CN114004848A - 一种多视角遥感地形影像点云重建方法 - Google Patents
一种多视角遥感地形影像点云重建方法 Download PDFInfo
- Publication number
- CN114004848A CN114004848A CN202111284541.8A CN202111284541A CN114004848A CN 114004848 A CN114004848 A CN 114004848A CN 202111284541 A CN202111284541 A CN 202111284541A CN 114004848 A CN114004848 A CN 114004848A
- Authority
- CN
- China
- Prior art keywords
- terrain
- point cloud
- image
- points
- extreme
- 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.)
- Withdrawn
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
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Processing (AREA)
Abstract
本发明涉及点云重建技术领域,具体涉及一种多视角遥感地形影像点云重建方法;S1、图像获取:多视角拍摄获取一组地形图像,并实例分割检测图像中的地形目标物,完成对地形目标物的分类、图像分割以及目标区域定位。本发明在构建地形三维模型过程中,首先对每个地形图像进行极值点检测和过滤,再将极值点中选取处特征点,使用多张地形图像进行特征点匹配,以降低特征点构建地形三维模型关键骨架的误差,极大地提升了地形建模的准确度,且后期修正地形模型时,只需从特征点合集中进行筛选剔除,也为后期修正地形模型时提供了一种详细的校准方法。
Description
技术领域
本发明涉及点云重建技术领域,具体涉及一种多视角遥感地形影像点云重建方法。
背景技术
在空间信息科学技术不断发展的过程中,遥感影像数据在各社会领域中被广泛使用。目前,我国低空域逐渐对民用开放,无人机遥感技术也在不断地发展,其使用具有较大的潜力,如何实现无人机数据量图像快速鲁棒全自动三维处理尤为重要。早特征点检测、鲁棒性估计算法、运动恢复结构重建算法等不断发展的过程中,基于图像的三维重建技术也在不断发展,从而使基于图像的自动三维重建技术被广泛使用。
中国专利申请号为CN 113345072 A公开了一种多视角遥感地形影像点云重建方法及系统,该方法包括:获取多个多视角遥感地形影像;对多视角遥感地形影像进行特征提取,获得影像特征;在设定的约束条件下,根据影像特征进行特征点匹配;对特征点对中两个特征点进行前方交会得到模型点;根据各模型点生成面元,各面元作为种子点,各种子点构成种子点集合;根据各种子点对应的面元进行扩散,得到密集面元;根据设定的过滤条件对多个密集面元进行过滤,得到过滤后的面元;用过滤后的面元更新种子点集合;返回步骤“根据各种子点对应的面元进行扩散,得到密集面元”,直到迭代次数达到预设次数,得到多视角遥感地形影像的三维点云;本发明提高了重建精度和效率。但本方案在实际应用时,是根据影像特征获得特征点对,利用特征点对中两个特征点进行前方交会得到模型点,再根据各模型点生成面元,将面元作为种子点,对种子点对应的面元进行扩散和过滤,得到多视角遥感地形影像的三维点云,其中,采集地形图像时,会产生数量巨大的特征点对,无法将特征点对集合中所有的无关特征点对剔除,再利用各个特征点对构建面元,未剔除的无关特征点对,将对其所在的单个面元造成数据误差,含有误差的面元经过扩散后,会在扩大误差数值,造成面元之间拼接的地形模型与实际出入较大,且修正过程繁琐。
综上所述,研发一种多视角遥感地形影像点云重建方法,仍是数字化仓储技术领域中急需解决的关键问题。
发明内容
针对现有技术所存在的上述缺点,本发明的目的在于提供一种多视角遥感地形影像点云重建方法,本发明在构建地形三维模型过程中,首先对每个地形图像进行极值点检测和过滤,再将极值点中选取处特征点,使用多张地形图像进行特征点匹配,以降低特征点构建地形三维模型关键骨架的误差,极大地提升了地形建模的准确度,且后期修正地形模型时,只需从特征点合集中进行筛选剔除,也为后期修正地形模型时提供了一种详细的校准方法。
为实现上述目的,本发明提供了如下技术方案:
一种多视角遥感地形影像点云重建方法,包括:
S1、图像获取:多视角拍摄获取一组地形图像,并实例分割检测图像中的地形目标物,完成对地形目标物的分类、图像分割以及目标区域定位;
S2、图像特征点检测:采集的所述地形图像,构建尺度空间、检测极值点、去除边缘效应点、确定关键点主方向并描述子区域;
S3、图像特征点匹配:将多个不同的所述地形图像中所提取的特征点进行对应匹配;
S4、地形三维重建:稀疏点云重建地形三维主体特征,在所述三维主体特征中稠密点云构建,以补充地形详细特征点,加入泊松表面构建地形三维模型中的连续表面。
本发明进一步设置为:在所述步骤S2中,图像特征点检测的方法为;
S20、构建尺度空间:利用高斯滤波器A(x,y,z)构建尺度空间;
S21、极值点检测:在高斯差分金字塔中寻找极值,并获取极值点坐标,确立多个极值点集合;
S22、去除边缘点:将所述步骤S11中获取的所述每个极值点集合中的多余点及边缘点去除;
S23、确立主方向:根据占比最大的所述极值点集合中极值点的疏密程度判断主方向,其中,极值点数量由梳至密的方向即为寻找的所述主方向;
S24、描述子区域:子区域旋转至于所述主方向相同,统计所述子区域中极值点在八个正方向上的数目。
本发明进一步设置为:在所述步骤S20中,构建尺度空间时所述的高斯滤波器A(x,y,z)公式为:
B(x,y,z)=A(x,y,z)*C(x,y);
其中,B(x,y,z)为一个设定的尺度空间;
A(x,y,z)为高斯率波核;
C(x,y)为原图像;
(x,y)为地形图像的像素坐标;
z为地形图像尺寸。
本发明进一步设置为:在所述步骤S3中,图像特征点匹配时,使用Ransac算法,并剔除无法匹配的特征点。
本发明进一步设置为:在所述步骤S4中,稀疏点云重建时,选择特征点匹配对数目最多的相邻两幅地形图像开始,通过两幅图像之间的匹配信息使用三角测量得到三维点云信息以构建空间中部分特征,并逐步添加其余地形图像以补充三维地形模型,获得初步点云模型。
本发明进一步设置为:在所述步骤S4中,稠密点云构建时,对所述初步点云模型进行多视角密集匹配,获得稠密点云模型。
本发明进一步设置为:在所述步骤S4中,加入泊松表面时,采用泊松表面重建方法,对所述稠密点云模型构建连续的地形三维表面,获得完整的地形三维模型。
本发明进一步设置为:所述多视角密集匹配过程中需依次按照稀疏点云重建的地形图像顺序。
有益效果
采用本发明提供的技术方案,与已知的公有技术相比,具有如下有益效果:
1.本发明利用无人机遥感在所需构建模型的地形上空进行多角度拍摄从而获得一组地形图像序列,将地形图像利用使用Mask R-CNN进行实例分割,获取地形图像中检测的目标物,并完成对目标物的分类、图像分割以及目标区域定位,在对实例分割后的目标进行构建尺度空间、检测极值点、去除边缘效应点、确定关键点主方向并描述子区域,去除极值点合集中的无关极值点后,获取极值点合集中的特征点,并进行多组地形图像中的特征点匹配,将无关特征点剔除,以提升各个特征点的真实性,接着利用匹配完成的特征点稀疏点云重建地形三维模型的部分特征,及关键骨架,再将其余的特征点通过稠密点云构建详细的地形三维模型的骨架部分,最后在通过泊松表面重建骨架部分中的地形表面,以得到表面连续且精确的三维地形模型。
2.本发明在构建地形三维模型过程中,首先对每个地形图像进行极值点检测和过滤,再将极值点中选取处特征点,使用多张地形图像进行特征点匹配,以降低特征点构建地形三维模型关键骨架的误差,极大地提升了地形建模的准确度,且后期修正地形模型时,只需从特征点合集中进行筛选剔除,也为后期修正地形模型时提供了一种详细的校准方法。
附图说明
图1为一种多视角遥感地形影像点云重建方法的架构示意图。
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。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。
下面结合实施例对本发明作进一步的描述。
实施例1
请参照图1所示,一种多视角遥感地形影像点云重建方法,包括:
步骤一、图像获取:多视角拍摄获取一组地形图像,并实例分割检测图像中的地形目标物,完成对地形目标物的分类、图像分割以及目标区域定位。
步骤二、图像特征点检测:采集的所述地形图像,构建尺度空间、检测极值点、去除边缘效应点、确定关键点主方向并描述子区域;
20)构建尺度空间:利用高斯滤波器A(x,y,z)构建尺度空间;
其中,构建尺度空间时所述的高斯滤波器A(x,y,z)公式为:
B(x,y,z)=A(x,y,z)*C(x,y);
其中,B(x,y,z)为一个设定的尺度空间;
A(x,y,z)为高斯率波核;
C(x,y)为原图像;
(x,y)为地形图像的像素坐标;
21)z为地形图像尺寸;
21)极值点检测:在高斯差分金字塔中寻找极值,并获取极值点坐标,确立多个极值点集合;
22)去除边缘点:将所述步骤S11中获取的所述每个极值点集合中的多余点及边缘点去除;
23)确立主方向:根据占比最大的所述极值点集合中极值点的疏密程度判断主方向,其中,极值点数量由梳至密的方向即为寻找的所述主方向;
24)描述子区域:子区域旋转至于所述主方向相同,统计所述子区域中极值点在八个正方向上的数目。
步骤三、图像特征点匹配:将多个不同的所述地形图像中所提取的特征点进行对应匹配,使用Ransac算法,并剔除无法匹配的特征点。
步骤四、地形三维重建:稀疏点云重建地形三维主体特征,在所述三维主体特征中稠密点云构建,以补充地形详细特征点,加入泊松表面构建地形三维模型中的连续表面;
稀疏点云重建时,选择特征点匹配对数目最多的相邻两幅地形图像开始,通过两幅图像之间的匹配信息使用三角测量得到三维点云信息以构建空间中部分特征,并逐步添加其余地形图像以补充三维地形模型,获得初步点云模型,稠密点云构建时,依次按照稀疏点云重建的地形图像顺序对所述初步点云模型进行多视角密集匹配,获得稠密点云模型,加入泊松表面时,采用泊松表面重建方法,对所述稠密点云模型构建连续的地形三维表面,获得完整的地形三维模型。
在本实施例中,利用无人机遥感在所需构建模型的地形上空进行多角度拍摄从而获得一组地形图像序列,将地形图像利用使用Mask R-CNN进行实例分割,获取地形图像中检测的目标物,并完成对目标物的分类、图像分割以及目标区域定位,在对实例分割后的目标进行构建尺度空间、检测极值点、去除边缘效应点、确定关键点主方向并描述子区域,去除极值点合集中的无关极值点后,获取极值点合集中的特征点,并进行多组地形图像中的特征点匹配,将无关特征点剔除,以提升各个特征点的真实性,接着利用匹配完成的特征点稀疏点云重建地形三维模型的部分特征,及关键骨架,再将其余的极值点通过稠密点云构建详细的地形三维模型的骨架部分,最后在通过泊松表面重建骨架部分中的地形表面,以得到表面连续且精确的三维地形模型。
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,并不会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)
1.一种多视角遥感地形影像点云重建方法,其特征在于,包括:
S1、图像获取:多视角拍摄获取一组地形图像,并实例分割检测图像中的地形目标物,完成对地形目标物的分类、图像分割以及目标区域定位;
S2、图像特征点检测:采集的所述地形图像,构建尺度空间、检测极值点、去除边缘效应点、确定关键点主方向并描述子区域;
S3、图像特征点匹配:将多个不同的所述地形图像中所提取的特征点进行对应匹配;
S4、地形三维重建:稀疏点云重建地形三维主体特征,在所述三维主体特征中稠密点云构建,以补充地形详细特征点,加入泊松表面构建地形三维模型中的连续表面。
2.根据权利要求1所述的多视角遥感地形影像点云重建方法,其特征在于,在所述步骤S2中,图像特征点检测的方法为;
S20、构建尺度空间:利用高斯滤波器A(x,y,z)构建尺度空间;
S21、极值点检测:在高斯差分金字塔中寻找极值,并获取极值点坐标,确立多个极值点集合;
S22、去除边缘点:将所述步骤S11中获取的所述每个极值点集合中的多余点及边缘点去除;
S23、确立主方向:根据占比最大的所述极值点集合中极值点的疏密程度判断主方向,其中,极值点数量由梳至密的方向即为寻找的所述主方向;
S24、描述子区域:子区域旋转至于所述主方向相同,统计所述子区域中极值点在八个正方向上的数目。
4.根据权利要求1所述的多视角遥感地形影像点云重建方法,其特征在于,在所述步骤S3中,图像特征点匹配时,使用Ransac算法,并剔除无法匹配的特征点。
5.根据权利要求1所述的多视角遥感地形影像点云重建方法,其特征在于,在所述步骤S4中,稀疏点云重建时,选择特征点匹配对数目最多的相邻两幅地形图像开始,通过两幅图像之间的匹配信息使用三角测量得到三维点云信息以构建空间中部分特征,并逐步添加其余地形图像以补充三维地形模型,获得初步点云模型。
6.根据权利要求5所述的多视角遥感地形影像点云重建方法,其特征在于,在所述步骤S4中,稠密点云构建时,对所述初步点云模型进行多视角密集匹配,获得稠密点云模型。
7.根据权利要求6所述的多视角遥感地形影像点云重建方法,其特征在于,在所述步骤S4中,加入泊松表面时,采用泊松表面重建方法,对所述稠密点云模型构建连续的地形三维表面,获得完整的地形三维模型。
8.根据权利要求6所述的多视角遥感地形影像点云重建方法,其特征在于,所述多视角密集匹配过程中需依次按照稀疏点云重建的地形图像顺序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111284541.8A CN114004848A (zh) | 2021-11-01 | 2021-11-01 | 一种多视角遥感地形影像点云重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111284541.8A CN114004848A (zh) | 2021-11-01 | 2021-11-01 | 一种多视角遥感地形影像点云重建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114004848A true CN114004848A (zh) | 2022-02-01 |
Family
ID=79926389
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111284541.8A Withdrawn CN114004848A (zh) | 2021-11-01 | 2021-11-01 | 一种多视角遥感地形影像点云重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114004848A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116503627A (zh) * | 2023-06-25 | 2023-07-28 | 贵州省交通科学研究院股份有限公司 | 基于多源数据的遥感管理系统及方法 |
-
2021
- 2021-11-01 CN CN202111284541.8A patent/CN114004848A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116503627A (zh) * | 2023-06-25 | 2023-07-28 | 贵州省交通科学研究院股份有限公司 | 基于多源数据的遥感管理系统及方法 |
CN116503627B (zh) * | 2023-06-25 | 2023-09-26 | 贵州省交通科学研究院股份有限公司 | 基于多源数据的模型构建系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111815757B (zh) | 基于图像序列的大型构件三维重建方法 | |
CN111028277B (zh) | 基于伪孪生卷积神经网络的sar和光学遥感图像配准方法 | |
CN108734728A (zh) | 一种基于高分辨序列图像的空间目标三维重构方法 | |
CN110135455A (zh) | 影像匹配方法、装置及计算机可读存储介质 | |
CN108921939A (zh) | 一种基于图片的三维场景重建方法 | |
CN110197505B (zh) | 基于深度网络及语义信息的遥感图像双目立体匹配方法 | |
McKinnon et al. | Towards automated and in-situ, near-real time 3-D reconstruction of coral reef environments | |
CN112254656B (zh) | 一种基于结构表面点特征的立体视觉三维位移测量方法 | |
CN114332348B (zh) | 一种融合激光雷达与图像数据的轨道三维重建方法 | |
Yang et al. | Non-parametric depth distribution modelling based depth inference for multi-view stereo | |
CN113838005B (zh) | 基于维度转换的岩体裂隙智能识别与三维重构方法及系统 | |
CN113838191A (zh) | 一种基于注意力机制和单目多视角的三维重建方法 | |
CN110533774B (zh) | 一种基于智能手机的三维模型重建方法 | |
CN109215118B (zh) | 一种基于图像序列的增量式运动结构恢复优化方法 | |
CN106980843A (zh) | 目标跟踪的方法及装置 | |
CN113673400A (zh) | 基于深度学习的实景三维语义重建方法、装置及存储介质 | |
CN112630469A (zh) | 一种基于结构光和多光场相机的三维检测方法 | |
CN114004848A (zh) | 一种多视角遥感地形影像点云重建方法 | |
CN117115359B (zh) | 一种基于深度图融合的多视图电网三维空间数据重建方法 | |
CN116935013B (zh) | 基于三维重建的电路板点云大范围拼接方法及系统 | |
CN113345072A (zh) | 一种多视角遥感地形影像点云重建方法及系统 | |
CN116452757B (zh) | 一种复杂场景下的人体表面重建方法和系统 | |
CN111696167A (zh) | 自范例学习引导的单张影像超分辨率重构方法 | |
CN107194334B (zh) | 基于光流模型的视频卫星影像密集匹配方法及系统 | |
CN116704123A (zh) | 一种结合图像主体提取技术的三维重建方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220201 |
|
WW01 | Invention patent application withdrawn after publication |