CN112750135B - 一种无人机倾斜摄影测量像控点优化方法及系统 - Google Patents

一种无人机倾斜摄影测量像控点优化方法及系统 Download PDF

Info

Publication number
CN112750135B
CN112750135B CN202011625703.5A CN202011625703A CN112750135B CN 112750135 B CN112750135 B CN 112750135B CN 202011625703 A CN202011625703 A CN 202011625703A CN 112750135 B CN112750135 B CN 112750135B
Authority
CN
China
Prior art keywords
image
value
point
aerial vehicle
unmanned aerial
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
CN202011625703.5A
Other languages
English (en)
Other versions
CN112750135A (zh
Inventor
吴小娟
梁好
崔振营
王永前
徐维新
卞玉霞
崔林林
宁侨侨
段旭辉
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.)
Chengdu University of Information Technology
Original Assignee
Chengdu University of Information Technology
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 Chengdu University of Information Technology filed Critical Chengdu University of Information Technology
Priority to CN202011625703.5A priority Critical patent/CN112750135B/zh
Publication of CN112750135A publication Critical patent/CN112750135A/zh
Application granted granted Critical
Publication of CN112750135B publication Critical patent/CN112750135B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration by the use of local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • 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
    • 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
    • G06T2207/30188—Vegetation; Agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明旨在针对当前无人机倾斜摄影测量控制点布设时，经常面临测区实际情况复杂、均匀布点可操作性较小、工作量较大、无明显针对性、经验依赖性大等问题，提出了一种基于数字图像空间域提取的像控点优化方法，采用边缘检测、图像拉伸处理、二值化处理、开闭运算、分割、标记、重组、选值等图像处理方法，精准找点，得到在保证摄影测量精度的情况下尽可能减少外业工作量和满足特殊测区不能均匀布点的要求的布点方案，提高作业效率。

Description

一种无人机倾斜摄影测量像控点优化方法及系统
技术领域
本发明属于航空摄影测量工作中(像控点)布设作业领域领域，尤其涉及一种无人机倾斜摄影测量像控点优化方法及系统。
背景技术
对于无人机倾斜摄影测量，控制其精度最重要的一环就是像控点的布设与施测。解决了精度问题，无人机倾斜摄影测量才能大规模应用于市场作业。现今普遍采用的控制点布设方法是非全野外布点，包括航带网法和区域网法。即在实地布设少量控制点，在内业中使用空三解算进行加密，经过控制点刺点平差，求解所有区域点的坐标。航带网法包括六点法、五点法、八点法。按照航线每分段布设六个平高点称为六点法，如图1所示；每分段布设八个平高点称为八点法；当航带网的长度小于允许长度的四分之三且又大于允许长度的二分之一时，则可以布设5个平高点称为五点法。
另外一种常用方法为区域网法，如图2所示。根据《CHZ3004-2010低空数字航空摄影测量内业规范》，区域网法布点时应该满足下列条件：(1)区域网内不包含飞行时重叠的像对和航线，不包括大面积的云层阴影和其它阴影。(2)根据规范来选取适当的间隔基线数，特殊地区(戈壁，沙漠，沼泽，原始森林等)的平面和高程误差可以适当放宽。区域网法用于加密平面控制点时，可以沿测区周围布设4或6或8个控制点，其具体有两点要求：(1)布设点位的方位不一样，要求也不一样。像控点在测区内部进行布设时，图幅范围不会变成其限制；平面控制点和高程控制点设置在同一地点时，将其作为平高点进行联合测量。对于处于相邻航线之间的控制点时，其布设原则应尽量将其设置为公共控制点。总的来说，位置的不同，会导致控制点布设的要求发生改变。(2)不能一味死板的照搬标准，应该结合实际情况，具体问题具体分析。
上述两种布点方法(解决方案)都属于非全野外布点，虽相比于全野外布点已有了长足的进步，但野外工作量仍然十分巨大。在实际生产活动中，由于为了控制成本，减少外业工作量，不可能做到完全均匀的控制点分布。再加上受制于实际环境(例如测区中间有湖，那么就几乎不可能在湖内布置控制点)，而对于野外测量和城市测量又有不同的侧重，城市测量由于多具明显特征点，所以可以在飞行后对航片进行飞行，从中选择出控制点再利用RTK等进行实地控制点测量；而野外测量由于无明显特征点，需要在无人机飞行前就布置好控制点，在空三解算中再进行控制点刺点。所以野外测量的控制点选择对无人机倾斜摄影测量的精度影响至关重要，而现有的两种布点解决方案都偏向理想化，无法有效满足实际布点需求。如果空三解算出的精度达不到目标要求，那么只能选择进行野外补测控制点，耗时耗力，进而严重影响了测绘工作效率。
发明内容
本发明针对现有技术存在的不足，提供了一种无人机倾斜摄影测量像控点优化方法及系统。
本发明旨在针对当前无人机倾斜摄影测量控制点布设时，经常面临测区实际情况复杂、均匀布点可操作性较小、工作量较大、无明显针对性、经验依赖性大等问题，提出了一种基于数字图像空间域提取的像控点优化方法，得到在保证摄影测量精度的情况下尽可能减少外业工作量和满足特殊测区不能均匀布点的要求的布点方案，提高作业效率。
本发明的具体技术方案如下：
一种无人机倾斜摄影测量像控点优化方法，包括以下步骤：
获取无人机数据，所述无人机数据包括测区航拍图像；
将测区航拍图像转化为灰度图像后再进行边缘检测；
拉伸灰度图像，使其灰度值回到0-255范围；
二值化，利用封装函数对灰度图像进行二值化，亮化边缘，获得二值图像；
开闭运算，包括腐蚀和膨胀，所述结构元素为形态学运算中的基本单元，是在每个像素位置上与二值图像对应的区域进行的特定逻辑运算，可以达到去除孤立点、毛刺、填补裂缝等且保持整体图像位置和形状不变的效果。所述膨胀是对二值图像进行逐行扫描，当结构元素范围内有值不为1时，则其原点位置赋值为1，若不在结构元素的范围内，则保持原值；所述腐蚀是对二值图像进行逐行扫描，当结构元素范围内的所有值为1时，原点位置赋值1，其它情况均赋值0；
分隔重建，计算图像行列，设定分割区域边长，用行列分别除以分割区域边长获得垂直方向和水平方向的分割数量，重新生成图像，利用双循环结构进行分割；
标记，所述双循环结构包括分割、标记处理、重组，其中标记处理包括：提取每个切割区域的总像素值，并将其全部输出进行排序，选取和拟定布置控制点数量相同的像素值将其作为阈值，对切割区域进行判断，如果小于阈值，则将其全部像素输出为0；如果大于阈值，则其全部标红；
将标记后的图像与原始图像进行叠加显示，设置各50％的权重，便以直观清晰地在图像中选取控制点。
优选的，分割区域大小除以推荐控制点密度得到拟定布置控制点数量。
优选的，所述边缘检测为Sobel边缘检测。
优选的，所述无人机数据包括倾斜摄影测量中的纬度、经度、高程、航向角、俯仰角及翻滚角。
优选的，利用封装函数graythresh对图像进行二值化。
一种无人机倾斜摄影测量像控点优化系统，
检测处理模块，用于将测区航拍图像转化为灰度图像后再进行边缘检测；
图像拉伸模块，用于拉伸检测后的灰度图像，使其灰度值回到0-255范围；
二值化模块，用于利用封装函数对灰度图像进行二值化，亮化边缘，获得二值图像；
开闭运算模块，包括腐蚀单元和膨胀单元，所述膨胀单元用于对二值图像进行逐行扫描，当结构元素范围内有值不为1时，则其原点位置赋值为1，若不在结构元素的范围内，则保持原值；所述腐蚀单元用于对二值图像进行逐行扫描，当结构元素范围内的所有值为1时，原点位置赋值1，其它情况均赋值0；
分隔重建，计算图像行列，设定分割区域边长，用行列分别除以分割区域边长获得垂直方向和水平方向的分割数量，重新生成图像，利用双循环结构进行分割；
所述双循环结构包括分割单元、标记处理单元、重组单元，标记处理单元用于：提取每个切割区域的总像素值，并将其全部输出进行排序，选取和拟定布置控制点数量相同的像素值将其作为阈值，对切割区域进行判断，如果小于阈值，则将其全部像素输出为0；如果大于阈值，则其全部标红；
图像叠加单元，用于将标记后的图像与原始图像进行叠加显示，设置各50％的权重，便以直观清晰地在图像中选取控制点。
优选的，分割区域大小除以推荐控制点密度得到拟定布置控制点数量。
优选的，所述除二值化模块利用封装函数graythresh对图像进行二值化。
有益效果在于：
本发明的使用，可以在一定程度上减少无人机倾斜摄影测量的外业工作量的同时维持空三(空中三角测量)和建模精度，避免了大量无针对性的地面踏勘，仅需针对被方法选出的区域进行踏勘选点，提高了作业效率。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
图1是本发明中的航带网六点法；
图2是本发明中的区域网六点法加高程点示意图；
图3是本发明中的原理框图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
另外，在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定发明。
现在结合说明书附图对本发明做进一步的说明。
在无人机倾斜摄影测量的实际操作过程中，一般情况下测区地物复杂繁多，会拥有房屋，道路，院落，空地，池塘，植被等多种地物。且像控点应优先布设在容易辨别的地物交点、独立的点状地物上，并且要求该点周围没有明显高差并且能明显将像控点同周围地物能从色彩上明显区分出来。比如道路标识线，标识同周围地面处于同一高度，但标识是白色，而周围地面是柏油黑色，黑白能明显区分开来，这样的位置最佳。综上，其布设原则的宗旨可概括为：要求控制点能与周围地物明显区分出来。
如果从数字图像处理的角度来考虑，图像里与周围有明显区分的地方通常会在空间域里表现为灰度突变的区域，如果能将灰度突变区域提取出来再进行二次选择，则能较好满足像控点的布设要求，所以如果利用一定的空间域方法将突变区域提取出来并进行处理和排序，根据需要的控制点量(布点密度是行业内的经验值，对于一定大小的区域，不论采用何种布点方案，其控制点布设量都是相近的)便可定量筛选出需要的能与周围地物明显区分(灰度突变)的区域，在这些区域内选择布点即可。
(2)阈值选取
由于方法中涉及了多处阈值，且不易在方法介绍中得到较好的叙述，因此这里单独用一节来介绍阈值的选取思路，在方法介绍中也会有涉及。
1)控制点数量
由于测区自身的面积，地物、地貌不同，还会受到无人机性能、云台稳定性、搭载的相机的镜头素质的影响。最重要的一点就是产品精度要求不同，对控制点的数量、质量需求也就不同。因此针对不同测区，在选择合适的控制点数量问题上就不能一概而论。
由于控制点布设数量涉及的方面太多，一般情况下都根据测区大小进行利用经验确定控制点数量，再根据测区具体情况进行控制点布设。(例如实施例中采用数据源公司提供的该产品的推荐控制点密度100米/点)使用测区大小除以推荐控制点密度便可得到控制点布设数目。测区大小可由Google Earth的比例尺换算得到。
2)测区分块数目
由于本方法需要将测区分为M*N的小块后再进行后续操作，因此需要确定分块阈值，即每小块的边长。其有三个要求：1、边长必须小于推荐控制点密度，否则将会出现分块全为控制点的情况，失去了选点的意义。2、边长不能过小，否则Google Earth中得到的航片分辨率将无法支撑其进行空间域运算，同样会失去选点意义。3、边长必须考虑地物的粘连性，所选阈值应尽量将测区地物分为各自具有整体性的独立个体。若不考虑本条结果，将会出现单地物被划分为多个区块且均为高突变区域的情况，实际结果就是最后的标记点结果将集中在几个特定区域，显然是不符合像控点布点的基本要求的。
以实施例为例，针对本测区的情况，由于推荐控制点密度为100米/点，所以分块边长需要小于100米；该区域地物空间分辨率为0.5971米，能较好的满足空间域处理的需求；经过量算，测区多可按50米区域划分为多个单独地物群。因此本研究最后选择50m，即295像素作为分块边长。
(3)方法介绍
1)边缘检测
由于测区航拍图像分辨率较低，存在较多噪点，需要在提取灰度突变区域(边缘)的同时减少噪声的影响。目前边缘检测算子较多，针对此方案中需要抑制大量噪声而对边缘本身质量要求不高采用了sobel算子，sobel算子比起Roberts算子来说加大了边缘检测的模板大小，能够更好的减少噪声的影响，但其劣势是提取出的边缘较宽。
具体思路为将原始图像输入Matlab，利用rgb2gray函数将RGB图像转为灰度图像，手动输入Sobel算子的垂直模板和水平模板，再分别进行卷积，最后合并得到提取结果。
2)灰度拉伸
由于在Matlab中进行的图像运算为了保证其精度会将其数据类型强制转换为双精度，这会导致后续函数无法正确识别双精度的灰度变化，会默认将其以1作为分界线进行二值化，所以这里需要手动对其进行灰度拉伸，回到0-255的范围。
3)二值化
为了更好的提取灰度突变区域，需要利用封装函数graythresh对图像进行二值化，剔除灰度值较低的部分，亮化边缘。该函数是一种自动进行的阈值确定函数，可以按照类间方差的大小进行自动区别背景和主体。
4)开闭运算
在进行图像分割前，由于存在大量无效提取点，其特点为像素范围小，数量多且单独成快，所以可以利用开闭运算将其消除，方便后续处理。
开闭运算的基础方法为腐蚀和膨胀，腐蚀和膨胀通过前后结合便分别形成了开、闭运算。所谓膨胀便是对二值图像进行逐行扫描，当结构元素范围内有值不为1时，则其原点位置赋值为1，若不在结构元素的范围内，则保持原值；而腐蚀也是对二值图像进行逐行扫描，当结构元素范围内的所有值为1时，原点位置赋值1，其它情况均赋值0。
所以这里分别进行开闭运算，简化图像，去除无效提取点，最后比对效果。
5)分割重建
由于需要对图像进行像素搜索统计，所以需要将图像分割为小块。其难点为如何为每张不同的图像确定分割大小，本发明利用size函数求出行列，设定区域边长为295像素，再将其分别相除便可以得到在垂直和水平方向可以分别分割为多少小块，再利用imresize函数重新生成图像(避免分割时数组下标越界)，利用双循环结构进行分割。
由于进行标记后需要重新得到原图，所以在分割循环中需要在标记处理后重建图像。这里使用rebuild函数，对应处理为：分割，处理，重建。每次完成处理后都将其纳入重建图像，同时指定其位置。
6)标记
首先在循环中利用bwarea函数提取每个小块的总像素值，并将其全部输出进行排序，选取和拟定布置控制点数量相同的像素值(用上述提到的测区大小除以推荐控制点密度便可得到拟定布置控制点数量，但这是理论情况，在实际操作中会有各种各样的地形、地物限制因素，不可能完全按照理论来布点，应充分考虑粘连和冗余，即选定多于拟定点2、3个点的排序块)将其作为阈值，再进行判断，如果小于阈值，则将全部像素输出为0；如果大于阈值，则将小块全部标红。
(4)控制点选取
将标记后的图像与原始图像进行叠加显示，设置各50％的权重，便可直观清晰地在图像中选取控制点，再结合实际踏勘情况，在选出的控制块中避开无法进行实际布点的区域(如房顶，水塘等)最终确定控制点。
具体的，本发明依照上述原理，请参考图3所示，在实地进行了实验。具体如下：
1、研究区介绍
本次实例研究区域位于我国东南部某地区。测区环境较为复杂，包括公路，民房，空地，树林，池塘，厂房等，测区面积约为263040m2(548m*480m，通过Google Earth Pro的量测功能推算而来)，属于综合性较强的区域，较为符合本研究需要的一般性要求，更具有普遍性。
2、控制点实地施测
按照相应的国家规范和要求进行实地控制点采集施测(《数字航空摄影规范》，《CHZ3004-2010低空数字航空摄影测量外业规范》)。本测区采用先布点后飞的顺序，由于原数据区域大于本研究区，其共采集了54个地面控制点，经过后期验证，实际有效可用控制点为10个。
3、无人机数据采集
本研究采用的无人机为三镜头旋翼式无人机，搭载了PPK系统，定位精度可达平面精度2.5mm+0.5ppm，高程精度5mm+0.5ppm，可以有效减少外业像控点布设量。航线重叠为60％，旁向重叠为40％，其关键参数如表1所示。
表1相机关键参数
Figure BDA0002879207750000091
4、像控点优化提取实例
①Sobel算子
通过提取得到了测区的垂直梯度与水平梯度，并将其融合后的Sobel梯度。
②灰度拉伸
对Sobel梯度拉伸后得到灰度图。
③二值化
对提取后的灰度图像的二值化。
④开闭运算
分别进行开闭运算后，得到不同的结果。结论得出开运算的效果好于闭运算，即先腐蚀后膨胀。
⑤分割重建
将开运算后的图像进行分割-处理-重建。
⑥标记
对分割部分进行标记后输出。
⑦融合与选取
将标记图像与像控点的图像进行融合显示，进行像控点选取。
5、精度分析
5.1点位精度
为了验证本研究方法的可行性与控制效果，需要进行精度分析。使用对比分析法对比不同类像控点的控制效果，检验单中误差公式为
Figure BDA0002879207750000101
总精度评定公式为
Figure BDA0002879207750000102
其中：Δ为真误差，等于观测值-真值，n为检查点的个数。
由于测区完成控制点布设时并未按照本文研究思路来进行布点(实际布点情况更为遵循传统布点原则进行均匀布点，其点位多为在较大的空地上)，所以无法直接按照理想情况直接利用融合图像进行像控点布设，进而进行精度评定。因此这里采用间接法来完成精度评定。
思路为利用CC的抓取功能将可用控制点导入google earth中并标记点，再将标记点图像与标红后的图像(使用的数据源是是同分辨率同位置未标记的原始图像)进行重叠。将现有控制点分为两类，一类点为与研究结果相匹配的高权重点，二类点为低权重点，两类像控点判别式一类点为：1、与标红图像重叠的标记点2、标记点位于标红图像25m范围内(按比例尺换算)；二类点为1、不与标红图像重叠且标记点位于标红图像25m范围之外。
按照此标准进行控制点分类，分类结果如表2所示
表2控制点分类
Figure BDA0002879207750000111
将一类点位作为控制点，二类点位作为检查点，进行精度评定。再将一类点作为检查点，二类点作为控制点，进行精度评定。如果一类点的控制精度高于二类点便可验证研究思路的可行性。
计算检查点的水平中误差σH和垂直中误差σV以及3D误差σ3D(给定三维位置和估计三维位置之间的距离)，精度分析结果如表3～5所示。(单位为厘米，下同)
表3一类点精度分析
Figure BDA0002879207750000112
表4二类点精度分析
Figure BDA0002879207750000113
表5检查点各项中误差
Figure BDA0002879207750000121
由上述表格可以看出，一类点作为控制点时，其水平方向和垂直方向以及3D误差均优于二类点作为控制点。按照《数字航空摄影测量空中三角测量规范》[12]，以其中的一比五百比例尺标准为例，其平地的平面位置中误差应小于等于17.5cm，高程中误差应该小于15cm。从表5中可以看出其一类点的平面位置中误差为10.95cm，小于《规范》的要求17.5cm，其高程中误差为6.49cm，也小于《规范》的要求15cm，均未超限；二类点的平面位置中误差超出规范1.09cm，高程中误差超出规范9.52cm。对比来看，一类点的控制效果在各个方面上均优于二类点，在一定程度上能够佐证本研究方法的科学性和可行性。
5.1点位精度
在分辨率上，将其分为XY，ZY，ZX三个方向，一类点在三个方向上的最小分辨率为1.03cm/pixel，最大分辨率为13.50cm/pixel，中值分辨率为1.91cm/pixel；二类点在三个方向上的最小分辨率为1.05cm/pixel，最大分辨率为13.51cm/pixel，中值分辨率为1.92cm/pixel。
不难得出，在分辨率上(该项值越小越好)一类点和二类点的差别很小，都在0.01em的级别上，但一类点精度还是稍优于二类点。两类点均能较好地满足无人机倾斜摄影测量生产的需要。
以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (6)

1.一种无人机倾斜摄影测量像控点优化方法，其特征在于：包括以下步骤：
获取无人机数据，所述无人机数据包括测区航拍图像；
将测区航拍图像转化为灰度图像后再进行边缘检测；
拉伸灰度图像，使其灰度值回到0-255范围；
二值化，利用封装函数对灰度图像进行二值化，亮化边缘，获得二值图像；
开闭运算，包括腐蚀和膨胀，所述膨胀是对二值图像进行逐行扫描，当结构元素范围内有值不为1时，则其原点位置赋值为1，若不在结构元素的范围内，则保持原值；所述腐蚀是对二值图像进行逐行扫描，当结构元素范围内的所有值为1时，原点位置赋值1，其它情况均赋值0；
分隔重建，计算图像行列，设定分割区域边长，用行列分别除以分割区域边长获得垂直方向和水平方向的分割数量，重新生成图像，利用双循环结构进行分割，所述双循环结构包括分割、标记处理、重组；
标记，其中标记处理包括：提取每个切割区域的总像素值，并将其全部输出进行排序，选取和拟定布置控制点数量相同的像素值将其作为阈值，对切割区域进行判断，如果小于阈值，则将其全部像素输出为0；如果大于阈值，则其全部标红，分割区域大小除以推荐控制点密度得到拟定布置控制点数量；
将标记后的图像与原始图像进行叠加显示，设置各50%的权重，便以直观清晰地在图像中选取控制点。
2.根据权利要求1所述的一种无人机倾斜摄影测量像控点优化方法，其特征在于：所述边缘检测为Sobel边缘检测。
3.根据权利要求1所述的一种无人机倾斜摄影测量像控点优化方法，其特征在于，所述无人机数据包括倾斜摄影测量中的纬度、经度、高程、航向角、俯仰角及翻滚角。
4.根据权利要求1所述的一种无人机倾斜摄影测量像控点优化方法，其特征在于：对图像进行二值化，二值化函数为graythresh。
5.一种无人机倾斜摄影测量像控点优化系统，其特征在于：包括
检测处理模块，用于将测区航拍图像转化为灰度图像后再进行边缘检测；
图像拉伸模块，用于拉伸检测后的灰度图像，使其灰度值回到0-255范围；
二值化模块，用于利用封装函数对灰度图像进行二值化，亮化边缘，获得二值图像；
开闭运算模块，包括腐蚀单元和膨胀单元，所述膨胀单元用于对二值图像进行逐行扫描，当结构元素范围内有值不为1时，则其原点位置赋值为1，若不在结构元素的范围内，则保持原值；所述腐蚀单元用于对二值图像进行逐行扫描，当结构元素范围内的所有值为1时，原点位置赋值1，其它情况均赋值0；
分隔重建，计算图像行列，设定分割区域边长，用行列分别除以分割区域边长获得垂直方向和水平方向的分割数量，重新生成图像，利用双循环结构进行分割；
所述双循环结构包括分割单元、标记处理单元、重组单元，标记处理单元用于：提取每个切割区域的总像素值，并将其全部输出进行排序，选取和拟定布置控制点数量相同的像素值将其作为阈值，对切割区域进行判断，如果小于阈值，则将其全部像素输出为0；如果大于阈值，则其全部标红，拟定布置控制点数量通过测区大小除以推荐控制点密度得到；
图像叠加单元，用于将标记后的图像与原始图像进行叠加显示，设置各50%的权重，便以直观清晰地在图像中选取控制点。
6.据权利要求5所述的一种无人机倾斜摄影测量像控点优化系统，其特征在于：所述二值化模块利用封装函数graythresh对图像进行二值化。
CN202011625703.5A 2020-12-31 2020-12-31 一种无人机倾斜摄影测量像控点优化方法及系统 Active CN112750135B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011625703.5A CN112750135B (zh) 2020-12-31 2020-12-31 一种无人机倾斜摄影测量像控点优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011625703.5A CN112750135B (zh) 2020-12-31 2020-12-31 一种无人机倾斜摄影测量像控点优化方法及系统

Publications (2)

Publication Number Publication Date
CN112750135A CN112750135A (zh) 2021-05-04
CN112750135B true CN112750135B (zh) 2022-06-03

Family

ID=75650574

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011625703.5A Active CN112750135B (zh) 2020-12-31 2020-12-31 一种无人机倾斜摄影测量像控点优化方法及系统

Country Status (1)

Country Link
CN (1) CN112750135B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113340277B (zh) * 2021-06-18 2022-03-08 深圳市武测空间信息有限公司 一种基于无人机倾斜摄影的高精度定位方法
CN113255592B (zh) * 2021-06-25 2021-11-19 成都信息工程大学 枯草光谱识别方法及系统
CN116846789B (zh) * 2023-09-01 2023-11-14 国网四川省电力公司信息通信公司 通信链路的运维管理系统
CN117451011B (zh) * 2023-12-22 2024-03-08 南京信息工程大学 一种基于蒙特卡罗检验的摄影测量像控点质量评价方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111540048A (zh) * 2020-04-22 2020-08-14 深圳市中正测绘科技有限公司 一种基于空地融合的精细化实景三维建模方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107270877B (zh) * 2017-06-22 2019-06-07 中铁大桥勘测设计院集团有限公司 一种带状测区低空摄影测量像控点布测方法
CN107451982B (zh) * 2017-08-14 2020-08-14 东北林业大学 一种基于无人机影像的高郁闭度林分树冠面积获取方法
CN108961150B (zh) * 2018-04-11 2019-05-03 西安科技大学 基于无人机影像的自动布控像控点方法
WO2019225681A1 (ja) * 2018-05-23 2019-11-28 パナソニックＩｐマネジメント株式会社 校正装置および校正方法
CN109472788B (zh) * 2018-11-20 2022-03-22 成都信息工程大学 一种飞机铆钉表面的伤痕检测方法
CN112100715A (zh) * 2020-08-20 2020-12-18 中国建筑第八工程局有限公司 一种基于三维倾斜摄影技术的土方优化方法及系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111540048A (zh) * 2020-04-22 2020-08-14 深圳市中正测绘科技有限公司 一种基于空地融合的精细化实景三维建模方法

Also Published As

Publication number Publication date
CN112750135A (zh) 2021-05-04

Similar Documents

Publication Publication Date Title
CN112750135B (zh) 一种无人机倾斜摄影测量像控点优化方法及系统
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
Woodget et al. Drones and digital photogrammetry: from classifications to continuums for monitoring river habitat and hydromorphology
CN102074047B (zh) 一种高精细城市三维建模方法
Morton et al. Final report for LCM2007-the new UK land cover map. Countryside survey technical report no 11/07
CN110689563A (zh) 一种用于提取遥感图像中违法建筑信息的数据处理方法
CN110503080B (zh) 基于无人机倾斜摄影辅助排污口的调查方法
CN110263717B (zh) 一种融入街景影像的土地利用类别确定方法
CN102147250B (zh) 一种数字线划图测图方法
CN103884321B (zh) 一种遥感影像成图工艺
Gao et al. SUM: A benchmark dataset of semantic urban meshes
CN112396128B (zh) 一种铁路外部环境风险源样本自动标注方法
CN102662179A (zh) 基于机载激光雷达的三维优化选线方法
CN111899332A (zh) 一种基于倾斜摄影测量技术的架空输电线路三维设计方法
CN114998536A (zh) 基于新型基础测绘的模型生成方法、装置及存储介质
Goldbergs et al. Limitations of high resolution satellite stereo imagery for estimating canopy height in Australian tropical savannas
Li et al. Ultrahigh-resolution boreal forest canopy mapping: Combining UAV imagery and photogrammetric point clouds in a deep-learning-based approach
CN103871072A (zh) 基于投影数字高程模型的正射影像镶嵌线自动提取方法
Kukkonen et al. Image matching as a data source for forest inventory–comparison of Semi-Global Matching and Next-Generation Automatic Terrain Extraction algorithms in a typical managed boreal forest environment
CN112906455A (zh) 一种海岸带生态系统遥感识别方法
CN116468869A (zh) 一种基于遥感卫星影像的实景三维建模方法、设备及介质
Sun et al. Feasibility study on the estimation of the living vegetation volume of individual street trees using terrestrial laser scanning
CN106372362A (zh) 基于遥感技术的黄土冲沟溯源侵蚀范围预测方法
CN112166688B (zh) 基于小卫星的沙漠与沙漠化土地监测方法
CN115984721A (zh) 基于倾斜摄影和图像识别技术实现乡村风貌管理的方法

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