CN111814715A - 一种地物分类方法及装置 - Google Patents

一种地物分类方法及装置 Download PDF

Info

Publication number
CN111814715A
CN111814715A CN202010688763.5A CN202010688763A CN111814715A CN 111814715 A CN111814715 A CN 111814715A CN 202010688763 A CN202010688763 A CN 202010688763A CN 111814715 A CN111814715 A CN 111814715A
Authority
CN
China
Prior art keywords
patch
vegetation
dimensional
ground
area
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
Application number
CN202010688763.5A
Other languages
English (en)
Other versions
CN111814715B (zh
Inventor
王谱佐
高云龙
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.)
Wuhai Dashi Intelligence Technology Co ltd
Original Assignee
Wuhai Dashi Intelligence Technology 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 Wuhai Dashi Intelligence Technology Co ltd filed Critical Wuhai Dashi Intelligence Technology Co ltd
Priority to CN202010688763.5A priority Critical patent/CN111814715B/zh
Publication of CN111814715A publication Critical patent/CN111814715A/zh
Application granted granted Critical
Publication of CN111814715B publication Critical patent/CN111814715B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/176—Urban or other man-made structures
    • 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
    • G06T2207/10024—Color image
    • 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
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30184—Infrastructure
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

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)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明提供一种地物分类方法及装置，该方法包括：获取无人机采集并经处理后得到的实景三维数据，解析实景三维数据得到表面三维的顶点、面片拓扑结构及纹理映射关系；通过布料模拟算法对顶点数据滤波得到地面顶点构成的面片；对面片颜色特征分析，基于植被颜色阈值进行植被的区域增长，通过图割算法处理植被面片的候选区得到精确的植被类别面片；将近似垂直于地面的立面面片投影至二维平面，记录投影面积累计值，确定建筑物立面在二维平面的区域范围；将建筑物立面区域范围反投影至三维面片，通过基于高度的区域增长得到建筑物类别的面片。通过该方案解决了地物分类不准确的问题，可以实现对不同地物对应区域的准确划分，提高数据分类处理速度。

Description

一种地物分类方法及装置
技术领域
本发明涉及实景三维数据处理领域，尤其涉及一种地物分类方法及装置。
背景技术
利用遥感技术解译土地覆盖地物类型是遥感应用研究的热门课题，在智慧城市、土地检测等领域起着重要作用，一般土地覆盖成分或分布主要包含建筑物、植被和地表结构。为有效解译地物分布类型，常通过遥感卫星影像和激光点云等数据进行地物分类处理，但由于地物数据存在三维信息丢失或纹理缺失等，导致地物分类不准确的问题。
发明内容
有鉴于此，本发明实施例提供了一种地物分类方法及装置，以解决的现有基于遥感卫星或激光点云采集地物数据导致地物分类不准确的问题。
在本发明实施例的第一方面，提供了一种地物分类方法，包括：
获取无人机采集并经处理后生成的实景三维数据，解析所述实景三维数据得到表面三维的顶点、面片拓扑结构及纹理映射关系；
通过布料模拟算法对顶点数据滤波得到地面顶点构成的面片；
对面片颜色特征分析，基于植被颜色阈值进行植被的区域增长，得到植被面片的候选区；
通过图割算法处理植被面片的候选区得到精确的植被类别面片；
将近似垂直于地面的立面面片投影至二维平面，记录投影面积累计值，确定建筑物立面在二维平面的区域范围；
将建筑物立面区域范围反投影至三维面片，通过基于高度的区域增长得到建筑物类别的面片。
在本发明实施例的第二方面，提供了一种用于地物分类的装置，包括：
解析模块，用于获取无人机采集并经处理后生成的实景三维数据，解析所述实景三维数据得到表面三维的顶点、面片拓扑结构及纹理映射关系；
滤波模块，用于通过布料模拟算法对顶点数据滤波得到地面顶点构成的面片；
增长模块，用于对面片颜色特征分析，基于植被颜色阈值进行植被的区域增长，得到植被面片的候选区；
图割模块，用于通过图割算法处理植被面片的候选区得到精确的植被类别面片；
投影模块，用于将近似垂直于地面的立面面片投影至二维平面，记录投影面积累计值，确定建筑物立面在二维平面的区域范围；
反投影模块，用于将建筑物立面区域范围反投影至三维面片，通过基于高度的区域增长得到建筑物类别的面片。
在本发明实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器运行的计算机程序，所述处理器执行所述计算机程序时实现如本发明实施例第一方面所述方法的步骤。
在本发明实施例的第四方面，提供了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程序，所述计算机程序被处理器执行时实现本发明实施例第一方面提供的所述方法的步骤。
本发明实施例中，解析实景三维数据，获取顶点、面片拓扑结构及纹理映射关系，通过布料模拟算法对顶点数据进行滤波，分析面片颜色特征后，基于颜色的区域增长，得到植被面片的候选区域，通过图割算法处理植被候选面片区域，得到精确的植被类别的面片，将近似垂直于二维平面的立面片投影到该平面并记录面积累计值，确定建筑物立面在二维平面的区域范围，通过得到的立面范围反投影回三维面片，并通过基于高度的区域增长得到建筑物类别的面片。从而解决了现有地物分类不准确的问题，基于采集数据包含有三维、带有纹理的地物数据，并结合区域增长、图割算法及反投影等，可以准确分割得到植被及建筑物对应区域，能广泛适应于多种地形，且对阈值设定不敏感，数据处理速度快。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单介绍，显而易见地，下面描述的附图仅仅是本发明的一些实施例，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取其他附图。
图1为本发明的一个实施例提供的地物分类方法的流程示意图；
图2为本发明的一个实施例提供的布料模拟滤波效果示意图；
图3为本发明的一个实施例提供的实景三维投影至二维平面的效果示意图；
图4为本发明的一个实施例提供的用于地物分类的装置的结构示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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它实施例，都属于本发明保护的范围以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
本发明的说明书或权利要求书及上述附图中的术语“包括”以及其他相近意思表述，意指覆盖不排他的包含，如包含一系列步骤或单元的过程、方法或系统、设备没有限定于已列出的步骤或单元。
无人机主要的机身类型是固定翼和旋转翼，在起飞和着陆阶段仅需要简单的人工协助，获取数据便捷。遵循摄影测量工作流程，可利用无人机影像生成带纹理的高精度三维模型，例如数字地形模型(DTM)和数字表面模型(DSM)，基于无人机生成的实景三维数据更贴近真实世界的场景，包含有丰富的纹理和三维信息，并在空间上具有拓扑连续性，可为地物分类工作提供更多的信息。
由面片构建的三维拓扑结构提高了数据的信息量，对分类工作有积极的作用，考虑到实际生产需要，本申请可对地表、植被和建筑物进行分类，基于不同地物的特征和差异性，按照地表—植被—建筑物的顺序依次分类，前一类的分类结果对后面类别起着约束作用。
请参阅图1，本发明实施例提供的一种地物分类方法的流程示意图，包括：
S101、获取无人机采集并经处理后生成的实景三维数据，解析所述实景三维数据得到表面三维的顶点、面片拓扑结构及纹理映射关系；
基于无人机采集的影像数据，经过计算机处理后生成高精度实景三维模型数据，解析实景三维数据，通过OpenMesh处理库，提取三维模型中点、线、面特征及各自邻接关系，并得到完成的拓扑结构。
其中，所述实景三维数据的表面结构为三角网结构，即采用一系列相连接三角形拟合地表或其他不规则表面，用于构造数字地面模型。
S102、通过布料模拟算法对顶点数据滤波得到地面顶点构成的面片；
对三维地面模型中顶点进行滤波计算，确定地面顶点构成的面片。
具体的，将原始点云高程坐标颠倒后，模拟布料掉落至颠倒的地表表面，通过分析布节点与三维点云间的相互作用，确定布的最终形状，以此将原始点云分为地面和非地面部分。得到滤波后的地表点云后，对面片进行标注，将三个顶点都为地表点的面片标注为地表类别。
如图2所示，在一个实施例中，利用布料模拟算法对顶点数据滤波。地表信息代表自然的地形起伏，通常为数据中最低的一系列点，布料模拟滤波算法基于一个简单的物理仿真过程，即在一块真实地表上铺放一块布，假设布的材料足够柔软并可以粘在表面上，由于重力下降的结果这块布的最终形状会形成DSM(数字表面模型)。反过来，如果先将地表按高度翻转过来，然后用同意方式来定义布，那么最终的形状就是DTM(数字地形模型)。
S103、对面片颜色特征分析，基于植被颜色阈值进行植被的区域增长，得到植被面片的候选区；
可选的，基于面片顶点纹理坐标对应的颜色值，确定面片对应的纹理块；计算纹理块三通道均值，通过三通道均值表示面片的颜色信息。
获取三维模型面片的纹理信息，一般在实景三维数据中，每个面片都对应纹理图像的一块区域，因此以面片为单位获取纹理信息。获取面片三个顶点的u-v值，得到该面片的对应纹理块。为简化面片的纹理特征，分别计算纹理块的三个通道均值，并以三通道均值表示面片的颜色信息。
优选的，通过植被指数ExG-ExR分析面片颜色特征，得到植被初始种子点；对植被初始种子点进行基于颜色阈值的区域增长，得到得到植被面片的候选区。
其中，计算三维模型每块面片的超绿色-超红色(ExG-ExR)指标，具体的，分别计算超绿色(即ExG＝2×G-R-B)和超红色指标(ExR＝1.4×R-G)，通过ExG-ExR便可得到该指标，将ExG-ExR为正值的面片标注为植被，非正值面片标注为非植被。
由于单纯计算植被指数确定植被区域并不准确，容易出现碎片情况，为保证植被区域的连续性，将标注提取的指标面片作为候选点，通过基于颜色阈值的区域增长的方法填补空洞部分，得到连续完整的植被区域。
S104、通过图割算法处理植被面片的候选区得到精确的植被类别面片；
对实景三维数据中地表的植被区域进行图割操作，划分中心植被区域(前景)和错误边缘(背景)。
具体的，根据三维地表模型的拓扑信息构建图结构，将面片颜色和法向量作为特征约束，迭代计算图结构中能量值，获取能量值最小化的一组解；根据能量值最小化的一组解，对植被边界进行划分。
S105、将近似垂直于地面的立面面片投影至二维平面，记录投影面积累计值，确定建筑物立面在二维平面的区域范围；
立面面片通常近似垂直于地面，构建二维格网，一般建筑投影到平面的格网越少，则立面所在格网的面积累加值越大。因此，分别计算近似垂直面片(即|法向量nz|<0.1)的投影区域，并累计投影面积，确定建筑物立面在二维平面的区域范围。其中，为简化计算，计算面片三条边包含区域接触到的格网，累计格网时加上面片面积/格网数。
具体的，考虑每个面片的法向量和面积特征，将近似垂直于X-Y(二维)平面的面片投影到该平面并记录面积累计值，以此判断建筑物立面在二维平面的区域范围。
S106、将建筑物立面区域范围反投影至三维面片，通过基于高度的区域增长得到建筑物类别的面片。
在一个实施例中，如图3所示，a表示面片投影面积累计，b表示二值化图像，c表示去除植被后的建筑物边缘。基于立面面积累计及二值化处理可以大致确定建筑物的边缘轮廓(图3中a和b)，由于植被或特殊地物的干扰，无法有效准确判断建筑物区域。基于已得到的植被范围，可以将三维模型中的植被面片投影至二值化图像，可以消除植被影响，得到精确的建筑物立面区域(如图3c)，然后通过基于高度的区域增长得到完整的建筑物范围。
进一步的，考虑到建筑物的范围大小，利用面片集数量、占地面积、和立面总面积筛选出不属于建筑物的一些特殊地物，如广告牌，水塔等。
通过本实施例提供的方法，基于无人机获取的实景三维数据，能准确识别地表、植被、建筑物对应区域，适应性好，数据处理过程简单快速。
应理解，上述实施例中各步骤的序号大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
图2为本发明实施例提供的一种用于地物分类的装置的结构示意图，该装置包括：
解析模块210，用于获取无人机采集并经处理后生成的实景三维数据，解析所述实景三维数据得到表面三维的顶点、面片拓扑结构及纹理映射关系；
滤波模块220，用于通过布料模拟算法对顶点数据滤波得到地面顶点构成的面片；
可选的，所述通过布料模拟算法对顶点数据滤波得到地面顶点构成的面片还包括：
基于布料模拟算法将三维点云划分为地面和非地面两部分；
对滤波后的顶点，当面片顶点均为地面部分则将面片标注为地表类别。
具体的，基于面片顶点纹理坐标对应的颜色值，确定面片对应的纹理块；
计算纹理块三通道均值，通过三通道均值表示面片的颜色信息。
增长模块230，用于对面片颜色特征分析，基于植被颜色阈值进行植被的区域增长，得到植被面片的候选区；
可选的，所述增长模块230包括：
分析单元，用于通过植被指数ExG-ExR分析面片颜色特征，得到植被初始种子点；
增长单元，用于对植被初始种子点进行基于颜色阈值的区域增长，得到得到植被面片的候选区。
具体的，所述通过植被指数ExG-ExR分析面片颜色特征包括：
分别计算每块面片的超绿色和超红色指标，将超绿色指标减去超红色指标后数值为正值的面片标注为植被，将非正值面片标注为非植被。
图割模块240，用于通过图割算法处理植被面片的候选区得到精确的植被类别面片；
具体的，根据三维地表模型的拓扑信息构建图结构，将面片颜色和法向量作为特征约束，迭代计算图结构中能量值，获取能量值最小化的一组解；
根据能量值最小化的一组解，对植被边界进行划分。
投影模块250，用于将近似垂直于地面的立面面片投影至二维平面，记录投影面积累计值，确定建筑物立面在二维平面的区域范围；
反投影模块260，用于将建筑物立面区域范围反投影至三维面片，通过基于高度的区域增长得到建筑物类别的面片。
在本发明的一个实施例中提供了一种用于地物分类的电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器运行的计算机程序，所述处理器执行所述计算机程序时实现如本发明实施例中S101至S106步骤。
在本发明的一个实施例中还提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述实施例提供的温度会员标签预测方法，所述非暂态计算机可读存储介质包括如：ROM/RAM、磁碟、光盘等。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种地物分类方法，其特征在于，包括：
获取无人机采集并经处理后生成的实景三维数据，解析所述实景三维数据得到表面三维的顶点、面片拓扑结构及纹理映射关系；
通过布料模拟算法对顶点数据滤波得到地面顶点构成的面片；
对面片颜色特征分析，基于植被颜色阈值进行植被的区域增长，得到植被面片的候选区；
通过图割算法处理植被面片的候选区得到精确的植被类别面片；
将近似垂直于地面的立面面片投影至二维平面，记录投影面积累计值，确定建筑物立面在二维平面的区域范围；
将建筑物立面区域范围反投影至三维面片，通过基于高度的区域增长得到建筑物类别的面片。
2.根据权利要求1所述的方法，其特征在于，所述通过布料模拟算法对顶点数据滤波得到地面顶点构成的面片还包括：
基于布料模拟算法将三维点云划分为地面和非地面两部分；
对滤波后的顶点，当面片顶点均为地面部分则将面片标注为地表类别。
3.根据权利要求1所述的方法，其特征在于，所述通过布料模拟算法对顶点数据滤波得到地面顶点构成的面片还包括：
基于面片顶点纹理坐标对应的颜色值，确定面片对应的纹理块；
计算纹理块三通道均值，通过三通道均值表示面片的颜色信息。
4.根据权利要求1所述的方法，其特征在于，所述对面片颜色特征分析，基于植被颜色阈值进行植被的区域增长，得到植被面片的候选区具体为：
通过植被指数ExG-ExR分析面片颜色特征，得到植被初始种子点；
对植被初始种子点进行基于颜色阈值的区域增长，得到得到植被面片的候选区。
5.根据权利要求4所述的方法，其特征在于，所述通过植被指数ExG-ExR分析面片颜色特征包括：
分别计算每块面片的超绿色和超红色指标，将超绿色指标减去超红色指标后数值为正值的面片标注为植被，将非正值面片标注为非植被。
6.根据权利要求1所述的方法，其特征在于，所述通过图割算法处理植被面片的候选区得到精确的植被类别面片包括：
根据三维地表模型的拓扑信息构建图结构，将面片颜色和法向量作为特征约束，迭代计算图结构中能量值，获取能量值最小化的一组解；
根据能量值最小化的一组解，对植被边界进行划分。
7.一种的用于地物分类的装置，其特征在于，包括：
解析模块，用于获取无人机采集并经处理后生成的实景三维数据，解析所述实景三维数据得到表面三维的顶点、面片拓扑结构及纹理映射关系；
滤波模块，用于通过布料模拟算法对顶点数据滤波得到地面顶点构成的面片；
增长模块，用于对面片颜色特征分析，基于植被颜色阈值进行植被的区域增长，得到植被面片的候选区；
图割模块，用于通过图割算法处理植被面片的候选区得到精确的植被类别面片；
投影模块，用于将近似垂直于地面的立面面片投影至二维平面，记录投影面积累计值，确定建筑物立面在二维平面的区域范围；
反投影模块，用于将建筑物立面区域范围反投影至三维面片，通过基于高度的区域增长得到建筑物类别的面片。
8.根据权利要求7所述的装置，其特征在于，所述增长模块包括：
分析单元，用于通过植被指数ExG-ExR分析面片颜色特征，得到植被初始种子点；
增长单元，用于对植被初始种子点进行基于颜色阈值的区域增长，得到得到植被面片的候选区。
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述地物分类方法的步骤。
10.一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程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述地物分类方法的步骤。
CN202010688763.5A 2020-07-16 2020-07-16 一种地物分类方法及装置 Active CN111814715B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010688763.5A CN111814715B (zh) 2020-07-16 2020-07-16 一种地物分类方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010688763.5A CN111814715B (zh) 2020-07-16 2020-07-16 一种地物分类方法及装置

Publications (2)

Publication Number Publication Date
CN111814715A true CN111814715A (zh) 2020-10-23
CN111814715B CN111814715B (zh) 2023-07-21

Family

ID=72866506

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010688763.5A Active CN111814715B (zh) 2020-07-16 2020-07-16 一种地物分类方法及装置

Country Status (1)

Country Link
CN (1) CN111814715B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113689567A (zh) * 2021-07-23 2021-11-23 深圳市顺欣同创科技有限公司 在云端单体化倾斜摄影模型中建筑的方法
CN114882272A (zh) * 2022-04-22 2022-08-09 成都飞机工业（集团）有限责任公司 一种航空制造件全角度投影图像面片属性融合分析方法
CN117437164A (zh) * 2023-11-08 2024-01-23 武汉大势智慧科技有限公司 一种三维模型纹理增强方法、装置、电子设备和介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140081605A1 (en) * 2011-06-09 2014-03-20 Kyoto University Dtm estimation method, dtm estimation program, dtm estimation device, and method for creating 3-dimensional building model, and region extraction method, region extraction program, and region extraction device
CN104049245A (zh) * 2014-06-13 2014-09-17 中原智慧城市设计研究院有限公司 基于LiDAR点云空间差异分析的城市建筑物变化检测方法
CN104484668A (zh) * 2015-01-19 2015-04-01 武汉大学 一种无人机多重叠遥感影像的建筑物轮廓线提取方法
US20150213572A1 (en) * 2014-01-24 2015-07-30 Here Global B.V. Methods, apparatuses and computer program products for three dimensional segmentation and textured modeling of photogrammetry surface meshes
US20160217610A1 (en) * 2013-10-09 2016-07-28 Huawei Technologies Co., Ltd. Method, Apparatus and Terminal for Reconstructing Three-Dimensional Object
CN108197583A (zh) * 2018-01-10 2018-06-22 武汉大学 基于图割优化和影像结构特征的建筑物变化检测方法
CN110335352A (zh) * 2019-07-04 2019-10-15 山东科技大学 一种机载激光雷达点云的双基元多分辨率层次滤波方法
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
CN111353402A (zh) * 2020-02-24 2020-06-30 中国科学院地理科学与资源研究所 一种油棕林遥感提取方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140081605A1 (en) * 2011-06-09 2014-03-20 Kyoto University Dtm estimation method, dtm estimation program, dtm estimation device, and method for creating 3-dimensional building model, and region extraction method, region extraction program, and region extraction device
US20160217610A1 (en) * 2013-10-09 2016-07-28 Huawei Technologies Co., Ltd. Method, Apparatus and Terminal for Reconstructing Three-Dimensional Object
US20150213572A1 (en) * 2014-01-24 2015-07-30 Here Global B.V. Methods, apparatuses and computer program products for three dimensional segmentation and textured modeling of photogrammetry surface meshes
CN104049245A (zh) * 2014-06-13 2014-09-17 中原智慧城市设计研究院有限公司 基于LiDAR点云空间差异分析的城市建筑物变化检测方法
CN104484668A (zh) * 2015-01-19 2015-04-01 武汉大学 一种无人机多重叠遥感影像的建筑物轮廓线提取方法
CN108197583A (zh) * 2018-01-10 2018-06-22 武汉大学 基于图割优化和影像结构特征的建筑物变化检测方法
CN110335352A (zh) * 2019-07-04 2019-10-15 山东科技大学 一种机载激光雷达点云的双基元多分辨率层次滤波方法
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
CN111353402A (zh) * 2020-02-24 2020-06-30 中国科学院地理科学与资源研究所 一种油棕林遥感提取方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张刚，等: "基于区域特征分割的密集匹配点云渐进形态学滤波", 《地球信息科学》, vol. 21, no. 4, pages 615 *
张永军，等: "一种地形自适应的机载LiDAR点云正则化TPS滤波方法", 《地球信息科学》, vol. 22, no. 4, pages 898 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113689567A (zh) * 2021-07-23 2021-11-23 深圳市顺欣同创科技有限公司 在云端单体化倾斜摄影模型中建筑的方法
CN114882272A (zh) * 2022-04-22 2022-08-09 成都飞机工业（集团）有限责任公司 一种航空制造件全角度投影图像面片属性融合分析方法
CN117437164A (zh) * 2023-11-08 2024-01-23 武汉大势智慧科技有限公司 一种三维模型纹理增强方法、装置、电子设备和介质

Also Published As

Publication number Publication date
CN111814715B (zh) 2023-07-21

Similar Documents

Publication Publication Date Title
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
CN113034689B (zh) 基于激光点云的地形三维模型及地形图构建方法和系统、存储介质
CN111814715B (zh) 一种地物分类方法及装置
CN106157309B (zh) 一种基于虚拟种子点的机载LiDAR地面点云滤波方法
Sun et al. Aerial 3D building detection and modeling from airborne LiDAR point clouds
CN112070769B (zh) 一种基于dbscan的分层点云分割方法
CN109242862B (zh) 一种实时的数字表面模型生成方法
Ramiya et al. Segmentation based building detection approach from LiDAR point cloud
CN108010092A (zh) 一种基于低空摄影测量的城市高密度区太阳能利用潜力评估方法
Matei et al. Building segmentation for densely built urban regions using aerial lidar data
CN112418245B (zh) 基于城市环境物理模型的电磁发射点定位方法
CN108734728A (zh) 一种基于高分辨序列图像的空间目标三维重构方法
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
KR100963651B1 (ko) 항공라이다자료를 이용한 건물외곽선 자동 추출 방법
CN112990086A (zh) 遥感影像建筑物检测方法、装置及计算机可读存储介质
CN116704333B (zh) 一种基于激光点云数据的单株林木检测方法
JP2022020396A (ja) 森林資源解析装置、森林資源解析方法および森林資源解析プログラム
KR101092250B1 (ko) 레인지 영상으로부터의 객체 분할 장치 및 방법
CN111754618A (zh) 一种面向对象的实景三维模型多层次解译方法及系统
Luo et al. Supervoxel-based region growing segmentation for point cloud data
Shokri et al. A robust and efficient method for power lines extraction from mobile LiDAR point clouds
CN114463338B (zh) 一种基于图割与后处理的建筑物激光脚点自动提取方法
Sun et al. Feasibility study on the estimation of the living vegetation volume of individual street trees using terrestrial laser scanning
Süleymanoğlu et al. Comparison of filtering algorithms used for DTM production from airborne lidar data: A case study in Bergama, Turkey
CN117765006A (zh) 基于无人机影像与激光点云的多层次密集树冠分割方法

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