CN113470002A - 一种层析sar三维点云重建质量评价方法及装置 - Google Patents

一种层析sar三维点云重建质量评价方法及装置 Download PDF

Info

Publication number
CN113470002A
CN113470002A CN202110831668.0A CN202110831668A CN113470002A CN 113470002 A CN113470002 A CN 113470002A CN 202110831668 A CN202110831668 A CN 202110831668A CN 113470002 A CN113470002 A CN 113470002A
Authority
CN
China
Prior art keywords
point cloud
sar
dimensional point
dimensional
gray value
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
Application number
CN202110831668.0A
Other languages
English (en)
Other versions
CN113470002B (zh
Inventor
周良将
韩冬
焦泽坤
吴一戎
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.)
Aerospace Information Research Institute of CAS
Original Assignee
Aerospace Information Research Institute of CAS
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 Aerospace Information Research Institute of CAS filed Critical Aerospace Information Research Institute of CAS
Priority to CN202110831668.0A priority Critical patent/CN113470002B/zh
Publication of CN113470002A publication Critical patent/CN113470002A/zh
Application granted granted Critical
Publication of CN113470002B publication Critical patent/CN113470002B/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
    • G06T7/0002—Inspection of images, e.g. flaw 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
    • 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
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar image
    • 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
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种层析SAR三维点云重建质量评价方法，包括：对层析SAR三维点云进行归一化操作，得到归一化后的层析SAR三维点云；对归一化后的层析SAR三维点云进行灰度值量化操作，得到灰度值量化后的层析SAR三维点云；从灰度值量化后的层析SAR三维点云中确定大小为N×N×N的点云像素立方体邻域空间；确定点云像素灰度值i和点云像素灰度值i的立方体邻域空间灰度均值j的组合χ(i,j)的统计概率分布P(i,j)；根据组合χ(i,j)的统计概率分布P(i,j)计算得到层析SAR三维点云的三维熵；根据三维熵的值评价不同重建算法所得层析SAR三维点云的重建质量。本发明同时还公开了一种用于层析SAR三维点云重建质量评价的装置、存储介质和计算设备。

Description

一种层析SAR三维点云重建质量评价方法及装置
技术领域
本发明涉及雷达信息获取与处理技术领域，更具体地，涉及一种层析SAR(Synthetic Aperture Radar，合成孔径雷达)三维点云重建质量评价方法。
背景技术
由于SAR的投影成像原理，传统的二维条带SAR成像结果中存在严重的叠掩现象，无法获取目标的三维结构信息。而层析SAR通过多次俯仰角观测，沿斜高向形成等效的合成孔径，从而具备三维重建能力，能够获取观测场景的三维点云。
层析SAR三维点云的获取流程通常由高精度的二维成像和高程向的第三维重建组成。用于层析SAR第三维重建的典型算法主要有谱分析和压缩感知算法等。同时，不同的重建算法所获取的三维点云重建精度和质量是不同的。
层析SAR三维点云的重建质量靠专家判读和人工判断是主观和武断的。因此，有必要研究SAR三维点云的客观评价指标。在已知观测地物三维空间位置真值的情况下，可采用典型的点云重建质量评价方法，如均方误差(Mean Square Error,MSE)、平均绝对值误差(Mean Absolute Error,MAE)、结构相似性(Structural SIMilarity,SSIM)等。然而，现实中层析SAR观测地物三维空间位置真值通常是未知的，因此有必要研究观测地物三维空间位置真值未知情况下的层析SAR三维点云重建质量评价指标。
发明内容
有鉴于此，本发明的主要目的在于提供一种层析SAR三维点云重建质量评价方法，用于解决在缺乏观测物体三维空间位置真值的情况下层析SAR三维点云重建质量评价困难的问题，同时提供了一种层析SAR三维点云重建质量的客观评价标准。
三维熵(3D Entropy)所描述的是三维体系的混乱程度，三维熵变是反应三维体系混乱度的变化，三维体系混乱度的增加是熵增的反应。因此，点云的三维熵是点云“繁忙”程度的估计值。因此，在缺乏观测物体三维空间位置真值的情况下，可采用点云的三维熵来客观评价不同重建算法所得三维点云的重建质量，三维熵越小表示所得三维点云的重建质量越好。
根据本发明的一个实施例，提供了一种层析SAR三维点云重建质量评价方法，包括：对层析SAR三维点云进行归一化操作，得到归一化后的层析SAR三维点云；对归一化后的层析SAR三维点云进行灰度值量化操作，得到灰度值量化后的层析SAR三维点云；从灰度值量化后的层析SAR三维点云中确定大小为N×N×N的点云像素立方体邻域空间，其中N表示像素个数；确定点云像素灰度值i和点云像素灰度值i的立方体邻域空间灰度均值j的组合χ(i,j)的统计概率分布P(i,j)；其中，点云像素灰度值i从灰度值量化后的层析SAR三维点云中确定；根据组合χ(i,j)的统计概率分布P(i,j)计算得到层析SAR三维点云的三维熵；根据三维熵的值评价不同重建算法所得层析SAR三维点云的重建质量。
根据本发明的一个实施例，其中，层析SAR三维点云用复数表示，根据复数的模值对尺寸为Nx×Ny×Nz层析SAR三维点云进行归一化操作，其中，Nx×Ny×Nz分别表示所述层析SAR三维点云在X轴、y轴和z轴上像素的个数。
根据本发明的一个实施例，其中，统计概率分布P(i,j)通过式(1)计算：
Figure BDA0003175681230000031
根据本发明的一个实施例，其中，灰度值量化操作采用8位灰度值量化操作。
根据本发明的一个实施例，其中，点云像素灰度值i的立方体邻域空间是以i为立方体的中心、以N个像素为边长的立方体空间。
根据本发明的一个实施例，其中，点云像素灰度值i的立方体邻域空间灰度均值j是点云像素灰度值i的立方体邻域空间内所有像素点的灰度值的平均。
根据本发明的一个实施例，其中，根据组合χ(i,j)的统计概率分布P(i,j)计算得到层析SAR三维点云的三维熵，三维熵通过(2)计算：
Figure BDA0003175681230000032
本发明同时提供了一种用于层析SAR三维点云重建质量评价的装置，包括：第一操作模块，用于对层析SAR三维点云进行归一化操作，得到归一化后的层析SAR三维点云；第二操作模块，用于对所述归一化后的层析SAR三维点云进行灰度值量化操作，得到灰度值量化后的层析SAR三维点云；第一确定模块，用于确定大小为N×N×N的点云像素立方体邻域空间，其中N表示像素个数；第二确定模块，用于确定点云像素灰度值i和其立方体邻域空间灰度均值j的组合χ(i,j)的统计概率分布P(i,j)；计算模块，用于根据组合χ(i,j)的统计概率分布P(i,j)计算得到所述层析SAR三维点云的三维熵；评价模块，用于根据三维熵的值评价不同重建算法所得所述层析SAR三维点云的重建质量。
本发明同时提供了一种存储介质，存储有计算机可执行指令，上述指令在被处理单元执行时用于实现上述实施例所公开的层析SAR三维点云重建质量评价方法。
本发明同时还提供了一种计算设备，包括：处理单元；以及存储单元，存储有计算机可执行指令，上述指令在被所述处理单元执行时用于实现上述实施例所公开的层析SAR三维点云重建质量评价方法。
本发明可以准确有效地客观评价层析SAR三维点云重建质量，有效地解决了缺乏观测物体三维空间位置真值的情况下三维点云重建质量的评价困难的问题，避免了人工判读点云重建质量的主观性。通过不同重建算法下仿真的建筑目标实验结果和P波段机载层析SAR实验结果验证了本方法的有效性。
附图说明
图1是本发明实施例提供的一种层析SAR三维点云重建质量评价方法流程图；
图2是直角坐标系下的仿真建筑目标；
图3是不同重建算法所得的仿真建筑目标三维点云；
图4是机载层析SAR实验观测地物光学图像及二维SAR图像；
图5是不同重建算法所得的机载层析SAR观测地物三维点云；
图6示意性地示出了根据本发明实施例的层析SAR三维点云重建质量评价装置的框图；
图7示意性地示出了根据本发明实施例的用于存储实现层析SAR三维点云重建质量评价方法的指令的程序产品；以及
图8示意性地示出了根据本发明实施例的用于实现层析SAR三维点云重建质量评价方法的计算设备的框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。
图1本发明实施例提供的一种层析SAR三维点云重建质量评价方法流程图。
如图1所示，根据本发明实施例的层析SAR三维点云重建质量评价方法包括步骤S110～步骤S160。
步骤S110，对层析SAR三维点云进行归一化操作，得到归一化后的层析SAR三维点云。
上述归一化操作旨在将层析SAR三维点云的值限制在特定的数值范围(比如0到1)之间，从而方便后续步骤对层析SAR三维点云进行操作。
步骤S120，对归一化后的层析SAR三维点云进行灰度值量化操作，得到灰度值量化后的层析SAR三维点云。
上述灰度值量化操作，将归一化后的层析SAR三维点云的值进行灰度等级划分，划分成0～255个等级，其中255表示白色，0表示黑色；量化操作旨在将灰度值进行分类，比如量化取值是2时表示使用2种灰度级(0～255)表示图片，小于128的取0，大于等于128的取128。
步骤S130，从灰度值量化后的层析SAR三维点云中确定大小为N×N×N的点云像素立方体邻域空间，其中N表示像素个数。
对于不同的灰度值量化后的层析SAR三维点云，统一选取固定的N值，一般N取值3或者5。
步骤S140，确定点云像素灰度值i和点云像素灰度值i的立方体邻域空间灰度均值j的组合χ(i,j)的统计概率分布P(i,j)；其中，点云像素灰度值i从所述灰度值量化后的层析SAR三维点云中确定。
步骤S150，根据组合χ(i,j)的统计概率分布P(i,j)计算得到层析SAR三维点云的三维熵。
步骤160，根据三维熵的值评价不同重建算法所得层析SAR三维点云的重建质量。
上述步骤160中，当三维熵越小表示所得三维点云的重建质量越好。
本发明公开的方法通过三维熵的值来评价层析SAR三维点云的重建质量，能够实现客观有效的评价。
根据本发明的实施例，层析SAR三维点云用复数表示，并根据复数的模值对尺寸为Nx×Ny×Nz层析SAR三维点云进行归一化操作，其中，Nx×Ny×Nz分别表示层析SAR三维点云在X轴、y轴和z轴上像素的个数。
根据本发明的实施例，统计概率分布P(i,j)通过式(1)计算：
Figure BDA0003175681230000061
根据本发明的实施例，灰度值量化操作采用8位灰度值量化操作。采用8位进行灰度值量化，将灰度值分成8类，能更准确的区分不同灰度值，能够在后续步骤中得到更加精确的三维熵计算结果。
根据本发明的实施例，点云像素灰度值i的立方体邻域空间是以i为立方体的中心、以N个像素为边长的立方体空间。
根据本发明的实施例，点云像素灰度值i的立方体邻域空间灰度均值j是点云像素灰度值i的立方体邻域空间内所有像素点的灰度值的平均。
根据本发明的实施例，根据组合χ(i,j)的统计概率分布P(i,j)计算得到所述层析SAR三维点云的三维熵，所述三维熵通过式(2)计算：
Figure BDA0003175681230000071
通过式(2)所得的三维熵用来评价层析SAR三维点云的重建质量，当三维熵的值越小，说明层析SAR三维点云的重建质量越好。
本发明公开的层析SAR三维点云的重建质量的评价方法，能够较好的实现层析SAR三维点云的重建质量的评价，相较于现有技术中的评价方法，更客观更有效。
下面参考图2-图5，并结合具体实施例对图1的所示的方法作进一步的说明。
图2是直角坐标系下的仿真建筑目标，其中X轴，Y轴和Z轴分别表示长、宽和高(单位米)，作为对比实验，分别采用正交匹配追踪(OMP)，迭代软阈值收缩算法(ISTA)以及改进的自适应迭代软阈值收缩算法(IA-ISTA)分别对其进行高程向三维重建。
三种不同算法所得的三维点云结果如图3所示(X轴，Y轴和Z轴分别表示长、宽和高，单位米)，其中图3(a)是OMP算法所得的层析SAR三维点云，图3(b)是ISTA算法所得的层析SAR三维点云，图3(c)是IA-ISTA算法所得的层析SAR三维点云。
由于仿真的建筑目标三维空间位置真值是已知的，因此分别采用均方误差(MeanSquare Error,MSE)、平均绝对值误差(Mean Absolute Error,MAE)、结构相似性(Structural SIMilarity,SSIM)以及三维熵(3D Entropy)来客观评价三种算法所得的层析SAR三维点云，如表1所示，其中计算三维熵时选取点云像素3×3×3的邻域空间。
表1仿真建筑目标三维点云重建质量的客观评价结果
Figure BDA0003175681230000072
Figure BDA0003175681230000081
从表1可以看出，OMP算法、ISTA算法以及IA-ISTA算法所得的三维点云的SSIM很接近，但ISTA算法和IA-ISTA算法所得的三维点云的MSE、MAE和3D Entropy均明显优于OMP算法。
图4是机载层析SAR观测地物场景的光学图像和二维SAR图像，其中图4(a)是观测地物场景的光学图像(来自Google Earth)，图4(b)是观测地物场景的二维SAR图像(由后向投影算法获得)。
三种不同算法所得的层析SAR三维点云结果如图5所示，其中Longitudedirection表示经度，Latitude direction表示纬度，Altitude表示高度，单位均为米；图5(a)和(d)是OMP算法所得的层析SAR三维点云，图5(b)和(e)是ISTA算法所得的层析SAR三维点云，图5(c)和(f)是IA-ISTA算法所得的层析SAR三维点云。
由于机载层析SAR观测地物场景三维空间位置真值是未知的，因此采用三维熵(3DEntropy)来客观评价三种算法所得的层析SAR三维点云，如表2所示，其中计算三维熵时选取点云像素3×3×3的邻域空间。
表2机载层析SAR三维点云重建质量的客观评价结果
Figure BDA0003175681230000082
从表2可以看出，ISTA算法和IA-ISTA算法所得三维点云的三维熵明显优于OMP算法，与仿真的建筑目标实验结果一致。通过不同重建算法下仿真的建筑目标实验结果和P波段机载层析SAR实验结果验证了本方法的有效性。
图6是根据本发明实施例的层析SAR三维点云重建质量评价装置的框图。
如图6所示，一种层析SAR三维点云重建质量评价装置600包括第一操作模块610、第二操作模块620、第一确定模块630、第二确定模块640、计算模块650和评价模块660。
第一操作模块610，用于对层析SAR三维点云进行归一化操作，得到归一化后的层析SAR三维点云。
第二操作模块620，用于对所述归一化后的层析SAR三维点云进行灰度值量化操作，得到灰度值量化后的层析SAR三维点云。
第一确定模块630，用于确定大小为N×N×N的点云像素立方体邻域空间，其中N表示像素个数。
第二确定模块640，用于确定点云像素灰度值i和其立方体邻域空间灰度均值j的组合χ(i,j)的统计概率分布P(i,j)。
计算模块650，用于根据组合χ(i,j)的统计概率分布P(i,j)计算得到所述层析SAR三维点云的三维熵。
评价模块660，用于根据三维熵的值评价不同重建算法所得所述层析SAR三维点云的重建质量。
图7是根据本发明实施例的用于存储实现层析SAR三维点云重建质量评价方法的指令的程序产品。
如图7所示，描述了根据本发明的实施方式的层析SAR三维点云重建质量评价方法的程序产品700，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在计算设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，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。
图8是根据本发明实施例的用于实现层析SAR三维点云重建质量评价方法的计算设备的框图。
如图8所示，计算设备800以通用计算设备的形式表现。计算设备800的组件可以包括但不限于：上述至少一个处理单元810、上述至少一个存储单元820、连接不同系统组件(包括存储单元820和处理单元810)的总线830。
总线830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。
存储单元820可以包括易失性存储器形式的可读介质，例如随机存取存储器(RAM)821和/或高速缓存存储器822，还可以进一步包括只读存储器(ROM)823。
存储单元820还可以包括具有一组(至少一个)程序模块824的程序/实用工具，这样的程序模块824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。
计算设备800也可以与一个或多个外部设备840(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与计算设备800交互的设备通信，和/或与使得计算设备800能与一个或多个其它计算设备进行通信的任何设备(例如路由器、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850进行。并且，计算设备800还可以通过网络适配器860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860通过总线830与计算设备800的其它模块通信。应当明白，尽管图中未示出，可以结合计算设备800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。
应当注意，尽管在上文详细描述中提及了装置的若干单元/模块或子单元/模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种层析SAR三维点云重建质量评价方法，包括：
对层析SAR三维点云进行归一化操作，得到归一化后的层析SAR三维点云；
对所述归一化后的层析SAR三维点云进行灰度值量化操作，得到灰度值量化后的层析SAR三维点云；
从所述灰度值量化后的层析SAR三维点云中确定大小为N×N×N的点云像素立方体邻域空间，其中N表示像素个数；
确定点云像素灰度值i和所述点云像素灰度值i的立方体邻域空间灰度均值j的组合χ(i,j)的统计概率分布P(i,j)；其中，所述点云像素灰度值i从所述灰度值量化后的层析SAR三维点云中确定；
根据组合χ(i,j)的统计概率分布P(i,j)计算得到所述层析SAR三维点云的三维熵；
根据三维熵的值评价不同重建算法所得所述层析SAR三维点云的重建质量。
2.根据权利要求1所述的方法，其中，所述层析SAR三维点云用复数表示，根据所述复数的模值对尺寸为Nx×Ny×Nz层析SAR三维点云进行归一化操作，其中，所述Nx×Ny×Nz分别表示所述层析SAR三维点云在X轴、y轴和z轴上像素的个数。
3.根据权利要求2所述的方法，其中所述统计概率分布P(i,j)通过式(1)计算：
Figure FDA0003175681220000021
4.根据权利要求1所述的方法，其中，所述灰度值量化操作采用8位灰度值量化操作。
5.根据权利要求1所述的方法，其中，所述点云像素灰度值i的立方体邻域空间是以i为立方体的中心、以N个像素为边长的立方体空间。
6.根据权利要求1所述的方法，其中，所述点云像素灰度值i的立方体邻域空间灰度均值j是点云像素灰度值i的立方体邻域空间内所有像素点的灰度值的平均。
7.根据权利要求1所述的方法，其中，所述根据组合χ(i,j)的统计概率分布P(i,j)计算得到所述层析SAR三维点云的三维熵，所述三维熵通过(2)计算：
Figure FDA0003175681220000022
8.一种用于层析SAR三维点云重建质量评价的装置，包括：
第一操作模块，用于对层析SAR三维点云进行归一化操作，得到归一化后的层析SAR三维点云；
第二操作模块，用于对所述归一化后的层析SAR三维点云进行灰度值量化操作，得到灰度值量化后的层析SAR三维点云；
第一确定模块，用于确定大小为N×N×N的点云像素立方体邻域空间，其中N表示像素个数；
第二确定模块，用于确定点云像素灰度值i和其立方体邻域空间灰度均值j的组合χ(i,j)的统计概率分布P(i,j)；
计算模块，用于根据组合χ(i,j)的统计概率分布P(i,j)计算得到所述层析SAR三维点云的三维熵；
评价模块，用于根据三维熵的值评价不同重建算法所得所述层析SAR三维点云的重建质量。
9.一种存储介质，存储有计算机可执行指令，所述指令在被处理单元执行时用于实现权利要求1至7中任一项所述的层析SAR三维点云重建质量评价方法。
10.一种计算设备，包括：
处理单元；以及
存储单元，存储有计算机可执行指令，所述指令在被所述处理单元执行时用于实现权利要求1至7中任一项所述的层析SAR三维点云重建质量评价方法。
CN202110831668.0A 2021-07-22 2021-07-22 一种层析sar三维点云重建质量评价方法及装置 Active CN113470002B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110831668.0A CN113470002B (zh) 2021-07-22 2021-07-22 一种层析sar三维点云重建质量评价方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110831668.0A CN113470002B (zh) 2021-07-22 2021-07-22 一种层析sar三维点云重建质量评价方法及装置

Publications (2)

Publication Number Publication Date
CN113470002A true CN113470002A (zh) 2021-10-01
CN113470002B CN113470002B (zh) 2023-11-10

Family

ID=77882014

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110831668.0A Active CN113470002B (zh) 2021-07-22 2021-07-22 一种层析sar三维点云重建质量评价方法及装置

Country Status (1)

Country Link
CN (1) CN113470002B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115357845A (zh) * 2022-08-22 2022-11-18 浙江荷湖科技有限公司 一种显微光场迭代重建结果的评价方法及装置
CN115905135A (zh) * 2023-03-14 2023-04-04 武汉芯云道数据科技有限公司 多帧3d文件处理方法及装置
CN116137059A (zh) * 2023-04-17 2023-05-19 宁波大学科学技术学院 基于多层次特征提取网络模型的三维点云质量评价方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103337073A (zh) * 2013-06-20 2013-10-02 西南交通大学 一种基于三维熵的二维图像阈值分割方法
CN103544694A (zh) * 2013-09-22 2014-01-29 上海交通大学 基于高清晰测量灰度图像的零件表面三维形貌评价方法
CN106780386A (zh) * 2016-12-16 2017-05-31 武汉理工大学 一种三维激光扫描变形提取可靠性评价方法
CN108492329A (zh) * 2018-03-19 2018-09-04 北京航空航天大学 一种三维重建点云精度和完整度评价方法
US10614579B1 (en) * 2018-10-10 2020-04-07 The Boeing Company Three dimensional model generation using heterogeneous 2D and 3D sensor fusion
US20200380738A1 (en) * 2019-05-27 2020-12-03 Zhejiang University Three-Dimensional Reconstruction Method Based on Half-Peak Probability Density Distribution
US20210044787A1 (en) * 2018-05-30 2021-02-11 Panasonic Intellectual Property Corporation Of America Three-dimensional reconstruction method, three-dimensional reconstruction device, and computer
CN112802071A (zh) * 2021-01-22 2021-05-14 北京农业智能装备技术研究中心 一种三维重建效果评价方法及系统
CN112986996A (zh) * 2021-02-08 2021-06-18 中国科学院空天信息创新研究院 基于几何熵的多源sar卫星联合三维定位方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103337073A (zh) * 2013-06-20 2013-10-02 西南交通大学 一种基于三维熵的二维图像阈值分割方法
CN103544694A (zh) * 2013-09-22 2014-01-29 上海交通大学 基于高清晰测量灰度图像的零件表面三维形貌评价方法
CN106780386A (zh) * 2016-12-16 2017-05-31 武汉理工大学 一种三维激光扫描变形提取可靠性评价方法
CN108492329A (zh) * 2018-03-19 2018-09-04 北京航空航天大学 一种三维重建点云精度和完整度评价方法
US20210044787A1 (en) * 2018-05-30 2021-02-11 Panasonic Intellectual Property Corporation Of America Three-dimensional reconstruction method, three-dimensional reconstruction device, and computer
US10614579B1 (en) * 2018-10-10 2020-04-07 The Boeing Company Three dimensional model generation using heterogeneous 2D and 3D sensor fusion
US20200380738A1 (en) * 2019-05-27 2020-12-03 Zhejiang University Three-Dimensional Reconstruction Method Based on Half-Peak Probability Density Distribution
CN112802071A (zh) * 2021-01-22 2021-05-14 北京农业智能装备技术研究中心 一种三维重建效果评价方法及系统
CN112986996A (zh) * 2021-02-08 2021-06-18 中国科学院空天信息创新研究院 基于几何熵的多源sar卫星联合三维定位方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
花向红;赵不钒;陈西江;宣伟;: "地面三维激光扫描点云质量评价技术研究与展望", 地理空间信息, no. 08, pages 1 - 7 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115357845A (zh) * 2022-08-22 2022-11-18 浙江荷湖科技有限公司 一种显微光场迭代重建结果的评价方法及装置
CN115905135A (zh) * 2023-03-14 2023-04-04 武汉芯云道数据科技有限公司 多帧3d文件处理方法及装置
CN116137059A (zh) * 2023-04-17 2023-05-19 宁波大学科学技术学院 基于多层次特征提取网络模型的三维点云质量评价方法
CN116137059B (zh) * 2023-04-17 2024-04-26 宁波大学科学技术学院 基于多层次特征提取网络模型的三维点云质量评价方法

Also Published As

Publication number Publication date
CN113470002B (zh) 2023-11-10

Similar Documents

Publication Publication Date Title
CN113470002B (zh) 一种层析sar三维点云重建质量评价方法及装置
US20240169658A1 (en) Systems and Methods for Reconstructing Scenes to Disentangle Light and Matter Fields
Albregtsen Statistical texture measures computed from gray level coocurrence matrices
US7587082B1 (en) Object recognition based on 2D images and 3D models
CN107169981B (zh) 一种道砟颗粒三维廓形的检测方法及装置
WO2015135323A1 (zh) 一种摄像机跟踪方法及装置
CN112840378A (zh) 在路径追踪中使用共享光照贡献进行相互作用的全局照明
US20150317767A1 (en) Image processing device, image processing method and medium
Chountasis et al. Applications of the Moore-Penrose inverse in digital image restoration
US10462450B2 (en) Combining two-dimensional images with depth data to detect junctions or edges
US10475238B2 (en) Hölder adaptive image synthesis
CN112703532A (zh) 图像处理方法、装置、设备及存储介质
CN117671031A (zh) 双目相机标定方法、装置、设备及存储介质
CN108507476B (zh) 用于材料表面的位移场测量方法、装置、设备及存储介质
CN113436269A (zh) 图像稠密立体匹配方法、装置和计算机设备
Bronstein et al. Blind separation of reflections using sparse ICA
JP2020041950A (ja) 測量装置、測量方法、及びプログラム
CN111259702A (zh) 一种用户兴趣的估计方法及装置
EP3276577B1 (en) Hölder adaptive image synthesis
Wong et al. Image-based soil organic carbon estimation from multispectral satellite images with fourier neural operator and structural similarity
RU2799483C1 (ru) Способ определения преимущественной угловой ориентации элементов цифрового изображения
WO2018211625A1 (ja) 情報処理装置、情報処理方法、プログラムを記憶した記憶媒体
US20240338879A1 (en) Methods, storage media, and systems for selecting a pair of consistent real-world camera poses
KR102479120B1 (ko) 가변 초점 방식의 3d 텐서 기반 3차원 영상 획득 방법 및 장치
CN115100286B (zh) 无人机采集视点确定方法、装置、计算机设备和存储介质

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