CN111754618A - 一种面向对象的实景三维模型多层次解译方法及系统 - Google Patents
一种面向对象的实景三维模型多层次解译方法及系统 Download PDFInfo
- Publication number
- CN111754618A CN111754618A CN202010469870.9A CN202010469870A CN111754618A CN 111754618 A CN111754618 A CN 111754618A CN 202010469870 A CN202010469870 A CN 202010469870A CN 111754618 A CN111754618 A CN 111754618A
- Authority
- CN
- China
- Prior art keywords
- dimensional
- patch
- triangular
- ground object
- model
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 239000000178 monomer Substances 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000010801 machine learning Methods 0.000 claims abstract description 13
- 230000015654 memory Effects 0.000 claims description 18
- 238000013507 mapping Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 5
- 239000004744 fabric Substances 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 9
- 230000004927 fusion Effects 0.000 abstract description 5
- 238000001228 spectrum Methods 0.000 abstract description 5
- 235000002566 Capsicum Nutrition 0.000 abstract description 4
- 239000006002 Pepper Substances 0.000 abstract description 4
- 235000016761 Piper aduncum Nutrition 0.000 abstract description 4
- 235000017804 Piper guineense Nutrition 0.000 abstract description 4
- 235000008184 Piper nigrum Nutrition 0.000 abstract description 4
- 150000003839 salts Chemical class 0.000 abstract description 4
- 244000203593 Piper nigrum Species 0.000 abstract 1
- 230000003595 spectral effect Effects 0.000 description 5
- 241000722363 Piper Species 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种面向对象的实景三维模型多层次解译方法及系统,将待解译实景三维模型分为地形表面部分、立体地物部分两个层次;基于地形表面部分的正射影像,采用面向对象的影像分类方法对地形表面部分进行分类;对立体地物部分进行独立地物单体化处理,并基于独立地物单体的特征,采用机器学习算法对立体地物部分的分类;将地形表面部分和立体地物部分的分类结果进行整合,得到整个实景三维模型的解译结果。本发明将实景三维模型分为两个层次分别进行分类,降低模型解译难度;采用面向对象的模型解译方法,可以改善其他基于面片算法在分类过程中产生的椒盐噪声现象;基于几何、纹理、光谱多维特征融合策略,提高了分类结果的准确性与鲁棒性。
Description
技术领域
本发明涉及计算机视觉与三维模型处理领域,具体涉及一种面向对象的实景三维模型多层次解译方法及系统。
背景技术
近几年来,随着计算机视觉和倾斜摄影测量技术的快速发展,利用多视影像进行观测区域的实景三维建模日臻成熟。实景三维模型能够非常直观的反映出地物的体状结构、纹理特征、光谱特征等,具有比传统的遥感影像更加丰富的数据维度,因此已经逐步应用于智慧城市、灾害监测、生态保护等领域中,并且表现出巨大的潜力。
然而数据观测维度的增加并不直接带来可用信息的增长,虽然倾斜摄影测量的方法获得了精细的实景三维模型,能够直观的展示地物的三维表面结构、纹理等信息,但是在众多遥感应用中仍然是先将其转换为传统的遥感数据类型(数字表面模型(DigitalSurface Model,DSM)、数字正射影像图(Digital Orthophoto Map,DOM))再继续分析。
现有的技术方法多集中于建模方面,虽有一些模型分割、目标提取等相关算法提出,但这些算法主要利用了三维模型的形状特征进行分析,未能较好的综合应用其丰富的光谱、纹理等信息,多适用于城区等建筑几何形状较为规则的区域;在地物种类丰富、地物类别间区分度不高的区域,分类较为困难;另一方面再将三维模型转换为二维影像的过程中,地物丰富的侧面纹理、光谱信息会丢失绝大部分,几何结构特征也将在转换过程中仅剩下高程信息,数据利用率低,在地物类别复杂的情况下,错分现象严重。
发明内容
因此,本发明要解决的技术问题在于克服现有技术中的对实景三维模型解译过程中有信息丢失等现象导致分类结果效果差的缺陷,从而提供一种面向对象的实景三维模型多层次解译方法及系统。
为达到上述目的,本发明提供如下技术方案:
第一方面,本发明实施例提供一种面向对象的实景三维模型多层次解译方法,包括如下步骤:将待解译实景三维模型分为地形表面部分、立体地物部分两个层次;
基于地形表面部分的正射影像,采用面向对象的影像分类方法对地形表面部分进行分类;
对立体地物部分进行独立地物单体化处理,并基于独立地物单体的特征,采用机器学习算法对立体地物部分的分类;
将地形表面部分和立体地物部分的分类结果进行整合,得到整个实景三维模型的解译结果。
在一实施例中,利用布料模拟滤波算法将待解译实景三维模型分为地形表面部分、立体地物部分两个层次。
在一实施例中,基于地形表面部分的正射影像,采用面向对象的影像分类方法对地形表面部分进行分类的步骤,包括:
采用面向对象的影像解译方法,对地形表面模型的正射影像进行分类;
获取地形表面模型中的一个三角面片,根据其三个顶点的地理坐标,计算其内心的地理坐标,将内心在分类影像中分类结果映射回三角面片;
遍历地形表面模型的所有三角面片,完成地形表面模型的分类,得到地形表面部分的分类结果。
在一实施例中,对立体地物部分进行独立地物单体化处理的步骤,包括:构建立体地物部分三角网格拓扑关系;基于所述拓扑关系进行面片相似性聚类,得到面片簇及面片簇之间的相邻关系;根据面片簇之间的相邻关系,将空间上相邻的面片簇标记为同一个独立地物,实现独立地物单体化。
在一实施例中,构建立体地物部分三角网格拓扑关系的步骤,包括:
读取立体地物部分模型三角网格中的三角面片,每个三角面片通过3个顶点与多个三角面片相邻;
将三角面片相邻的三角面片进行记录;
遍历立体地物部分模型中所有三角面片,完成三角网格模型的拓扑关系建立。
在一实施例中,基于所述拓扑关系进行面片相似性聚类,得到面片簇及面片簇之间的相邻关系的步骤,包括:
计算所有三角面片的至少之一个特征值;
将相邻且特征差值小于预设特征差异阈值的面片,标记为一个面片簇;
遍历所有三角面片,完成面片相似性聚类,同时记录每个面片簇之间的相邻关系。
在一实施例中,根据面片簇之间的相邻关系,将空间上相邻的面片簇标记为同一个独立地物,实现独立地物单体化的步骤,包括:
遍历所有的面片簇,将面片簇内的三角面片特征加权平均,得到面片簇的特征;
给定独立地物编号n,读取三角面片簇,将其与其相邻且特征相似的三角面片簇标记为独立地物;
获取与其相邻的三角面片簇再相邻且特征相似的三角面片簇,标记为独立地物n,如此反复扩展,直到不存在与其相邻的三角面片簇,以实现独立地物的单体化。
在一实施例中,基于独立地物单体的特征,采用机器学习算法对立体地物部分的分类的步骤,包括:
遍历所有独立地物,计算各个独立地物所的多维特征,组成特征向量;
选取预设数量的的训练样本,采用机器学习算法,对立体地物部分进行分类。
第二方面,本发明实施例提供面向对象的实景三维模型多层次解译系统,包括:
实景三维模型分层模块,用于将待解译实景三维模型分为地形表面部分、立体地物部分两个层次;
地形表面部分分类模块,用于基于地形表面部分的正射影像,采用面向对象的影像分类方法对地形表面部分进行分类;
立体地物部分分类模块,用于对立体地物部分进行独立地物单体化处理,并基于独立地物单体的特征,采用机器学习算法对立体地物部分的分类;
解译结果获取模块,用于将地形表面部分和立体地物部分的分类结果进行整合,得到整个实景三维模型的解译结果。
第三方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行本发明实施例第一方面的面向对象的实景三维模型多层次解译方法。
第四方面,本发明实施例提供一种计算机设备,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行本发明实施例第一方面的面向对象的实景三维模型多层次解译方法。
本发明技术方案,具有如下优点:
本发明提供的面向对象的实景三维模型多层次解译方法及系统,将模型分为地形表面部分、立体地物部分两个层次分别进行分类,降低模型解译难度;采用面向对象的模型解译方法,可以改善其他基于面片算法在分类过程中产生的椒盐噪声现象;基于几何、纹理、光谱多维特征融合策略,提高了分类结果的准确性与鲁棒性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术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些实施方式,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为本发明实施例中面向对象的实景三维模型多层次解译方法的一个具体示例的流程图;
图2为本发明实施例中三角面片通过顶点与多个三角面片相邻的示意图;
图3为本发明实施例中面向对象的实景三维模型多层次解译系统的一个具体示例的模块组成图;
图4为本发明实施例提供的计算机设备一个具体示例的组成图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
本发明实施例提供一种面向对象的实景三维模型多层次解译方法,如图1所示,包括如下步骤:
步骤S1:将待解译实景三维模型分为地形表面部分、立体地物部分两个层次。本发明实施例,利用布料模拟滤波(Cloth Simulation Filter,CSF)算法,将待解译实景三维模型分为地形表面部分、立体地物部分两个层次,本发明实施例中的地形表面部分指的是将整个实景三维模型中高于地表的地物(如树木、建筑、市政设施等)移走以后,留下来的起伏相对平缓的区域,如地表草地、缓坡,变换观测角度时不遮挡其他地物的地形区域;立体地物部分是高于地表的地物,包括建筑物、构筑物、具有一定高度的植物等。本发明实施例中进行分层次的方法仅作为举例,但不以此为限,在实际应用中可以采用其他方式,例如通过设置高度阈值的方式分层次,本发明实施例采用布料模拟滤波算法分层的效果较佳。
步骤S2:基于地形表面部分的正射影像,采用面向对象的影像分类方法对地形表面部分进行分类。本发明实施例中的面向对象的影像解译方法为现有技术中的比较成熟的解译算法,在实际应用各种可以根据实际图像类型合理选择。
步骤S3:对立体地物部分进行独立地物单体化处理,并基于独立地物单体的特征,采用机器学习算法对立体地物部分的分类。
本发明实施例对立体地物部分进行独立地物单体化处理时,首先构建立体地物部分三角网格拓扑关系;基于拓扑关系进行面片相似性聚类,得到面片簇及面片簇之间的相邻关系;根据面片簇之间的相邻关系,将空间上相邻的面片簇标记为同一个独立地物,实现独立地物单体化。通过提取独立地物单体的几何、纹理、光谱多维特征进行融合进行分类。
步骤S4:将地形表面部分和立体地物部分的分类结果进行整合,得到整个实景三维模型的解译结果。
本发明实施例提供的实景三维模型立体分层处理方法,将模型分为地形表面和立体地物两部分,降低模型解译难度,更符合地物的实际情况;采用面向对象的模型解译方法,可以改善其他基于面片算法在分类过程中产生的椒盐噪声现象;基于几何、纹理、光谱多维特征融合策略,提高了分类结果的准确性与鲁棒性。
在一具体实施例中,采用布料模拟滤波算法对实景三维模型进行立体层次分层时,先对模型的密集匹配点云做滤波处理,然后再遍历模型的所有三角面片,根据其顶点组成,判断其为地形表面还是立体地物。具体步骤,包括:
步骤11:采用CSF滤波算法,将整个模型的密集匹配点云分为地面点与非地面点两部分;
步骤12:读取三维模型中的一个三角面片,每个三角面片由3个密集匹配点构成,统计该面片中非地面点的数量;
步骤13:若该面片的3个密集匹配点中有2个及以上的非地面点,则认为该面片为立体地物部分面片,反之为地形表面部分的面片;
步骤14:遍历整个模型中的三角面片,重复步骤12~步骤13,将整个三维模型分为地形表面与立体地物两部分。
在完成了模型的立体分层之后,本发明实施例中先对地形表面模型进行分类,在分类时首先需要获取地形表面的正射影像获取地形表面部分的正射影像的具体步骤,包括:
步骤21:新建一张与正射影像相同大小、分辨率、坐标系的空白正射影像;
步骤22:读取地形表面部分模型中1个三角面片,根据其顶点坐标信息,得到其在正射影像中的三角区域的顶点行列号;
步骤23:根据其纹理点坐标信息,得到其在纹理贴图中的三角区域的顶点行列号;
步骤24:根据纹理贴图与正射影像中两个三角形区域的顶点行列号,进行两个三角形的仿射变换,将纹理贴图中影像映射到正射影像中;
步骤25:遍历地形表面模型中的所有面片,重复步骤22-步骤25,得到地形表面正射影像。
在获取了地形表面模型的正射影像之后,采用面向对象的影像分类方法,对正射影像进行分类,再将分类结果映射回地形表面模型。具体步骤包括:
步骤26:采用面向对象的影像解译方法,得到地形表面模型正射影像分类结果;本发明实施例中的面向对象的影像解译方法为现有技术中的比较成熟的解译算法,在实际应用各种可以根据实际图像类型合理选择。
步骤27:读取地形表面模型中的一个三角面片,根据其三个顶点的地理坐标,计算其内心的地理坐标坐标,将内心在分类影像中分类结果,映射回三角面片;
步骤28:遍历地形表面模型的所有三角面片,重复步骤27,完成地形表面模型的分类,得到地形表面模型的分类结果。
在本发明实施例中,对立体地物部分进行独立地物单体化处理的步骤,包括:构建立体地物部分三角网格拓扑关系;基于拓扑关系进行面片相似性聚类,得到面片簇及面片簇之间的相邻关系;根据面片簇之间的相邻关系,将空间上相邻的面片簇标记为同一个独立地物,实现独立地物单体化。
其中,构建立体地物部分三角网格拓扑关系的步骤,包括:
步骤311:读取立体地物部分模型三角网格中三角面片,三个顶点两两确定一条直线边线,则每个三角面片可通过3个顶点与多个三角面片相邻。如图2所示,三角面f1与三角面f2-f14通过点相邻;
步骤312:将该三角面片相邻的三角面片记录下来,存入一个数组;
步骤313:遍历立体地物部分模型中所有三角面片,重复步骤311-步骤312,完成三角网格模型的拓扑关系建立。
在完成了三角面片拓扑关系的构建之后,再进行面片相似性聚类,具体步骤包括:
步骤321:遍历所有三角面片,计算所有面片的特征,特征类型可以包括:几何特征(面片法向量朝向、面片平坦度等)与光谱特征(R、G、B通道均值、标准差,可见光植被指数等),仅以此举例,不以此为限;
步骤322:设定特征差异阈值,将相邻且特征差值小于特征差异阈值的面片,标记为一个面片簇;
步骤323:遍历所有三角面片,重复步骤322,完成面片相似性聚类,同时记录每个面片簇之间的相邻关系。面片相似性聚类结果可用不同颜色进行标注,每种颜色所代表的面片簇都是由相邻且特征相似的面片组成。
在完成了面片相似性聚类之后,再独立地物的单体化。在抽离了地形表面的立体地物模型中,每栋建筑、每棵树在空间上都是不相连的,利用这一特性,根据面片簇之间的相邻关系,将空间上相邻的面片簇标记为同一个独立地物,实现单体化。具体步骤如下:
步骤331:遍历所有的面片簇,将面片簇内的三角面片特征加权平均,得到面片簇的特征;
步骤332:给定独立地物编号n,读取第一个三角面片簇,将其与其相邻且特征相似的三角面片簇标记为独立地物n;
步骤333:读取与其相邻的三角面片簇再相邻且特征相似的三角面片簇,标记为独立地物n,如此反复扩张,直到不存在与其相邻的三角面片簇;
步骤334:重复步骤332-步骤333,完成独立地物的单体化。
需要说明的是,本发明实施例中涉及到所有的三角面片,三角面片簇,独立地物,均存储在数组中,在进行处理时,均是从数组中的第一个元素开始。
在完成了独立地物单体化之后,对独立地物单体进行特征提取与分类。具体步骤如下:
步骤341:读取一个独立地物,计算其多个特征,组成特征向量。多个特征包括光谱特征(例如可见光植被指数)、几何特征(例如独立地物方正度)、顶面纹理特征(平均值、方差、角二阶矩、同质性、对比度、不相似性)、侧面纹理特征等。
步骤342:遍历所有独立地物,重复步骤341,完成所有独立地物的特征计算;
步骤343:选取一定的训练样本,采用机器学习算法,完成立体地物部分的分类。
本实施例中的机器学习算法可以采用、支持向量机、人工神经网络随机森林等等,在此不做具体限制。
实施例2
本发明实施例提供一种面向对象的实景三维模型多层次解译系统,如图3所示,包括:
实景三维模型分层模块1,用于将待解译实景三维模型分为地形表面部分、立体地物部分两个层次。此模块执行实施例1中的步骤S1所描述的方法,在此不再赘述。
地形表面部分分类模块2,用于基于地形表面部分的正射影像,采用面向对象的影像分类方法对地形表面部分进行分类。此模块执行实施例1中的步骤S2所描述的方法,在此不再赘述。
立体地物部分分类模块3,用于对立体地物部分进行独立地物单体化处理,并基于独立地物单体的特征,采用机器学习算法对立体地物部分的分类。此模块执行实施例1中的步骤S3所描述的方法,在此不再赘述。
解译结果获取模块4,用于将地形表面部分和立体地物部分的分类结果进行整合,得到整个实景三维模型的解译结果。此模块执行实施例1中的步骤S4所描述的方法,在此不再赘述。
本发明实施例提供的实景三维模型立体分层处理系统,将模型分为地形表面和立体地物两部分,降低模型解译难度,更符合地物的实际情况;采用面向对象的模型解译方法,可以改善其他基于面片算法在分类过程中产生的椒盐噪声现象;基于几何、纹理、光谱多维特征融合策略,提高了分类结果的准确性与鲁棒性。
实施例3
本发明实施例提供一种计算机设备,如图4所示,该设备可以包括处理器51和存储器52,其中处理器51和存储器52可以通过总线或者其他方式连接,图4以通过总线连接为例。
处理器51可以为中央处理器(Central Processing Unit,CPU)。处理器51还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器52作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本发明实施例中的对应的程序指令/模块。处理器51通过运行存储在存储器52中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及数据处理,即实现上述方法实施例1中的面向对象的实景三维模型多层次解译方法。
存储器52可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储处理器51所创建的数据等。此外,存储器52可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器52可选包括相对于处理器51远程设置的存储器,这些远程存储器可以通过网络连接至处理器51。上述网络的实例包括但不限于互联网、企业内部网、企业内网、移动通信网及其组合。
一个或者多个模块存储在存储器52中,当被处理器51执行时,执行实施例1中的面向对象的实景三维模型多层次解译方法。
上述计算机设备具体细节可以对应参阅实施例1中对应的相关描述和效果进行理解,此处不再赘述。
本领域技术人员可以理解,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-StateDrive,SSD)等;存储介质还可以包括上述种类的存储器的组合。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (11)
1.一种面向对象的实景三维模型多层次解译方法,其特征在于,包括如下步骤:
将待解译实景三维模型分为地形表面部分、立体地物部分两个层次;
基于地形表面部分的正射影像,采用面向对象的影像分类方法对地形表面部分进行分类;
对立体地物部分进行独立地物单体化处理,并基于独立地物单体的特征,采用机器学习算法对立体地物部分的分类;
将地形表面部分和立体地物部分的分类结果进行整合,得到整个实景三维模型的解译结果。
2.根据权利要求1所述的面向对象的实景三维模型多层次解译方法,其特征在于,利用布料模拟滤波算法将待解译实景三维模型分为地形表面部分、立体地物部分两个层次。
3.根据权利要求1所述的面向对象的实景三维模型多层次解译方法,其特征在于,基于地形表面部分的正射影像,采用面向对象的影像分类方法对地形表面部分进行分类的步骤,包括:
采用面向对象的影像解译方法,对地形表面模型的正射影像进行分类;
获取地形表面模型中的一个三角面片,根据其三个顶点的地理坐标,计算其内心的地理坐标,将内心在分类影像中分类结果映射回三角面片;
遍历地形表面模型的所有三角面片,完成地形表面模型的分类,得到地形表面部分的分类结果。
4.根据权利要求1所述的面向对象的实景三维模型多层次解译方法,其特征在于,对立体地物部分进行独立地物单体化处理的步骤,包括:
构建立体地物部分三角网格拓扑关系;
基于所述拓扑关系进行面片相似性聚类,得到面片簇及面片簇之间的相邻关系;
根据面片簇之间的相邻关系,将空间上相邻的面片簇标记为同一个独立地物,实现独立地物单体化。
5.根据权利要求4所述的面向对象的实景三维模型多层次解译方法,其特征在于,构建立体地物部分三角网格拓扑关系的步骤,包括:
读取立体地物部分模型三角网格中的三角面片,每个三角面片通过3个顶点与多个三角面片相邻;
将三角面片相邻的三角面片进行记录;
遍历立体地物部分模型中所有三角面片,完成三角网格模型的拓扑关系建立。
6.根据权利要求5所述的面向对象的实景三维模型多层次解译方法,其特征在于,基于所述拓扑关系进行面片相似性聚类,得到面片簇及面片簇之间的相邻关系的步骤,包括:
计算所有三角面片的至少之一个特征值;
将相邻且特征差值小于预设特征差异阈值的面片,标记为一个面片簇;
遍历所有三角面片,完成面片相似性聚类,同时记录每个面片簇之间的相邻关系。
7.根据权利要求6所述的面向对象的实景三维模型多层次解译方法,其特征在于,根据面片簇之间的相邻关系,将空间上相邻的面片簇标记为同一个独立地物,实现独立地物单体化的步骤,包括:
遍历所有的面片簇,将面片簇内的三角面片特征加权平均,得到面片簇的特征;
给定独立地物编号n,读取三角面片簇,将其与其相邻且特征相似的三角面片簇标记为独立地物;
获取与其相邻的三角面片簇再相邻且特征相似的三角面片簇,标记为独立地物n,如此反复扩展,直到不存在与其相邻的三角面片簇,以实现独立地物的单体化。
8.根据权利要求7所述的面向对象的实景三维模型多层次解译方法,其特征在于,基于独立地物单体的特征,采用机器学习算法对立体地物部分的分类的步骤,包括:
遍历所有独立地物,计算各个独立地物所的多维特征,组成特征向量;
选取预设数量的的训练样本,采用机器学习算法,对立体地物部分进行分类。
9.一种面向对象的实景三维模型多层次解译系统,其特征在于,包括:
实景三维模型分层模块,用于将待解译实景三维模型分为地形表面部分、立体地物部分两个层次;
地形表面部分分类模块,用于基于地形表面部分的正射影像,采用面向对象的影像分类方法对地形表面部分进行分类;
立体地物部分分类模块,用于对立体地物部分进行独立地物单体化处理,并基于独立地物单体的特征,采用机器学习算法对立体地物部分的分类;
解译结果获取模块,用于将地形表面部分和立体地物部分的分类结果进行整合,得到整个实景三维模型的解译结果。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行如权利要求1-8任一项所述的面向对象的实景三维模型多层次解译方法。
11.一种计算机设备,其特征在于,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行如权利要求1-8任一项所述的面向对象的实景三维模型多层次解译方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010469870.9A CN111754618B (zh) | 2020-05-28 | 2020-05-28 | 一种面向对象的实景三维模型多层次解译方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010469870.9A CN111754618B (zh) | 2020-05-28 | 2020-05-28 | 一种面向对象的实景三维模型多层次解译方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111754618A true CN111754618A (zh) | 2020-10-09 |
CN111754618B CN111754618B (zh) | 2024-04-02 |
Family
ID=72674062
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010469870.9A Active CN111754618B (zh) | 2020-05-28 | 2020-05-28 | 一种面向对象的实景三维模型多层次解译方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111754618B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112297011A (zh) * | 2020-10-29 | 2021-02-02 | 久瓴(上海)智能科技有限公司 | 农林机器人避障方法、装置、计算机设备和存储介质 |
CN113362458A (zh) * | 2020-12-23 | 2021-09-07 | 深圳大学 | 模拟多视角成像的三维模型解译方法、终端及存储介质 |
CN114155346A (zh) * | 2021-11-19 | 2022-03-08 | 埃洛克航空科技(北京)有限公司 | 用于地形匹配的数据处理方法和装置 |
CN115421509A (zh) * | 2022-08-05 | 2022-12-02 | 北京微视威信息科技有限公司 | 一种无人机飞行拍摄规划方法、装置及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160247290A1 (en) * | 2015-02-23 | 2016-08-25 | Mitsubishi Electric Research Laboratories, Inc. | Method for Labeling Images of Street Scenes |
CN109872389A (zh) * | 2017-12-01 | 2019-06-11 | 核工业北京地质研究院 | 一种基于三维地表模型的遥感地质构造解译方法 |
CN110047036A (zh) * | 2019-04-22 | 2019-07-23 | 重庆交通大学 | 基于极坐标格网的地面激光扫描数据建筑物立面提取方法 |
CN110189405A (zh) * | 2019-05-31 | 2019-08-30 | 重庆市勘测院 | 一种顾及建筑物密度的实景三维建模方法 |
CN110570428A (zh) * | 2019-08-09 | 2019-12-13 | 浙江合信地理信息技术有限公司 | 一种从大规模影像密集匹配点云分割建筑物屋顶面片的方法及系统 |
CN111079807A (zh) * | 2019-12-05 | 2020-04-28 | 二十一世纪空间技术应用股份有限公司 | 一种地物分类方法及装置 |
-
2020
- 2020-05-28 CN CN202010469870.9A patent/CN111754618B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160247290A1 (en) * | 2015-02-23 | 2016-08-25 | Mitsubishi Electric Research Laboratories, Inc. | Method for Labeling Images of Street Scenes |
CN109872389A (zh) * | 2017-12-01 | 2019-06-11 | 核工业北京地质研究院 | 一种基于三维地表模型的遥感地质构造解译方法 |
CN110047036A (zh) * | 2019-04-22 | 2019-07-23 | 重庆交通大学 | 基于极坐标格网的地面激光扫描数据建筑物立面提取方法 |
CN110189405A (zh) * | 2019-05-31 | 2019-08-30 | 重庆市勘测院 | 一种顾及建筑物密度的实景三维建模方法 |
CN110570428A (zh) * | 2019-08-09 | 2019-12-13 | 浙江合信地理信息技术有限公司 | 一种从大规模影像密集匹配点云分割建筑物屋顶面片的方法及系统 |
CN111079807A (zh) * | 2019-12-05 | 2020-04-28 | 二十一世纪空间技术应用股份有限公司 | 一种地物分类方法及装置 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112297011A (zh) * | 2020-10-29 | 2021-02-02 | 久瓴(上海)智能科技有限公司 | 农林机器人避障方法、装置、计算机设备和存储介质 |
CN113362458A (zh) * | 2020-12-23 | 2021-09-07 | 深圳大学 | 模拟多视角成像的三维模型解译方法、终端及存储介质 |
CN113362458B (zh) * | 2020-12-23 | 2024-04-02 | 深圳大学 | 模拟多视角成像的三维模型解译方法、终端及存储介质 |
CN114155346A (zh) * | 2021-11-19 | 2022-03-08 | 埃洛克航空科技(北京)有限公司 | 用于地形匹配的数据处理方法和装置 |
CN114155346B (zh) * | 2021-11-19 | 2022-10-11 | 埃洛克航空科技(北京)有限公司 | 用于地形匹配的数据处理方法和装置 |
CN115421509A (zh) * | 2022-08-05 | 2022-12-02 | 北京微视威信息科技有限公司 | 一种无人机飞行拍摄规划方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111754618B (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113128405B (zh) | 一种结合语义分割与点云处理的植物识别与模型构建方法 | |
CN110570428B (zh) | 一种从大规模影像密集匹配点云分割建筑物屋顶面片的方法及系统 | |
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 | |
Ramiya et al. | Segmentation based building detection approach from LiDAR point cloud | |
CN109242862B (zh) | 一种实时的数字表面模型生成方法 | |
CN109685080B (zh) | 基于霍夫变换与区域生长的多尺度平面提取方法 | |
CA2995850A1 (en) | Systems and methods for analyzing remote sensing imagery | |
US20090210205A1 (en) | Geospatial modeling system providing simulated tree trunks and branches for groups of tree crown vegetation points and related methods | |
CN116310192A (zh) | 一种基于点云的城市级建筑物三维模型单体重建方法 | |
CN114332366A (zh) | 数字城市单体房屋点云立面3d特征提取方法 | |
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 | |
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 | |
CN114612488A (zh) | 建筑物单体化信息提取方法、计算机装置及存储介质 | |
Shen et al. | A polygon aggregation method with global feature preservation using superpixel segmentation | |
CN114004938B (zh) | 一种基于海量数据的城市场景重建方法及装置 | |
CN110838115A (zh) | 运用轮廓线提取和四维曲面拟合的古文物三维模型变化检测方法 | |
CN115205690B (zh) | 基于mls点云数据的行道树单体化提取方法及装置 | |
CN115661404A (zh) | 一种多细粒度树木实景参数化建模方法 | |
Yun et al. | Supervoxel-based saliency detection for large-scale colored 3D point clouds | |
CN115861247A (zh) | 一种高分辨率遥感影像轮廓多级正则化方法、系统及应用 | |
CN114332134B (zh) | 一种基于密集点云的建筑物立面提取方法和装置 | |
CN115471634A (zh) | 一种城市绿植孪生的建模方法及装置 | |
CN113963259A (zh) | 基于点云数据的街景地物多维度提取方法和系统 | |
Yang et al. | A surface graph based deep learning framework for large-scale urban mesh semantic segmentation | |
Zhou | 3D urban modeling from city-scale aerial LiDAR 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 |