三维地物自动提取与场景重建方法

发明领域

本发明属于地理信息系统与遥感技术领域，具体涉及基于地理信息与遥感数据的三维地物自动提取与场景重建方法。

背景技术

大数据时代下各种地理信息数据如在线地图、卫星影像、遥感数据等提供了全球地表的多源信息，利用这些数据可以发展对于地面三维地物自动提取与场景重建的方法。地物提取与场景重建在很多领域有重要应用，比如虚拟现实/增强现实、电磁环境仿真等。从全球地理信息数据和遥感数据自动重建的三维场景可以用来支持如位置服务、虚拟导游等虚拟现实/增强现实应用，也可以用来作为如电磁环境仿真的背景环境模型。

近年来，随着电子技术的快速发展，电子设备的广泛应用，继大气、地形等环境因素之后，电磁环境已经引起人们的广泛关注[1][2][3][4]。电磁环境仿真之所以受到各国的重视，这是因为它具备以下特点：

（1）利用全球遥感数据资源为雷达等传感器设备提供逼真的高密度电磁信号环境；

（2）能在短时间内重复进行不同电磁参数的试验；

（3）模拟的电磁环境逼真可控，可以仿真各类模型，如：雷达信号辐射源模型，多路径模型，天线方向图模型等等；

（4）依赖仿真参数促进雷达对抗系统研制性能和质量的提高；

（5）能获得较全面的试验数据；

（6）保密性好。

电磁环境仿真中电磁场数据来源：一是通过实验获得，二是根据模型模拟得到数据。前者灵活性较差，且在实际应用中难以实现，如难以事先获得实际的战场环境。后者根据模型模拟得到数据灵活性好，但模拟得到的电磁环境与实际的差异由建模方式和精度决定。

为了进行较为真实的全球电磁环境仿真，地物与场景的三维重建技术是电磁环境数据建模的重要手段。地物目标重建通过抓取并分析典型特征目标的几何尺寸及特性，如叠掩、阴影和多散射效果等，获取真实场景三维模型。

在地物目标的三维重建中，获取场景对象三维模型的经典方式主要有两种。一种是直接利用光学原理，对目标进行光学扫描，然后分析通过扫描得到的数据点云，称为主动法。目前比较成熟的主动法有激光扫描法[5][6]、结构光法[7]、阴影法[8]等。一种是在自然光条件下获得三维信息的方法，称为被动法。其中包括：阴影恢复形状法[9][10]、纹理恢复形状法[11][12]、手动交互操作法[13][14]、光度立体学方法[15][16]等。

从阴影恢复形状（Shape from Shading）是利用单幅图像中物体表面的明暗变化来恢复表面各点的相对高度或表面法向量等参数值；从纹理恢复形状（shape fromtexture）方法可以帮助确定表面的取向并进而恢复表面的形状。

由于大部分的基于计算机自动的重建方法效果不是很好，研究人员提出在重建过程中使用手动交互操作法：通过人工标记一些特征点，输入一些已知的参数来重建三维表面，使得重建算法简单，且获得更好的重建效果。

光度立体学（Photometry stereo method）的核心是图像中各点的亮度，即辐照方程，该方法在卫星遥感领域和地形地貌恢复方面应用较多。

其它一些方法也被用到了地面目标三维信息的提取中，比如，模糊理论[17]技术在建筑物提取中的应用，在搜索的效率上以及性能的稳定性上都有了很大的提高。

另外，机器学习的算法也在地表目标的提取中得到了应用[18]，学习机制的引入可以一定程度的解决建筑物等目标复杂多样的结构带来的问题。

发明内容

本发明的目的在于提出一种真实准确、更新快速的三维地物自动提取与场景重建方法，为虚拟现实、增强现实、数字社区和电磁仿真等应用提供背景环境模型。

本发明提出的三维地物自动提取与场景重建方法，是基于全球地理信息与遥感数据的，即利用全球高分辨率航空影像数据和地理信息数据，对地表目标进行识别、分类和三维重建。结合全球数字高程图，实现三维地表模型的搭建。本发明使用的地理信息数据包括地表覆盖信息数据、数字地球表面数据和地图数据。遥感数据使用高分辨率航空影像数据。本发明在使用时，通过框线选区或输入选定区域的经纬度范围数据，本发明的可以自动从数据服务器上自行提取对应区域的地理信息数据和遥感影像数据，即可以在服务器端对数据进行处理然后将结果送入本地计算机，也可以将数据传输到本地计算机进行处理。

本发明提出的三维地物自动提取与场景重建方法，包括：地表覆盖类型分类、建筑物提取和三维重建、植被提取和三维重建以及地表高度重建。其中地表覆盖类型划分采用美国地表覆盖类型数据库（NLCD）的数据类型，建筑物三维信息建筑物的位置、长、宽、取向和高度信息，植被三维信息包括植被的地表位置分布信息、取向信息和高度分布估计信息。地表高度重建使用全球数字高程图进行重建，地物类型和地物三维重建结果直接嵌入三维地表模型得到三维数据地球模型。具体步骤如下：

a. 从地理信息数据中提取地表类型和地物轮廓信息；

b. 从遥感数据中进一步提取地物，并估计所有地物的三维尺寸信息；

c. 利用所述地理信息数据、所述地表类型信息和所述地物的三维尺寸信息，重建三维场景。

本发明中，所述地理信息数据为在线地图图像，所述遥感数据为光学卫星影像。

所述步骤a包含以下子步骤：

a1. 对所述在线地图图像的像素按颜色进行聚类，得到所述地表类型至少包含水体、道路、植被、建筑、空地；

a2. 对所述建筑通过连通区域提取和最小外接矩形估计，得到地物轮廓信息。

所述步骤b包含以下子步骤：

b1. 对所述光学卫星影像数据进行超像素分割，得到地块超像素；

b2. 根据所述地块超像素的尺寸、颜色和纹理特征识别树木；

b3. 根据所述地物的图像和阴影估计地物高度，联合所述地物轮廓信息重建所述地物三维尺寸，所述地物至少包含所述建筑和所述树木。

所述子步骤b1中，所述超像素分割是采用简单线性迭代聚类超像素分割方法，简称SLIC方法。

所述子步骤b2中，所述识别树木，是采用深度卷积神经网络从所述地块超像素中识别所述树木，其中所述深度卷积神经网络采用人工标记的部分所述地物超像素块数据进行训练。

所述子步骤b3中，估计建筑和树木高度，是采用深度卷积神经网络估计所述建筑物和树木的高度，其中所述深度卷积神经网络采用人工标记的部分数据进行训练。

所述子步骤b3中，对于建筑，先估计太阳光照射方向，再提取所述建筑的阴影，最后通过所述阴影在所述太阳光照射方向的长度估计所述建筑的高度。

所述子步骤b3中，对于树木，先确定所述树木的阴影侧边界，再根据像素亮度估计坡度，最后通过对所述坡度积分估计所述树木的三维高度分布。

所述步骤c包含以下子步骤：

c1. 利用地面高程数据建立地表三维模型；

c2. 根据所述地表类型信息对所述地表三维模型赋予相应颜色和纹理，并加入所述三维场景中；

c3. 根据所述地物的三维尺寸信息，从模型库中匹配相应三维模型，并加入所述三维场景中。

基于全球地理信息数据和遥感数据自动重建的三维场景，具有真实准确、更新快速的特点，可以用来支持如位置服务、虚拟导游等虚拟现实/增强现实应用，也可以用来作为如电磁环境仿真的背景环境模型。

附图说明

图1为本发明中实施例1的流程示意图。

图2为本发明的实施例中的对三维地形重建的结果示意图。

图3为本发明的实施例中的对地图数据进行聚类示意图。

图4为本发明的实施例中的对建筑物位置信息提取示意图。

图5为本发明的实施例1中的对建筑物高度提取示意图。

图6为本发明的实施例中的对地图数据进行SLIC超像素分割提取三维信息示意图。

图7为本发明的实施例1中的超像素地块中植被进行提取示意图。

图8为本发明的实施例中的目标模型匹配示意图。

图9为本发明的实施例1中对圣地亚哥重建的三维场景示意图。

图10-13为本发明的实施例1中的对圣地亚哥重建的三维场景局部放大示意图。

图14为本发明的实施例2中的流程示意图。

图15为本发明的实施例2中的对地表覆盖类型分类识别示意图。

图16为本发明的实施例2中的对圣地亚哥地区重建结果及局部示意图。

具体实施方式

本发明中，地表覆盖物分类使用地图数据和地表覆盖类型数据进行分类。利用带有地物标签的地图数据，使用最近邻分类对地图数据中的像素进行分类。最近邻算法的聚类中心点预先给定，在表1中给出了本发明的一个实例的各类别对应的颜色信息，表1中使用的地图数据为google地图数据。对地图数据使用最近邻分类，可以快速提取地图数据中标注的道路、建筑物、水域、机场等主要目标，实现对地表覆盖类型的初步提取，然后使用地表覆盖信息对地图数据中标注的绿地、空地等区域进行精细地表覆盖类型分类，实现高精度的地表类型分类。通过地图数据和地表类型数据的结合，可以得到准确的地表覆盖类型和人造地物的准确分布信息，重建高精度三维地表覆盖模型。使用具有地表覆盖类型数据的区域的卫星影像数据和地表类型覆盖数据作为数据标签对，训练像素级分类神经网络对地表进行分类。在对没有地表覆盖类型数据的区域，使用神经网络对卫星影像数据进行处理，得到该区域的地表覆盖类型数据，实现对全球任意地区的地表类型的检测与识别。

表 1 谷歌地图颜色类别索引对照表

。

本发明提出了一种基于地图数据和光学影像数据的建筑物三维重建方法。对地图数据中的标示建筑物像素的颜色进行区域提取，得到建筑物的位置信息。使用最小外接矩形对建筑物区域进行估计，得到建筑物轮廓信息，轮廓信息包含建筑物中心、建筑物最小外接矩形的长和宽、区域的取向信息等。在卫星影像数据中获取对应区域的建筑物影像数据。本发明使用两种不同的方式对建筑物高度进行提取：神经网络提取法和光影计算法。使用手工标记数据的训练的神经网络，对建筑物区域进行处理，得到建筑物高度数据。或者对建筑物区域卫星影像太阳光照射角度和影像拍摄角度进行估计，然后根据建筑物阴影区域长度估算建筑物高度信息。结合建筑物高度、位置和取向信息，在三维地表模型上嵌入三维建筑物。

本发明中，采用基于地图数据、光学影像数据和神经网络的植被检测和高度提取算法。通过对地图数据进行聚类，排除建筑物、道路、机场、水域等区域。对剩余区域使用简单线性迭代聚类超像素分割法（SLIC）进行超像素分割，得到超像素区域划分。然后对区域大小进行简单判断，排除过小的区域。使用人工标记数据训练一个多输出神经网络，对输入数据进行植被检测和高度提取。超像素地块信息经过神经网络，输出神经网络对该超像素区域的类型判决和对其中植被的高度的估计。前后通过超像素分割地块信息确定植被的阴影侧边界、超像素区域的颜色变化信息估计高度变化，即植被高度坡度信息，最后通过对所述坡度信息进行积分，确定所述植被的高度分布。

本发明使用地面高程数据建立地表三维模型，结合地图聚类结果中的建筑物、道路、水域和机场等地表类型的分布和神经网络分类得到的其它类型的数据进行融合，得到精细的地表类型分类数据，将地表类型分类数据转换成相应的颜色和纹理，添加到地表三维模型中。利用计算得到的建筑物分布信息和对应的高度信息从模型库中匹配建筑物模型，调整大小和取向后，将模型嵌入地表三维模型中。利用计算得到的植被位置和高度分布信息，在模型库中匹配相应的三维模型，进行大小变化和取向变化后，嵌入到地表三维模型中。对嵌入的模型匹配以相应的颜色和纹理，完成三维地表模型的重建。重建的三维地表模型包含地表分类信息、三维建筑物信息、三维植被信息和地表高度三维信息。

本发明的第一个实施例如图1所示，实施例选取场景为美国圣地亚哥港口，目标类型包括海洋、建筑物、道路和植被等。实施例中使用的数据为1米分辨率的光学影像数据、电子地图数据，30米分辨率的全球数字高程数据和30米分辨率的美国地表覆盖数据集。其工作流程在图1中给出。实施例选区的经纬度范围为：（-117.2691 -117.1618 32.656632.7468），面积为10km*10km区域。实施例通过对输入系统的选区进行检测识别，从数据服务器上自动选区对应区域的数字高程数据、光学影像数据、美国地表覆盖了类型数据和地图数据。其中地图数据为google地图数据，光学影像数据为google地球影像数据。

本发明的第一个实施例中，选区的场景为美国圣地亚哥港口。可以获取开源的30米分辨率的数字高程图数据。通过数字高程图重建地表高度，可以得到不包含地物和地表信息的3D地表模型。3D地表模型在图附录图4中给出。

在本发明的第一个实施例中，首先对圣地亚哥的电子地图中的像素标签的RGB颜色进行索引聚类，颜色和目标类型的对应关系在表1中给出。索引聚类使用最近邻算法，距离定义为RGB颜色的欧氏距离。通过对地图数据进行聚类得到地图中各类不同像素颜色的所属类型，然后对不同颜色标注的同类目标进行融合，得到水体、普通道路（两类）、高速公路、机场、树木、其它植被、空地、建筑、金属目标、铁路和阴影类别。像素聚类和提取的融合的结果如图2所示。对最近邻聚类算法得到的结果中的建筑物的区域，使用最小外接矩形，将之作为建筑物的轮廓，建筑物轮廓在图5中给出。

在本发明的第一个实施例中，对于地图数据聚类结果中的空地区域，使用30米分辨率的美国地表覆盖类型数据进行分类（NLCD2011）。将地图数据聚类和美国地表覆盖物类型数据相融合，得到圣地亚哥场景的地表覆盖类型。

本发明的第一个实施例中，基于建筑物最小外接矩形的位置信息从光学影像数据中提取对应的建筑物光学影像的位置。对建筑物区域的光学影像数据拍摄时的太阳光入射角度和拍摄角度进行估计。并计算每一个建筑物阴影的长度（单位为像素），然后通过建筑物外接矩形的大小得到的建筑物的取向信息，去除建筑物和阴影之间的重叠和遮挡误差，得到真实的阴影长度，最后通过拍摄角度和太阳光照射角度估计建筑物高度。建筑物提取方法示意图在图5中给出。

本发明的第一个实施例中，使用SLIC超像素分割的方法对光学影像数据进行处理，超像素大小参数设置为20。超像素分割的结果和地图数据聚类结果中的空地取交集区域，作为植被检测和样本提取的样本数据。超像素分割结果在图6中给出。通过超像素块的颜色信息，判断超像素分割单元是否为植被区域，判断依据为该区域光学影响数据的颜色在绿色范围内。对于初步判断为植被的超像素区域快，使用阴影和太阳光照射角度估计其高度，估算方法和建筑物估算方法相同。植被估计结果在图7中给出。通过计算超像素中心，估算阴影和植被的重叠区域，然后计算树木的真实阴影长度，在通过太阳光照射角度估计树木的真实高度。然后通过对超像素区域内颜色的变化估计植被高度的变化梯度，进而估计超像素分割单元内植被高度的分布。最后通过设置高度阈值，将植被分为乔木、灌木和草地等。

本发明的第一个实施例通过上述步骤得到地表覆盖类型、三维建筑物和三维植被的重建。通过与模型库中模型进行匹配得到对应的三维建筑物模型，嵌入图2中所示的三维地表模型中，即可以获得完整的场景重建模型。圣地亚哥港口场景重建结果在图9中给出，图10-13给出该区域的数个局部放大图。

本发明提出的基于全球卫星数据的目标提取重建及散射参数匹配方法的一个基于人工智能深度学习的实施例，对圣地亚哥地表类型进行目标三维重建和散射参数匹配，用于电磁仿真软件模拟环境搭建。其主要流程如图14所示。

在本实施例中，使用高分辨率航空影像数据、地图数据和地表高程数据。三维地表重建中的地表类型检测、建筑物高度的检测、植被的识别和高度检测均使用深度学习实现。利用手工标记的数据对神经网络进行训练，然后将训练完毕的神经网络用于景的识别中，即可以实现使用神经网络从光学影像数据中重建地表类型、建筑物高度、植被的检测和高度重建。结合数字高程图生成地面高程模型，即可以获取城市三维模型结构。

本实施例中使用深度学习方法主要目的是简化本发明的操作流程，是本发明能够有更强的鲁棒性和准确性。基于深度学习的实施方法能够自行从光学影像数据中提取地表类型等特征，使得本发明不再依赖于地表类型数据，为本发明提供更大的灵活性和更加广泛的应用场景。

在本实施例中，由数据服务器为系统提供光学影像数据、地图数据和数字高程图数据。由模型服务器对系统的输出数据进行建模，得到最终的三维地表重建模型。本发明基于深度学习的实现方法，共有4个部分：地表类型分类、植被建模、建筑物建模和地面高程建模。其中，地表类型分类使用深度学习方法从光学影像数据中识别提取，对光学影像数据中的每一个像素点进行分类，分类类型使用NLCD2011标准数据集中的地形类型；植被提取建模使用深度学习方法从光学影像数据中检测植被并提取其高度信息，利用高度信息匹配数据库中的模型；建筑物提取使用地图数据获取建筑物位置信息，然后利用建筑物位置信息从光学影像数据中对建筑物高度进行识别；地表高程模型使用DEM数据直接建模即可得到地表高程信息。将地表高程模型、地表类型分类结果、建筑物模型和植被模型结合，即可以得到完整的具有详细的地表三维模型。

在本实施例中，涉及到的度学习方法均为深度卷积网络。本实施例中，使用检测、回归、分类和分割四类不同的深度卷积网络应用模型，分别用于植被检测、植被高度重建、建筑物高度分级和地表类型检测。

本实施例的地标检测模块使用一种具有空间不变性的输入输出大小相同的神经网络模型，该模型具有输出图片与输入图片大小相同的特点，使用该训练好的神经网络直接对光学影像数据处理，即可以得到对光学影像数据中每一个像素点的地形类型的分类结果。分类使用以目标点为中心的127*127像素的区域为判决依据对每一个像素进行判断。地表类型检测结果在图15中给出，使用不同颜色表示不同的类型。

本实施例中的植被检测分为三步，先使用超像素分割，将光学影像数据划分为一个个大小合适的超像素单元，超像素分割方法和实施例一中相同；然后使用神经网络对图像中的所有的超像素单元进行检测，判断其是否为植被，若是植被则使用神经网络计算该朝像素区域内的回归高度。由此，完成对光学影像数据中的植被的检测和高度提取。最后，使用模型匹配的方法从模型库中提取植被模型，调整模型的高度、大小和朝向等参数，实现植被的提取和建模。

本实施例中的建筑物检测需要使用地图数据的信息。地图数据中带有建筑物、水域、道路等目标的位置信息。通过对其中的颜色信息进行处理，处理方法和实施例一中的处理方法相同，使用聚类方法，将地图数据中的颜色进行分类，提取道路、建筑物、水域等主要地形的位置信息。然后利用地图中提取得到的建筑物位置信息，将每一个建筑物区域使用最小外接矩形进行提取，得到建筑物的位置信息。利用此建筑物位置信息，从光学影像数据中提取建筑物的影像，然后送入神经网络进行高度检测。在本实施例中，建筑物的高度进行量化，即量化为建筑物的层数，设定其层数最少为1层，最多为60层。然后通过神经网络对每一个建筑物元素的高度进行判断，将其分类到每个不同的高度分类中，最后将数据与模型库中的建筑物模型进行匹配，得到建筑物重建结果。

在本实施例中的地图数据处理中，聚类后的地图数据不仅有建筑物位置信息，还具有道路信息、水域信息和绿地信息，将其余地表类型分类结果相结合，使用地表类型分类结果替代地图数据中没有详细标注的空地区域，得到详细的具有道路、水域等精确划分的地表分类信息。

在本实施例中，地表高程信息从地表高程图中获取，直接将其转换成三维地形模型。三维地形模型转换方法与实施例一中相同。将精确的地表分类信息添加到三维地形中，然后将提取的建筑物三维模型和植被三维模型逐个嵌入到三维地形中，得到完整的三维重建结果。三维重建结果在图16中给出。

参考文献

[1]Teggatz A, Joestingmeier A, Meyer T, et al. Simulation of a groundpenetrating radar environment by means of FDTD methods using an automaticcontrol approach[C]// Antennas and Propagation Society InternationalSymposium. IEEE Xplore, 2004:2095-2098 Vol.2.

[2]Kim J H, Rhee J G. Simulation and analysis of electromagneticenvironment for the mobile receiver[C]// International Zurich Symposium onElectromagnetic Compatibility, 2006. Emc-Zurich. IEEE Xplore, 2006:77-80.

[3]Simpson J J. Global FDTD Maxwell's Equations Modeling ofElectromagnetic Propagation From Currents in the Lithosphere[J]. IEEETransactions on Antennas & Propagation, 2008, 56(1):199-203.

[4]Brookner E, Cornely P R, Lok Y F. AREPS and TEMPER - Getting Familiarwith these Powerful Propagation Software Tools[C]// Radar Conference. IEEEXplore, 2007:1034-1043.

[5]Huber D F, Hebert M. 3D modeling using a statistical sensor model andstochastic search[C]// Computer Vision and Pattern Recognition, 2003.Proceedings. 2003 IEEE Computer Society Conference on. IEEE, 2003:I-858-I-865vol.1.

[6]Levoy M. The digital Michelangelo project: 3D scanning of largestatues[C]// Conference on Computer Graphics and Interactive Techniques. ACMPress/Addison-Wesley Publishing Co. 2000:131-144.

[7]Rocchini C, Cignoni P, Montani C, et al. A low cost 3D scanner basedon structured light[J]. Computer Graphics Forum, 2010, 20(3):299-308.

[8]邱茂林, 马颂德, 李毅. 计算机视觉中摄像机定标综述[J]. Acta AutomaticaSinica, 2000, 26(1):43-55.

[9]Bichsel M, Pentland A P. A simple algorithm for shape from shading[C]// Computer Vision and Pattern Recognition, 1992. Proceedings CVPR '92.1992 IEEE Computer Society Conference on. IEEE, 1992:459-465.

[10]Zhang R, Tsai P S, Cryer J E, et al. Shape from Shading: A Survey[J].IEEE Transactions on Pattern Analysis & Machine Intelligence, 1999, 21(8):690-706.

[11]Forsyth D A, Ponce J. Computer Vision: A Modern Approach, 2/E[M]//Computer Vision: A Modern Approach. Prentice Hall Professional TechnicalReference, 2002:133–149.

[12]J.V. Shape from texture : a computational analysis[D]. University ofSussex, 1991.

[13]Horn B K P. Shape from Shading: A Method for Obtaining the Shape of aSmooth Opaque Object from One View[J]. 1970.

[14]Shashua A. On Photometric Issues in 3D Visual Recognition fromaSingle 2D Image[J]. International Journal of Computer Vision, 1997, 21(1):99-122.

[15]李介谷, 计算机视觉的理论和实践（第2版）, 上海交通大学出版社, 1998.

[16]马颂德, 张正友, 计算机视觉-计算理论和算法基础, 科学出版社, 1998.

[17]邹斌, 许可, 张腊梅,等. SAR图像建筑物三维信息提取方法研究[J]. 雷达科学与技术, 2009, 7(2):95-101.

[18]Rongrui Xiao, Chris Lesher and Bob Wilson. Building Detection andLocalization Using a Fusion of Interferometric Sythetic Aperture Radar andMultispectral image. ARPA Image Understanding Workshop. Morgan-Kaufmann,1998: 583-588.。

Claims (9)

1.一种三维地物自动提取与场景重建方法，其特征在于，具体步骤如下：

a. 从地理信息数据中提取地表类型和地物轮廓信息；

b. 从遥感数据中进一步提取地物，并估计所有地物的三维尺寸信息；

c. 利用所述地理信息数据、所述地表类型信息和所述地物的三维尺寸信息，重建三维场景；

其中，所述地理信息数据为在线地图图像，所述遥感数据为光学卫星影像。

2.根据权利要求1所述的三维地物自动提取与场景重建方法，其特征在于，所述步骤a包含以下子步骤：

a1. 对所述在线地图图像的像素按颜色进行聚类，得到所述地表类型至少包含水体、道路、植被、建筑、空地；

a2. 对所述建筑通过连通区域提取和最小外接矩形估计，得到地物轮廓信息。

3.根据权利要求2所述的三维地物自动提取与场景重建方法，其特征在于，所述步骤b包含以下子步骤：

b1. 对所述光学卫星影像数据进行超像素分割，得到地块超像素；

b2. 根据所述地块超像素的尺寸、颜色和纹理特征识别树木；

b3. 根据所述地物的图像和阴影估计地物高度，联合所述地物轮廓信息重建所述地物三维尺寸，所述地物至少包含所述建筑和所述树木。

4.根据权利要求3所述的三维地物自动提取与场景重建方法，其特征在于，子步骤b1中所述超像素分割采用简单线性迭代聚类超像素分割方法，简称SLIC方法。

5.根据权利要求3所述的三维地物自动提取与场景重建方法，其特征在于，子步骤b2中所述识别树木采用深度卷积神经网络从所述地块超像素中识别所述树木，其中所述深度卷积神经网络采用人工标记的部分所述地物超像素块数据进行训练。

6.根据权利要求3所述的三维地物自动提取与场景重建方法，其特征在于，所述子步骤b3中，估计建筑和树木高度，采用深度卷积神经网络估计所述建筑物和树木的高度，其中所述深度卷积神经网络采用人工标记的部分数据进行训练。

7.根据权利要求6所述的三维地物自动提取与场景重建方法，其特征在于，对于建筑，先估计太阳光照射方向，再提取所述建筑的阴影，最后通过所述阴影在所述太阳光照射方向的长度估计所述建筑的高度。

8.根据权利要求6所述的三维地物自动提取与场景重建方法，其特征在于，对于树木，先确定所述树木的阴影侧边界，再根据像素亮度估计坡度，最后通过对所述坡度积分估计所述树木的三维高度分布。

9.根据权利要求1-8之一所述的三维地物自动提取与场景重建方法，其特征在于，所述步骤c包含以下子步骤：

c1. 利用地面高程数据建立地表三维模型；

c2. 根据所述地表类型信息对所述地表三维模型赋予相应颜色和纹理，并加入所述三维场景中；

c3. 根据所述地物的三维尺寸信息，从模型库中匹配相应三维模型，并加入所述三维场景中。