CN110379004B - 一种对倾斜摄影成果进行地物分类及单体化提取的方法 - Google Patents

一种对倾斜摄影成果进行地物分类及单体化提取的方法 Download PDF

Info

Publication number
CN110379004B
CN110379004B CN201910662326.3A CN201910662326A CN110379004B CN 110379004 B CN110379004 B CN 110379004B CN 201910662326 A CN201910662326 A CN 201910662326A CN 110379004 B CN110379004 B CN 110379004B
Authority
CN
China
Prior art keywords
feature
ground
oblique photography
model
features
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
CN201910662326.3A
Other languages
English (en)
Other versions
CN110379004A (zh
Inventor
刘俊伟
单增
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.)
Terry Digital Technology Beijing Co ltd
Original Assignee
Terra It Technology Beijing Co ltd
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 Terra It Technology Beijing Co ltd filed Critical Terra It Technology Beijing Co ltd
Priority to CN201910662326.3A priority Critical patent/CN110379004B/zh
Publication of CN110379004A publication Critical patent/CN110379004A/zh
Application granted granted Critical
Publication of CN110379004B publication Critical patent/CN110379004B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种对倾斜摄影成果进行地物分类及单体化提取的方法，本方法针对倾斜摄影成果，结合非监督式深度特征学习法全自动识别地物并提取地物特征对地物进行快速分类，利用精准的分类结果实现倾斜摄影实景三维模型的精准单体化提取。优点是：充分利用现有倾斜摄影技术和成果，针对其同时具有几何结构特征、纹理特征和空间信息等特点从中获取多个视角的图像信息，丰富了特征提取层条件；结合非监督式深度特征学习法，处理速度将不再依赖于图像的大小，而是能够充分利用计算机硬件资源实现海量数据高速并行计算，极大地弱化了人工参与工作量、提高了计算与匹配准确度，实现了自动化快速地物分类和精准单体化提取。

Description

一种对倾斜摄影成果进行地物分类及单体化提取的方法
技术领域
本发明涉及倾斜实景建模技术领域，尤其涉及一种对倾斜摄影成果进行地物分类及单体化提取的方法。
背景技术
随着倾斜实景建模技术的快速发展与成熟，通过三维数据实现空间信息对象化管理、查询、分析、统计等应用已经成为行业必然趋势。倾斜摄影实景三维建模技术由于其全自动生成机制是构建一个连续的、整体的TIN网结构，决定了获得的模型成果是“一体化”的模型结果，对于地物的属性信息没有类别的区分，不能够实现每一类地物甚至每一个单独的对象分离提取，缺乏三维空间信息对象化管理分析能力，已不能满足多行业多元化的应用需求。所以基于现有技术的发展，充分利用计算机资源从而实现快速、精准模型单体化提取将是我们行业发展的需要与方向。
目前实现模型单体化提取的技术方法，大都是通过传统立体采集数字线划图方式经过人工编辑获得或者基于二维影像图人工逐个获取各类地物的特征及地物特征矢量面，然后通过两者套合对倾斜模型成果进行切割，实现倾斜模型单体化效果。
由于城市中地物种类较多，且每种地物结构复杂、分布不均、形状各异，若采用人工逐个提取地物特征的方法，采集过程中由于人眼分辨率的限制不能精确捕捉定位每类地物的轮廓边界点造成操作局限无法做到精细化结果，大量人工投入工作量非常大成本高且速度慢，并且由于二维影像本身会存在遮挡等情况造成地物形状等信息丢失造成精度太低无法满足实际应用需求。
发明内容
本发明的目的在于提供一种对倾斜摄影成果进行地物分类及单体化提取的方法，从而解决现有技术中存在的前述问题。
为了实现上述目的，本发明采用的技术方案如下：
一种对倾斜摄影成果进行地物分类及单体化提取的方法，包括如下步骤，
S1、自动化构建倾斜摄影成果，即倾斜摄影实景三维模型；
S2、通过从不同视角采集倾斜摄影实景三维模型不同方位的几何结构特征和纹理特征，以生成多视角特征图像；
S3、对多视角特征图像进行实例分割，通过目标检测提取目标地物的边缘轮廓，对提取的目标地物赋予类别标签，并进行标记，获取标记结果；对分割后的具有相同类别特征的目标地物采用地物特征构建条件约束模型，完成像素级的目标地物分割，获取地物目标分类结果；
S4、对于分割后的多视角特征图像，根据每类地物的几何特征、纹理特征以及空间信息，通过深度特征检测构建每类地物共享特征参数约束模型；
S5、基于深度学习特征过程多层交替、汇聚，形成高维度空间层次化特征资源池；
S6、设置同类地物不完全合并规则，并与步骤S3中的标记结果进行融合，采用特征资源池进行匹配验证，并保留匹配验证结果；
S7、对地物目标分类结果进行矢量化，按地物类别建立分类矢量化图层并分别存储，同时对分类矢量化图层进行拓扑检查；
S8、将分类矢量化图层与倾斜摄影实景三维模型自适应区域套合，调整最优化分类目标边缘，获取并保存最终分类结果；
S9、输出单体化成果。
优选的，所述倾斜摄影实景三维模型包括全局模型和局部区域模型；步骤S2包括如下具体步骤，
A、以全局模型视角采集倾斜摄影实景三维模型不同方位的几何结构特征和纹理特征；以全局模型的几何中心为变换轴，根据倾斜摄影实景三维模型不同分辨率参数变换俯视高度值，沿水平和垂直方向以顺时针旋转，水平方向每旋转5度保存一次全局影像；垂直方向从俯视原点起，每旋转30度保存一次全局影像；
B、以局部区域模型视角采集倾斜摄影实景三维模型不同方位的几何结构特征和纹理特征，以格网大小划分局部区域模型，并以局部区域模型的几何中心为变换轴，根据局部区域模型不同分辨率参数变换俯视高度值，沿水平和垂直方向以顺时针旋转，水平方向每旋转5度保存一次局部影像；垂直方向从俯视原点起，每旋转30度保存一次局部影像；
C、结合A和B，基于多视角影像进行特征检测并提取地物特征要素，最终生成多视角特征图像。
优选的，所述类别标签至少包括建筑物、道路、河流、植被、地貌、人和车。
优选的，所述每类地物共享特征参数约束模型如下，
建筑物，具有一定高度的形状较为规则的多边形立体结构，存在不同程度的阴影分布，空间分布特点较为规则并集中，灰度值分布不均匀；
道路，表现为方向一致且贯通的平行的线状分布，具有一定的长度和宽度，以全局合并后呈互相交叉连通的网状结构，灰度值分布不均匀；
河流，呈条带状分布，具有一定宽度，具有明显的光谱反射特征；
植被，具有一定高度，具有易于区分的颜色特征，光谱特征明显；
其他地物，滤除。
优选的，步骤S6中设置有匹配参数，当采用特征资源池进行匹配验证时，匹配参数需达到50％以上，才能保留匹配验证结果。
优选的，步骤S9输出单体化成果包括两种方式，分别为，
(a)按地物分类实现单体化输出；
(b)按自定义区域实现单体化输出。
本发明的有益效果是：1、本发明充分利用现有倾斜摄影技术和成果，针对其同时具有几何结构特征、纹理特征和空间信息等特点，可以从中获取多个视角的图像信息，丰富了特征提取层条件。2、结合非监督式深度特征学习法，处理速度将不再依赖于图像的大小，而是能够充分利用计算机硬件资源实现海量数据高速并行计算，极大地弱化了人工参与工作量，极大地提高了计算与匹配准确度，实现了自动化快速地物分类同时基于分类结果完成精准化单体提取。
附图说明
图1是本发明实施例中所述方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。
如图1所示，本实施例提供了一种对倾斜摄影成果进行地物分类及单体化提取的方法，包括如下步骤，
S1、自动化构建倾斜摄影成果，即倾斜摄影实景三维模型；
S2、通过从不同视角采集倾斜摄影实景三维模型不同方位的几何结构特征和纹理特征，以生成多视角特征图像；
S3、对多视角特征图像进行实例分割，通过目标检测提取目标地物的边缘轮廓，对提取的目标地物赋予类别标签，并进行标记，获取标记结果；对分割后的具有相同类别特征的目标地物采用地物特征构建条件约束模型，完成像素级的目标地物分割，获取地物目标分类结果；
S4、对于分割后的多视角特征图像，根据每类地物的几何特征、纹理特征以及空间信息，通过深度特征检测构建每类地物共享特征参数约束模型；
S5、基于深度学习特征过程多层交替、汇聚，形成高维度空间层次化特征资源池；
S6、设置同类地物不完全合并规则，并与步骤S3中的标记结果进行融合，采用特征资源池进行匹配验证，并保留匹配验证结果；
S7、对地物目标分类结果进行矢量化，按地物类别建立分类矢量化图层并分别存储，同时对分类矢量化图层进行拓扑检查；
S8、将分类矢量化图层与倾斜摄影实景三维模型自适应区域套合，调整最优化分类目标边缘，获取并保存最终分类结果；
S9、输出单体化成果。
本实施例中，所述步骤S1中采用自动化全要素创建倾斜摄影成果，也就是倾斜摄影实景三维模型成果。
本实施例中，所述倾斜摄影实景三维模型包括全局模型和局部区域模型；步骤S2包括如下具体步骤，
A、以全局模型视角采集倾斜摄影实景三维模型不同方位的几何结构特征和纹理特征；以全局模型的几何中心为变换轴，根据倾斜摄影实景三维模型不同分辨率参数变换俯视高度值，沿水平和垂直方向以顺时针旋转，水平方向每旋转5度保存一次全局影像；垂直方向从俯视原点起，每旋转30度保存一次全局影像；
B、以局部区域模型视角采集倾斜摄影实景三维模型不同方位的几何结构特征和纹理特征，以格网大小划分局部区域模型，并以局部区域模型的几何中心为变换轴，根据局部区域模型不同分辨率参数变换俯视高度值，沿水平和垂直方向以顺时针旋转，水平方向每旋转5度保存一次局部影像；垂直方向从俯视原点起，每旋转30度保存一次局部影像；
C、结合A和B，基于多视角影像进行特征检测并提取地物特征要素，最终生成多视角特征图像(Futures&Smpt)。
本实施例中，通过采用全局模型视角采集倾斜摄影实景三维模型的全局模型不同方位的几何结构特征和纹理特征；通过局部区域模型视角采集倾斜摄影实景三维模型的局部区域模型不同方位的几何结构特征和纹理特征；之后将两者采集的结果进行处理，并基于多视角影像，对上述两者的采集结果进行特征检测并提取地物特征要素，最终生成多视角特征图像。全局模型视角采集和局部区域模型视角采集同时使用能够使倾斜摄影实景三维模型不同方位的几何结构特征和纹理特征采集的更加完善，有利于获取完整的高质量的多视角特征图像。
本实施例中，步骤S3对多视角特征图像进行实例分割，这个过程算法基于全局纹理特征和局部SIFT特征，具体是通过目标检测提取目标地物的边缘轮廓，对于提取的目标地物同时赋予其类别标签(比如建筑物(阴影)、道路、植被、河流、人、车等)，对分割后的具有相同类别特征的目标以其颜色特征构建条件约束模型；至此，本发明提供的方法中的地物分类完成。
本实施例中，所述类别标签至少包括建筑物、道路、河流、植被、地貌、人和车等。
本实施例中，所述步骤S4对特征进行深度学习，对于分割后的图像根据每类地物的几何特征、纹理特征和空间信息等条件，通过深度特征检测构建每类地物共享特征参数约束模型。
本实施例中，所述每类地物共享特征参数约束模型如下，
建筑物，具有一定高度的形状较为规则的多边形立体结构，存在不同程度的阴影分布，空间分布特点较为规则并集中，灰度值分布不均匀；
道路，表现为方向一致且贯通的平行的线状分布，具有一定的长度和宽度，以全局合并后呈互相交叉连通的网状结构，灰度值分布不均匀；
河流，呈条带状分布，具有一定宽度，具有明显的光谱反射特征；
植被，具有一定高度，具有易于区分的颜色特征，光谱特征明显；
其他地物，滤除。
本实施例中，步骤S5建立高维空间特征资源池，基于深度学习特征过程多层交替、汇聚，形成高维度空间层次化特征资源池。
本实施例中，步骤S6中设置有匹配参数，当采用特征资源池进行匹配验证时，匹配参数需达到50％以上，才能保留匹配验证结果。
本实施例中，步骤S6中的同类地物不完全合并规则为：
1、依据非监督式深度特征学习法全自动识别地物形状变化，以多视特征图像的任一地物图斑为中心点进行同类地物相邻性检测，检测条件如下：
(1)以任一地物图斑进行扩散检测，扩散方向为360度蔓延式扩散，标记同一方向距离小于1米的同类地物；
(2)对不同地物的所有图斑进行内部逐像素检测，标记像素数值跳跃性较大且相邻多像素能构成线段或多边形的图斑；
2、依据实景三维模型判别A中标记的地物类别是否需要进行合并或拆分处理，并合并或拆分相应的地物图斑。
本实施例中，所述步骤S7中按植被、水体、道路、建筑物四类地物分别建立矢量化图层并分别存储。
本实施例中，所述步骤S8中将分类矢量化图层与倾斜摄影实景三维模型自适应区域套合，并在三维场景中调整视角从实景三维地物的不同角度检查矢量化图层和三维模型的吻合程度，调整最优化分类标边缘，获取并保存最终分类结果。
本实施例中，所述步骤S9以S8中调整后的分类矢量化图层作为实景三维模型各地物的单体化范围进行单体化，精准输出单体化成果。且步骤S9输出单体化成果包括两种方式，分别为，
(a)按地物分类实现单体化输出；即进行全局模型全类别的单体化输出。
(b)按自定义区域实现单体化输出；即根据自定义区域进行局部模型全类别的单体化输出，需要在输出之前定义单体化输出范围。
(a)(b)的不同之处为单体化的范围不同。
通过采用本发明公开的上述技术方案，得到了如下有益的效果：
本发明提供了一种对倾斜摄影成果进行地物分类及单体化提取的方法，本方法充分利用现有倾斜摄影技术和成果，针对其同时具有几何结构特征、纹理特征和空间信息等特点，从中获取多个视角的图像信息，丰富了特征提取层条件；并同时结合非监督式深度特征学习法，处理速度将不再依赖于图像的大小，而是能够充分利用计算机硬件资源实现海量数据高速并行计算，极大地弱化了人工参与工作量，极大地提高了计算与匹配准确度，实现了自动化快速地物分类同时基于分类结果完成精准化单体提取。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。

Claims (6)

1.一种对倾斜摄影成果进行地物分类及单体化提取的方法，其特征在于：包括如下步骤，
S1、自动化构建倾斜摄影成果，即倾斜摄影实景三维模型；
S2、通过从不同视角采集倾斜摄影实景三维模型不同方位的几何结构特征和纹理特征，以生成多视角特征图像；
S3、对多视角特征图像进行实例分割，通过目标检测提取目标地物的边缘轮廓，对提取的目标地物赋予类别标签，并进行标记，获取标记结果；对分割后的具有相同类别特征的目标地物采用地物特征构建条件约束模型，完成像素级的目标地物分割，获取地物目标分类结果；
S4、对于分割后的多视角特征图像，根据每类地物的几何特征、纹理特征以及空间信息，通过深度特征检测构建每类地物共享特征参数约束模型；
S5、基于深度学习特征过程多层交替、汇聚，形成高维度空间层次化特征资源池；
S6、设置同类地物不完全合并规则，并与步骤S3中的标记结果进行融合，采用特征资源池进行匹配验证，并保留匹配验证结果，其中，所述同类地物不完全合并规则为，依据非监督式深度特征学习法全自动识别地物形状变化，以多视特征图像的任一地物图斑为中心点进行同类地物相邻性监测，并依据实景三维模型判别所标记的地物类别是否需要进行合并或拆分处理，并合并或拆分相应的地物图斑；
S7、对地物目标分类结果进行矢量化，按地物类别建立分类矢量化图层并分别存储，同时对分类矢量化图层进行拓扑检查；
S8、将分类矢量化图层与倾斜摄影实景三维模型自适应区域套合，调整最优化分类目标边缘，获取并保存最终分类结果；
S9、输出单体化成果。
2.根据权利要求1所述的对倾斜摄影成果进行地物分类及单体化提取的方法，其特征在于：所述倾斜摄影实景三维模型包括全局模型和局部区域模型；步骤S2包括如下具体步骤，
A、以全局模型视角采集倾斜摄影实景三维模型不同方位的几何结构特征和纹理特征；以全局模型的几何中心为变换轴，根据倾斜摄影实景三维模型不同分辨率参数变换俯视高度值，沿水平和垂直方向以顺时针旋转，水平方向每旋转5度保存一次全局影像；垂直方向从俯视原点起，每旋转30度保存一次全局影像；
B、以局部区域模型视角采集倾斜摄影实景三维模型不同方位的几何结构特征和纹理特征，以格网大小划分局部区域模型，并以局部区域模型的几何中心为变换轴，根据局部区域模型不同分辨率参数变换俯视高度值，沿水平和垂直方向以顺时针旋转，水平方向每旋转5度保存一次局部影像；垂直方向从俯视原点起，每旋转30度保存一次局部影像；
C、结合A和B，基于多视角影像进行特征检测并提取地物特征要素，最终生成多视角特征图像。
3.根据权利要求1所述的对倾斜摄影成果进行地物分类及单体化提取的方法，其特征在于：所述类别标签至少包括建筑物、道路、河流、植被、地貌、人和车。
4.根据权利要求1所述的对倾斜摄影成果进行地物分类及单体化提取的方法，其特征在于：所述每类地物共享特征参数约束模型如下，
建筑物，具有一定高度的形状较为规则的多边形立体结构，存在不同程度的阴影分布，空间分布特点较为规则并集中，灰度值分布不均匀；
道路，表现为方向一致且贯通的平行的线状分布，具有一定的长度和宽度，以全局合并后呈互相交叉连通的网状结构，灰度值分布不均匀；
河流，呈条带状分布，具有一定宽度，具有明显的光谱反射特征；
植被，具有一定高度，具有易于区分的颜色特征，光谱特征明显；
其他地物，滤除。
5.根据权利要求1所述的对倾斜摄影成果进行地物分类及单体化提取的方法，其特征在于：步骤S6中设置有匹配参数，当采用特征资源池进行匹配验证时，匹配参数需达到50％以上，才能保留匹配验证结果。
6.根据权利要求1所述的对倾斜摄影成果进行地物分类及单体化提取的方法，其特征在于：步骤S9输出单体化成果包括两种方式，分别为，
(a)按地物分类实现单体化输出；
(b)按自定义区域实现单体化输出。
CN201910662326.3A 2019-07-22 2019-07-22 一种对倾斜摄影成果进行地物分类及单体化提取的方法 Active CN110379004B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910662326.3A CN110379004B (zh) 2019-07-22 2019-07-22 一种对倾斜摄影成果进行地物分类及单体化提取的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910662326.3A CN110379004B (zh) 2019-07-22 2019-07-22 一种对倾斜摄影成果进行地物分类及单体化提取的方法

Publications (2)

Publication Number Publication Date
CN110379004A CN110379004A (zh) 2019-10-25
CN110379004B true CN110379004B (zh) 2021-02-09

Family

ID=68254822

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910662326.3A Active CN110379004B (zh) 2019-07-22 2019-07-22 一种对倾斜摄影成果进行地物分类及单体化提取的方法

Country Status (1)

Country Link
CN (1) CN110379004B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111783552B (zh) * 2020-06-09 2024-06-25 北京五一视界数字孪生科技股份有限公司 实景三维模型单体化方法、装置、存储介质及电子设备
CN113486419B (zh) * 2021-06-04 2022-11-11 上海宝冶冶金工程有限公司 一种基于bim进行多个单体模型精确定位的合并方法及系统
CN113344956B (zh) * 2021-06-21 2022-02-01 深圳市武测空间信息有限公司 基于无人机航摄三维建模的地物轮廓提取分类方法
CN113650783A (zh) * 2021-07-08 2021-11-16 江苏省地质测绘院 固定翼倾斜摄影地籍测图方法、系统及设备
CN114387416B (zh) * 2022-03-24 2022-05-27 北京飞渡科技有限公司 针对倾斜摄影三维重建的纹理自动生成和修复方法
CN116109755B (zh) * 2023-01-04 2023-11-28 泰瑞数创科技(北京)股份有限公司 一种基于CycleGAN算法生成不同场景建筑物纹理的方法
CN116597150B (zh) * 2023-07-14 2023-09-22 北京科技大学 基于深度学习的倾斜摄影模型全要素单体化方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010005463A1 (en) * 2008-07-10 2010-01-14 Goodrich Corporation Method of object location in airborne imagery using recursive quad space image processing
CN105205866A (zh) * 2015-08-30 2015-12-30 浙江中测新图地理信息技术有限公司 基于密集点云的城市三维模型快速构建方法
CN106097456A (zh) * 2016-06-06 2016-11-09 王洪峰 基于自适应簇算法的倾斜摄影实景三维单体化模型方法
CN107527038A (zh) * 2017-08-31 2017-12-29 复旦大学 一种三维地物自动提取与场景重建方法
CN107844802A (zh) * 2017-10-19 2018-03-27 中国电建集团成都勘测设计研究院有限公司 基于无人机低空遥感和面向对象分类的水土保持监测方法
CN108198194A (zh) * 2017-12-29 2018-06-22 武汉理工大学 基于侧向多平面切割的倾斜摄影单体对象提取方法
CN109492606A (zh) * 2018-11-26 2019-03-19 上海同繁勘测工程科技有限公司 多光谱矢量图获取方法及系统、三维单体化方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106126579B (zh) * 2016-06-17 2020-04-28 北京市商汤科技开发有限公司 物体识别方法和装置、数据处理装置和终端设备
CN108038908B (zh) * 2017-11-21 2021-11-30 泰瑞数创科技(北京)有限公司 基于人工智能的空间对象识别及建模方法和系统
CN108171720A (zh) * 2018-01-08 2018-06-15 武汉理工大学 一种基于几何统计信息的倾斜摄影模型对象边界探测方法
CN109118429B (zh) * 2018-08-02 2023-04-25 武汉大学 一种中波红外-可见光多光谱影像快速生成方法
CN109949405B (zh) * 2019-02-22 2022-09-13 安徽省川佰科技有限公司 基于倾斜建模的多维度数据联动解析系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010005463A1 (en) * 2008-07-10 2010-01-14 Goodrich Corporation Method of object location in airborne imagery using recursive quad space image processing
CN105205866A (zh) * 2015-08-30 2015-12-30 浙江中测新图地理信息技术有限公司 基于密集点云的城市三维模型快速构建方法
CN106097456A (zh) * 2016-06-06 2016-11-09 王洪峰 基于自适应簇算法的倾斜摄影实景三维单体化模型方法
CN107527038A (zh) * 2017-08-31 2017-12-29 复旦大学 一种三维地物自动提取与场景重建方法
CN107844802A (zh) * 2017-10-19 2018-03-27 中国电建集团成都勘测设计研究院有限公司 基于无人机低空遥感和面向对象分类的水土保持监测方法
CN108198194A (zh) * 2017-12-29 2018-06-22 武汉理工大学 基于侧向多平面切割的倾斜摄影单体对象提取方法
CN109492606A (zh) * 2018-11-26 2019-03-19 上海同繁勘测工程科技有限公司 多光谱矢量图获取方法及系统、三维单体化方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于深度学习的图像实例分割;陈苟杨 等;《青岛大学学报（自然科学版）》;20190228;第32卷(第1期);46-50,54 *

Also Published As

Publication number Publication date
CN110379004A (zh) 2019-10-25

Similar Documents

Publication Publication Date Title
CN110379004B (zh) 一种对倾斜摄影成果进行地物分类及单体化提取的方法
CN106650640B (zh) 一种基于激光雷达点云局部结构特征的负障碍物检测方法
Lu et al. Fast 3D line segment detection from unorganized point cloud
Wu et al. Rapid localization and extraction of street light poles in mobile LiDAR point clouds: A supervoxel-based approach
Yang et al. Hierarchical extraction of urban objects from mobile laser scanning data
Poullis et al. Automatic reconstruction of cities from remote sensor data
Rottensteiner et al. The ISPRS benchmark on urban object classification and 3D building reconstruction
CN112070769B (zh) 一种基于dbscan的分层点云分割方法
Li et al. Reconstructing building mass models from UAV images
CN109598794B (zh) 三维gis动态模型的构建方法
CN111815776A (zh) 综合机载和车载三维激光点云及街景影像的三维建筑物精细几何重建方法
US7983474B2 (en) Geospatial modeling system and related method using multiple sources of geographic information
CN110110621B (zh) 基于多特征整合深度学习模型的倾斜摄影点云分类方法
CN114612488A (zh) 建筑物单体化信息提取方法、计算机装置及存储介质
CN104134234A (zh) 一种全自动的基于单幅图像的三维场景构建方法
CN105069843A (zh) 一种面向城市三维建模的密集点云的快速提取方法
CN107833273B (zh) 基于三维仿真模型的倾斜摄影三维模型对象化应用方法
CN111754618B (zh) 一种面向对象的实景三维模型多层次解译方法及系统
CN103198479A (zh) 基于语义信息分类的sar图像分割方法
Zhu et al. Large scale urban scene modeling from MVS meshes
CN114332134B (zh) 一种基于密集点云的建筑物立面提取方法和装置
WO2023060632A1 (zh) 基于点云数据的街景地物多维度提取方法和系统
CN110210415A (zh) 基于图结构的车载激光点云道路标线识别方法
CN108022245A (zh) 基于面线基元关联模型的光伏面板模板自动生成方法
Babahajiani et al. Comprehensive automated 3D urban environment modelling using terrestrial laser scanning point cloud

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Liu Junwei

Inventor after: Shan Zeng

Inventor before: Liu Junwei

Inventor before: Huang Dong

Inventor before: Shan Zeng

GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: 22 / F, building 683, zone 2, No. 5, Zhongguancun South Street, Haidian District, Beijing 100086

Patentee after: Terry digital technology (Beijing) Co.,Ltd.

Address before: 100081 room 9078, science and technology building, building 683, 5 Zhongguancun South Street, Haidian District, Beijing

Patentee before: Terra-IT Technology (Beijing) Co.,Ltd.