CN113432549A - 一种基于无人机摄影测量的潮沟三维参量提取方法及系统 - Google Patents
一种基于无人机摄影测量的潮沟三维参量提取方法及系统 Download PDFInfo
- Publication number
- CN113432549A CN113432549A CN202110714353.8A CN202110714353A CN113432549A CN 113432549 A CN113432549 A CN 113432549A CN 202110714353 A CN202110714353 A CN 202110714353A CN 113432549 A CN113432549 A CN 113432549A
- Authority
- CN
- China
- Prior art keywords
- tidal
- ditch
- trench
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
-
- 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
- G01C11/02—Picture taking arrangements specially adapted for photogrammetry or photographic surveying, e.g. controlling overlapping of pictures
- G01C11/025—Picture taking arrangements specially adapted for photogrammetry or photographic surveying, e.g. controlling overlapping of pictures by scanning the object
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于无人机摄影测量的潮沟三维参量提取方法,包括以下步骤:通过无人机采集潮沟影像数据;将潮沟影像数据导入至三维建模软件中,构建潮沟区域的数字高程模型并利用高斯拟合预测含水潮沟的剖面形态,补全潮沟水下高程缺损值;基于潮沟区域的数字高程模型,联合高程与坡度阈值提取潮沟区域范围,利用GIS矢量化工具获取潮沟矢量边界与中心线;基于潮沟矢量边界与中心线,利用GIS软件构建测量样线和测量样点,并计算潮沟三维参量。本发明还公开了一种基于无人机摄影测量的潮沟三维参量提取系统。本发明通过构建高精度三维数字高程模型,利用高斯拟合预测含水潮沟的剖面形态,对潮沟三维参量进行自动精确的提取计算。
Description
技术领域
本发明涉及潮沟地形监管技术领域,具体而言,涉及一种基于无人机摄影测量的潮沟三维参量提取方法及系统。
背景技术
潮沟是由潮汐动力作用在潮滩上不断侵蚀塑造而成的潮汐水道,广泛分布于盐沼、红树林中。潮沟作为潮间带与海洋之间物质与能量交换的主要途径,是潮滩上最活跃的微地貌单元。精确测量潮沟的三维形态特征,如宽度、深度、横截面积等有助于评估和预测未来潮间带地貌以及植被群落演变趋势,对于滨海湿地的恢复和管理具有重要意义。由于潮沟分布在受潮涨潮落影响区域,野外测量其三维形态参数尤为困难。目前获取潮沟形态参数主要依赖于遥感技术。
现有的潮沟形态参数提取方法是利用高分辨率遥感影像,手动数字化潮沟边界并测量潮沟的平面形态特征,如长度、宽度等,但无法直接获取潮沟的三维特征。此外,虽然也有文献研究利用机载激光雷达(LiDAR)获取潮间带地形,进而提取潮沟深度等三维参量,但该方法成本极高,且机载激光雷达的飞行条件苛刻,操作复杂,需要专业人士执行,因而难以推广大规模业务化应用。此外,潮沟作为盐沼、红树林的“血管”,定期业务化地监测其对陆海环境变化的响应尤为重要,因此针对上述问题非常有必要提出一种低成本、高精度、易操作的方法实现对潮沟三维参量的自动提取。
发明内容
为了克服上述问题或者至少部分地解决上述问题,本发明实施例提供一种基于无人机摄影测量的潮沟三维参量提取方法及系统,通过构建高精度三维数字高程模型,利用高斯拟合预测含水潮沟的剖面形态,并结合GIS软件对潮沟三维参量进行自动精确的提取计算。
本发明的实施例是这样实现的:
第一方面,本发明实施例提供一种基于无人机摄影测量的潮沟三维参量提取方法,包括以下步骤:
通过无人机采集潮沟影像数据;
将潮沟影像数据导入至三维建模软件中,构建潮沟区域的数字高程模型并利用高斯拟合预测含水潮沟的剖面形态,补全潮沟水下高程缺损值;
基于潮沟区域的数字高程模型,联合高程与坡度阈值提取潮沟区域范围,并利用GIS矢量化工具获取潮沟矢量边界与中心线;
基于潮沟矢量边界与中心线,利用GIS软件构建测量样线和测量样点,并计算潮沟三维参量。
为了解决上述问题,本方法通过无人机采集待测量区域的潮沟影像数据,然后构建高精度的潮沟地形,结合三维建模软件构建潮沟区域的数字高程模型,减少野外测量作业,避免危险,同时减少人力、财力消耗。基于建立的潮沟区域的数字高程模型并利用高斯拟合预测含水潮沟的剖面形态,补全潮沟水下高程缺损值,联合高程与坡度阈值分割出潮沟区域,并利用GIS软件自动矢量化功能勾画潮沟矢量边界与中心线,确定好潮沟边界和中心线后,基于此构建测量样线和测量样点,沿着潮沟中心线,间隔一定距离构建潮沟测量样线,然后,在构建生成的样线上,按照一定的间隔,构建测量点。然后根据构建的样线和样点确定潮沟的三维参量,该三维参量包括宽度、深度和横截面积。
本方法利用运动恢复结构算法(Structure from Motion,SfM)将低潮时期所拍摄的潮沟二维图像序列重建成高精度三维数字高程模型,利用高斯拟合预测含水潮沟的剖面形态,并使用GIS软件开发了潮沟宽度、深度、以及横截面积的提取流程,解决了潮沟业务化、常态化监测难题,自动有效的提取潮沟三维参量,以便精准预估潮间带地貌以及植被群落演变趋势。
基于第一方面,在本发明的一些实施例中,上述通过无人机采集潮沟影像数据的方法包括以下步骤:
利用GIS软件勾画待测量潮沟的区域范围,并将待测量潮沟的区域范围导入至无人机遥控器中;
根据待测量潮沟的区域范围设置无人机飞行参数,并生成无人机飞行航线;
当待测量潮沟的区域范围的潮位处于低潮时期时,生成并发送飞行指令,控制无人机根据无人机飞行航线进行飞行并采集潮沟影像数据。
基于第一方面,在本发明的一些实施例中,上述将潮沟影像数据导入至三维建模软件中,构建潮沟区域的数字高程模型并利用高斯拟合预测含水潮沟的剖面形态,补全潮沟水下高程缺损值的方法包括以下步骤:
将潮沟影像数据导入至三维建模软件中,通过三维建模软件利用SfM算法构建潮沟区域的数字高程模型并利用高斯拟合预测含水潮沟的剖面形态,补全潮沟水下高程缺损值。
基于第一方面,在本发明的一些实施例中,该基于无人机摄影测量的潮沟三维参量提取方法还包括以下步骤:
根据潮沟区域的数字高程模型判断潮沟中是否存在由于潮水造成的潮沟底部高程异常,若存在,则根据潮沟剖面形态近似对称“V”型的特征,利用高斯拟合算法模拟水下高程;若不存在,则基于潮沟区域的数字高程模型,联合高程与坡度阈值提取潮沟区域范围,并利用GIS矢量化工具获取潮沟矢量边界与中心线。
基于第一方面,在本发明的一些实施例中,上述利用GIS矢量化工具获取潮沟矢量边界与中心线的方法包括以下步骤:
根据提取的潮沟区域范围利用GIS矢量化工具采用轮廓线矢量化与中心线矢量化方法获取潮沟矢量边界与中心线。
基于第一方面,在本发明的一些实施例中,上述基于潮沟矢量边界与中心线,利用GIS软件构建测量样线和测量样点,并计算潮沟三维参量的方法包括以下步骤:
根据潮沟矢量边界、潮沟中心线和预设的间隔距离利用GIS软件构建潮沟测量样线和测量样点;
利用GIS软件分区统计功能统计并根据测量样线长度、测量样线上的高程差、测量样点处的高程值计算潮沟宽度、深度与横截面积。
基于第一方面,在本发明的一些实施例中,上述根据潮沟矢量边界、潮沟中心线和预设的间隔距离利用GIS软件构建潮沟测量样线和测量样点的方法包括以下步骤:
根据潮沟矢量边界利用GIS软件沿着潮沟中心线按照预设的样线间隔距离构建潮沟测量样线;
利用GIS软件在潮沟测量样线按照预设的样点间隔距离构建潮沟测量样点。
第二方面,本发明实施例提供一种基于无人机摄影测量的潮沟三维参量提取系统,包括数据采集模块、模型建立模块、区域提取模块以及参量计算模块,其中:
数据采集模块,用于通过无人机采集潮沟影像数据;
模型建立模块,用于将潮沟影像数据导入至三维建模软件中,构建潮沟区域的数字高程模型并利用高斯拟合预测含水潮沟的剖面形态,补全潮沟水下高程缺损值;
区域提取模块,用于基于潮沟区域的数字高程模型,联合高程与坡度阈值提取潮沟区域范围,并利用GIS矢量化工具获取潮沟矢量边界与中心线;
参量计算模块,用于基于潮沟矢量边界与中心线,利用GIS软件构建测量样线和测量样点,并计算潮沟三维参量。
为了解决上述问题,本系统的数据采集模块通过无人机采集待测量区域的潮沟影像数据,然后构建高精度的潮沟地形,模型建立模块结合三维建模软件构建潮沟区域的数字高程模型并利用高斯拟合预测含水潮沟的剖面形态,补全潮沟水下高程缺损值,减少野外测量作业,避免危险,同时减少人力、财力消耗。区域提取模块基于建立的潮沟区域的数字高程模型,联合高程与坡度阈值分割出潮沟区域,并利用GIS软件自动矢量化功能勾画潮沟矢量边界与中心线,确定好潮沟边界和中心线后,基于此构建测量样线和测量样点,沿着潮沟中心线,间隔一定距离构建潮沟测量样线,然后,在构建生成的样线上,按照一定的间隔,构建测量点。然后参量计算模块根据构建的样线和样点确定潮沟的三维参量,该三维参量包括宽度、深度和横截面积。
本系统利用运动恢复结构算法(Structure from Motion,SfM)将低潮时期所拍摄的潮沟二维图像序列重建成高精度三维数字高程模型,利用高斯拟合预测含水潮沟的剖面形态,并使用GIS软件开发了潮沟宽度、深度、以及横截面积的提取流程,解决了潮沟业务化、常态化监测难题,自动有效的提取潮沟三维参量,以便精准预估潮间带地貌以及植被群落演变趋势。
第三方面,本申请实施例提供一种电子设备,其包括存储器,用于存储一个或多个程序;处理器。当一个或多个程序被处理器执行时,实现如上述第一方面中任一项的方法。
第四方面,本申请实施例提供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上述第一方面中任一项的方法。
本发明实施例至少具有如下优点或有益效果:
本发明实施例提供一种基于无人机摄影测量的潮沟三维参量提取方法及系统,采用无人机技术进行野外采集作业,减少人为野外测量作业,避免危险,同时减少人力、财力消耗。利用运动恢复结构算法(Structure from Motion,SfM)将低潮时期所拍摄的潮沟二维图像序列重建成高精度三维数字高程模型,利用高斯拟合预测含水潮沟的剖面形态,并使用GIS软件开发了潮沟宽度、深度、以及横截面积的提取流程,解决了潮沟业务化、常态化监测难题。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明实施例一种基于无人机摄影测量的潮沟三维参量提取方法的流程图;
图2为本发明实施例一种基于无人机摄影测量的潮沟三维参量提取方法的示意图;
图3是本发明实施例提供的以崇明东滩鸟类国家级自然保护区的潮沟为例的潮沟范围确定具体实施流程示意图;
图4是本发明实施例提供的以崇明东滩鸟类国家级自然保护区的潮沟为例的潮沟水下高程高斯拟合修复方法示意图;
图5是本发明实施例提供的以崇明东滩鸟类国家级自然保护区的潮沟为例的潮沟轮廓线、中心线、测量样线与测量点构建示意图;
图6为本发明实施例一种基于无人机摄影测量的潮沟三维参量提取系统的原理框图;
图7为本发明实施例提供的一种电子设备的结构框图。
图标:100、数据采集模块;200、模型建立模块;300、区域提取模块;400、参量计算模块;101、存储器;102、处理器;103、通信接口。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
实施例
如图1和图2所示,第一方面,本发明实施例提供一种基于无人机摄影测量的潮沟三维参量提取方法,包括以下步骤:
S1、通过无人机采集潮沟影像数据;
进一步地,利用GIS软件勾画待测量潮沟的区域范围,并将待测量潮沟的区域范围导入至无人机遥控器中;根据待测量潮沟的区域范围设置无人机飞行参数,并生成无人机飞行航线;当待测量潮沟的区域范围的潮位处于低潮时期时,生成并发送飞行指令,控制无人机根据无人机飞行航线进行飞行并采集潮沟影像数据。
在本发明的一些实施例中,利用GIS软件勾画待测量潮沟的大致范围,保存导出为kml文件,并将该文件导入无人机遥控器中;在遥控器中设置无人机飞行参数,航向重叠度设置为80%,旁向重叠度设置为70%,相机云台角度设置为垂直拍摄,飞行高度根据所需地形精度设置,以生成航线;在潮位处于低潮时期,执行飞行任务,自动采集影像。通过无人机采集待测量区域的潮沟影像数据,减少野外测量作业,避免危险,同时减少人力、财力消耗。
S2、将潮沟影像数据导入至三维建模软件中,构建潮沟区域的数字高程模型并利用高斯拟合预测含水潮沟的剖面形态,补全潮沟水下高程缺损值;
进一步地,将潮沟影像数据导入至三维建模软件中,通过三维建模软件利用SfM算法构建潮沟区域的数字高程模型并利用高斯拟合预测含水潮沟的剖面形态,补全潮沟水下高程缺损值。
在本发明的一些实施例中,导入航摄影像(潮沟影像数据)到三维建模软件中,利用SfM算法构建潮沟区域的数字高程模型,并根据潮沟区域的数字高程模型判断潮沟中是否存在由于潮水造成的潮沟底部高程异常,若存在,则根据潮沟剖面形态近似对称“V”型的特征,利用高斯拟合算法模拟水下高程;若不存在,则执行步骤S3。
S3、基于潮沟区域的数字高程模型,联合高程与坡度阈值提取潮沟区域范围,并利用GIS矢量化工具获取潮沟矢量边界与中心线;
进一步地,根据提取的潮沟区域范围利用GIS矢量化工具采用轮廓线矢量化与中心线矢量化方法获取潮沟矢量边界与中心线。数字高程模型就是地形,通过地形计算盐沼植被区域的潮沟边界最低高程值,即为高程阈值;坡度阈值是通过计算光滩区域的坡度,一般取2度,即大于两度的范围则为光滩区域潮沟所在地。
在本发明的一些实施例中,潮沟边界自动确定的实现步骤如下:
潮沟剖面形态通常呈“V”型,有植被覆盖区域的潮沟在边缘会呈现高程突降,利用此地貌特征,可将高程低于潮间带滩面最低高程的区域掩膜出来,以此过滤掉植被覆盖区域来获取潮沟与光滩;基于获取的潮沟与光滩结果,进一步分离潮沟与光滩。光滩坡度较缓,远小于潮沟边缘坡度,利用坡度大小差异,识别光滩区域内的潮沟边界,获取潮沟真实范围。然后,利用GIS软件的自动矢量化工具,使用轮廓线矢量化与中心线矢量化方法,获取潮沟矢量边界与中心线。
S4、基于潮沟矢量边界与中心线,利用GIS软件构建测量样线和测量样点,并计算潮沟三维参量。
进一步地,根据潮沟矢量边界、潮沟中心线和预设的间隔距离利用GIS软件构建潮沟测量样线和测量样点;利用GIS软件分区统计功能统计并根据测量样线长度、测量样线上的高程差、测量样点处的高程值计算潮沟宽度、深度与横截面积。
进一步地,根据潮沟矢量边界利用GIS软件沿着潮沟中心线按照预设的样线间隔距离构建潮沟测量样线;利用GIS软件在潮沟测量样线按照预设的样点间隔距离构建潮沟测量样点。
在本发明的一些实施例中,基于上述获取的潮沟矢量边界与中心线,沿着潮沟中心线,间隔一定距离(如2米)构建潮沟测量样线,样线垂直于中心线向潮沟两侧出发,到与潮沟两侧边界相交为止,样线长度即为该处潮沟宽度;然后在生成的样线上,以0.1米为间隔,构建测量点。c)利用GIS软件的分区统计工具,提取测量点上高程值;针对靠近光滩区域的样线,由于低潮时期仍存在潮水,因此,在进行下一步操作前,利用高斯函数拟合水下高程;针对每条样线,该样线上所有测量点中的最大与最小高程值之差即为潮沟深度;潮沟断面形态不规则,采用离散求和代替积分计算各样线处的潮沟横截面积;针对每条样线,以相邻样点间的平均潮沟深度乘以样点间的距离为积分项,样点距离则为积分步长,累积求和计算该样线处的潮沟横截面积。
本方法利用运动恢复结构算法(Structure from Motion,SfM)将低潮时期所拍摄的潮沟二维图像序列重建成高精度三维数字高程模型,利用高斯拟合预测含水潮沟的剖面形态,并使用GIS软件开发了潮沟宽度、深度、以及横截面积的提取流程,解决了潮沟业务化、常态化监测难题,自动有效的提取潮沟三维参量,以便精准预估潮间带地貌以及植被群落演变趋势。
如图3-图5所示,以崇明东滩鸟类国家级自然保护区的淤泥质潮沟为例,对本发明的技术方案做进一步的详细说明:
步骤1:确定崇明东滩鸟类国家级自然保护区的潮沟监测区域范围,监测时间为2020年11月19日,佘山验潮站的潮位为65cm;
步骤2:航线规划设置航向重叠度为80%,旁向重叠度为70%,航高为50m,相机云台垂直于地表拍摄;执行飞行作业采集航片;
步骤3:将航片导入到Pix4D Mapper软件,建立测区的数字表面模型;
步骤4:基于潮沟断面形态与高程信息,利用高斯函数拟合预测含水潮沟的水下高程,如图3所示;
步骤5:联合高程与坡度阈值提取潮沟区域范围;
步骤6:使用软件ArcGIS中自动矢量化工具ArcScan,矢量化潮沟轮廓线与中心线;并基于中心线以2米的间隔等距离构建潮沟测量断面样线,每条断面样线以0.5米的间隔构建高程测量点,如图4所示。
步骤7:使用软件ArcGIS中分区统计功能,统计测量样线长度、样线上的高程差、样点处的高程值,计算潮沟宽度、深度与横截面积。
如图6所示,第二方面,本发明实施例提供一种基于无人机摄影测量的潮沟三维参量提取系统,包括数据采集模块100、模型建立模块200、区域提取模块300以及参量计算模块400,其中:
数据采集模块100,用于通过无人机采集潮沟影像数据;
模型建立模块200,用于将潮沟影像数据导入至三维建模软件中,构建潮沟区域的数字高程模型并利用高斯拟合预测含水潮沟的剖面形态,补全潮沟水下高程缺损值;
区域提取模块300,用于基于潮沟区域的数字高程模型,联合高程与坡度阈值提取潮沟区域范围,并利用GIS矢量化工具获取潮沟矢量边界与中心线;
参量计算模块400,用于基于潮沟矢量边界与中心线,利用GIS软件构建测量样线和测量样点,并计算潮沟三维参量。
为了解决上述问题,本系统的数据采集模块100通过无人机采集待测量区域的潮沟影像数据,然后构建高精度的潮沟地形,模型建立模块200结合三维建模软件构建潮沟区域的数字高程模型并利用高斯拟合预测含水潮沟的剖面形态,补全潮沟水下高程缺损值,减少野外测量作业,避免危险,同时减少人力、财力消耗。区域提取模块300基于建立的潮沟区域的数字高程模型,联合高程与坡度阈值分割出潮沟区域,并利用GIS软件自动矢量化功能勾画潮沟矢量边界与中心线,确定好潮沟边界和中心线后,基于此构建测量样线和测量样点,沿着潮沟中心线,间隔一定距离构建潮沟测量样线,然后,在构建生成的样线上,按照一定的间隔,构建测量点。然后参量计算模块400根据构建的样线和样点确定潮沟的三维参量,该三维参量包括宽度、深度和横截面积。
本系统利用运动恢复结构算法(Structure from Motion,SfM)将低潮时期所拍摄的潮沟二维图像序列重建成高精度三维数字高程模型,利用高斯拟合预测含水潮沟的剖面形态,并使用GIS软件开发了潮沟宽度、深度、以及横截面积的提取流程,解决了潮沟业务化、常态化监测难题,自动有效的提取潮沟三维参量,以便精准预估潮间带地貌以及植被群落演变趋势。
如图7所示,第三方面,本申请实施例提供一种电子设备,其包括存储器101,用于存储一个或多个程序;处理器102。当一个或多个程序被处理器102执行时,实现如上述第一方面中任一项的方法。
还包括通信接口103,该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块,处理器102通过执行存储在存储器101内的软件程序及模块,从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。
其中,存储器101可以是但不限于,随机存取存储器101(Random Access Memory,RAM),只读存储器101(Read Only Memory,ROM),可编程只读存储器101(ProgrammableRead-Only Memory,PROM),可擦除只读存储器101(Erasable Programmable Read-OnlyMemory,EPROM),电可擦除只读存储器101(Electric Erasable Programmable Read-OnlyMemory,EEPROM)等。
处理器102可以是一种集成电路芯片,具有信号处理能力。该处理器102可以是通用处理器102,包括中央处理器102(Central Processing Unit,CPU)、网络处理器102(Network Processor,NP)等;还可以是数字信号处理器102(Digital Signal Processing,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。
在本申请所提供的实施例中,应该理解到,所揭露的方法及系统和方法,也可以通过其它的方式实现。以上所描述的方法及系统实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的方法及系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
第四方面,本申请实施例提供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102执行时实现如上述第一方面中任一项的方法。所述功能如果以软件功能模块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)执行本申请各个实施例所述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101(ROM,Read-Only Memory)、随机存取存储器101(RAM,RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其它的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (10)
1.一种基于无人机摄影测量的潮沟三维参量提取方法,其特征在于,包括以下步骤:
通过无人机采集潮沟影像数据;
将潮沟影像数据导入至三维建模软件中,构建潮沟区域的数字高程模型并利用高斯拟合预测含水潮沟的剖面形态,补全潮沟水下高程缺损值;
基于潮沟区域的数字高程模型,联合高程与坡度阈值提取潮沟区域范围,利用GIS矢量化工具获取潮沟矢量边界与中心线;
基于潮沟矢量边界与中心线,利用GIS软件构建测量样线和测量样点,并计算潮沟三维参量。
2.根据权利要求1所述的一种基于无人机摄影测量的潮沟三维参量提取方法,其特征在于,所述通过无人机采集潮沟影像数据的方法包括以下步骤:
利用GIS软件勾画待测量潮沟的区域范围,并将待测量潮沟的区域范围导入至无人机遥控器中;
根据待测量潮沟的区域范围设置无人机飞行参数,并生成无人机飞行航线;
当待测量潮沟的区域范围的潮位处于低潮时期时,生成并发送飞行指令,控制无人机根据无人机飞行航线进行飞行并采集潮沟影像数据。
3.根据权利要求1所述的一种基于无人机摄影测量的潮沟三维参量提取方法,其特征在于,所述将潮沟影像数据导入至三维建模软件中,构建潮沟区域的数字高程模型并利用高斯拟合预测含水潮沟的剖面形态,补全潮沟水下高程缺损值的方法包括以下步骤:
将潮沟影像数据导入至三维建模软件中,通过三维建模软件利用SfM算法构建潮沟区域的数字高程模型并利用高斯拟合预测含水潮沟的剖面形态,补全潮沟水下高程缺损值。
4.根据权利要求1所述的一种基于无人机摄影测量的潮沟三维参量提取方法,其特征在于,还包括以下步骤:
根据潮沟区域的数字高程模型判断潮沟中是否存在由于潮水造成的潮沟底部高程异常,若存在,则根据潮沟剖面形态近似对称“V”型的特征,利用高斯拟合算法模拟水下高程;若不存在,则基于潮沟区域的数字高程模型,联合高程与坡度阈值提取潮沟区域范围。
5.根据权利要求1所述的一种基于无人机摄影测量的潮沟三维参量提取方法,其特征在于,所述利用GIS矢量化工具获取潮沟矢量边界与中心线的方法包括以下步骤:
根据提取的潮沟区域范围利用GIS矢量化工具采用轮廓线矢量化与中心线矢量化方法获取潮沟矢量边界与中心线。
6.根据权利要求1所述的一种基于无人机摄影测量的潮沟三维参量提取方法,其特征在于,所述基于潮沟矢量边界与中心线,利用GIS软件构建测量样线和测量样点,并计算潮沟三维参量的方法包括以下步骤:
根据潮沟矢量边界、潮沟中心线和预设的间隔距离利用GIS软件构建潮沟测量样线和测量样点;
利用GIS软件分区统计功能统计并根据测量样线长度、测量样线上的高程差、测量样点处的高程值计算潮沟宽度、深度与横截面积。
7.根据权利要求6所述的一种基于无人机摄影测量的潮沟三维参量提取方法,其特征在于,所述根据潮沟矢量边界、潮沟中心线和预设的间隔距离利用GIS软件构建潮沟测量样线和测量样点的方法包括以下步骤:
根据潮沟矢量边界利用GIS软件沿着潮沟中心线按照预设的样线间隔距离构建潮沟测量样线;
利用GIS软件在潮沟测量样线按照预设的样点间隔距离构建潮沟测量样点。
8.一种基于无人机摄影测量的潮沟三维参量提取系统,其特征在于,包括数据采集模块、模型建立模块、区域提取模块以及参量计算模块,其中:
数据采集模块,用于通过无人机采集潮沟影像数据;
模型建立模块,用于将潮沟影像数据导入至三维建模软件中,构建潮沟区域的数字高程模型并利用高斯拟合预测含水潮沟的剖面形态,补全潮沟水下高程缺损值;
区域提取模块,用于基于潮沟区域的数字高程模型,联合高程与坡度阈值提取潮沟区域范围,并利用GIS矢量化工具获取潮沟矢量边界与中心线;
参量计算模块,用于基于潮沟矢量边界与中心线,利用GIS软件构建测量样线和测量样点并计算潮沟三维参量。
9.一种电子设备,其特征在于,包括:
存储器,用于存储一个或多个程序;
处理器;
当所述一个或多个程序被所述处理器执行时,实现如权利要求1-7中任一项所述的方法。
10.一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1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110714353.8A CN113432549B (zh) | 2021-06-25 | 2021-06-25 | 一种基于无人机摄影测量的潮沟三维参量提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110714353.8A CN113432549B (zh) | 2021-06-25 | 2021-06-25 | 一种基于无人机摄影测量的潮沟三维参量提取方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113432549A true CN113432549A (zh) | 2021-09-24 |
CN113432549B CN113432549B (zh) | 2022-11-22 |
Family
ID=77754788
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110714353.8A Active CN113432549B (zh) | 2021-06-25 | 2021-06-25 | 一种基于无人机摄影测量的潮沟三维参量提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113432549B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113971679A (zh) * | 2021-11-08 | 2022-01-25 | 南京智慧水运科技有限公司 | 一种基于计算机视觉与图像处理的海洋潮汐测量方法 |
CN114821365A (zh) * | 2022-03-30 | 2022-07-29 | 武汉大势智慧科技有限公司 | 顾及地表起伏的无人机摄影测量重叠度计算方法及系统 |
CN115876163A (zh) * | 2022-11-25 | 2023-03-31 | 华中农业大学 | 稻渔模式下的田间工程管理方法以及稻渔共作方法 |
CN118172689A (zh) * | 2024-04-15 | 2024-06-11 | 重庆师范大学 | 一种基于无人机影像的埂坎参数提取方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150347673A1 (en) * | 2014-05-28 | 2015-12-03 | The University Of North Carolina At Charlotte | Wetland modeling and prediction |
JP2018004420A (ja) * | 2016-06-30 | 2018-01-11 | 株式会社リコー | 装置、移動体装置、位置ずれ検出方法及び測距方法 |
US20190098221A1 (en) * | 2017-09-25 | 2019-03-28 | The Boeing Company | Methods for Measuring and Inspecting Structures Using Cable-Suspended Platforms |
CN110779498A (zh) * | 2019-09-19 | 2020-02-11 | 中国科学院测量与地球物理研究所 | 基于无人机多视点摄影的浅水河流水深测绘方法及系统 |
US20200089823A1 (en) * | 2018-03-26 | 2020-03-19 | OrePro Holdings LLC | 3d block modelling of a resource boundary in a post-blast muckpile to optimize destination delineation |
CN110986876A (zh) * | 2019-11-14 | 2020-04-10 | 河海大学 | 一种基于无人机反演淤泥质潮沟水下地形的方法 |
CN210719159U (zh) * | 2019-12-13 | 2020-06-09 | 兰州天瑞测绘工程有限公司 | 一种无人机地形测量装置 |
CN111895908A (zh) * | 2020-06-30 | 2020-11-06 | 河海大学 | 一种滑坡堰塞坝应急处置的遥感无人机定向数据采集方法 |
-
2021
- 2021-06-25 CN CN202110714353.8A patent/CN113432549B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150347673A1 (en) * | 2014-05-28 | 2015-12-03 | The University Of North Carolina At Charlotte | Wetland modeling and prediction |
JP2018004420A (ja) * | 2016-06-30 | 2018-01-11 | 株式会社リコー | 装置、移動体装置、位置ずれ検出方法及び測距方法 |
US20190098221A1 (en) * | 2017-09-25 | 2019-03-28 | The Boeing Company | Methods for Measuring and Inspecting Structures Using Cable-Suspended Platforms |
US20200089823A1 (en) * | 2018-03-26 | 2020-03-19 | OrePro Holdings LLC | 3d block modelling of a resource boundary in a post-blast muckpile to optimize destination delineation |
CN110779498A (zh) * | 2019-09-19 | 2020-02-11 | 中国科学院测量与地球物理研究所 | 基于无人机多视点摄影的浅水河流水深测绘方法及系统 |
CN110986876A (zh) * | 2019-11-14 | 2020-04-10 | 河海大学 | 一种基于无人机反演淤泥质潮沟水下地形的方法 |
CN210719159U (zh) * | 2019-12-13 | 2020-06-09 | 兰州天瑞测绘工程有限公司 | 一种无人机地形测量装置 |
CN111895908A (zh) * | 2020-06-30 | 2020-11-06 | 河海大学 | 一种滑坡堰塞坝应急处置的遥感无人机定向数据采集方法 |
Non-Patent Citations (1)
Title |
---|
赵长森等: "低空遥感无人机影像反演河道流量", 《地理学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113971679A (zh) * | 2021-11-08 | 2022-01-25 | 南京智慧水运科技有限公司 | 一种基于计算机视觉与图像处理的海洋潮汐测量方法 |
CN113971679B (zh) * | 2021-11-08 | 2024-04-30 | 南京智慧水运科技有限公司 | 一种基于计算机视觉与图像处理的海洋潮汐测量方法 |
CN114821365A (zh) * | 2022-03-30 | 2022-07-29 | 武汉大势智慧科技有限公司 | 顾及地表起伏的无人机摄影测量重叠度计算方法及系统 |
CN115876163A (zh) * | 2022-11-25 | 2023-03-31 | 华中农业大学 | 稻渔模式下的田间工程管理方法以及稻渔共作方法 |
CN118172689A (zh) * | 2024-04-15 | 2024-06-11 | 重庆师范大学 | 一种基于无人机影像的埂坎参数提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113432549B (zh) | 2022-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113432549B (zh) | 一种基于无人机摄影测量的潮沟三维参量提取方法及系统 | |
Wang et al. | Evolution of the topography of tidal flats and sandbanks along the Jiangsu coast from 1973 to 2016 observed from satellites | |
Mallalieu et al. | An integrated Structure-from-Motion and time-lapse technique for quantifying ice-margin dynamics | |
CN103363962B (zh) | 一种基于多光谱影像的湖泊水储量遥感估算方法 | |
Liu et al. | Automated extraction of shorelines from airborne light detection and ranging data and accuracy assessment based on Monte Carlo simulation | |
CN111951392A (zh) | 一种基于时间序列遥感影像和水位监测数据的洲滩枯水位以上地形重建方法 | |
Hamshaw et al. | Application of unmanned aircraft system (UAS) for monitoring bank erosion along river corridors | |
Shaw et al. | Comparison of UAV Lidar and imagery for beach monitoring | |
CN116645789A (zh) | 一种基于无人机测绘的土地自然灾害预警管控系统 | |
CN110986876A (zh) | 一种基于无人机反演淤泥质潮沟水下地形的方法 | |
Saeedrashed et al. | Estimation of geomorphological parameters of Lower Zab River-Basin by using GIS-based remotely sensed image | |
CN110929415A (zh) | 一种针对高原地区u型河谷水下未知地形精确模拟方法 | |
Fontán-Bouzas et al. | Wave impact analysis on a beach-dune system to support coastal management and nourishment works: the showcase of Mira, Portugal | |
Cucchiaro et al. | Mapping vegetation-induced obstruction in agricultural ditches: A low-cost and flexible approach by UAV-SfM | |
de Moraes et al. | Monitoring bank erosion in hydroelectric reservoirs with mobile laser scanning | |
Knight et al. | Coastal boulder movement on a rocky shoreline in northwest Ireland from repeat UAV surveys using Structure from Motion photogrammetry | |
Vaccher et al. | The application of UAV-derived SfM-MVS photogrammetry for the investigation of storm wave boulder deposits on a small rocky island in the semi-enclosed Northern Adriatic Sea | |
Luque et al. | A new, robust, and accurate method to extract tide-coordinated shorelines from coastal elevation models | |
Wang et al. | Lidar ground filtering algorithm for urban areas using scan line based segmentation | |
Pucino et al. | sandpyper: A Python package for UAV-SfM beach volumetric and behavioural analysis | |
Hua et al. | The research of artificial shoreline extraction based on airborne LIDAR data | |
He et al. | Accurate estimation of surface water volume in tufa lake group using UAV-captured imagery and ANNs | |
Kolednik | Coastal monitoring for change detection using multi-temporal LiDAR data | |
Bi et al. | Digital terrain analysis based on DEM | |
Yu et al. | Mid-and Short-Term Monitoring of Sea Cliff Erosion based on Structure-from-Motion (SfM) Photogrammetry: Application of Two Differing Camera Systems for 3D Point Cloud Construction |
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 |