CN113724381B - 一种基于高分遥感影像的动态三维场景快速重建方法 - Google Patents
一种基于高分遥感影像的动态三维场景快速重建方法 Download PDFInfo
- Publication number
- CN113724381B CN113724381B CN202110836840.1A CN202110836840A CN113724381B CN 113724381 B CN113724381 B CN 113724381B CN 202110836840 A CN202110836840 A CN 202110836840A CN 113724381 B CN113724381 B CN 113724381B
- Authority
- CN
- China
- Prior art keywords
- detected
- model
- distribution information
- stereopair
- data
- 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
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种基于高分遥感影像的动态三维场景快速重建方法,用于模型构建装置可以快速得到准确度较高的三维模型。本发明实施例方法包括:获取待测区域的相关数据,所述相关数据包括立体像对,和/或,激光雷达数据和高分辨率光学影像;根据所述待测区域的相关数据,进行模型训练,得到所述待测区域的三维模型。
Description
技术领域
本发明涉及地理空间统计学领域,尤其涉及一种基于高分遥感影像的动态三维场景快速重建方法。
背景技术
传统的地理空间三维建模方法一般有三种,分别为人工建模、通过倾斜摄影测量进行建模,以及基于传统遥感技术、卫星和航空摄影测量技术进行建模。其中,人工建模一般采用建模软件(例如:三维距离3dmax、天空Skyline、素描Sketch up等)进行建模;倾斜摄影测量一般利用无人机上搭载着五镜头相机从垂直、倾斜等多角度采集影像数据,以获取完整准确的纹理数据和定位信息,从而进行三维建模。
然而,通常情况下,在基于传统遥感技术、卫星和航空摄影测量技术进行建模的过程中,对高分辨影像利用快速影像匹配技术,生成数字正射影像图(Digital OrthophotoMap,DOM),再利用人工或者半自动人工地物的采集的方式获取该高分辨影像的建筑物表面纹理,最后,实现基于高分辨影像的三维建模。但是,这种方法使得三维建模的建模速度较慢,且,使得最终得到的三维模型的准确度较低。
发明内容
本发明实施例提供了一种基于高分遥感影像的动态三维场景快速重建方法,用于模型构建装置可以快速得到准确度较高的三维模型。
本发明实施例第一方面提供了一种基于高分遥感影像的动态三维场景快速重建方法,可以包括:
获取待测区域的相关数据,该相关数据包括立体像对,和/或,激光雷达数据和高分辨率光学影像;
根据该待测区域的相关数据,进行模型训练,得到该待测区域的三维模型。
可选的,该待测区域的数量为多个,在该相关数据包括该立体像对的情况下,该根据该待测区域的相关数据,进行模型训练,得到该待测区域的三维模型,包括:根据多个待测区域的立体像对,得到多个正射影像;根据该多个正射影像分别对应的特征,确定特征样本库;根据该特征样本库,进行模型训练,得到第一深度学习模型,该第一深度学习模型中包括不同待测区域分别对应的三维模型。
可选的,该方法还包括:获取目标待测区域的立体像对;根据该目标待测区域的立体像对,得到该目标待测区域的正射影像;提取该目标待测区域的正射影像中的特征;向该第一深度学习模型中输入该目标待测区域的正射影像中的特征,得到该目标待测区域对应的第一目标三维模型。
可选的,该根据该目标待测区域的立体像对,得到该目标待测区域的正射影像,包括:根据该目标待测区域的立体像对,通过有理多项式函数模型RPM,确定该目标待测区域的立体像对对应的位置和方向;根据该位置和该方向,通过全局优化立体匹配算法或者半全局优化立体匹配算法,确定该目标待测区域的正射影像。
可选的,该待测区域的数量为多个,在该相关数据包括该激光雷达数据和该高分辨率光学影像的情况下,该根据该待测区域的相关数据,进行模型训练,得到该待测区域的三维模型,包括:分析该激光雷达数据,得到多个待测区域的垂直分布信息;根据该高分辨率光学影像,得到该多个待测区域的水平分布信息;根据该垂直分布信息和该水平分布信息,得到第二深度学习模型,该第二深度学习模型中包括不同待测区域分别对应的三维模型。
可选的,该分析该激光雷达数据,得到多个待测区域的垂直分布信息,包括:分析该激光雷达数据中的波形,得到至少一个波形特征参数;根据该至少一个波形特征参数,得到每个波形特征参数对应的物体类别,该物体类别包括以下至少一项:建筑物、植被和裸地;确定该多个待测区域中每个物体类别分别对应的垂直分布信息,该垂直分布信息包括垂直高度和该垂直高度的比例。
可选的,该根据该高分辨率光学影像,得到该多个待测区域的水平分布信息,包括:根据该高分辨率光学影像,通过非监督分类算法,得到该多个待测区域的土地利用类型;确定每个土地利用类型分别对应的水平分布信息,该水平分布信息包括位置信息和水平面积。
本发明实施例第二方面提供了一种模型构建装置,可以包括:
获取模块,用于获取待测区域的相关数据,该相关数据包括立体像对,和/或,激光雷达数据和高分辨率光学影像;
处理模块,用于根据该待测区域的相关数据,进行模型训练,得到该待测区域的三维模型。
可选的,该处理模块,具体用于该待测区域的数量为多个,在该相关数据包括该立体像对的情况下,根据多个待测区域的立体像对,得到多个正射影像;根据该多个正射影像分别对应的特征,确定特征样本库;根据该特征样本库,进行模型训练,得到第一深度学习模型,该第一深度学习模型中包括不同待测区域分别对应的三维模型。
可选的,该获取模块,还用于获取目标待测区域的立体像对;
该处理模块,还用于根据该目标待测区域的立体像对,得到该目标待测区域的正射影像;提取该目标待测区域的正射影像中的特征;向该第一深度学习模型中输入该目标待测区域的正射影像中的特征,得到该目标待测区域对应的第一目标三维模型。
可选的,该处理模块,具体用于根据该目标待测区域的立体像对,通过有理多项式函数模型RPM,确定该目标待测区域的立体像对对应的位置和方向;根据该位置和该方向,通过全局优化立体匹配算法或者半全局优化立体匹配算法,确定该目标待测区域的正射影像。
可选的,该处理模块,具体用于该待测区域的数量为多个,在该相关数据包括该激光雷达数据和该高分辨率光学影像的情况下,分析该激光雷达数据,得到多个待测区域的垂直分布信息;根据该高分辨率光学影像,得到该多个待测区域的水平分布信息;根据该垂直分布信息和该水平分布信息,得到第二深度学习模型,该第二深度学习模型中包括不同待测区域分别对应的三维模型。
可选的,该处理模块,具体用于分析该激光雷达数据中的波形,得到至少一个波形特征参数;根据该至少一个波形特征参数,得到每个波形特征参数对应的物体类别,该物体类别包括以下至少一项:建筑物、植被和裸地;确定该多个待测区域中每个物体类别分别对应的垂直分布信息,该垂直分布信息包括垂直高度和该垂直高度的比例。
可选的,该处理模块,具体用于根据该高分辨率光学影像,通过非监督分类算法,得到该多个待测区域的土地利用类型;确定每个土地利用类型分别对应的水平分布信息,该水平分布信息包括位置信息和水平面积。
本发明实施例第三方面提供了一种模型构建装置,可以包括:
存储有可执行程序代码的存储器;
以及所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,所述可执行程序代码被所述处理器执行时,使得所述处理器实现如本发明实施例第一方面所述的方法。
本发明实施例第四方面提供一种电子设备,可以包括如本发明实施例第二方面或第三方面所述的模型构建装置。
本发明实施例又一方面提供一种计算机可读存储介质,其上存储有可执行程序代码,所述可执行程序代码被处理器执行时,实现如本发明实施例第一方面所述的方法。
本发明实施例又一方面公开一种计算机程序产品,当该计算机程序产品在计算机上运行时,使得该计算机执行本发明实施例第一方面公开的任意一种所述的方法。
本发明实施例又一方面公开一种应用发布平台,该应用发布平台用于发布计算机程序产品,其中,当该计算机程序产品在计算机上运行时,使得该计算机执行本发明实施例第一方面公开的任意一种所述的方法。
从以上技术方案可以看出,本发明实施例具有以下优点:
在本发明实施例中,获取待测区域的相关数据,所述相关数据包括立体像对,和/或,激光雷达数据和高分辨率光学影像;根据所述待测区域的相关数据,进行模型训练,得到所述待测区域的三维模型。即模型构建装置对获取的立体像对,和/或,激光雷达数据和高分辨率光学影像进行处理后,得到的数据相较于现有技术中的影像数据更为准确,再将得到的数据进行模型训练,得到该待测区域的三维模型。这样就使得模型构建装置可以快速得到准确度较高的三维模型。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例和现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,还可以根据这些附图获得其它的附图。
图1为本发明实施例中基于高分遥感影像的动态三维场景快速重建方法的一个实施例示意图;
图2a为本发明实施例中基于高分遥感影像的动态三维场景快速重建方法的另一个实施例示意图;
图2b为本发明实施例中基于高分遥感影像的动态三维场景快速重建方法的另一个实施例示意图;
图3为本发明实施例中基于高分遥感影像的动态三维场景快速重建方法的另一个实施例示意图;
图4a为本发明实施例中基于高分遥感影像的动态三维场景快速重建方法的另一个实施例示意图;
图4b为本发明实施例中待测区域在回波反射过程中的统计量的一个实施例示意图;
图4c为本发明实施例中建筑物的回波反射的一个实施例示意图;
图4d为本发明实施例中建筑物房顶的光谱数据的一个实施例示意图;
图5为本发明实施例中基于高分遥感影像的动态三维场景快速重建方法的另一个实施例示意图;
图6为本发明实施例中基于高分遥感影像的动态三维场景快速重建方法的另一个实施例示意图;
图7为本发明实施例中模型构建装置的一个实施例示意图;
图8为本发明实施例中模型构建装置的另一个实施例示意图;
图9为本发明实施例中电子设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种基于高分遥感影像的动态三维场景快速重建方法,用于模型构建装置可以快速得到准确度较高的三维模型。
为了使本技术领域的人员更好地理解本发明方案,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描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,都应当属于本发明保护的范围。
可以理解的是,本发明实施例中所涉及的电子设备中设置有模型构建装置,该电子设备可以包括一般的手持有屏电子终端设备,诸如手机、智能电话、便携式终端、终端、个人数字助理(Personal Digital Assistant,PDA)、便携式多媒体播放器(Personal MediaPlayer,PMP)装置、笔记本电脑、笔记本(Note Pad)、无线宽带(Wireless Broadband,Wibro)终端、平板电脑(Personal Computer,PC)、智能PC、销售终端(Point of Sales,POS)和车载电脑等。
电子设备也可以包括可穿戴设备。可穿戴设备可以直接穿戴在用户身上,或是整合到用户的衣服或配件的一种便携式电子设备。可穿戴设备不仅仅是一种硬件设备,更可以通过软件支持以及数据交互、云端交互来实现强大的智能功能,比如:计算功能、定位功能、报警功能,同时还可以连接手机及各类终端。可穿戴设备可以包括但不限于以手腕为支撑的watch类(比如手表、手腕等产品),以脚为支撑的shoes类(比如鞋、袜子或者其他腿上佩戴产品),以头部为支撑的Glass类(比如眼镜、头盔、头带等)以及智能服装,书包、拐杖、配饰等各类非主流产品形态。
需要说明的是,本发明实施例的执行主体可以是模型构建装置,也可以是电子设备。下面以模型构建装置为例,对本发明技术方案做进一步的说明。
如图1所示,为本发明实施例中基于高分遥感影像的动态三维场景快速重建方法的实施例示意图,可以包括:
101、获取待测区域的相关数据。
其中,该相关数据包括立体像对,和/或,激光雷达数据和高分辨率光学影像。
需要说明的是,待测区域中可以包括:建筑物和/或非建筑物。该非建筑物可以包括:植被和/或裸地。其中,该裸地指的是没有植物生长的裸露地面,是群落形成、发育和演替的最初条件和场所。
立体像对可以简称为像对,该立体像对一般为两张图像。该立体像对可以是卫星拍摄得到的。该立体像对可以分为但不限于以下至少一项:卫星立体像对、航摄立体像对和地面立体像对。其中,航摄立体像对由飞机上的航摄仪沿航线定时启动摄像头的快门拍摄而成;地面立体像对是由地面对同一地物从摄影基线两端拍摄而成;卫星立体像对一般是在地球高纬度地区由、地球资源技术卫星轨道大部分重叠的情况下获得的,或,对于中、低纬度地区,可以由人工形成。本发明实施例以待测区域的卫星立体像对为主。
激光雷达数据和高分辨率光学影像可以是卫星拍摄得到的。其中,高分辨率指的是卫星对地面的定位精度较高,可以达到一定距离阈值以内。例如拍摄激光雷达数据的卫星的定位精度可以达到30米(m),拍摄高分辨率光学影像的卫星的定位精度可以达到0.8m。
需要说明的是,上述卫星可以是高分七号卫星。该卫星在拍摄得到待测区域的立体像对,和/或,激光雷达数据和高分辨率光学影像之后,会将该立体像对,和/或,该激光雷达数据和该高分辨率光学影像向模型构建装置发送,该模型构建装置接收该立体像对,和/或,该激光雷达数据和该高分辨率光学影像后进行相应处理,此处不做具体赘述。
102、根据所述待测区域的相关数据,进行模型训练,得到所述待测区域的三维模型。
可以理解的是,模型构建装置可以根据待测区域中不同的数据,进行模型训练,以获取准确度较高的待测区域的三维模型。
在本发明实施例中,获取待测区域的相关数据,所述相关数据包括立体像对,和/或,激光雷达数据和高分辨率光学影像;根据所述待测区域的相关数据,进行模型训练,得到所述待测区域的三维模型。即模型构建装置对获取的立体像对,和/或,激光雷达数据和高分辨率光学影像进行处理后,得到的数据相较于现有技术中的影像数据更为准确,再将得到的数据进行模型训练,得到该待测区域的三维模型。这样就使得模型构建装置可以快速得到准确度较高的三维模型。
如图2a所示,为本发明实施例中基于高分遥感影像的动态三维场景快速重建方法的另一个实施例示意图,可以包括:
201、获取待测区域的相关数据。
其中,该相关数据包括立体像对,和/或,激光雷达数据和高分辨率光学影像。
202、所述待测区域的数量为多个,在所述相关数据包括所述立体像对的情况下,根据多个待测区域的立体像对,得到多个正射影像。
可以理解的是,模型构建装置可以将多个待测区域中的每个待测区域的立体像对,分别通过有理多项式函数模型(Rational Function Model,RPM),确定每个待测区域的立体像对对应的位置和方向;该模型构建装置根据每个待测区域的立体像对对应的位置和方向,通过全局优化立体匹配算法或者半全局优化立体匹配算法,确定每个待测区域的正射影像。
其中,模型构建装置可以通过对有理多项式函数系数因子(Rational PolynomialCoefficients,RPC)进行求解,获得RPM的表达式,该RPM的表达式的准确度较高。模型构建装置对每个待测区域的立体像对使用RPM的表达式,来确定每个待测区域的立体像对对应的位置和方向。
具体的,模型构建装置将表达式中求解得到的像点坐标与地面坐标构成多项式映射关系,即将像点坐标(r,c)表示为相应地面点空间(x,y,z)坐标,从而使得该模型构建装置可以从地面坐标中确定待测区域的立体像对对应的位置和方向。这样一来,可以确保待测区域的位置坐标的确准度较高,也可以确保位置坐标所在的位置坐标系的方位向夹角的确准度较高。
需要说明的是,图像的立体像对匹配指的是模型构建装置根据同一场景的两幅图像(例如:立体像对),寻找同一场景点投影到图像中的像素之间的对应关系。模型构建装置在确定对应关系的过程中,基于不同的原理,可以将该过程分为基于像素点的匹配和基于区域的匹配。其中,基于像素点的匹配,在通常情况下,立体匹配算法是模型构建装置通过构建能量函数,获得立体像对中的某些全局性质,即全局能量最小化,但该立体匹配算法过程较为复杂,不易获得能量函数的全局最小化解。于是,模型构建装置会计算得到局部误差最小解。由于该局部误差最小解不能带来任何的全局性,导致最终得到的匹配效果较差,且准确度较低。因此,本发明实施例采用全局优化立体匹配算法或者半全局优化立体匹配算法,提高对立体像对进行匹配的准确度和效率,从而获得准确度较高的正射影像。
可选的,模型构建装置根据每个待测区域的立体像对对应的位置和方向,通过全局优化立体匹配算法或者半全局优化立体匹配算法,确定每个待测区域的正射影像,可以包括:模型构建装置根据每个待测区域的立体像对对应的位置和方向,通过全局优化立体匹配算法或者半全局优化立体匹配算法,得到每个待测区域的立体像对对应的土地利用类型和数字高程模型(Digital Elevation Model,DEM)数据;该模型构建装置根据土地利用类型和DEM数据,确定每个待测区域的正射影像。
其中,该土地利用类型可以包括但不限于:耕地、林地、草地、水域、城乡工矿居民地和未利用土地。
DEM数据指的是模型构建装置通过有限的区域地形高程数据实现对地面区域地形的数字化模拟,即实现区域地形表面形态的数字化表达。其中,DEM数据是零阶单纯的单项数字地貌模型,例如待测区域中区域地形对应的坡度、坡向及坡度变化率等地貌特性。特别的,该区域地形可以是土地利用类型。
可以理解的是,当待测区域仅包括建筑物时,模型构建装置在得到每个待测区域的立体像对对应的DEM数据之前,可以先将立体相对通过数学形态学等滤波方法,提取点云数据,该点云数据可以包括建筑物屋顶点云数据和地面点云数据;再使用区域增长法将得到的建筑物点云数据分割成独立的屋顶点云数据,就可以得到建筑物的边界轮廓线。这样得到的DEM数据上也会有点云数据,使得建筑物对应的DEM数据更为丰富。
可选的,模型构建装置根据多个待测区域的立体像对,得到多个正射影像,可以包括:模型构建装置根据多个待测区域的立体像对,得到多个第一影像;该模型构建装置对该多个第一影像进行预处理,得到多个正射影像。
其中,模型构建装置对该多个第一影像进行预处理,得到多个正射影像,可以包括但不限于以下实现方式:
实现方式1:模型构建装置对该多个第一影像进行遮挡检测和修复,得到多个正射影像。
其中,遮挡检测一般是摄像头被异物遮挡,呈现出整个待测区域或待测区域中某一部分区域看不到的情况。被遮挡住的待测区域一般都呈偏黑色。
遮挡修复过程一般是待测区域对该多个第一影像进行二值化,偏黑的部分为前景,其他部分为背景;对前景进行连通区域检测,求得最大连通区域面积,其中,该面积整幅图像面积的比较即为遮挡率。
实现方式2:模型构建装置对该多个第一影像进行匀光匀色,得到多个正射影像。
其中,匀光方法指的是模型构建装置调整多个第一影像的饱和度和过渡色,以使这多个第一影像的色调保持一致。
匀色方法指的是模型构建装置可以通过先采用全局色彩调整对这多个第一影像中较大的色彩亮度差异进行了改正,使得这多个第一影像中的整体色彩亮度值达到很好的统一,接着又采用局部色彩调整对这多个第一影像进行了局部的色彩改正,进一步消除了这多个第一影像的色彩差异。
实现方式3:模型构建装置对该多个第一影像进行阴影检测和补偿,得到多个正射影像。
其中,阴影检测方法可以包括基于直方图阈值法和密度分割方法。在直方图阈值法中,阴影区域与非阴影区域目标地物反射率差值最大,使得阴影区域具有较好的边缘性。该密度分割方法可以提高阴影区域的定位性。
阴影补偿可以对该多个第一影像中的各个像素点进行补偿校正,在一定程度上,可以解决最终得到的多个正射影像偏暗的问题。
实现方式4:模型构建装置对该多个第一影像进行自动镶嵌,得到多个正射影像。
其中,自动镶嵌可以包括几何位置的自动镶嵌和灰度(或色彩)的自动镶嵌。几何位置的自动镶嵌是指第一影像间对应物体几何位置的严格对应,无明显的错位现象;灰度的自动镶嵌是指位于不同第一影像上的同一物体镶嵌后不因两影像的灰度差异导致灰度产生突变现象。
可以理解的是,模型构建装置无论对多个第一影像进行遮挡检测和修复、匀光匀色、阴影检测和补偿,还是进行自动镶嵌,都是为了提高多个正射影像的清晰度,以便该模型构建装置的后续处理。
需要说明的是,上述实现方式1-实现方式4没有顺序限定。上述实现方式1-实现方式4也可以相互结合形成新的实现方式,该新的实现方式也都在本发明保护的范围内,此处不做具体赘述。
203、根据所述多个正射影像分别对应的特征,确定特征样本库。
其中,每个正射影像对应的特征可以包括但不限于:每个待测区域中的有向边、外立面和阴影。
样本特征库是多个正射影像分别对应的特征的集合。
可选的,模型构建装置根据该多个正射影像分别对应的特征,确定特征样本库,可以包括:模型构建装置根据该多个正射影像分别对应的特征,基于图像分割算法和先验知识,建立特征样本库。
其中,图像分割算法就是把正射影像分成若干个特定的、具有独特性质的特征并提出感兴趣目标特征的技术和过程。该图像分割算法是由图像处理到图像分析的关键步骤。现有的图像分割方法主要包括:基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。从数学角度来看,图像分割是将正射影像划分成互不相交的特征的过程;图像分割的过程也是一个标记过程,即把属于同一特征的像素赋予相同的编号。简单来说,模型构建装置可以基于图像分割算法将多个正射影像分别对应的相同或不同特征进行分类,建立特征样本库。
先验知识是先于经验的知识。这里的经验可以认为是在此以前所获得的经验总和,故也可以称为“先前知识”。模型构建装置可以基于先验知识将多个正射影像分别对应的特征进行分类,建立特征样本库。
可以理解的是,无论是图像分割算法,还是先验知识,都是用于将多个正射影像分别对应的特征进行分类,提高特征类别的准确度,以建立便于模型构建装置进行后续处理的样本库。
204根据所述特征样本库,进行模型训练,得到第一深度学习模型。
其中,该第一深度学习模型中包括不同待测区域分别对应的三维模型。
可以理解的是,模型构建装置可以根据特征样本库中不同的特征,进行模型训练,以获取准确度较高的第一深度学习模型,该第一深度学习模型中可以包括各种不同待测区域的三维模型。
示例性的,如图2b所示,为本发明实施例中基于高分遥感影像的动态三维场景快速重建方法的另一个实施例示意图。
在图2b中,卫星获取高分系列遥感图像数据源,并向模型构建装置发送;该模型构建装置根据该高分系列遥感图像数据源中,进行搜集数据融合,得到多源高分辨率遥感图像数据库,该多源高分辨率遥感图像数据库可以包括选定数据(例如:步骤201中的立体像对)、取样数据和日常增量样本数据;该模型构建装置根据该选定数据,得到各分辨率遥感数据(例如:待测区域中的有向边、外立面和阴影);该模型构建装置根据该各分辨率遥感数据,得到第一深度学习模型(也可以称作多源遥感数据深度学习模型)。
此外,该模型构建装置根据该取样数据,得到城市目标地物样本数据;该模型构建装置将该城市目标地物样本数据,进行模型训练,得到该第一深度学习模型;或者,该模型构建装置根据该日常增量样本数据,得到城市目标地物样本增量数据;该模型构建装置将该城市目标地物样本增量数据,进行模型增强训练,得到该第一深度学习模型。
可选的,在模型构建装置得到第一深度学习模型之后,该模型构建装置可以根据待测区域的立体像对,在该第一深度学习模型中,智能提取该待测区域对应的三位模型(也可以称作城市规划目标地物位置和类别)。
其中,选定数据可以是立体像对,该立体像对用于模型构建装置提取待测区域的原始数据源。其中,若待测区域只包括建筑物,则该立体像对用于模型构建装置提取建筑物信息的原始数据源。
取样数据可以是待测区域的局部区域取样,用于模型构建装置进行模型训练。
随着时间的增加,会增加更多其它的采样数据,这些更多其它的采样数据可以称作是日常增量样本数据,该日常增量样本数据也用于模型构建装置进行模型训练。
在本发明实施例中,获取待测区域的相关数据;所述待测区域的数量为多个,在所述相关数据包括所述立体像对的情况下,根据多个待测区域的立体像对,得到多个正射影像;根据所述多个正射影像分别对应的特征,确定特征样本库;根据所述特征样本库,进行模型训练,得到第一深度学习模型。这种三维模型构建方法可以有效避免人工提取特征的不合理性。此外,在模型训练的过程中,模型构建装置可以通过构建深层的神经网络模型,逐层地、由浅到深地挖掘立体像对中的隐含特征以及时序间依赖关系,得到更深层的表达能力和泛化能力,进而可以快速得到准确度较高的三维模型。
如图3所示,为本发明实施例中基于高分遥感影像的动态三维场景快速重建方法的另一个实施例示意图,可以包括:
301、获取待测区域的相关数据。
其中,该相关数据包括立体像对,和/或,激光雷达数据和高分辨率光学影像。
302、所述待测区域的数量为多个,在所述相关数据包括所述立体像对的情况下,根据多个待测区域的立体像对,得到多个正射影像。
303、根据所述多个正射影像分别对应的特征,确定特征样本库。
304根据所述特征样本库,进行模型训练,得到第一深度学习模型。
其中,该第一深度学习模型中包括不同待测区域分别对应的三维模型。
需要说明的是,步骤301-304与本实施例中图2所示的步骤201-204类似,此处不再赘述。
305、获取目标待测区域的立体像对。
可以理解的是,该目标待测区域的立体像对是通过卫星拍摄得到的。
306、根据所述目标待测区域的立体像对,得到所述目标待测区域的正射影像。
可选的,模型构建装置根据该目标待测区域的立体像对,得到该目标待测区域的正射影像,可以包括:模型构建装置根据该目标待测区域的立体像对,通过RPM,确定该目标待测区域的立体像对对应的位置和方向;该模型构建装置根据该位置和该方向,通过全局优化立体匹配算法或者半全局优化立体匹配算法,确定该目标待测区域的正射影像。
需要说明的是,对模型构建装置根据该目标待测区域的立体像对,得到该目标待测区域的正射影像的解释,与步骤202中对模型构建装置根据多个待测区域的立体像对,得到多个正射影像的解释类似,此处不做具体赘述。
307、提取所述目标待测区域的正射影像中的特征。
需要说明的是,目标待测区域的正射影像中的特征可以包括但不限于:该目标待测区域的正射影像中的有向边、外立面和阴影。
308、向所述第一深度学习模型中输入所述目标待测区域的正射影像中的特征,得到所述目标待测区域对应的第一目标三维模型。
可以理解的是,如果第一深度学习模型中含有目标待测区域对应的第一目标三维模型,那么,当模型构建装置将目标待测区域的正射影像中的特征向该第一深度学习模型中输入时,就会直接输出该目标待测区域对应的第一目标三维模型。
在本发明实施例中,模型构建装置不仅可以根据待测区域的立体像对,通过模型训练,得到第一深度学习模型,还可以将目标待测区域向该第一深度学习模型输入,得到该目标待测区域对应的第一目标三维模型。这样一来,使得模型构建装置得到的三维模型的准确度较高。
如图4a所示,为本发明实施例中基于高分遥感影像的动态三维场景快速重建方法的另一个实施例示意图,可以包括:
401、获取待测区域的相关数据。
其中,该相关数据包括立体像对,和/或,激光雷达数据和高分辨率光学影像。
402、所述待测区域的数量为多个,在所述相关数据包括所述激光雷达数据和所述高分辨率光学影像的情况下,分析所述激光雷达数据,得到多个待测区域的垂直分布信息。
可选的,模型构建装置分析该激光雷达数据,得到多个待测区域的垂直分布信息,可以包括:模型构建装置分析该激光雷达数据中的波形,得到至少一个波形特征参数;该模型构建装置根据该至少一个波形特征参数,得到每个波形特征参数对应的物体类别,该物体类别包括以下至少一项:建筑物、植被和裸地;该模型构建装置确定该多个待测区域中每个物体类别分别对应的垂直分布信息,该垂直分布信息包括垂直高度和该垂直高度的比例。
其中,建筑物的垂直高度还可以称作建筑高度分级。
可以理解的是,模型构建装置在得到每个待测区域都对应的波形之后,可以对每个波形进行预处理,即可以获取每个波形对应的信噪比和方差,再进行滤波,以削弱噪声,从而保留有用的波形,该有用的波形可以称作目标波形。然后,该模型构建装置基于建筑物回波模拟模型的波形分解算法,对该目标波形进行波形分析,得到至少一个波形特征参数,该至少一个波形特征参数可以包括:子波个数、波峰位置、波谷位置、波峰强度、波谷强度、波形起始位置和波形终止位置。
可选的,模型构建装置基于建筑物回波模拟模型的波形分解算法,对该目标波形进行波形分析,得到至少一个波形特征参数,可以包括:模型构建装置根据小波分解算法公式和高斯分解算法公式,对该目标波形进行波形分析,得到至少一个波形特征参数。
其中,该小波分解算法公式为ha,b(x)=|a|-1/2h[(x-b)/a];
x为目标波形的位置,h(x)为基本小波函数,ha,b(x)为伸缩和平移后得到的函数族,a为缩放比例,b为平移距离,其中,a和b是自然数,a≠0。
该高斯分解算法公式为Peaki。=[(chirpi>chirpi-1)∧∧∧(chirpi>chirpi-5)]∧[(chirpi>chirpi+1)∧∧∧(chirpi>chirpi+5)]。
其中,模型构建装置对位置进行等距分割,按顺序编号为0、1、2、3……。在第i个分割位置的信号能量值称为chirpi。模型构建装置为了检测目标波形的波峰位置,即Peaki的位置,会将chirpi与它前后相邻的5个信号能量值做比较。当chirpi>chirpi-1时,逻辑运算值为1。∧表示逻辑运算符“与”,也就是需要同时成立,逻辑运算值才为1。
示例性的,(chirpi>chirpi-1)∧(chirpi-1>chirpi-2)表示当hirpi>chirpi-1和chirpi-1>chirpi-2同时成立时,逻辑运算值为1,否则为0,1对应的位置即为目标波形的波峰位置。
需要说明的是,至少一个波形特征参数在一定程度上能够反映出待测区域在回波反射过程中的统计量,该统计量可以包括但不限于:波形长度、波形前缘和后缘长度。
其中,波形长度为第一个波峰与最后一个波峰之间的距离;波形前缘长度为波形分解之后的有效信号起始点与第一个回波波峰之间的距离;波形后缘长度为最后一个有效回波波峰到有效信号结束点的距离。
示例性的,如图4b所示,为本发明实施例中待测区域在回波反射过程中的统计量的一个实施例示意图。
需要说明的是,激光雷达数据中的波形可以由该激光雷达数据中的激光点得到。虽然该激光雷达数据的激光点非常稀疏,大约每2.5千米(km)一个激光点,但是该激光雷达数据可以根据这些激光点的光斑,提供待测区域的三维数据,该三维数据的准确度较高。特别的,当该待测区域仅包括建筑物时,该激光雷达数据可以根据这些激光点的光斑,为建筑物的建筑信息模型(Building Information Model,BIM)制图提供控制点信息以及提供该建筑物的真实样本数据(例如:建筑物的垂直高度和该垂直高度的比例)。
示例性的,如图4c所示,为本发明实施例中建筑物的回波反射的一个实施例示意图。
可以理解的是,由于目标波形在回波反射过程中,会受到传感器、大气以及地表特征(例如:建筑物)等因素的影响,所以,容易导致该目标波形的特征参数发生改变。但是,本发明中实施例中,模型构建装置基于建筑物回波模拟模型,可以分析得到传感器特性、地形、地表特征等因素对目标波形以及该目标波形对应的特征参数的影响规律,为激光雷达数据处理提供理论支撑,从而提高获取的目标波形对应的特性参数的准确度。
403、根据所述高分辨率光学影像,得到所述多个待测区域的水平分布信息。
可选的,模型构建装置根据该高分辨率光学影像,得到该多个待测区域的水平分布信息,可以包括:模型构建装置根据该高分辨率光学影像,通过非监督分类算法,得到该多个待测区域的土地利用类型;该模型构建装置确定每个土地利用类型分别对应的水平分布信息,该水平分布信息包括位置信息和水平面积。
可以理解的是,非监督分类算法是以不同影像地物在特征空间中类别特征的差别为依据的一种无先验(已知)类别标准的图像分类。该非监督分类算法是以集群为理论基础,通过计算机对图像进行集聚统计分析的方法。模型构建装置可以根据待分类样本特征参数的统计特征(即高分辨率光学影像中的特征),建立决策规则来进行分类,而不需事先知道类别特征,把各样本的空间分布按其相似性分割或合并成一群集,每一群集代表的地物类别,需经实地调查或与已知类型的地物加以比较,才能确定该高分辨率光学影像中的土地利用类型。
其中,非监督分类算法可以包括但不限于:迭代自组织数据分析技术(IterativeSelf-Organizing Data Analysis Technique,ISODATA)、主成分分析(PrincipalComponent Analysis,PCA)和集群分析(Clustering Analysis,CA)。
可以理解的是,ISODATA使用最小光谱距离方程产生聚类。ISODATA以随机的类中心或已知信号集中心ISODATA的实质是用某种算法生成初始类别作为“种子”依据某个判别规则进行自动迭代聚类的过程。在两次迭代的之间对上一次迭代的聚类结果进行统计分析,根据统计参数对已有类别进行取消、分裂、合并处理,并继续进行下一次迭代,直至超过最大迭代次数或者满足分类参数(阈值),完成分类过程。
PCA是一种统计方法。通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量,转换后的这组变量叫主成分。
CA可以根据高分辨率光学影像中的特征将对象分为不同的组。将一组对象分组为相似对象的过程称为聚类。群集是同一群集中彼此相似但与其他群集中的对象不相似的数据对象的集合。其中,一组数据对象可以视为一组。
可选的,模型构建装置确定每个土地利用类型分别对应的水平分布信息,可以包括:模型构建装置根据该每个土地利用类型,确定每个土地利用类型对应的建筑用地分类;该模型构建装置确定每个建筑用地分类分别对应的水平分布信息。
其中,建筑用地分类可以包括但不限于:从城乡工况居民地中提取的建筑占地。
可以理解的是,如果待测区域中有多个建筑物,以两个建筑物为例,这两个建筑物的高度是相同的,那么,这两个建筑物的回波也是相同的。这样模型构建装置就无法辨别这两个建筑物的准确的位置信息,此时,就需要结合这两个建筑物房顶的材料,来确定每个建筑物的位置信息。
示例性的,如图4d所示,为本发明实施例中建筑物房顶的光谱数据的一个实施例示意图。在图4d中有两个建筑物,分别为第一建筑物和第二建筑物。这两个建筑物的高度是相同的,且这两个建筑物的房顶采用的材料也是相同的。模型构建装置可以运用机器学习算法对比材料光谱数据与房顶样本光谱数据,再与不同的建筑物房顶进行匹配,以确定每个建筑物的位置信息。
404、根据所述垂直分布信息和所述水平分布信息,得到第二深度学习模型。
其中,该第二深度学习模型中包括不同待测区域分别对应的三维模型。
可以理解的是,模型构建装置将每个待测区域的垂直分布信息和水平分布信息,通过深度学习进行匹配验证,得到第二深度学习模型。
在本发明实施例中,获取待测区域的相关数据;所述待测区域的数量为多个,在所述相关数据包括所述激光雷达数据和所述高分辨率光学影像的情况下,分析所述激光雷达数据,得到多个待测区域的垂直分布信息;根据所述高分辨率光学影像,得到所述多个待测区域的水平分布信息;根据所述垂直分布信息和所述水平分布信息,得到第二深度学习模型。这种三维模型构建方法使得模型构建装置可以融合高分辨率光学影像得到的待测区域对应的水平分布信息以及激光雷达数据得到的待测区域对应的垂直分布信息,为后续构建第二深度学习模型,实现待测区域的三维可视化提供真实丰富的待测区域分布信息。
如图5所示,为本发明实施例中基于高分遥感影像的动态三维场景快速重建方法的另一个实施例示意图,可以包括:
501、获取待测区域的相关数据。
其中,该相关数据包括立体像对,和/或,激光雷达数据和高分辨率光学影像。
502、所述待测区域的数量为多个,在所述相关数据包括所述激光雷达数据和所述高分辨率光学影像的情况下,分析所述激光雷达数据,得到多个待测区域的垂直分布信息。
503、根据所述高分辨率光学影像,得到所述多个待测区域的水平分布信息。
504、根据所述垂直分布信息和所述水平分布信息,得到第二深度学习模型。
其中,该第二深度学习模型中包括不同待测区域分别对应的三维模型。
需要说明的是,步骤501-504与本实施例中图4所示的步骤401-404类似,此处不再赘述。
505、获取目标待测区域的激光雷达数据和高分辨率光学影像。
可以理解的是,该目标待测区域的激光雷达数据和高分辨率光学影像是通过卫星拍摄得到的。
506、分析所述目标待测区域的激光雷达数据,得到所述目标待测区域的垂直分布信息。
507、根据所述目标待测区域的高分辨率光学影像,得到所述目标待测区域的水平分布信息。
需要说明的是,步骤506-507与本实施例中图4所示的步骤402-403类似,此处不再赘述。
508、向所述第二深度学习模型中输入所述目标待测区域的垂直分布信息和所述目标待测区域的水平分布信息,得到所述目标待测区域对应的第二目标三维模型。
可以理解的是,如果第二深度学习模型中含有目标待测区域对应的第二目标三维模型,那么,当模型构建装置将目标待测区域的垂直分布信息和水平分布信息向该第二深度学习模型中输入时,就会直接输出该目标待测区域对应的第二目标三维模型。
在本发明实施例中,模型构建装置不仅可以根据待测区域的激光雷达数据和高分辨率光学影像,通过模型训练,得到第二深度学习模型,还可以将目标待测区域向该第二深度学习模型输入,得到该目标待测区域对应的第二目标三维模型。这样一来,使得模型构建装置得到的三维模型的准确度较高。
如图6所示,为本发明实施例中基于高分遥感影像的动态三维场景快速重建方法的另一个实施例示意图,可以包括:
601、获取待测区域的相关数据。
其中,该相关数据包括立体像对,和/或,激光雷达数据和高分辨率光学影像。
602、所述待测区域的数量为多个,在所述相关数据包括所述立体像对的情况下,根据多个待测区域的立体像对,得到多个正射影像。
603、根据所述多个正射影像分别对应的特征,确定特征样本库。
604根据所述特征样本库,进行模型训练,得到第一深度学习模型。
其中,该第一深度学习模型中包括不同待测区域分别对应的三维模型。
605、获取目标待测区域的立体像对。
606、根据所述目标待测区域的立体像对,得到所述目标待测区域的正射影像。
607、提取所述目标待测区域的正射影像中的特征。
608、向所述第一深度学习模型中输入所述目标待测区域的正射影像中的特征,得到所述目标待测区域对应的第一目标三维模型。
需要说明的是,步骤601-608与本实施例中图3所示的步骤301-308类似,此处不再赘述。
609、所述待测区域的数量为多个,在所述相关数据包括所述激光雷达数据和所述高分辨率光学影像的情况下,分析所述激光雷达数据,得到多个待测区域的垂直分布信息。
610、根据所述高分辨率光学影像,得到所述多个待测区域的水平分布信息。
611、根据所述垂直分布信息和所述水平分布信息,得到第二深度学习模型。
其中,该第二深度学习模型中包括不同待测区域分别对应的三维模型。
612、获取目标待测区域的激光雷达数据和高分辨率光学影像。
613、分析所述目标待测区域的激光雷达数据,得到所述目标待测区域的垂直分布信息。
614、根据所述目标待测区域的高分辨率光学影像,得到所述目标待测区域的水平分布信息。
615、向所述第二深度学习模型中输入所述目标待测区域的垂直分布信息和所述目标待测区域的水平分布信息,得到所述目标待测区域对应的第二目标三维模型。
需要说明的是,步骤609-615与本实施例中图5所示的步骤502-508类似,此处不再赘述。
616、将所述第一目标三维模型与所述第二目标三维模型进行匹配,得到匹配度。
617、在所述匹配度大于预设匹配度阈值的情况下,输出所述第一目标三维模型或所述第二目标三维模型。
可以理解的是,当第一目标三维模型与第二目标三维模型的匹配度较高时,说明第一深度学习模型和第二深度学习模型中的三维数据精度也比较高,从而可以输出三维数据精度较优的第一目标三维模型或第二目标三维模型。
需要说明的是,模型构建装置可以先实现步骤602-608,再实现步骤609-615;可以先实现步骤609-615,再实现步骤602-608;也可以同时实现步骤602-608和步骤609-615,此处不做具体限定。
在本发明实施例中,模型构建装置不仅可以根据待测区域的立体像对,通过模型训练,得到第一深度学习模型,还可以将目标待测区域向该第一深度学习模型输入,得到该目标待测区域对应的第一目标三维模型。此外,模型构建装置不仅可以根据待测区域的激光雷达数据和高分辨率光学影像,通过模型训练,得到第二深度学习模型,还可以将目标待测区域向该第二深度学习模型输入,得到该目标待测区域对应的第二目标三维模型。模型构建装置将第一目标三维模型和第二目标三维模型进行匹配,在匹配度较高的情况下,可以输出准确度较高的第一目标三维模型或第二目标三维模型。
如图7所示,为本发明实施例中模型构建装置的一个实施例示意图,可以包括:获取模块701和处理模块702;
获取模块701,用于获取待测区域的相关数据,该相关数据包括立体像对,和/或,激光雷达数据和高分辨率光学影像;
处理模块702,用于根据该待测区域的相关数据,进行模型训练,得到该待测区域的三维模型。
可选的,在本发明的一些实施例中,
处理模块702,具体用于该待测区域的数量为多个,在该相关数据包括该立体像对的情况下,根据多个待测区域的立体像对,得到多个正射影像;根据该多个正射影像分别对应的特征,确定特征样本库;根据该特征样本库,进行模型训练,得到第一深度学习模型,该第一深度学习模型中包括不同待测区域分别对应的三维模型。
可选的,在本发明的一些实施例中,
获取模块701,还用于获取目标待测区域的立体像对;
获取模块701,还用于根据该目标待测区域的立体像对,得到该目标待测区域的正射影像;提取该目标待测区域的正射影像中的特征;向该第一深度学习模型中输入该目标待测区域的正射影像中的特征,得到该目标待测区域对应的第一目标三维模型。
可选的,在本发明的一些实施例中,
获取模块701,具体用于根据该目标待测区域的立体像对,通过有理多项式函数模型RPM,确定该目标待测区域的立体像对对应的位置和方向;根据该位置和该方向,通过全局优化立体匹配算法或者半全局优化立体匹配算法,确定该目标待测区域的正射影像。
可选的,在本发明的一些实施例中,
获取模块701,具体用于该待测区域的数量为多个,在该相关数据包括该激光雷达数据和该高分辨率光学影像的情况下,分析该激光雷达数据,得到多个待测区域的垂直分布信息;根据该高分辨率光学影像,得到该多个待测区域的水平分布信息;根据该垂直分布信息和该水平分布信息,得到第二深度学习模型,该第二深度学习模型中包括不同待测区域分别对应的三维模型。
可选的,在本发明的一些实施例中,
获取模块701,具体用于分析该激光雷达数据中的波形,得到至少一个波形特征参数;根据该至少一个波形特征参数,得到每个波形特征参数对应的物体类别,该物体类别包括以下至少一项:建筑物、植被和裸地;确定该多个待测区域中每个物体类别分别对应的垂直分布信息,该垂直分布信息包括垂直高度和该垂直高度的比例。
可选的,在本发明的一些实施例中,
获取模块701,具体用于根据该高分辨率光学影像,通过非监督分类算法,得到该多个待测区域的土地利用类型;确定每个土地利用类型分别对应的水平分布信息,该水平分布信息包括位置信息和水平面积。
如图8所示,为本发明实施例中模型构建装置的另一个实施例示意图,可以包括:处理器801和存储器802,其中,处理器801与存储器802耦合,处理器801可以调用存储器802中存储的该可执行程序代码;
可选的,处理器801具有以下功能:
获取待测区域的相关数据,该相关数据包括立体像对,和/或,激光雷达数据和高分辨率光学影像;
根据该待测区域的相关数据,进行模型训练,得到该待测区域的三维模型。
可选的,处理器801还具有以下功能:
该待测区域的数量为多个,在该相关数据包括该立体像对的情况下,根据多个待测区域的立体像对,得到多个正射影像;根据该多个正射影像分别对应的特征,确定特征样本库;根据该特征样本库,进行模型训练,得到第一深度学习模型,该第一深度学习模型中包括不同待测区域分别对应的三维模型。
可选的,处理器801还具有以下功能:
获取目标待测区域的立体像对;根据该目标待测区域的立体像对,得到该目标待测区域的正射影像;提取该目标待测区域的正射影像中的特征;向该第一深度学习模型中输入该目标待测区域的正射影像中的特征,得到该目标待测区域对应的第一目标三维模型。
可选的,处理器801还具有以下功能:
根据该目标待测区域的立体像对,通过有理多项式函数模型RPM,确定该目标待测区域的立体像对对应的位置和方向;根据该位置和该方向,通过全局优化立体匹配算法或者半全局优化立体匹配算法,确定该目标待测区域的正射影像。
可选的,处理器801还具有以下功能:
该待测区域的数量为多个,在该相关数据包括该激光雷达数据和该高分辨率光学影像的情况下,分析该激光雷达数据,得到多个待测区域的垂直分布信息;根据该高分辨率光学影像,得到该多个待测区域的水平分布信息;根据该垂直分布信息和该水平分布信息,得到第二深度学习模型,该第二深度学习模型中包括不同待测区域分别对应的三维模型。
可选的,处理器801还具有以下功能:
分析该激光雷达数据中的波形,得到至少一个波形特征参数;根据该至少一个波形特征参数,得到每个波形特征参数对应的物体类别,该物体类别包括以下至少一项:建筑物、植被和裸地;确定该多个待测区域中每个物体类别分别对应的垂直分布信息,该垂直分布信息包括垂直高度和该垂直高度的比例。
可选的,处理器801还具有以下功能:
根据该高分辨率光学影像,通过非监督分类算法,得到该多个待测区域的土地利用类型;确定每个土地利用类型分别对应的水平分布信息,该水平分布信息包括位置信息和水平面积。
如图9所示,为本发明实施例中电子设备的一个实施例示意图,可以包括如图7或图8任一所述的模型构建装置。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元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,本发明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全部或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)执行本发明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(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上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精神和范围。
Claims (8)
1.一种基于高分遥感影像的动态三维场景快速重建方法,其特征在于,包括:
获取待测区域的相关数据,所述相关数据包括立体像对、激光雷达数据和高分辨率光学影像,所述立体像对是卫星拍摄得到的,所述待测区域的数量为多个;
根据多个待测区域的立体像对,得到多个正射影像;根据所述多个正射影像分别对应的特征,确定特征样本库;根据所述特征样本库,进行模型训练,得到第一深度学习模型,所述第一深度学习模型中包括不同待测区域分别对应的三维模型;
分析所述激光雷达数据,得到多个待测区域的垂直分布信息;根据所述高分辨率光学影像,得到所述多个待测区域的水平分布信息;根据所述垂直分布信息和所述水平分布信息,得到第二深度学习模型,所述第二深度学习模型中包括不同待测区域分别对应的三维模型。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取目标待测区域的立体像对;
根据所述目标待测区域的立体像对,得到所述目标待测区域的正射影像;
提取所述目标待测区域的正射影像中的特征;
向所述第一深度学习模型中输入所述目标待测区域的正射影像中的特征,得到所述目标待测区域对应的第一目标三维模型。
3.根据权利要求2所述的方法,其特征在于,所述根据所述目标待测区域的立体像对,得到所述目标待测区域的正射影像,包括:
根据所述目标待测区域的立体像对,通过有理多项式函数模型RPM,确定所述目标待测区域的立体像对对应的位置和方向;
根据所述位置和所述方向,通过全局优化立体匹配算法或者半全局优化立体匹配算法,确定所述目标待测区域的正射影像。
4.根据权利要求1所述的方法,其特征在于,所述分析所述激光雷达数据,得到多个待测区域的垂直分布信息,包括:
分析所述激光雷达数据中的波形,得到至少一个波形特征参数;
根据所述至少一个波形特征参数,得到每个波形特征参数对应的物体类别,所述物体类别包括以下至少一项:建筑物、植被和裸地;
确定所述多个待测区域中每个物体类别分别对应的垂直分布信息,所述垂直分布信息包括垂直高度和所述垂直高度的比例。
5.根据权利要求1所述的方法,其特征在于,所述根据所述高分辨率光学影像,得到所述多个待测区域的水平分布信息,包括:
根据所述高分辨率光学影像,通过非监督分类算法,得到所述多个待测区域的土地利用类型;
确定每个土地利用类型分别对应的水平分布信息,所述水平分布信息包括位置信息和水平面积。
6.一种模型构建装置,其特征在于,包括:
获取模块,用于获取待测区域的相关数据,所述相关数据包括立体像对、激光雷达数据和高分辨率光学影像,所述立体像对是卫星拍摄得到的,所述待测区域的数量为多个;
处理模块,用于根据多个待测区域的立体像对,得到多个正射影像;根据所述多个正射影像分别对应的特征,确定特征样本库;根据所述特征样本库,进行模型训练,得到第一深度学习模型,所述第一深度学习模型中包括不同待测区域分别对应的三维模型;还用于分析所述激光雷达数据,得到多个待测区域的垂直分布信息;根据所述高分辨率光学影像,得到所述多个待测区域的水平分布信息;根据所述垂直分布信息和该水平分布信息,得到第二深度学习模型,所述第二深度学习模型中包括不同待测区域分别对应的三维模型。
7.一种模型构建装置,其特征在于,包括:
存储有可执行程序代码的存储器;
以及所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,所述可执行程序代码被所述处理器执行时,使得所述处理器实现如权利要求1-5中任一所述的方法。
8.一种计算机可读存储介质,其上存储有可执行程序代码,其特征在于,所述可执行程序代码被处理器执行时,实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110836840.1A CN113724381B (zh) | 2021-07-23 | 2021-07-23 | 一种基于高分遥感影像的动态三维场景快速重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110836840.1A CN113724381B (zh) | 2021-07-23 | 2021-07-23 | 一种基于高分遥感影像的动态三维场景快速重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113724381A CN113724381A (zh) | 2021-11-30 |
CN113724381B true CN113724381B (zh) | 2022-06-28 |
Family
ID=78673864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110836840.1A Active CN113724381B (zh) | 2021-07-23 | 2021-07-23 | 一种基于高分遥感影像的动态三维场景快速重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113724381B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI801029B (zh) * | 2021-12-09 | 2023-05-01 | 財團法人國家實驗研究院 | 地理資訊動態顯示方法及地理資訊動態顯示系統 |
CN117975293B (zh) * | 2024-03-28 | 2024-06-04 | 四川汉盛源科技有限公司 | 多云雾地区水稻种植区域提取方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106991382A (zh) * | 2017-03-13 | 2017-07-28 | 南京信息工程大学 | 一种遥感场景分类方法 |
EP3223191A1 (en) * | 2016-03-23 | 2017-09-27 | Leica Geosystems AG | Creation of a 3d city model from oblique imaging and lidar data |
CN111008642A (zh) * | 2019-10-25 | 2020-04-14 | 湖北富瑞尔科技有限公司 | 基于卷积神经网络的高分辨率遥感影像分类方法及系统 |
CN111553303A (zh) * | 2020-05-07 | 2020-08-18 | 武汉大势智慧科技有限公司 | 基于卷积神经网络的遥感正射影像密集建筑物提取方法 |
-
2021
- 2021-07-23 CN CN202110836840.1A patent/CN113724381B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3223191A1 (en) * | 2016-03-23 | 2017-09-27 | Leica Geosystems AG | Creation of a 3d city model from oblique imaging and lidar data |
CN106991382A (zh) * | 2017-03-13 | 2017-07-28 | 南京信息工程大学 | 一种遥感场景分类方法 |
CN111008642A (zh) * | 2019-10-25 | 2020-04-14 | 湖北富瑞尔科技有限公司 | 基于卷积神经网络的高分辨率遥感影像分类方法及系统 |
CN111553303A (zh) * | 2020-05-07 | 2020-08-18 | 武汉大势智慧科技有限公司 | 基于卷积神经网络的遥感正射影像密集建筑物提取方法 |
Non-Patent Citations (3)
Title |
---|
一种高分辨率遥感影像建筑物自动检测方法;张通 等;《测绘地理信息》;20200430;第45卷(第2期);全文 * |
基于机载激光雷达和遥感影像融合的地物探测方法研究;武继广;《首都师范大学学报(自然科学版)》;20090830(第04期);第7-10页2-3部分 * |
激光测高卫星全波形数据的森林树高提取研究;崔成玲;《中国优秀硕士学位论文全文数据库 农业科技辑》;20170215(第2期);第13页2.1部分,第19-29页2.2-2.3部分,第49页4.3部分 * |
Also Published As
Publication number | Publication date |
---|---|
CN113724381A (zh) | 2021-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109146948B (zh) | 基于视觉的作物长势表型参数量化与产量相关性分析方法 | |
US8179393B2 (en) | Fusion of a 2D electro-optical image and 3D point cloud data for scene interpretation and registration performance assessment | |
CN111709981A (zh) | 特征线融合的激光点云与模拟图像的配准方法 | |
Wu et al. | 3D Tree reconstruction from simulated small footprint waveform lidar | |
CN110988909B (zh) | 基于tls进行高寒脆弱区沙地植被的植被盖度测定方法 | |
CN113724381B (zh) | 一种基于高分遥感影像的动态三维场景快速重建方法 | |
Zhang et al. | Extraction of tree crowns damaged by Dendrolimus tabulaeformis Tsai et Liu via spectral-spatial classification using UAV-based hyperspectral images | |
Su et al. | Estimation of the vertical leaf area profile of corn (Zea mays) plants using terrestrial laser scanning (TLS) | |
Su et al. | Extracting wood point cloud of individual trees based on geometric features | |
CN113569760B (zh) | 基于多模态深度学习的三维变化检测方法 | |
Bandyopadhyay et al. | Classification and extraction of trees and buildings from urban scenes using discrete return LiDAR and aerial color imagery | |
Risse et al. | Software to convert terrestrial LiDAR scans of natural environments into photorealistic meshes | |
Pascu et al. | Estimating forest stand structure attributes from terrestrial laser scans | |
CN112906719A (zh) | 基于消费级深度相机的立木因子测量方法 | |
Hao et al. | A hierarchical region-merging algorithm for 3-D segmentation of individual trees using UAV-LiDAR point clouds | |
Lei et al. | A novel algorithm of individual tree crowns segmentation considering three-dimensional canopy attributes using UAV oblique photos | |
Arslan et al. | A comparative study for obtaining effective Leaf Area Index from single Terrestrial Laser Scans by removal of wood material | |
Kim et al. | Tree and building detection in dense urban environments using automated processing of IKONOS image and LiDAR data | |
CN110580468B (zh) | 一种基于影像匹配点云的单木结构参数提取的方法 | |
Wang et al. | Cloud Removal With SAR-Optical Data Fusion Using a Unified Spatial-Spectral Residual Network | |
CN116994029A (zh) | 一种用于多源数据的融合分类方法及系统 | |
Lai et al. | Correcting for the clumping effect in leaf area index calculations using one-dimensional fractal dimension | |
Sun et al. | Individual tree segmentation and biomass estimation based on UAV Digital aerial photograph | |
Zhu et al. | Integrating extraction framework and methods of individual tree parameters based on close-range photogrammetry | |
Bennet | 2.1 AIRBORNE LASER SCANNING FOR ARCHAEOLOGICAL PROSPECTION |
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 |