CN112115926B - 基于遥感图像的建筑物体块模型构建方法及相关设备 - Google Patents

基于遥感图像的建筑物体块模型构建方法及相关设备 Download PDF

Info

Publication number
CN112115926B
CN112115926B CN202011295008.7A CN202011295008A CN112115926B CN 112115926 B CN112115926 B CN 112115926B CN 202011295008 A CN202011295008 A CN 202011295008A CN 112115926 B CN112115926 B CN 112115926B
Authority
CN
China
Prior art keywords
building
remote sensing
sensing image
visible light
light remote
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
CN202011295008.7A
Other languages
English (en)
Other versions
CN112115926A (zh
Inventor
任宇鹏
刘逸颖
汪均轶
卢维
殷俊
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.)
Zhejiang Dahua Technology Co Ltd
Original Assignee
Zhejiang Dahua 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 Zhejiang Dahua Technology Co Ltd filed Critical Zhejiang Dahua Technology Co Ltd
Priority to CN202011295008.7A priority Critical patent/CN112115926B/zh
Publication of CN112115926A publication Critical patent/CN112115926A/zh
Application granted granted Critical
Publication of CN112115926B publication Critical patent/CN112115926B/zh
Priority to PCT/CN2021/128395 priority patent/WO2022105604A1/en
Priority to EP21893751.4A priority patent/EP4226273A4/en
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
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/12—Geometric CAD characterised by design entry means specially adapted for CAD, e.g. graphical user interfaces [GUI] specially adapted for CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/94—Hardware or software architectures specially adapted for image or video understanding
    • G06V10/95—Hardware or software architectures specially adapted for image or video understanding structured as a network, e.g. client-server architectures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Architecture (AREA)
  • General Health & Medical Sciences (AREA)
  • Structural Engineering (AREA)
  • Remote Sensing (AREA)
  • Health & Medical Sciences (AREA)
  • Civil Engineering (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Human Computer Interaction (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Astronomy & Astrophysics (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种基于遥感图像的建筑物体块模型构建方法及相关设备，该基于遥感图像的建筑物体块模型构建方法包括：获取可见光遥感图像，可见光遥感图像包括多个建筑物；将可见光遥感图像输入网络模型中，得到分割后的多个建筑物顶面、侧面、可见光遥感图像中建筑物的像素点对应的相对高度及可见光遥感图像的拍摄方向；利用相对高度和可见光遥感图像的拍摄方向将建筑物顶面映射至建筑物的底部位置，得到建筑物底面，其中，建筑物的顶面与建筑物底面形状相同；利用分割后的建筑物顶面像素点对应的相对高度计算可见光遥感图像中每个建筑物的平均高度；基于平均高度和建筑物底面构建建筑物体块模型。上述方案，提高了建筑物体块模型的构建精确度。

Description

基于遥感图像的建筑物体块模型构建方法及相关设备
技术领域
本申请涉及遥感图像处理技术领域，特别是涉及一种基于遥感图像的建筑物体块模型构建方法及相关设备。
背景技术
随着卫星遥感技术的普及应用，卫星对地访问周期缩短，高分辨率遥感图像获取不断增多。采用高分辨率遥感卫星影像进行城市建筑物提取，获取城市建筑物分布、面积及高度等信息，对评估城市建筑物容积率、城市三维重建及城市国土环境评估等都具有重要作用。
现有技术中，通常采用提取建筑物阴影信息来计算建筑物高度，并采用图像处理提取建筑物轮廓，从而构建建筑物模型。但上述方法受地形起伏影响，若地形起伏较大，在利用建筑物阴影信息计算建筑物高度时，会增大建筑物高度的提取误差，导致所构建模型精确度极低。
发明内容
本申请至少提供一种基于遥感图像的建筑物体块模型构建方法及相关设备，能够提高建筑物体块模型的构建精确度。
本申请第一方面提供了一种基于遥感图像的建筑物体块模型构建方法，所述基于遥感图像的建筑物体块模型构建方法包括：
获取可见光遥感图像，所述可见光遥感图像包括多个建筑物；
将所述可见光遥感图像输入网络模型中，得到分割后的多个建筑物顶面、侧面、所述可见光遥感图像中建筑物的像素点对应的相对高度及所述可见光遥感图像的拍摄方向；
利用所述相对高度和所述可见光遥感图像的拍摄方向将所述建筑物顶面映射至所述建筑物的底部位置，得到所述建筑物底面，其中，所述建筑物的顶面与所述建筑物底面形状相同；
利用所述分割后的建筑物顶面像素点对应的相对高度计算所述可见光遥感图像中每个建筑物的平均高度；
基于所述平均高度和所述建筑物底面构建所述建筑物体块模型。
本申请第二方面提供了一种建筑物体块模型构建装置，所述装置包括：
获取模块，用于获取可见光遥感图像，所述可见光遥感图像包括多个建筑物；
分割提取模型，用于将所述可见光遥感图像输入网络模型中，得到分割后的多个建筑物顶面、侧面、所述可见光遥感图像中建筑物的像素点对应的相对高度及所述可见光遥感图像的拍摄方向；
映射模块，用于利用所述相对高度和所述可见光遥感图像的拍摄方向将所述建筑物顶面映射至所述建筑物的底部位置，得到所述建筑物底面，其中，所述建筑物的顶面与所述建筑物底面形状相同；
计算模块，利用所述分割后的建筑物顶面像素点对应的相对高度计算所述可见光遥感图像中每个建筑物的平均高度；
模型构建模块，基于所述平均高度和所述建筑物底面构建所述建筑物体块模型。
本申请第三方面提供了一种电子设备，包括相互耦接的存储器和处理器，处理器用于执行存储器中存储的程序指令，以实现上述第一方面中的基于遥感图像的建筑物体块模型构建方法。
本申请第四方面提供了一种计算机可读存储介质，其上存储有程序指令，程序指令被处理器执行时实现上述第一方面中的基于遥感图像的建筑物体块模型构建方法。
上述方案，获取可见光遥感图像，可见光遥感图像包括多个建筑物；将可见光遥感图像输入网络模型中，得到分割后的多个建筑物顶面、侧面、可见光遥感图像中建筑物的像素点对应的相对高度及可见光遥感图像的拍摄方向；利用相对高度和可见光遥感图像的拍摄方向将建筑物顶面映射至建筑物的底部位置，得到建筑物底面，其中，建筑物的顶面与建筑物底面形状相同；利用分割后的建筑物顶面像素点对应的相对高度计算可见光遥感图像中每个建筑物的平均高度；基于平均高度和建筑物底面构建建筑物体块模型。本申请仅利用可见光遥感图像即可实现对建筑物相对高度的提取，无需借助其他外部文件；利用神经网络对输入其中的可见光遥感图像进行处理，得到建筑物的顶面、侧面、相对高度及拍摄方向，相比于传统方法进行建筑物提取和手工方法进行建筑物选点以计算高度来说，提高了提取精确度及效率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本申请的实施例，并与说明书一起用于说明本申请的技术方案。
图1是本申请提供的基于遥感图像的建筑物体块模型构建方法第一实施例的流程示意图；
图2是图1所示的基于遥感图像的建筑物体块模型构建方法中的可见光遥感图像的示意图；
图3是图1所示的基于遥感图像的建筑物体块模型构建方法中的建筑物分割结果的示意图；
图4是图1所示的基于遥感图像的建筑物体块模型构建方法中的建筑物相对高度提取结果的示意图；
图5是图1所示的基于遥感图像的建筑物体块模型构建方法中的建筑物矢量化结果的示意图；
图6是本申请提供的基于遥感图像的建筑物体块模型构建方法中建筑物体块模型的示意图；
图7是本申请提供的基于遥感图像的建筑物体块模型构建方法第二实施例的流程示意图；
图8是本申请提供的基于遥感图像的建筑物体块模型构建方法中网络模型的结构示意图；
图9是本申请提供的基于遥感图像的建筑物体块模型构建方法中建筑物底面的提取结果示意图；
图10是本申请提供的建筑物体块模型构建装置一实施例的框架示意图；
图11是本申请提供的电子设备一实施例的框架示意图；
图12是本申请提供的计算机可读存储介质一实施例的框架示意图。
具体实施方式
下面结合说明书附图，对本申请实施例的方案进行详细说明。
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的具体细节，以便透彻理解本申请。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。此外，本文中的“多”表示两个或者多于两个。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
本申请提出了一种基于遥感图像的建筑物体块模型构建方法，可应用于获取城市建筑物分布、面积及高度等信息，对评估城市建筑物容积率、城市三维重建及城市国土环境评估等都具有重要作用，具体采用网络模型对输入其中的可见光遥感图像进行建筑物顶面、侧面和相对高度的预测，从而构建高精确度的建筑物体块模型。请参阅图1，图1是本申请提供的基于遥感图像的建筑物体块模型构建方法第一实施例的流程示意图。本实施例的基于遥感图像的建筑物体块模型构建方法可应用于建筑物体块模型构建装置，也可应用于具有数据处理能力的服务器。
具体而言，本实施例的基于遥感图像的建筑物体块模型构建方法包括如下步骤：
S101：获取可见光遥感图像。
可参阅图2，图2是图1所示的基于遥感图像的建筑物体块模型构建方法中的可见光遥感图像的示意图。为了获取高分辨率的可见光遥感图像，一方面，本申请中的建筑物体块模型构建装置可通过与卫星建立通讯，利用卫星在其轨道上运行时拍摄的可见光遥感图像，得到用于构建建筑物体块模型的可见光遥感图像。另一方面，本申请中的建筑物体块模型构建装置可通过与遥感飞机建立通讯，利用遥感飞机获取可见光遥感图像，并传送至建筑物体块模型构建装置，以得到用于构建建筑物体块模型的可见光遥感图像。本实施例对可见光遥感图像的获取方式不作限定。
S102：将可见光遥感图像输入网络模型中，得到分割后的多个建筑物顶面、侧面、可见光遥感图像中建筑物的像素点对应的相对高度及可见光遥感图像的拍摄方向。
考虑到利用传统方法进行建筑物提取和手工方法进行建筑物选点，以计算建筑物高度，得到建筑物模型的情况下，会导致建筑物体块模型的提取精确度不高，效率低下及人力成本高等问题。为了避免上述问题，本实施例的建筑物体块模型构建装置利用训练好的网络模型对输入其中的可见光遥感图像进行建筑物顶面和侧面，以及相对高度和拍摄方向的预测，得到分割后的多个建筑物顶面和侧面以及提取的相对高度和拍摄方向，提高了建筑物分割精确及提取准确性。其中，建筑物的分割结果可参阅图3和图4，图3是图1所示的基于遥感图像的建筑物体块模型构建方法中的建筑物分割结果的示意图，图4是图1所示的基于遥感图像的建筑物体块模型构建方法中的建筑物提取结果的示意图。
S103：利用相对高度和可见光遥感图像的拍摄方向将建筑物顶面映射至建筑物的底部位置，得到建筑物底面。
由于建筑物的顶面和底面形状相同，为了获知建筑物底面，便于根据建筑物底面及建筑物高度构建建筑物体块模型，本实施例的建筑物体块模型构建装置可利用相对高度和可见光遥感图像的拍摄方向将建筑物顶面映射至建筑物的底部位置，以得到建筑物底面。
具体可参阅图5，图5是图1所示的基于遥感图像的建筑物体块模型构建方法中的建筑物矢量化结果的示意图。考虑到在将建筑物顶面映射至建筑物底部位置后，多个建筑物的底面并排，难以区分出每一建筑物底面，对此，本实施例的建筑物体块模型构建装置在获取到建筑物底面后，需对建筑物底面进行矢量化。具体地，建筑物体块模型构建装置利用建筑物的底面轮廓，对建筑物底面进行连通区域划分，以矢量化每个连通区域，得到建筑物底面轮廓的矢量化表示。其中，连通区域是指相邻两个建筑物相连的区域。
S104：利用分割后的建筑物顶面像素点对应的相对高度计算可见光遥感图像中每个建筑物的平均高度。
考虑到网络模型输出的建筑物顶面像素点对应的相对高度可能存在预测误差，导致即便处于同一建筑物顶面的像素点，其对应的相对高度也不一致，为了提高建筑物的提取精确度，本实施例的建筑物体块模型构建装置将每个建筑物顶面像素点对应的相对高度进行平均化，得到每个建筑物的平均高度。
S105：基于平均高度和建筑物底面构建建筑物体块模型。
基于S103中获取的建筑物底面和S104中获取的平均高度，构建建筑物体块模型。其中，建筑物体块模块的示意图可参阅图6。
上述方案中，获取可见光遥感图像，可见光遥感图像包括多个建筑物；将可见光遥感图像输入网络模型中，得到分割后的多个建筑物顶面、侧面、可见光遥感图像中建筑物的像素点对应的相对高度及可见光遥感图像的拍摄方向；利用相对高度和可见光遥感图像的拍摄方向将建筑物顶面映射至建筑物的底部位置，得到建筑物底面，其中，建筑物的顶面与建筑物底面形状相同；利用分割后的建筑物顶面像素点对应的相对高度计算可见光遥感图像中每个建筑物的平均高度；基于平均高度和建筑物底面构建建筑物体块模型。本申请仅利用可见光遥感图像即可实现对建筑物相对高度的提取，无需借助其他外部文件；利用神经网络对输入其中的可见光遥感图像进行处理，预测建筑物的顶面、侧面、相对高度及拍摄方向，相比于传统方法进行建筑物提取和手工方法进行建筑物选点以计算高度来说，提高了提取精确度及效率。
请继续参阅图7，图7是本申请提供的基于遥感图像的建筑物体块模型构建方法第二实施例的流程示意图。为了提高建筑物体块模型的构建精确度。在上述实施例的基础上，本实施例的基于遥感图像的建筑物体块模型构建方法还包括如下步骤：
S201：获取可见光遥感图像。
本实施例S201的详细描述可参阅上述实施例的S101，在此不进行重复赘述。
S202：将可见光遥感图像输入网络模型中，得到分割后的多个建筑物顶面、侧面、可见光遥感图像中建筑物的像素点对应的相对高度及可见光遥感图像的拍摄方向。
请继续参阅图8，图8是本申请提供的基于遥感图像的建筑物体块模型构建方法中网络模型的结构示意图。本实施例中的网络模型包括依次连接的特征提取模块、输出模块。其中，输出模块包括第一输出模块和第二输出模块，第一输出模块包括第一卷积降维层和第二卷积降维层，第二输出模块包括反卷积子模块和卷积残差子模块。
具体地，特征提取模块的输出为第一输出模块的输入，第一输出模块的输出为网络模型预测的建筑物的顶面、侧面及可见光遥感图像背景；第二输出模块中反卷积子模块的输入为第一输出模块中第一卷积降维层和第二卷积降维层堆叠级联的结果，反卷积子模块的输出为卷积残差子模块的输入；卷积残差子模块的输出为相对高度及可见光遥感图像的拍摄方向。本实施例在建筑物相对高度预测过程中利用建筑物顶面及侧面分割结果对相对高度的提取进行约束，优化了建筑物相对高度的预测结果，提高了网络模型预测的精度。
进一步地，网络模型的特征提取模块对输入其中的可见光遥感图像进行处理，以使多个分支分别输出不同维度的特征层；并利用双线性插值和级联技术对每一分支输出的特征层进行处理，得到与多个分支对应的相同大小的特征层；利用堆叠级联技术对多个分支对应的相同大小的特征层进行处理，得到特征提取模块的输出，即维度为480的特征层。
第一输出模块包括第一卷积降维层和第二卷积降维层，具体可通过对特征提取模块输出的特征层进行卷积降维得到第一卷积降维层，对第一卷积降维层进行卷积降维得到第二卷积降维层，并将第二卷积降维层的输出结果作为可见光遥感图像中建筑物顶面、侧面及背景的分割结果。
S203：基于可见光遥感图像的拍摄方向，计算可见光遥感图像拍摄方向的第一单位分量和第二单位分量。
为了避免网络模型直接预测角度方向，本实施例的建筑物体块模型构建装置可利用可见光遥感图像中拍摄方向获取可见光遥感图像的第一单位分量和第二单位分量，也就是拍摄方向垂直方向的分量和水平方向的分量。
S204：基于第一单位分量、第二单位分量及建筑物的相对高度，确定建筑物的高度流矢量。
为了表示建筑物高度流矢量，本实施例的建筑物体块模型构建装置可采用密集的像素级编码HeightFlow（sinθ，cosθ，Magnitude）来表示高度流矢量。由于图像包括三个通道，建筑物体块模型构建装置具体可利用第一单位分量、第二单位分量及建筑物的相对高度表示建筑物的高度流矢量。其中θ∈[0,2π]，Magnitude表示为相对高度，sinθ，cosθ分别为第一单位分量和第二单位分量。
需要说明的是，高度流矢量也即建筑物顶面任一点到该点在建筑物底面的投影点之间的矢量。
S205：基于建筑物的高度流矢量及建筑物的侧面，将建筑物顶面映射至建筑物的底部位置，得到建筑物底面。
请继续参阅图9，图9是本申请提供的基于遥感图像的建筑物体块模型构建方法中建筑物底面的提取结果示意图。图中左上为可见光遥感图像，右上为建筑物顶面、侧面及高度流矢量，左下为映射过程，右下为建筑物底面提取结果。在实际应用中，建筑物顶面依据高度流矢量及侧面进行映射，得到建筑物底面。
S206：利用分割后的建筑物顶面像素点对应的相对高度计算可见光遥感图像中每个建筑物的平均高度。
S207：基于平均高度和建筑物底面构建建筑物体块模型。
本实施例S206~S207的详细描述可参阅上述实施例的S104~S105，在此不进行重复赘述。
进一步地，本实施例的建筑物体块构建装置还可通过获取可见光遥感图像中部分建筑物的真实高度；并根据部分建筑物的真实高度和相对高度，获取可见光遥感图像中建筑物的全局比例因子；以根据全局比例因子计算可见光遥感图像中每个建筑物的真实高度，并基于真实高度构建建筑物体块模型。
上述方案中，可见光遥感图像构建装置在网络模型进行建筑物相对高度预测过程中利用建筑物顶面及侧面分割结果对相对高度的提取进行约束，优化了建筑物相对高度的预测结果，提高了网络模型预测的精度；利用像素级编码表示建筑物高度流矢量，避免了网络模型直接预测角度方向；利用少量标定信息，例如部分建筑物的真实高度，即可提取可见光遥感图像中建筑物的真实高度。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
请参阅图10，图10是本申请提供的建筑物体块模型构建装置一实施例的框架示意图。建筑物体块模型构建装置100包括：
获取模块101，用于获取可见光遥感图像，可见光遥感图像包括多个建筑物。
分割提取模型102，用于将可见光遥感图像输入网络模型中，得到分割后的多个建筑物顶面、侧面、可见光遥感图像中建筑物的像素点对应的相对高度及可见光遥感图像的拍摄方向。
映射模块103，用于利用相对高度和可见光遥感图像的拍摄方向将建筑物顶面映射至建筑物的底部位置，得到建筑物底面，其中，建筑物的顶面与建筑物底面形状相同。
计算模块104，利用分割后的建筑物顶面像素点对应的相对高度计算可见光遥感图像中每个建筑物的平均高度。
模型构建模块105，基于平均高度和建筑物底面构建建筑物体块模型。
请参阅图11，图11是本申请提供的电子设备一实施例的框架示意图。电子设备110包括相互耦接的存储器111和处理器112，处理器112用于执行存储器111中存储的程序指令，以实现上述任一基于遥感图像的建筑物体块模型构建方法实施例的步骤。在一个具体的实施场景中，电子设备110可以包括但不限于：微型计算机、服务器，此外，电子设备110还可以包括笔记本电脑、平板电脑等移动设备，在此不做限定。
具体而言，处理器112用于控制其自身以及存储器111以实现上述任一基于遥感图像的建筑物体块模型构建方法实施例的步骤。处理器112还可以称为CPU（CentralProcessing Unit，中央处理单元）。处理器112可能是一种集成电路芯片，具有信号的处理能力。处理器112还可以是通用处理器、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。通用处理器可以是微处理器或者是任何常规的处理器等。另外，处理器112可以由集成电路芯片共同实现。
请参阅图12，图12是本申请提供的计算机可读存储介质一实施例的框架示意图。计算机可读存储介质120存储有能够被处理器运行的程序指令1201，程序指令1201用于实现上述任一基于遥感图像的建筑物体块模型构建方法实施例的步骤。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
上文对各个实施例的描述倾向于强调各个实施例之间的不同之处，其相同或相似之处可以互相参考，为了简洁，本文不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性、机械或其它的形式。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）或处理器（processor）执行本申请各个实施方式方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

Claims (9)

1.一种基于遥感图像的建筑物体块模型构建方法，其特征在于，所述方法包括：
获取可见光遥感图像，所述可见光遥感图像包括多个建筑物；
将所述可见光遥感图像输入网络模型中，以使所述网络模型的第一输出模块输出多个建筑物顶面和侧面，使所述网络模型的第二输出模块基于所述第一输出模块输出的所述多个建筑物顶面和所述侧面输出所述可见光遥感图像中建筑物的像素点对应的相对高度及所述可见光遥感图像的拍摄方向；
利用所述相对高度和所述可见光遥感图像的拍摄方向计算所述建筑物的高度流矢量，以利用所述建筑物的高度流矢量及所述建筑物的侧面将所述建筑物顶面映射至所述建筑物的底部位置，得到所述建筑物底面，其中，所述建筑物的顶面与所述建筑物底面形状相同；
利用所述建筑物顶面的像素点对应的相对高度计算所述可见光遥感图像中每个建筑物的平均高度；
基于所述平均高度和所述建筑物底面构建所述建筑物体块模型。
2.根据权利要求1所述的建筑物体块模型构建方法，其特征在于，所述利用所述建筑物的相对高度和所述可见光遥感图像的拍摄方向计算所述建筑物的高度流矢量的步骤，包括：
基于所述可见光遥感图像的拍摄方向，计算所述可见光遥感图像拍摄方向的第一单位分量和第二单位分量，其中所述第一单位分量和所述第二单位分量垂直；
基于所述第一单位分量、所述第二单位分量及所述相对高度，确定所述建筑物的高度流矢量。
3.根据权利要求1所述的建筑物体块模型构建方法，其特征在于，所述网络模型包括依次连接的特征提取模块、输出模块，所述输出模块包括第一输出模块和第二输出模块，所述第一输出模块包括第一卷积降维层和第二卷积降维层，所述第二输出模块包括反卷积子模块和卷积残差子模块；
所述特征提取模块的输出为所述第一输出模块的输入；
所述第一输出模块的输出为所述建筑物的顶面、所述建筑物的侧面及所述可见光遥感图像背景；
所述第二输出模块中反卷积子模块的输入为所述第一输出模块中第一卷积降维层和第二卷积降维层堆叠级联的结果，所述反卷积子模块的输出为所述卷积残差子模块的输入；
所述卷积残差子模块的输出为所述可见光遥感图像中像素点对应的相对高度及所述可见光遥感图像拍摄方向。
4.根据权利要求3所述的建筑物体块模型构建方法，其特征在于，所述特征提取模块包括多个分支，利用双线性插值技术和级联技术对每一分支输出的特征层进行处理，得到与所述多个分支对应的相同大小的特征层；
利用堆叠级联技术对所述多个分支对应的相同大小的特征层进行处理，得到所述特征提取模块的输出。
5.根据权利要求1所述的建筑物体块模型构建方法，其特征在于，所述利用所述建筑物的相对高度和所述可见光遥感图像的拍摄方向将所述建筑物顶面映射至所述建筑物的底部位置，得到所述建筑物底面的步骤之后，包括：
对所述建筑物底面进行矢量化，得到所述建筑物的底面轮廓的矢量化表示；
利用所述建筑物顶面像素点对应的相对高度计算所述可见光遥感图像中每个建筑物的平均高度；
基于所述每个建筑物的平均高度和所述建筑物底面轮廓构建所述建筑物体块模型。
6.根据权利要求1所述的建筑物体块模型构建方法，其特征在于，所述方法还包括：
获取所述可见光遥感图像中部分建筑物的真实高度；
根据所述部分建筑物的真实高度和所述相对高度，获取所述可见光遥感图像中建筑物的全局比例因子；
基于所述全局比例因子，计算所述可见光遥感图像中每个建筑物的真实高度，以根据所述真实高度构建所述建筑物体块模型。
7.一种建筑物体块模型构建装置，其特征在于，所述装置包括：
获取模块，用于获取可见光遥感图像，所述可见光遥感图像包括多个建筑物；
分割提取模型，用于将所述可见光遥感图像输入网络模型中，以使所述网络模型的第一输出模块输出多个建筑物顶面和侧面，使所述网络模型的第二输出模块基于所述第一输出模块输出的所述多个建筑物顶面和所述侧面输出所述可见光遥感图像中建筑物的像素点对应的相对高度及所述可见光遥感图像的拍摄方向；
映射模块，用于利用所述相对高度和所述可见光遥感图像的拍摄方向计算所述建筑物的高度流矢量，以利用所述建筑物的高度流矢量及所述建筑物的侧面将所述建筑物顶面映射至所述建筑物的底部位置，得到所述建筑物底面，其中，所述建筑物的顶面与所述建筑物底面形状相同；
计算模块，利用所述分割后的建筑物顶面像素点对应的相对高度计算所述可见光遥感图像中每个建筑物的平均高度；
模型构建模块，基于所述平均高度和所述建筑物底面构建所述建筑物体块模型。
8.一种电子设备，其特征在于，所述电子设备包括相互耦接的存储器和处理器，所述处理器用于执行所述存储器中存储的程序指令，以实现权利要求1至6任一项所述的基于遥感图像的建筑物体块模型构建方法。
9.一种计算机可读存储介质，其上存储有程序指令，其特征在于，所述程序指令被处理器执行时实现权利要求1至6任一项所述的基于遥感图像的建筑物体块模型构建方法。
CN202011295008.7A 2020-11-18 2020-11-18 基于遥感图像的建筑物体块模型构建方法及相关设备 Active CN112115926B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202011295008.7A CN112115926B (zh) 2020-11-18 2020-11-18 基于遥感图像的建筑物体块模型构建方法及相关设备
PCT/CN2021/128395 WO2022105604A1 (en) 2020-11-18 2021-11-03 Systems and methods for constructing a building block model
EP21893751.4A EP4226273A4 (en) 2020-11-18 2021-11-03 SYSTEMS AND METHODS FOR CONSTRUCTING A BUILDING BLOCK MODEL

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011295008.7A CN112115926B (zh) 2020-11-18 2020-11-18 基于遥感图像的建筑物体块模型构建方法及相关设备

Publications (2)

Publication Number Publication Date
CN112115926A CN112115926A (zh) 2020-12-22
CN112115926B true CN112115926B (zh) 2021-04-27

Family

ID=73794739

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011295008.7A Active CN112115926B (zh) 2020-11-18 2020-11-18 基于遥感图像的建筑物体块模型构建方法及相关设备

Country Status (3)

Country Link
EP (1) EP4226273A4 (zh)
CN (1) CN112115926B (zh)
WO (1) WO2022105604A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112115926B (zh) * 2020-11-18 2021-04-27 浙江大华技术股份有限公司 基于遥感图像的建筑物体块模型构建方法及相关设备
CN113487634B (zh) * 2021-06-11 2023-06-30 中国联合网络通信集团有限公司 关联建筑物高度与面积的方法及装置
CN118470250B (zh) * 2024-07-02 2024-09-27 中国人民解放军国防科技大学 基于单幅遥感影像的建筑物三维重建方法、装置和设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103791885A (zh) * 2014-02-18 2014-05-14 西北工业大学 面向单幅卫星影像的自获取三角元高度计算方法
CN109447994A (zh) * 2018-11-05 2019-03-08 陕西师范大学 结合完全残差与特征融合的遥感图像分割方法
CN109934153A (zh) * 2019-03-07 2019-06-25 张新长 基于门控深度残差优化网络的建筑物提取方法
US10776653B2 (en) * 2015-08-12 2020-09-15 Yeda Research And Development Co. Ltd. Detection of point sources with variable emission intensity in sequences of images with different point spread functions

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100533486C (zh) * 2007-08-07 2009-08-26 深圳先进技术研究院 一种数字城市全自动生成的方法
CN101290222B (zh) * 2008-06-13 2011-03-02 关鸿亮 通过真正射影像快速构建三维建筑物场景的方法
US20110292208A1 (en) * 2009-11-24 2011-12-01 Old Dominion University Research Foundation High-resolution urban true orthoimage creation
CN103699903B (zh) * 2013-12-24 2017-02-15 中国科学院深圳先进技术研究院 基于图像识别的城市屋顶绿化面积计算方法及系统
CN108765488B (zh) * 2018-03-29 2022-03-04 武汉大学 一种基于阴影的高分辨率遥感影像建筑物高度估测方法
US11869148B2 (en) * 2019-04-12 2024-01-09 Beijing Chengshi Wanglin Information Technology Co., Ltd. Three-dimensional object modeling method, image processing method, image processing device
CN110781756A (zh) * 2019-09-29 2020-02-11 北京化工大学 基于遥感图像的城市道路提取方法及装置
CN111597496B (zh) * 2020-05-18 2022-06-24 中国科学院空天信息创新研究院 基于有理多项式系数单幅星载遥感影像目标高度计算方法
CN112115926B (zh) * 2020-11-18 2021-04-27 浙江大华技术股份有限公司 基于遥感图像的建筑物体块模型构建方法及相关设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103791885A (zh) * 2014-02-18 2014-05-14 西北工业大学 面向单幅卫星影像的自获取三角元高度计算方法
US10776653B2 (en) * 2015-08-12 2020-09-15 Yeda Research And Development Co. Ltd. Detection of point sources with variable emission intensity in sequences of images with different point spread functions
CN109447994A (zh) * 2018-11-05 2019-03-08 陕西师范大学 结合完全残差与特征融合的遥感图像分割方法
CN109934153A (zh) * 2019-03-07 2019-06-25 张新长 基于门控深度残差优化网络的建筑物提取方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Extraction of Multiple Building Heights Using ICESat/GLAS Full-Waveform Data Assisted by Optical Imagery;Xuebo Yang 等;《IEEE Geoscience and Remote Sensing Letters》;20190503;第16卷(第12期);第1914-1918页 *
基于遥感的建筑物高度快速提取研究综述;钱瑶 等;《生态学报》;20140702;第35卷(第12期);第3886-3895页 *

Also Published As

Publication number Publication date
EP4226273A4 (en) 2024-03-27
CN112115926A (zh) 2020-12-22
EP4226273A1 (en) 2023-08-16
WO2022105604A1 (en) 2022-05-27

Similar Documents

Publication Publication Date Title
CN112115926B (zh) 基于遥感图像的建筑物体块模型构建方法及相关设备
CN103703490B (zh) 用于产生三维特征数据的设备以及用于产生三维特征数据的方法
US9189862B2 (en) Outline approximation for point cloud of building
US20220138484A1 (en) Visual localization method and apparatus based on semantic error image
EP3454303B1 (en) Method and device for filling regions of terrain elevation model data
Eo et al. Coregistration of terrestrial lidar points by adaptive scale-invariant feature transformation with constrained geometry
CN112529946B (zh) 高分立体模型优化方法、系统、电子设备及可读存储介质
US7778808B2 (en) Geospatial modeling system providing data thinning of geospatial data points and related methods
CN115564926A (zh) 基于影像建筑物结构学习的三维面片模型构建方法
Song et al. Extraction and reconstruction of curved surface buildings by contour clustering using airborne LiDAR data
Zvietcovich et al. 3D solid model updating of complex ancient monumental structures based on local geometrical meshes
CN114677435A (zh) 一种点云全景融合要素提取方法和系统
CN114219890A (zh) 一种三维重建方法、装置、设备及计算机存储介质
CN116721228B (zh) 一种基于低密度点云的建筑物高程提取方法及系统
CN111444923A (zh) 自然场景下图像语义分割方法和装置
CN115578702A (zh) 道路元素的提取方法、装置、电子设备、存储介质及车辆
CN112989469A (zh) 建筑物屋顶模型的构建方法、装置、电子设备及存储介质
Hesami et al. Range segmentation of large building exteriors: A hierarchical robust approach
CN109579796B (zh) 一种投影后影像的区域网平差方法
CN114882115B (zh) 车辆位姿的预测方法和装置、电子设备和存储介质
CN115713548A (zh) 一种多期实景三维模型自动配准方法
Li et al. Automatic Keyline Recognition and 3D Reconstruction For Quasi‐Planar Façades in Close‐range Images
Zeng Automated Building Information Extraction and Evaluation from High-resolution Remotely Sensed Data
Treible et al. Learning dense stereo matching for digital surface models from satellite imagery
CN115170434A (zh) 一种用于线结构光3d相机的误差校正方法以及装置

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