CN109816708B - 基于倾斜航空影像的建筑物纹理提取方法 - Google Patents
基于倾斜航空影像的建筑物纹理提取方法 Download PDFInfo
- Publication number
- CN109816708B CN109816708B CN201910091945.1A CN201910091945A CN109816708B CN 109816708 B CN109816708 B CN 109816708B CN 201910091945 A CN201910091945 A CN 201910091945A CN 109816708 B CN109816708 B CN 109816708B
- Authority
- CN
- China
- Prior art keywords
- building
- texture
- image
- oblique
- vertical
- 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
Images
Abstract
本发明公开了一种基于倾斜航空影像的建筑物纹理提取方法,包括:获取建筑物的垂直影像和倾斜影像;根据双重约束模型从建筑物的垂直影像中筛选出建筑物的顶部最佳纹理源,双重约束模型包括:纹理区域是否在垂直影像中心和纹理区域是否完整;根据多重组合约束模型从建筑物的倾斜影像中筛选出建筑物的立面最佳纹理源,多重组合约束模型包括:立面纹理面在倾斜影像上的可见性、建筑物的倾斜影像是否完全包含立面纹理面和立面纹理面在倾斜影像上的投影面积是否为最大;从筛选出的建筑物顶部最佳纹理源和建筑物立面最佳纹理源中检测提取出建筑物的纹理轮廓线。该方法能够精确定位最佳的纹理影像源,能够精确定位与提取建筑物纹理信息的准确位置。
Description
技术领域
本发明涉及遥感领域。更具体地说,本发明涉及一种基于倾斜航空影像的建筑物纹理提取方法。
背景技术
倾斜摄影测量是利用多角度倾斜相机获取地物信息的一种新型的摄影测量技术,该技术利用多个不同倾斜角度的相机同时对地面信息进行采集,多角度采集获取的地物信息更加完善,改变传统摄影测量的垂直获取地区信息的不足之处。我国一般使用无人机飞行平台搭载倾斜摄影平台来全方位拍摄获取地物信息。倾斜摄影平台大都采用五镜头倾斜摄影相机,由一个垂直镜头和四个倾斜镜头组合而成。五镜头倾斜摄影平台中一般将垂直相机获得影像称为正片,另外四个倾斜相机获得影像称为斜片。垂直相机采用主光轴与地面垂直的方式获取影像,另外四个倾斜相机采用一定的倾斜角度对地物信息进行拍摄,通过五个相机同时曝光的方式,一次拍摄就能同时获取建筑顶部信息和立面的所有信息。倾斜摄影通过多镜头多视角获取影像,弥补了传统摄影相机单一镜头获取图像视场小,无法获取建筑立面纹理的缺点。当无人机按照一定航线在地物上方飞行时,倾斜摄影平台的各个相机根据设定的曝光时间进行同时曝光采集信息,而且不同设站和不同航线之间获取的倾斜影像都必须有一定重叠,其摄影方式以及连续几组影像获取方式如图1和图2所示。
外方位元素是表述摄影光束在物方空间的几何关系的数据,在恢复内方位元素的基础上,确定摄影光束在摄影瞬间的位置和姿态的参数。一张像片的外方位元素有三个角元素和三个线元素组成,其中三个线元素用来描述摄影瞬间摄影中心的空间位置;三个角元素用来描述像片的空间姿态信息。根据倾斜摄影基础理论可知,要实现准确获取倾斜影像上建筑物各个方向的纹理信息,必须对倾斜影像的外方位元素进行解算,以实现对倾斜影像的定位恢复。
倾斜相机由五个镜头组成,每次拍摄会同时获取五张影像,且不同的摄站和航向之间存在重叠,导致同一建筑物的纹理在多幅倾斜影像中呈现出不同的结果,例如,容易出现纹理信息过小、纹理信息不完整、地物遮挡等问题,而含有这类纹理问题的倾斜影像都不能作为获取纹理的影像源。在建筑物三维建模过程中纹理提取是生成高真实感建筑模型的关键。
发明内容
为了克服现有技术的不足,本发明提供了一种基于倾斜航空影像的建筑物纹理提取方法,该方法能够精确定位最佳的纹理影像源,能够精确定位与提取建筑物纹理信息的准确位置。
为了实现本发明的目的和优点,本发明提供了一种基于倾斜航空影像的建筑物纹理提取方法,包括:
获取一建筑物的垂直影像和倾斜影像;
根据双重约束模型从建筑物的垂直影像中筛选出建筑物的顶部最佳纹理源,所述双重约束模型包括:建筑物的纹理区域是否在建筑物的垂直影像中心和建筑物的纹理区域是否完整;
根据多重组合约束模型从建筑物的倾斜影像中筛选出建筑物的立面最佳纹理源,所述多重组合约束模型包括:建筑物的立面纹理面在倾斜影像上的可见性、建筑物的倾斜影像是否完全包含建筑物的立面纹理面和建筑物的立面纹理面在倾斜影像上的投影面积是否为最大;
从筛选出的建筑物顶部最佳纹理源和建筑物立面最佳纹理源中检测提取出建筑物的纹理轮廓线。
优选的是,所述的基于倾斜航空影像的建筑物纹理提取方法,从获取的顶部最佳纹理源和立面最佳纹理源中检测提取出建筑物的纹理轮廓线,具体包括:
获取建筑物顶部角点的空间坐标,将获取的顶部角点依次连接,得到建筑物的顶部矢量轮廓线;
利用建筑物立面与顶部存在的垂直关系通过向下垂直挤出的方法获取建筑物的骨架模型;
获取建筑物每一个面的矢量线,再将每个面的矢量线反投影到最佳纹理源上,建立纹理缓冲区;
在纹理缓冲区内检测建筑物纹理的边界点;
将检测出的边界点进行连接,抽取建筑物纹理边缘直线;
通过不断迭代优化实现建筑物纹理信息的精确定位与提取。
优选的是,所述的基于倾斜航空影像的建筑物纹理提取方法,所述根据双重约束模型从建筑物的垂直影像中筛选出建筑物的顶部最佳纹理源,具体包括:
步骤一、从建筑物的垂直影像集合中任意选取一张垂直影像作为目标图像,计算建筑物顶部中心点在目标图像上的像点坐标与该目标图像摄影中心的距离D0,将距离D0作为目标距离;
步骤二、计算建筑物顶部中心点在第i个垂直影像Si上的像点坐标与该垂直影像Si摄影中心的距离Di,并判断是否小于目标距离D0,其中,i≤n,n为垂直影像集合中的元素个数;
步骤三、若Di<D0,则继续判断该垂直影像Si是否包含整个建筑物,若包含,则将该垂直影像Si作为目标图像,距离Di作为目标距离,更新i的值为i+1,继续步骤二;若不包含,更新i的值为i+1,继续步骤二;若Di≥D0,则更新i的值为i+1,继续步骤二;
步骤四、将目标图像作为建筑物的最佳顶部纹理源。
优选的是,所述的基于倾斜航空影像的建筑物纹理提取方法,所述根据多重组合约束模型从建筑物的倾斜影像中筛选出建筑物的立面最佳纹理源,具体包括:
步骤一、计算建筑物立面的法线向量与该建筑物立面的中心O到摄影中心P的方向向量之间的角度值θ,根据角度值θ的大小对建筑物的倾斜影像进行筛选,若角度值θ小于第一阈值,则确定建筑物立面在倾斜影像上的可见性满足条件;
步骤二、从步骤一筛选后的倾斜影像中筛选出完全包含整个建筑物立面纹理的倾斜影像;
步骤三、计算建筑物立面在倾斜影像中构成的纹理区域面积T,从步骤二筛选后的倾斜影像中筛选出纹理区域面积T最大的倾斜影像作为立面最佳纹理源。
优选的是,所述的基于倾斜航空影像的建筑物纹理提取方法,所述根据多重组合约束模型从建筑物的倾斜影像中筛选出目标建筑物的立面最佳纹理源,具体包括:
步骤一、计算建筑物立面的法线向量与该建筑物立面的中心O到摄影中心P的方向向量之间的角度值θ,根据角度值θ的大小对倾斜影像进行筛选,若角度值θ小于第一阈值,则确定建筑物立面在倾斜影像上的可见性满足条件;
步骤二、从步骤一筛选后的倾斜影像中筛选出完全包含整个建筑物立面纹理的倾斜影像;
步骤三、在筛选出的完全包含整个建筑物立面纹理的倾斜影像中,计算每个倾斜影像的完整系数η,选择完整系数最大的倾斜影像,作为建筑物立面最佳纹理源,其中,完整系数η的计算方式为:θ为建筑立面中心到摄影中心向量与指向建筑物外部的法向量之间的角度,α、β为权重系数,且α+β=1,S为倾斜影像的面积,为建筑物在倾斜影像上的面积。
优选的是,所述的基于倾斜航空影像的建筑物纹理提取方法,所述通过不断迭代优化实现建筑物纹理信息的精确定位与提取,具体包括:
将获得的建筑物纹理边缘直线用角度进行表示,以投影线的一条直线为基准,以正切函数为搜索周期,以为优化条件,其中,(x1,y1)和(x2,y2)是检测出的特征直线的端点坐标,搜索满足该条件的所有特征直线,并不断缩小步长A值,以提高判定直线的准确性;
在筛选出的特征直线上,加入距离约束,距离约束为:以投影矢量线为基准设置缓冲区,计算缓冲区内特征直线到矢量线中心点坐标的距离;
经过两个约束条件筛选后获得每条矢量线对应的纹理边缘直线,
采用循环优化方式,将纹理边缘直线相邻直线进行相交获得纹理轮廓的角点,以此角点为基础将矢量线进行平移,对矢量线投影位置进行调整,实现矢量线与纹理影像准确定位匹配。
以建筑物垂直影像左下角顶点作为原点,建立直角坐标系,垂直影像长为length,高为height,建筑物顶部角点在垂直影像上的横坐标的最小值为minX,最大值为maxX,纵坐标最小值为minY,最大值为maxY,若min X≥0且minY≥0,maxX≤length且maxY≤height,则建筑物垂直影像包含整个目标建筑物。
优选的是,所述的基于倾斜航空影像的建筑物纹理提取方法,所述获取建筑物顶部角点的空间坐标,具体包括:
在建筑物垂直影像中选择一对包含建筑物的立体像对;
根据空间交会方法,通过人工选取建筑物顶部角点的像点坐标,根据空间前方交会测量每个顶部角点的空间坐标。
优选的是,所述的基于倾斜航空影像的建筑物纹理提取方法,所述权重系数α=0.5,β=0.5。
本发明至少包括以下有益效果:先通过双重约束模型从建筑物的垂直影像中筛选出建筑物的顶部最佳纹理源,所述双重约束模型包括:建筑物的纹理区域是否在建筑物的垂直影像中心和建筑物的纹理区域是否完整,这样筛选出的顶部最佳纹理源,即能满足包含完整的纹理信息又能保证纹理变形最小,更加符合纹理贴图的要求;通过多重组合约束模型从建筑物的倾斜影像中筛选出建筑物的立面最佳纹理源,所述多重组合约束模型包括:建筑物的立面纹理面在倾斜影像上的可见性、建筑物的倾斜影像是否完全包含建筑物的立面纹理面和建筑物的立面纹理面在倾斜影像上的投影面积是否为最大,通过多重组合约束模型对倾斜影像进行逐一判定,能够从众多的倾斜影像中筛选出包含整个纹理面、纹理质量最好的影像源;针对由于建筑轮廓线反投影线与纹理区域存在误差不能精确定位纹理范围的问题,以轮廓线粗定位为基准建立缓冲区,在缓冲区内利用直线提取技术检测缓冲区内直线段,根据矢量投影线与检测直线的位置关系,对检测直线进行优化配准,实现纹理区域的精确定位。
本发明的其它优点、目标和特征将部分通过下面的说明体现,部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明所述的基于倾斜航空影像的建筑物纹理提取方法的流程示意图;
图2为本发明所述的从获取的顶部最佳纹理源和立面最佳纹理源中检测提取出建筑物的纹理轮廓线的流程示意图;
图3为本发明所述的倾斜摄影方式示意图;
图4为本发明所述的连续影像获取示意图;
图5为本发明所述的建筑物骨架模型示意图;
图6为本发明所述的建筑物立面角度计算示意图;
图7a,图7b,图7c,图7d是本发明所述的边缘检测效果图;
图8a,图8b,图8c,图8d是本发明所述的像素点八邻域内的连接数示意图。
具体实施方式
下面结合附图对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
图1所示,本发明实施例提供的基于倾斜航空影像的建筑物纹理提取方法,包括:
S100、获取一建筑物的垂直影像和倾斜影像。
需要说明的是,如图3所示,五镜头倾斜摄影相机由一个垂直镜头和四个倾斜镜头组合而成,通过五个相机同时曝光的方式,一次拍摄就能同时获取建筑物的垂直影像和倾斜影像,图4给出了倾斜摄影相机连续影像获取示意图。
S200、根据双重约束模型从建筑物的垂直影像中筛选出建筑物的顶部最佳纹理源,所述双重约束模型包括:建筑物的纹理区域是否在建筑物的垂直影像中心和建筑物的纹理区域是否完整;
其中,所述根据双重约束模型从建筑物的垂直影像中筛选出建筑物的顶部最佳纹理源,具体过程包括:
S210、从建筑物的垂直影像集合中任意选取一张垂直影像作为目标图像,计算建筑物顶部中心点在目标图像上的像点坐标与该目标图像摄影中心的距离D0,将距离D0作为目标距离;
S220、计算建筑物顶部中心点在第i个垂直影像Si上的像点坐标与该垂直影像Si摄影中心的距离Di,并判断是否小于目标距离D0,其中,i≤n,n为垂直影像集合中的元素个数;
S230、若Di<D0,则继续判断该垂直影像Si是否包含整个建筑物,若包含,则将该垂直影像Si作为目标图像,距离Di作为目标距离,更新i的值为i+1,继续S220;若不包含,更新i的值为i+1,继续S220;若Di≥D0,则更新i的值为i+1,继续S220;
以建筑物垂直影像左下角顶点作为原点,建立直角坐标系,垂直影像长为length,高为height,建筑物顶部角点在垂直影像上的横坐标的最小值为minX,最大值为maxX,纵坐标最小值为minY,最大值为maxY,若min X≥0且minY≥0,maxX≤length且maxY≤height,则建筑物垂直影像包含整个目标建筑物。
使用这种判断垂直影像是否包含整个目标建筑物的方法,可以提高判断的效率,进而提高目标建筑物纹理提取的效率。
S240、将目标图像作为建筑物的最佳顶部纹理源。
具体实施时的步骤为:步骤一、建筑物垂直影像源集合为S={Si|1≤i≤n},其中Si为垂直影像源集合中第i个影像,n为垂直影像源集合中元素个数,取Si=S1,目标图像为T=S1,计算出建筑物顶部中心位置的空间坐标,将其反算到垂直影像S1,得到顶部中心点在垂直影像S1上的像点坐标O1,计算O1与垂直影像S1的摄影中心P1的目标距离D,记D0=D。
步骤二,更新i的值为i+1,如果i大于n,转入步骤五,如果i小于等于n,转入步骤三。
步骤三,计算建筑物顶部中心点在垂直影像Si上的像点坐标Oi与垂直影像Si的摄影中心Pi的距离Di,如果Di<D0,那么转入步骤四,如果Di≥D0,那么转入步骤二。
步骤四,如果垂直影像Si包含整个目标建筑物,那么更新D0的值为Di,更新目标图像T的值为Si,转入步骤二;如果垂直影像Si不包含整个目标建筑物,那么转入步骤一。
步骤五,输出目标图像T作为目标建筑物的最佳顶部纹理源。
S300、根据多重组合约束模型从建筑物的倾斜影像中筛选出建筑物的立面最佳纹理源,所述多重组合约束模型包括:建筑物的立面纹理面在倾斜影像上的可见性、建筑物的倾斜影像是否完全包含建筑物的立面纹理面和建筑物的立面纹理面在倾斜影像上的投影面积是否为最大;
其中,所述根据多重组合约束模型从建筑物的倾斜影像中筛选出建筑物的立面最佳纹理源,具体包括:
S310、计算建筑物立面的法线向量与该建筑物立面的中心O到摄影中心P的方向向量之间的角度值θ,根据角度值θ的大小对建筑物的倾斜影像进行筛选,若角度值θ小于第一阈值,则确定建筑物立面在倾斜影像上的可见性满足条件;
S320、从步骤一筛选后的倾斜影像中筛选出完全包含整个建筑物立面纹理的倾斜影像;
S330、计算建筑物立面在倾斜影像中构成的纹理区域面积T,从步骤二筛选后的倾斜影像中筛选出纹理区域面积T最大的倾斜影像作为立面最佳纹理源。
其中,纹理区域面积T的计算方法为:因为建筑物一般为规则的立方体组合,所以可以根据角点将立面分成多个矩形,分别计算各块矩形的面积,累加求和即可得到立面纹理的面积。
在另一种具体实施方式中,所述根据多重组合约束模型从建筑物的倾斜影像中筛选出目标建筑物的立面最佳纹理源,具体包括:
S311、计算建筑物立面的法线向量与该建筑物立面的中心O到摄影中心P的方向向量之间的角度值θ,根据角度值θ的大小对倾斜影像进行筛选,若角度值θ小于第一阈值,所述第一阈值优选为则确定建筑物立面在倾斜影像上的可见性满足条件,如图6所示。
角度值θ的具体计算过程为:假设建筑立面T的四个角点分别为A、B、C和D,对应坐标分别为(XA,YA,ZA)、(XB,YB,ZB)、(XC,YC,ZC)和(XD,YD,ZD),则建筑中心O坐标(XO,YO,ZO)的计算公式为:
建筑物立面的法向量包含两个,分别指向建筑内部和外部,为了保证获取纹理正确性,在计算时取指向建筑物的外部法向量。法向量与向量夹角θ越小,说明立面纹理提取角度越接近平行。设空间坐标系中摄影中心P坐标为(XP,YP,ZP),则向量
S321、从步骤一筛选后的倾斜影像中筛选出完全包含整个建筑物立面纹理的倾斜影像;
S331、在筛选出的完全包含整个建筑物立面纹理的倾斜影像中,计算每个倾斜影像的完整系数η,选择完整系数最大的倾斜影像,作为建筑物立面最佳纹理源,其中,完整系数η的计算方式为:θ为建筑立面中心到摄影中心向量与指向建筑物外部的法向量之间的角度,α、β为权重系数,且α+β=1,S为倾斜影像的面积,为建筑物在倾斜影像上的面积,所述权重系数优选为α=0.5,β=0.5。
使用这种方法来确定最佳纹理源,能够在影像源包含整个目标建筑物的前提下,综合考虑拍摄角度、拍摄距离以及拍摄位置对目标建筑物立面成像质量的影响,保证从倾斜影像源中,找到最佳的目标建筑物立面纹理源。同时由于将约束条件设置为一个参数,也就是完整系数,从而简化了计算过程,减少了比较次数,提高了寻找最佳纹理源的效率。
S400、从筛选出的建筑物顶部最佳纹理源和建筑物立面最佳纹理源中检测提取出建筑物的纹理轮廓线。
其中,如图2所示,从获取的顶部最佳纹理源和立面最佳纹理源中检测提取出建筑物的纹理轮廓线,具体包括:
S410、获取建筑物顶部角点的空间坐标,将获取的顶部角点依次连接,得到建筑物的顶部矢量轮廓线;
其中,所述获取建筑物顶部角点的空间坐标,具体包括:
在建筑物垂直影像中选择一对包含建筑物的立体像对;
根据空间交会方法,通过人工选取建筑物顶部角点的像点坐标,根据空间前方交会测量每个顶部角点的空间坐标。
S420、利用建筑物立面与顶部存在的垂直关系通过向下垂直挤出的方法获取建筑物的骨架模型,如图5所示。
S430、获取建筑物每一个面的矢量线,再将每个面的矢量线反投影到最佳纹理源上,建立纹理缓冲区。
需要说明的是,根据构建的建筑物的骨架模型各个角点的坐标,结合对应纹理影像的内外方位元素值,带入共线方程计算得到墙面矢量线的每个角点在最佳纹理影像上对应的像点坐标,得到建筑纹理面轮廓线的粗略投影位置。
选取粗略投影位置上各个角点的横纵坐标最小值和最大值,由这四个值可以得到第一矩形。计算建筑纹理面的中心,在横坐标大于中心横坐标的角点集合中,选择距离中心最近的角点,可以得到一个较大的横坐标;在纵坐标大于中心纵坐标的角点集合中,选择距离中心最近的角点,可以得到一个较大的纵坐标;在横坐标小于中心横坐标的角点集合中,可以得到一个较小的横坐标;在纵坐标小于中心横坐标的角点集合中,选择距离中心最近的角点,可以得到一个较小的纵坐标;由这四个坐标可以得到一个第二矩形。第一矩形向外扩张10%,可以得到最大矩形;第二矩形向内缩小10%,可以得到最小矩形,由此得到的最大矩形和最小矩形围成的图形,即为纹理缓冲区。
使用这种方法得到纹理缓冲区,既可以保证将纹理的轮廓线包含在内,又缩小了轮廓线的搜索范围,由此保证了轮廓线的完整性,且提高了轮廓线的搜索效率,进而提高了建筑物纹理的提取效率。
S440、在纹理缓冲区内检测建筑物纹理的边界点。
需要说明的是,边缘检测主要是通过图像平滑、滤波、标记等图像处理手段对图像边缘点进行检测。本发明采用基于Canny算子的边缘检测,Canny边缘检测算子最早是由John F.Canny于1986年提出的,同时给出了边缘检测的三大准则:信噪比准则、最优定位准则以及单边响应准则。信噪比准则可以提高边缘检测的正确性,降低错检、漏检的概率;最优定位准则使标记出的边缘尽可能地接近图像真正的边缘,从而提高边缘信息的定位精度;单边响应准则对于任意一个检测出的边缘点都只有一个响应,最大程度抑制伪边缘的出现。以上三大准则能够获得足够的边缘点生成直线特征,而且又能很好的抑制图像噪声产生的伪边缘对直线生成的影响。边缘检测效果如图7a,图7b,图7c和图7d所示。
S450、将检测出的边界点进行连接,抽取建筑物纹理边缘直线。
需要说明的是,对边界点进行连接处理的方法为:
计算像素点八邻域内的连接数方法剔除图像中检测到的孤立点、交叉点和分支点。连接数的定义如图8a,图8b,图8c和图8d所示,统计像素点在八个邻域方向上环绕一周时的跳变次数,为0时该点是孤立点,为1时是端点,为2时是边缘点,大于等于3时是交叉点。
纹理边缘细化处理完后,对图像进行变换:
其中,H(ρm,θn)表示有限个点的集合;ρ表示直线到原点的距离;θ为斜率直线与X坐标轴的夹角;(x,y)代表构成边缘的一个像素点;又有如下关系:
ρ'm=xi cosθn+yi sinθn
m=0,1,2.....HX-1
n=0,1,2......HY-1
通过变换,检测中参数空间的局部极大值成为峰值,在参数空间中以峰值为中心对周围进行清零处理。本发明的具体方法是:首先以投影轮廓线的角度值缓冲区作为角度阈值TAi,对最短投影线的二值图像进行变换;取上一步变换的峰值为参数空间的阈值TC,将累加器数组进行排序并与得到参数空间的阈值TC进行比较;如果累加器中最大值大于阈值TC且满足角度阈值,则直线存在,根据对应的角度值m和距离值n获取线段的端点坐标;若累加器中最大值小于阈值TC,则直线不存在,继续循环比较次大值与阈值TC关系。
S460、通过不断迭代优化实现建筑物纹理信息的精确定位与提取。
其中,所述通过不断迭代优化实现建筑物纹理信息的精确定位与提取,具体包括:
S461、将获得的建筑物纹理边缘直线用角度进行表示,以投影线的一条直线为基准,以正切函数为搜索周期,以为优化条件,其中,(x1,y1)和(x2,y2)是检测出的特征直线的端点坐标,搜索满足该条件的所有特征直线,并不断缩小步长A值,以提高判定直线的准确性;
S462、在筛选出的特征直线上,加入距离约束,距离约束为:以投影矢量线为基准设置缓冲区,计算缓冲区内特征直线到矢量线中心点坐标的距离;
S463、经过两个约束条件筛选后获得每条矢量线对应的纹理边缘直线,
S464、采用循环优化方式,将纹理边缘直线相邻直线进行相交获得纹理轮廓的角点,以此角点为基础将矢量线进行平移,对矢量线投影位置进行调整,实现矢量线与纹理影像准确定位匹配,进而提高了建筑物纹理的提取精度与提取效率。
如上所述,该方法能够精确定位最佳的纹理影像源,能够精确定位与提取建筑物纹理信息的准确位置。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用。它完全可以被适用于各种适合本发明的领域。对于熟悉本领域的人员而言,可容易地实现另外的修改。因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
Claims (7)
1.基于倾斜航空影像的建筑物纹理提取方法,其特征在于,包括:
获取一建筑物的垂直影像和倾斜影像;
根据双重约束模型从建筑物的垂直影像中筛选出建筑物的顶部最佳纹理源,所述双重约束模型包括:建筑物的纹理区域是否在建筑物的垂直影像中心和建筑物的纹理区域是否完整,其中,所述根据双重约束模型从建筑物的垂直影像中筛选出建筑物的顶部最佳纹理源,具体包括:步骤一、从建筑物的垂直影像集合中任意选取一张垂直影像作为目标图像,计算建筑物顶部中心点在目标图像上的像点坐标与该目标图像摄影中心的距离D0,将距离D0作为目标距离;步骤二、计算建筑物顶部中心点在第i个垂直影像Si上的像点坐标与该垂直影像Si摄影中心的距离Di,并判断是否小于目标距离D0,其中,i≤n,n为垂直影像集合中的元素个数;步骤三、若Di<D0,则继续判断该垂直影像Si是否包含整个建筑物,若包含,则将该垂直影像Si作为目标图像,距离Di作为目标距离,更新i的值为i+1,继续步骤二;若不包含,更新i的值为i+1,继续步骤二;若Di≥D0,则更新i的值为i+1,继续步骤二;步骤四、将目标图像作为建筑物的最佳顶部纹理源;
根据多重组合约束模型从建筑物的倾斜影像中筛选出建筑物的立面最佳纹理源,所述多重组合约束模型包括:建筑物的立面纹理面在倾斜影像上的可见性、建筑物的倾斜影像是否完全包含建筑物的立面纹理面和建筑物的立面纹理面在倾斜影像上的投影面积是否为最大;
从筛选出的建筑物顶部最佳纹理源和建筑物立面最佳纹理源中检测提取出建筑物的纹理轮廓线;
其中,所述根据多重组合约束模型从建筑物的倾斜影像中筛选出目标建筑物的立面最佳纹理源,具体包括:
步骤一、计算建筑物立面的法线向量与该建筑物立面的中心O到摄影中心P的方向向量之间的角度值θ,根据角度值θ的大小对倾斜影像进行筛选,若角度值θ小于第一阈值,则确定建筑物立面在倾斜影像上的可见性满足条件;
步骤二、从步骤一筛选后的倾斜影像中筛选出完全包含整个建筑物立面纹理的倾斜影像;
步骤三、在筛选出的完全包含整个建筑物立面纹理的倾斜影像中,计算每个倾斜影像的完整系数η,选择完整系数最大的倾斜影像,作为建筑物立面最佳纹理源,其中,完整系数η的计算方式为:θ为建筑立面中心到摄影中心向量与指向建筑物外部的法向量之间的角度,α、β为权重系数,且α+β=1,S为倾斜影像的面积,为建筑物在倾斜影像上的面积;或者
步骤三为:计算建筑物立面在倾斜影像中构成的纹理区域面积T,从步骤二筛选后的倾斜影像中筛选出纹理区域面积T最大的倾斜影像作为立面最佳纹理源。
2.如权利要求1所述的基于倾斜航空影像的建筑物纹理提取方法,其特征在于,从获取的顶部最佳纹理源和立面最佳纹理源中检测提取出建筑物的纹理轮廓线,具体包括:
获取建筑物顶部角点的空间坐标,将获取的顶部角点依次连接,得到建筑物的顶部矢量轮廓线;
利用建筑物立面与顶部存在的垂直关系通过向下垂直挤出的方法获取建筑物的骨架模型;
获取建筑物每一个面的矢量线,再将每个面的矢量线反投影到最佳纹理源上,建立纹理缓冲区;
在纹理缓冲区内检测建筑物纹理的边界点;
将检测出的边界点进行连接,抽取建筑物纹理边缘直线;
通过不断迭代优化实现建筑物纹理信息的精确定位与提取。
3.如权利要求2所述的基于倾斜航空影像的建筑物纹理提取方法,其特征在于,所述通过不断迭代优化实现建筑物纹理信息的精确定位与提取,具体包括:
将获得的建筑物纹理边缘直线用角度进行表示,以投影线的一条直线为基准,以正切函数为搜索周期,以为优化条件,其中,(x1,y1)和(x2,y2)是检测出的特征直线的端点坐标,搜索满足该条件的所有特征直线,并不断缩小步长A值,以提高判定直线的准确性;
在筛选出的特征直线上,加入距离约束,距离约束为:以投影矢量线为基准设置缓冲区,计算缓冲区内特征直线到矢量线中心点坐标的距离;
经过两个约束条件筛选后获得每条矢量线对应的纹理边缘直线;
采用循环优化方式,将纹理边缘直线相邻直线进行相交获得纹理轮廓的角点,以此角点为基础将矢量线进行平移,对矢量线投影位置进行调整,实现矢量线与纹理影像准确定位匹配。
4.如权利要求1所述的基于倾斜航空影像的建筑物纹理提取方法,其特征在于,判断建筑物垂直影像Si V是否包含整个建筑物的具体过程为:
以建筑物垂直影像左下角顶点作为原点,建立直角坐标系,垂直影像长为length,高为height,建筑物顶部角点在垂直影像上的横坐标的最小值为min X,最大值为max X,纵坐标最小值为min Y,最大值为max Y,若min X≥0且min Y≥0,max X≤length且max Y≤height,则建筑物垂直影像包含整个目标建筑物。
5.如权利要求2所述的基于倾斜航空影像的建筑物纹理提取方法,其特征在于,所述获取建筑物顶部角点的空间坐标,具体包括:
在建筑物垂直影像中选择一对包含建筑物的立体像对;
根据空间交会方法,通过人工选取建筑物顶部角点的像点坐标,根据空间前方交会测量每个顶部角点的空间坐标。
7.如权利要求1所述的基于倾斜航空影像的建筑物纹理提取方法,其特征在于,所述权重系数α=0.5,β=0.5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910091945.1A CN109816708B (zh) | 2019-01-30 | 2019-01-30 | 基于倾斜航空影像的建筑物纹理提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910091945.1A CN109816708B (zh) | 2019-01-30 | 2019-01-30 | 基于倾斜航空影像的建筑物纹理提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109816708A CN109816708A (zh) | 2019-05-28 |
CN109816708B true CN109816708B (zh) | 2021-02-02 |
Family
ID=66605964
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910091945.1A Active CN109816708B (zh) | 2019-01-30 | 2019-01-30 | 基于倾斜航空影像的建筑物纹理提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109816708B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110322541A (zh) * | 2019-07-08 | 2019-10-11 | 桂林理工大学 | 一种从五个倾斜相机中选择最优墙面纹理的方法 |
CN110415289A (zh) * | 2019-08-02 | 2019-11-05 | 中亿丰建设集团股份有限公司 | 一种三维模型的生成方法及装置 |
CN112529075A (zh) * | 2020-12-10 | 2021-03-19 | 重庆大学 | 一种利用楼宇外立面对建筑物进行分类的方法 |
CN113034347B (zh) * | 2021-03-23 | 2023-07-25 | 广东南方数码科技股份有限公司 | 倾斜摄影图像处理方法、装置、处理设备及存储介质 |
CN113223149A (zh) * | 2021-05-08 | 2021-08-06 | 中煤(西安)航测遥感研究院有限公司 | 三维模型纹理生成方法、装置、设备及存储介质 |
CN113985383B (zh) * | 2021-12-27 | 2022-05-31 | 广东维正科技有限公司 | 一种房屋外轮廓测绘方法、装置、系统和可读介质 |
CN114742968B (zh) * | 2022-06-13 | 2022-08-19 | 西南石油大学 | 一种基于建筑物立面点云的立面图生成方法 |
CN116704031B (zh) * | 2023-06-13 | 2024-01-30 | 中国人民解放军61540部队 | 一种卫星影像连接点快速获取方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104732577B (zh) * | 2015-03-10 | 2017-11-07 | 山东科技大学 | 一种基于uav低空航测系统的建筑物纹理提取方法 |
CN109255808B (zh) * | 2018-09-12 | 2021-04-02 | 北京建筑大学 | 基于倾斜影像的建筑物纹理提取方法和装置 |
-
2019
- 2019-01-30 CN CN201910091945.1A patent/CN109816708B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109816708A (zh) | 2019-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109816708B (zh) | 基于倾斜航空影像的建筑物纹理提取方法 | |
CN111882612B (zh) | 一种基于三维激光检测车道线的车辆多尺度定位方法 | |
US8723953B2 (en) | Generation of aerial images | |
CN109903227B (zh) | 基于相机几何位置关系的全景影像拼接方法 | |
CN111862201B (zh) | 一种基于深度学习的空间非合作目标相对位姿估计方法 | |
CN110807809B (zh) | 基于点线特征和深度滤波器的轻量级单目视觉定位方法 | |
CN108648194B (zh) | 基于cad模型三维目标识别分割和位姿测量方法及装置 | |
WO2021004416A1 (zh) | 一种基于视觉信标建立信标地图的方法、装置 | |
CN109255808B (zh) | 基于倾斜影像的建筑物纹理提取方法和装置 | |
GB2506411A (en) | Determination of position from images and associated camera positions | |
CN113191954B (zh) | 一种基于双目相机的全景图像拼接方法 | |
CN109900274B (zh) | 一种图像匹配方法及系统 | |
CN112946679B (zh) | 一种基于人工智能的无人机测绘果冻效应检测方法及系统 | |
CN111798373A (zh) | 一种基于局部平面假设及六自由度位姿优化的快速无人机图像拼接方法 | |
CN113994376A (zh) | 多个彼此相对运动的刚性对象的检测、三维重建和跟踪 | |
CN108801225B (zh) | 一种无人机倾斜影像定位方法、系统、介质及设备 | |
CN114782628A (zh) | 基于深度相机的室内实时三维重建方法 | |
JP2020149641A (ja) | 物体追跡装置および物体追跡方法 | |
CN109949232A (zh) | 图像与rtk结合的测量方法、系统、电子设备及介质 | |
JP6922348B2 (ja) | 情報処理装置、方法、及びプログラム | |
CN115222884A (zh) | 一种基于人工智能的空间对象分析及建模优化方法 | |
JPH11250252A (ja) | 3次元物体認識装置および方法 | |
CN114608522B (zh) | 一种基于视觉的障碍物识别与测距方法 | |
CN107194334B (zh) | 基于光流模型的视频卫星影像密集匹配方法及系统 | |
CN115451964A (zh) | 基于多模态混合特征的船舶场景同时建图与定位方法 |
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 |