CN114202610A - 一种倾斜摄影建筑物单体化模型纹理映射方法 - Google Patents

一种倾斜摄影建筑物单体化模型纹理映射方法 Download PDF

Info

Publication number
CN114202610A
CN114202610A CN202111615606.2A CN202111615606A CN114202610A CN 114202610 A CN114202610 A CN 114202610A CN 202111615606 A CN202111615606 A CN 202111615606A CN 114202610 A CN114202610 A CN 114202610A
Authority
CN
China
Prior art keywords
texture
line
image
model
visual
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
Application number
CN202111615606.2A
Other languages
English (en)
Inventor
程昫
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.)
Wuhai Dashi Intelligence Technology Co ltd
Original Assignee
Wuhai Dashi Intelligence Technology Co ltd
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 Wuhai Dashi Intelligence Technology Co ltd filed Critical Wuhai Dashi Intelligence Technology Co ltd
Priority to CN202111615606.2A priority Critical patent/CN114202610A/zh
Publication of CN114202610A publication Critical patent/CN114202610A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/04—Texture mapping
    • 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
    • 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
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches

Abstract

本发明提供一种倾斜摄影建筑物单体化模型纹理映射方法，通过优化纹理分块方式，约束接缝线位置，使接缝线尽可能绕开模型误差较大的区域，以及通过线特征对齐引导接缝处的局部非线性几何变形，对齐几何错位，从两个角度对建筑物单体化模型纹理映射中可能出现的几何错位进行处理，改善纹理映射效果，提升模型美观性，克服手工单体化建模结果模型误差大的缺点。

Description

一种倾斜摄影建筑物单体化模型纹理映射方法
技术领域
本发明涉及城市三维重建、纹理映射、图像配准领域，更具体地，涉及一种倾斜摄影建筑物单体化模型纹理映射方法。
背景技术
城市三维模型是城市规划、建设和管理的重要基础地理数据，高效率、高精度、高真实感和低成本的倾斜摄影测量技术是生产城市三维模型的重要手段。大多数倾斜自动建模软件生产的三角网表面模型能满足可视化和简单的量测需求。在规划、城市管理等实际应用中，常常还需要通过手工编辑或者半自动工具对建筑物结构进行提取，减少三角面片的数量，才能进行后续的GIS分析和应用。目前，由于全自动单体化建模技术尚不成熟，现有商业软件多提供半自动化的解决方案：手工建模获得模型结构后，由倾斜影像自动映射得到纹理贴图。
但在实际生产过程中，该纹理映射结果仍需进行大量人工后处理，这是由于现有纹理映射方法通常假设模型误差较小，影像与模型之间满足成像时的透视变换关系；手工建模的物体往往简化了部分细节，不准确的映射关系导致模型简化区域处的纹理相对真实位置发生一定“偏移”，而且这种“偏移”随视角变化而变化。若纹理接缝正好在模型误差较大处，接缝处则会出现明显的几何错位。
现有纹理映射方法在纹理分块时较少讨论接缝线所在位置，纹理融合时仅侧重解决接缝处色彩不一致的问题。对于单体化模型而言，模型细节简化较多，模型误差较大，因此有必要约束接缝线位置，同时对接缝处的几何错位进行处理。
发明内容
为了解决现有的纹理映射方法直接应用于人工单体化模型时，纹理接缝处易产生明显的几何错位，纹理映射效果不美观的问题，本发明提供一种倾斜摄影建筑物单体化模型纹理映射方法。
根据本发明的第一方面，提供了一种倾斜摄影建筑物单体化模型纹理映射方法，包括：
对目标建筑单体化模型的每一个模型面，生成对应的候选纹理影像序列；
基于模型面误差图进行超像素层次结构构建，其中，每一个超像素由模型面分割而成，超像素尺寸从底层到顶层逐步增大；
通过遍历所述超像素层次结构，为每一个超像素选择最佳纹理影像，进而获取每一个模型面的纹理分块结果，基于纹理分块结果生成模型面的接缝线；
对于接缝线两侧的纹理影像，提取两幅纹理影像中的线特征，对两幅纹理影像中的线特征进行匹配；
基于匹配的线特征对，对接缝线两侧的纹理影像进行配准，获得配准后的纹理影像。
根据本发明的第二方面，提供一种倾斜摄影建筑物单体化模型纹理映射系统，包括：
生成模块，用于对目标建筑单体化模型的每一个模型面，生成对应的候选纹理影像序列；
构建模块，用于基于模型面误差图进行超像素层次结构构建，其中，每一个超像素由模型面分割而成，超像素尺寸从底层到顶层逐步增大；
获取模块，用于通过遍历所述超像素层次结构，为每一个超像素选择最佳纹理影像，进而获取每一个模型面的纹理分块结果，基于纹理分块结果生成模型面的接缝线；
第一匹配模块，用于对于接缝线两侧的纹理影像，提取两幅纹理影像中的线特征，对两幅纹理影像中的线特征进行匹配；
第二匹配模块，用于基于匹配的线特征对，对接缝线两侧的纹理影像进行配准，获得配准后的纹理影像。
根据本发明的第三方面，提供了一种电子设备，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现倾斜摄影建筑物单体化模型纹理映射方法的步骤。
根据本发明的第四方面，提供了一种计算机可读存储介质，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现倾斜摄影建筑物单体化模型纹理映射方法的步骤。
本发明提供的一种倾斜摄影建筑物单体化模型纹理映射，通过优化纹理分块方式，约束接缝线位置，使接缝线尽可能绕开模型误差较大的区域，以及通过线特征对齐引导接缝处的局部非线性几何变形，对齐几何错位，从两个角度对建筑物单体化模型纹理映射中可能出现的几何错位进行处理，改善纹理映射效果，提升模型美观性，克服手工单体化建模结果模型误差大的缺点。
附图说明
图1为本发明提供的一种倾斜摄影建筑物单体化模型纹理映射方法流程图；
图2为超像素层次结构示意图；
图3为纹理影像块匹配示意图；
图4为倾斜摄影建筑物单体化模型纹理映射方法的整体流程图；
图5为本发明提供的一种倾斜摄影建筑物单体化模型纹理映射系统的结构示意图；
图6为本发明提供的一种可能的电子设备的硬件结构示意图；
图7为本发明提供的一种可能的计算机可读存储介质的硬件结构示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
实施例一
一种倾斜摄影建筑物单体化模型纹理映射方法，参见图1，该纹理映射方法包括：
S1，对目标建筑单体化模型的每一个模型面，生成对应的候选纹理影像序列。
作为实施例，所述对目标建筑单体化模型的每一个模型面，生成对应的候选纹理影像序列，之前还包括：将目标建筑单体化模型中邻接、法向一致的三角面聚合成平面多边形，每一个平面多边形即为模型面。
作为实施例，所述对目标建筑单体化模型的每一个模型面，生成对应的候选纹理影像序列，包括：使用光线求交算法对影像进行可视分析，统计每一个模型面对应的可视影像集合和模型面的平均空间分辨率；基于平均空间分辨率对模型面进行栅格化；计算模型面对应的每一个可视影像的视线法向夹角因子Sa、影像分辨率因子Sr和影像可视完整性因子Sc；基于模型面对应的每一个可视影像的视线法向夹角因子Sa、影像分辨率因子Sr和影像可视完整性因子Sc，计算模型面对应的每一个可视影像的影像评价函数S；基于模型面对应的每一个可视影像的Sa值和S值，对可视影像进行剔除，保留的可视影像按S值降序排序为模型面的候选纹理影像序列。
可以理解的是，对于获取的建筑物影像进行三维建模，可得到影像位姿文件和场景Mesh模型，通过半自动工具手工编辑可得到目标建筑单体化模型。将目标建筑单体化模型中邻接、法向一致的三角面聚合成平面多边形，生成目标建筑单体化模型的各个模型面，此处聚合得到的平面多边形即为模型面。
对于建筑物影像，使用光线求交算法对影像进行可视分析，统计每一个模型面对应的可视影像集合和每一个模型面的平均空间分辨率，用平均空间分辨率栅格化模型面的最小外接矩形，得到模型面的栅格表示。其中，一个模型面可能对应有多个可视影像，对于每一个可视影像，定义视线法向夹角因子Sa＝n·r，n为模型面法向，r为相机中心和模型面中心连线；定义影像空间分辨率因子
Figure BDA0003436303930000051
Figure BDA0003436303930000052
为模型面重投影至影像的投影像素数，
Figure BDA0003436303930000053
为该影像的模型面可视栅格数；定义影像可视完整性因子
Figure BDA0003436303930000054
为该影像的模型面可视栅格数，areaP为模型面栅格总数。
定义影像质量评价函数S＝Sa*Sr*Sc对每一个影像进行评价，得到每一个影像的评分，剔除Sa小于第一预设阈值或S小于第二预设阈值的可视影像，剩余影像按影像评价函数值降序存储为模型面的候选纹理影像序列。其中，在本发明实施例中，第一预设阈值可取0.5，第二预设阈值也可以取0.5，那么从每一个模型面对应的所有可视影像中剔除Sa＜0.5或S＜0.5的可视影像，剩余影像按值降序存储为该模型面的候选纹理影像序列。
S2，基于模型面误差图进行超像素层次结构构建，其中，每一个超像素由模型面分割而成，超像素尺寸从底层到顶层逐步增大。
可以理解的是，模型面误差图进行超像素层次结构构建主要分为两个步骤，第一步，生成模型面误差图，即生成目标建筑单体化模型面的误差图，作为实施例，获取误差图包括：对于目标建筑单体化模型的每一个模型面，定义模型面与每一个三角面片的误差值dΔ为三角面片的每一个顶点到对应模型面距离的均值；沿模型面法向投影各三角面片，得到每一个三角面片的投影区域，其中，每一个投影区域对应有多个三角面片；将多个三角面片中的最小误差值dΔ作为投影区域的像素值。
具体的，定义目标建筑单体化模型的模型面与Mesh模型的三角面误差dΔ为三角面片的三个顶点到对应模型面距离的均值，即
Figure BDA0003436303930000061
其中，d1、d2和d3分别表示三角面片的三个顶点到对应的模型面的距离，误差图各像素值记录各投影区域的最小误差值。
初始化误差图行列数等于模型面栅格行列数，像素值为浮点最大值。沿模型面法向投影Mesh模型各三角面片，每一个三角面片会对应有一个投影区域，多个三角面片可能投影到同一个投影区域，那么同一个投影区域就可能对应有多个三角面片。
对于同一个投影区域对应的多个三角面片，计算每一个三角面片到对应的模型面的误差dΔ，将多个三角面片中的最小误差dΔ作为投影区域的像素值，进而得到模型面的误差图。
第二步，基于生成的模型面误差图，构建超像素层次结构，作为实施例，对投影区域进行超像素分割，获得多个超像素区域，作为超像素层次结构的底层；基于每一个超像素区域的深度像素值，标记多个超像素区域中的peek区域，所述peek区域表示该区域建模误差较大；以peek区域开始，通过不断合并邻接超像素区域，构建超像素层次结构；其中，采用树结构存储所述超像素层次结构，树深度为层级数，树节点为超像素，自底向上构建各层树节点，每个节点除自身数据外还需存储指向父节点和孩子节点的指针。
具体的，如图2所示，首先模型面按预设尺寸参数L进行超像素分割，得到多个超像素区域，作为超像素层次结构的底层；统计每一个超像素区域内误差值>设定误差值的像素占比ratio，比如，设定误差值可以取0.2m，若ratio>预设比例阈值R，标记超体素为peek，即标记该超像素区域为peek区域，表示该超像素建模误差较大，其余的超像素区域为非peek区域。如果相邻两个超像素区域均为peek区域，则合并这两个邻接的peek区域，构建倒数第二层；包含peek的超像素区域每次外扩一个邻接非peek超像素区域，该过程迭代进行，每次迭代结果构建新层级，直至所有超像素都至少包含一个peek区域，即所有的超像素区域均合并完毕，迭代停止，此时为第二层；顶层将整个模型面视为一个超像素。具体实现时，采用树结构存储该超像素层次结构，树深度为层级数，树节点为超像素区域，自底向上构建各层树节点，每个节点除自身数据外还需存储指向父节点和孩子节点的指针。
S3，遍历所述超像素层次结构，为每一个超像素选择最佳纹理影像，进而获取每一个模型面的纹理分块结果，基于纹理分块结果生成模型面的接缝线。
可以理解的是，步骤S2构建了模型面的超像素层次结构，模型面对应有候选纹理影像序列，本步骤为每一个超像素区域选择最佳纹理影像。
具体实现时，优先为大尺度超像素选择完整观测该超像素的最佳纹理影像，使用二重循环进行纹理选择。1)外层循环从根节点出发，广度遍历超像素树结构。对于非根节点，若父节点纹理影像非空，该节点纹理影像继承父节点纹理影像，跳过本次循环，处理下个节点；若父节点纹理影像为空，进入内层循环；2)内层循环遍历已排序的可视影像，若影像完整可视该节点代表的模型面区域，则视为该节点纹理影像，跳过本次循环，处理下个节点。遍历结束后，叶节点的纹理选择反映该模型面的纹理分块结果；由纹理分块结果生成接缝线。
S4，对于接缝线两侧的纹理影像，提取两幅纹理影像中的线特征，对两幅纹理影像中的线特征进行匹配。
作为实施例，所述对于接缝线两侧的纹理影像，提取两幅纹理影像中的线特征，对两幅纹理影像中的线特征进行匹配，包括：对于接缝线左右两侧的纹理影像块，分别提取纹理影像中的线特征；利用模型面上的接缝线，对纹理影像块的线特征进行过滤；对于保留的线特征，将左侧纹理影像块的线特征变换至右侧纹理影像块与右侧纹理影像块的线特征进行比较，获取左侧纹理影像块的线特征和右侧纹理影像块的线特征之间的匹配关系。
可以理解的是，接缝线两侧的纹理影像，需要进行纹理块的配准，本发明实施例采用基于线特征对齐的方式进行纹理块配准。
首先，对接缝线左右两侧的纹理影像，对纹理影像模型面重投影区域，使用LSD算法对纹理影像进行局部线特征提取，每条线特征由其所在影像、线中点、线方向进行特征描述。
对于接缝线左右两侧的纹理影像块，分别提取线特征，正式匹配前，需要进行左右两侧的纹理影像块的线特征过滤。将模型面上的接缝线重投影至纹理影像，只保留和接缝重投影线相交的线特征，保留的线特征按相交顺序进行排序，同时线段的特征描述加入接缝线交点。为防止距离较近的近平行线段发生错误匹配，顺序遍历线特征，判断当前线段和下一条线段的接缝线交点距离，若小于预设距离阈值d||，删除下一条线段，保留当前线段。
对于保留下来的线特征，对于接缝线左右两侧纹理影像，需要将左侧纹理影像块线特征变换至右侧纹理影像块进行比较。具体实现时，左侧纹理影像块线特征经模型平面引导的单应变换至左侧纹理影像块，剔除接缝点交点距离大于第六预设阈值或方向夹角大于第七预设阈值的线特征，其余作为候选匹配。在本发明实施例中，第六预设阈值可取8像素，第七预设阈值可取5°。左侧纹理影像块线特征接缝线交点，投影至Mesh模型再重投影至左侧纹理影像块，取候选匹配中接缝线交点距离最小的右侧纹理影像块作为最佳匹配。
S5，基于匹配的线特征对，对接缝线两侧的纹理影像进行配准，获得配准后的纹理影像。
上述步骤S4对纹理影像的线特征进行了匹配，本步骤基于匹配的线特征对纹理影像块进行配准。具体的，如图3所示，匹配线对在各纹理块上独立进行局部纠正。将影像线特征投影至模型面，对于匹配的线特征对，为线特征采样五组点对，接缝线交点、线方向上交点两侧点、线法向上交点两侧点；接缝线交点需要变换至匹配线对各自接缝线交点连线的中点，其余点作为锚点保持不动；由采样点对计算基于薄板样条函数的局部变形，对齐两侧线特征；对每对线特征对按上述方法处理，完成接缝线两侧纹理块的精确配准。
对纹理影像块进行了精确配准后，对各纹理影像块进行匀光匀色，具体的，将各纹理块由RGB空间转换到YCrCb色彩空间，分离亮度和颜色；采用wallis滤波器，将各纹理块亮度和颜色量的均值和方差纠正到各自理想的均值和方差。
实施例二
参见图4，为倾斜摄影建筑物单体化模型纹理映射方法的整体流程图，该纹理映射方法主要包括以下步骤：
(1)数据准备及预处理：输入影像和影像位姿文件、场景Mesh模型、目标建筑单体化模型，将单体化模型中邻接、法向一致的三角面聚合成平面多边形。
(2)候选纹理影像序列生成：设计纹理影像质量评价函数；剔除较差影像；按分值降序存储保留的每一个模型面的候选纹理影像。
(3)基于模型面误差图的超像素层次结构构建：将Mesh投影至模型面，计算各三角面到模型面距离，评估模型面的建模误差；如图2所示，模型面按预设参数进行超像素分割，标记建模误差大的超像素为种子点，迭代合并邻接超像素，自底向上构建超像素层次结构，顶层将整个模型面视为一个超像素。
(4)纹理选择：由根节点向下广度遍历超像素树结构，优先为大尺度超像素选择完整观测该超像素的最佳纹理影像；。
(5)基于线特征对齐的纹理块配准：模型面重投影区域进行局部线特征提取；匹配接缝两侧影像线特征；匹配线特征对投影至模型面，每条线采样五组点对，根据采样点对计算局部变换。
(6)匀光匀色：调整各纹理块亮度和颜色量的均值方差近似一致。
实施例三
一种倾斜摄影建筑物单体化模型纹理映射系统，参见图5，该纹理映射系统包括生成模块501、构建模块502、获取模块503、第一匹配模块504和第二匹配模块505。
其中，生成模块501，用于对目标建筑单体化模型的每一个模型面，生成对应的候选纹理影像序列；构建模块502，用于基于模型面误差图进行超像素层次结构构建，其中，每一个超像素由模型面分割而成，超像素尺寸从底层到顶层逐步增大；获取模块503，用于通过遍历所述超像素层次结构，为每一个超像素选择最佳纹理影像，进而获取每一个模型面的纹理分块结果，基于纹理分块结果生成模型面的接缝线；第一匹配模块504，用于对于接缝线两侧的纹理影像，提取两幅纹理影像中的线特征，对两幅纹理影像中的线特征进行匹配；第二匹配模块505，用于基于匹配的线特征对，对接缝线两侧的纹理影像进行配准，获得配准后的纹理影像。
可以理解的是，本发明提供的一种倾斜摄影建筑物单体化模型纹理映射系统与前述各实施例提供的倾斜摄影建筑物单体化模型纹理映射方法相对应，倾斜摄影建筑物单体化模型纹理映射系统的相关技术特征可参考倾斜摄影建筑物单体化模型纹理映射方法的相关技术特征，在此不再赘述。
实施例四
请参阅图6，图6为本发明实施例提供的电子设备的实施例示意图。如图6所示，本发明实施例提了一种电子设备600，包括存储器610、处理器620及存储在存储器610上并可在处理器620上运行的计算机程序611，处理器620执行计算机程序611时实现以下步骤：对目标建筑单体化模型的每一个模型面，生成对应的候选纹理影像序列；基于模型面误差图进行超像素层次结构构建，其中，每一个超像素由模型面分割而成，超像素尺寸从底层到顶层逐步增大；通过遍历所述超像素层次结构，为每一个超像素选择最佳纹理影像，进而获取每一个模型面的纹理分块结果，基于纹理分块结果生成模型面的接缝线；对于接缝线两侧的纹理影像，提取两幅纹理影像中的线特征，对两幅纹理影像中的线特征进行匹配；基于匹配的线特征对，对接缝线两侧的纹理影像进行配准，获得配准后的纹理影像。
实施例五
请参阅图7，图7为本发明提供的一种计算机可读存储介质的实施例示意图。如图7所示，本实施例提供了一种计算机可读存储介质700，其上存储有计算机程序711，该计算机程序711被处理器执行时实现如下步骤：对目标建筑单体化模型的每一个模型面，生成对应的候选纹理影像序列；基于模型面误差图进行超像素层次结构构建，其中，每一个超像素由模型面分割而成，超像素尺寸从底层到顶层逐步增大；通过遍历所述超像素层次结构，为每一个超像素选择最佳纹理影像，进而获取每一个模型面的纹理分块结果，基于纹理分块结果生成模型面的接缝线；对于接缝线两侧的纹理影像，提取两幅纹理影像中的线特征，对两幅纹理影像中的线特征进行匹配；基于匹配的线特征对，对接缝线两侧的纹理影像进行配准，获得配准后的纹理影像。
本发明实施例提供的一种倾斜摄影建筑物单体化模型纹理映射方法，通过优化纹理分块方式，约束接缝线位置，使接缝线尽可能绕开模型误差较大的区域，以及通过线特征对齐引导接缝处的局部非线性几何变形，对齐几何错位，从两个角度对建筑物单体化模型纹理映射中可能出现的几何错位进行处理，改善纹理映射效果，提升模型美观性，克服手工单体化建模结果模型误差大的缺点；减轻后续人工处理量，提高单体化模型生产过程的自动化程度。
需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。

Claims (10)

1.一种倾斜摄影建筑物单体化模型纹理映射方法，其特征在于，包括：
对目标建筑单体化模型的每一个模型面，生成对应的候选纹理影像序列；
基于模型面误差图进行超像素层次结构构建，其中，每一个超像素由模型面分割而成，超像素尺寸从底层到顶层逐步增大；
通过遍历所述超像素层次结构，为每一个超像素选择最佳纹理影像，进而获取每一个模型面的纹理分块结果，基于纹理分块结果生成模型面的接缝线；
对于接缝线两侧的纹理影像，提取两幅纹理影像中的线特征，对两幅纹理影像中的线特征进行匹配；
基于匹配的线特征对，对接缝线两侧的纹理影像进行配准，获得配准后的纹理影像。
2.根据权利要求1所述的纹理映射方法，其特征在于，所述对目标建筑单体化模型的每一个模型面，生成对应的候选纹理影像序列，之前还包括：
将目标建筑单体化模型中邻接、法向一致的三角面聚合成平面多边形，每一个平面多边形即为模型面。
3.根据权利要求1或2所述的纹理映射方法，其特征在于，所述对目标建筑单体化模型的每一个模型面，生成对应的候选纹理影像序列，包括：
使用光线求交算法对影像进行可视分析，统计每一个模型面对应的可视影像集合和模型面的平均空间分辨率；
基于平均空间分辨率对模型面进行栅格化；
计算模型面对应的每一个可视影像的视线法向夹角因子Sa、影像分辨率因子Sr和影像可视完整性因子Sc；
基于模型面对应的每一个可视影像的视线法向夹角因子Sa、影像分辨率因子Sr和影像可视完整性因子Sc，计算模型面对应的每一个可视影像的影像评价函数S；
基于模型面对应的每一个可视影像的Sa值和S值，对模型面的可视影像集合中的可视影像进行剔除，保留的可视影像按S值降序排序作为模型面的候选纹理影像序列。
4.根据权利要求3所述的纹理映射方法，其特征在于，所述使用光线求交算法对影像进行可视分析，统计每一个模型面对应的可视影像集合，还包括：
统计每一个模型面的平均空间分辨率，基于平均空间分辨率对模型面进行栅格化；
相应的，计算模型面对应的每一个可视影像的视线法向夹角因子Sa、影像分辨率因子Sr和影像可视完整性因子Sc，包括：
计算影像视线法向夹角因子Sa＝n·r，n为模型面法向，r为相机中心和模型面中心连线；
计算影像空间分辨率因子
Figure FDA0003436303920000021
Figure FDA0003436303920000022
为模型面投影至影像的投影像素数，
Figure FDA0003436303920000023
为该影像对应的模型面可视栅格数；
计算影像可视完整性因子
Figure FDA0003436303920000024
Figure FDA0003436303920000025
为可视影像对应的模型面可视栅格数，areaP为模型面栅格总数；
相应的，基于模型面对应的每一个可视影像的影像视线法向夹角因子Sa、影像分辨率因子Sr和影像可视完整性因子Sc，计算模型面对应的每一个可视影像的影像质量评价函数S，包括：
计算影像质量评价函数S＝Sa*Sr*Sc；
相应的，所述基于模型面对应的每一个可视影像的Sa值和S值，对模型面的可视影像集合中的可视影像进行剔除，保留的可视影像按S值降序排序为模型面的候选纹理影像序列，包括：
剔除Sa小于第一预设阈值或S小于第二预设阈值的可视影像，剩余影像按影像质量评价函数值降序存储为模型面的候选纹理影像序列。
5.根据权利要求2所述的纹理映射方法，其特征在于，所述基于模型面误差图进行超像素层次结构构建，包括：
对于目标建筑单体化模型的每一个模型面，定义模型面与Mesh模型中每一个三角面片的误差值dΔ为三角面片的每一个顶点到对应模型面距离的均值；
沿模型面法向投影各三角面片，得到每一个三角面片的投影区域，其中，每一个投影区域对应有多个三角面片；
将多个三角面片中的最小误差值dΔ作为投影区域的像素值，生成模型面误差图；
按照模型面误差图对模型面进行超像素分割，获得多个超像素区域，作为超像素层次结构的底层；
基于每一个超像素区域的像素值，标记多个超像素区域中的peek区域，所述peek区域表示该区域建模误差较大；
以peek区域开始，通过不断合并邻接超像素区域，构建超像素层次结构；
其中，采用树结构存储所述超像素层次结构，树深度为层级数，树节点为超像素，自底向上构建各层树节点，每个节点除自身数据外还需存储指向父节点和孩子节点的指针。
6.根据权利要求5所述的纹理映射方法，其特征在于，所述基于每一个超像素区域的深度像素值，标记多个超像素区域中的peek区域，包括：
统计每一个超像素区域内像素值大于第三预设阈值的像素比例，若像素比例大于第四预设阈值，则将超像素区域标记为peek区域，否则，标记为非peek区域；
所述以peek区域开始，通过不断合并邻接超像素区域，构建超像素层次结构，包括：
对分割后的超像素区域，若两个相邻的超像素区域均为peek区域，则合并两个相邻的peek区域作为一个超像素区域，构成超像素层次结构的倒数第二层；
对于倒数第二层中的每一个包括peek区域的超像素区域，每次外扩合并一个相邻的非peek区域，迭代进行，每次迭代结果构建超像素层次结构的新层级，直至所有超像素区域合并完毕，迭代停止，此时为超像素层次结构的第二层，将整个模型面视为一个超像素区域作为超像素层次结构的顶层。
7.根据权利要求6所述的纹理映射方法，其特征在于，所述通过遍历所述超像素层次结构，为每一个超像素选择最佳纹理影像，进而获取每一个模型面的纹理分块结果，基于纹理分块结果生成模型面的接缝线，包括：
由根节点向下广度遍历超像素层次结构，优先为大尺度超像素选择完整观测该超像素的最佳纹理影像，非根节点遵循父节点超像素的纹理选择：
外层循环从根节点出发，广度遍历超像素层次结构：对于非根节点，若父节点纹理影像非空，该非根节点纹理影像继承父节点纹理影像，跳过本次循环，处理下个节点；若父节点纹理影像为空，进入内层循环；
内层循环遍历已排序的可视影像，若可视影像完整可视该节点代表的模型面区域，则视为该节点纹理影像，跳过本次循环，处理下个节点；
遍历结束后，超像素层次结构的叶节点的纹理选择反映模型面的纹理分块结果，由纹理分块结果生成接缝线。
8.根据权利要求1或7所述的纹理映射方法，其特征在于，所述对于接缝线两侧的纹理影像，提取两幅纹理影像中的线特征，对两幅纹理影像中的线特征进行匹配，包括：
对于接缝线左右两侧的纹理影像块，分别提取纹理影像中的线特征；
利用模型面上的接缝线，对纹理影像块的线特征进行过滤；
对于保留的线特征，将左侧纹理影像块的线特征变换至右侧纹理影像块与右侧纹理影像块的线特征进行比较，获取左侧纹理影像块的线特征和右侧纹理影像块的线特征之间的匹配关系。
9.根据权利要求8所述的纹理映射方法，其特征在于，所述利用模型面上的接缝线，对纹理影像块的线特征进行过滤，包括：
将模型面上的接缝线重投影至纹理影像，对于左侧纹理影像块或右侧纹理影像块的线特征，只保留和接缝重投影线相交的线特征，保留的线特征按相交顺序进行排序，同时线特征的描述加入接缝线交点；
顺序遍历线特征，判断当前线段和下一条线段的接缝线交点距离，若小于预设第五预设阈值，删除下一条线段，保留当前线段；
所述对于保留的线特征，将左侧纹理影像块的线特征变换至右侧纹理影像块与右侧纹理影像块的线特征进行比较，获取左侧纹理影像块的线特征和右侧纹理影像块的线特征之间的匹配关系，包括：
左侧纹理影像块的线特征经单体化模型平面引导的单应变换至右侧纹理影像块，剔除接缝点交点距离大于第六预设阈值或方向夹角大于第七预设阈值的线特征，其余作为候选匹配；
将左侧纹理影像块的线特征接缝线交点，投影至Mesh模型再重投影至右侧纹理影像块，取候选匹配中接缝线交点距离最小的右侧纹理影像块的线特征作为最佳匹配。
10.根据权利要求1或9所述的纹理映射方法，其特征在于，所述基于匹配的线特征对，对接缝线两侧的纹理影像进行配准，获得配准后的纹理影像，包括：
将纹理影像块的线特征投影到模型面，对于匹配的每一线特征对，在线特征对上采样多组点对；
将接缝线交点变换至匹配线对各自接缝线交点连线的中点，其余点作为锚点保持不动；
基于多组采样点对计算基于薄板样条函数的局部变形，对齐两侧纹理影像块的线特征；
对每一线特征对按上述方法处理，完成接缝线两侧纹理影像块的配准。
CN202111615606.2A 2021-12-27 2021-12-27 一种倾斜摄影建筑物单体化模型纹理映射方法 Pending CN114202610A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111615606.2A CN114202610A (zh) 2021-12-27 2021-12-27 一种倾斜摄影建筑物单体化模型纹理映射方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111615606.2A CN114202610A (zh) 2021-12-27 2021-12-27 一种倾斜摄影建筑物单体化模型纹理映射方法

Publications (1)

Publication Number Publication Date
CN114202610A true CN114202610A (zh) 2022-03-18

Family

ID=80656791

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111615606.2A Pending CN114202610A (zh) 2021-12-27 2021-12-27 一种倾斜摄影建筑物单体化模型纹理映射方法

Country Status (1)

Country Link
CN (1) CN114202610A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116777913A (zh) * 2023-08-22 2023-09-19 青岛市勘察测绘研究院 一种三维模型的套合精度检测方法、装置、设备及介质
CN117171384A (zh) * 2023-11-02 2023-12-05 广州翼拍联盟网络技术有限公司 高精度纹理路径检索方法、装置、计算机设备及存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116777913A (zh) * 2023-08-22 2023-09-19 青岛市勘察测绘研究院 一种三维模型的套合精度检测方法、装置、设备及介质
CN116777913B (zh) * 2023-08-22 2023-11-03 青岛市勘察测绘研究院 一种三维模型的套合精度检测方法、装置、设备及介质
CN117171384A (zh) * 2023-11-02 2023-12-05 广州翼拍联盟网络技术有限公司 高精度纹理路径检索方法、装置、计算机设备及存储介质
CN117171384B (zh) * 2023-11-02 2024-02-23 广州翼拍联盟网络技术有限公司 高精度纹理路径检索方法、装置、计算机设备及存储介质

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
Aicardi et al. Recent trends in cultural heritage 3D survey: The photogrammetric computer vision approach
US7272264B2 (en) System and method for hole filling in 3D models
Furukawa et al. Accurate, dense, and robust multiview stereopsis
US8711143B2 (en) System and method for interactive image-based modeling of curved surfaces using single-view and multi-view feature curves
CN108734728A (zh) 一种基于高分辨序列图像的空间目标三维重构方法
CN109242862B (zh) 一种实时的数字表面模型生成方法
CN103544711B (zh) 遥感影像的自动配准方法
US20100284607A1 (en) Method and system for generating a 3d model from images
Pepe et al. Techniques, tools, platforms and algorithms in close range photogrammetry in building 3D model and 2D representation of objects and complex architectures
CN114202610A (zh) 一种倾斜摄影建筑物单体化模型纹理映射方法
CN102222357B (zh) 基于图像分割和网格细分的脚型三维表面重建方法
CN110838129A (zh) 基于倾斜摄影测量的三维建筑物模型轮廓特征线提取方法
CN108053432A (zh) 基于局部icp的室内稀疏点云场景的配准方法
CN112465970B (zh) 导航地图构建方法、装置、系统、电子装置和存储介质
CN107248142B (zh) 一种文物碎片自动拼接方法
Bódis-Szomorú et al. Efficient edge-aware surface mesh reconstruction for urban scenes
CN103646421A (zh) 基于增强型PyrLK光流法的树木轻量化3D重建方法
CN113538501A (zh) 低空图像dsm生成建筑物边缘精细化方法
CN111696062A (zh) 色彩均衡不变形的dom局部修复聚合方法
Wang et al. Terrainfusion: Real-time digital surface model reconstruction based on monocular slam
CN115393548A (zh) 一种适用于三维重建的网格纹理化简算法
Rothermel Development of a SGM-based multi-view reconstruction framework for aerial imagery
CN116740288B (zh) 一种融合激光雷达、倾斜摄影的三维重建方法
CN112002007A (zh) 基于空地影像的模型获取方法及装置、设备、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