CN110675338B - 一种基于多幅影像的矢量数据自动纠正方法 - Google Patents
一种基于多幅影像的矢量数据自动纠正方法 Download PDFInfo
- Publication number
- CN110675338B CN110675338B CN201910857911.9A CN201910857911A CN110675338B CN 110675338 B CN110675338 B CN 110675338B CN 201910857911 A CN201910857911 A CN 201910857911A CN 110675338 B CN110675338 B CN 110675338B
- Authority
- CN
- China
- Prior art keywords
- vector data
- image
- data
- point
- vector
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012937 correction Methods 0.000 title claims abstract description 25
- 238000012545 processing Methods 0.000 claims description 24
- 238000009499 grossing Methods 0.000 claims description 12
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- 238000009432 framing Methods 0.000 abstract description 7
- 230000008569 process Effects 0.000 abstract description 6
- 239000000463 material Substances 0.000 abstract description 5
- 230000010354 integration Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G06T5/77—
-
- G06T5/90—
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种矢量数据纠正技术领域,公开了一种基于多幅影像的矢量数据自动纠正方法,实现多幅影像数据分幅对矢量数据自动纠正,通过对每一幅影像数据范围内的矢量数据与影像数据进行模板匹配自动获取同名点,根据获取的同名点对该幅影像范围内的矢量数据进行纠正,如此循环所有影像数据完成全部矢量数据的纠正。本发明解决了现有技术面对多幅影像分幅纠正矢量数据需要人工寻找同名点的问题,大大提升了工作效率,降低了人力物力成本。
Description
技术领域
本发明涉及一种矢量数据纠正技术领域,尤其涉及一种基于多幅影像的矢量数据自动纠正方法。
背景技术
随着地理信息系统的不断发展和广泛应用,多源、多尺度、多时相空间数据的集成应用成为一种必然趋势,但是由于影像数据与矢量数据来源的差异,导致矢量数据与影像数据在集成叠后存在偏移,需要基于影像数据对矢量数据进行纠正。
因为矢量数据存在局部的偏移,传统的做法是人工通过在每幅影像数据与矢量数据之间寻找同名点来进行局部范围纠正逐幅对矢量数据纠正。对于小范围数据还可以人工逐幅处理。当面对大范围数据时,其中遥感影像可能有几百上千幅,此时在每幅影像中选取同名点进行逐幅纠正将需要消耗大量的人力物力。
本发明提出一种基于多幅影像的矢量数据自动纠正方法,可以自动寻找影像数据与矢量数据的同名点并进行纠正,避免人工寻找同名点消耗的人力物力。
发明内容
本申请实施例通过提供一种基于多幅影像的矢量数据自动纠正方法,解决了现有技术中人工寻找同名点效率低下的问题。
本申请实施例提供一种基于多幅影像的矢量数据自动纠正方法,包括以下步骤:
步骤1、影像数据与矢量数据的预处理;
步骤2、单幅影像数据与矢量数据计算同名点;
步骤3、根据计算的同名点对影像数据范围内的矢量数据和影像边缘的面矢量数据中所有的点数据进行纠正;
步骤4、对影像边缘的线矢量数据与其他矢量数据进行接边处理;
步骤5、重复步骤2-4,直到遍历所有的影像数据。
进一步的,所述步骤1中影像数据与矢量数据的预处理包括统一坐标系统、投影系统。
进一步的,所述步骤2的具体实现方式如下,
(2.1)根据几何特征筛选出影像数据范围内矢量数据所有的道路交叉口特征点;
(2.2)以筛选出的矢量道路交叉口特征点为中心,利用m*m大小的矢量栅格化窗口将矢量道路交叉口特征点周围的矢量数据栅格化;
(2.3)以筛选出的矢量道路交叉口特征点为中心,利用n*n大小的影像裁剪窗口对周围的影像进行裁剪,其中影像裁剪窗口要大于矢量栅格化窗口;
(2.4)对裁剪的影像进行路径形态学图像处理突出影像的道路;
(2.5)利用模板匹配技术对矢量栅格窗口与影像裁剪窗口进行匹配;
(2.6)根据匹配结果确定是否保留计算同名点结果;
(2.7)遍历所有的道路交叉口特征点,重复(2.2)-(2.6)步。
进一步的,步骤(2.1)的具体实现方式如下,
首先对矢量道路数据进行遍历获取所有道路单线并存储,然后通过两两相交获取交点,并通过去重操作存储所有的交点;计算道路交叉点连通度并设置道路交叉点连通度大于q作为过滤条件过滤得到道路交叉口特征点。
进一步的,m和n分别取200和400。
进一步的,步骤(2.6)中设置匹配阈值为0.6,将同名点匹配阈值小于0.6进行去除,保留匹配阈值大于0.6的同名点结果。
进一步的,所述步骤3中采用的是仿射变化纠正方法进行纠正,仿射变换在二维平面的变换公式如下所示:
其中X,Y为点的原始坐标,a、b、c、d、e、f为纠正参数,X'、Y'为转换后的坐标。
进一步的,步骤5中采用光滑过渡的原则进行接边处理,对于线矢量数据各个点数据,按照下面的公式进行接边光滑处理:
其中为纠正前线矢量数据第i个点的x坐标,为纠正后线矢量数据第i个点的x坐标,xi为纠正后接边光滑处理后线矢量数据第i个点的x坐标,N为线矢量数据总结点数,i=1为线矢量数据在影像外的起点,i=N为线矢量数据在影像内的终点,为纠正前线矢量数据第i个点的y坐标,为纠正后线矢量数据第i个点的y坐标,yi为纠正后接边光滑处理后线矢量数据第i个点的y坐标。
与现有技术相比,本发明的优点:
(1)本发明通过模板匹配算法自动计算同名点,避免了人工寻找同名点所需要的人力物力。
(2)本发明通过根据影像数据分幅对矢量数据纠正,可以有效解决局部矢量数据误差的影响。
(3)本发明通过接边处理算法,对影像数据边缘的矢量数据进行光滑接边处理,避免因为矢量数据分幅纠正产生道路等数据的不连续。
本发明通过根据影像数据分幅对矢量数据纠正,可以有效解决局部矢量数据误差的影响。并通过模板匹配算法自动计算同名点,避免了人工寻找同名点所需要的人力物力。最后接边处理算法,对影像数据边缘的矢量数据进行光滑接边处理,避免因为矢量数据分幅纠正产生道路等数据的不连续问题。
附图说明
为了更清楚地说明本实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一个实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的流程图。
具体实施方式
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
如图1所示,本实施例提供了一种基于多幅影像的矢量数据自动纠正方法,适用于多幅影像数据对矢量数据分幅自动纠正,包括以下步骤:
步骤1、影像数据与矢量数据的预处理,影像数据与矢量数据的预处理包括统一坐标系统、投影系统等,排除无关因素对匹配结果的影响,便于后续匹配过程的进行。
步骤2、单幅影像数据与矢量数据计算同名点,影像数据与矢量数据同名点提取计算点按照以下步骤进行:
第一步根据几何特征筛选出影像数据范围内(不包括影像边缘,影像边缘线可以通过现有方法直接获得)矢量数据的道路交叉口特征点;首先对矢量道路数据进行遍历获取所有道路单线并存储,然后通过两两相交获取交点,并通过去重等操作存储所有的交点。计算道路交叉点连通度并设置道路交叉点连通度大于3作为过滤条件过滤得到道路交叉口特征点。
第二步以筛选出的矢量道路交叉口特征点为中心,利用m*m大小的矢量栅格化窗口将矢量道路交叉口特征点周围的矢量数据栅格化;
以道路交叉口特征点为中心,对周围400米范围的道路网数据进行栅格化,矢量转栅格画笔宽度设置为10米,并根据影像分辨率可以将实际距离转换为像素。
第三步同理以筛选出的矢量道路交叉口特征点为中心,利用n*n大小的影像裁剪窗口对周围的影像进行裁剪,其中影像裁剪窗口要大于矢量栅格化窗口;
以道路交叉口特征点为中心,设置800米范围截取影像数据,并根据影像分辨率可以将实际距离转换为像素。
第四步对裁剪的影像进行路径形态学图像处理突出影像的道路;
第五步利用模板匹配技术对矢量栅格窗口与影像裁剪窗口进行匹配;
第六步根据匹配结果确定是否保留计算同名点结果;
设置匹配阈值为0.6,将同名点匹配阈值小于0.6进行去除,保留匹配阈值大于0.6的同名点结果。
第七步遍历所有的道路交叉口特征点,重复二-六步。
步骤3、根据计算的同名点对影像数据范围内的矢量数据和影像边缘的面矢量数据中所有的点数据进行纠正,采用的是仿射变化纠正方法,得到仿射变化纠正参数。
仿射变换是一种空间坐标转换方法,是指一个向量空间通过平移旋转缩放变换为另一个向量空间,仿射变换在二维平面的变换公式如下所示:
其中X,Y为点的原始坐标,a、b、c、d、e、f为纠正参数,X'、Y'为转换后的坐标。由公式可知,三对同名点就可以求出所有的纠正参数。为了避免因为同名点误差导致几何纠正结果误差变大,计算出的同名点数量会大于3,采用最小二乘的方法优化多对同名点计算出的纠正参数。
步骤4、由于步骤3中对矢量数据进行纠正后,导致影像边缘的线矢量数据与其他矢量数据出现了断开,所以需要对影像边缘的线矢量数据与其他矢量数据进行接边处理,本发明中采用光滑过渡的原则进行接边处理。当矢量数据与影像边缘的矢量数据相交时,对于线矢量数据各个点数据则按照下面的公式进行接边光滑处理:
其中为纠正前线矢量数据第i个点的x坐标,为纠正后线矢量数据第i个点的x坐标,xi为纠正后接边光滑处理后线矢量数据第i个点的x坐标,N为线矢量数据总结点数,i=1为线矢量数据在影像外的起点,i=N为线矢量数据在影像内的终点,为纠正前线矢量数据第i个点的y坐标,为纠正后线矢量数据第i个点的y坐标,yi为纠正后接边光滑处理后线矢量数据第i个点的y坐标,其中影像外的起点至影像内的终点即为影像边缘。
步骤5、重复步骤2-4,直到遍历所有的影像数据。
下面结合附图和具体参数对本发明做进一步的说明。
在基于多幅影像的矢量数据自动纠正过程中,参见图1,主要包括以下步骤:
步骤1、影像数据与矢量数据的预处理,影像数据与矢量数据的预处理包括统一坐标系统、投影系统等,排除无关因素对匹配结果的影响,便于后续匹配过程的进行。
本实施例中涉及的数据预处理过程如下:坐标系统选用“CGCS2000国家大地坐标”,投影系统选用“横轴墨卡托”投影。
步骤2单幅影像数据与矢量数据计算同名点,影像数据与矢量数据同名点提取计算点按照以下步骤进行,第一步根据几何特征筛选出影像数据范围内矢量数据所有的道路交叉口;第二步根据筛选出的矢量道路交叉口将附近的矢量数据栅格化;第三步同理根据筛选出的矢量道路交叉口将附近的影像进行裁剪,裁剪窗口要大于矢量栅格化窗口;第四步对裁剪的影像进行路径形态学图像处理突出影像的道路;第五步利用模板匹配技术对矢量栅格窗口与影像裁剪窗口进行匹配;第六步根据匹配结果确定是否保留计算同名点结果;第七步遍历所有的道路交叉口,重复2-6步。
在本实施中矢量数据栅格化窗口为200*200像素,影像数据裁剪窗口为400*400像素,模板匹配的过滤阈值设置为0.6,当模板匹配的结果大于0.6时,保留对应的同名点位置;模板匹配的结果小于0.6时,不对计算的同名点进行保留。
步骤3根据计算的同名点对影像数据范围内的矢量数据进行纠正,根据提取的同名点对影像范围内的矢量数据纠正,采用的是仿射变化纠正方法。
步骤4影像数据边缘矢量数据的接边处理,影像范围内矢量数据纠正完后接边处理采用光滑过渡的原则进行处理。当矢量数据与影像边缘数据相交时,对于面矢量数据直接进行纠正;对于线矢量数据则按照下面的公式进行接边光滑处理:
其中为纠正前线矢量数据第i个点的x坐标,为纠正后线矢量数据第i个点的x坐标,xi为纠正后接边光滑处理后线矢量数据第i个点的x坐标,N为线矢量数据总结点数,i=1为线矢量数据在影像外的起点,i=N为线矢量数据在影像内的终点,为纠正前线矢量数据第i个点的y坐标,为纠正后线矢量数据第i个点的y坐标,yi为纠正后接边光滑处理后线矢量数据第i个点的y坐标。
步骤5重复步骤2-4,直到遍历所有的影像数据。
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 (7)
1.一种基于多幅影像的矢量数据自动纠正方法,其特征在于,包括如下步骤:
步骤1、影像数据与矢量数据的预处理;
步骤2、单幅影像数据与矢量数据计算同名点;
步骤3、根据计算的同名点对影像数据范围内的矢量数据和影像边缘的面矢量数据中所有的点数据进行纠正;
步骤4、对影像边缘的线矢量数据与其他矢量数据进行接边处理;
步骤4中采用光滑过渡的原则进行接边处理,对于线矢量数据各个点数据,按照下面的公式进行接边光滑处理:
其中为纠正前线矢量数据第i个点的x坐标,为纠正后线矢量数据第i个点的x坐标,xi为纠正后接边光滑处理后线矢量数据第i个点的x坐标,N为线矢量数据总结点数,i=1为线矢量数据在影像外的起点,i=N为线矢量数据在影像内的终点,为纠正前线矢量数据第i个点的y坐标,为纠正后线矢量数据第i个点的y坐标,yi为纠正后接边光滑处理后线矢量数据第i个点的y坐标;
步骤5、重复步骤2-4,直到遍历所有的影像数据。
2.根据权利要求1所述的一种基于多幅影像的矢量数据自动纠正方法,其特征在于:所述步骤1中影像数据与矢量数据的预处理包括统一坐标系统、投影系统。
3.根据权利要求1所述的一种基于多幅影像的矢量数据自动纠正方法,其特征在:所述步骤2的具体实现方式如下,
(2.1)根据几何特征筛选出影像数据范围内矢量数据所有的道路交叉口特征点;
(2.2)以筛选出的矢量道路交叉口特征点为中心,利用m*m大小的矢量栅格化窗口将矢量道路交叉口特征点周围的矢量数据栅格化;
(2.3)以筛选出的矢量道路交叉口特征点为中心,利用n*n大小的影像裁剪窗口对周围的影像进行裁剪,其中影像裁剪窗口要大于矢量栅格化窗口;
(2.4)对裁剪的影像进行路径形态学图像处理突出影像的道路;
(2.5)利用模板匹配技术对矢量栅格窗口与影像裁剪窗口进行匹配;
(2.6)根据匹配结果确定是否保留计算同名点结果;
(2.7)遍历所有的道路交叉口特征点,重复(2.2)-(2.6)步。
4.根据权利要求3所述的一种基于多幅影像的矢量数据自动纠正方法,其特征在于:步骤(2.1)的具体实现方式如下,
首先对矢量道路数据进行遍历获取所有道路单线并存储,然后通过两两相交获取交点,并通过去重操作存储所有的交点;计算道路交叉点连通度并设置道路交叉点连通度大于q作为过滤条件过滤得到道路交叉口特征点。
5.根据权利要求3所述的一种基于多幅影像的矢量数据自动纠正方法,其特征在于:m和n分别取200和400。
6.根据权利要求3所述的一种基于多幅影像的矢量数据自动纠正方法,其特征在于:步骤(2.6)中设置匹配阈值为0.6,将同名点匹配阈值小于0.6进行去除,保留匹配阈值大于0.6的同名点结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910857911.9A CN110675338B (zh) | 2019-09-09 | 2019-09-09 | 一种基于多幅影像的矢量数据自动纠正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910857911.9A CN110675338B (zh) | 2019-09-09 | 2019-09-09 | 一种基于多幅影像的矢量数据自动纠正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110675338A CN110675338A (zh) | 2020-01-10 |
CN110675338B true CN110675338B (zh) | 2022-10-04 |
Family
ID=69077696
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910857911.9A Active CN110675338B (zh) | 2019-09-09 | 2019-09-09 | 一种基于多幅影像的矢量数据自动纠正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110675338B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109600543A (zh) * | 2017-09-30 | 2019-04-09 | 京东方科技集团股份有限公司 | 用于移动设备拍摄全景图像的方法以及移动设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100653200B1 (ko) * | 2006-01-09 | 2006-12-05 | 삼성전자주식회사 | 기하 정보를 교정하여 파노라마 영상을 제공하는 방법 및장치 |
CN106776979A (zh) * | 2016-12-06 | 2017-05-31 | 中科宇图科技股份有限公司 | 基于遥感的矢量电子地图质量提升自动化方法 |
CN107705244B (zh) * | 2017-09-11 | 2021-01-15 | 中国国土资源航空物探遥感中心 | 一种适用于大区域多幅遥感影像的接边纠正方法 |
CN109447160B (zh) * | 2018-10-31 | 2021-04-16 | 武汉大学 | 一种影像和矢量道路交叉点自动匹配的方法 |
-
2019
- 2019-09-09 CN CN201910857911.9A patent/CN110675338B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109600543A (zh) * | 2017-09-30 | 2019-04-09 | 京东方科技集团股份有限公司 | 用于移动设备拍摄全景图像的方法以及移动设备 |
Non-Patent Citations (2)
Title |
---|
Geospatial Information Integration for Authoritative and Crowd Sourced Road Vector Data;Heshan Du等;《Research Article》;20120503;第1-22页 * |
PHiDJ: Parallel Similarity Self-Join for High-Dimensional Vector Data with MapReduce;Sergej Fries等;《2014 IEEE 30th International Conference on Data Engineering》;20140519;第796-807页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110675338A (zh) | 2020-01-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106780524B (zh) | 一种三维点云道路边界自动提取方法 | |
Xiao et al. | Image-based façade modeling | |
WO2004001672A1 (en) | Digital image edge detection and road network tracking method and system | |
GB2457215A (en) | Automatic 3D Modelling | |
CN104966270A (zh) | 一种多图像拼接方法 | |
US20210312632A1 (en) | Method and apparatus for extracting a satellite image-based building footprint | |
CN110211169B (zh) | 基于多尺度超像素和相位相关的窄基线视差的重构方法 | |
CN106096497B (zh) | 一种针对多元遥感数据的房屋矢量化方法 | |
CN111696059B (zh) | 一种车道线光滑连接处理方法和装置 | |
CN113593038A (zh) | 隧道点云中心线自动提取和三角网构建方法 | |
CN113077552A (zh) | 基于无人机影像的dsm生成方法和装置 | |
CN114463521B (zh) | 一种面向空地影像数据融合的建筑目标点云快速生成方法 | |
CN115222884A (zh) | 一种基于人工智能的空间对象分析及建模优化方法 | |
CN114283343A (zh) | 基于遥感卫星图像的地图更新方法、训练方法和设备 | |
CN114419165A (zh) | 相机外参校正方法、装置、电子设备和存储介质 | |
CN111664845A (zh) | 交通标志定位、视觉地图制作方法及装置、定位系统 | |
CN113421210A (zh) | 一种基于双目立体视觉的表面点云重建方法 | |
CN107122782B (zh) | 一种均衡的半密集立体匹配方法 | |
CN110675338B (zh) | 一种基于多幅影像的矢量数据自动纠正方法 | |
CN114563000B (zh) | 一种基于改进型激光雷达里程计的室内外slam方法 | |
CN111127474B (zh) | 机载LiDAR点云辅助的正射影像镶嵌线自动选取方法及系统 | |
Novacheva | Building roof reconstruction from LiDAR data and aerial images through plane extraction and colour edge detection | |
Xiao et al. | Feature extraction using very high resolution satellite imagery | |
CN113888614B (zh) | 深度恢复方法、电子设备和计算机可读存储介质 | |
Sester et al. | Reconstruction of building ground plans from laser scanner data |
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 |