CN109492606A - 多光谱矢量图获取方法及系统、三维单体化方法及系统 - Google Patents
多光谱矢量图获取方法及系统、三维单体化方法及系统 Download PDFInfo
- Publication number
- CN109492606A CN109492606A CN201811419744.1A CN201811419744A CN109492606A CN 109492606 A CN109492606 A CN 109492606A CN 201811419744 A CN201811419744 A CN 201811419744A CN 109492606 A CN109492606 A CN 109492606A
- Authority
- CN
- China
- Prior art keywords
- multispectral
- dimensional
- orthophotomap
- atural object
- polar plot
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种多光谱矢量图获取方法及系统、三维单体化方法及系统。所述获取方法包括:S1、采集一地理区域的多光谱正射遥感信息,并对所述多光谱正射遥感信息进行融合,形成多光谱正射影像地图;S2、对所述多光谱正射影像地图中的地物进行分类;S3、根据分类类别形成所述多光谱正射影像地图的多个图层;每个图层中包括相同类别的所述地物;S4、基于图像分割算法识别所述图层中的每个地物的矢量图。本发明在低空高分辨率的多光谱正射地图的基础上进行地物分割和类型识别,实现了正射地图上不同地物在地面投影的矢量图的获取,效率高,精度高,为对三维模型进行有效的单体化提供了依据。
Description
技术领域
本发明涉及三维地理信息处理技术领域,特别涉及一种基于多光谱遥感影像的多光谱矢量图获取方法及系统、三维单体化方法及系统。
背景技术
单体化技术是相对于实景三维模型图而言的,具体是指,在实景三维模型图中,可以对单个实体对象进行选中、分离、存储、查询、统计等地理信息数据的操作技术。实景三维模型图(如倾斜摄影测量实景三维模型图,三维激光扫描模型等)可以进行多视角观察,但其中的建筑、道路、树木等实体皆是合成的一个整体,无法对其中的单个实体进行选中、分离、查询、统计等操作,只有对实景三维模型图中的实体进行单体化后,才可以对数据模型进行相关操作和进行管理。
目前,常用的单体化技术,比如切割单体化和动态单体化技术,其都需要依据对应地物的矢量图,矢量图的获取效率和质量是目前实景三维模型图单体化过程中主要面对的问题。
现有技术中,矢量图是通过人工划取和绘制,或通过正射影像半自动的勾画,此方法工程量大且繁杂,效率极低,数据更新慢,尤其面对大范围的城市级测绘无法满足时效需求;且其只能提取形态特征明显的建筑物,无法实现其他地物对象,如道路、河流、树木等的矢量图的获取。
发明内容
本发明要解决的技术问题是为了克服现有技术中通过人工划取和绘制,或通过正射影像半自动的勾画地物的矢量图,工程量大且繁杂,效率极低,的缺陷,提供一种多光谱矢量图获取方法及系统、三维单体化方法及系统。
本发明是通过下述技术方案来解决上述技术问题:
一种多光谱矢量图获取方法,所述获取方法包括:
S1、采集一地理区域的多光谱正射遥感信息,并对所述多光谱正射遥感信息进行融合,形成多光谱正射影像地图;
S2、对所述多光谱正射影像地图中的地物进行分类;
S3、根据分类类别形成所述多光谱正射影像地图的多个图层;每个图层中包括相同类别的所述地物;
S4、基于图像分割算法识别所述图层中的每个地物的矢量图。
较佳地,基于多层感知器对所述多光谱正射影像地图中的地物进行分类。
较佳地,步骤S1还包括:
获取所述地理区域的三维模型图;
步骤S2之前,还包括:
将所述三维模型图与所述多光谱正射影像地图进行地理配准。
较佳地,所述图像分割算法为α-扩展算法。
一种三维单体化方法,所述单体化方法包括:
上述任意一项所述的多光谱矢量图获取方法获取目标区域的多光谱正射影像地图中地物的矢量图;
根据所述矢量图对所述目标区域的三维模型图进行单体化。
较佳地,根据所述矢量图对所述目标区域的三维模型图进行单体化的步骤,具体包括:
根据所述矢量图切割所述三维模型图,得到三维点云集群;
对所述三维点云集群进行三角网重构,并赋予纹理,形成三维单体模型。
较佳地,所述单体化方法还包括:
对所述三维单体模型分配编码和/或属性信息后存储。
一种多光谱矢量图获取系统,所述获取系统包括:
图形获取模块,用于采集一地理区域的多光谱正射遥感信息,并对所述多光谱正射遥感信息进行融合,形成多光谱正射影像地图;
分类模块,用于对所述多光谱正射影像地图中的地物进行分类;
图层形成模块,用于根据分类类别形成所述多光谱正射影像地图的多个图层;每个图层中包括相同类别的所述地物;
识别模块,用于基于图像分割算法识别所述图层中的每个地物的矢量图。
较佳地,所述分类模块具体用于基于多层感知器对所述多光谱正射影像地图中的地物进行分类。
较佳地,所述图形获取模块还用于获取所述地理区域的三维模型图;
所述获取系统还包括:地理配准模块;
所述地理配准模块用于将所述三维模型图与所述多光谱正射影像地图进行地理配准后,调用所述分类模块。
较佳地,所述图像分割算法为α-扩展算法。
一种三维单体化系统,所述单体化系统包括:单体化模块和上述任意一项所述的多光谱矢量图获取系统;
所述获取系统用于获取目标区域的多光谱正射影像地图中地物的矢量图;
所述单体化模块用于根据所述矢量图对所述目标区域的三维模型图进行单体化。
较佳地,所述单体化模块具体包括:
切割单元,用于根据所述矢量图切割所述三维模型图,得到所述地物的三维点云集群;
重构单元,用于对所述三维点云集群进行三角网重构,并赋予纹理,形成三维单体模型。
较佳地,所述单体化系统还包括:
存储模块,用于对所述三维单体模型分配编码和/或属性信息后存储。
本发明的积极进步效果在于:本发明在低空高分辨率的多光谱正射地图的基础上进行地物分割和类型识别,实现了正射地图上不同地物在地面投影的矢量图的获取,效率高,精度高,为对三维模型进行有效的单体化提供了依据。
附图说明
图1为本发明实施例1的多光谱矢量图获取方法的流程图。
图2为图1中步骤103使用的分类模型的结构图。
图3为本发明实施例2的三维单体化方法的流程图。
图4为本发明实施例3的多光谱矢量图获取系统的模块示意图。
图5为本发明实施例4的三维单体化系统的模块示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明,但并不因此将本发明限制在所述的实施例范围之中。
实施例1
如图1所示,本实施例的多光谱矢量图获取方法包括以下步骤:
步骤110、采集某个地理区域的多光谱正射遥感信息。
其中,多光谱正射遥感信息包括RGB(工业界的一种颜色标准)和多个光谱数据,例如波长为600nm、701nm和750nm的光谱数据。
步骤120、对多光谱正射遥感信息进行融合,形成多光谱正射影像地图。
步骤120中,多光谱正射遥感信息的融合也即将获取的不同波长的光谱数据进行融合,形成多光谱正射影像地图(Digital Orthogonal Map,DOM)。多光谱正射影像地图中包括由不同RGB进行区分的建筑、树木、道路等地物。
步骤130、对多光谱正射影像地图中的地物进行分类。
具体的,步骤130中基于机器学习中多层感知器(MLP)对多光谱正射影像地图中的地物进行分类。以下对多层感知器的模型建立过程进行说明,参见图2,使用三层神经网络,其包含输入层i,隐含层k,输出层j,模型的学习过程主要包括五个步骤:
(1)特征输入及初始化。定义样本集(xi,tj),其特征输入向量xi=(x0,x1,x2,…,xn)T,期望输出向量tj=(t0,t1,t2,…,tm)T。进行权重w和阈值θ等初始值的设定。
其中,x0,x1,x2,…,xn表征训练样本,也即经过地物分类标记的多光谱正射影像地图;t0,t1,t2,…,tm表征期望输出向量,也即地物的分类类别。
(2)输入特征正向传播。将特征输入向量输入至输入层,得隐含层k的输入xk和输出yk:
yk=f(xk)=f(∑iwkixi);
隐含层k的输出将作为输出层j的输入,得输出层j的输入xj和输出yj:
yj=f(xj)=f(∑kwjkxk);
(3)输出误差反向传播。期望输出t与实际输出y之间的误差:
依据误差函数对输出层j的权重wjk和隐含层k的权重wki求偏导数,可以得到输出层j和隐含层k存在的误差δj与δk:
δj=(tj-yj)f′(xj);
δk=∑jδjwjkf′(xk);
依据权重和阈值的修正量,可以完成误差反向传播:
Δwjk=ηδjyk=ηδjf(∑iwkixi);
Δwki=ηδkxi;
其中,f′(xj)为激活函数的导数;
(4)循环训练过程。样本集内的全部样本经过上述学习过程,训练得到能够使误差极小化或满足容限条件的神经网络参数,循环反复完成分类模型的构建。
(5)分类结果输出。训练好的模型可以用于未知期望输出的数据,将待分类的多光谱正射影像地图的特征向量输入到模型中,即可得到该待分类的多光谱正射影像地图的地物分类结果,分类类别例如建筑物,植被,道路,河流等。
步骤140、根据分类类别形成多光谱正射影像地图的多个图层。
步骤140也即从多光谱正射影像地图中提取或分离出不同类别的地物形成多个图层。其中,每个图层中包括相同类别的地物,如将多光谱正射影像地图中所有建筑物类提取为一个图层,将所有道路提取为一个图层。
步骤150、基于图像分割算法识别图层中的每个地物的矢量图。
步骤150也即运用图像分割算法(可以但不限于α-扩展算法)识别每个图层中的单个地物的实体面并分割,得到每个地物的矢量图。α-扩展算法的分割能量函数为:
E(f)=∑p∈VDp(fp)+∑{p,q}∈NVp,q(fp,fq);
式中,V表示单个地物所有边缘点的集合,N为边缘点的邻域系统;f是边缘线的一种分割结果;fp为边缘点p所属不同方向的类别;fq为边缘点q所属不同方向的类别;Dp(fp)为数据项,体现了边缘点p与某一类别的相似性。Vp,q(fp,fq)为平滑项,体现了相邻边缘点之间的相似性。利用α-扩展算法识别边缘线的主要步骤:
A、选取图层中的任意轮廓线分割得到初始分割结果f;
B、对每一个分割构建图,求解图的最小割(最小分割能量)C=argmin(E(f’c));f’c表征当前的分割结果。
C、更新分割结果,直到E(f’c)<E(f),输出最终分割结果。
从而,得到图层中的单个地物的矢量图Gs={SK},K=1,2,3…,图中的每个地物矢量图SK均构成闭合,且互不相交,即:
Gs=∪SK,且
其中,K表示图层中地物的个数。
本实施例中,在低空高分辨率的多光谱正射影像地图的基础上进行地物分割和类型识别,实现了正射地图上不同地物在地面投影的矢量图的获取,效率高,精度高,为对三维模型进行有效的单体化提供了依据。
实施例2
如图3所示,本实施例的三维单体化方法包括以下步骤:
步骤201、获取目标区域的三维模型图,并获取该目标区域的多光谱正射影像地图的矢量图。
其中,目标区域也即需要对该区域的实景三维模型图进行单体化的区域。三维模型图的获取可运用无人机数据采集平台,航高150m,空间分辨率1.67cm,采用多视角倾斜摄影,获取倾斜摄影测量数据并进行三维建模,得到倾斜摄影的实景三维模型图,三维模型图中包括地理区域中的建筑、树木、道路等地物。
具体的,步骤201中利用实施例1示出的多光谱矢量图获取方法获取某一区域的多光谱正射影像地图的地物矢量图。
步骤202、根据矢量图对该区域的三维模型图进行单体化。
步骤202具体包括:
步骤202-1、根据矢量图切割三维模型图,得到单个地物的三维点云集群。
具体的,步骤202-1的实现方式如下:矢量图Gs向实景三维模型做正投影,矢量面轮廓与三维模型的表面三角网相交,依据snake能量方程对三角网切割。
snake能量方程为:
E(s)=∫(Espline(s)+Emesh(s))dt;
其中,Emesh(s)量值用以捕捉最近三角网顶点,Espline(s)量值用来平滑边缘线并取最小路径值。最终将三维表面模型分割成单个地物的点云集群P(i)。
步骤202-2、对三维点云集群进行三角网重构,并赋予纹理,形成三维单体模型。
具体的,步骤202-2中依据三角网构建方法(包括但不限于Delaunay方法)对步骤202-1获得的三维点云集群P(i)进行三角网重构,并赋予纹理,还原原始细节层次LOD(Level of Detail),形成切割分离的三维单体模型,该三维单体模型即为区域中实体对象的单体模型,从而实现了模型的单体化。
本实施例中,步骤202之前,还包括:将三维模型图与多光谱正射影像地图进行地理配准的步骤,以确保分类提取好的地物矢量图能够和三维模型在空间坐标上统一,以便能够准确的进行单体切割。
地理配准的具体实现方式如下:
首先,确定多光谱正射影像地图和三维模型图的坐标系统是否统一,若不统一,则需将两者转化为同一地理坐标系或同一投影坐标系;
接着,做同名点或相控点的配准,即在多光谱正射影像地图和三维模型图中选择相同的同名点,然后选择地理区域中的若干参考点,录入该些参考点的实测高精度坐标值(经纬度),以该些坐标值纠正完成两者数据的空间配准。其中,参考点的选取以特征明显的点为适宜,例如道路的拐角、建筑物的顶角等。
步骤203、对三维单体模型分配编码和/或属性信息后存储。
步骤203也即建立三维模型的单体数据库:分别对每一个三维单体模型,包括分离出来的所有单个建筑、道路、河流、植株,进行编码并赋予类别属性信息及其他附加信息,录入空间数据库,形成具有完整编码和属性信息的三维单体数据库。从而,即可实现对三维模型中的单体模型进行选中、分离、查询、统计等操作。
实施例3
如图4所示,本实施例的多光谱矢量图获取系统包括:图形获取模块1、分类模块2、图层形成模块3和识别模块4。
图形获取模块1用于采集一地理区域的多光谱正射遥感信息,并对多光谱正射遥感信息进行融合,形成多光谱正射影像地图。其中,多光谱正射遥感信息包括RGB(工业界的一种颜色标准)和多个光谱数据,例如波长为600nm、701nm和750nm的光谱数据。多光谱正射遥感信息的融合也即将获取的不同波长的光谱数据进行融合,形成多光谱正射影像地图。多光谱正射影像地图中包括由不同RGB进行区分的建筑、树木、道路等地物。
分类模块2用于对多光谱正射影像地图中的地物进行分类。
具体的,分类模块2基于机器学习中多层感知器对多光谱正射影像地图中的地物进行分类。以下对多层感知器的模型建立过程进行说明,使用三层神经网络,其包含输入层i,隐含层k,输出层j,模型的学习过程主要包括五个步骤:
(1)特征输入及初始化。定义样本集(xi,tj),其特征输入向量xi=(x0,x1,x2,…,xm)T,期望输出向量tj=(t0,t1,t2,…,tn)T。进行权重w和阈值θ等初始值的设定。
其中,x0,x1,x2,…,xm表征训练样本,也即经过地物分类标记的多光谱正射影像地图;t0,t1,t2,…,tn表征期望输出向量,也即地物的分类类别。
(2)输入特征正向传播。将特征输入向量输入至输入层,得隐含层k的输入xk和输出yk:
yk=f(xk)=f(∑iwkixi);
隐含层k的输出将作为输出层j的输入,得输出层j的输入xj和输出yj:
yj=f(xj)=f(∑kwjkxk);
(3)输出误差反向传播。期望输出t与实际输出y之间的误差:
依据误差函数对输出层j的权重wjk和隐含层k的权重wki求偏导数,可以得到输出层j和隐含层k存在的误差δj与δk:
δj=(tj-yj)f′(xj);
δk=∑jδjwjkf′(xk);
依据权重和阈值的修正量,可以完成误差反向传播:
Δwjk=-ηδjyk=ηδjf(∑iwkixi);
Δwki=ηδkxi;
其中,f′(xj)为激活函数的导数;
(4)循环训练过程。样本集内的全部样本经过上述学习过程,训练得到能够使误差极小化或满足容限条件的神经网络参数,循环反复完成分类模型的构建。
(5)分类结果输出。训练好的模型可以用于未知期望输出的数据,将待分类的多光谱正射影像地图的特征向量输入到模型中,即可得到该待分类的多光谱正射影像地图的地物分类结果,分类类别例如建筑物,植被,道路,河流等。
图层形成模块3用于根据分类类别形成多光谱正射影像地图的多个图层,也即从多光谱正射影像地图中提取或分离出不同类别的地物形成多个图层。其中,每个图层中包括相同类别的地物,如将多光谱正射影像地图中所有建筑物类提取为一个图层,将所有道路提取为一个图层。
识别模块4用于基于图像分割算法识别图层中的每个地物的矢量图。也即运用图像分割算法(可以但不限于α-扩展算法)识别每个图层中的单个地物的实体面并分割,得到每个地物的矢量图。α-扩展算法的分割能量函数为:
E(f)=∑p∈VDp(fp)+∑{p,q}∈NVp,q(fp,fq);
式中,V表示单个地物所有边缘点的集合,N为边缘点的邻域系统;f是边缘线的一种分割结果;fp为边缘点p所属不同方向的类别;fq为边缘点q所属不同方向的类别;Dp(fp)为数据项,体现了边缘点p与某一类别的相似性。Vp,q(fp,fq)为平滑项,体现了相邻边缘点之间的相似性。利用α-扩展算法识别边缘线的主要步骤:
A、选取图层中的任意轮廓线分割得到初始分割结果f;
B、对每一个分割构建图,求解图的最小割(最小分割能量)C=argmin(E(f’c));f’c表征当前的分割结果。
C、更新分割结果,直到E(f’c)<E(f),输出最终分割结果。
从而,得到图层中的单个地物的矢量图Gs={SK},K=1,2,3…,图中的每个地物矢量图SK均构成闭合,且互不相交,即:
Gs=∪SK,且
其中,K表示图层中地物的个数。
本实施例中,在低空高分辨率的多光谱正射影像地图的基础上进行地物分割和类型识别,实现了正射地图上不同地物在地面投影的矢量图的获取,效率高,精度高,为对三维模型进行有效的单体化提供了依据。
实施例4
如图5所示,本实施例的三维单体化系统包括:单体化模块5、存储模块6和实施例1示出的多光谱矢量图获取系统7。
获取系统7用于获取目标区域的多光谱正射影像地图中地物的矢量图。
单体化模块5用于根据矢量图对目标区域的三维模型图进行单体化。
其中,目标区域也即需要对该区域的实景三维模型图进行单体化的区域。三维模型图的获取可运用无人机数据采集平台,航高150m,空间分辨率1.67cm,采用多视角倾斜摄影,获取倾斜摄影测量数据并进行三维建模,得到倾斜摄影的实景三维模型图,三维模型图中包括地理区域中的建筑、树木、道路等地物。
本实施例中,单体化模块5具体包括:切割单元51和重构单元52。
切割单元51用于根据矢量图切割三维模型图,得到单个地物的三维点云集群。切割单元51的实现方式如下:
矢量图Gs向实景三维模型做正投影,矢量面轮廓与三维模型的表面三角网相交,依据snake能量方程对三角网切割。
snake能量方程为:
E(s)=∫(Espline(s)+Emesh(s))dt;
其中,Emesh(s)量值用以捕捉最近三角网顶点,Espline(s)量值用来平滑边缘线并取最小路径值。最终将三维表面模型分割成单个地物的点云集群P(i)。
重构单元52用于对三维点云集群进行三角网重构,并赋予纹理,形成三维单体模型。
具体的,重构单元52依据三角网构建方法(包括但不限于Delaunay方法)对切割单元51获得的三维点云集群P(i)进行三角网重构,并赋予纹理,还原原始细节层次LOD(Levelof Detail),形成切割分离的三维单体模型,该三维单体模型即为区域中实体对象的单体模型,从而实现了模型的单体化。
存储模块6用于对三维单体模型分配编码和/或属性信息后存储。也即建立三维模型的单体数据库:分别对每一个三维单体模型,包括分离出来的所有单个建筑、道路、河流、植株,进行编码并赋予类别属性信息及其他附加信息,录入空间数据库,形成具有完整编码和属性信息的三维单体数据库。从而,即可实现对三维模型中的单体模型进行选中、分离、查询、统计等操作。
本实施例中,获取系统还包括:地理配准模块8。在进行单体化之前,为了确保分类提取好的地物矢量图能够和三维模型在空间坐标上统一,以便能够准确的进行的单体切割,地理配准模块8将三维模型图与多光谱正射影像地图进行地理配准。
地理配准的具体实现方式如下:
首先,确定多光谱正射影像地图和三维模型图的坐标系统是否统一,若不统一,则需将两者转化为同一地理坐标系或同一投影坐标系;
接着,做同名点或相控点的配准,即在多光谱正射影像地图和三维模型图中选择相同的同名点,然后选择地理区域中的若干参考点,录入该些参考点的实测高精度坐标值(经纬度),以该些坐标值纠正完成两者数据的空间配准。其中,参考点的选取以特征明显的点为适宜,例如道路的拐角、建筑物的顶角等。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这仅是举例说明,本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,但这些变更和修改均落入本发明的保护范围。
Claims (14)
1.一种多光谱矢量图获取方法,其特征在于,获取方法包括:
S1、采集一地理区域的多光谱正射遥感信息,并对所述多光谱正射遥感信息进行融合,形成多光谱正射影像地图;
S2、对所述多光谱正射影像地图中的地物进行分类;
S3、根据分类类别形成所述多光谱正射影像地图的多个图层;每个图层中包括相同类别的所述地物;
S4、基于图像分割算法识别所述图层中的每个地物的矢量图。
2.如权利要求1所述的多光谱矢量图获取方法,其特征在于,基于多层感知器对所述多光谱正射影像地图中的地物进行分类。
3.如权利要求1所述的多光谱矢量图获取方法,其特征在于,所述图像分割算法为α-扩展算法。
4.一种三维单体化方法,其特征在于,所述三维单体化方法包括:
利用如权利要求1-3中任意一项所述的多光谱矢量图获取方法获取目标区域的多光谱正射影像地图中地物的矢量图;
根据所述矢量图对所述目标区域的三维模型图进行单体化。
5.如权利要求4所述的三维单体化方法,其特征在于,根据所述矢量图对所述目标区域的三维模型图进行单体化的步骤之前,还包括:
将所述三维模型图与所述多光谱正射影像地图进行地理配准。
6.如权利要求4所述的三维单体化方法,其特征在于,根据所述矢量图对所述目标区域的三维模型图进行单体化的步骤,具体包括:
根据所述矢量图切割所述三维模型图,得到三维点云集群;
对所述三维点云集群进行三角网重构,并赋予纹理,形成三维单体模型。
7.如权利要求6所述的三维单体化方法,其特征在于,所述三维单体化方法还包括:
对所述三维单体模型分配编码和/或属性信息后存储。
8.一种多光谱矢量图获取系统,其特征在于,获取系统包括:
图形获取模块,用于采集一地理区域的多光谱正射遥感信息,并对所述多光谱正射遥感信息进行融合,形成多光谱正射影像地图;
分类模块,用于对所述多光谱正射影像地图中的地物进行分类;
图层形成模块,用于根据分类类别形成所述多光谱正射影像地图的多个图层;每个图层中包括相同类别的所述地物;
识别模块,用于基于图像分割算法识别所述图层中的每个地物的矢量图。
9.如权利要求8所述的多光谱矢量图获取系统,其特征在于,所述分类模块具体用于基于多层感知器对所述多光谱正射影像地图中的地物进行分类。
10.如权利要求8所述的多光谱矢量图获取系统,其特征在于,所述图像分割算法为α-扩展算法。
11.一种三维单体化系统,其特征在于,所述三维单体化系统包括:单体化模块和如权利要求8-10中任意一项所述的多光谱矢量图获取系统;
所述多光谱矢量图获取系统用于获取目标区域的多光谱正射影像地图中地物的矢量图;
所述单体化模块用于根据所述矢量图对所述目标区域的三维模型图进行单体化。
12.如权利要求11所述的三维单体化系统,其特征在于,所述三维单体化系统还包括:地理配准模块;
所述地理配准模块用于将所述三维模型图和所述多光谱正射影像地图进行地理配准后,调用所述单体化模块。
13.如权利要求11所述的三维单体化系统,其特征在于,所述单体化模块具体包括:
切割单元,用于根据所述矢量图切割所述三维模型图,得到所述地物的三维点云集群;
重构单元,用于对所述三维点云集群进行三角网重构,并赋予纹理,形成三维单体模型。
14.如权利要求13所述的三维单体化系统,其特征在于,所述三维单体化系统还包括:
存储模块,用于对所述三维单体模型分配编码和/或属性信息后存储。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811419744.1A CN109492606A (zh) | 2018-11-26 | 2018-11-26 | 多光谱矢量图获取方法及系统、三维单体化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811419744.1A CN109492606A (zh) | 2018-11-26 | 2018-11-26 | 多光谱矢量图获取方法及系统、三维单体化方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109492606A true CN109492606A (zh) | 2019-03-19 |
Family
ID=65697531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811419744.1A Pending CN109492606A (zh) | 2018-11-26 | 2018-11-26 | 多光谱矢量图获取方法及系统、三维单体化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109492606A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110379004A (zh) * | 2019-07-22 | 2019-10-25 | 泰瑞数创科技(北京)有限公司 | 一种对倾斜摄影成果进行地物分类及单体化提取的方法 |
CN111784840A (zh) * | 2020-05-08 | 2020-10-16 | 广西壮族自治区自然资源遥感院 | 基于矢量数据自动分割lod层级三维数据单体化方法及系统 |
CN114049462A (zh) * | 2021-11-09 | 2022-02-15 | 中国人民解放军61646部队 | 一种三维模型单体化方法及装置 |
CN115937673A (zh) * | 2022-11-24 | 2023-04-07 | 中国测绘科学研究院 | 一种基于移动终端照片的地理要素快速变化发现方法 |
CN116108059A (zh) * | 2023-04-13 | 2023-05-12 | 中国科学院空天信息创新研究院 | 地理测绘分幅矢量数据单体化方法、装置及电子设备 |
CN117575970A (zh) * | 2024-01-15 | 2024-02-20 | 航天宏图信息技术股份有限公司 | 基于分类的卫星影像自动处理方法、装置、设备及介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101126813A (zh) * | 2007-09-29 | 2008-02-20 | 北京交通大学 | 一种高分辨率卫星遥感影像中构筑物轮廓提取方法 |
US20080050011A1 (en) * | 2006-08-24 | 2008-02-28 | Microsoft Corporation | Modeling and texturing digital surface models in a mapping application |
CN103778625A (zh) * | 2013-12-27 | 2014-05-07 | 北京东方泰坦科技股份有限公司 | 基于遥感图像变化检测算法的地物智能搜索技术 |
CN104077806A (zh) * | 2014-07-10 | 2014-10-01 | 天津中科遥感信息技术有限公司 | 基于城市建筑三维模型的自动分体提取方法 |
CN105608691A (zh) * | 2015-12-17 | 2016-05-25 | 武汉大学 | 一种高分辨率sar影像单体建筑提取方法 |
CN106251331A (zh) * | 2016-07-15 | 2016-12-21 | 北京道亨时代科技有限公司 | 一种倾斜测量场景中地物的提取方法 |
CN106846494A (zh) * | 2017-01-16 | 2017-06-13 | 青岛海大新星软件咨询有限公司 | 倾斜摄影三维建筑物模型自动单体化算法 |
CN107103603A (zh) * | 2017-05-18 | 2017-08-29 | 北京道亨时代科技有限公司 | 一种倾斜测量场景的地物提取方法 |
CN108038900A (zh) * | 2017-12-06 | 2018-05-15 | 浙江科澜信息技术有限公司 | 倾斜摄影模型单体化方法、系统及计算机可读存储介质 |
CN108648269A (zh) * | 2018-05-11 | 2018-10-12 | 北京建筑大学 | 三维建筑物模型的单体化方法和系统 |
-
2018
- 2018-11-26 CN CN201811419744.1A patent/CN109492606A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080050011A1 (en) * | 2006-08-24 | 2008-02-28 | Microsoft Corporation | Modeling and texturing digital surface models in a mapping application |
CN101126813A (zh) * | 2007-09-29 | 2008-02-20 | 北京交通大学 | 一种高分辨率卫星遥感影像中构筑物轮廓提取方法 |
CN103778625A (zh) * | 2013-12-27 | 2014-05-07 | 北京东方泰坦科技股份有限公司 | 基于遥感图像变化检测算法的地物智能搜索技术 |
CN104077806A (zh) * | 2014-07-10 | 2014-10-01 | 天津中科遥感信息技术有限公司 | 基于城市建筑三维模型的自动分体提取方法 |
CN105608691A (zh) * | 2015-12-17 | 2016-05-25 | 武汉大学 | 一种高分辨率sar影像单体建筑提取方法 |
CN106251331A (zh) * | 2016-07-15 | 2016-12-21 | 北京道亨时代科技有限公司 | 一种倾斜测量场景中地物的提取方法 |
CN106846494A (zh) * | 2017-01-16 | 2017-06-13 | 青岛海大新星软件咨询有限公司 | 倾斜摄影三维建筑物模型自动单体化算法 |
CN107103603A (zh) * | 2017-05-18 | 2017-08-29 | 北京道亨时代科技有限公司 | 一种倾斜测量场景的地物提取方法 |
CN108038900A (zh) * | 2017-12-06 | 2018-05-15 | 浙江科澜信息技术有限公司 | 倾斜摄影模型单体化方法、系统及计算机可读存储介质 |
CN108648269A (zh) * | 2018-05-11 | 2018-10-12 | 北京建筑大学 | 三维建筑物模型的单体化方法和系统 |
Non-Patent Citations (2)
Title |
---|
吴柯 等: "混合像元分解模型", 《智能化的遥感影像亚像元定位技术》 * |
王勇 等: "基于倾斜摄影的三维模型单体化方法研究", 《计算机工程与应用》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110379004A (zh) * | 2019-07-22 | 2019-10-25 | 泰瑞数创科技(北京)有限公司 | 一种对倾斜摄影成果进行地物分类及单体化提取的方法 |
CN110379004B (zh) * | 2019-07-22 | 2021-02-09 | 泰瑞数创科技(北京)有限公司 | 一种对倾斜摄影成果进行地物分类及单体化提取的方法 |
CN111784840A (zh) * | 2020-05-08 | 2020-10-16 | 广西壮族自治区自然资源遥感院 | 基于矢量数据自动分割lod层级三维数据单体化方法及系统 |
CN111784840B (zh) * | 2020-05-08 | 2024-04-19 | 广西壮族自治区自然资源遥感院 | 基于矢量数据自动分割lod层级三维数据单体化方法及系统 |
CN114049462A (zh) * | 2021-11-09 | 2022-02-15 | 中国人民解放军61646部队 | 一种三维模型单体化方法及装置 |
CN115937673A (zh) * | 2022-11-24 | 2023-04-07 | 中国测绘科学研究院 | 一种基于移动终端照片的地理要素快速变化发现方法 |
CN115937673B (zh) * | 2022-11-24 | 2024-04-26 | 中国测绘科学研究院 | 一种基于移动终端照片的地理要素快速变化发现方法 |
CN116108059A (zh) * | 2023-04-13 | 2023-05-12 | 中国科学院空天信息创新研究院 | 地理测绘分幅矢量数据单体化方法、装置及电子设备 |
CN116108059B (zh) * | 2023-04-13 | 2023-07-14 | 中国科学院空天信息创新研究院 | 地理测绘分幅矢量数据单体化方法、装置及电子设备 |
CN117575970A (zh) * | 2024-01-15 | 2024-02-20 | 航天宏图信息技术股份有限公司 | 基于分类的卫星影像自动处理方法、装置、设备及介质 |
CN117575970B (zh) * | 2024-01-15 | 2024-04-16 | 航天宏图信息技术股份有限公司 | 基于分类的卫星影像自动处理方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109492606A (zh) | 多光谱矢量图获取方法及系统、三维单体化方法及系统 | |
Lohani et al. | Airborne LiDAR technology: A review of data collection and processing systems | |
US11556745B2 (en) | System and method for ordered representation and feature extraction for point clouds obtained by detection and ranging sensor | |
Harikumar et al. | A local projection-based approach to individual tree detection and 3-D crown delineation in multistoried coniferous forests using high-density airborne LiDAR data | |
CN111047695A (zh) | 一种城市群高度空间信息及等高线的提取方法 | |
Moussa et al. | A new object based method for automated extraction of urban objects from airborne sensors data | |
Hu et al. | Research on a single-tree point cloud segmentation method based on UAV tilt photography and deep learning algorithm | |
Salah et al. | Evaluation of the self‐organizing map classifier for building detection from lidar data and multispectral aerial images | |
CN111458691B (zh) | 建筑物信息的提取方法、装置及计算机设备 | |
Yao et al. | Automated detection of 3D individual trees along urban road corridors by mobile laser scanning systems | |
Bulatov et al. | Automatic tree-crown detection in challenging scenarios | |
Liu et al. | A framework of road extraction from airborne lidar data and aerial imagery | |
Jiangui et al. | A method for main road extraction from airborne LiDAR data in urban area | |
CN113721254A (zh) | 一种基于道路指纹空间关联矩阵的车辆定位方法 | |
CN112561981A (zh) | 一种融合影像信息的摄影测量点云滤波方法 | |
Zhan | A hierarchical object-based approach for urban land-use classification from remote sensing data | |
WO2020245526A1 (fr) | Procede de generation de cartes haute resolution a partir de nuages de points | |
JP2022511147A (ja) | 地理情報の生成を容易にするためのシステム及び方法 | |
CN114004740B (zh) | 基于无人机激光雷达点云的建筑物墙线提取方法 | |
Guan et al. | 3D-Cnn Based Tree species classification using mobile lidar data | |
Chen et al. | Semantic modeling of outdoor scenes for the creation of virtual environments and simulations | |
KR102587445B1 (ko) | 드론을 이용하여 시계열정보가 포함된 3차원 지도의 제작 방법 | |
Peeroo et al. | Building extraction for 3D city modelling using airborne laser scanning data and high-resolution aerial photo | |
Comert et al. | Object based building extraction and building period estimation from unmanned aerial vehicle data | |
Ahmed et al. | High-quality building information models (BIMs) using geospatial datasets |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190319 |