CN112734629B - 一种正射影像生成方法、装置、设备及存储介质 - Google Patents
一种正射影像生成方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112734629B CN112734629B CN202011613957.5A CN202011613957A CN112734629B CN 112734629 B CN112734629 B CN 112734629B CN 202011613957 A CN202011613957 A CN 202011613957A CN 112734629 B CN112734629 B CN 112734629B
- Authority
- CN
- China
- Prior art keywords
- image
- patch
- angle
- target
- grid
- 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 60
- 230000000007 visual effect Effects 0.000 claims abstract description 50
- 238000013507 mapping Methods 0.000 claims abstract description 21
- 230000005484 gravity Effects 0.000 claims description 46
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 13
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000013179 statistical model Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009435 building construction Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G06T3/067—
Abstract
本发明实施例公开了一种正射影像生成方法、装置、设备及存储介质。其中,方法包括:获取目标区域的立体网格模型和通过多个视角采集到的目标区域的多张图像;确定立体网格模型上的各网格面片在各图像中的投影区域;根据各网格面片在各图像中的投影区域、各图像对应的视角参数以及预设的投影质量公式,计算各网格面片在各图像上的投影质量;根据各网格面片在各图像上的投影质量确定各网格面片对应的视图标签;根据各网格面片对应的视图标签进行纹理贴图,得到纹理模型,以根据纹理模型生成目标区域的正射影像。本发明实施例可以更有效地计算网格面片在图像上的投影质量,生成更加真实、更为正射的正射影像。
Description
技术领域
本发明实施例涉及计算机技术领域,尤其涉及一种正射影像生成方法、装置、设备及存储介质。
背景技术
相关技术中,生成正射影像的主要步骤包括:获取目标区域的立体网格模型,对输入的立体网格模型进行纹理贴图得到具有纹理信息的纹理模型,然后纹理模型投影到大地平面上,从而得到目标区域的正射影像。正射影像效果很大程度上取决于纹理贴图。
经典的纹理贴图算法的流程包括网格面片的视图标签选择和颜色调整。视图标签选择是否合理直接决定了整个纹理模型的好坏,而视图标签选择阶段最重要的一个步骤就是计算每个网格面片在每个视角的图像上的投影质量。这个阶段的目的就是为每个网格面片分配最佳投影质量的视图标签。
现有的视图标签选择技术中,对于每个网格面片的投影质量计算方式通常是计算网格面片在每个视角的图像上的投影区域内的梯度总和。将梯度总和数值最大的图像的标签分配给网格面片,即投影区域细节越丰富则越倾向于选择该图像的标签作为该三角面片的视图标签。但是,在面对水域这种高反光区域(高反光区域的水纹更明显,细节更丰富)时,该计算方式会优先选择反光强烈的图像的标签作为网格面片的视图标签,继而产生糟糕的纹理模型和正射影像。
发明内容
本发明实施例提供一种正射影像生成方法、装置、设备及存储介质,以实现更有效地为每个网格面片分配最佳投影质量的图像标签,从而生成更加真实的正射影像。
第一方面,本发明实施例提供了一种正射影像生成方法,包括:
获取目标区域的立体网格模型和通过多个视角采集到的所述目标区域的多张图像,并获取各所述图像对应的视角参数;
根据所述视角参数分别将所述立体网格模型投影到所述多张图像中,确定所述立体网格模型上的各网格面片在各所述图像中的投影区域;
根据所述各网格面片在各所述图像中的投影区域、各所述图像对应的视角参数以及预设的投影质量公式,计算各网格面片在各所述图像上的投影质量;
根据各网格面片在各所述图像上的投影质量,确定各网格面片对应的视图标签;
根据所述各网格面片对应的视图标签对所述立体网格模型进行纹理贴图处理得到所述目标区域的纹理模型,以根据所述纹理模型生成所述目标区域的正射影像。
第二方面,本发明实施例还提供了一种正射影像生成装置,包括:
模型获取模块,用于获取目标区域的立体网格模型和通过多个视角采集到的所述目标区域的多张图像,并获取各所述图像对应的视角参数;
网格面片投影模块,用于根据所述视角参数分别将所述立体网格模型投影到所述多张图像中,确定所述立体网格模型上的各网格面片在各所述图像中的投影区域;
投影质量计算模块,用于根据所述各网格面片在各所述图像中的投影区域、各所述图像对应的视角参数以及预设的投影质量公式,计算各网格面片在各所述图像上的投影质量;
视图标签确定模块,用于根据各网格面片在各所述图像上的投影质量,确定各网格面片对应的视图标签;
正射影像生成模块,用于根据所述各网格面片对应的视图标签对所述立体网格模型进行纹理贴图处理得到所述目标区域的纹理模型,以根据所述纹理模型生成所述目标区域的正射影像。
第三方面,本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如本发明实施例所述的正射影像生成方法。
第四方面,本发明实施例还提供了一种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如本发明实施例所述的正射影像生成方法。
本发明实施例的技术方案,通过获取目标区域的立体网格模型和通过多个视角采集到的目标区域的多张图像,并获取各图像对应的视角参数,然后根据视角参数分别将立体网格模型投影到多张图像中,确定立体网格模型上的各网格面片在各所述图像中的投影区域,根据各网格面片在各所述图像中的投影区域、各图像对应的视角参数以及预设的投影质量公式,计算各网格面片在各图像上的投影质量,之后再根据各网格面片在各所述图像上的投影质量,确定各网格面片对应的视图标签,最后根据各网格面片对应的视图标签对立体网格模型进行纹理贴图处理得到目标区域的纹理模型,以根据纹理模型生成目标区域的正射影像,可以根据各图像对应的视角参数以及预设的投影质量公式,计算得到各网格面片在各图像上的投影质量,避免了现有技术仅根据梯度值总和计算投影质量,会优先选择反光强烈的图像的标签作为网格面片的视图标签的问题,在改善水面区域等高反光区域的正射影像效果的同时,可以更有效地计算网格面片在图像上的投影质量,生成更加真实、更为正射的正射影像。
附图说明
图1A为本发明实施例一提供的一种正射影像生成方法的流程图。
图1B为本发明实施例一提供的网格面片和相机之间关系的示意图。
图1C为本发明实施例一提供的一种水面区域的正射影像效果对比图。
图1D为本发明实施例一提供的一种防风林区域的正射影像效果对比图。
图1E为本发明实施例一提供的一种房屋建筑区域的正射影像效果对比图。
图2为本发明实施例二提供的一种正射影像生成方法的流程图。
图3为本发明实施例三提供的一种正射影像生成装置的结构示意图。
图4为本发明实施例四提供的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。
另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理,但是其中的许多操作可以被并行地、并发地或者同时实施。此外,各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1A为本发明实施例一提供的一种正射影像生成方法的流程图。本发明实施例可适用于生成目标区域的正射影像的情况,该方法可以由本发明实施例提供的正射影像生成装置来执行,该装置可采用软件和/或硬件的方式实现,并一般可集成在计算机设备中。如图1A所示,本发明实施例的方法具体包括:
步骤101、获取目标区域的立体网格模型和通过多个视角采集到的所述目标区域的多张图像,并获取各所述图像对应的视角参数。
本实施中,目标区域为需要生成正射图像的地面区域。目标区域包括但不限于水面区域、防风林区域、房屋建筑区域等平原区域。
可选的,目标区域的立体网格模型可以为目标区域的2.5维网格模型或者三维网格模型。获取目标区域的立体网格模型,可以包括:获取用户输入的目标区域的立体网格模型;或者,根据目标区域的点云数据建立目标区域的立体网格模型。
目标区域的图像是通过相机从指定视角拍摄获得的目标区域的图像。目标区域的多张图像通过多个视角进行采集。视角参数为相机参数。相机参数包括内参和外参,内参包括缩放因子及焦距,外参包括旋转矩阵及平移矩阵,这些参数组成了相机的投影矩阵。通过视角参数可以将目标区域的立体网格模型与目标区域的多张图像上的点进行匹配,分别将立体网格模型投影到多张图像中。
可选的,获取目标区域的立体网格模型和通过多个视角采集到的所述目标区域的多张图像,并获取各所述图像对应的视角参数,可以包括:获取用户输入的目标区域的立体网格模型、通过多个视角采集到的所述目标区域的多张图像、以及各所述图像对应的视角参数。
步骤102、根据所述视角参数分别将所述立体网格模型投影到所述多张图像中,确定所述立体网格模型上的各网格面片在各所述图像中的投影区域。
可选的,根据所述视角参数分别将所述立体网格模型投影到所述多张图像中,确定所述立体网格模型上的各网格面片在各所述图像中的投影区域,包括:通过视角参数将目标区域的立体网格模型与目标区域的多张图像上的点进行匹配,分别将立体网格模型投影到多张图像中;确定立体网格模型上的各网格面片与各图像中的区域之间的投影关系;根据投影关系,确定立体网格模型上的各网格面片在各图像中的投影区域。
可选的,网格面片可以为三角网格面片或者多边形网格面片。
在一个具体实例中,通过视角参数将目标区域的立体网格模型与目标区域的多张图像上的点进行匹配,分别将立体网格模型投影到多张图像中;确定立体网格模型上的各三角网格面片与各图像中的区域之间的投影关系;根据投影关系,确定立体网格模型上的各三角网格面片在各图像中的三角投影区域。
步骤103、根据所述各网格面片在各所述图像中的投影区域、各所述图像对应的视角参数以及预设的投影质量公式,计算各网格面片在各所述图像上的投影质量。
可选的,根据所述各网格面片在各所述图像中的投影区域、各所述图像对应的视角参数以及预设的投影质量公式,计算各网格面片在各所述图像上的投影质量,包括两种方案。第一种方案仅根据网格面片的中心点与图像的相机点之间的线向量和重力反方向的夹角角度来确定投影质量。第二种方案根据网格面片的法向量和重力反方向的夹角、以及网格面片的中心点与每一张图像的相机点之间的线向量和重力反方向的夹角角度共同去确定各网格面片在每一张图像上的投影质量。
示例性的,图1B为本发明实施例一提供的网格面片和相机之间关系的示意图。图1B中包括第一视角的相机点C1和第二视角的相机点C2。第一视角和第二视角为不同视角。网格面片的法向量和重力反方向的夹角为a。网格面片的中心点F与第一视角的相机点C1之间的线向量和重力反方向的夹角为b。
可选的,在第一种方案中,所述根据所述各网格面片在各所述图像中的投影区域、各所述图像对应的视角参数以及预设的投影质量公式,计算各网格面片在各所述图像上的投影质量,包括:计算目标网格面片在各所述图像中的投影区域的梯度值总和;计算所述目标网格面片的中心点与各所述图像的相机点之间的线向量和重力反方向的夹角;根据所述目标网格面片的中心点与各所述图像的相机点之间的线向量和重力反方向的夹角、以及预设的视线角因子计算公式,计算所述目标网格面片在各所述图像上的视线角因子;根据所述目标网格面片在各所述图像中的投影区域的梯度值总和、所述目标网格面片的中心点与各所述图像的相机点之间的线向量和重力反方向的夹角、以及预设的投影质量公式,计算所述目标网格面片在各所述图像上的投影质量。可选的,所述根据所述目标网格面片的中心点与各所述图像的相机点之间的线向量和重力反方向的夹角、以及预设的视线角因子计算公式,计算所述目标网格面片在各所述图像上的视线角因子,包括:
根据下述预设的视线角因子计算公式,计算所述目标网格面片在第i张图像上的视线角因子:
其中,angle factori为所述目标网格面片在第i张图像上的视线角因子,bi为所述目标网格面片的中心点与第i张图像的相机点之间的线向量和重力反方向的夹角,0≤bi≤75°,i=1,2,3...N,N为图像的总数量。
根据预设的视线角因子计算公式,计算目标网格面片在第i张图像上的视线角因子angle factori。angle factori的取值在0-1之间,且当夹角bi越大时angle factori下降越明显,即所述目标网格面片的中心点与第i张图像的相机点之间的线向量和重力反方向的夹角越大,所述目标网格面片在第i张图像上的视线角因子的数值越小。
可选的,所述根据所述目标网格面片在各所述图像中的投影区域的梯度值总和、所述目标网格面片的中心点与各所述图像的相机点之间的线向量和重力反方向的夹角、以及预设的投影质量公式,计算所述目标网格面片在各所述图像上的投影质量,包括:根据所述目标网格面片的中心点与各所述图像的相机点之间的线向量和重力反方向的夹角确定所述视线角因子对应权重参数,以得到对应的目标投影质量公式;将所述视线角因子以及所述梯度值总和输入所述目标投影质量公式,以得到所述目标网格面片在各所述图像上的投影质量。
可选的,预设的投影质量公式如下:
qualityi=gmii·(A·angle factori),
其中,qualityi为目标网格面片在第i张图像上的投影质量,gmii为所述目标网格面片在第i张图像中的投影区域的梯度值总和,angle factori为所述目标网格面片在第i张图像上的视线角因子,A为所述视线角因子对应权重参数,i=1,2,3...N,N为图像的总数量。
可选的,根据所述目标网格面片的中心点与各所述图像的相机点之间的线向量和重力反方向的夹角确定所述视线角因子对应权重参数,以得到对应的目标投影质量公式,包括:判断所述目标网格面片的中心点与各所述图像的相机点之间的线向量和重力反方向的夹角是否小于第四角度阈值;当所述目标网格面片的中心点与各所述图像的相机点之间的线向量和重力反方向的夹角小于所述第四角度阈值时,确定所述视线角因子对应的权重参数为第四权重参数;当所述目标网格面片的中心点与各所述图像的相机点之间的线向量和重力反方向的夹角大于或等于所述第四角度阈值时,判断所述目标网格面片的中心点与各所述图像的相机点之间的线向量和重力反方向的夹角是否小于第五角度阈值;当所述目标网格面片的中心点与各所述图像的相机点之间的线向量和重力反方向的夹角大于或等于所述第四角度阈值,且小于或等于所述第五角度阈值时,确定所述视线角因子对应的权重参数为第五权重参数;当所述目标网格面片的中心点与各所述图像的相机点之间的线向量和重力反方向的夹角大于所述第五角度阈值时,确定所述视线角因子对应的权重参数为0;其中,所述第五角度阈值大于所述第四角度阈值,所述第四权重参数的值大于所述第五权重参数的值。
可选的,预先根据业务需求设置第四角度阈值、第五角度阈值、第四权重参数以及第五权重参数。
在一个具体实例中,第四角度阈值为40°,第五角度阈值为75°,第四权重参数的值为1,第五权重参数的值为0.8。
当所述目标网格面片的中心点与第i张图像的相机点之间的线向量和重力反方向的夹角小于40°时,确定视线角因子对应的权重参数为1,以得到对应的目标投影质量公式:
qualityi=gmii·angle factori,
将目标网格面片在第i张图像上的视线角因子、以及将目标网格面片在第i张图像中的投影区域的梯度值总和输入目标投影质量公式,即可得到目标网格面片在第i张图像上的投影质量。
当所述目标网格面片的中心点与第i张图像的相机点之间的线向量和重力反方向的夹角大于或等于40°,且小于或等于75°时,确定视线角因子对应的权重参数为0.8,以得到对应的目标投影质量公式:
qualityi=gmii·(0.8·angle factori),
将目标网格面片在第i张图像上的视线角因子、以及将目标网格面片在第i张图像中的投影区域的梯度值总和输入目标投影质量公式,即可得到目标网格面片在第i张图像上的投影质量。
当所述目标网格面片的中心点与第i张图像的相机点之间的线向量和重力反方向的夹角大于75°时,确定视线角因子对应的权重参数为0,以得到对应的目标投影质量公式:
qualityi=0,
确定目标网格面片在第i张图像上的投影质量为0。
可选的,在第二种方案中,所述根据所述各网格面片在各所述图像中的投影区域、各所述图像对应的视角参数以及预设的投影质量公式,计算各网格面片在各所述图像上的投影质量,包括:计算目标网格面片在各所述图像中的投影区域的梯度值总和;计算所述目标网格面片的法向量和重力反方向的第一夹角;计算所述目标网格面片的中心点与各所述图像的相机点之间的线向量和重力反方向的第二夹角;根据所述第二夹角、以及预设的视线角因子计算公式,计算所述目标网格面片在各所述图像上的视线角因子;根据所述目标网格面片在各所述图像中的投影区域的梯度值总和、所述第一夹角、所述第二夹角、以及预设的投影质量公式,计算所述目标网格面片在各所述图像上的投影质量。
可选的,所述根据所述目标网格面片在各所述图像中的投影区域的梯度值总和、所述第一夹角、所述第二夹角、以及预设的投影质量公式,计算所述目标网格面片在各所述图像上的投影质量,包括:根据所述第一夹角与所述第二夹角确定所述视线角因子对应权重参数,以得到对应的目标投影质量公式;将所述视线角因子以及所述梯度值总和输入所述目标投影质量公式,以得到所述目标网格面片在各所述图像上的投影质量。
可选的,所述根据所述第一夹角与所述第二夹角确定所述视线角因子对应权重参数,包括:判断所述第一夹角是否大于第一角度阈值,以及所述第二夹角是否小于第二角度阈值;当所述第一夹角小于所述第一角度阈值,且所述第二夹角小于所述第二角度阈值时,确定所述视线角因子对应的权重参数为第一权重参数;当所述第一夹角大于或等于所述第一角度阈值,以及所述第二夹角小于所述第二角度阈值时,确定所述视线角因子对应的权重参数为第二权重参数;当所述第一夹角大于或等于第一角度阈值,以及所述第二夹角大于或等于第二角度阈值时,确定所述视线角因子对应的权重参数为第三权重参数;其中,所述第一权重参数的值大于第二权重参数的值,以及所述第二权重参数的值大于所述第三权重参数的值。
可选的,当所述第一夹角大于或等于第一角度阈值,以及所述第二夹角大于或等于所述第二角度阈值之后,还包括:判断所述第二夹角是否小于第三角度阈值;当所述第二夹角小于或等于所述第三角度阈值时,确定所述视线角因子对应的权重参数为第三权重参数;其中,所述第三角度阈值大于所述第二角度阈值。
可选的,在判断所述第二夹角是否小于第三角度阈值之后,还包括:当所述第二夹角大于所述第三角度阈值时,确定所述视线角因子对应的权重参数为0。
可选的,预先根据业务需求设置第一角度阈值、第二角度阈值、第三角度阈值、第一权重参数、第二权重参数以及第三权重参数。
在一个具体实例中,第一角度阈值为5°,第二角度阈值为40°,第三角度阈值为75°,第一权重参数的值为3,第二权重参数的值为1,第三权重参数的值为0.8。
当所述第一夹角小于5°,且目标网格面片的中心点与第i张图像的相机点之间的线向量和重力反方向的第二夹角小于40°时,确定所述视线角因子对应的权重参数为3,以得到对应的目标投影质量公式:
qualityi=gmii·(3·angle factori),
将目标网格面片在第i张图像上的视线角因子、以及将目标网格面片在第i张图像中的投影区域的梯度值总和输入目标投影质量公式,即可得到目标网格面片在第i张图像上的投影质量。
当所述第一夹角大于或等于5°,以及所述第二夹角小于40°时,确定所述视线角因子对应的权重参数为1,以得到对应的目标投影质量公式:
qualityi=gmii·angle factori,
将目标网格面片在第i张图像上的视线角因子、以及将目标网格面片在第i张图像中的投影区域的梯度值总和输入目标投影质量公式,即可得到目标网格面片在第i张图像上的投影质量。
当所述第一夹角大于或等于5°,以及所述第二夹角大于或等于40°时,确定所述视线角因子对应的权重参数为0.8,以得到对应的目标投影质量公式:
qualityi=gmii·(0.8·angle factori),
将目标网格面片在第i张图像上的视线角因子、以及将目标网格面片在第i张图像中的投影区域的梯度值总和输入目标投影质量公式,即可得到目标网格面片在第i张图像上的投影质量。
当所述第一夹角大于或等于5°,以及所述第二夹角大于或等于小于40°之后,还包括:判断所述第二夹角是否小于75°;当所述第二夹角小于或等于75°时,确定所述视线角因子对应的权重参数为0.8。
在判断所述第二夹角是否小于75°之后,还包括:当所述第二夹角大于75°时,确定所述视线角因子对应的权重参数为0,以得到对应的目标投影质量公式:
qualityi=0,
确定目标网格面片在第i张图像上的投影质量为0。可选的,根据预设的投影质量公式,计算各网格面片在每一张图像上的投影质量,根据网格面片的法向量和重力反方向的夹角、网格面片的中心点与每一张图像的相机点之间的线向量和重力反方向的夹角角度来确定每一张图像对应的投影质量。当网格面片的法向量和重力反方向的夹角小于5°且网格面片的中心点与图像的相机点之间的线向量和重力反方向的夹角角度小于40°时,图像比较可靠,因此需要加大对应的投影质量。当网格面片的中心点与图像的相机点之间的线向量和重力反方向的夹角角度越大时,对应的图像越不可靠,因此需要适当降低对应的投影质量。
步骤104、根据各网格面片在各所述图像上的投影质量,确定各网格面片对应的视图标签。
可选的,网格面片对应的视图标签是用于表示网格面片的纹理信息来源于哪一张图像的信息,即网格面片对应的视图标签是分配纹理信息到网格面片的图像索引。根据网格面片对应的视图标签可以确定用于为网格面片提供纹理信息的图像。在后续的纹理贴图过程中,根据网格面片对应的视图标签确定用于为网格面片提供纹理信息的图像,将网格面片在该图像上的投影区域的颜色值填充到网格面片上。视图标签是用来决定从哪一张图像上提取对应颜色数据到哪一个网格面片的标识信息。
示例性的,第一网格面片对应的视图标签为“1”,表示第一网格面片的纹理信息来源于标签为“1”的图像,标签为“1”的图像是用于为第一网格面片提供纹理信息的图像。第二网格面片对应的视图标签为“3”,表示第二网格面片的纹理信息来源于标签为“3”的图像,标签为“3”的图像是用于为第二网格面片提供纹理信息的图像。在后续的纹理贴图过程中,根据第一网格面片对应的视图标签“1”确定用于为网格面片提供纹理信息的图像为标签为“1”的图像,将第一网格面片在标签为“1”的图像上的投影区域的颜色值填充到第一网格面片上,根据第二网格面片对应的视图标签“3”确定用于为网格面片提供纹理信息的图像为标签为“3”的图像,将第二网格面片在标签为“3”的图像上的投影区域的颜色值填充到第二网格面片上。预设的优化求解统计模型可以为马尔可夫模型。预设的视图标签分配规则可以在将投影质量高于设定阈值的一个图像的标签设置为各网格面片对应的视图标签的同时,保证相邻网格面片尽可能分配相同的标签。由此,既可以为每个网格面片分配最佳投影质量的视图标签,又可以同时保证空间上的平滑。
可选的,根据各网格面片在各所述图像上的投影质量,确定各网格面片对应的视图标签,包括:通过预设的优化求解统计模型,根据预设的视图标签分配规则以及各网格面片在各所述图像上的投影质量,确定各网格面片对应的视图标签。
可选的,所述通过预设的优化求解统计模型,根据预设的视图标签分配规则以及各网格面片在各所述图像上的投影质量,确定各网格面片对应的视图标签,包括:将各所述图像的图像标签确定为各网格面片对应的候选视图标签;通过预设的马尔可夫模型,根据预设的视图标签分配规则以及各网格面片对应的候选视图标签的投影质量进行优化求解,确定各网格面片对应的视图标签。
具体的,通过预设的马尔可夫模型,根据预设的视图标签分配规则以及各网格面片对应的候选视图标签的投影质量进行优化求解,确定各网格面片对应的视图标签,以在将投影质量高于设定阈值的一个图像的标签设置为各网格面片对应的视图标签的同时,保证相邻网格面片尽可能分配相同的标签。
可选的,在通过预设的马尔可夫模型,根据预设的视图标签分配规则以及各网格面片对应的候选视图标签的投影质量进行优化求解,确定各网格面片对应的视图标签之前,还包括:根据各网格面片在各所述图像中的投影区域的颜色平均值,对各网格面片对应的候选视图标签进行筛除,剔除颜色平均值偏差大的投影区域所对应的候选视图标签。
具体的,针对每一个各网格面片,分别计算网格面片在各图像中的投影区域的颜色平均值,然后计算颜色平均值的均值,比较各图像中的投影区域的颜色平均值与均值的大小。将与均值的大小偏差较大的投影区域所对应的标签从网格面片对应的候选视图标签中剔除。由此,根据颜色对各网格面片对应的候选视图标签进行筛除,剔除那些颜色差异很明显图像的标签。
步骤105、根据所述各网格面片对应的视图标签对所述立体网格模型进行纹理贴图处理得到所述目标区域的纹理模型,以根据所述纹理模型生成所述目标区域的正射影像。
目标区域的纹理模型为包含纹理信息的立体网格模型。根据所述各网格面片对应的视图标签对所述立体网格模型进行纹理贴图处理得到所述目标区域的纹理模型,包括:根据各网格面片对应的视图标签,确定用于为各网格面片提供纹理信息的图像;将各网格面片在用于为各网格面片提供纹理信息的图像上的投影区域的颜色值填充到各网格面片上,得到目标区域的纹理模型。
可选的,在根据所述各网格面片对应的视图标签对所述立体网格模型进行纹理贴图处理得到所述目标区域的纹理模型之后,还包括:对所述目标区域的纹理模型进行颜色调整。
由于相机曝光等因素导致图像的颜色、亮度有所差异,因此需要进行颜色调整生成更真实的纹理模型。颜色调整的方式包括全局的颜色调整和局部的缝隙修补。全局的颜色调整是针对所有网格顶点构建一个能量模型来计算一个最优的颜色调整值,而局部的颜色调整是针对颜色差异缝隙附近区域利用泊松编辑等图像融合方法来实现的。
可选的,根据所述纹理模型生成所述目标区域的正射影像,包括:将所述纹理模型垂直投影到大地平面上,生成所述目标区域的正射影像。大地平面可以为预设地面采样率的平面。将纹理模型上的每个网格面片和对应的纹理信息投影到预设地面采样率的平面上,从而生成最终的正射影像。
图1C为本发明实施例一提供的一种水面区域的正射影像效果对比图。针对同一水面区域,图1C的左侧区域为采用现有的正射影像生成方案生成的水面区域的正射影像,图1C的右侧区域为采用本发明实施例提供的正射影像生成方法生成的水面区域的正射影像。本发明实施例提供的正射影像生成方法生成的水面区域的正射影像更加真实。
图1D为本发明实施例一提供的一种防风林区域的正射影像效果对比图。针对同一防风林区域,图1D的左侧区域为采用现有的正射影像生成方案生成的防风林区域的正射影像,图1D的右侧区域为采用本发明实施例提供的正射影像生成方法生成的防风林区域的正射影像。本发明实施例提供的正射影像生成方法生成的防风林区域的正射影像更加真实。
图1E为本发明实施例一提供的一种房屋建筑区域的正射影像效果对比图。针对同一房屋建筑区域,图1E的左侧区域为采用现有的正射影像生成方案生成的房屋建筑区域的正射影像,图1E的右侧区域为采用本发明实施例提供的正射影像生成方法生成的房屋建筑区域的正射影像。本发明实施例提供的正射影像生成方法生成的房屋建筑区域的正射影像更加真实。
本发明实施例提供了一种正射影像生成方法,通过获取目标区域的立体网格模型和通过多个视角采集到的目标区域的多张图像,并获取各图像对应的视角参数,然后根据视角参数分别将立体网格模型投影到多张图像中,确定立体网格模型上的各网格面片在各所述图像中的投影区域,根据各网格面片在各所述图像中的投影区域、各图像对应的视角参数以及预设的投影质量公式,计算各网格面片在各图像上的投影质量,之后再根据各网格面片在各所述图像上的投影质量,确定各网格面片对应的视图标签,最后根据各网格面片对应的视图标签对立体网格模型进行纹理贴图处理得到目标区域的纹理模型,以根据纹理模型生成目标区域的正射影像,可以根据各图像对应的视角参数以及预设的投影质量公式,计算得到各网格面片在各图像上的投影质量,避免了现有技术仅根据梯度值总和计算投影质量,会优先选择反光强烈的图像的标签作为网格面片的视图标签的问题,在改善水面区域等高反光区域的正射影像效果的同时,可以更有效地计算网格面片在图像上的投影质量,生成更加真实、更为正射的正射影像。
实施例二
图2为本发明实施例二提供的一种正射影像生成方法的流程图。本发明实施例可以与上述一个或者多个实施例中各个可选方案结合。
如图2所示,本发明实施例的方法具体包括:
步骤201、获取目标区域的立体网格模型和通过多个视角采集到的所述目标区域的多张图像,并获取各所述图像对应的视角参数。
步骤202、根据所述视角参数分别将所述立体网格模型投影到所述多张图像中,确定所述立体网格模型上的各网格面片在各所述图像中的投影区域。
步骤203、根据所述各网格面片在各所述图像中的投影区域、各所述图像对应的视角参数以及预设的投影质量公式,计算各网格面片在各所述图像上的投影质量。
步骤204、将各所述图像的图像标签确定为各网格面片对应的候选视图标签。
步骤205、根据各网格面片在各所述图像中的投影区域的颜色平均值,对各网格面片对应的候选视图标签进行筛除,剔除颜色平均值偏差大的投影区域所对应的候选视图标签。
具体的,针对每一个各网格面片,分别计算网格面片在各图像中的投影区域的颜色平均值,然后计算颜色平均值的均值,比较各图像中的投影区域的颜色平均值与均值的大小。将与均值的大小偏差较大的投影区域所对应的标签从网格面片对应的候选视图标签中剔除。由此,根据颜色对各网格面片对应的候选视图标签进行筛除,剔除那些颜色差异很明显图像的标签。
步骤206、通过预设的马尔可夫模型,根据预设的视图标签分配规则以及各网格面片对应的候选视图标签的投影质量进行优化求解,确定各网格面片对应的视图标签。
具体的,通过预设的马尔可夫模型,根据预设的视图标签分配规则以及各网格面片对应的候选视图标签的投影质量进行优化求解,确定各网格面片对应的视图标签,以在将投影质量高于设定阈值的一个图像的标签设置为各网格面片对应的视图标签的同时,保证相邻网格面片尽可能分配相同的标签。
步骤207、根据所述各网格面片对应的视图标签对所述立体网格模型进行纹理贴图处理得到所述目标区域的纹理模型,对所述目标区域的纹理模型进行颜色调整,以根据颜色调整后的所述纹理模型生成所述目标区域的正射影像。
本发明实施例提供了一种正射影像生成方法,通过将各图像的图像标签确定为各网格面片对应的候选视图标签,然后根据各网格面片在各图像中的投影区域的颜色平均值,对各网格面片对应的候选视图标签进行筛除,剔除颜色平均值偏差大的投影区域所对应的候选视图标签,之后再通过预设的马尔可夫模型,根据预设的视图标签分配规则以及各网格面片对应的候选视图标签的投影质量进行优化求解,确定各网格面片对应的视图标签,最后根据各网格面片对应的视图标签对立体网格模型进行纹理贴图处理得到目标区域的纹理模型,对目标区域的纹理模型进行颜色调整,以根据颜色调整后的纹理模型生成目标区域的正射影像,可以通过预设的马尔可夫模型进行优化求解,确定各网格面片对应的视图标签,以在将投影质量较高高的一个图像的标签设置为各网格面片对应的视图标签的同时,保证相邻网格面片尽可能分配相同的标签,可以根据颜色对各网格面片对应的候选视图标签进行筛除,剔除那些颜色差异很明显图像的标签,可以通过颜色调整生成更真实的纹理模型。
实施例三
图3为本发明实施例三提供的一种正射影像生成装置的结构示意图。如图3所示,所述装置包括:模型获取模块301、网格面片投影模块302、投影质量计算模块303、视图标签确定模块304以及正射影像生成模块305。
其中,模型获取模块301,用于获取目标区域的立体网格模型和通过多个视角采集到的所述目标区域的多张图像,并获取各所述图像对应的视角参数;网格面片投影模块302,用于根据所述视角参数分别将所述立体网格模型投影到所述多张图像中,确定所述立体网格模型上的各网格面片在各所述图像中的投影区域;投影质量计算模块303,用于根据所述各网格面片在各所述图像中的投影区域、各所述图像对应的视角参数以及预设的投影质量公式,计算各网格面片在各所述图像上的投影质量;视图标签确定模块304,用于根据各网格面片在各所述图像上的投影质量,确定各网格面片对应的视图标签;正射影像生成模块305,用于根据所述各网格面片对应的视图标签对所述立体网格模型进行纹理贴图处理得到所述目标区域的纹理模型,以根据所述纹理模型生成所述目标区域的正射影像。
本发明实施例提供了一种正射影像生成装置,通过获取目标区域的立体网格模型和通过多个视角采集到的目标区域的多张图像,并获取各图像对应的视角参数,然后根据视角参数分别将立体网格模型投影到多张图像中,确定立体网格模型上的各网格面片在各所述图像中的投影区域,根据各网格面片在各所述图像中的投影区域、各图像对应的视角参数以及预设的投影质量公式,计算各网格面片在各图像上的投影质量,之后再根据各网格面片在各所述图像上的投影质量,确定各网格面片对应的视图标签,最后根据各网格面片对应的视图标签对立体网格模型进行纹理贴图处理得到目标区域的纹理模型,以根据纹理模型生成目标区域的正射影像,可以根据各图像对应的视角参数以及预设的投影质量公式,计算得到各网格面片在各图像上的投影质量,避免了现有技术仅根据梯度值总和计算投影质量,会优先选择反光强烈的图像的标签作为网格面片的视图标签的问题,在改善水面区域等高反光区域的正射影像效果的同时,可以更有效地计算网格面片在图像上的投影质量,生成更加真实、更为正射的正射影像。
在上述各实施例的基础上,投影质量计算模块303具体用于:计算目标网格面片在各所述图像中的投影区域的梯度值总和;计算所述目标网格面片的中心点与各所述图像的相机点之间的线向量和重力反方向的夹角;根据所述目标网格面片的中心点与各所述图像的相机点之间的线向量和重力反方向的夹角、以及预设的视线角因子计算公式,计算所述目标网格面片在各所述图像上的视线角因子;根据所述目标网格面片在各所述图像中的投影区域的梯度值总和、所述目标网格面片的中心点与各所述图像的相机点之间的线向量和重力反方向的夹角、以及预设的投影质量公式,计算所述目标网格面片在各所述图像上的投影质量。
在上述各实施例的基础上,投影质量计算模块303具体用于:计算目标网格面片在各所述图像中的投影区域的梯度值总和;计算所述目标网格面片的法向量和重力反方向的第一夹角;计算所述目标网格面片的中心点与各所述图像的相机点之间的线向量和重力反方向的第二夹角;根据所述第二夹角、以及预设的视线角因子计算公式,计算所述目标网格面片在各所述图像上的视线角因子;根据所述目标网格面片在各所述图像中的投影区域的梯度值总和、所述第一夹角、所述第二夹角、以及预设的投影质量公式,计算所述目标网格面片在各所述图像上的投影质量。
在上述各实施例的基础上,投影质量计算模块303在根据所述目标网格面片在各所述图像中的投影区域的梯度值总和、所述第一夹角、所述第二夹角、以及预设的投影质量公式,计算所述目标网格面片在各所述图像上的投影质量时,用于:根据所述第一夹角与所述第二夹角确定所述视线角因子对应权重参数,以得到对应的目标投影质量公式;将所述视线角因子以及所述梯度值总和输入所述目标投影质量公式,以得到所述目标网格面片在各所述图像上的投影质量。
在上述各实施例的基础上,投影质量计算模块303在所述根据所述第一夹角与所述第二夹角确定所述视线角因子对应权重参数时,用于:判断所述第一夹角是否大于第一角度阈值,以及所述第二夹角是否小于第二角度阈值;当所述第一夹角小于所述第一角度阈值,且所述第二夹角小于所述第二角度阈值时,确定所述视线角因子对应的权重参数为第一权重参数;当所述第一夹角大于或等于所述第一角度阈值,以及所述第二夹角小于所述第二角度阈值时,确定所述视线角因子对应的权重参数为第二权重参数;当所述第一夹角大于或等于第一角度阈值,以及所述第二夹角大于或等于第二角度阈值时,确定所述视线角因子对应的权重参数为第三权重参数;其中,所述第一权重参数的值大于第二权重参数的值,以及所述第二权重参数的值大于所述第三权重参数的值。
在上述各实施例的基础上,投影质量计算模块303在当所述第一夹角大于或等于第一角度阈值,以及所述第二夹角大于或等于所述第二角度阈值之后,还用于:判断所述第二夹角是否小于第三角度阈值;当所述第二夹角小于或等于所述第三角度阈值时,确定所述视线角因子对应的权重参数为第三权重参数;其中,所述第三角度阈值大于所述第二角度阈值。
在上述各实施例的基础上,视图标签确定模块304可以包括:候选视图标签确定单元,用于将各所述图像的图像标签确定为各网格面片对应的候选视图标签;视图标签确定单元,用于通过预设的马尔可夫模型,根据预设的视图标签分配规则以及各网格面片对应的候选视图标签的投影质量进行优化求解,确定各网格面片对应的视图标签。
在上述各实施例的基础上,视图标签确定模块304可以还包括:候选视图标签筛除单元,用于根据各网格面片在各所述图像中的投影区域的颜色平均值,对各网格面片对应的候选视图标签进行筛除,剔除颜色平均值偏差大的投影区域所对应的候选视图标签。
上述正射影像生成装置可执行本发明任意实施例所提供的正射影像生成方法,具备执行正射影像生成方法相应的功能模块和有益效果。
实施例四
图4为本发明实施例四提供的一种计算机设备的结构示意图。图4示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。
图4显示的计算机设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示,计算机设备12以通用计算机设备的形式表现。计算机设备12的组件可以包括但不限于:一个或者多个处理器16,存储器28,连接不同系统组件(包括存储器28和处理器16)的总线18。处理器16包括但不限于AI处理器。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图4未显示,通常称为“硬盘驱动器”)。尽管图4中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该计算机设备12交互的设备通信,和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白,尽管图4中未示出,可以结合计算机设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
计算机设备12的处理器16通过运行存储在存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的正射影像生成方法。该方法具体可以包括:获取目标区域的立体网格模型和通过多个视角采集到的所述目标区域的多张图像,并获取各所述图像对应的视角参数;根据所述视角参数分别将所述立体网格模型投影到所述多张图像中,确定所述立体网格模型上的各网格面片在各所述图像中的投影区域;根据所述各网格面片在各所述图像中的投影区域、各所述图像对应的视角参数以及预设的投影质量公式,计算各网格面片在各所述图像上的投影质量;根据各网格面片在各所述图像上的投影质量,确定各网格面片对应的视图标签;根据所述各网格面片对应的视图标签对所述立体网格模型进行纹理贴图处理得到所述目标区域的纹理模型,将以根据所述纹理模型生成所述目标区域的正射影像。
实施例五
本发明实施例五提供了一种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如本申请所有发明实施例提供的正射影像生成方法。该方法具体可以包括:获取目标区域的立体网格模型和通过多个视角采集到的所述目标区域的多张图像,并获取各所述图像对应的视角参数;根据所述视角参数分别将所述立体网格模型投影到所述多张图像中,确定所述立体网格模型上的各网格面片在各所述图像中的投影区域;根据所述各网格面片在各所述图像中的投影区域、各所述图像对应的视角参数以及预设的投影质量公式,计算各网格面片在各所述图像上的投影质量;根据各网格面片在各所述图像上的投影质量,确定各网格面片对应的视图标签;根据所述各网格面片对应的视图标签对所述立体网格模型进行纹理贴图处理得到所述目标区域的纹理模型,以根据所述纹理模型生成所述目标区域的正射影像。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (8)
1.一种正射影像生成方法,其特征在于,包括:
获取目标区域的立体网格模型和通过多个视角采集到的所述目标区域的多张图像,并获取各所述图像对应的视角参数;
根据所述视角参数分别将所述立体网格模型投影到所述多张图像中,确定所述立体网格模型上的各网格面片在各所述图像中的投影区域;
根据所述各网格面片在各所述图像中的投影区域、各所述图像对应的视角参数以及预设的投影质量公式,计算各网格面片在各所述图像上的投影质量;
根据各网格面片在各所述图像上的投影质量,确定各网格面片对应的视图标签;
根据所述各网格面片对应的视图标签对所述立体网格模型进行纹理贴图处理得到所述目标区域的纹理模型,以根据所述纹理模型生成所述目标区域的正射影像;
所述根据所述各网格面片在各所述图像中的投影区域、各所述图像对应的视角参数以及预设的投影质量公式,计算各网格面片在各所述图像上的投影质量,包括下述方式中的一种:
方式一:
计算目标网格面片在各所述图像中的投影区域的梯度值总和;
计算所述目标网格面片的中心点与各所述图像的相机点之间的线向量和重力反方向的夹角;
根据所述目标网格面片的中心点与各所述图像的相机点之间的线向量和重力反方向的夹角、以及预设的视线角因子计算公式,计算所述目标网格面片在各所述图像上的视线角因子;
根据所述目标网格面片在各所述图像中的投影区域的梯度值总和、所述目标网格面片的中心点与各所述图像的相机点之间的线向量和重力反方向的夹角、以及预设的投影质量公式,计算所述目标网格面片在各所述图像上的投影质量;
方式二:
计算目标网格面片在各所述图像中的投影区域的梯度值总和;
计算所述目标网格面片的法向量和重力反方向的第一夹角;
计算所述目标网格面片的中心点与各所述图像的相机点之间的线向量和重力反方向的第二夹角;
根据所述第二夹角、以及预设的视线角因子计算公式,计算所述目标网格面片在各所述图像上的视线角因子;
根据所述目标网格面片在各所述图像中的投影区域的梯度值总和、所述第一夹角、所述第二夹角、以及预设的投影质量公式,计算所述目标网格面片在各所述图像上的投影质量;
所述根据所述目标网格面片在各所述图像中的投影区域的梯度值总和、所述第一夹角、所述第二夹角、以及预设的投影质量公式,计算所述目标网格面片在各所述图像上的投影质量,包括:
根据所述第一夹角与所述第二夹角确定所述视线角因子对应的权重参数,以得到对应的目标投影质量公式;
将所述视线角因子以及所述梯度值总和输入所述目标投影质量公式,以得到所述目标网格面片在各所述图像上的投影质量。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一夹角与所述第二夹角确定所述视线角因子对应的权重参数,包括:
判断所述第一夹角是否大于第一角度阈值,以及所述第二夹角是否小于第二角度阈值;
当所述第一夹角小于所述第一角度阈值,且所述第二夹角小于所述第二角度阈值时,确定所述视线角因子对应的权重参数为第一权重参数;
当所述第一夹角大于或等于所述第一角度阈值,以及所述第二夹角小于所述第二角度阈值时,确定所述视线角因子对应的权重参数为第二权重参数;
当所述第一夹角大于或等于第一角度阈值,以及所述第二夹角大于或等于第二角度阈值时,确定所述视线角因子对应的权重参数为第三权重参数;
其中,所述第一权重参数的值大于第二权重参数的值,以及所述第二权重参数的值大于所述第三权重参数的值。
3.根据权利要求2所述的方法,其特征在于,当所述第一夹角大于或等于第一角度阈值,以及所述第二夹角大于或等于所述第二角度阈值之后,还包括:
判断所述第二夹角是否小于第三角度阈值;
当所述第二夹角小于或等于所述第三角度阈值时,确定所述视线角因子对应的权重参数为第三权重参数;
其中,所述第三角度阈值大于所述第二角度阈值。
4.根据权利要求1所述的方法,其特征在于,所述根据各网格面片在各所述图像上的投影质量,确定各网格面片对应的视图标签,包括:
将各所述图像的图像标签确定为各网格面片对应的候选视图标签;
通过预设的马尔可夫模型,根据预设的视图标签分配规则以及各网格面片对应的候选视图标签的投影质量进行优化求解,确定各网格面片对应的视图标签。
5.根据权利要求4所述的方法,其特征在于,在通过预设的马尔可夫模型,根据预设的视图标签分配规则以及各网格面片对应的候选视图标签的投影质量进行优化求解,确定各网格面片对应的视图标签之前,还包括
根据各网格面片在各所述图像中的投影区域的颜色平均值,对各网格面片对应的候选视图标签进行筛除,剔除颜色平均值偏差大的投影区域所对应的候选视图标签。
6.一种正射影像生成装置,其特征在于,包括:
模型获取模块,用于获取目标区域的立体网格模型和通过多个视角采集到的所述目标区域的多张图像,并获取各所述图像对应的视角参数;
网格面片投影模块,用于根据所述视角参数分别将所述立体网格模型投影到所述多张图像中,确定所述立体网格模型上的各网格面片在各所述图像中的投影区域;
投影质量计算模块,用于根据所述各网格面片在各所述图像中的投影区域、各所述图像对应的视角参数以及预设的投影质量公式,计算各网格面片在各所述图像上的投影质量;
视图标签确定模块,用于根据各网格面片在各所述图像上的投影质量,确定各网格面片对应的视图标签;
正射影像生成模块,用于根据所述各网格面片对应的视图标签对所述立体网格模型进行纹理贴图处理得到所述目标区域的纹理模型,以根据所述纹理模型生成所述目标区域的正射影像;
所述投影质量计算模块用于下述方式中的一种:
方式一:计算目标网格面片在各所述图像中的投影区域的梯度值总和;计算所述目标网格面片的中心点与各所述图像的相机点之间的线向量和重力反方向的夹角;根据所述目标网格面片的中心点与各所述图像的相机点之间的线向量和重力反方向的夹角、以及预设的视线角因子计算公式,计算所述目标网格面片在各所述图像上的视线角因子;根据所述目标网格面片在各所述图像中的投影区域的梯度值总和、所述目标网格面片的中心点与各所述图像的相机点之间的线向量和重力反方向的夹角、以及预设的投影质量公式,计算所述目标网格面片在各所述图像上的投影质量;
方式二:计算目标网格面片在各所述图像中的投影区域的梯度值总和;计算所述目标网格面片的法向量和重力反方向的第一夹角;计算所述目标网格面片的中心点与各所述图像的相机点之间的线向量和重力反方向的第二夹角;根据所述第二夹角、以及预设的视线角因子计算公式,计算所述目标网格面片在各所述图像上的视线角因子;根据所述目标网格面片在各所述图像中的投影区域的梯度值总和、所述第一夹角、所述第二夹角、以及预设的投影质量公式,计算所述目标网格面片在各所述图像上的投影质量;
所述投影质量计算模块在根据所述目标网格面片在各所述图像中的投影区域的梯度值总和、所述第一夹角、所述第二夹角、以及预设的投影质量公式,计算所述目标网格面片在各所述图像上的投影质量时,用于:根据所述第一夹角与所述第二夹角确定所述视线角因子对应的权重参数,以得到对应的目标投影质量公式;将所述视线角因子以及所述梯度值总和输入所述目标投影质量公式,以得到所述目标网格面片在各所述图像上的投影质量。
7.一种计算机设备,包括存储器、处理器及存储在存储器上并可在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程序时实现如权利要求1-5中任一所述的正射影像生成方法。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-5中任一所述的正射影像生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011613957.5A CN112734629B (zh) | 2020-12-30 | 2020-12-30 | 一种正射影像生成方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011613957.5A CN112734629B (zh) | 2020-12-30 | 2020-12-30 | 一种正射影像生成方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112734629A CN112734629A (zh) | 2021-04-30 |
CN112734629B true CN112734629B (zh) | 2022-12-27 |
Family
ID=75611242
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011613957.5A Active CN112734629B (zh) | 2020-12-30 | 2020-12-30 | 一种正射影像生成方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112734629B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113284211B (zh) * | 2021-06-09 | 2022-11-11 | 杭州今奥信息科技股份有限公司 | 一种正射影像生成的方法以及系统 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1480903A (zh) * | 1996-08-29 | 2004-03-10 | ������������ʽ���� | 特征信息赋予、物体抽取和立体模型生成方法及其装置 |
CN103903254B (zh) * | 2012-12-31 | 2017-08-11 | 中国科学院深圳先进技术研究院 | 一种x光图像处理方法、系统及x光图像处理设备 |
IL242895B (en) * | 2015-12-03 | 2021-04-29 | Eyeway Vision Ltd | Image projection system |
CN108460815B (zh) * | 2017-02-22 | 2022-06-17 | 腾讯科技(深圳)有限公司 | 地图道路要素编辑方法和装置 |
CN109409335B (zh) * | 2018-11-30 | 2023-01-20 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、计算机可读介质及电子设备 |
CN109685879B (zh) * | 2018-12-13 | 2023-09-29 | 广东启慧城市信息有限公司 | 多视影像纹理分布的确定方法、装置、设备和存储介质 |
CN110738723A (zh) * | 2019-10-12 | 2020-01-31 | 创新工场(北京)企业管理股份有限公司 | 一种基于人脸网格模型的纹理贴图生成方法、系统及电子设备 |
CN111627119B (zh) * | 2020-05-22 | 2023-09-15 | Oppo广东移动通信有限公司 | 纹理贴图方法及装置、设备、存储介质 |
-
2020
- 2020-12-30 CN CN202011613957.5A patent/CN112734629B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112734629A (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9942535B2 (en) | Method for 3D scene structure modeling and camera registration from single image | |
JP2018163654A (ja) | 電気通信インベントリ管理のためのシステムおよび方法 | |
CN109242913A (zh) | 采集器相对参数的标定方法、装置、设备和介质 | |
CN109191554B (zh) | 一种超分辨图像重建方法、装置、终端和存储介质 | |
WO2023093217A1 (zh) | 数据标注方法、装置、计算机设备、存储介质和程序 | |
CN109214350B (zh) | 一种光照参数的确定方法、装置、设备及存储介质 | |
WO2023241097A1 (zh) | 一种语义实例重建方法、装置、设备及介质 | |
WO2024060952A1 (zh) | 用于渲染虚拟对象的方法、装置、设备和介质 | |
US20200175251A1 (en) | Estimating a height of a cloud depicted in an image | |
CN112562056A (zh) | 虚拟演播室中虚拟灯光的控制方法、装置、介质与设备 | |
CN112734629B (zh) | 一种正射影像生成方法、装置、设备及存储介质 | |
CN116563493A (zh) | 基于三维重建的模型训练方法、三维重建方法及装置 | |
CN112580428A (zh) | 一种配电网设计方法及装置 | |
CN115439543A (zh) | 孔洞位置的确定方法和元宇宙中三维模型的生成方法 | |
CN108304578B (zh) | 地图数据的处理方法、介质、装置和计算设备 | |
CN114581871A (zh) | 一种目标物体的检测方法和装置 | |
CN112634366B (zh) | 位置信息的生成方法、相关装置及计算机程序产品 | |
CN112085842B (zh) | 深度值确定方法及装置、电子设备和存储介质 | |
CN113496503B (zh) | 点云数据的生成及实时显示方法、装置、设备及介质 | |
CN113379748B (zh) | 一种点云全景分割方法和装置 | |
CN112509135A (zh) | 元素标注方法、装置、设备、存储介质及计算机程序产品 | |
CN112906092A (zh) | 一种映射方法和映射系统 | |
CN113781653B (zh) | 对象模型生成方法、装置、电子设备及存储介质 | |
CN115546422A (zh) | 一种建筑物的三维模型构建方法、系统和电子设备 | |
US20180276879A1 (en) | Finite aperture omni-directional stereo light transport |
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 |