CN113344956B - 基于无人机航摄三维建模的地物轮廓提取分类方法 - Google Patents
基于无人机航摄三维建模的地物轮廓提取分类方法 Download PDFInfo
- Publication number
- CN113344956B CN113344956B CN202110683978.2A CN202110683978A CN113344956B CN 113344956 B CN113344956 B CN 113344956B CN 202110683978 A CN202110683978 A CN 202110683978A CN 113344956 B CN113344956 B CN 113344956B
- Authority
- CN
- China
- Prior art keywords
- cloud data
- point cloud
- ground
- ground feature
- preset
- 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
- 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
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- 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
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于无人机航摄三维建模的地物轮廓提取分类方法,包括:获取无人机航摄的地物图像数据,基于空中三角解析法对所述地物图像数据进行解析,得到相对应的地物的点云数据集合;根据所述点云数据集合建立地物三维模型;根据所述地物三维模型得到地物轮廓图;将所述地物轮廓图输入预先训练好的地物分类模型中,输出所述地物轮廓图中包括的地物的分类结果。有益效果:通过无人机的航摄图像数据进行地物的三维建模,减少了成本、人力,增加了建模的时效性,并基于地物分类模型全自动的对地物进行分类,不仅减少了分类的时间,而且提高了分类结果的精确性。
Description
技术领域
本发明涉及无人机技术领域,特别涉及一种基于无人机航摄三维建模的地物轮廓提取分类方法。
背景技术
作为城市最主要的空间实体,地物特别是建筑物的三维信息是城市重要的基础地理信息,精确的对地物进行建模以及对三维模型进行地物的轮廓提取,进而对地物进行分类具有重要的应用价值,在绘制地图等方面具有重大的现实意义。传统的单点测量法采集数据的效率低,劳动强度大,难以反映建筑物的三维信息,不满足高效率的要求,在建模后不能够精确的提取出地物轮廓图,且不能够全自动的基于地物轮廓图进行地物的分类。
发明内容
本发明旨在至少一定程度上解决上述技术中的技术问题之一。为此,本发明提出了一种基于无人机航摄三维建模的地物轮廓提取分类方法,通过无人机的航摄图像数据进行地物的三维建模,减少了成本、人力,增加了建模的时效性,并基于地物分类模型全自动的对地物进行分类,不仅减少了分类的时间,而且提高了分类结果的精确性。
为达到上述目的,本发明实施例提出了一种基于无人机航摄三维建模的地物轮廓提取分类方法,包括:
获取无人机航摄的地物图像数据,基于空中三角解析法对所述地物图像数据进行解析,得到相对应的地物的点云数据集合;
根据所述点云数据集合建立地物三维模型;
根据所述地物三维模型得到地物轮廓图;
将所述地物轮廓图输入预先训练好的地物分类模型中,输出所述地物轮廓图中包括的地物的分类结果。
进一步地,在根据所述点云数据集合建立地物三维模型前,还包括:
获取所述点云数据集合中每个点云数据的坐标值,并分别判断所述坐标值是否在预设坐标值范围内,将所述坐标值不在预设坐标值范围内的点云数据进行第一次剔除处理;
在第一次剔除处理后的点云数据集合中按照预设规则选取一个点云数据,作为第一待修正点云数据,并获取所述第一待修正点云数据的坐标值;
获取以所述第一待修正点云数据为圆心,半径为r确定的区域内的若干个点云数据,分别获取若干个点云数据的坐标值,得到若干个坐标值,对所述若干个坐标值进行加权平均处理,得到若干个坐标值的加权平均值;
根据所述加权平均值对所述第一待修正点云数据的坐标值进行修正处理;
在对所述第一待修正点云数据进行修正处理后,在第一次剔除处理后的点云数据集合中按照预设规则选取另外一个点云数据,作为第二待修正点云数据,并对所述第二待修正点云数据的坐标值进行修正处理,重复上述步骤,得到修正处理后的点云数据集合;
对修正处理后的点云数据集合进行网格化处理,得到若干个网格,分别获取每个网格中包括的点云数据的密度,并判断所述密度是否大于预设密度,筛选出所述密度大于预设密度的网格,并进行抽稀处理;
基于移动最小二乘法分别对每个网格中的点云数据进行曲面拟合,得到若干个曲面,分别对每个曲面进行特征提取,提取每个曲面的中心点云数据;
分别获取每个网格中的每个点云数据到与其相对应的中心点云数据的距离,得到若干个距离,将所述距离大于预设距离的点云数据进行第二次剔除处理。
进一步地,在将所述地物轮廓图输入预先训练好的地物分类模型中前,还包括:
计算所述地物轮廓图的信噪比,判断所述信噪比是否小于预设信噪比,在确定所述信噪比小于预设信噪比时,对所述地物轮廓图进行降噪处理。
进一步地,计算所述地物轮廓图的信噪比,包括:
计算所述地物轮廓图的模糊系数K,如公式(1)所示:
其中,max G为所述地物轮廓图的像素点的最大梯度值;max f为所述地物轮廓图中的像素点的最大灰度值;min f为所述地物轮廓图中的像素点的最小灰度值;λ为所述地物轮廓图中的噪声干扰系数,取值范围为(1,2.3)。
根据所述地物轮廓图的模糊系数K,计算所述地物图像的信噪比ζ,如公式(2)所示:
其中,β为所述地物轮廓图像素的比特数,取值为8bit;M为所述地物轮廓图的长度;N为所述地物轮廓图的宽度;f(i,j)为所述地物轮廓图中像素点(i,j)的灰度值;为所述地物轮廓图中的像素点的平均灰度值;e为自然常数。
进一步地,根据所述地物三维模型得到地物轮廓图,包括:
基于高斯球平行投影的轮廓点计算方法对所述地物三维模型进行计算,得到所述地物三维模型的轮廓点;
对所述轮廓点进行连接,得到若干条轮廓线,根据所述若干条轮廓线生成地物轮廓图。
进一步地,所述的基于无人机航摄三维建模的地物轮廓提取分类方法,还包括:
构建地物分类模型;
获取训练样本集;
基于所述训练样本集对构建的地物分类模型进行训练;
在对所述地物分类模型训练的过程中,计算训练误差,并判断所述训练误差是否小于预设训练误差,在确定所述训练误差小于预设训练误差时,得到所述地物分类模型的模型参数,并停止训练;
基于公式(3)计算训练误差E:
其中,ε为训练样本集中包括的样本的个数;Rx为对第x个样本的理想输出;Tx为对第x个样本的实际输出。
进一步地,根据所述点云数据集合建立地物三维模型,包括:
对所述点云数据集合进行拼接处理;
将拼接处理后的点云数据集合输入到GEOMAGIC软件进行逆向建模处理,得到地物三维模型。
进一步地,对所述地物轮廓图进行降噪处理,包括:
获取地物轮廓图中每个像素点的灰度值,根据所述每个像素点的灰度值计算得到平均灰度值;
分别计算每个像素点的灰度值与所述平均灰度值的比值,得到若干个比值,筛选出所述比值在预设比值范围内的像素点,作为有效像素点;
筛选出所述比值不在预设比值范围内的像素点,作为待处理像素点;
根据所述待处理像素点的灰度值查询预设灰度值-修正系数表,得到相对应的修正系数,根据所述修正系数对相对应的待处理像素点的灰度值进行修正处理;
根据修正处理后的待处理像素点与所述有效像素点生成降噪处理后的地物轮廓图。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明一实施例的一种基于无人机航摄三维建模的地物轮廓提取分类方法的流程图;
图2为本发明一实施例的建立地物三维模型的流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
下面参考图1与图2来描述本发明实施例提出的一种基于无人机航摄三维建模的地物轮廓提取分类方法。
如图1所示,一种基于无人机航摄三维建模的地物轮廓提取分类方法包括:
S1:获取无人机航摄的地物图像数据,基于空中三角解析法对所述地物图像数据进行解析,得到相对应的地物的点云数据集合;
S2:根据所述点云数据集合建立地物三维模型;
S3:根据所述地物三维模型得到地物轮廓图;
S4:将所述地物轮廓图输入预先训练好的地物分类模型中,输出所述地物轮廓图中包括的地物的分类结果。
上述方案的工作原理:获取无人机航摄的地物图像数据,基于空中三角解析法对所述地物图像数据进行解析,得到相对应的地物的点云数据集合;空中三角解析法是指用计算的方法,根据像片上量测的像点坐标和少量地面控制点,采用较严密的数学公式,按最小二乘法原理,用电子计算机解算待定点的平面坐标和高程;根据所述点云数据集合建立地物三维模型;根据所述地物三维模型得到地物轮廓图;将所述地物轮廓图输入预先训练好的地物分类模型中,输出所述地物轮廓图中包括的地物的分类结果。
上述方案的有益效果:通过无人机的航摄图像数据进行地物的三维建模,减少了成本、人力,增加了建模的时效性,并基于地物分类模型全自动的对地物进行分类,不仅减少了分类的时间,而且提高了分类结果的精确性。
根据本发明的一些实施例,在根据所述点云数据集合建立地物三维模型前,还包括:
获取所述点云数据集合中每个点云数据的坐标值,并分别判断所述坐标值是否在预设坐标值范围内,将所述坐标值不在预设坐标值范围内的点云数据进行第一次剔除处理;
在第一次剔除处理后的点云数据集合中按照预设规则选取一个点云数据,作为第一待修正点云数据,并获取所述第一待修正点云数据的坐标值;
获取以所述第一待修正点云数据为圆心,半径为r确定的区域内的若干个点云数据,分别获取若干个点云数据的坐标值,得到若干个坐标值,对所述若干个坐标值进行加权平均处理,得到若干个坐标值的加权平均值;
根据所述加权平均值对所述第一待修正点云数据的坐标值进行修正处理;
在对所述第一待修正点云数据进行修正处理后,在第一次剔除处理后的点云数据集合中按照预设规则选取另外一个点云数据,作为第二待修正点云数据,并对所述第二待修正点云数据的坐标值进行修正处理,重复上述步骤,得到修正处理后的点云数据集合;
对修正处理后的点云数据集合进行网格化处理,得到若干个网格,分别获取每个网格中包括的点云数据的密度,并判断所述密度是否大于预设密度,筛选出所述密度大于预设密度的网格,并进行抽稀处理;
基于移动最小二乘法分别对每个网格中的点云数据进行曲面拟合,得到若干个曲面,分别对每个曲面进行特征提取,提取每个曲面的中心点云数据;
分别获取每个网格中的每个点云数据到与其相对应的中心点云数据的距离,得到若干个距离,将所述距离大于预设距离的点云数据进行第二次剔除处理。
上述方案的工作原理:获取所述点云数据集合中每个点云数据的坐标值,并分别判断所述坐标值是否在预设坐标值范围内,将所述坐标值不在预设坐标值范围内的点云数据进行第一次剔除处理;在第一次剔除处理后的点云数据集合中按照预设规则选取一个点云数据,作为第一待修正点云数据,并获取所述第一待修正点云数据的坐标值;获取以所述第一待修正点云数据为圆心,半径为r确定的区域内的若干个点云数据,分别获取若干个点云数据的坐标值,得到若干个坐标值,对所述若干个坐标值进行加权平均处理,得到若干个坐标值的加权平均值;根据所述加权平均值对所述第一待修正点云数据的坐标值进行修正处理;在对所述第一待修正点云数据进行修正处理后,在第一次剔除处理后的点云数据集合中按照预设规则选取另外一个点云数据,作为第二待修正点云数据,并对所述第二待修正点云数据的坐标值进行修正处理,重复上述步骤,得到修正处理后的点云数据集合;对修正处理后的点云数据集合进行网格化处理,得到若干个网格,分别获取每个网格中包括的点云数据的密度,并判断所述密度是否大于预设密度,筛选出所述密度大于预设密度的网格,并进行抽稀处理;基于移动最小二乘法分别对每个网格中的点云数据进行曲面拟合,得到若干个曲面,分别对每个曲面进行特征提取,提取每个曲面的中心点云数据;分别获取每个网格中的每个点云数据到与其相对应的中心点云数据的距离,得到若干个距离,将所述距离大于预设距离的点云数据进行第二次剔除处理。
上述方案的有益效果:由于点云数据集合中的数据量极大如何快速从海量的点云数据集合中提取有用的信息是目前研究的热点和难点,本方案提供一种点云数据自动降噪的方法;获取所述点云数据集合中每个点云数据的坐标值,并分别判断所述坐标值是否在预设坐标值范围内,将所述坐标值不在预设坐标值范围内的点云数据进行第一次剔除处理,因为点云数据集合是通过无人机的航摄图像数据转换来的,无人机在航摄时可能会拍到鸟儿等遮挡物,因此将所述坐标值不在预设坐标值范围内的点云数据进行第一次剔除处理,剔除掉点云数据集合中的无效数据,减少了后续数据的处理量,减少了建模的时间;在第一次剔除处理后的点云数据集合中按照预设规则选取一个点云数据,预设规则为从左到右、从上到下依次选取,作为第一待修正点云数据,并获取所述第一待修正点云数据的坐标值;获取以所述第一待修正点云数据为圆心,半径为r确定的区域内的若干个点云数据,分别获取若干个点云数据的坐标值,得到若干个坐标值,对所述若干个坐标值进行加权平均处理,得到若干个坐标值的加权平均值;根据所述加权平均值对所述第一待修正点云数据的坐标值进行修正处理;在对所述第一待修正点云数据进行修正处理后,在第一次剔除处理后的点云数据集合中按照预设规则选取另外一个点云数据,作为第二待修正点云数据,并对所述第二待修正点云数据的坐标值进行修正处理,重复上述步骤,得到修正处理后的点云数据集合,点云数据的坐标值是三维建模的关键所在,在将航摄图像数据转换为点云数据的过程中,会造成点云数据坐标值产生误差,因此,对点云数据坐标值进行修正处理是必要的,根据周围若干个点云数据的坐标值进行加权平均处理,并根据所述加权平均值对所述第一待修正点云数据的坐标值进行修正处理,使得修正处理后的第一待修正点云数据的坐标值更加的正确,进而使得修正处理后的点云数据集合中的点云数据的坐标值更加的精确;对修正处理后的点云数据集合进行网格化处理,得到若干个网格,分别获取每个网格中包括的点云数据的密度,并判断所述密度是否大于预设密度,筛选出所述密度大于预设密度的网格,并进行抽稀处理;抽稀处理为将密度大的网格进一步的进行分割,保留每个分割后网格内高程较低的激光点云数据;基于移动最小二乘法分别对每个网格中的点云数据进行曲面拟合,得到若干个曲面,分别对每个曲面进行特征提取,提取每个曲面的中心点云数据;分别获取每个网格中的每个点云数据到与其相对应的中心点云数据的距离,得到若干个距离,将所述距离大于预设距离的点云数据进行第二次剔除处理;距离大于预设距离的点云数据为离散数据,对离散数据进行剔除,使得第二次剔除处理后的点云数据集合更加的精确,提高最后三维建模的时效性及精确性。
根据本发明的一些实施例,在将所述地物轮廓图输入预先训练好的地物分类模型中前,还包括:
计算所述地物轮廓图的信噪比,判断所述信噪比是否小于预设信噪比,在确定所述信噪比小于预设信噪比时,对所述地物轮廓图进行降噪处理。
上述方案的工作原理及有益效果:计算所述地物轮廓图的信噪比,判断所述信噪比是否小于预设信噪比,在确定所述信噪比小于预设信噪比时,表示地物轮廓图中的噪声较多,对所述地物轮廓图进行降噪处理,使得降噪后的地物轮廓图更加的清晰,提高最后分类结果的精确性。
根据本发明的一些实施例,计算所述地物轮廓图的信噪比,包括:
计算所述地物轮廓图的模糊系数K,如公式(1)所示:
其中,max G为所述地物轮廓图的像素点的最大梯度值;max f为所述地物轮廓图中的像素点的最大灰度值;min f为所述地物轮廓图中的像素点的最小灰度值;λ为所述地物轮廓图中的噪声干扰系数,取值范围为(1,2.3)。
根据所述地物轮廓图的模糊系数K,计算所述地物图像的信噪比ζ,如公式(2)所示:
其中,β为所述地物轮廓图像素的比特数,取值为8bit;M为所述地物轮廓图的长度;N为所述地物轮廓图的宽度;f(i,j)为所述地物轮廓图中像素点(i,j)的灰度值;为所述地物轮廓图中的像素点的平均灰度值;e为自然常数。
上述方案的工作原理及有益效果:在计算所述地物轮廓图的信噪比时,考虑所述地物轮廓图像素的比特数、所述地物轮廓图的长度、所述地物轮廓图的宽度、所述地物轮廓图中的像素点的平均灰度值、所述地物轮廓图的模糊系数等因素,使得计算出来的信噪比更加的精确,提高判断所述信噪比与预设信噪比大小的准确性,便于在所述信噪比小于预设信噪比时,对所述地物轮廓图进行降噪处理。
根据本发明的一些实施例,根据所述地物三维模型得到地物轮廓图,包括:
基于高斯球平行投影的轮廓点计算方法对所述地物三维模型进行计算,得到所述地物三维模型的轮廓点;
对所述轮廓点进行连接,得到若干条轮廓线,根据所述若干条轮廓线生成地物轮廓图。
上述方案的工作原理:基于高斯球平行投影的轮廓点计算方法对所述地物三维模型进行计算,得到所述地物三维模型的轮廓点;对所述轮廓点进行连接,得到若干条轮廓线,根据所述若干条轮廓线生成地物轮廓图。
上述方案的有益效果:基于高斯球平行投影的轮廓点计算方法对所述地物三维模型进行计算,得到所述地物三维模型的轮廓点更加的精确,避免了因轮廓点提取不精确进而造成最终分类不精确的问题,保证了得到的地物轮廓图的准确性,进而提高了最后分类结果的精确性。
根据本发明的一些实施例,所述的基于无人机航摄三维建模的地物轮廓提取分类方法,还包括:
构建地物分类模型;
获取训练样本集;
基于所述训练样本集对构建的地物分类模型进行训练;
在对所述地物分类模型训练的过程中,计算训练误差,并判断所述训练误差是否小于预设训练误差,在确定所述训练误差小于预设训练误差时,得到所述地物分类模型的模型参数,并停止训练;
基于公式(3)计算训练误差E:
其中,ε为训练样本集中包括的样本的个数;Rx为对第x个样本的理想输出;Tx为对第x个样本的实际输出。
上述方案的工作原理:构建地物分类模型;获取训练样本集;基于所述训练样本集对构建的地物分类模型进行训练;在对所述地物分类模型训练的过程中,计算训练误差,并判断所述训练误差是否小于预设训练误差,在确定所述训练误差小于预设训练误差时,得到所述地物分类模型的模型参数,并停止训练,得到了最终训练好的地物分类模型。
上述方案的有益效果:地物分类模型是最终对地物轮廓图中的地物进行分类,因此,地物分类模型的模型参数是至关重要的,直接导致了最终分类结果的精确性,在对所述地物分类模型训练的过程中,计算训练误差,并判断所述训练误差是否小于预设训练误差,在确定所述训练误差小于预设训练误差时,表示地物分类模型的分类准确率较高,停止训练,得到了最终训练好的地物分类模型,在计算所述训练误差时,考虑对第x个样本的理想输出、对第x个样本的实际输出等因素,使得计算出来的训练误差更加的精确,提高判断所述训练误差与预设训练误差大小的准确性,便于在所述训练误差小于预设训练误差时,停止训练,保证了地物分类模型模型参数的精确性,进而保证了最后分类结果的准确性。
如图2所示,根据本发明的一些实施例,根据所述点云数据集合建立地物三维模型,包括:
S201:对所述点云数据集合进行拼接处理;
S202:将拼接处理后的点云数据集合输入到GEOMAGIC软件进行逆向建模处理,得到地物三维模型。
上述方案的工作原理及有益效果:对所述点云数据集合进行拼接处理;对点云数据集合进行拼接,不仅起到了承上启下的作用,而且保证了地物三维模型的质量,将拼接处理后的点云数据集合输入到GEOMAGIC软件进行逆向建模处理,得到的地物三维模型更加的精确。
根据本发明的一些实施例,对所述地物轮廓图进行降噪处理,包括:
获取地物轮廓图中每个像素点的灰度值,根据所述每个像素点的灰度值计算得到平均灰度值;
分别计算每个像素点的灰度值与所述平均灰度值的比值,得到若干个比值,筛选出所述比值在预设比值范围内的像素点,作为有效像素点;
筛选出所述比值不在预设比值范围内的像素点,作为待处理像素点;
根据所述待处理像素点的灰度值查询预设灰度值-修正系数表,得到相对应的修正系数,根据所述修正系数对相对应的待处理像素点的灰度值进行修正处理;
根据修正处理后的待处理像素点与所述有效像素点生成降噪处理后的地物轮廓图。
上述方案的工作原理:获取地物轮廓图中每个像素点的灰度值,根据所述每个像素点的灰度值计算得到平均灰度值;分别计算每个像素点的灰度值与所述平均灰度值的比值,得到若干个比值,筛选出所述比值在预设比值范围内的像素点,作为有效像素点;筛选出所述比值不在预设比值范围内的像素点,作为待处理像素点;根据所述待处理像素点的灰度值查询预设灰度值-修正系数表,得到相对应的修正系数,根据所述修正系数对相对应的待处理像素点的灰度值进行修正处理;根据修正处理后的待处理像素点与所述有效像素点生成降噪处理后的地物轮廓图。
上述方案的有益效果:获取地物轮廓图中每个像素点的灰度值,根据所述每个像素点的灰度值计算得到平均灰度值;分别计算每个像素点的灰度值与所述平均灰度值的比值,得到若干个比值,筛选出所述比值在预设比值范围内的像素点,作为有效像素点;筛选出所述比值不在预设比值范围内的像素点,作为待处理像素点;待处理像素点为干扰像素点,根据所述待处理像素点的灰度值查询预设灰度值-修正系数表,得到相对应的修正系数,根据所述修正系数对相对应的待处理像素点的灰度值进行修正处理;根据修正处理后的待处理像素点与所述有效像素点生成降噪处理后的地物轮廓图,根据对地物轮廓图中的像素点的灰度值进行修正,极大的消除了所述地物轮廓图的噪声,使得地物轮廓图更加的清晰,提高最后分类结果的精确性。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (5)
1.一种基于无人机航摄三维建模的地物轮廓提取分类方法,其特征在于,包括:
获取无人机航摄的地物图像数据,基于空中三角解析法对所述地物图像数据进行解析,得到相对应的地物的点云数据集合;
根据所述点云数据集合建立地物三维模型;
根据所述地物三维模型得到地物轮廓图;
将所述地物轮廓图输入预先训练好的地物分类模型中,输出所述地物轮廓图中包括的地物的分类结果;
在根据所述点云数据集合建立地物三维模型前,还包括:
获取所述点云数据集合中每个点云数据的坐标值,并分别判断所述坐标值是否在预设坐标值范围内,将所述坐标值不在预设坐标值范围内的点云数据进行第一次剔除处理;
在第一次剔除处理后的点云数据集合中按照预设规则选取一个点云数据,作为第一待修正点云数据,并获取所述第一待修正点云数据的坐标值;
获取以所述第一待修正点云数据为圆心,半径为r确定的区域内的若干个点云数据,分别获取若干个点云数据的坐标值,得到若干个坐标值,对所述若干个坐标值进行加权平均处理,得到若干个坐标值的加权平均值;
根据所述加权平均值对所述第一待修正点云数据的坐标值进行修正处理;
在对所述第一待修正点云数据进行修正处理后,在第一次剔除处理后的点云数据集合中按照预设规则选取另外一个点云数据,作为第二待修正点云数据,并对所述第二待修正点云数据的坐标值进行修正处理,重复上述步骤,得到修正处理后的点云数据集合;
对修正处理后的点云数据集合进行网格化处理,得到若干个网格,分别获取每个网格中包括的点云数据的密度,并判断所述密度是否大于预设密度,筛选出所述密度大于预设密度的网格,并进行抽稀处理;
基于移动最小二乘法分别对每个网格中的点云数据进行曲面拟合,得到若干个曲面,分别对每个曲面进行特征提取,提取每个曲面的中心点云数据;
分别获取每个网格中的每个点云数据到与其相对应的中心点云数据的距离,得到若干个距离,将所述距离大于预设距离的点云数据进行第二次剔除处理;
在将所述地物轮廓图输入预先训练好的地物分类模型中前,还包括:
计算所述地物轮廓图的信噪比,判断所述信噪比是否小于预设信噪比,在确定所述信噪比小于预设信噪比时,对所述地物轮廓图进行降噪处理;
计算所述地物轮廓图的信噪比,包括:
计算所述地物轮廓图的模糊系数K,如公式(1)所示:
其中,maxG为所述地物轮廓图的像素点的最大梯度值;maxf为所述地物轮廓图中的像素点的最大灰度值;minf为所述地物轮廓图中的像素点的最小灰度值;λ为所述地物轮廓图中的噪声干扰系数,取值范围为(1,2.3);
根据所述地物轮廓图的模糊系数K,计算所述地物图像的信噪比ζ,如公式(2)所示:
2.根据权利要求1所述的基于无人机航摄三维建模的地物轮廓提取分类方法,其特征在于,根据所述地物三维模型得到地物轮廓图,包括:
基于高斯球平行投影的轮廓点计算方法对所述地物三维模型进行计算,得到所述地物三维模型的轮廓点;
对所述轮廓点进行连接,得到若干条轮廓线,根据所述若干条轮廓线生成地物轮廓图。
4.根据权利要求1所述的基于无人机航摄三维建模的地物轮廓提取分类方法,其特征在于,根据所述点云数据集合建立地物三维模型,包括:
对所述点云数据集合进行拼接处理;
将拼接处理后的点云数据集合输入到GEOMAGIC软件进行逆向建模处理,得到地物三维模型。
5.根据权利要求1所述的基于无人机航摄三维建模的地物轮廓提取分类方法,其特征在于,对所述地物轮廓图进行降噪处理,包括:
获取地物轮廓图中每个像素点的灰度值,根据所述每个像素点的灰度值计算得到平均灰度值;
分别计算每个像素点的灰度值与所述平均灰度值的比值,得到若干个比值,筛选出所述比值在预设比值范围内的像素点,作为有效像素点;
筛选出所述比值不在预设比值范围内的像素点,作为待处理像素点;
根据所述待处理像素点的灰度值查询预设灰度值-修正系数表,得到相对应的修正系数,根据所述修正系数对相对应的待处理像素点的灰度值进行修正处理;
根据修正处理后的待处理像素点与所述有效像素点生成降噪处理后的地物轮廓图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110683978.2A CN113344956B (zh) | 2021-06-21 | 2021-06-21 | 基于无人机航摄三维建模的地物轮廓提取分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110683978.2A CN113344956B (zh) | 2021-06-21 | 2021-06-21 | 基于无人机航摄三维建模的地物轮廓提取分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113344956A CN113344956A (zh) | 2021-09-03 |
CN113344956B true CN113344956B (zh) | 2022-02-01 |
Family
ID=77477829
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110683978.2A Active CN113344956B (zh) | 2021-06-21 | 2021-06-21 | 基于无人机航摄三维建模的地物轮廓提取分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113344956B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114237232A (zh) * | 2021-11-30 | 2022-03-25 | 武汉地大信息工程股份有限公司 | 一种路径规划方法及装置 |
CN115019007A (zh) * | 2022-08-05 | 2022-09-06 | 烟台市地理信息中心 | 一种基于无人机智能航线规划的三维模型制作方法及系统 |
CN115049792B (zh) * | 2022-08-15 | 2022-11-11 | 广东新禾道信息科技有限公司 | 一种高精度地图构建处理方法及系统 |
CN115292305B (zh) * | 2022-10-09 | 2023-01-24 | 交通运输部科学研究院 | 一种地物抽稀方法和装置 |
CN116895022B (zh) * | 2023-09-11 | 2023-12-01 | 广州蓝图地理信息技术有限公司 | 基于点云数据处理的建筑物边界提取方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010042466A1 (en) * | 2008-10-06 | 2010-04-15 | Kevin Scott Williams | Apparatus and method for classifying point cloud data based on principal axes |
CN105204010A (zh) * | 2014-11-26 | 2015-12-30 | 中国人民解放军第二炮兵工程大学 | 低信杂比合成孔径雷达图像的地物目标检测方法 |
CN107358640A (zh) * | 2017-07-05 | 2017-11-17 | 北京旋极伏羲大数据技术有限公司 | 一种晕渲目标区域的地形和地物的方法及装置 |
CN109368079A (zh) * | 2018-12-10 | 2019-02-22 | 浙江梧斯源通信科技股份有限公司 | 一种垃圾自动分类系统及方法 |
CN110223377A (zh) * | 2019-05-28 | 2019-09-10 | 上海工程技术大学 | 一种基于立体视觉系统高精度的三维重建方法 |
CN110379004A (zh) * | 2019-07-22 | 2019-10-25 | 泰瑞数创科技(北京)有限公司 | 一种对倾斜摄影成果进行地物分类及单体化提取的方法 |
CN110765962A (zh) * | 2019-10-29 | 2020-02-07 | 刘秀萍 | 一种基于三维点云轮廓分维值的植物识别分类方法 |
CN110838115A (zh) * | 2019-11-12 | 2020-02-25 | 武汉大学 | 运用轮廓线提取和四维曲面拟合的古文物三维模型变化检测方法 |
CN111091613A (zh) * | 2019-10-31 | 2020-05-01 | 中国化学工程第六建设有限公司 | 基于无人机航测的三维实景建模方法 |
CN111932671A (zh) * | 2020-08-22 | 2020-11-13 | 扆亮海 | 基于密集点云数据的三维实体模型重建方法 |
CN112288818A (zh) * | 2020-11-19 | 2021-01-29 | 温州虎穴科技有限公司 | 一万平米以下无人机速拍建模方法 |
CN112595258A (zh) * | 2020-11-23 | 2021-04-02 | 扆亮海 | 基于地面激光点云的地物轮廓提取方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184250B (zh) * | 2015-08-31 | 2018-06-22 | 哈尔滨工业大学 | 一种电力走廊机载LiDAR点云数据的地物分类方法 |
CN105574929A (zh) * | 2015-12-15 | 2016-05-11 | 电子科技大学 | 一种基于地面LiDAR点云数据的单株植被三维建模方法 |
US10539676B2 (en) * | 2017-03-22 | 2020-01-21 | Here Global B.V. | Method, apparatus and computer program product for mapping and modeling a three dimensional structure |
CN107356230B (zh) * | 2017-07-12 | 2020-10-27 | 深圳市武测空间信息有限公司 | 一种基于实景三维模型的数字测图方法和系统 |
CN111612886B (zh) * | 2020-04-21 | 2022-07-19 | 厦门大学 | 室内三维模型生成方法及系统 |
-
2021
- 2021-06-21 CN CN202110683978.2A patent/CN113344956B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010042466A1 (en) * | 2008-10-06 | 2010-04-15 | Kevin Scott Williams | Apparatus and method for classifying point cloud data based on principal axes |
CN105204010A (zh) * | 2014-11-26 | 2015-12-30 | 中国人民解放军第二炮兵工程大学 | 低信杂比合成孔径雷达图像的地物目标检测方法 |
CN107358640A (zh) * | 2017-07-05 | 2017-11-17 | 北京旋极伏羲大数据技术有限公司 | 一种晕渲目标区域的地形和地物的方法及装置 |
CN109368079A (zh) * | 2018-12-10 | 2019-02-22 | 浙江梧斯源通信科技股份有限公司 | 一种垃圾自动分类系统及方法 |
CN110223377A (zh) * | 2019-05-28 | 2019-09-10 | 上海工程技术大学 | 一种基于立体视觉系统高精度的三维重建方法 |
CN110379004A (zh) * | 2019-07-22 | 2019-10-25 | 泰瑞数创科技(北京)有限公司 | 一种对倾斜摄影成果进行地物分类及单体化提取的方法 |
CN110765962A (zh) * | 2019-10-29 | 2020-02-07 | 刘秀萍 | 一种基于三维点云轮廓分维值的植物识别分类方法 |
CN111091613A (zh) * | 2019-10-31 | 2020-05-01 | 中国化学工程第六建设有限公司 | 基于无人机航测的三维实景建模方法 |
CN110838115A (zh) * | 2019-11-12 | 2020-02-25 | 武汉大学 | 运用轮廓线提取和四维曲面拟合的古文物三维模型变化检测方法 |
CN111932671A (zh) * | 2020-08-22 | 2020-11-13 | 扆亮海 | 基于密集点云数据的三维实体模型重建方法 |
CN112288818A (zh) * | 2020-11-19 | 2021-01-29 | 温州虎穴科技有限公司 | 一万平米以下无人机速拍建模方法 |
CN112595258A (zh) * | 2020-11-23 | 2021-04-02 | 扆亮海 | 基于地面激光点云的地物轮廓提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113344956A (zh) | 2021-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113344956B (zh) | 基于无人机航摄三维建模的地物轮廓提取分类方法 | |
CN112613097A (zh) | 一种基于计算机视觉的bim快速化建模方法 | |
CN109579872B (zh) | 一种星敏感器仪器星等估计方法 | |
CN102169581A (zh) | 一种基于特征向量的快速高精度鲁棒性匹配方法 | |
Mousa et al. | Building detection and regularisation using DSM and imagery information | |
CN104182757A (zh) | 获取被测目标实际覆盖面积的方法及装置 | |
CN112419196B (zh) | 一种基于深度学习的无人机遥感影像阴影去除方法 | |
CN116503705B (zh) | 一种数字城市多源数据的融合方法 | |
CN108921170B (zh) | 一种有效的图像噪声检测和去噪方法及系统 | |
CN113177456A (zh) | 基于单阶段全卷积网络和多特征融合的遥感目标检测方法 | |
CN113252103A (zh) | 一种基于matlab图像识别技术计算物料堆体积及质量的方法 | |
CN115908142A (zh) | 一种基于视觉识别的接触网微小部件验损方法 | |
CN113920255B (zh) | 基于点云数据的高效测绘系统 | |
CN114792327A (zh) | 图像处理方法及系统 | |
CN111382715A (zh) | 一种地形图中地物要素的提取方法 | |
CN114612412A (zh) | 三维点云数据的处理方法及其用途、电子设备、存储介质 | |
CN115953604B (zh) | 一种不动产地理信息测绘数据采集方法 | |
CN110363863B (zh) | 一种神经网络的输入数据生成方法和系统 | |
CN110211109B (zh) | 基于深度神经网络结构寻优的图像变化检测方法 | |
CN111695560A (zh) | 基于卷积神经网络对农作物病虫害主动定位聚焦的方法 | |
CN105205485B (zh) | 基于多类类间最大方差算法的大尺度图像分割算法 | |
CN116385892A (zh) | 基于目标上下文卷积神经网络的数字高程模型提取方法 | |
CN111060922A (zh) | 基于机载激光雷达点云空间分布特征的树木点云提取方法 | |
CN113034555B (zh) | 一种基于最小生成树的特征精匹配方法及应用 | |
CN115619953A (zh) | 一种面向崎岖地形的移动机器人地形建图方法及系统 |
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 |