CN112113544B - 一种基于无人机影像的遥感数据处理方法及系统 - Google Patents
一种基于无人机影像的遥感数据处理方法及系统 Download PDFInfo
- Publication number
- CN112113544B CN112113544B CN201910537242.7A CN201910537242A CN112113544B CN 112113544 B CN112113544 B CN 112113544B CN 201910537242 A CN201910537242 A CN 201910537242A CN 112113544 B CN112113544 B CN 112113544B
- Authority
- CN
- China
- Prior art keywords
- image
- sub
- data
- images
- remote sensing
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/587—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- 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
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Library & Information Science (AREA)
- Multimedia (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于无人机影像的遥感数据处理方法及系统,通过客户端获取用于能够反映拍摄区域全貌的全局图像;主机基于客户端发起的数据写入请求,向客户端返回N个从机的信息,客户端按照预设分割规则将全局图像分割为M个子图像,将M个子图像中每个子图像发送给与该子图像对应的目标从机,P个目标从机中每个目标从机分别对接收到的子图像进行特征提取,得到图像特征数据,并基于图像特征数据对该子图像中的地物进行分类,得到该子图像对应的分类结果,有效地降低了处理海量无人机遥感数据的成本。
Description
技术领域
本发明涉及无人机遥感技术领域,尤其涉及一种基于无人机影像的遥感数据处理方法及系统。
背景技术
相比于卫星遥感平台,无人机遥感系统具有机动灵活、作业成本低等特点,已被广泛应用于应急救灾、资源监察等领域,特别是在多云雾地区,无人机遥感技术更是弥补卫星遥感平台不能穿透云层的缺陷,可获取高清晰度的影像,以便为监测区域环境打下良好的数据基础。然而无人机遥感图像数据量巨大,图像处理变得耗时和昂贵,存储数量迅速增加对图像处理提出了挑战,昂贵的专业工作站处理机器超出了普通用户的承受范围,因此,亟需一种能够低成本地处理海量无人机遥感数据的方案。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于无人机影像的遥感数据处理方法及系统。
第一方面,本发明实施例提供了一种基于无人机影像的遥感数据处理方法,应用于遥感数据处理系统,所述系统包括:客户端以及分布式集群,所述分布式集群包括一个主机和N个从机,所述主机以及所述N个从机中的每个从机均与所述客户端之间通信连接,所述主机与每个所述从机之间通信连接,N为大于或等于2的整数。所述方法包括:
所述客户端获取无人机采集的遥感影像数据以及与遥感影像数据对应的地理位置数据,基于与遥感影像数据对应的地理位置数据对所述遥感影像数据进行拼接镶嵌,得到用于能够反映拍摄区域全貌的全局图像;
所述主机基于所述客户端发起的数据写入请求,向所述客户端返回所述N个从机的信息;
所述客户端按照预设分割规则将所述全局图像分割为M个子图像,基于所述N个从机的信息以及预设分配规则,从所述N个从机中确定P个目标从机,基于所述P个目标从机,确定所述M个子图像中每个子图像对应的目标从机,并将所述M个子图像中每个子图像发送给与该子图像对应的目标从机,其中,M和P均为大于或等于2的整数,P小于或等于N;
所述P个目标从机中每个所述目标从机分别对接收到的子图像进行特征提取,得到图像特征数据,并基于所述图像特征数据对该子图像中的地物进行分类,得到该子图像对应的分类结果。
进一步地,所述按照预设分割规则将所述全局图像分割为M个子图像,基于所述N个从机的信息以及预设分配规则,从所述N个从机中确定P个目标从机,基于所述P个目标从机,确定所述M个子图像中每个子图像对应的目标从机,并将所述M个子图像中每个子图像发送给与该子图像对应的目标从机,包括:通过对所述全局图像构建影像金字塔模型,将所述全局图像分割为M个子图像;基于所述N个从机的信息,利用分布式并行编程模型和计算框架,从所述N个从机中确定P个目标从机,对所述M个子图像进行编码,并确定经过编码的M个子图像中每个子图像对应的目标从机,将经过编码的M个子图像中每个子图像发送与该子图像对应的目标从机,并通过预设的Map函数将每个目标从机存储的子图像导入分布式数据库HBase中。
进一步地,所述对所述M个子图像进行编码,包括:使用Hilbert算法对所述M个子图像进行编码处理,以使得相邻的子图像在存储空间中相邻。
进一步地,所述P个目标从机中每个所述目标从机分别对接收到的子图像进行特征提取,得到图像特征数据,并基于所述图像特征数据对该子图像中的地物进行分类,得到该子图像对应的分类结果之后,还包括:所述客户端获取数据挖掘任务,从所述N个从机中确定作业节点TaskTracker处于空闲状态且正常运行的从机,作为数据挖掘从机,将所述数据挖掘任务发送给所述数据挖掘从机;所述数据挖掘从机基于所述数据挖掘任务从所述目标从机中获取每个子图像的数据分类结果,并基于所述每个子图像的数据分类结果,得到所述数据挖掘任务的数据挖掘结果。
进一步地,所述方法还包括:所述数据挖掘从机将所述数据挖掘结果返回给客户端并在客户端上进行显示。
进一步地,所述系统还包括Web服务器,所述客户端、所述主机以及每个所述从机均与所述Web服务器之间通信连接,所述方法还包括:所述数据挖掘从机将所述数据挖掘结果发送给Web服务器;所述Web服务器对接收到的数据挖掘结果在Web端进行可视化显示。
进一步地,所述对接收到的子图像进行特征提取,得到图像特征数据,并基于所述图像特征数据对该子图像中的地物进行分类,得到该子图像对应的分类结果,包括:提取所述子图像中地物的形状特征数据;提取所述子图像中目标地物的纹理特征数据,所述目标地物为所述子图像包含的地物中在预设时间段内不发生动态变化的地物;基于所述子图像中地物的形状特征数据,以及所述目标地物的纹理特征数据,对该子图像中的地物进行分类,得到该子图像对应的分类结果。
进一步地,所述无人机采集的遥感影像数据包括倾斜遥感影像数据,所述提取所述子图像中目标地物的纹理特征数据包括:基于所述倾斜遥感影像数据,获取所述子图像中目标地物的纹理特征数据。
第二方面,本发明实施例提供了一种基于无人机影像的遥感数据处理系统,包括:客户端以及分布式集群,所述分布式集群包括一个主机和N个从机,所述主机以及所述N个从机中的每个从机均与所述客户端之间通信连接,所述主机与每个所述从机之间通信连接,N为大于或等于2的整数。其中:
所述客户端用于获取无人机采集的遥感影像数据以及与遥感影像数据对应的地理位置数据,基于与遥感影像数据对应的地理位置数据对所述遥感影像数据进行拼接镶嵌,得到用于能够反映拍摄区域全貌的全局图像;
所述主机用于基于所述客户端发起的数据写入请求,向所述客户端返回所述N个从机的信息;
所述客户端还用于按照预设分割规则将所述全局图像分割为M个子图像,基于所述N个从机的信息以及预设分配规则,从所述N个从机中确定P个目标从机,基于所述P个目标从机,确定所述M个子图像中每个子图像对应的目标从机,并将所述M个子图像中每个子图像发送给与该子图像对应的目标从机,其中,M和P均为大于或等于2的整数,P小于或等于N;
所述P个目标从机中每个所述目标从机分别用于对接收到的子图像进行特征提取,得到图像特征数据,并基于所述图像特征数据对该子图像中的地物进行分类,得到该子图像对应的分类结果。
进一步地,所述客户端具体用于:通过对所述全局图像构建影像金字塔模型,将所述全局图像分割为M个子图像;基于所述N个从机的信息,利用分布式并行编程模型和计算框架,从所述N个从机中确定P个目标从机,对所述M个子图像进行编码,并确定经过编码的M个子图像中每个子图像对应的目标从机,将经过编码的M个子图像中每个子图像发送与该子图像对应的目标从机,并通过预设的Map函数将每个目标从机存储的子图像导入分布式数据库HBase中。
本发明实施例提供的技术方案中,先由客户端获取无人机采集的遥感影像数据以及与遥感影像数据对应的地理位置数据,基于与遥感影像数据对应的地理位置数据对遥感影像数据进行拼接镶嵌,得到用于能够反映拍摄区域全貌的全局图像;然后,主机基于客户端发起的数据写入请求,向客户端返回N个从机的信息;接着,客户端按照预设分割规则将全局图像分割为M个子图像,基于N个从机的信息以及预设分配规则,从N个从机中确定P个目标从机,基于P个目标从机,确定M个子图像中每个子图像对应的目标从机,并将M个子图像中每个子图像发送给与该子图像对应的目标从机,其中,M和P均为大于或等于2的整数,P小于或等于N;进而,P个目标从机中的每个目标从机分别对接收到的子图像进行特征提取,得到图像特征数据,并基于图像特征数据对该子图像中的地物进行分类,得到该子图像对应的分类结果。这样就可以通过分布式集群中的多个从机并行处理无人机采集到的海量遥感影像数据,降低每个设备的处理量,不必依赖价格昂贵配置极高的设备,有效地降低了处理海量无人机遥感数据的成本。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例提供的一种基于无人机影像的遥感数据处理系统的结构示意图;
图2示出了本发明实施例提供的一种基于无人机影像的遥感数据处理方法的方法流程图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
图1示出了本发明实施例提供的一种基于无人机影像的遥感数据处理系统的结构示意图。如图1所示,所述系统10包括:客户端101以及分布式集群,其中,分布式集群包括一个主机102和N个从机103(图1中示出的三个从机仅为示例,对从机具体数量不作限制),所述主机102以及所述N个从机103中每个从机103均与所述客户端101之间通信连接,所述主机102与每个所述从机103之间通信连接,N为大于或等于2的整数。其中,客户端101可以采用具有数据处理能力的电子设备。需要说明的是,客户端101、以及分布式集群中的主机102和从机103均可以采用现有的廉价计算机,如价格低于5000元的计算机。
基于此,本发明实施例提供了一种基于无人机影像的遥感数据处理方法,应用于上述遥感数据处理系统10。如图2所示,所述方法可以包括步骤S201至步骤S204。
步骤S201,客户端获取无人机采集的遥感影像数据以及与遥感影像数据对应的地理位置数据,基于与遥感影像数据对应的地理位置数据对所述遥感影像数据进行拼接镶嵌,得到用于能够反映拍摄区域全貌的全局图像。
可以理解的是,无人机低空遥感系统在航摄时,自带有GPS和IMU(InertialMeasurement Unit,惯性测量单元)组成的POS系统,能获取航摄时无人机的地理位置和飞行姿态数据。可以将无人机航摄时获取的POS数据作为遥感影像的初始外方位元素,参与空中三角测量的平差,自动生成数据高程模型,再由数字高程模型生成正射影像。需要说明的是,POS数据主要包括GPS数据和IMU数据,即倾斜摄影测量中的外方位元素:纬度、经度、高程、航向角、俯仰角及翻滚角。
本实施例中,全局图像与拍摄区域的被拍摄景象对应。考虑到无人机获取的遥感影像具有相幅小、数量多的特点,因此,要获得整个区域的全局信息即全局影像,需要对无人机遥感影像进行拼接。影像拼接即为将多张具有重叠区域的影像拼接成一幅大型的无缝高分辨率影像。影像拼接的方法有多种,根据不同的拼接目的、拼接精度和拼接速度要求,可以将无人机低空遥感影像拼接分为有缝快速拼接、全景影像拼接、无控正射影像拼接和有控正射影像拼接。本实施例以全局图像为正射影像为例进行说明。
举例来讲,在一种应用场景中,可以选取天气晴朗且风力较小日期,采用固定翼无人机搭设1个垂直镜头和2个倾斜镜头(左右各一个),对测区进行拍摄任务,3个倾斜架次获取倾斜遥感影像、1个正射架次获取正射遥感影像,飞行高度设置为266米,航向重叠度为80%,旁向重叠度为60%,完成测区数据的采集工作。待4个架次的飞行任务全部完成后可以得到测区的航拍影像及其对应的POS数据。
进而,可以通过预先安装在计算机上的摄影测量软件如数字摄影测量软件Inpho对正射架次采集到的正射遥感影像进行处理,得到测区的正射影像。具体来讲,在上述摄像测量软件中,可以基于地面控制点的经纬度坐标及高程、正射架次采集到的正射遥感影像及其对应的POS数据、以及相机校验参数,自动进行空中三角测量。
可以理解的是,空中三角测量需要先进行内定向,计算遥感影像与相机之间的相对位置关系,建立像素坐标与像平面坐标之间的对应关系,然后进行相对定向,通过识别同名像点恢复相片之间的相对位置关系,最后进行绝对定向,将对象定向后求出的摄影测量左边变换为地面测量坐标,建立像平面坐标与大地坐标之间的关系,即恢复片子拍摄时的位置和姿态。
其中,相机校验参数可以通过预先对安装在无人机上的相机进行校验得到。例如,相机的像幅宽×高的校验值为7952×5304(单位:像素),像素大小的校验值4.500(单位:微米),主点x0为3967.531像素,主点y0为2670.026像素,焦距f为7510.242像素,径向畸变系数k1为-1.092735e-010,径向畸变系数k2为1.670021e-016,径向畸变系数k3为-4.739631e-024,偏心畸变系数p1为-4.047935e-008,偏心畸变系数p2为-1.194756e-008,CCD非正方形比例系数α为-1.657284e-004,CCD非正方形比例系数β为-5.172047e-004。
空中三角测量完成后,获取每张航片的外方位元素以及数字高程模型DEM,进一步匀色后拼接镶嵌,完成测区正射影像的生成。
步骤S202,主机基于所述客户端发起的数据写入请求,向所述客户端返回所述N个从机的信息。
步骤S203,客户端按照预设分割规则将所述全局图像分割为M个子图像,基于所述N个从机的信息以及预设分配规则,从所述N个从机中确定P个目标从机,基于所述P个目标从机,确定所述M个子图像中每个子图像对应的目标从机,并将所述M个子图像中每个子图像发送给与该子图像对应的目标从机,其中,M和P均为大于或等于2的整数,P小于或等于N。
进一步地,本实施例通过Hadoop平台计算并存储海量的遥感影像数据,利用其海量存储和管理数据的能力及并行处理的能力,实现无人机遥感图像快速处理,并建立数据图像挖掘系统,挖掘处理后遥感数据所蕴含的知识,以解决现有无人机遥感影像处理单机性能不足、耗费时间长、效率低下的问题。
本实施例中,需要预先搭建分布式集群,以构建HDFS(Hadoop Distributed FileSystem,分布式文件系统),分布式集群包括主机和N个从机,主机和N个从机之间通过网络如局域网彼此连接。具体来讲,基于Hadoop图像处理的平台,要在HDFS中加载图像,首先要将上述经过经处理的影像及原始影像存储到HDFS中去。也就是说,将上述全局图像以及无人机采集到的原始遥感影像数据均存储到HDFS中。可以理解的是,HDFS由一个NameNode主节点和多个DataNode从节点组成。NameNode对应主机,DataNode对应从机。NameNode存储这文件系统的元数据,这些元数据包括文件系统的命名空间等,向用户提供文件系统的映射,并负责管理文件的存储等服务。实际数据存放在DataNode上,客户端应用程序通过NameNode得到元数据后,便直接与DataNode建立数据访问的连接。
本实施例中,HDFS中写入图像的过程具体可以包括:客户端向主机发起数据写入请求,数据写入请求包括数据大小以及数据块配置信息;主机根据数据大小以及数据块配置信息返回给客户端其管理的N个从机的信息;接着客户端按照预设规则将全局图像分割成M个子图像,并基于经纬度信息之间的关联确定每个子图像对应的原始遥感影像数据,将每个子图像以及相应的原始遥感影像数据作为一个数据块,共计可以得到M个数据块;进而,从N个从机中选定多个目标从机,根据目标从机的地址,按照预设的分配规则将M个数据块中每个数据块写入目标从机中。例如,可以不同数据块写入不同的从机,也可以存在两个以上数据块位于同一从机中,具体根据实际情况中数据块数量、从机数量以及处理要求设置分配规则。
具体来讲,本实施例通过自定义HDFS中图像数据的输入输出格式,重写原有的分割函数,利用MapReduce的Map函数对要写入的数据进行划分,由HDFS和HBase将要写入的数据均衡分配到各个存储结点上。利用本地计算机计算优势将系统数据并行上传到对应的服务器HBase数据库中去。利用HIPI库提供的接口存储所获取的各类数据(原始遥感影像、正射影像、倾斜影像及拼接后的全局图像,数据之间依靠经纬度信息确定彼此之间的联系)。数据块信息、存储结点的地址及其映射关系信息由服务器进行保存。
具体来讲,上述按照预设分割规则将所述全局图像分割为M个子图像,基于所述N个从机的信息以及预设分配规则,从所述N个从机中确定P个目标从机,基于所述P个目标从机,确定所述M个子图像中每个子图像对应的目标从机,并将所述M个子图像中每个子图像发送给与该子图像对应的目标从机的过程可以包括:通过对所述全局图像构建影像金字塔模型,将所述全局图像分割为M个子图像;基于所述N个从机的信息,利用分布式并行编程模型和计算框架,从所述N个从机中确定P个目标从机,对所述M个子图像进行编码,并确定经过编码的M个子图像中每个子图像对应的目标从机,将经过编码的M个子图像中每个子图像发送与该子图像对应的目标从机,并通过预设的Map函数将每个目标从机存储的子图像导入分布式数据库HBase中。
本实施例中,对写入数据的划分,可以通过构建影像金字塔实现。影像金字塔即为对一幅大的遥感影像即上述全局图像进行分块、分层。分块是对分层之后的影像数据按照设定好的影像块进行分割存储,分块之后只需要将需要显示和处理的若干影像块数据读入内存,而并非未分块前的一整幅影像。分层是把分块后的全局图像按照不同分辨率进行管理,具体是把分辨率高的影像层依次通过采样算法得到低一层的影像数据,这样可以根据用户的需求方便快速显示不同分辨率的影像数据,避免了大数据量实时采样的耗时等待。
影像金字塔的搭建过程具体可以包括:将上述全局图像进行分块,然后对数据块进行重采样生成较低分辨率的影像,直至完成预定的分层,最后对每层的影像块按影像金字塔进行组织。可以理解的是,影像数据块的划分方法主要包括带状划分和块状划分。考虑到块状划分更适合图像索引和镶嵌,本实施例中影像数据的划分可以优选采用块状划分方式。将上述全局图像通过预设的网格划分为小块,图像块的形状可以是方形,也可以是矩形。
本实施例使用Hilbert算法对上述分块、分层后的影像块进行编码处理,使得相邻的影像块在存储空间中也相邻。利用HBase数据库作为存储模型,将编码号作为行健,列族数据存储单张原始影像的不同波段数据。利用分布式并行编程模型和计算框架,将经过影像金字塔模型编码的影像数据上载到分布式文件系统HDFS中,并通过Map过程将数据导入分布式数据库HBase中,将操作移植到各个节点进行,子节点和主节点间只有少量元数据信息交换,解决海量影像数据存储及海量影像数据的快速入库问题。
可以理解的是,Hadoop存储任务建立在HDFS之上。Map/Reduce是分布式程序设计模型,Hadoop对输入的影像数据进行分割,存储在对应节点上,调用Map函数进行处理,Reduce主要对Map输出的数据进行规约输出结果。
HBase的作用类似于数据库,传统数据库管理的是集中的本地数据文件,而HBase基于HDFS实现对分布式数据文件的管理,比如增删改查。也就是说,HBase只是利用Hadoop的HDFS帮助其管理数据的持久化文件(HFile),它跟MapReduce没任何关系。HBase的优势在于实时计算,所有实时数据都直接存入HBase中,客户端通过API直接访问HBase,实现实时计算。由于它使用的是nosql,或者说是列式结构,从而提高了查找性能,使其能运用于大数据场景。
可以理解的是,HDFS查询效果没有HBase好,在后续查询过程中将数据存入到HBase中去,有利于提高查询的效率。
在一种可选的实施例中,为提高全局图像的读取速度及分类效率,在对全局图像进行分割之前,可以根据全局图像的经纬度范围,确定全局图像缩放的层次(如缩放级别为21级),然后对全局图像进行分割处理。每个层次上的子图像的数量确定后,可计算出每个子图像在水平、垂直方向上的坐标信息。在此过程中,需要记录各层次的全局图像之间的位置关系,并且要针对每个层次的全局图像,还需要记录每个子图像在全局图像中的位置。在需要对多数据源、多时相、多尺度的海量影像数据进行处理时,可以利用MapReduce并行对每个图像构建影像金字塔,这样可以有效减少操作时间,提高图像入库时的效率及读取数据的速度。
步骤S204,P个目标从机中每个所述目标从机分别对接收到的子图像进行特征提取,得到图像特征数据,并基于所述图像特征数据对该子图像中的地物进行分类,得到该子图像对应的分类结果。
在将全局图像划分为M个子图像,并将每个子图像发送给相应的从机后,被分配到子图像的从机就可以并行对所分配到的子图像进行特征提取,得到该子图像中的特征信息,并基于所述特征信息对该子图像进行分类,得到分类结果。也就是说,将图像中的不同地物加以区分,例如,建筑物、道路、水体、植物、汽车、行人等。不同地物的差异表现为像元光谱信息和空间信息的不同,即不同的地物具有不同的光谱信息和空间信息。
无人机遥感影像的分类是后续进行数据挖掘如城市扩张数据、土地利用变化数据或农作物的长势数据等挖掘的关键步骤。作为一种实施方式,可以对子图像中地物的形状特征数据进行提取。需要预先设定相应的分类体系,按照不同地物所具有的特性,构建图像数据特征空间,提取特征值建立索引检索,建立图像数据特征的立方体,用于后续数据挖掘的处理。具体来讲,首先通过预设的图像特征提取算法对获取到的子图像进行特征提取,输出该子图像的特征向量值,接着计算特征向量值之间的距离度量值,数据变换后建立数据索引文件,对影像进行特征提取。在Hadoop集群中提取相应的特征,奠定聚类分析的基础。设计Map函数,考虑数据量化、度量距离及阈值计算设计等因素,Reduce根据key值,接受上一阶段获取的中间结果,统计成对的键/值,生成特征提取结果。
进而,将提取的特征数据输入到预先训练好的第一分类算法如K最近邻(kNN,k-NearestNeighbor)分类算法、神经网络算法或支持向量机等中,即可得到子图像中地物的分类结果,并将分类结果输入到HBase中去。
在一种可选的实施例中,在上述分类过程中,除了提取形状特征以外,还可以提取子图像中目标地物的纹理特征数据,基于所述子图像中地物的形状特征数据,以及所述目标地物的纹理特征数据,对该子图像中的地物进行分类,得到该子图像对应的分类结果。具体来讲,无人机采集到的原始遥感影像数据包括正射架次采集到的正射遥感影像数据和倾斜架次采集到的倾斜遥感影像数据。利用倾斜遥感影像数据,获取目标地物的纹理特征数据,其中,目标地物为建筑物等在预设时间段内不发生变化的地物,预设时间段可以根据需要设置,例如,可以设置为1小时、一天、一个月或者是一年等。车辆等在预设时间段内会发生动态变化的地物则不属于目标地物。将上述提取的形状特征数据以及目标地物的纹理特征数据,输入到预先训练好的第二分类算法,作为辅助分类,实现对海量数据的处理和分析。本实施例中,第二分类算法也可以采用K最近邻(kNN,k-NearestNeighbor)分类算法、神经网络算法或支持向量机等。
作为一种实施方式,地物纹理特征可以采用GLCM灰度共生矩阵描述,GLCM灰度共生矩阵是建立在估计图像的二阶组合条件概率密度基础上的一种方法。对于一幅图像定义一个方向(orientation)和一个以pixel为单位的步长(step),灰度共生矩阵T(A×A),则定义Q(i,j)为灰度级为i和j的像素同时出现在一个点和沿所定义的方向跨度步长的点上的频率。其中A是灰度级划分数目。由于共生矩阵有方向和步长的组合定义,而决定频率的一个因素是对矩阵有贡献的像素数目,而这个数目要比总共数目少,且随着步长的增加而减少。因此所得到的共生矩阵是一个稀疏矩阵,所以灰度级划分A常常减少到8级。如在水平方向上计算左右方向上像素的共生矩阵,则为对称共生矩阵。类似的,如果仅考虑当前像素单方向(左或右)上的像素,则称为非对称共生矩阵。尽管GLCM提取的纹理特征具有较好的鉴别能力,但是这个方法在计算上是昂贵的,尤其是对于像素级的纹理分类更具有局限性。对于并行计算的Hadoop平台有着较好的计算优势。
在一种可选的实施例中,用于对子图像进行分类的图像特征除了上述形状特征数据、纹理特征数据以外,还可以包括光谱特征数据。考虑到无人机数据仅有3个波段数据(RGB),不像多光谱数据光谱信息较多,因此要充分利用其高分辨率纹理特征,作为分类的主要特征。
本实施例充分利用Hadoop的集群特征,将数据挖掘中需要巨大计算能力的计算和存储要求扩展到集群中的节点上,利用集群的并行计算和存储能力来进行相关数据挖掘工作。可以采用分层的设计思想。在底层,数据来源主要利用HBase中的数据,计算使用Hadoop来存储、分析和处理巨大的数据量,而在高层通过接口直接透明的调用底层的计算和存储能力。将传统的数据挖掘算法在Hadoop平台上实现并行化是构建基于Hadoop平台的数据挖掘系统的主要工作。
所有被分配到子图像的从机计算得到子图像中地物的分类结果并完成对分类结果的存储后,还可以基于这些分类结果,挖掘无人机遥感影像里所蕴含的信息。举例来讲,可以挖掘拍摄区域的植被覆盖率、城市绿化面积或者是基于具有时间序列的无人机影像,可发现城市变化等信息,如城市扩张、土地利用变化情况或农作物的长势信息。具体来讲,在一种可选的实施例中,上述基于无人机影像的遥感数据处理方法还可以包括:所述客户端获取数据挖掘任务,从所述N个从机中确定作业节点TaskTracker处于空闲状态且正常运行的从机,作为数据挖掘从机,将所述数据挖掘任务发送给所述数据挖掘从机;所述数据挖掘从机基于所述数据挖掘任务从所述目标从机中获取每个子图像的数据分类结果,并基于所述每个子图像的数据分类结果,得到所述数据挖掘任务的数据挖掘结果。
可以理解的是,同HDFS分布式存储一样,分布式计算也是由主从模式构建而成。在Hadoop平台中设置一个作为主控的JobTracker,负责作业调度TaskTracker执行计算任务,而TaskTracker负责执行任务。JobTracker将Map任务和Reduce任务分发给空闲的TaskTracker,让这些任务并行运行,并负责监控任务的运行情况。例如,可以在客户端运行JobClient,客户端从JobTracker中获取数据挖掘任务,每个从机中设置有TaskTracker节点,TaskTracker每隔一定的时间就会向JobTracker发出心跳信息,向JobTracker反馈该TaskTracker的工作状态、数据更新更新以及作业节点是否正常等信息,以将数据挖掘任务发送给处于空闲状态且正常运行的TaskTracker节点。接收到数据挖掘任务的TaskTracker节点即为数据挖掘节点,所在的从机作为数据挖掘从机。
具体来讲,客户端可以调用Mahout中的数据挖掘算法,使用MapReduce将数据文件系统中具有大计算量特征的各个子模块(如数据挖掘模块)的计算任务发布到集群中的节点以实现并行计算。挖掘无人机数据中信息的规则和模式,推理知识与规则获取最终的挖掘信息,并进行相关可视化展示以便更好的理解数据、分析数据。
进一步地,本发明实施例提供的基于无人机影像的遥感数据处理系统还可以包括Web服务器,上述客户端、主机以及每个从机均与Web服务器建立了通信连接。在完成数据挖掘任务后,可以将数据挖掘结果返回给客户端并在客户端上进行显示。另外,还可以将数据挖掘结果发送给Web服务器,Web服务器对接收到的数据挖掘结果在Web端进行可视化显示。具体来讲,可以通过Web服务器中的可视化服务模块将所挖掘的内容在Web端进行可视化显示,这样可以直观明了表现出遥感数据中所蕴含的丰富信息,为相关管理部门制定决策(城市规划、环境保护等)提供一定的依据。可以理解的是,在对挖掘结果进行展示的过程中,为了提高访问速度,提高展示效率,可以采取分片及缓存机制。
本发明实施例提供的基于无人机的遥感影像处理方法,将无人机遥感影像数据的获取到最后分类挖掘信息的展示流程,架设在分布式的机器集群上进行处理。无人机采集到的数据量非常大,若通过一个机器来做,对该机器的存储器、处理器要求极高,机器费用很高,一般用户无法承担。而采用分布式集群的方式,将多个计算机(普通的计算机即可,价格不高)设置分别为一个集群中相互通信的一个节点,需要设置一个主节点和多个从节点,主节点进行数据协调,从节点进行分类处理,降低每个设备需要处理的数据量,从而不必依赖价格昂贵配置极高的设备。
另外,本发明实施例还提供了一种基于无人机影像的遥感数据处理系统,包括:客户端以及分布式集群,所述分布式集群包括一个主机和N个从机,所述主机以及所述N个从机中的每个从机均与所述客户端之间通信连接,所述主机与每个所述从机之间通信连接,N为大于或等于2的整数,其中:
所述客户端用于获取无人机采集的遥感影像数据以及与遥感影像数据对应的地理位置数据,基于与遥感影像数据对应的地理位置数据对所述遥感影像数据进行拼接镶嵌,得到用于能够反映拍摄区域全貌的全局图像;
所述主机用于基于所述客户端发起的数据写入请求,向所述客户端返回所述N个从机的信息;
所述客户端还用于按照预设分割规则将所述全局图像分割为M个子图像,基于所述N个从机的信息以及预设分配规则,从所述N个从机中确定P个目标从机,基于所述P个目标从机,确定所述M个子图像中每个子图像对应的目标从机,并将所述M个子图像中每个子图像发送给与该子图像对应的目标从机,其中,M和P均为大于或等于2的整数,P小于或等于N;
所述P个目标从机中每个所述目标从机分别用于对接收到的子图像进行特征提取,得到图像特征数据,并基于所述图像特征数据对该子图像中的地物进行分类,得到该子图像对应的分类结果。
作为一种可选的实施例,所述客户端具体用于:通过对所述全局图像构建影像金字塔模型,将所述全局图像分割为M个子图像;基于所述N个从机的信息,利用分布式并行编程模型和计算框架,从所述N个从机中确定P个目标从机,对所述M个子图像进行编码,并确定经过编码的M个子图像中每个子图像对应的目标从机,将经过编码的M个子图像中每个子图像发送与该子图像对应的目标从机,并通过预设的Map函数将每个目标从机存储的子图像导入分布式数据库HBase中。
作为一种可选的实施例,所述对所述M个子图像进行编码,包括:使用Hilbert算法对所述M个子图像进行编码处理,以使得相邻的子图像在存储空间中相邻。
作为一种可选的实施例,所述客户端还用于获取数据挖掘任务,从所述N个从机中确定作业节点TaskTracker处于空闲状态且正常运行的从机,作为数据挖掘从机,将所述数据挖掘任务发送给所述数据挖掘从机;
所述数据挖掘从机用于基于所述数据挖掘任务从所述目标从机中获取每个子图像的数据分类结果,并基于所述每个子图像的数据分类结果,得到所述数据挖掘任务的数据挖掘结果。
作为一种可选的实施例,所述数据挖掘从机还用于将所述数据挖掘结果返回给客户端并在客户端上进行显示。
作为一种可选的实施例,所述系统还包括Web服务器,所述客户端、所述主机以及每个所述从机均与所述Web服务器之间通信连接,所述数据挖掘从机还用于将所述数据挖掘结果发送给Web服务器;所述Web服务器用于对接收到的数据挖掘结果在Web端进行可视化显示。
作为一种可选的实施例,所述对接收到的子图像进行特征提取,得到图像特征数据,并基于所述图像特征数据对该子图像中的地物进行分类,得到该子图像对应的分类结果,包括:提取所述子图像中地物的形状特征数据;提取所述子图像中目标地物的纹理特征数据,所述目标地物为所述子图像包含的地物中在预设时间段内不发生动态变化的地物;基于所述子图像中地物的形状特征数据,以及所述目标地物的纹理特征数据,对该子图像中的地物进行分类,得到该子图像对应的分类结果。
作为一种可选的实施例,所述无人机采集的遥感影像数据包括倾斜遥感影像数据,所述提取所述子图像中目标地物的纹理特征数据包括:基于所述倾斜遥感影像数据,获取所述子图像中目标地物的纹理特征数据。
需要说明的是,本发明实施例所提供的基于无人机影像的遥感数据处理系统,其中各个组成部分执行操作的具体方式已经在上述方法实施例中进行了详细描述,此处将不做详细阐述说明。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的设备。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令设备的制造品,该指令设备实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本说明书的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本说明书范围的所有变更和修改。
显然,本领域的技术人员可以对本说明书进行各种改动和变型而不脱离本说明书的精神和范围。这样,倘若本说明书的这些修改和变型属于本说明书权利要求及其等同技术的范围之内,则本说明书也意图包含这些改动和变型在内。
Claims (8)
1.一种基于无人机影像的遥感数据处理方法,其特征在于,应用于遥感数据处理系统,所述系统包括:客户端以及分布式集群,所述分布式集群包括一个主机和N个从机,所述主机以及所述N个从机中的每个从机均与所述客户端之间通信连接,所述主机与每个所述从机之间通信连接,N为大于或等于2的整数,所述方法包括:
所述客户端获取无人机采集的遥感影像数据以及与遥感影像数据对应的地理位置数据,基于与遥感影像数据对应的地理位置数据对所述遥感影像数据进行拼接镶嵌,得到用于能够反映拍摄区域全貌的全局图像;
所述主机基于所述客户端发起的数据写入请求,向所述客户端返回所述N个从机的信息;
所述客户端按照预设分割规则将所述全局图像分割为M个子图像,基于所述N个从机的信息以及预设分配规则,从所述N个从机中确定P个目标从机,基于所述P个目标从机,确定所述M个子图像中每个子图像对应的目标从机,并将所述M个子图像中每个子图像发送给与该子图像对应的目标从机,包括:通过对所述全局图像构建影像金字塔模型,将所述全局图像分割为M个子图像;基于所述N个从机的信息,利用分布式并行编程模型和计算框架,从所述N个从机中确定P个目标从机,对所述M个子图像进行编码,并确定经过编码的M个子图像中每个子图像对应的目标从机,将经过编码的M个子图像中每个子图像发送与该子图像对应的目标从机,并通过预设的Map函数将每个目标从机存储的子图像导入分布式数据库HBase中,其中,M和P均为大于或等于2的整数,P小于或等于N;
所述P个目标从机中每个所述目标从机分别对接收到的子图像进行特征提取,得到图像特征数据,并基于所述图像特征数据对该子图像中的地物进行分类,得到该子图像对应的分类结果。
2.根据权利要求1所述的方法,其特征在于,所述对所述M个子图像进行编码,包括:
使用Hilbert算法对所述M个子图像进行编码处理,以使得相邻的子图像在存储空间中相邻。
3.根据权利要求1所述的方法,其特征在于,所述P个目标从机中每个所述目标从机分别对接收到的子图像进行特征提取,得到图像特征数据,并基于所述图像特征数据对该子图像中的地物进行分类,得到该子图像对应的分类结果之后,还包括:
所述客户端获取数据挖掘任务,从所述N个从机中确定作业节点TaskTracker处于空闲状态且正常运行的从机,作为数据挖掘从机,将所述数据挖掘任务发送给所述数据挖掘从机;
所述数据挖掘从机基于所述数据挖掘任务从所述目标从机中获取每个子图像的数据分类结果,并基于所述每个子图像的数据分类结果,得到所述数据挖掘任务的数据挖掘结果。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:所述数据挖掘从机将所述数据挖掘结果返回给客户端并在客户端上进行显示。
5.根据权利要求3所述的方法,其特征在于,所述系统还包括Web服务器,所述客户端、所述主机以及每个所述从机均与所述Web服务器之间通信连接,所述方法还包括:
所述数据挖掘从机将所述数据挖掘结果发送给Web服务器;
所述Web服务器对接收到的数据挖掘结果在Web端进行可视化显示。
6.根据权利要求1所述的方法,其特征在于,所述对接收到的子图像进行特征提取,得到图像特征数据,并基于所述图像特征数据对该子图像中的地物进行分类,得到该子图像对应的分类结果,包括:
提取所述子图像中地物的形状特征数据;
提取所述子图像中目标地物的纹理特征数据,所述目标地物为所述子图像包含的地物中在预设时间段内不发生动态变化的地物;
基于所述子图像中地物的形状特征数据,以及所述目标地物的纹理特征数据,对该子图像中的地物进行分类,得到该子图像对应的分类结果。
7.根据权利要求6所述的方法,其特征在于,所述无人机采集的遥感影像数据包括倾斜遥感影像数据,所述提取所述子图像中目标地物的纹理特征数据包括:
基于所述倾斜遥感影像数据,获取所述子图像中目标地物的纹理特征数据。
8.一种基于无人机影像的遥感数据处理系统,其特征在于,包括:客户端以及分布式集群,所述分布式集群包括一个主机和N个从机,所述主机以及所述N个从机中的每个从机均与所述客户端之间通信连接,所述主机与每个所述从机之间通信连接,N为大于或等于2的整数,其中:
所述客户端用于获取无人机采集的遥感影像数据以及与遥感影像数据对应的地理位置数据,基于与遥感影像数据对应的地理位置数据对所述遥感影像数据进行拼接镶嵌,得到用于能够反映拍摄区域全貌的全局图像;
所述主机用于基于所述客户端发起的数据写入请求,向所述客户端返回所述N个从机的信息;
所述客户端还用于按照预设分割规则将所述全局图像分割为M个子图像,基于所述N个从机的信息以及预设分配规则,从所述N个从机中确定P个目标从机,基于所述P个目标从机,确定所述M个子图像中每个子图像对应的目标从机,并将所述M个子图像中每个子图像发送给与该子图像对应的目标从机,通过对所述全局图像构建影像金字塔模型,将所述全局图像分割为M个子图像;基于所述N个从机的信息,利用分布式并行编程模型和计算框架,从所述N个从机中确定P个目标从机,对所述M个子图像进行编码,并确定经过编码的M个子图像中每个子图像对应的目标从机,将经过编码的M个子图像中每个子图像发送与该子图像对应的目标从机,并通过预设的Map函数将每个目标从机存储的子图像导入分布式数据库HBase中,其中,M和P均为大于或等于2的整数,P小于或等于N;
所述P个目标从机中每个所述目标从机分别用于对接收到的子图像进行特征提取,得到图像特征数据,并基于所述图像特征数据对该子图像中的地物进行分类,得到该子图像对应的分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910537242.7A CN112113544B (zh) | 2019-06-20 | 2019-06-20 | 一种基于无人机影像的遥感数据处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910537242.7A CN112113544B (zh) | 2019-06-20 | 2019-06-20 | 一种基于无人机影像的遥感数据处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112113544A CN112113544A (zh) | 2020-12-22 |
CN112113544B true CN112113544B (zh) | 2022-03-08 |
Family
ID=73796118
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910537242.7A Active CN112113544B (zh) | 2019-06-20 | 2019-06-20 | 一种基于无人机影像的遥感数据处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112113544B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112802177A (zh) * | 2020-12-31 | 2021-05-14 | 广州极飞科技股份有限公司 | 航测数据的处理方法、装置、电子设备及存储介质 |
CN112836590B (zh) * | 2021-01-13 | 2022-07-08 | 四川轻化工大学 | 洪涝灾害监测方法、装置、电子设备及存储介质 |
CN113405533B (zh) * | 2021-05-27 | 2022-04-12 | 武汉天远视科技有限责任公司 | 一种航空影像空中三角测量作业方法 |
CN115797377B (zh) * | 2023-02-09 | 2023-05-09 | 山东省鲁南地质工程勘察院(山东省地质矿产勘查开发局第二地质大队) | 一种卫星遥感影像的数据处理系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102194135A (zh) * | 2010-03-08 | 2011-09-21 | 艾美特电器(深圳)有限公司 | 基于核自适应局部保持映射的图像分类方法和图像处理器 |
CN102930275A (zh) * | 2012-10-29 | 2013-02-13 | 福州大学 | 基于Cramer’s V指数的遥感影像特征选择方法 |
CN103200258A (zh) * | 2013-03-28 | 2013-07-10 | 广东威创视讯科技股份有限公司 | 分布式图像拼接方法、拼接服务器和终端 |
CN104299241A (zh) * | 2014-10-30 | 2015-01-21 | 武汉大学 | 基于 Hadoop 的遥感图像显著性目标检测方法及系统 |
WO2017067127A1 (en) * | 2015-10-19 | 2017-04-27 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for image registration in medical imaging system |
CN106845452A (zh) * | 2017-02-23 | 2017-06-13 | 中国公路工程咨询集团有限公司 | 基于北斗的高分遥感数据处理方法 |
-
2019
- 2019-06-20 CN CN201910537242.7A patent/CN112113544B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102194135A (zh) * | 2010-03-08 | 2011-09-21 | 艾美特电器(深圳)有限公司 | 基于核自适应局部保持映射的图像分类方法和图像处理器 |
CN102930275A (zh) * | 2012-10-29 | 2013-02-13 | 福州大学 | 基于Cramer’s V指数的遥感影像特征选择方法 |
CN103200258A (zh) * | 2013-03-28 | 2013-07-10 | 广东威创视讯科技股份有限公司 | 分布式图像拼接方法、拼接服务器和终端 |
CN104299241A (zh) * | 2014-10-30 | 2015-01-21 | 武汉大学 | 基于 Hadoop 的遥感图像显著性目标检测方法及系统 |
WO2017067127A1 (en) * | 2015-10-19 | 2017-04-27 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for image registration in medical imaging system |
CN106845452A (zh) * | 2017-02-23 | 2017-06-13 | 中国公路工程咨询集团有限公司 | 基于北斗的高分遥感数据处理方法 |
Non-Patent Citations (2)
Title |
---|
基于多时相遥感影像的北京平原人工林树种分类;王二丽;《北京工业大学学报》;20170531;第43卷(第5期);全文 * |
基于多路图像融合的目标跟踪系统设计;梁兴建;《四川理工学院学报》;20171231;第30卷(第6期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112113544A (zh) | 2020-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112113544B (zh) | 一种基于无人机影像的遥感数据处理方法及系统 | |
CN101388043B (zh) | 一种基于小块图片的ogc高性能遥感图像地图服务方法 | |
US7944547B2 (en) | Method and system of generating 3D images with airborne oblique/vertical imagery, GPS/IMU data, and LIDAR elevation data | |
CN110321443B (zh) | 三维实景模型数据库构建方法、装置及数据服务系统 | |
CN112559534B (zh) | 一种遥感影像数据归档管理系统及方法 | |
CN109684428A (zh) | 空间数据建设方法、装置、设备及存储介质 | |
Gruen | Reality-based generation of virtual environments for digital earth | |
CN112561832B (zh) | 一种遥感影像数据存储方法及系统 | |
Toschi et al. | Geospatial data processing for 3D city model generation, management and visualization | |
CN111429560B (zh) | 三维地形服务融合方法、装置和服务器 | |
CN115393240A (zh) | Gis和bim融合的方法、装置、电子设备及可读存储介质 | |
CN109934911A (zh) | 基于OpenGL的移动端高精度倾斜摄影三维建模方法 | |
CN112530009A (zh) | 一种三维地形图绘制方法及系统 | |
CN110162663A (zh) | 二三维数据增量更新方法及装置 | |
Zhang et al. | Technical progress of China’s national remote sensing mapping: from mapping western China to national dynamic mapping | |
Li et al. | Integration of heterogeneous terrain data into Discrete Global Grid Systems | |
Merchant et al. | Integrating remote sensing and geographic information systems | |
CN110659369B (zh) | 在轨高精度轻量化全球影像控制点数据库构建方法及系统 | |
CN109345450B (zh) | 一种利用地理实体要素信息的影像镶嵌方法 | |
Mateus et al. | Graphical data flow based in TLS and photogrammetry for consolidation studies of historical sites. The case study of Juromenha fortress in Portugal | |
Mondal et al. | GIS based Land Information System using Cadastral model: A case study of Tirat and Chalbalpur rural region of Raniganj in Barddhaman district | |
CN113268533A (zh) | 二标四实大数据平台中二标数据制作方法 | |
CN114359489A (zh) | 一种管道施工期实景影像的制作方法、装置、设备及存储介质 | |
Brenner et al. | Continuous generalization for small mobile displays | |
Leberl et al. | The promise of softcopy photogrammetry revisited |
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 |