CN110006408B - LiDAR数据“云控制”航空影像摄影测量方法 - Google Patents

LiDAR数据“云控制”航空影像摄影测量方法 Download PDF

Info

Publication number
CN110006408B
CN110006408B CN201910308581.8A CN201910308581A CN110006408B CN 110006408 B CN110006408 B CN 110006408B CN 201910308581 A CN201910308581 A CN 201910308581A CN 110006408 B CN110006408 B CN 110006408B
Authority
CN
China
Prior art keywords
image
point cloud
lidar
point
orientation
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
Application number
CN201910308581.8A
Other languages
English (en)
Other versions
CN110006408A (zh
Inventor
陶鹏杰
张祖勋
宋孟肖
席可
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 University WHU
Original Assignee
Wuhan University WHU
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 University WHU filed Critical Wuhan University WHU
Priority to CN201910308581.8A priority Critical patent/CN110006408B/zh
Publication of CN110006408A publication Critical patent/CN110006408A/zh
Application granted granted Critical
Publication of CN110006408B publication Critical patent/CN110006408B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
    • G01C11/04—Interpretation of pictures
    • G01C11/30—Interpretation of pictures by triangulation
    • G01C11/34—Aerial triangulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种LiDAR点云数据“云控制”航空影像摄影测量方法。首先，对影像进行GPS/POS辅助空中三角测量，计算初始的相机畸变和影像定向参数，同时生成稀疏特征点云和影像三维特征线；其次，通过ICP和ICL算法，对LiDAR点云和影像稀疏特征点云进行刚性配准，计算稀疏特征点云相对于LiDAR点云的刚性变换参数，并使用刚性变换参数更新影像的外方位元素；最后，在LiDAR点云控制信息约束下进行区域网平差，优化影像定向参数。刚性配准和LiDAR约束的区域网平差反复迭代，直到影像定向中误差的变化量满足预设阈值。本方法勿需依赖外业控制点，以LiDAR点云为几何参考实现无外业控制点条件下的航空影像大比例高精度几何定向，大幅提高信息时代影像摄影测量处理的效率。

Description

LiDAR数据“云控制”航空影像摄影测量方法
技术领域
本发明涉及一种LiDAR数据“云控制”航空影像摄影测量方法，属于摄影测量与计算机视觉领域，特别是涉及影像与LiDAR点云的高精度几何配准方法。
背景技术
信息化与智能化是信息时代摄影测量的基本特点，影像数据获取的便捷性与处理的高效性，大幅提高了地理信息感知的能力。当前，在城市化进程中，人们对于城市精细三维地理信息感知的需求不断加强。作为三维地理信息提取的重要手段，传统摄影测量技术仍依赖于高精度外业控制点，即使利用定位定姿系统(POS)辅助处理，仍然无法摆脱对其的依赖。然而，外业控制点采集周期长，已成为制约摄影测量影像处理效率和全自动化的瓶颈，限制了摄影测量智能化的发展。因此，研究控制信息自动获取技术是摄影测量发展的重要需求。
将已有地理空间信息(DOM、DEM/DSM、DLG)、已知定向参数的影像和激光探测与测距(LiDAR,Light Detection And Ranging)数据作为几何参考替代外业控制点，通过新获取影像与参考数据的匹配自动获取大量控制信息，是实现摄影测量影像智能处理的有效途径。因其可获取稠密的控制点，形成控制点云，故被称为“云控制”摄影测量。基于已有地理空间信息的中小比例尺“云控制”理论与方法已经成熟，并成功应用于高分辨率卫星影像在轨几何标定、中小比例尺影像空中三角测量和正射影像更新等方面。然而，由于高精度参考数据的缺乏和理论的局限性，现有方法难以适应大比例尺(1:500至1:5000)地形图精度要求。因此，需要充分研究针对大比例尺航空影像的“云控制”摄影测量方法。
LiDAR点云优良的几何精度能够满足大比例尺摄影测量对控制数据的要求，可作为高精度几何控制信息。LiDAR系统集成高精度GNSS/IMU设备，所获取点云绝对精度高，在一般航高情况下(1km左右)，机载LiDAR系统所获取点云的平面和高程精度可达到10cm左右；大范围内LiDAR点云经过处理后，相对精度一致，不存在条带间拼接错位问题。相对于外业控制点，LiDAR点云密度高、分布均匀的优势有利于提高区域网平差的精度和可靠性。但是，长期以来由于LiDAR点云不是基础地理空间信息产品，而未被作为“已有地理空间信息”加以充分利用。
近年来，LiDAR点云获取方式的高效性、直接性与便捷性，促使其被广泛使用，并已经逐渐成为新型标准地理空间信息产品。国际上，加拿大、英国、美国等发达国家已经建立或者正在计划建立国家LiDAR数据集；在国内，江苏和广东等省份也获取了覆盖全省或部分地区的LiDAR点云。它们给LiDAR数据“云控制”提供了数据基础。因此，研究LiDAR数据“云控制”的航空摄影测量方法与关键技术，充分利用LiDAR点云作为控制信息，实现无外业控制点的大比例尺航空摄影测量，提高城市场景影像与LiDAR点云高精度整体处理和精细化三维重建的效率，具有重要的理论价值与现实意义。
发明内容
本发明主要解决现有技术获取测区高精度三维地理信息自动化水平不高并强烈依赖外业控制点的问题。本发明提出了一种基于现有高精度LiDAR点云作为几何控制信息，通过与航空影像空中三角测量生成的稀疏特征点云进行联合刚性配准，以LiDAR点云为广义几何控制的影像区域网平差，优化相机畸变参数和影像内、外方位元素，提高影像区域网平差精度的定位方法，实现无外业控制点条件下的大比例尺(1:500)航空影像高精度定向，同时这种算法自动化程度高，鲁棒性好，处理精度佳。
本发明的上述技术问题主要是通过下述技术方案得以解决：
本发明的方法以现有高精度的LiDAR点云作为控制，通过与航空影像空中三角测量生成的稀疏特征点云进行联合刚性配准，以LiDAR点云为广义几何控制的影像区域网平差，实现无外业控制点的航空影像高精度定向。总体技术路线如附图1所示，其核心过程包括以下步骤：
步骤1，GPS/POS辅助空中三角测量。对于带有GPS(Global Positioning System，全球定位系统)或POS(Position and Orientation System，定位定姿系统)辅助定位信息的航空、近景或地面影像，使用成熟的GPS或POS辅助空中三角测量技术对影像进行空中三角测量，计算相机初始畸变参数和影像初始定向参数(包括内、外方位元素)，同时生成稀疏特征点云和影像三维特征线(根据影像特征线匹配结果重建)。
步骤2，点云面片分割与特征线提取。采用点云分割和线特征提取技术处理高精度LiDAR点云，得到LiDAR点云面片分割信息和点云三维特征线。
步骤3，刚性配准。通过迭代最近点ICP或迭代最邻近线ICL算法，对LiDAR点云和步骤1生成的稀疏特征点云进行刚性配准。
通过ICP与ICL方法将影像稀疏特征点云整体刚性变换至LiDAR点云坐标框架，消除影像与LiDAR点云之间的系统性偏差，并据此更新影像外方位元素和稀疏特征点的物方坐标，在整体层面上促进影像稀疏特征点云与LiDAR点云的几何一致性。对于ICP算法，采用点面(point-to-plane)距离最近原则，如附图2所示。对于任一稀疏特征点Vi＝(vix,viy,viz,1)T，利用其在LiDAR点云中最邻近点集拟合得到空间平面aix+biy+ciz+di＝0(附图2所示的直线)，平面参数记为Pi(ai,bi,ci,di)，该点在LiDAR点云中的同名“控制点”为其到拟合平面的垂足点。
ICP的目标在于求解最佳的变换矩阵M，使得E(M)最小：
Figure BDA0002030659190000031
式(1)中ρ(·)为空间点面距离计算函数，M是影像稀疏特征点云到LiDAR点云的4×4空间相似变换矩阵，np为点数量，该式表示的最小化问题可通过非线性最小二乘求解。当求解得到最优矩阵时，可用其变换所有影像的投影矩阵(内外方位元素构成，不含相机畸变参数)。
ICL利用点线距离(point-to-line)最近原则，如附图3所示，l与l′分别表示影像和LiDAR三维特征线在水平面方向上的投影(用于解决平面配准)，e1与e2为l的两个端点，D1与D2是它们到l′的距离，ICL解算最小化
Figure BDA0002030659190000041
的刚性变换参数(nl为三维特征线数量)，实现刚性配准。
步骤4，非刚性优化。在LiDAR点云控制信息约束下进行区域网平差解算，得到优化后的影像定向参数，并更新影像稀疏特征点的物方坐标。
在刚性配准基础上，根据距离最邻近原则从LiDAR点云中内插获取控制信息(包括LiDAR“控制点”和提取的线、面特征)，并将其作为约束条件纳入自检校区域网平差，解算相机畸变参数、影像内方位元素和外方位元素。非刚性优化能够在局部层面上，抑制由相机畸变、影像连接强度不一致以及由此引起的误差累积等因素造成的影像区域网的局部变形与扭曲。
与外业控制点不同，LiDAR控制信息与影像稀疏特征点云并不存在物理意义上的严格对应关系，不能直接将其作为控制点加入到区域网平差中进行平差解算，只能将其作为几何约束。因此，对经典区域网平差的能量方程进行扩展，增加LiDAR控制信息约束，构建如式(2)所示的能量方程。
Figure BDA0002030659190000042
式(2)中，EBA(V,C)为经典区域网平差定义的像点残差项，Vi为第i个稀疏特征点的物方坐标，pij为其在第j张影像上的像点观测，Cj为第j张影像的定向参数，f(·)为共线条件方程定义的投影函数；Eg为LiDAR控制信息构成的几何约束。
LiDAR点云中提取的特征线作为几何控制的约束作用已体现在刚性配准的ICL之中，面特征则作为相对几何约束，加入到影像区域网平差之中，约束最邻近点集属于同一分割对象的影像稀疏特征点共面。所以式(2)中Eg可展开如下：
Figure BDA0002030659190000051
式(3)中，Epoints(V,P)为影像稀疏特征点到最邻近LiDAR点集所在平面的距离最近原则所构成的LiDAR点约束；Eplanes(V)中ψk为最邻近点集同为Sk的影像稀疏特征点集合(Sk表示第k个LiDAR点云分割对象)，ψk中所有稀疏特征点应满足fcop(Vm,ψk)所定义的共面约束，从而利用LiDAR面特征构成影像稀疏特征点空间相对约束；δ表示影像的平均地面分辨率，用于将Epoints(V,P)归化为像方单位，w为先验权值，λ为面特征控制的整体权值(常量)，用于调节面约束作用的大小。
步骤5，迭代进行步骤3和4，直到影像定向中误差dRMSE(通过式(4)计算，式中nobv为全部像点观测数量)的变化量满足预设条件(dRMSE<0.001像素)。
Figure BDA0002030659190000052
本发明具有如下优点：摆脱对外业控制点的依赖，从而大幅提高摄影测量影像处理效率。基于已有高精度LiDAR点云，实现大比例尺(1:500)摄影测量，高效智能地提取精细的三维地理信息，显著提高地理信息成果的平面精度和高程精度。
附图说明
图1为本发明的总体技术路线图；
图2为本发明的ICP算法中点面距离定义示意图；
图3为本发明的ICL刚性配准示意图；
图4为本发明实施例的试验测区示意图。图中，灰色圆点为本次试验控制点的分布；
图5为本发明实施例刚性配准和非刚性优化的示意图。
图6为本发明实施例试验定性分析的示意图。图中经过本方法定位后，航空影像与LiDAR套合效果一致，其中左图为影像与LiDAR点云套合图(使用影像定向参数，将LiDAR点云投影至影像上)，右图为左图标示的两个局部区域的放大细节图。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
本发明提供的技术方案是，以现有高精度的LiDAR点云作为控制，与航空影像空中三角测量生成的稀疏点云进行联合刚性配准和非刚性优化，实现无外业控制点的航空影像高精度定向。如图1所示，其核心过程包括以下步骤：
步骤1，以测区内拍摄的1450张地面分辨率为5cm的倾斜航空影像(其中下视影像有291张)作为基础，利用DPGrid软件的空中三角测量结果(包含相机参数、影像定向参数和稀疏特征点云)。并根据影像特征线匹配结果重建三维特征线。如图4所示，其中下视影像有291张，图中灰色圆点为控制点。
步骤2，基于测区内密集为4 pts/m2(即地面间隔约为0.5m)、高程精度为8cm的现有高精度LiDAR点云，进行点云分割和线特征提取，获取对应的LiDAR点云面片分割信息和点云三维特征线。
步骤3，如图5所示，使用迭代最近点ICP或迭代最邻近线ICL算法刚性配准影像稀疏点云和LiDAR点云。
步骤4，在LiDAR点云控制信息约束下进行区域网平差，非刚性优化影像定向参数，并更新影像稀疏特征点的物方坐标。
步骤5，迭代进行步骤3和4，直到影像定向参数精度满足预设条件。
步骤6，以外业检查点和LiDAR点云为参考数据，对精度进行评价，包括定性评价和定量评价。
方法 平面(m) 高程(m)
无控自由网 2.72 0.196
刚性ICP 0.330 0.102
刚性+非刚性联合 0.075 0.063
如图6所示，图6显示了影像和点云的套合情况，上表显示了整个方法的精度评价，可以看出，基于LiDAR点云控制的航空影像定位方法，能够显著提高其平面精度和高程精度。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (4)

1.一种LiDAR数据“云控制”航空影像摄影测量方法，其特征在于，包括以下步骤：
步骤1，利用全球定位系统GPS或定位定姿系统POS辅助空中三角测量技术对影像进行空中三角测量，计算相机初始畸变参数和影像初始定向参数，同时生成稀疏特征点云和影像三维特征线，所述影像初始定向参数包括内、外方位元素；
步骤2，采用点云分割和线特征提取技术处理高精度LiDAR点云，得到LiDAR点云面片分割信息和点云三维特征线；
步骤3，刚性配准：通过迭代最近点ICP或迭代最邻近线ICL算法，对LiDAR点云和步骤1生成的稀疏特征点云进行刚性配准，计算稀疏特征点云相对于LiDAR点云的刚性变换参数，并使用刚性变换参数更新影像的外方位元素和稀疏特征点的物方坐标；
步骤3中的ICP算法采用点面距离最近原则，对于任一稀疏特征点Vi＝(vix,viy,viz,1)T，利用其在LiDAR点云中最邻近点集拟合得到空间平面aix+biy+ciz+di＝0，平面参数记为Pi(ai,bi,ci,di)，该点在LiDAR点云中的同名“控制点”为其到拟合平面的垂足点；
ICP的目标在于求解最佳的变换矩阵M，使得E(M)最小：
Figure FDA0002395031160000011
式(1)中ρ(·)为空间点面距离计算函数，M是影像稀疏特征点云到LiDAR点云的4×4空间相似变换矩阵，np为点数量；
步骤3中的ICL算法利用点线距离最近原则，假设l与l′分别表示影像和LiDAR三维特征线在水平面方向上的投影，e1与e2为l的两个端点，D1与D2是它们到l′的距离，ICL解算最小化
Figure FDA0002395031160000012
的刚性变换参数实现刚性配准，nl为三维特征线数量；
步骤4，非刚性优化：在LiDAR点云控制信息约束下进行区域网平差解算，得到优化后的影像定向参数，并更新影像稀疏特征点的物方坐标；
步骤5，刚性配准与非刚性优化迭代计算，迭代进行步骤3和4，直到影像定向中误差的变化量满足预设条件。
2.如权利要求1所述的LiDAR数据“云控制”航空影像摄影测量方法，其特征在于：式(1)表示的最小化问题通过非线性最小二乘求解。
3.如权利要求1所述的LiDAR数据“云控制”航空影像摄影测量方法，其特征在于：步骤4的具体实现方式如下，
在刚性配准基础上，根据距离最邻近原则从LiDAR点云中内插获取控制信息，包括LiDAR“控制点”和提取的线、面特征，并将其作为约束条件纳入自检校区域网平差，解算相机畸变参数、影像内方位元素和外方位元素；对经典区域网平差的能量方程进行扩展，增加LiDAR控制信息约束，构建如式(2)所示的能量方程，
Figure FDA0002395031160000021
式(2)中，EBA(V，C)为经典区域网平差定义的像点残差项，Vi为第i个稀疏特征点的物方坐标，pij为其在第j张影像上的像点观测，Cj为第j张影像的定向参数，f(·)为共线条件方程定义的投影函数；Eg为LiDAR控制信息构成的几何约束；
式(2)中Eg可展开如下：
Figure FDA0002395031160000022
式(3)中，Epoints(V，P)为影像稀疏特征点到最邻近LiDAR点集所在平面的距离最近原则所构成的LiDAR点约束；Eplanes(V)中ψk为最邻近点集同为Sk的影像稀疏特征点集合，Sk表示第k个LiDAR点云分割对象，ψk中所有稀疏特征点应满足fcop(Vm，ψk)所定义的共面约束，从而利用LiDAR面特征构成影像稀疏特征点空间相对约束；δ表示影像的平均地面分辨率，用于将Epoints(V，P)归化为像方单位，w为先验权值，λ为面特征控制的整体权值，用于调节面约束作用的大小。
4.如权利要求3所述的LiDAR数据“云控制”航空影像摄影测量方法，其特征在于：步骤5所述影像定向中误差dRMSE的计算公式如下，
Figure FDA0002395031160000031
式中nobv为全部像点观测数量。
CN201910308581.8A 2019-04-17 2019-04-17 LiDAR数据“云控制”航空影像摄影测量方法 Active CN110006408B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910308581.8A CN110006408B (zh) 2019-04-17 2019-04-17 LiDAR数据“云控制”航空影像摄影测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910308581.8A CN110006408B (zh) 2019-04-17 2019-04-17 LiDAR数据“云控制”航空影像摄影测量方法

Publications (2)

Publication Number Publication Date
CN110006408A CN110006408A (zh) 2019-07-12
CN110006408B true CN110006408B (zh) 2020-04-24

Family

ID=67172491

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910308581.8A Active CN110006408B (zh) 2019-04-17 2019-04-17 LiDAR数据“云控制”航空影像摄影测量方法

Country Status (1)

Country Link
CN (1) CN110006408B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110515088B (zh) * 2019-08-27 2021-07-09 中国人民解放军国防科技大学 一种智能机器人的里程计估计方法及系统
CN110827199B (zh) * 2019-10-29 2021-04-27 武汉大学 基于激光测距仪引导的隧道图像拼接方法及装置
CN112270698B (zh) * 2019-12-31 2024-02-27 山东理工大学 基于最邻近曲面的非刚性几何配准方法
CN111457930B (zh) * 2020-04-02 2021-11-23 武汉中海庭数据技术有限公司 一种利用车载Lidar与无人机联合的高精度测图定位方法
CN111536871B (zh) * 2020-05-07 2022-05-31 武汉大势智慧科技有限公司 一种多时相摄影测量数据体积变化量的精确计算方法
CN112161609A (zh) * 2020-09-07 2021-01-01 武汉大学 一种内外业一体化控制点量测与自动转刺方法
CN112305554B (zh) * 2020-11-23 2021-05-28 中国科学院自动化研究所 基于有向几何点和稀疏帧的激光里程计方法、系统、装置
CN113625288A (zh) * 2021-06-15 2021-11-09 中国科学院自动化研究所 基于点云配准的相机与激光雷达位姿标定方法和装置
CN114581492B (zh) * 2022-05-07 2022-07-15 成都理工大学 融合道路多元特征的车载激光雷达点云非刚性配准方法
CN117670957B (zh) * 2023-12-07 2024-05-14 长安大学 一种无人机摄影测量配准方法、系统及计算机设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1418401A1 (de) * 2003-03-26 2004-05-12 Leica Geosystems AG Verfahren und Vorrichtung zur luft- oder raumgestützten Photogrammetrie
CN101777189A (zh) * 2009-12-30 2010-07-14 武汉大学 LiDAR三维立体环境下测图和质量检查方法
CN103020966B (zh) * 2012-12-04 2015-08-26 南京大学 一种基于建筑物轮廓约束的航空与地面LiDAR数据自动配准方法
CN108711185A (zh) * 2018-05-15 2018-10-26 清华大学 联合刚性运动和非刚性形变的三维重建方法及装置
CN109300162A (zh) * 2018-08-17 2019-02-01 浙江工业大学 一种基于精细化雷达扫描边缘点的多线激光雷达和相机联合标定方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1418401A1 (de) * 2003-03-26 2004-05-12 Leica Geosystems AG Verfahren und Vorrichtung zur luft- oder raumgestützten Photogrammetrie
CN101777189A (zh) * 2009-12-30 2010-07-14 武汉大学 LiDAR三维立体环境下测图和质量检查方法
CN103020966B (zh) * 2012-12-04 2015-08-26 南京大学 一种基于建筑物轮廓约束的航空与地面LiDAR数据自动配准方法
CN108711185A (zh) * 2018-05-15 2018-10-26 清华大学 联合刚性运动和非刚性形变的三维重建方法及装置
CN109300162A (zh) * 2018-08-17 2019-02-01 浙江工业大学 一种基于精细化雷达扫描边缘点的多线激光雷达和相机联合标定方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
谈大数据时代的"云控制"摄影测量;张祖勋;《测绘学报》;20171031;第1238-1247页 *

Also Published As

Publication number Publication date
CN110006408A (zh) 2019-07-12

Similar Documents

Publication Publication Date Title
CN110006408B (zh) LiDAR数据“云控制”航空影像摄影测量方法
CN111598823B (zh) 多源移动测量点云数据空地一体化融合方法、存储介质
CN102506824B (zh) 一种城市低空无人机系统生成数字正射影像图的方法
CN113436260B (zh) 基于多传感器紧耦合的移动机器人位姿估计方法和系统
US8427505B2 (en) Geospatial modeling system for images and related methods
CN104123730A (zh) 基于道路特征的遥感影像与激光点云配准方法及系统
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
CN109241978B (zh) 地基三维激光点云中平面片的快速提取方法
CN115564926B (zh) 基于影像建筑物结构学习的三维面片模型构建方法
CN112270698B (zh) 基于最邻近曲面的非刚性几何配准方法
CN112465732A (zh) 一种车载激光点云与序列全景影像的配准方法
CN111457930B (zh) 一种利用车载Lidar与无人机联合的高精度测图定位方法
CN114283070B (zh) 融合无人机影像与激光点云的地形断面制作方法
CN113012206B (zh) 一种顾及房檐特征的机载与车载LiDAR点云配准方法
CN112767461A (zh) 激光点云与序列全景影像自动配准方法
CN109100719A (zh) 基于星载sar影像与光学影像的地形图联合测图方法
CN116518864A (zh) 一种基于三维点云对比分析的工程结构全场变形检测方法
CN110443837B (zh) 一种直线特征约束下的城区机载激光点云与航空影像配准方法和系统
CN117387580A (zh) 一种基于倾斜摄影大比例尺地形图的测绘方法及系统
Akay et al. Assessing the spatial accuracy of UAV-derived products based on variation of flight altitudes
CN116106904B (zh) 面向对象MT-InSAR的设施变形监测方法及设备
CN112767459A (zh) 基于2d-3d转换的无人机激光点云与序列影像配准方法
CN111611525A (zh) 基于物方匹配高程偏差迭代修正的遥感数据高程解算方法
CN107784666B (zh) 基于立体影像的地形地物三维变化检测和更新方法
JP3966419B2 (ja) 変化領域認識装置および変化認識システム

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