CN115100286B - 无人机采集视点确定方法、装置、计算机设备和存储介质 - Google Patents

无人机采集视点确定方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN115100286B
CN115100286B CN202210875100.3A CN202210875100A CN115100286B CN 115100286 B CN115100286 B CN 115100286B CN 202210875100 A CN202210875100 A CN 202210875100A CN 115100286 B CN115100286 B CN 115100286B
Authority
CN
China
Prior art keywords
viewpoint
acquisition
viewpoints
target
determining
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
Application number
CN202210875100.3A
Other languages
English (en)
Other versions
CN115100286A (zh
Inventor
黄惠
刘奕林
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.)
Shenzhen University
Original Assignee
Shenzhen University
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 Shenzhen University filed Critical Shenzhen University
Priority to CN202210875100.3A priority Critical patent/CN115100286B/zh
Publication of CN115100286A publication Critical patent/CN115100286A/zh
Application granted granted Critical
Publication of CN115100286B publication Critical patent/CN115100286B/zh
Priority to US18/190,433 priority patent/US20240029427A1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/77—Determining position or orientation of objects or cameras using statistical methods
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/10—Simultaneous control of position or course in three dimensions
    • G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
    • B64U2101/00—UAVs specially adapted for particular uses or applications
    • B64U2101/30—UAVs specially adapted for particular uses or applications for imaging, photography or videography
    • B64U2101/32—UAVs specially adapted for particular uses or applications for imaging, photography or videography for cartography or topography
    • 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
    • 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
    • G06T2207/30244—Camera pose

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Remote Sensing (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Multimedia (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Automation & Control Theory (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Computer Graphics (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请涉及一种无人机采集视点确定方法、装置、计算机设备和存储介质。该方法包括：从场景模型表面上的多个待选采样点中，基于待选采样点的可重建度确定出待重建的目标采样点；针对目标采样点，确定多个新的初始采集视点；基于初始采集视点的视点分数对多个初始采集视点进行筛选，以得到用于对目标采样点做重建的目标采集视点；基于目标采集视点确定未被选中的待选采样点的可重建度，返回执行基于待选采样点的可重建度确定出待重建的目标采样点以及后续步骤，直至可重建度低于预设阈值的待选采样点的数量满足预设条件。本方法能够提高采集视点有效性。

Description

无人机采集视点确定方法、装置、计算机设备和存储介质
技术领域
本申请涉及计算机视觉领域，特别是涉及一种无人机采集视点确定方法、装置、计算机设备和存储介质。
背景技术
基于大尺度城市场景三维重建的航拍数据采集路径规划获得了工业界和学术界的广泛关注。基于航拍数据采集的路径规划算法最终目标是所采集的数据能够重建出高质量的三维模型。而由于城市场景尺度较大，细节较为复杂，现有方法很难规划出一条完备，均匀的航拍路径，导致其最后重建出的三维模型缺少细节、质量较差。比如，包含了一些遗漏区域，导致在某些场景区域缺少足够的采集数据，导致不完整的重建结果。
通常情况下，会确定采集视点，基于采集视点来生成航拍数据采集路径，以重建三维模型。因此，如何准确、有效地确定采集视点至关重要。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高采集视点有效性的无人机采集视点确定方法、装置、计算机设备、存储介质和计算机程序产品。
第一方面，本申请提供了一种无人机采集视点确定方法。所述方法包括：
从场景模型表面上的多个待选采样点中，基于所述待选采样点的可重建度确定出待重建的目标采样点；
针对所述目标采样点，确定多个新的初始采集视点；
基于所述初始采集视点的视点分数对多个所述初始采集视点进行筛选，以得到用于对所述目标采样点做重建的目标采集视点；
基于所述目标采集视点确定未被选中的所述待选采样点的可重建度，返回执行所述基于所述待选采样点的可重建度确定出待重建的目标采样点以及后续步骤，直至所述可重建度低于预设阈值的待选采样点的数量满足预设条件。
在其中一个实施例中，所述从场景模型表面上的多个待选采样点中，基于所述待选采样点的可重建度确定出待重建的目标采样点包括：
针对位于场景模型表面上的每个待选采样点，确定离所述待选采样点在预设距离内的多个相关采样点，并基于所述相关采样点的可重建度量和所述待选采样点的可重建度量确定针对所述待选采样点的被采样概率；
使用所述被采样概率对所述待选采样点进行概率采样，得到待重建的目标采样点。
在其中一个实施例中，所述基于所述相关采样点的可重建度量和所述待选采样点的可重建度量确定针对所述待选采样点的被采样概率包括：
确定所述待选采样点和所述相关采样点之间的距离；
基于所述距离得到所述相关采样点的权重；其中，所述距离和所述权重负相关；
对各个所述相关采样点的可重建度量按照对应的所述权重进行加权求和，以得到针对所述待选采样点的被采样概率。
在其中一个实施例中，所述基于所述初始采集视点的视点分数对多个所述初始采集视点进行筛选，以得到用于对所述目标采样点做重建的目标采集视点包括：
基于所述初始采集视点的所述视点分数对多个所述初始采集视点进行筛选，得到多个候选采集视点；
确定各个所述候选采集视点的冗余度，并从所述多个候选采集视点中删除所述冗余度大于预设冗余阈值的候选采集视点，得到至少两个候选采集视点；
基于所述至少两个候选采集视点得到用于对目标采样点做重建的目标采集视点。
在其中一个实施例中，所述基于所述至少两个候选采集视点得到用于对目标采样点做重建的目标采集视点包括：
针对所述至少两个候选采集视点中的每个候选采集视点，使用单纯下降法调整所述候选采集视点的位置与朝向，得到用于对目标采样点做重建的目标采集视点。
在其中一个实施例中，在所述基于所述初始采集视点的视点分数对多个所述初始采集视点进行筛选之前，所述方法还包括：
针对每个所述初始采集视点，确定所述初始采集视点和所述目标采样点之间的空间向量；
将所述空间向量和所述目标采样点的法向量之间的角度作为所述初始采集视点针对所述目标采样点的采集角度；
基于所述采集角度确定所述初始采集视点的视点分数；其中，所述采集角度和所述视点分数负相关。
在其中一个实施例中，所述目标采样点具有至少一个已有采集视点；所述基于所述采集角度确定所述初始采集视点的视点分数包括：
确定所述已有采集视点和所述初始采集视点之间的视点距离；
基于所述采集角度和所述视点距离确定所述初始采集视点的视点分数；其中，所述视点距离和所述视点分数正相关。
第二方面，本申请还提供了一种无人机采集视点确定装置。所述装置包括：
确定模块，用于从场景模型表面上的多个待选采样点中，基于所述待选采样点的可重建度确定出待重建的目标采样点；
筛选模块，用于针对所述目标采样点，确定多个新的初始采集视点；基于所述初始采集视点的视点分数对多个所述初始采集视点进行筛选，以得到用于对所述目标采样点做重建的目标采集视点；
迭代模块，用于基于所述目标采集视点确定未被选中的所述待选采样点的可重建度，返回执行所述基于所述待选采样点的可重建度确定出待重建的目标采样点以及后续步骤，直至所述可重建度低于预设阈值的待选采样点的数量满足预设条件。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行上述无人机采集视点确定方法的步骤。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行上述无人机采集视点确定方法的步骤。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行上述无人机采集视点确定方法的步骤。
上述无人机采集视点确定方法、装置、计算机设备、存储介质和计算机程序产品，通过从场景模型表面上的多个待选采样点中，基于所述待选采样点的可重建度确定出待重建的目标采样点。可以理解，目标采样点是可重建度比较高的采样点。针对所述目标采样点，确定多个新的初始采集视点。基于所述初始采集视点的视点分数对多个所述初始采集视点进行筛选，以得到用于对所述目标采样点做重建的目标采集视点。基于所述目标采集视点确定未被选中的所述待选采样点的可重建度，返回执行所述基于所述待选采样点的可重建度确定出待重建的目标采样点以及后续步骤，直至所述可重建度低于预设阈值的待选采样点的数量满足预设条件。这样，就可以基于目标采样点的可重建度和初始采集视点的视点分数迭代式地确定出目标采集视点，从而提高了目标采集视点的有效性。
附图说明
图1为一个实施例中无人机采集视点确定方法的应用环境图；
图2为一个实施例中无人机采集视点确定方法的流程示意图；
图3为一个实施例中无人机采集视点确定方法的原理示意图；
图4为一个实施例中无人机采集视点确定方法的原理示意图；
图5为一个实施例中无人机采集视点确定方法的原理示意图；
图6为一个实施例中无人机采集视点确定方法的效果对比图；
图7为一个实施例中无人机采集视点确定方法的效果对比图；
图8为一个实施例中无人机采集视点确定装置的结构框图；
图9为一个实施例中计算机设备的内部结构图；
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的无人机采集视点确定方法，可以应用于如图1所示的应用环境中。其中，终端110通过网络与服务器120进行通信。数据存储系统可以存储服务器120需要处理的数据。数据存储系统可以集成在服务器120上，也可以放在云上或其他网络服务器上。其中，终端110可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器120可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
服务器120可以基于拍摄真实场景得到的图像，生成场景模型。服务器120从场景模型表面上的多个待选采样点中，基于待选采样点的可重建度确定出待重建的目标采样点。服务器120针对目标采样点，确定多个新的初始采集视点。服务器120基于初始采集视点的视点分数对多个初始采集视点进行筛选，以得到用于对目标采样点做重建的目标采集视点。服务器120基于目标采集视点确定未被选中的待选采样点的可重建度，返回执行基于待选采样点的可重建度确定出待重建的目标采样点以及后续步骤，直至可重建度低于预设阈值的待选采样点的数量满足预设条件。服务器120将目标采集视点发送给终端110，使得终端110根据多个目标采集视点生成对应的航拍数据采集路径。
在一个实施例中，终端110也可以由服务器替代，对此不限定。
在另一个实施例中，服务器120也可以由终端替代，对此不限定。
在一个实施例中，如图2所示，提供了一种无人机采集视点确定方法，本实施例以该方法应用于服务器进行举例说明，可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
S202，从场景模型表面上的多个待选采样点中，基于待选采样点的可重建度确定出待重建的目标采样点。
具体地，服务器可以确定场景模型表面上的多个待选采样点的可重建度，并从多个待选采样点中，基于待选采样点的可重建度确定出待重建的目标采样点。
在一个实施例中，待选采样点的可重建度是基于待选采样点的已有采集视点和待选采样点之间的空间关系得到的。
在一个实施例中，服务器可以基于与待选采样点位于同一区域内的多个相关采样点的可重建度量确定待选采样点的被采样概率，并使用被采样概率对待选采样点进行概率采样，得到目标采样点。
在一个实施例中，服务器可以基于待选采样点和相关采样点之间的距离得到相关采样点的权重，并对相关采样点的可重建度量按照对应的权重进行加权求和，得到被采样概率。
S204，针对目标采样点，确定多个新的初始采集视点；基于初始采集视点的视点分数对多个初始采集视点进行筛选，以得到用于对目标采样点做重建的目标采集视点。
具体地，针对目标采样点，服务器确定多个新的初始采集视点。服务器确定每个初始采集视点的视点分数，并基于初始采集视点的视点分数对多个初始采集视点进行筛选，以得到用于对目标采样点做重建的目标采集视点。可以理解，目标采集视点为视点分数大于预设阈值的初始采集视点。
在一个实施例中，针对每个初始采集视点，若初始采集视点未具有已有采集视点，则服务器可以基于初始采集视点针对目标采样点的采集角度来确定初始采集视点的视点分数。
在一个实施例中，针对每个初始采集视点，若初始采集视点具有已有采集视点，则服务器可以基于初始采集视点针对目标采样点的采集角度、已有采集视点和初始采集视点之间的距离来确定初始采集视点的视点分数。
在一个实施例中，服务器可以基于视点分数对多个初始采集视点进行筛选，得到候选采集视点。相比于通过随机采样的方式确定候选采集视点，通过视点分数进行筛选，可以提高候选采集视点的有效性。服务器还可以根据候选采集视点的冗余度对候选采集视点进一步筛选，并使用单纯下降法调整筛选出的候选采集视点的位置和朝向，得到目标采集视点。
S206，基于目标采集视点确定未被选中的待选采样点的可重建度，返回执行基于待选采样点的可重建度确定出待重建的目标采样点以及后续步骤，直至可重建度低于预设阈值的待选采样点的数量满足预设条件。
具体地，服务器基于目标采集视点确定未被选中的待选采样点的可重建度，并将未被选中的待选采样点作为新的待选采样点，返回执行基于待选采样点的可重建度确定出待重建的目标采样点以及后续步骤，直至可重建度低于预设阈值的待选采样点的数量满足预设条件。比如，当可重建度低于预设阈值的待选采样点的数量与场景模型上的所有采样点的总数量的比例小于等于预设比例阈值的情况下，停止迭代。可以理解，在迭代的过程中，被选中的目标采样点不会再次被选中。
在一个实施例中，基于目标采集视点确定未被选中的待选采样点的可重建度的过程包括：服务器将目标采集视点作为已有采集视点，并基于已有采集视点来确定未被选中的待选采样点的可重建度。可以理解，已有采集视点随着迭代轮数的增加，数量越来越多。
上述无人机采集视点确定方法，通过从场景模型表面上的多个待选采样点中，基于待选采样点的可重建度确定出待重建的目标采样点。可以理解，目标采样点是可重建度比较高的采样点。针对目标采样点，确定多个新的初始采集视点。基于初始采集视点的视点分数对多个初始采集视点进行筛选，以得到用于对目标采样点做重建的目标采集视点。基于目标采集视点确定未被选中的待选采样点的可重建度，返回执行基于待选采样点的可重建度确定出待重建的目标采样点以及后续步骤，直至可重建度低于预设阈值的待选采样点的数量满足预设条件。这样，就可以基于目标采样点的可重建度和初始采集视点的视点分数迭代式地确定出目标采集视点，从而提高了目标采集视点的有效性。
在一个实施例中，从场景模型表面上的多个待选采样点中，基于待选采样点的可重建度确定出待重建的目标采样点包括：针对位于场景模型表面上的每个待选采样点，确定离待选采样点在预设距离内的多个相关采样点，并基于相关采样点的可重建度量和待选采样点的可重建度量确定针对待选采样点的被采样概率；使用被采样概率对待选采样点进行概率采样，得到待重建的目标采样点。
具体地，服务器针对位于场景模型表面上的每个待选采样点，确定离待选采样点在预设距离内的多个相关采样点，并基于相关采样点的可重建度量和待选采样点的可重建度量确定针对待选采样点的被采样概率。服务器使用被采样概率对待选采样点进行概率采样，得到待重建的目标采样点。
比如，如图3所示，3.a中通过使用不同的颜色表示不同的待选采样点各自的可重建度量。3.b是基于可重建度量确定出的目标采样点。可以理解，与通过均匀采样得到目标采样点的方法相比，通过使用可重建度量计算被采样概率，并使用被采样概率对待选采样点进行概率采样，可以对难以重建的区域获得更高的分辨率。
在本实施中，基于在预设距离内的多个相关采样点的可重建度量来确定被采样概率，从而概率采样确定出目标采样点，提高了目标采样点的准确和有效性。
在一个实施例中，基于相关采样点的可重建度量和待选采样点的可重建度量确定针对待选采样点的被采样概率包括：确定待选采样点和相关采样点之间的距离；基于距离得到相关采样点的权重；其中，距离和权重负相关；对各个相关采样点的可重建度量按照对应的权重进行加权求和，以得到针对待选采样点的被采样概率。
具体地，服务器确定待选采样点和相关采样点之间的距离。服务器基于距离得到相关采样点的权重；其中，距离和权重负相关。即距离越大，权重越小。距离越小，权重越大。服务器对各个相关采样点的可重建度量按照对应的权重进行加权求和，以得到针对待选采样点的被采样概率。
比如，对于每一个在场景模型表面上的待选采样点pj，对应的被采样概率为
Figure 395986DEST_PATH_IMAGE002
。Pn是与待选采样点pj在预设距离内的采样点集（包括待选采样点和相关采样点），服务器可以根据Pn中各个采样点q的可重建度量Rq计算被采样概率
Figure 671109DEST_PATH_IMAGE002
。具体公式如下：
Figure DEST_PATH_IMAGE004_21A
其中，dq是pn集合中的采样点q到待选采样点pj的距离。可以理解，距离越大，权重越小。距离越小，权重越大，并根据各个权重对可重建度量进行加权求和，对求和结果计算平均值，作为被采样概率。这样，服务器可以找到重建不好的区域，然后在这些区域中确定更多的目标采样点。
在本实施例中，通过对各个相关采样点的可重建度量按照对应的权重进行加权求和，以得到针对待选采样点的被采样概率，从而提高被采样概率的准确性。
在一个实施例中，基于初始采集视点的视点分数对多个初始采集视点进行筛选，以得到用于对目标采样点做重建的目标采集视点包括：基于初始采集视点的视点分数对多个初始采集视点进行筛选，得到多个候选采集视点；确定各个候选采集视点的冗余度，并从多个候选采集视点中删除冗余度大于预设冗余阈值的候选采集视点，得到至少两个候选采集视点；基于至少两个候选采集视点得到用于对目标采样点做重建的目标采集视点。
具体地，服务器基于初始采集视点的视点分数对多个初始采集视点进行筛选，得到多个候选采集视点。进一步地，服务器确定各个候选采集视点的冗余度，并从多个候选采集视点中删除冗余度大于预设冗余阈值的候选采集视点，得到至少两个候选采集视点。服务器基于至少两个候选采集视点得到用于对目标采样点做重建的目标采集视点。
在本实施例中，通过计算候选采集视点冗余度，来删除冗余度大于预设冗余阈值的候选采集视点，从而减少视点冗余，提高有效性。
在一个实施例中，基于至少两个候选采集视点得到用于对目标采样点做重建的目标采集视点包括：针对至少两个候选采集视点中的每个候选采集视点，使用单纯下降法调整候选采集视点的位置与朝向，得到用于对目标采样点做重建的目标采集视点。
具体地，服务器针对至少两个候选采集视点中的每个候选采集视点，使用单纯下降法调整候选采集视点的位置与朝向，将调整后的候选采集视点作为对目标采样点做重建的目标采集视点。
在本实施例中，通过使用单纯下降法来调整位置和朝向，以进一步提高目标采样点的可重建度量。
在一个实施例中，在基于初始采集视点的视点分数对多个初始采集视点进行筛选之前，方法还包括：针对每个初始采集视点，确定初始采集视点和目标采样点之间的空间向量；将空间向量和目标采样点的法向量之间的角度作为初始采集视点针对目标采样点的采集角度；基于采集角度确定初始采集视点的视点分数；其中，采集角度和视点分数负相关。
其中，法向量是与场景模型表面垂直且经过目标采样点的向量。
具体地，在基于初始采集视点的视点分数对多个初始采集视点进行筛选之前，服务器针对每个初始采集视点，确定初始采集视点和目标采样点之间的空间向量。服务器将空间向量和目标采样点的法向量之间的角度作为初始采集视点针对目标采样点的采集角度。服务器基于采集角度确定初始采集视点的视点分数；其中，采集角度和视点分数负相关。即采集角度越大，视点分数越小。采集角度越小，视点分数越大。可以理解，采集角度越小，代表初始采集视点和目标采样点之间的向量越靠近垂直90度的方向，初始采集视点所采集的图像效果就越好，因此视点分数越大。
在本实施例中，将采集角度和视点分数负相关，可以提高视点分数的准确性，以筛选出有效的目标采集视点。
在一个实施例中，目标采样点具有至少一个已有采集视点；基于采集角度确定初始采集视点的视点分数包括：确定已有采集视点和初始采集视点之间的视点距离；基于采集角度和视点距离确定初始采集视点的视点分数；其中，视点距离和视点分数正相关。
具体地，目标采样点具有至少一个已有采集视点。服务器可以确定已有采集视点和初始采集视点之间的视点距离；基于采集角度和视点距离确定初始采集视点的视点分数；其中，视点距离和视点分数正相关。即视点距离越大，视点分数越大。
在一个实施例中，服务器可以分别确定每个已有采集视点和初始采集视点之间的视点距离，并从多个视点距离中得到最小视点距离，基于最小视点距离和采集角度得到视点分数。其中，最小视点距离和视点分数正相关。
在一个实施例中，如图4中的4.a小图所示，针对目标采样点，对应有两个已有采集视点和一个初始采集视点。用Vv表示两个已有采集视点，用vm表示初始采集视点，针对vm视点的视点分数
Figure 252263DEST_PATH_IMAGE006
通过以下公式计算：
Figure DEST_PATH_IMAGE008_23A
其中xj，nj是目标采样点pj的位置和法向量。该计算公式鼓励初始采集视点近目标采样点pj的法向量，而远离已有采集视点。比如，针对4.a小图中的d1和d2两个视点距离，服务器可以基于这两个视点距离得到视点分数，使得视点分数越高和视点距离正相关。这样，基于视点分数筛选出的目标采集视点如4.b所示。
在一个实施例中，如图5所示，采集视点的确定过程包括了视点初始化、视点删除这三大部分。具体地，在视点初始化阶段，服务器从场景模型表面上的多个待选采样点中，基于待选采样点的可重建度确定出待重建的目标采样点。目标采样点可以具有已有采集视点，如5.1小图中所示的两个视点为已有采集视点。服务器针对目标采样点，确定多个新的初始采集视点，如5.2小图中所示的新的初始采集视点。在视点删除阶段，服务器针对每个初始采集视点，确定初始采集视点和目标采样点之间的空间向量，将空间向量和目标采样点的法向量法向量之间的角度作为初始采集视点针对目标采样点的采集角度。服务器基于采集角度来确定初始采集视点的视点分数。若具有已有采集视点，服务器还可以确定所述已有采集视点和所述初始采集视点之间的视点距离；基于所述采集角度和所述视点距离确定所述初始采集视点的视点分数；其中，所述视点距离和所述视点分数正相关。服务器基于视点分数对多个初始采集视点进行筛选，得到多个候选采集视点。服务器确定各个候选采集视点的冗余度，并从多个候选采集视点中删除冗余度大于预设冗余阈值的候选采集视点，得到至少两个候选采集视点。如5.3小图中所示，相比于5.2小图，删除了两个候选采集视点。在视点调整阶段，服务器可以针对至少两个候选采集视点中的每个候选采集视点，使用单纯下降法调整候选采集视点的位置与朝向，得到用于对目标采样点做重建的目标采集视点。如5.4小图中的候选采集视点，相比于5.3小图，位置和朝向有些适应性调整。服务器返回视点初始化阶段以进行迭代处理。具体地，服务器基于目标采集视点确定未被选中的待选采样点的可重建度，返回执行基于所述待选采样点的可重建度确定出待重建的目标采样点以及后续步骤，直至可重建度低于预设阈值的待选采样点的数量满足预设条件。可以理解，在不断迭代过程中，未被选中的待选采样点越来越少，采集视点越来越多，场景模型对应的目标场景的可重建度量将逐步提高，尤其是对于几何结构比较复杂的区域。相比于传统的确定采集视点的方式，基于可重建度量选择出新的目标采样点，并确定目标采集视点，可以更好地避开迭代过程中的局部极小值。
本申请在多个场景中进行了实验，并和传统上的第一方法和第二方法进行了对比。在不同场景上使用不同方法的重建结果如图6和图7所示。这些重建结果展示在每列大图中，小图展示了本申请得到的重建结果与传统方法的细节对比。从结果中可以看出，本申请使用目标采集视点生成的路径能够拥有更好的重建质量。
本申请还对城市三维场景重建任务进行了准确度-完整度指标的测试。准确度-完整度是城市三维场景重建的常用指标，可以衡量未知场景的重建准确程度。经过实验，本方法重建出的三维模型达到了90%的错误率都在0.333m，0.352m之下，相较于第一方法和第二方法分别提高了23%和21%。这证明了本申请使用目标采集视点生成的航拍路径能够有更好的重建效果。
应该理解的是，虽然本申请部分实施例中的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。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，流程图中的至少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。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的无人机采集视点确定方法的无人机采集视点确定装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个无人机采集视点确定装置实施例中的具体限定可以参见上文中对于无人机采集视点确定方法的限定，在此不再赘述。
在一个实施例中，如图8所示，提供了一种无人机采集视点确定装置800，包括：确定模块802、筛选模块804和迭代模块806，其中：
确定模块802，用于从场景模型表面上的多个待选采样点中，基于待选采样点的可重建度确定出待重建的目标采样点。
筛选模块804，用于针对目标采样点，确定多个新的初始采集视点；基于初始采集视点的视点分数对多个初始采集视点进行筛选，以得到用于对目标采样点做重建的目标采集视点。
迭代模块806，用于基于目标采集视点确定未被选中的待选采样点的可重建度，返回执行基于待选采样点的可重建度确定出待重建的目标采样点以及后续步骤，直至可重建度低于预设阈值的待选采样点的数量满足预设条件。
在一个实施例中，从场景模型表面上的多个待选采样点中，确定模块802还用于针对位于场景模型表面上的每个待选采样点，确定离待选采样点在预设距离内的多个相关采样点，并基于相关采样点的可重建度量和待选采样点的可重建度量确定针对待选采样点的被采样概率；使用被采样概率对待选采样点进行概率采样，得到待重建的目标采样点。
在一个实施例中，确定模块802还用于确定待选采样点和相关采样点之间的距离；基于距离得到相关采样点的权重；其中，距离和权重负相关；对各个相关采样点的可重建度量按照对应的权重进行加权求和，以得到针对待选采样点的被采样概率。
在一个实施例中，筛选模块804还用于基于初始采集视点的视点分数对多个初始采集视点进行筛选，得到多个候选采集视点；确定各个候选采集视点的冗余度，并从多个候选采集视点中删除冗余度大于预设冗余阈值的候选采集视点，得到至少两个候选采集视点；基于至少两个候选采集视点得到用于对目标采样点做重建的目标采集视点。
在一个实施例中，筛选模块804还用于针对至少两个候选采集视点中的每个候选采集视点，使用单纯下降法调整候选采集视点的位置与朝向，得到用于对目标采样点做重建的目标采集视点。
在一个实施例中，在基于初始采集视点的视点分数对多个初始采集视点进行筛选之前，筛选模块804还用于针对每个初始采集视点，确定初始采集视点和目标采样点之间的空间向量；将空间向量和目标采样点的法向量之间的角度作为初始采集视点针对目标采样点的采集角度；基于采集角度确定初始采集视点的视点分数；其中，采集角度和视点分数负相关。
在一个实施例中，目标采样点具有至少一个已有采集视点；筛选模块804还用于确定已有采集视点和初始采集视点之间的视点距离；基于采集角度和视点距离确定初始采集视点的视点分数；其中，视点距离和视点分数正相关。
上述无人机采集视点确定装置，通过从场景模型表面上的多个待选采样点中，基于待选采样点的可重建度确定出待重建的目标采样点。可以理解，目标采样点是可重建度比较高的采样点。针对目标采样点，确定多个新的初始采集视点。基于初始采集视点的视点分数对多个初始采集视点进行筛选，以得到用于对目标采样点做重建的目标采集视点。基于目标采集视点确定未被选中的待选采样点的可重建度，返回执行基于待选采样点的可重建度确定出待重建的目标采样点以及后续步骤，直至可重建度低于预设阈值的待选采样点的数量满足预设条件。这样，就可以基于目标采样点的可重建度和初始采集视点的视点分数迭代式地确定出目标采集视点，从而提高了目标采集视点的有效性。
关于上述无人机采集视点确定装置的具体限定可以参见上文中对于上述无人机采集视点确定方法的限定，在此不再赘述。上述无人机采集视点确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O）和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种无人机采集视点确定方法。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图10所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC（近场通信）或其他技术实现。该计算机程序被处理器执行时以实现一种无人机采集视点确定方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置，显示屏可以是液晶显示屏或电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图9和图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
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，是可以通过计算机程序来指令相关的硬件来完成，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（Read-OnlyMemory，ROM）、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（Random Access Memory，RAM）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（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic Random Access Memory，DRAM）等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (12)

1.一种无人机采集视点确定方法，其特征在于，所述方法包括：
针对位于场景模型表面上的每个待选采样点，确定离所述待选采样点在预设距离内的多个相关采样点；
确定所述待选采样点和所述相关采样点之间的距离；
基于所述距离得到所述相关采样点的权重；其中，所述距离和所述权重负相关；
对各个所述相关采样点的可重建度量按照对应的所述权重进行加权求和，以得到针对所述待选采样点的被采样概率；
使用所述被采样概率对所述待选采样点进行概率采样，得到待重建的目标采样点；
针对所述目标采样点，确定多个新的初始采集视点；
基于所述初始采集视点的视点分数对多个所述初始采集视点进行筛选，以得到用于对所述目标采样点做重建的目标采集视点；
基于所述目标采集视点确定未被选中的所述待选采样点的可重建度，返回执行所述基于所述待选采样点的可重建度确定出待重建的目标采样点以及后续步骤，直至所述可重建度低于预设阈值的待选采样点的数量满足预设条件。
2.根据权利要求1所述的方法，其特征在于，所述基于所述初始采集视点的视点分数对多个所述初始采集视点进行筛选，以得到用于对所述目标采样点做重建的目标采集视点包括：
基于所述初始采集视点的所述视点分数对多个所述初始采集视点进行筛选，得到多个候选采集视点；
确定各个所述候选采集视点的冗余度，并从所述多个候选采集视点中删除所述冗余度大于预设冗余阈值的候选采集视点，得到至少两个候选采集视点；
基于所述至少两个候选采集视点得到用于对目标采样点做重建的目标采集视点。
3.根据权利要求2所述的方法，其特征在于，所述基于所述至少两个候选采集视点得到用于对目标采样点做重建的目标采集视点包括：
针对所述至少两个候选采集视点中的每个候选采集视点，使用单纯下降法调整所述候选采集视点的位置与朝向，得到用于对目标采样点做重建的目标采集视点。
4.根据权利要求1至3中任一项所述的方法，其特征在于，在所述基于所述初始采集视点的视点分数对多个所述初始采集视点进行筛选之前，所述方法还包括：
针对每个所述初始采集视点，确定所述初始采集视点和所述目标采样点之间的空间向量；
将所述空间向量和所述目标采样点的法向量之间的角度作为所述初始采集视点针对所述目标采样点的采集角度；
基于所述采集角度确定所述初始采集视点的视点分数；其中，所述采集角度和所述视点分数负相关。
5.根据权利要求4中所述的方法，其特征在于，所述目标采样点具有至少一个已有采集视点；所述基于所述采集角度确定所述初始采集视点的视点分数包括：
确定所述已有采集视点和所述初始采集视点之间的视点距离；
基于所述采集角度和所述视点距离确定所述初始采集视点的视点分数；其中，所述视点距离和所述视点分数正相关。
6.一种无人机采集视点确定装置，其特征在于，所述装置包括：
确定模块，用于针对位于场景模型表面上的每个待选采样点，确定离所述待选采样点在预设距离内的多个相关采样点；确定所述待选采样点和所述相关采样点之间的距离；基于所述距离得到所述相关采样点的权重；其中，所述距离和所述权重负相关；对各个所述相关采样点的可重建度量按照对应的所述权重进行加权求和，以得到针对所述待选采样点的被采样概率；使用所述被采样概率对所述待选采样点进行概率采样，得到待重建的目标采样点；
筛选模块，用于针对所述目标采样点，确定多个新的初始采集视点；基于所述初始采集视点的视点分数对多个所述初始采集视点进行筛选，以得到用于对所述目标采样点做重建的目标采集视点；
迭代模块，用于基于所述目标采集视点确定未被选中的所述待选采样点的可重建度，返回执行所述基于所述待选采样点的可重建度确定出待重建的目标采样点以及后续步骤，直至所述可重建度低于预设阈值的待选采样点的数量满足预设条件。
7.根据权利要求6所述的装置，其特征在于，所述筛选模块，还用于基于所述初始采集视点的所述视点分数对多个所述初始采集视点进行筛选，得到多个候选采集视点；确定各个所述候选采集视点的冗余度，并从所述多个候选采集视点中删除所述冗余度大于预设冗余阈值的候选采集视点，得到至少两个候选采集视点；基于所述至少两个候选采集视点得到用于对目标采样点做重建的目标采集视点。
8.根据权利要求7所述的装置，其特征在于，所述筛选模块，还用于针对所述至少两个候选采集视点中的每个候选采集视点，使用单纯下降法调整所述候选采集视点的位置与朝向，得到用于对目标采样点做重建的目标采集视点。
9.根据权利要求6至8任一项所述的装置，其特征在于，所述筛选模块，还用于针对每个所述初始采集视点，确定所述初始采集视点和所述目标采样点之间的空间向量；将所述空间向量和所述目标采样点的法向量之间的角度作为所述初始采集视点针对所述目标采样点的采集角度；基于所述采集角度确定所述初始采集视点的视点分数；其中，所述采集角度和所述视点分数负相关。
10.根据权利要求9所述的装置，其特征在于，所述目标采样点具有至少一个已有采集视点；所述筛选模块，还用于确定所述已有采集视点和所述初始采集视点之间的视点距离；基于所述采集角度和所述视点距离确定所述初始采集视点的视点分数；其中，所述视点距离和所述视点分数正相关。
11.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法的步骤。
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
CN202210875100.3A 2022-07-25 2022-07-25 无人机采集视点确定方法、装置、计算机设备和存储介质 Active CN115100286B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210875100.3A CN115100286B (zh) 2022-07-25 2022-07-25 无人机采集视点确定方法、装置、计算机设备和存储介质
US18/190,433 US20240029427A1 (en) 2022-07-25 2023-03-27 Method for determining unmanned aerial vehicle acquisition viewpoints, computer apparatus, and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210875100.3A CN115100286B (zh) 2022-07-25 2022-07-25 无人机采集视点确定方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN115100286A CN115100286A (zh) 2022-09-23
CN115100286B true CN115100286B (zh) 2022-11-11

Family

ID=83298473

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210875100.3A Active CN115100286B (zh) 2022-07-25 2022-07-25 无人机采集视点确定方法、装置、计算机设备和存储介质

Country Status (2)

Country Link
US (1) US20240029427A1 (zh)
CN (1) CN115100286B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201303356A (zh) * 2011-06-21 2013-01-16 Qualcomm Mems Technologies Inc 成像方法及具有角度鑑別層之系統
CN103363924A (zh) * 2013-07-15 2013-10-23 中国科学院空间科学与应用研究中心 一种压缩的三维计算鬼成像系统及方法
WO2019126665A1 (en) * 2017-12-22 2019-06-27 Magic Leap, Inc. Viewpoint dependent brick selection for fast volumetric reconstruction
CN110599583A (zh) * 2019-07-26 2019-12-20 深圳眸瞳科技有限公司 无人机飞行轨迹生成方法、装置、计算机设备和存储介质
CN114937125A (zh) * 2022-07-25 2022-08-23 深圳大学 可重建度量信息预测方法、装置、计算机设备和存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10867430B2 (en) * 2018-11-19 2020-12-15 Intel Corporation Method and system of 3D reconstruction with volume-based filtering for image processing
CN112435325B (zh) * 2020-09-29 2022-06-07 北京航空航天大学 基于vi-slam和深度估计网络的无人机场景稠密重建方法
CN112884894B (zh) * 2021-04-28 2021-09-21 深圳大学 场景重建数据采集方法、装置、计算机设备和存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201303356A (zh) * 2011-06-21 2013-01-16 Qualcomm Mems Technologies Inc 成像方法及具有角度鑑別層之系統
CN103363924A (zh) * 2013-07-15 2013-10-23 中国科学院空间科学与应用研究中心 一种压缩的三维计算鬼成像系统及方法
WO2019126665A1 (en) * 2017-12-22 2019-06-27 Magic Leap, Inc. Viewpoint dependent brick selection for fast volumetric reconstruction
CN110599583A (zh) * 2019-07-26 2019-12-20 深圳眸瞳科技有限公司 无人机飞行轨迹生成方法、装置、计算机设备和存储介质
CN114937125A (zh) * 2022-07-25 2022-08-23 深圳大学 可重建度量信息预测方法、装置、计算机设备和存储介质

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
3D Scene Reconstruction from Reflection Images in a Spherical Mirror;M. Kanbara等;《18th International Conference on Pattern Recognition (ICPR"06)》;20060918;第4卷;第1-6页 *
优视摄影测量方法及精度分析;黄惠等;《测绘学报》;20220401;第51卷(第6期);第996-1007页 *
基于卷积神经网络和NBV的三维重建方法;李爱军;《电子测量技术》;20210423;第44卷(第8期);第70-75页 *
基于多视图深度采样的自然场景三维重建;姜翰青等;《计算机辅助设计与图形学学报》;20151015;第27卷(第10期);第1805-1815页 *
无人机航拍图像三维重建技术研究综述;吴长嵩等;《科学技术创新》;20200805(第22期);第83-84页 *
面向复杂动态场景的多无人机协同摄影;黄惠等;《计算机辅助设计与图形学学报》;20210720;第33卷(第7期);第1113-1125页 *

Also Published As

Publication number Publication date
US20240029427A1 (en) 2024-01-25
CN115100286A (zh) 2022-09-23

Similar Documents

Publication Publication Date Title
CN108805898B (zh) 视频图像处理方法和装置
CN108304761A (zh) 文本检测方法、装置、存储介质和计算机设备
CN112801215B (zh) 图像处理模型搜索、图像处理方法、装置和存储介质
CN111627119B (zh) 纹理贴图方法及装置、设备、存储介质
CN114937125B (zh) 可重建度量信息预测方法、装置、计算机设备和存储介质
CN115457492A (zh) 目标检测方法、装置、计算机设备及存储介质
CN110956131A (zh) 单目标追踪方法、装置及系统
CN112862730B (zh) 点云特征增强方法、装置、计算机设备和存储介质
CN114332457A (zh) 图像实例分割模型训练、图像实例分割方法和装置
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
CN117372604A (zh) 一种3d人脸模型生成方法、装置、设备及可读存储介质
CN113111885A (zh) 一种动态分辨率实例分割方法及计算机可读存储介质
CN111898619A (zh) 图片特征提取方法、装置、计算机设备和可读存储介质
CN117037244A (zh) 人脸安全检测方法、装置、计算机设备和存储介质
CN111221827A (zh) 基于图形处理器的数据库表连接方法、装置、计算机设备和存储介质
CN116310899A (zh) 基于YOLOv5改进的目标检测方法及装置、训练方法
CN116258923A (zh) 图像识别模型训练方法、装置、计算机设备和存储介质
CN111259702A (zh) 一种用户兴趣的估计方法及装置
CN115758271A (zh) 数据处理方法、装置、计算机设备和存储介质
CN115130768A (zh) 移动目标长轨迹预测方法、装置
CN115170903A (zh) 一种车辆场景图像处理方法、系统及电子设备
CN114937140B (zh) 面向大规模场景的图像渲染质量预测与路径规划系统
CN116402967B (zh) 场景建筑快速单体化方法、装置、计算机设备和存储介质
CN115880249B (zh) 基于图像的对象分割方法、装置、设备和介质
CN115861520B (zh) 高光检测方法、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