CN109472802B - 一种基于边缘特征自约束的表面网格模型构建方法 - Google Patents
一种基于边缘特征自约束的表面网格模型构建方法 Download PDFInfo
- Publication number
- CN109472802B CN109472802B CN201811415362.1A CN201811415362A CN109472802B CN 109472802 B CN109472802 B CN 109472802B CN 201811415362 A CN201811415362 A CN 201811415362A CN 109472802 B CN109472802 B CN 109472802B
- Authority
- CN
- China
- Prior art keywords
- dimensional
- constraint
- edge
- points
- point cloud
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000003708 edge detection Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 230000001788 irregular Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 239000004576 sand Substances 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 description 8
- 238000011161 development Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000000280 densification Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/06—Topological mapping of higher dimensional structures onto lower dimensional surfaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于边缘特征自约束的表面网格模型构建方法,可以更精确的得到地形地貌的三维信息,其思路是将二维边缘拓扑信息作为三维表面模型构建的约束条件,进行基于局部降维的带约束网格模型构建。该算法首先以目标区域的边缘特征作为拓扑约束条件,获取带约束的三维点云;然后采用基于局部降维的带约束三角剖分算法,构建基于边缘特征自约束的表面网格模型。本发明利用摄影测量技术进行土地调查,可以大大的减少外业测量的工作,为土地调查提供一条新的快捷的途径,能够广泛应用于三维山体测量、滑坡监测、沙坑容积测量等多种场合。
Description
技术领域
本发明属于图像图形技术领域,涉及一种三维重建技术,具体涉及一种基于边缘特征自约束的表面网格模型构建方法。
背景技术
我国幅员辽阔但人均占有的土地资源却相当有限,尤其在工业化与城镇化的进程中,各项生产、生活区域建设需要占用更多土地,所以土地资源的合理规划和可持续利用是实现国家可持续发展的前提。土地资源管理的首要任务是要全面、及时、准确地掌握土地信息,这样才能有效的进行宏观调控。
在现有的不规则体测量技术中,测量方式主要是以卫星、无人机遥感为主,其在大范围测量上有不可替代的作用。其中,卫星遥感测量,周期长,时效性差,精度不能达到很高的标准。“地上查”主要以GPS和PDA测量为主,适用于小区域的测量,对于不规则体测量、人类不能到达或较危险区域适用性较差。还有使用三维激光扫描仪进行测量,但是仪器昂贵,数据量大,处理复杂。传统意义上对地形地貌的测量,主要是借助二维的工具和手段,随着技术的发展进步,这种方式越来越不能满足现代科技的需求。进行土地测绘,读懂测绘数据要有相当程度的测绘素养,所以将二维图片转化成三维模型,就是更加形象生动的展示地理信息,令即使没有地理信息相关理论素养的人也能理解测绘信息,也能了解地形地貌特征。
发明内容
为解决上述问题,本发明公开了一种基于边缘特征自约束的表面网格模型构建方法来获取地形地貌的表面网格模型,以便后续进行体积测量等操作,可以更精确的得到地形地貌的三维信息。
为达到上述目的,本发明的技术方案如下:
一种基于边缘特征自约束的表面网格模型构建方法,其特征在于,包括如下步骤:
(1)用canny边缘检测算法从序列图像中获取可靠的二维边缘特征,并将该信息用作点云构建表面模型的约束条件;
(2)从序列图像中生成三维点云,将三维点云映射到二维图像上,生成一个二维投影点集合;
(3)根据边缘特征建立二维边缘点之间的拓扑关系,确立部分二维投影点之间的拓扑连接关系,将具有拓扑约束信息的二维投影点反投影到三维空间,得到带约束的三维点云;
(4)构建基于局部降维的带约束表面网格,是将带约束的三维点云在局部区域进行降维,投影到最小二乘拟合平面上进行带约束的平面三角剖分,然后再反投影回三维空间。
其中步骤(1)中,用canny边缘检测算法从序列图像中获取可靠的二维边缘特征,具体步骤为:
(1.1)用高斯滤波器平滑图像,去除噪声;
(1.2)用一阶偏导有限差分计算梯度幅值和方向;
(1.3)对梯度幅值进行非极大值抑制,精确确定边缘的位置;
(1.4)用双阈值算法检测和连接边缘。
步骤(2)中,从序列图像中生成三维点云,具体步骤为:
(2.1)用传统摄像机定标方法得到摄像机内参;
(2.2)提取任意两幅图像特征点,进行特征点匹配;
(2.3)根据特征点匹配结果,利用RANSAC(随机抽样一致性)算法求取基础矩阵及本质矩阵;
(2.4)根据本质矩阵正确估计摄像机外参数;
(2.5)由摄像机的内外参数组合生成图像变换的投影矩阵;
(2.6)三角化所有图像匹配好的特征点;
(2.7)对重建结果进行集束调整,减少误差。
步骤(3)中,根据边缘特征建立二维边缘点之间的拓扑关系,具体步骤为:将在步骤(2)中由三维点云投影生成的二维投影点集合拟合到步骤(1)中canny边缘检测算法检测到的轮廓中,将具有拓扑约束信息的二维投影点反投影到三维空间,得到带约束的三维点云;
步骤(4)中,构建基于局部降维的带约束表面网格,将带约束的三维点云在局部区域进行降维,投影到最小二乘拟合平面上进行带约束的平面三角剖分,然后再反投影回三维空间,具体步骤为:
(4.1)首先要在采样点集中找到每一个点附近的点,使用k个近邻点计算出在该点处的待重建表面的法向量;
(4.2)此时得到的法向量有正负两个方向,经过法向量一致化的处理后,使得法向量指向曲面的一侧,得到每一点处的切平面;
(4.3)将查询点和其近邻点投影到局部的微小切平面上,使用Delaunay算法对切平面上的点进行三角剖分;
(4.4)最后将平面上点的拓扑关系反投影到三维空间中,得到重建后的不规则体的三维表面三角网格。
本发明的有益效果是:
针对经典表面网格模型构建算法,在构网过程中缺乏拓扑约束条件而导致表面模型失真,本发明提出一种基于边缘特征自约束的表面网格模型构建方法。可以更精确的得到地形地貌的三维信息,该算法首先以目标区域的边缘特征作为拓扑约束条件,获取带约束的三维点云;然后采用基于局部降维的带约束三角剖分算法,构建基于边缘特征自约束的表面网格模型。
本发明利用摄影测量技术进行土地调查,可以大大的减少外业测量的工作,为土地调查提供一条新的快捷的途径,能够广泛应用于三维山体测量、滑坡监测、沙坑容积测量等多种场合。
附图说明
图1为一种基于边缘特征自约束的表面网格模型构建方法流程图;
图2为canny边缘检测算子检测出的二维边缘特征;
图3为局部降维的三角网格构建算法流程。
具体实施方式
下面结合附图和具体实施方式,进一步阐明本发明,应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
如图1所示为本发明的方法流程示意图。
步骤S1:用canny边缘检测算法从序列图像中获取可靠的二维边缘特征,如图2所示,并将该信息用作点云构建表面模型的约束条件。具体包括:
S1.1、用高斯滤波器平滑图像,去除噪声,size=5高斯内核为:
S1.2、用一阶偏导有限差分计算梯度幅值和方向,其中卷积阵列(分别作用于x和y方向):
使用下列公式计算梯度幅值和方向:
S1.3、对梯度幅值进行非极大值抑制,精确确定边缘的位置;
S1.4、用双阈值算法检测和连接边缘,高阈值和低阈值的判断方法为:
①若某一像素位置的幅值超过高阈值,该像素被保留为边缘像素;
②若某一像素位置的幅值小于低阈值,该像素被排除;
③若某一像素位置的幅值在两个阈值之间,该像素仅仅在连接到一个高于高阈值的像素时被保留。
步骤S2:从序列图像中生成三维点云,将三维点云映射到二维图像上,生成一个二维投影点集合,具体包括:
S2.1、先用传统摄像机标定方法得到摄像机内参,从所有序列图像中提取任意两幅图像特征点,进行特征点匹配;根据特征点匹配结果,利用RANSAC(随机抽样一致性)算法求取基础矩阵及本质矩阵;根据本质矩阵正确估计摄像机外参数;由摄像机的内外参数组合生成图像变换的投影矩阵;三角化所有图像匹配好的特征点;对重建结果进行集束调整,减少误差。
S2.2、将步骤S2.1中生成的稀疏点云作为种子点,用PMVS算法进行稀疏点云的密集化,得到密集点云;
S2.3、直接将步骤S2.2中生成的密集点云投影到二维平面上,得到一个二维投影点集合;
步骤S3:根据边缘特征建立二维边缘点之间的拓扑关系,确立部分二维投影点之间的拓扑连接关系,将具有拓扑约束信息的二维投影点反投影到三维空间,得到带约束的三维点云;
步骤S4:构建基于局部降维的带约束表面网格,是将带约束的三维点云在局部区域进行降维,投影到最小二乘拟合平面上进行带约束的平面三角剖分,然后再反投影回三维空间,算法流程图如图3所示,构建局部降维表面网格的具体步骤包括:
S4.1、首先要在采样点集中找到每一个点附近的点,使用k个近邻点计算出在该点处的待重建表面的法向量;
S4.2、此时得到的法向量有正负两个方向,经过法向量一致化的处理后,使得法向量指向曲面的一侧,得到每一点处的切平面;
S4.3、将查询点和其近邻点投影到局部的微小切平面上,使用Delaunay算法对切平面上的点进行三角剖分;
S4.4、最后将平面上点的拓扑关系反投影到三维空间中,得到重建后的不规则体的三维表面三角网格。
Claims (5)
1.一种基于边缘特征自约束的表面网格模型构建方法,其特征在于,包括如下步骤:
(1)用canny边缘检测算法从序列图像中获取可靠的二维边缘特征,并将该二维边缘特征用作点云构建表面模型的约束条件;
(2)从序列图像中生成三维点云,将三维点云映射到二维图像上,生成一个二维投影点集合;
(3)根据边缘特征建立二维边缘点之间的拓扑关系,确立部分二维投影点之间的拓扑连接关系,将具有拓扑约束信息的二维投影点反投影到三维空间,得到带约束的三维点云;
(4)构建基于局部降维的带约束表面网格,是将带约束的三维点云在局部区域进行降维,投影到最小二乘拟合平面上进行带约束的平面三角剖分,然后再反投影回三维空间。
2.根据权利要求1所述的一种基于边缘特征自约束的表面网格模型构建方法,其特征在于,所述步骤(1)中,用canny边缘检测算法从序列图像中获取可靠的二维边缘特征,具体步骤为:
(1.1)用高斯滤波器平滑图像,去除噪声;
(1.2)用一阶偏导有限差分计算梯度幅值和方向;
(1.3)对梯度幅值进行非极大值抑制,精确确定边缘的位置;
(1.4)用双阈值算法检测和连接边缘。
3.根据权利要求1所述的一种基于边缘特征自约束的表面网格模型构建方法,其特征在于,所述步骤(2)中,从序列图像中生成三维点云,具体步骤为:
(2.1)用传统摄像机定标方法得到摄像机内参;
(2.2)提取任意两幅图像特征点,进行特征点匹配;
(2.3)根据特征点匹配结果,利用随机抽样一致性算法求取基础矩阵及本质矩阵;
(2.4)根据本质矩阵正确估计摄像机外参数;
(2.5)由摄像机的内外参数组合生成图像变换的投影矩阵;
(2.6)三角化所有图像匹配好的特征点;
(2.7)对重建结果进行集束调整,减少误差。
4.根据权利要求1所述的一种基于边缘特征自约束的表面网格模型构建方法,其特征在于,所述步骤(3)中,根据边缘特征建立二维边缘点之间的拓扑关系,具体步骤为:将在步骤(2)中由三维点云投影生成的二维投影点集合拟合到步骤(1)中canny边缘检测算法检测到的轮廓中,将具有拓扑约束信息的二维投影点反投影到三维空间,得到带约束的三维点云。
5.根据权利要求1所述的一种基于边缘特征自约束的表面网格模型构建方法,其特征在于,所述步骤(4)中,构建基于局部降维的带约束表面网格,将带约束的三维点云在局部区域进行降维,投影到最小二乘拟合平面上进行带约束的平面三角剖分,然后再反投影回三维空间,具体步骤为:
(4.1)首先要在采样点集中找到每一个点附近的点,使用k个近邻点计算出在该点处的待重建表面的法向量;
(4.2)此时得到的法向量有正负两个方向,经过法向量一致化的处理后,使得法向量指向曲面的一侧,得到每一点处的切平面;
(4.3)将查询点和其近邻点投影到局部的微小切平面上,使用Delaunay算法对切平面上的点进行三角剖分;
(4.4)最后将平面上点的拓扑关系反投影到三维空间中,得到重建后的不规则体的三维表面三角网格。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811415362.1A CN109472802B (zh) | 2018-11-26 | 2018-11-26 | 一种基于边缘特征自约束的表面网格模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811415362.1A CN109472802B (zh) | 2018-11-26 | 2018-11-26 | 一种基于边缘特征自约束的表面网格模型构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109472802A CN109472802A (zh) | 2019-03-15 |
CN109472802B true CN109472802B (zh) | 2021-10-19 |
Family
ID=65673232
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811415362.1A Active CN109472802B (zh) | 2018-11-26 | 2018-11-26 | 一种基于边缘特征自约束的表面网格模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109472802B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111105864B (zh) * | 2019-12-27 | 2023-06-16 | 华南理工大学 | 一种动态传输3d模型的方法 |
CN111986219B (zh) * | 2020-08-10 | 2023-09-19 | 中国科学院光电技术研究所 | 一种三维点云与自由曲面模型的匹配方法 |
CN112767551B (zh) * | 2021-01-18 | 2022-08-09 | 贝壳找房(北京)科技有限公司 | 三维模型构建方法、装置以及电子设备、存储介质 |
CN113393577B (zh) * | 2021-05-28 | 2023-04-07 | 中铁二院工程集团有限责任公司 | 一种倾斜摄影地形重建方法 |
CN113409549A (zh) * | 2021-06-11 | 2021-09-17 | 中铁西南科学研究院有限公司 | 一种高山峡谷地区的滑坡监测预警系统 |
CN113628339B (zh) * | 2021-08-17 | 2023-04-18 | 电子科技大学 | 一种基于局部保留投影的断层片提取方法 |
CN116051786B (zh) * | 2023-03-29 | 2023-06-02 | 核工业航测遥感中心 | 标准网格三维模型快速显示方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102436678A (zh) * | 2010-09-29 | 2012-05-02 | 比亚迪股份有限公司 | 一种三维道路模型生成方法及系统 |
CN103606163A (zh) * | 2013-12-04 | 2014-02-26 | 南京汇川工业视觉技术开发有限公司 | 基于四元数理论和canny算法的彩色图像边缘检测方法 |
CN105930497A (zh) * | 2016-05-06 | 2016-09-07 | 浙江工业大学 | 基于图像边缘和线条特征的三维模型检索方法 |
CN107292238A (zh) * | 2017-05-23 | 2017-10-24 | 东南大学 | 基于空间拓扑关系约束和消失点的建筑物轮廓识别方法 |
CN108010123A (zh) * | 2017-11-23 | 2018-05-08 | 东南大学 | 一种保留拓扑信息的三维点云获取方法 |
-
2018
- 2018-11-26 CN CN201811415362.1A patent/CN109472802B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102436678A (zh) * | 2010-09-29 | 2012-05-02 | 比亚迪股份有限公司 | 一种三维道路模型生成方法及系统 |
CN103606163A (zh) * | 2013-12-04 | 2014-02-26 | 南京汇川工业视觉技术开发有限公司 | 基于四元数理论和canny算法的彩色图像边缘检测方法 |
CN105930497A (zh) * | 2016-05-06 | 2016-09-07 | 浙江工业大学 | 基于图像边缘和线条特征的三维模型检索方法 |
CN107292238A (zh) * | 2017-05-23 | 2017-10-24 | 东南大学 | 基于空间拓扑关系约束和消失点的建筑物轮廓识别方法 |
CN108010123A (zh) * | 2017-11-23 | 2018-05-08 | 东南大学 | 一种保留拓扑信息的三维点云获取方法 |
Non-Patent Citations (1)
Title |
---|
一种图像边缘特征提取算法;赵巨波等;《光学精密工程》;20000830;第325-327页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109472802A (zh) | 2019-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109472802B (zh) | 一种基于边缘特征自约束的表面网格模型构建方法 | |
CN104778720B (zh) | 一种基于空间不变特性的快速体积测量方法 | |
Li et al. | 3-D shoreline extraction from IKONOS satellite imagery | |
CN103017739B (zh) | 基于激光雷达点云与航空影像的真正射影像的制作方法 | |
CN104156536B (zh) | 一种盾构机刀具磨损的可视化定量标定及分析方法 | |
CN104952107A (zh) | 基于车载LiDAR点云数据的桥梁三维重建方法 | |
CN110866531A (zh) | 一种基于三维建模的建筑物特征提取方法、系统及存储介质 | |
CN107767456A (zh) | 一种基于rgb‑d相机的物体三维重建方法 | |
TW200929067A (en) | 3D image detecting, editing and rebuilding system | |
CN103426165A (zh) | 一种地面激光点云与无人机影像重建点云的精配准方法 | |
CN115797256B (zh) | 基于无人机的隧道岩体结构面信息的处理方法以及装置 | |
CN106875330B (zh) | 一种平面模型转球面模型的方法 | |
Boonpook et al. | UAV-based 3D urban environment monitoring | |
Rebelo et al. | Building 3D city models: Testing and comparing Laser scanning and low-cost UAV data using FOSS technologies | |
CN112561981A (zh) | 一种融合影像信息的摄影测量点云滤波方法 | |
Luo et al. | Ice flow velocity mapping in East Antarctica using historical images from 1960s to 1980s: recent progress | |
CN109345543B (zh) | 一种基于灰度图像处理的爆破漏斗体积识别方法 | |
CN107843240B (zh) | 一种海岸带区域无人机影像同名点信息快速提取方法 | |
Ye et al. | Research on reef bathymetric survey of uav stereopair based on two-medium photogrammetry | |
Chen | Application of UAV digital photogrammetry technology in marine topographic surveying and mapping | |
Huang et al. | An Innovative Approach of Evaluating the Accuracy of Point Cloud Generated by Photogrammetry-Based 3D Reconstruction | |
Yanan et al. | DEM extraction and accuracy assessment based on ZY-3 stereo images | |
Rau et al. | Geometrical building modeling and its application to the ortho-rectification for aerial images | |
Shim et al. | Stereo vision based 3D world modeling for intelligent vehicle navigation | |
CN112465896B (zh) | 一种基于多视轮廓点的三维壁画几何变化检测方法 |
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 |