CN114066910A - 一种无人机摄影测量的模型有效区域自动提取方法和系统 - Google Patents
一种无人机摄影测量的模型有效区域自动提取方法和系统 Download PDFInfo
- Publication number
- CN114066910A CN114066910A CN202111363295.5A CN202111363295A CN114066910A CN 114066910 A CN114066910 A CN 114066910A CN 202111363295 A CN202111363295 A CN 202111363295A CN 114066910 A CN114066910 A CN 114066910A
- Authority
- CN
- China
- Prior art keywords
- area
- unmanned aerial
- aerial vehicle
- model
- effective
- 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.)
- Pending
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
- G06F18/23—Clustering techniques
-
- 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
- G06T17/005—Tree description, e.g. octree, quadtree
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及无人机技术领域,具体涉及一种无人机摄影测量的模型有效区域自动提取方法和系统。该方法包括:获取无人机影像的位姿信息和物方高程信息,构建实验区的最大外接矩形;提取要素作为约束,对所述实验区的最大外接矩形进行区域分割和空间索引构建;根据空间索引查找无人机影像的覆盖区域,计算无人机摄影测量模型有效区域的影响因素;根据所述影响因素提取最终的多要素约束的模型有效区域。本发明通过分析与计算无人机摄影测量模型有效区域的影响因素,从而构建多要素约束的有效区域提取模型,自动进行无人机摄影测量的模型有效区域提取,优化三维重建过程的模型区域,改变以往生成模型后再人工裁剪模型有效区域的策略,提升重建效率。
Description
技术领域
本发明涉及无人机技术领域,涉及无人机摄影测量三维模型重建相关的技术,特别是涉及一种无人机摄影测量的模型有效区域自动提取方法和系统。
背景技术
随着无人机(UAV)技术快速发展,无人机已成为一种高效、便捷的遥感数据获取平台。无人机摄影测量通过无人机飞行平台搭载单个或多个传感器,获取多个角度的实验区地物影像,利用多视影像的三维建模算法,重建实验区的三维模型,在实景三维建设、灾害应急和文物保护等领域得到广泛应用。
为了保证重建模型的完整性,外业采集的影像数据集通常包含大量的冗余信息,冗余信息主要来源如下:1)航线规划会在实验区边界基础上进行外扩从而保证边界的完整性,外扩影像在覆盖边界的同时会包含大量实验区边界外部的冗余信息;2)为了获得地物侧面的纹理信息,数据集中一般包含大量倾斜影像。倾斜影像覆盖面积大,会同时包含实验区内部地物和大量实验区边界外部的地物信息;3)为了提升采集效率,常采用多镜头相机(例如五镜头相机)进行数据采集,由于各相机镜头的不同朝向,在实验区边界周围区域部分相机朝向实验区外部,所拍摄影像也为实验区外部的无效影像。冗余信息导致影像集覆盖区域包含大量实验区外部的非均匀分布的小重叠度区域,因此重建模型会出现大量实验区外部的碎片化、不完整的无效模型区域。
针对上述情况,现有方法主要通过将影像集覆盖的所有区域进行整体重建,然后手动对重建结果进行裁剪得到三维模型的有效区域。重建模型的大量无效区域一方面降低生产效率,另一方面影响模型的美观。因此,需要一种无人机摄影测量的模型有效区域提取方法和系统,优化重建结果,提升三维重建效率。
发明内容
为了解决无人机影像集包含的冗余信息多,从而导致重建模型出现大量实验区外部的无效区域问题,本发明构建了一种无人机摄影测量的模型有效区域自动提取方法和系统,提升三维重建效率。
本发明采用以下技术方案实现:
一种无人机摄影测量的模型有效区域自动提取方法,包括以下步骤:
获取无人机影像的位姿信息和物方高程信息,构建实验区的最大外接矩形;
提取要素作为约束,对所述实验区的最大外接矩形进行区域分割和空间索引构建;
根据空间索引查找无人机影像的覆盖区域,计算无人机摄影测量模型有效区域的影响因素;
根据所述影响因素提取最终的多要素约束的模型有效区域。
作为本发明的进一步方案,所述构建实验区的最大外接矩形的方法为:
获取已知的空中三角测量连接点信息,并输入无人机影像的位姿信息;
设置连接点P={p1,p2,…,pn},查找连接点pi={xi,yi,zi}的位置信息;
根据连接点在X、Y轴上的最大值xmax、ymax和最小值xmin、ymin,构建实验区的最大外接矩形RMBR。
进一步的,所述位姿信息包括由空中三角测量连接点信息得到的影像位姿、飞行控制数据中的位置和姿态信息。
进一步的,所述构建实验区的最大外接矩形的方法还包括:使用影像地面投影多边形构建最大外接矩形RMBR。
进一步的,若已知的实验区粗略边界,通过粗略边界生成最大外接矩形。
作为本发明的进一步方案,对所述实验区的最大外接矩形进行区域分割时,包括:
对实验区的物方高程信息进行聚类分析,聚类个数k;
定义实验区的高度H={h1,h2,…,hk},hk为每一类别的高程平均值;
定义实验区的初始地面高度ZG=h1,根据影像传感器尺寸和焦距f,以及根据相似三角形原求出影像集I={i1,i2,…,im}在垂直条件下的投影四边形面积,并求出影像垂直投影面积的平均值S;
利用最小分割面积Smin和最少连接点Nmin要素作为约束对实验区最大外接矩形RMBR进行区域分割和空间索引构建。
进一步的,所述空间索引包括网格空间索引、二叉树索引以及四叉树索引。
进一步的,当分割节点的矩形面积或连接点数量小于阈值时,则停止对所述节点的分割,将满足约束的所述节点设为空间索引的叶子节点,分割后实验区最大外接矩形RMBR={R1,R2,…,Rn}。
作为本发明的进一步方案,计算无人机摄影测量模型有效区域的影响因素的方法为:
根据所述空间索引查找无人机影像投影四边形的覆盖区域;
计算覆盖区域叶子节点矩形和投影四边形的相交面积与矩形面积之比,并设为该节点重叠度;
依次计算每张影像的重叠度覆盖,并统计每个叶子节点的影响因素。
进一步的,所述影响因素包括矩形重叠度之和Oi、叶子节点矩形面积Ai以及连接点数量Ti在内的影响因素。
进一步的,所述无人机影像投影四边形的构建方法为:根据影像ii的位姿信息和初始高度h1,利用共线方程求出影像角点的物方空间投影,利用四个角点构建影像的物方投影四边形Qi。
作为本发明的进一步方案,所述提取最终的多要素约束的模型有效区域的方法包括:
根据每个叶子节点的影响因素对模型有效区域的影响,构造重要性函数Wi;
根据构造的所述重要性函数Wi提取有效矩形,求得有效矩形的并集U;
对多边形U进行区域拟合,提取最终的模型有效区域。
本发明还包括一种无人机摄影测量的模型有效区域自动提取系统,所述无人机摄影测量的模型有效区域自动提取系统采用前述无人机摄影测量的模型有效区域自动提取方法无人机摄影测量的模型有效区域提取,优化三维重建过程的模型区域;所述无人机摄影测量的模型有效区域自动提取系统包括最大外接矩形构建模块、矩形分割模块、影响因素计算模块以及有效区域提取模块。
所述最大外接矩形构建模块,用于获取无人机影像的位姿信息和物方高程信息,构建实验区的最大外接矩形;
所述矩形分割模块,用于多约束的对实验区最大外接矩形进行区域分割和空间索引构建;
所述影响因素计算模块,用于根据空间索引查找无人机影像的覆盖区域,计算无人机摄影测量模型有效区域的影响因素;以及
所述有效区域提取模块,用于根据所述影响因素提取最终的多要素约束的模型有效区域。
本发明还包括一种计算机设备,包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行所述的无人机摄影测量的模型有效区域自动提取方法。
本发明还包括一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行所述的无人机摄影测量的模型有效区域自动提取方法。
本发明提供的技术方案,具有如下有益效果:
1、本发明提供的无人机摄影测量的模型有效区域自动提取方法利用影像位姿和物方高程信息,可在三维重建的起始或中间过程提取无人机摄影测量模型的有效区域,避免无效区域的重建,提升重建效率和模型美观性。
2、本发明提供的无人机摄影测量的模型有效区域自动提取方法利用影像位姿和物方高程信息,即可提取无人机摄影测量的模型有效区域,能够及时发现数据获取是否充足,若部分目的区域不满足重建条件可进行现场补拍。
3、本发明提供的无人机摄影测量的模型有效区域提取方法适用于多平台多传感器所获取的影像集,能够自适应地形和地物高度,保证提取结果的正确性和稳定性。
本发明的这些方面或其他方面在以下实施例的描述中会更加简明易懂。应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
为了更清楚地说明本发明实施例或相关技术中的技术方案,下面将对示例性实施例或相关技术描述中所需要使用的附图作一简单地介绍,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为本发明的一种无人机摄影测量的模型有效区域自动提取方法的流程图。
图2为本发明的一种无人机摄影测量的模型有效区域自动提取方法中最大外接矩形构建的流程图。
图3为本发明的一种无人机摄影测量的模型有效区域自动提取方法中最大外接矩形进行区域分割的流程图。
图4为本发明的一种无人机摄影测量的模型有效区域自动提取方法中最大外接矩形分割的示意图。
图5为本发明的一种无人机摄影测量的模型有效区域自动提取方法中计算有效区域影响因素的流程图。
图6为本发明的一种无人机摄影测量的模型有效区域自动提取方法中叠度 Oi的可视化展示的示意图。
图7为本发明的一种无人机摄影测量的模型有效区域自动提取方法中连接点数量Ti的可视化展示的示意图。
图8为本发明的一种无人机摄影测量的模型有效区域自动提取方法中提取最终的多要素约束的模型有效区域的流程图。
图9为本发明的一种无人机摄影测量的模型有效区域自动提取方法中模型区域提取的示意图。
图10为本发明的一个实施例中无人机摄影测量的模型有效区域自动提取系统的系统框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如101、102等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
下面将结合本发明示例性实施例中的附图,对本发明示例性实施例中的技术方案进行清楚、完整地描述,显然,所描述的示例性实施例仅仅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。
本发明提供的一种无人机摄影测量的模型有效区域自动提取方法和系统,通过分析与计算无人机摄影测量模型有效区域的影响因素,从而构建多要素约束的有效区域提取模型,自动进行无人机摄影测量的模型有效区域提取,优化三维重建过程的模型区域,改变以往生成模型后再人工裁剪模型有效区域的策略,提升重建效率。本发明可以解决无人机影像集包含的冗余信息多,从而导致重建模型出现大量实验区外部的无效区域的问题,提升三维重建效率。
下面结合具体实施例对本发明的技术方案作进一步的说明:
参阅图1所示,图1为本发明提供的一种无人机摄影测量的模型有效区域自动提取方法的流程图。本发明的一个实施例提供了一种无人机摄影测量的模型有效区域自动提取方法,包括以下步骤:
S1:获取无人机影像的位姿信息和物方高程信息,构建实验区的最大外接矩形。
需要特别说明的是,本实施例中,参见图2所示,所述实验区的最大外接矩形的构建方法为:
S101、获取已知的空中三角测量连接点信息,并输入无人机影像的位姿信息;
S102、设置连接点P={p1,p2,…,pn},查找连接点pi={xi,yi,zi}的位置信息;
S103、根据连接点在X、Y轴上的最大值xmax、ymax和最小值xmin、ymin,构建实验区的最大外接矩形RMBR。
在本实施例中,所述位姿信息包括由空中三角测量连接点信息得到的影像位姿、飞行控制数据中的位置和姿态信息。
在实验区最大外接矩形提取时,所述构建实验区的最大外接矩形的方法还包括:使用影像地面投影多边形构建最大外接矩形RMBR。若已知的实验区粗略边界,通过粗略边界生成最大外接矩形。
上述的根据实验区的影像位置姿态或者地面连接点等物方空间位置信息,生成实验区的最大外接矩形RMBR时。本实施例为已知空中三角测量连接点信息,仅仅是本发明的一部分实施例,可增加实施例中不包含的其他模型有效区域影响要素信息或删除实施例中已有的模型有效区域影响要素信息。因此,实验区最大外接矩形提取时,其过程为:输入无人机影像的位姿信息(包括空三得到的影像位姿、飞控数据中的位置和姿态信息等),连接点P={p1,p2,…,pn},查找连接点pi={xi,yi,zi}在X、Y轴的最大值xmax、ymax和最小值xmin、ymin,然后构建实验区的最大外接矩形RMBR;或使用影像地面投影多边形构建最大外接矩形RMBR;若已知的实验区粗略边界,可通过粗略边界生成最大外接矩形。
S2:提取要素作为约束,对所述实验区的最大外接矩形进行区域分割和空间索引构建。
需要特别说明的是,参见图3所示,对所述实验区的最大外接矩形进行区域分割时,包括:
S201、对实验区的物方高程信息进行聚类分析,聚类个数k;
S202、定义实验区的高度H={h1,h2,…,hk},hk为每一类别的高程平均值;
S203、定义实验区的初始地面高度ZG=h1,根据影像传感器尺寸和焦距f,以及根据相似三角形原求出影像集I={i1,i2,…,im}在垂直条件下的投影四边形面积,并求出影像垂直投影面积的平均值S;
S205、利用最小分割面积Smin和最少连接点Nmin要素作为约束对实验区最大外接矩形RMBR进行区域分割和空间索引构建。
在本实施例中,所述空间索引包括但不局限于网格空间索引、二叉树索引以及四叉树索引。
当分割节点的矩形面积或连接点数量小于阈值时,则停止对所述节点的分割,将满足约束的所述节点设为空间索引的叶子节点,分割后实验区最大外接矩形RMBR={R1,R2,…,Rn}。
因此,在多约束的实验区矩形分割和索引构建时,过程为:首先利用影像的位姿信息和物方高程信息计算无人机影像的投影面积,然后根据计算结果设置最小分割面积Smin,若已知实验区连接点信息可设置最少连接点数量Nmin,其他要素同理;最后将上述阈值作为约束对实验区最大外接矩形RMBR进行区域分割和空间索引构建,并将满足约束的节点设为空间索引的叶子节点。
对实验区的物方高程信息进行聚类分析,聚类个数k,然后令实验区的高度H={h1,h2,…,hk},hi为每一类别的高程平均值。令实验区的初始地面高度 ZG=h1,根据影像传感器尺寸和焦距f,根据相似三角形原求出影像集I= {i1,i2,…,im}在垂直条件下的投影四边形面积,并求出影像垂直投影面积的平均值S。定义最小分割面积或者根据实验区特性设定Smin。
利用最小分割面积Smin和最少连接点Nmin等其他要素作为约束对实验区最大外接矩形RMBR进行区域分割和空间索引构建(包含网格空间索引、二叉树索引、四叉树索引等)。当分割节点的矩形面积或连接点数量小于阈值时,则停止对该节点的分割,将该节点设为叶子节点,分割后实验区最大外接矩形 RMBR={R1,R2,…,Rn},分割示例如图4所示,颜色越深,数值越大。
S3:根据空间索引查找无人机影像的覆盖区域,计算无人机摄影测量模型有效区域的影响因素。
需要特别说明的是,在对无人机摄影测量模型有效区域的影响因素提取时,首先根据空间索引查找无人机影像投影四边形的覆盖区域,然后计算覆盖区域叶子节点矩形和投影四边形的相交面积与矩形面积之比,并设为该节点重叠度。接下来依次计算每张影像的重叠度覆盖。最后统计每个叶子节点的矩形重叠度之和Oi、叶子节点矩形面积Ai、连接点数量Ti等其他影响因素。
本实施例中,参见图5所示,计算无人机摄影测量模型有效区域的影响因素的方法为:
S301、根据所述空间索引查找无人机影像投影四边形的覆盖区域;
S302、计算覆盖区域叶子节点矩形和投影四边形的相交面积与矩形面积之比,并设为该节点重叠度;
S303、依次计算每张影像的重叠度覆盖,并统计每个叶子节点的影响因素。
在本实施例中,所述影响因素包括矩形重叠度之和Oi、叶子节点矩形面积Ai 以及连接点数量Ti在内的影响因素。所述无人机影像投影四边形的构建方法为:根据影像ii的位姿信息和初始高度h1,利用共线方程求出影像角点的物方空间投影,利用四个角点构建影像的物方投影四边形Qi。
在实验区模型有效区域的影响因素计算时,根据影像ii的位姿信息和初始高度h1,利用共线方程求出影像角点的物方空间投影,利用四个角点构建影像的物方投影四边形Qi。
根据空间索引,依次查找与投影四边形Qi相交的叶子节点矩形Ri,并查找与该叶子节点平均高度最近的实验区高度hi,若高度hi不等于h1,则利用hi重新计算投影四边形Qi(进一步地,若实验区地形较为平坦,即高度聚类后只有高度h1,则无需查找最近高度hi);
根据计算几何理论,继而计算叶子节点矩形Ri和投影四边形Qi的相交面积和矩形Ri的面积Ai之比作为重叠度。依次计算每张影像的重叠度覆盖,并统计每个叶子节点的矩形重叠度之和Oi。同时,统计每个叶子节点矩形面积Ai,连接点数量Ti等其他相关要素,对Oi和Ti进行可视化展示,如图6和图7所示,颜色越深,数值越大。
S4:根据所述影响因素提取最终的多要素约束的模型有效区域。
需要特别说明的是,对多要素约束的模型有效区域提取时,根据叶子节点的矩形面积Ai、连接点数量Ti、重叠度Oi等要素对模型有效区域的影响,构造重要性函数Wi,进而利用区域收缩或者区域增长等方法提取有效矩形。求得有效矩形的并集U,并对多边形U进行区域拟合,提取最终的模型有效区域。
在本实施例中,参见图8所示,所述提取最终的多要素约束的模型有效区域的方法包括:
S401、根据每个叶子节点的影响因素对模型有效区域的影响,构造重要性函数Wi;
S402、根据构造的所述重要性函数Wi提取有效矩形,求得有效矩形的并集 U;
S403、对多边形U进行区域拟合,提取最终的模型有效区域。
在对多要素约束的模型区域提取时,具体提取过程如下:
(1)依次对叶子节点的矩形面积Ai、连接点数量Ti、重叠度Oi等要素对模型有效区域的影响进行分析,各要素的影响函数:
根据分析可得,连接点数量Ti和重叠度Oi与模型有效区域为正相关,矩形面积Ai为负相关,因此构造重要性函数Wi:
其中:Wi可以使用更为精细的方法进行确定,如:计算叶子节点矩形的空间邻接重叠度变化率Ci、连接点高度一致性Hi、模型有效区域指数Vi等,并利用人工智能中机器学习相关算法,构建多要素约束的模型有效区域函数:
Wi=f(Vi)
(2)根据Wi进行阈值分割或者区域收缩,提取实验区有效叶子节点矩形Ri。求得有效矩形的并集U,对多边形U进行区域拟合,提取最终的模型区域,如图9所示,图中,中部颜色区域表示模型有效区域。
本发明提供了一种无人机摄影测量的模型有效区域自动提取方法能够利用影像位姿和物方高程信息,可在三维重建的起始或中间过程提取无人机摄影测量模型的有效区域,避免无效区域的重建,提升重建效率和模型美观性;利用影像位姿和物方高程信息,即可提取无人机摄影测量的模型有效区域,能够及时发现数据获取是否充足,若部分目的区域不满足重建条件可进行现场补拍,适用于多平台多传感器所获取的影像集,能够自适应地形和地物高度,保证提取结果的正确性和稳定性。
应该理解的是,上述虽然是按照某一顺序描述的,但是这些步骤并不是必然按照上述顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,本实施例的一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图10所示,提供了一种无人机摄影测量的模型有效区域自动提取系统,包括最大外接矩形构建模块100、矩形分割模块200、影响因素计算模块300以及有效区域提取模块400。其中:
所述最大外接矩形构建模块100,用于获取无人机影像的位姿信息和物方高程信息,构建实验区的最大外接矩形;在其构建最大外接矩形时,获取已知的空中三角测量连接点信息,并输入无人机影像的位姿信息;设置连接点P= {p1,p2,…,pn},查找连接点pi={xi,yi,zi}的位置信息;根据连接点在X、Y轴上的最大值xmax、ymax和最小值xmin、ymin,构建实验区的最大外接矩形RMBR。其中,构建实验区的最大外接矩形的方法还包括:使用影像地面投影多边形构建最大外接矩形RMBR。若已知的实验区粗略边界,通过粗略边界生成最大外接矩形。
所述矩形分割模块200,用于多约束的对实验区最大外接矩形进行区域分割和空间索引构建;对所述实验区的最大外接矩形进行区域分割时,对实验区的物方高程信息进行聚类分析,聚类个数k;定义实验区的高度H= {h1,h2,…,hk},hi为每一类别的高程平均值;定义实验区的初始地面高度ZG=h1,根据影像传感器尺寸和焦距f,以及根据相似三角形原求出影像集I= {i1,i2,…,im}在垂直条件下的投影四边形面积,并求出影像垂直投影面积的平均值S;定义最小分割面积或根据实验区特性设定最小分割面积Smin;利用最小分割面积Smin和最少连接点Nmin要素作为约束对实验区最大外接矩形RMBR进行区域分割和空间索引构建。
所述影响因素计算模块300,用于根据空间索引查找无人机影像的覆盖区域,计算无人机摄影测量模型有效区域的影响因素;在对无人机摄影测量模型有效区域的影响因素提取时,首先根据空间索引查找无人机影像投影四边形的覆盖区域,然后计算覆盖区域叶子节点矩形和投影四边形的相交面积与矩形面积之比,并设为该节点重叠度。接下来依次计算每张影像的重叠度覆盖。最后统计每个叶子节点的矩形重叠度之和Oi、叶子节点矩形面积Ai、连接点数量Ti等其他影响因素。
所述有效区域提取模块400,用于根据所述影响因素提取最终的多要素约束的模型有效区域。对多要素约束的模型有效区域提取时,根据叶子节点的矩形面积Ai、连接点数量Ti、重叠度Oi等要素对模型有效区域的影响,构造重要性函数Wi,进而利用区域收缩或者区域增长等方法提取有效矩形。求得有效矩形的并集U,并对多边形U进行区域拟合,提取最终的模型有效区域。
在本实施例中,无人机摄影测量的模型有效区域自动提取系统在执行时采用如前述的一种无人机摄影测量的模型有效区域自动提取方法的步骤,因此,本实施例中对无人机摄影测量的模型有效区域自动提取系统的运行过程不再详细介绍。
在一个实施例中,在本发明的实施例中还提供了一种计算机设备,包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行所述的无人机摄影测量的模型有效区域自动提取方法,该处理器执行指令时实现上述各方法实施例中的步骤:
获取无人机影像的位姿信息和物方高程信息,构建实验区的最大外接矩形;
提取要素作为约束,对所述实验区的最大外接矩形进行区域分割和空间索引构建;
根据空间索引查找无人机影像的覆盖区域,计算无人机摄影测量模型有效区域的影响因素;
根据所述影响因素提取最终的多要素约束的模型有效区域。
在一个实施例中,提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行所述的无人机摄影测量的模型有效区域自动提取方法,步骤为:
获取无人机影像的位姿信息和物方高程信息,构建实验区的最大外接矩形;
提取要素作为约束,对所述实验区的最大外接矩形进行区域分割和空间索引构建;
根据空间索引查找无人机影像的覆盖区域,计算无人机摄影测量模型有效区域的影响因素;
根据所述影响因素提取最终的多要素约束的模型有效区域。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机指令表征的计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。
非易失性存储器可包括只读存储器、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器或外部高速缓冲存储器。作为说明而非局限, RAM可以是多种形式,比如静态随机存取存储器或动态随机存取存储器等。
综上所述,本发明提供的技术方案具有以下优点:
1、本发明提供的无人机摄影测量的模型有效区域自动提取方法利用影像位姿和物方高程信息,可在三维重建的起始或中间过程提取无人机摄影测量模型的有效区域,避免无效区域的重建,提升重建效率和模型美观性。
2、本发明提供的无人机摄影测量的模型有效区域自动提取方法利用影像位姿和物方高程信息,即可提取无人机摄影测量的模型有效区域,能够及时发现数据获取是否充足,若部分目的区域不满足重建条件可进行现场补拍。
3、本发明提供的无人机摄影测量的模型有效区域提取方法适用于多平台多传感器所获取的影像集,能够自适应地形和地物高度,保证提取结果的正确性和稳定性。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种无人机摄影测量的模型有效区域自动提取方法,其特征在于,包括:
获取无人机影像的位姿信息和物方高程信息,构建实验区的最大外接矩形;
提取要素作为约束,对所述实验区的最大外接矩形进行区域分割和空间索引构建;
根据空间索引查找无人机影像的覆盖区域,计算无人机摄影测量模型有效区域的影响因素;
根据所述影响因素提取最终的多要素约束的模型有效区域。
2.如权利要求1所述的无人机摄影测量的模型有效区域自动提取方法,其特征在于,所述构建实验区的最大外接矩形的方法为:
获取已知的空中三角测量连接点信息,并输入无人机影像的位姿信息;
设置连接点P={p1,p2,…,pn},查找连接点pi={xi,yi,zi}的位置信息;
根据连接点在X、Y轴上的最大值xmax、ymax和最小值xmin、ymin,构建实验区的最大外接矩形RMBR。
3.如权利要求2所述的无人机摄影测量的模型有效区域自动提取方法,其特征在于,所述位姿信息包括由空中三角测量连接点信息得到的影像位姿、飞行控制数据中的位置和姿态信息。
4.如权利要求1所述的无人机摄影测量的模型有效区域自动提取方法,其特征在于,所述构建实验区的最大外接矩形的方法还包括:使用影像地面投影多边形构建最大外接矩形RMBR。
5.如权利要求1-4任一所述的无人机摄影测量的模型有效区域自动提取方法,其特征在于,对所述实验区的最大外接矩形进行区域分割时,包括:
对实验区的物方高程信息进行聚类分析,聚类个数k;
定义实验区的高度H={h1,h2,…,hk},hk为每一类别的高程平均值;
定义实验区的初始地面高度ZG=h1,根据影像传感器尺寸和焦距f,以及根据相似三角形原求出影像集I={i1,i2,…,im}在垂直条件下的投影四边形面积,并求出影像垂直投影面积的平均值S;
利用最小分割面积Smin和最少连接点Nmin要素作为约束对实验区最大外接矩形RMBR进行区域分割和空间索引构建。
6.如权利要求5所述的无人机摄影测量的模型有效区域自动提取方法,其特征在于,当分割节点的矩形面积或连接点数量小于阈值时,则停止对所述节点的分割,将满足约束的所述节点设为空间索引的叶子节点,分割后实验区最大外接矩形RMBR={R1,R2,…,Rn}。
7.如权利要求6所述的无人机摄影测量的模型有效区域自动提取方法,其特征在于,计算无人机摄影测量模型有效区域的影响因素的方法为:
根据所述空间索引查找无人机影像投影四边形的覆盖区域;
计算覆盖区域叶子节点矩形和投影四边形的相交面积与矩形面积之比,并设为该节点重叠度;
依次计算每张影像的重叠度覆盖,并统计每个叶子节点的影响因素。
8.如权利要求7所述的无人机摄影测量的模型有效区域自动提取方法,其特征在于,所述影响因素包括矩形重叠度之和Oi、叶子节点矩形面积Ai以及连接点数量Ti在内的影响因素,所述无人机影像投影四边形的构建方法为:根据影像ii的位姿信息和初始高度h1,利用共线方程求出影像角点的物方空间投影,利用四个角点构建影像的物方投影四边形Qi。
9.如权利要求8所述的无人机摄影测量的模型有效区域自动提取方法,其特征在于,所述提取最终的多要素约束的模型有效区域的方法包括:
根据每个叶子节点的影响因素对模型有效区域的影响,构造重要性函数Wi;
根据构造的所述重要性函数Wi提取有效矩形,求得有效矩形的并集U;
对多边形U进行区域拟合,提取最终的模型有效区域。
10.一种无人机摄影测量的模型有效区域自动提取系统,其特征在于,所述无人机摄影测量的模型有效区域自动提取系统采用权利要求1-9中任意一项所述无人机摄影测量的模型有效区域自动提取方法进行无人机摄影测量的模型有效区域提取,优化三维重建过程的模型区域;所述无人机摄影测量的模型有效区域自动提取系统包括:
最大外接矩形构建模块,用于获取无人机影像的位姿信息和物方高程信息,构建实验区的最大外接矩形;
矩形分割模块,用于多约束的对实验区最大外接矩形进行区域分割和空间索引构建;
影响因素计算模块,用于根据空间索引查找无人机影像的覆盖区域,计算无人机摄影测量模型有效区域的影响因素;以及
有效区域提取模块,用于根据所述影响因素提取最终的多要素约束的模型有效区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111363295.5A CN114066910A (zh) | 2021-11-17 | 2021-11-17 | 一种无人机摄影测量的模型有效区域自动提取方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111363295.5A CN114066910A (zh) | 2021-11-17 | 2021-11-17 | 一种无人机摄影测量的模型有效区域自动提取方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114066910A true CN114066910A (zh) | 2022-02-18 |
Family
ID=80277384
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111363295.5A Pending CN114066910A (zh) | 2021-11-17 | 2021-11-17 | 一种无人机摄影测量的模型有效区域自动提取方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114066910A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115578607A (zh) * | 2022-12-08 | 2023-01-06 | 自然资源部第三航测遥感院 | 一种遥感影像有效像元覆盖范围快速提取方法 |
-
2021
- 2021-11-17 CN CN202111363295.5A patent/CN114066910A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115578607A (zh) * | 2022-12-08 | 2023-01-06 | 自然资源部第三航测遥感院 | 一种遥感影像有效像元覆盖范围快速提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108763287B (zh) | 大规模可通行区域驾驶地图的构建方法及其无人驾驶应用方法 | |
US10127670B2 (en) | Computer vision systems and methods for detecting and modeling features of structures in images | |
CA2994508C (en) | Vegetation management for power line corridor monitoring using computer vision | |
CN109242862B (zh) | 一种实时的数字表面模型生成方法 | |
CN108710367B (zh) | 激光数据识别方法、装置、机器人及存储介质 | |
JP2002074323A (ja) | 三次元市街地空間モデル作成方法およびシステム | |
US10192004B2 (en) | Estimation of three-dimensional models of roofs from spatial two-dimensional graphs | |
US10282490B2 (en) | Estimation of three-dimensional models of roofs from spatial two-dimensional graphs | |
CN114066910A (zh) | 一种无人机摄影测量的模型有效区域自动提取方法和系统 | |
KR20010000443A (ko) | 항공측량 영상과 라이더 데이터 융합에 의한 건물추출시스템과 방법 및 그 프로그램 소스를 저장한 기록매체 | |
CN114119902A (zh) | 一种基于无人机倾斜三维模型的建筑物提取方法 | |
CN116416366A (zh) | 3d模型构建方法、装置和电子设备 | |
CN116580160B (zh) | 一种建筑物单体分割和结构重建耦合处理方法及相关装置 | |
Rau | A line-based 3D roof model reconstruction algorithm: Tin-merging and reshaping (TMR) | |
Zhao et al. | A 3D modeling method for buildings based on LiDAR point cloud and DLG | |
KR102587445B1 (ko) | 드론을 이용하여 시계열정보가 포함된 3차원 지도의 제작 방법 | |
CN115661398A (zh) | 一种用于实景三维模型的建筑物提取方法、装置及设备 | |
CN112633293B (zh) | 一种基于图分割的三维稀疏点云重建图像集分类方法 | |
Li et al. | Efficient laser-based 3D SLAM in real time for coal mine rescue robots | |
Ahmed et al. | Modeling complex building structure (LoD2) using image-based point cloud | |
Kaleci et al. | Plane segmentation of point cloud data using split and merge based method | |
Che et al. | A new method of achieving single three-dimensional building model automatically based on oblique photography data | |
Zvietcovich et al. | A methodology for updating 3D solid models of complex monumental structures based on local point-based meshes | |
Khoshelham et al. | Registering point clouds of polyhedral buildings to 2D maps | |
Sharma et al. | Image Acquisition for High Quality Architectural Reconstruction. |
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 |