CN115375765A - 影像控制点提取方法和装置 - Google Patents

影像控制点提取方法和装置 Download PDF

Info

Publication number
CN115375765A
CN115375765A CN202211013445.4A CN202211013445A CN115375765A CN 115375765 A CN115375765 A CN 115375765A CN 202211013445 A CN202211013445 A CN 202211013445A CN 115375765 A CN115375765 A CN 115375765A
Authority
CN
China
Prior art keywords
point
points
point cloud
feature
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.)
Pending
Application number
CN202211013445.4A
Other languages
English (en)
Inventor
张丽
刘松林
方勇
龚辉
曹彬才
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.)
61540 Troops of PLA
Original Assignee
61540 Troops of PLA
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 61540 Troops of PLA filed Critical 61540 Troops of PLA
Priority to CN202211013445.4A priority Critical patent/CN115375765A/zh
Publication of CN115375765A publication Critical patent/CN115375765A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2228—Indexing structures
    • G06F16/2246—Trees, e.g. B+trees
    • G06T5/70—
    • 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
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • G06T2207/10044—Radar image

Abstract

本申请涉及一种影像控制点提取方法和装置，其中方法包括：获取基于遥感卫星采集到的点云数据，和点云数据对应的影像数据；由点云数据中提取出点云特征点，由影像数据中提取出特征角点；将点云特征点与特征角点进行匹配，根据匹配结果由点云特征点中确定影像控制点。由于在进行影像控制点的提取时是将点云数据和影像数据进行了结合的，因此所提取的影像控制点能够兼具精确的三维坐标信息和高分辨率几何点位信息，这就使得其他卫星相应处理应用所提取到的影像控制点时，便于数字转刺，应用方便快捷。而且由于提取到的影像控制点是配套高分辨率卫星影像的，因此能够进行多尺度影像控制点提取，从而满足不同分辨率影像高精度定位需求。

Description

影像控制点提取方法和装置
技术领域
本公开涉及卫星遥感图像处理技术领域，尤其涉及一种影像控制点提取方法和装置。
背景技术
三维数字控制框架是指覆盖全球、密集分布、具有准确位置特性的空间数据集的全称，是全球地理空间基础设施的重要组成部分，也是数字新基建的重要内容。其中，高精度的影像控制点作为三维数字控制框架的重要组成和基础，可以为全球影像定位和各类地理信息的快速测制及更新提供几何控制基础支撑，也是多源卫星影像产品精度和可靠性检核的重要依据。
其中，影像控制点主要是通过外部作业实地测量的方式获取得到。但是，按照现行航空摄影测量外业规范布设像片控制点，所需控制点数量较多，外业施测工作量大，困难地区很难到达，而且随着卫星摄影测量的发展，影像控制点自动提取已经成为数字化、自动化和智能化遥感测绘的重要技术内容。
在相关技术中，进行影像控制点的提取时通常会基于激光雷达获取到的三维点云进行影像控制点坐标信息的提取。但是，现有的影像控制点提取方式所提取的控制点通常无影像信息，不便于其他卫星影像匹配应用。
发明内容
有鉴于此，本公开提出了一种影像控制点提取方法，使得获取到的影像控制点能够附带有影像信息，从而便于其他卫星影像匹配应用。
根据本公开的一方面，提供了一种影像控制点提取方法，包括：
获取基于遥感卫星采集到的点云数据，和所述点云数据对应的影像数据；
由所述点云数据中提取出点云特征点，由所述影像数据中提取出特征角点；
将所述点云特征点与所述特征角点进行匹配，根据匹配结果由所述点云特征点中确定出影像控制点。
在一种可能的实现方式中，所述遥感卫星为ICESat-2卫星。
在一种可能的实现方式中，由所述点云数据中提取出所述点云特征点之前，还包括对所述点云数据进行去噪处理的步骤。
在一种可能的实现方式中，由所述点云数据中提取出所述点云特征点时采用边界特征点检测方法进行。
在一种可能的实现方式中，采用所述边界点检测方法由所述点云数据中提取出所述点云特征点时，包括：
对所述点云数据构建点云KD-tree数据结构；
基于所构建的点云KD-tree数据结构，计算各边界点与所述边界点的邻近点的角度，得到相应的角度序列；其中，所述边界点为处于KD-tree数据结构的边界位置处的数据点；
基于所述角度序列由边界点集合中提取出所述点云特征点。
在一种可能的实现方式中，基于所述角度序列由边界点集合中提取出所述点云特征点时，包括：
对所述角度序列中的各角度进行排序，并对排序后的序列中每相邻两个角度进行求差计算，得到角度差序列；
由所述角度差序列中提取出最大角度差，并确定所述最大角度差对应的边界点以及邻近点；
以所述最大角度差对应的边界点为原点，边界点至邻近点方向为X轴的正方向建立坐标系，并判断所述最大角度差对应的边界点的邻域内的邻近点在以所述边界点为原点的坐标系中的分布情况；
根据所述分布情况确定所述边界点为所述点云特征点。
在一种可能的实现方式中，由所述影像数据中提取出特征角点时，采用Shi-Tomasi算法进行提取。
在一种可能的实现方式中，采用Shi-Tomasi算法由所述影像数据中提取出特征角点时，结合LSD快速直线检测生成特征线作为约束条件，对提取出的所述特征角点进行剔除。
在一种可能的实现方式中，将所述点云特征点与所述特征角点进行匹配，根据匹配结果由所述点云特征点中确定出影像控制点，包括：
获取各所述点云特征点的位置信息，以及各所述特征角点的位置信息；其中，各所述点云特征点的位置信息与各所述特征角点的位置信息以同一坐标系为参考；；
根据所述点云特征点的位置信息和所述特征角点的位置信息进行点云特征点与所述特征角点的匹配，将位置信息相匹配的点云特征点作为所述影像控制点。
根据本公开的另一方面，还提供了一种影像控制点获取装置，包括数据读取模块、点云特征提取模块、影像特征提取模块和控制点确定模块；
所述数据读取模块，被配置为获取基于遥感卫星采集到的点云数据，和所述点云数据对应的影像数据；
所述点云特征提取模块，被配置为由所述点云数据中提取出点云特征点；
所述影像特征提取模块，被配置为由所述影像数据中提取出特征角点；
所述控制点确定模块，被配置为将所述点云特征点与所述特征角点进行匹配，根据匹配结果由所述点云特征点中确定出影像控制点。
本公开实施例的影像控制点提取方法在进行影像控制点的获取时，基于遥感卫星采集到的点云数据并结合对应的卫星影像数据，通过由点云数据中提取出点云特征点，进而再将提取出的点云特征点与影像数据中的特征角点进行匹配，从而基于匹配结果由点云特征点中确定出影像控制点，相较于现有提取的激光高程控制点只具有三维坐标的方式，由于本公开实施例的方法在进行影像控制点的提取时是将点云数据和影像数据进行了结合的，因此所提取的影像控制点兼具精确的三维坐标信息和高分辨率几何点位信息，这就使得其他卫星相应处理应用所提取到的影像控制点时，便于数字转刺，应用方便快捷。而且由于提取到的影像控制点是配套高分辨率卫星影像的，因此能够进行多尺度影像控制点提取，从而满足不同分辨率影像高精度定位需求。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
图1示出本公开实施例的影像控制点提取方法的流程图；
图2示出本公开实施例的影像控制点提取方法的另一流程图；
图3示出在本公开实施例的影像控制点提取方法中使用ICESat-2卫星获取到的点云数据与对应的卫星影像数据的匹配图；
图4a至图4d分别示出所获取到的卫星影像数据的原始数据、Shi-Tomasi角点检测结果、LSD快速直线检测约束以及约束后的Shi-Tomasi角点检测结果；
图5示出采用本公开实施例的影像控制点提取方法生成的控制点与影像示例图；
图6示出本公开实施例的影像控制点获取装置的结构框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出根据本公开一实施例的影像控制点提取方法的流程图。如图1所示，该方法包括：步骤S100，获取基于遥感卫星采集到的点云数据和遥感卫星采集到的点云数据对应的卫星影像数据。此处，需要说明的是，在本公开实施例的方法中，点云数据主要是以ICESat-2卫星采集到数据为主，将ICESat-2卫星采集到的点云数据结合卫星影像数据进行影像控制点的检测提取。这是由于ICESat-2卫星作为ICESat-1卫星的后续星，采用6波束光子计数激光雷达作为主要载荷，相较于ICESat-1卫星能够获得更加密集和更加高精度的点云，激光足印缩小至17米，沿轨相邻点间隔仅为0.7米，点云平面精度为6.5米，不同陆地覆盖类型高程精度经验证均在1米以内。并且，ICESat-2作为高程精度最高的卫星系统，能够提供高精度的坐标信息，而且激光雷达定位原理简单，精度一致性好，同时ICESat-2卫星数据已经在网上公开，可以作为一种非常重要的公众地理信息数据，其获取方式更加简便。而卫星影像数据的获取则可以通过ICESat-2卫星与其他高分辨率卫星影像联合提取。
在获取通过遥感卫星采集到的点云数据以及对应的卫星影像数据之后，即可执行步骤S200，由点云数据中提取出点云特征点，以及步骤S200’，由影像数据中提取出特征角点。
此处，需要说明的是，由于影像控制点的位置一般位于道路交点、拐点以及建筑物拐角，一般是影像的角点，因此在基于ICESat-2卫星采集到的点云数据进行影像控制点的检测提取时，需要先由点云数据中进行点云特征点的检测和筛选，以及影像数据中的特征角点的检测和筛选。
进而，再通过步骤S300，将点云特征点与特征角点进行匹配，根据匹配结果由点云特征点中确定出影像控制点。
由此，本公开实施例的影像控制点提取方法在进行影像控制点的获取时，基于遥感卫星采集到的点云数据并结合对应的卫星影像数据，通过由点云数据中提取出点云特征点，进而再将提取出的点云特征点与影像数据中的特征角点进行匹配，从而基于匹配结果由点云特征点中确定出影像控制点，相较于现有提取的激光高程控制点只具有三维坐标的方式，由于本公开实施例的方法在进行影像控制点的提取时是将点云数据和影像数据进行了结合的，因此所提取的影像控制点兼具精确的三维坐标信息和高分辨率几何点位信息，这就使得其他卫星相应处理应用所提取到的影像控制点时，便于数字转刺，应用方便快捷。而且由于提取到的影像控制点是配套高分辨率卫星影像的，因此能够进行多尺度影像控制点提取，从而满足不同分辨率影像高精度定位需求。
在一种可能的实现方式中，在由点云数据中提取点云特征点时可以采用边界点检测方法进行。同时，参阅图2，在进行点云特征点的提取之前，由于ICESat-2卫星激光雷达采用的是多波束微脉冲光子计数技术，是以一种微弱的光子信号进行测高和测距，并且，单光子模式的激光测高是基于飞行时间测距原理，其记录的是单光子时间的时间标签，输出的是随机分布的离散点云，获取到的点云数据通常会包含有比较大的背景噪声，因此在本申请实施例的方法中，在由点云数据中提取点云特征点之前可以先通过步骤S002，对获取到的点云数据进行去噪处理，以剔除背景噪声的影响。即，在通过步骤S100，获取到点云数据后，先通过步骤S002，对点云数据进行去噪处理。然后再通过步骤S210，基于去噪处理后的点云数据进行点云特征点的检测，以得到步骤S220中的点云特征点。
具体的，在本申请实施例的方法中，对获取到的点云数据进行去噪处理时可以采用基于空间密度的算法进行去噪，来削弱背景噪声带来的影响，然后再进行点云特征点的检测提取。采用基于空间密度的算法对点云数据进行去噪处理，更加适合于通过ICESat-2获取到的点云数据，这是由于ICESat-2只沿飞行方向记录数据，点云数据密度较低，分布稀疏，相较于传统的针对扫描式或推扫式记录回波波形的滤波去噪算法，基于空间密度的去噪方式能够更好的抑制背景噪声。
进一步地，由点云数据中提取点云特征点时，可以采用边界点检测方法来实现。具体的，首先通过步骤S211，对点云数据进行点云KD-tree数据结构的构建，以便于进行点云最近邻查找操作。此处，需要说明的是，构建点云KD-tree数据结构可以采用本领域常规技术手段来实现，此处不再进行赘述。同时，本领域技术人员也可以理解的是，KD-tree数据结构是一种对k维空间中的实例点进行存储以便对其进行快速检索的树形数据结构。
进而再通过步骤S212，基于构建的点云KD-tree数据结构，计算各边界点与边界点的邻近点的角度，得到相应的角度序列。此处，需要指出的是，边界点指的是在所构建的KD-tree数据结构中处于边界位置处的点云数据点。边界点的邻近点指的是在KD-tree数据结构中处于边界点的邻域的点云数据点。此处，本领域技术人员可以理解的是，处于边界点的领域的点云数据点的个数可以为多个，多个处于边界点的邻域的点云数据点构成该边界点的领域点集合。同时，在一种可能的实现方式中，边界点的邻域可以采用K邻域搜索的方式确定。即，在确定边界点的邻近点集合时，可以采用点云数据K邻域搜索方法来实现。
相应的，计算边界点与边界点的邻近点的角度则可以通过，以边界点为顶点，由该边界点的邻近点集合中选取任意两个邻近点，计算边界点与一个邻近点的连线旋转至边界点与另一邻近点的连接线的角度的方式来实现。
更加具体的，在计算边界点与一个邻近点的连线旋转至边界点与另一个邻近点的连线的角度时，可以采用余弦定理计算边界点与一个邻近点逆时针旋转至该边界点与另一邻近点的连线的角度来实现。
举例来说，通过构建的KD-tree数据结构确定某一边界点P，在计算该边界点P与其邻近点的角度时，首先以点P为顶点，选取点云数据中的点P的K邻域点集合Q(此处，K邻域点集合Q中包含有多个点P的邻近点)中的第一个邻近点P0，再选取集合Q中另一个邻近点Pi，然后运用余弦定理计算出PPi逆时针旋转到PP0的角度，得到一个角度，其中，i＝1。
接着，再以点P为顶点，点云数据中的点P的K邻域点集合Q中第一个邻近点P0为一个端点，由K邻域点集合Q中选取再一个邻近点Pi，i＝2，然后运用余弦定理计算出PPi逆时针旋转到PP0的角度，得到一个角度。
依此类推，直至将该边界点P的K邻域点集合Q中的各邻近点均依次计算完成为止。
也就是说，在进行各边界点与边界点的邻近点的角度，得到相应的角度序列时，先通过K邻域搜索的方法得到各边界点的K邻域点集合Q，然后再由当前进行计算的边界点的K邻域点集合Q中选取第一个邻近点作为基准，依次计算由边界点与其K邻域点集合Q中第一个邻近点的连线逆时针旋转至边界点与其K领域点集合Q中其他各邻近点的连线的旋转角度，由此得到该边界点的角度序列。
其中，对于由边界点的K邻域点集合Q中选取第一个邻近点，可以通过在建立KD-tree数据结构过程中，当建立KD-Tree索引时，按照一定的规则对K邻域内的点云数据点进行排序，选取排序在第一位的点云数据点作为第一个邻近点即可。
此处，需要指出的是，在建立KD-tree数据结构过程中，对K邻域内的各点云数据点进行排序时所采取的排序规则可以根据实际情况灵活设置，也可以直接采用本领域常规的技术手段来实现，此处不再进行赘述。
通过上述任一种方式得到边界点与其邻近点的角度序列后，即可执行步骤S213，基于得到的角度序列由边界点集合中提取出相应的点云特征。也就是说，在本申请实施例的方法中，由点云数据中提取出的点云特征点时，是由点云数据中的边界点中选取得到的。
在一种可能的实现方式中，基于角度序列由边界点集合中提取出点云特征点时，可以通过以下方式来实现。
首先，对角度序列中的各角度进行排序，并对排序后的序列中每相邻两个角度进行求差计算，得到相应的角度差序列。然后，再由角度差序列中提取出最大角度差，并确定最大角度差对应的边界点以及邻近点。接着，再以最大角度差对应的边界点为原点，边界点至邻近点的方向为X轴的正方向建立坐标系，并判断最大角度差对应的边界点的邻域内的邻近点在以边界点为原点的坐标系中的分布情况。最后根据边界点的邻域内的邻近点在以边界点为原点的坐标系中的分布情况确定边界点是否为点云特征点。
其中，需要指出的是，在对角度序列中的各角度进行排序时，可以按照由大到小的顺序进行排序。
如：对于某一边界点进行其与邻近点的角度的计算，得到对应的角度序列为Sp1＝[θ0、θ1、θ2、θ3、θ4、θ5、θ6]。对该角度序列中的各角度按照由大到小的顺序进行排序，得到[θ1、θ0、θ4、θ6、θ3、θ5]。对排序后的角度序列中每相邻两个角度进行求差计算，得到相应的角度差序列Sp2＝[θ1-θ0、θ0-θ4、θ4-θ6、θ6-θ3、θ3-θ5]。
接着，再由上述得到的角度差序列中提取出最大角度差Spmax＝θ6-θ3，然后基于提取出的最大角度差确定该角度差对应的边界点P，以及边界点P的邻近点Pi。此处，需要说明的是，所确定的边界点的邻近点指的是边界点与第一个邻近点的连线旋转至另一端所对应的邻近点。
在确定最大角度差对应的边界点以及邻近点之后，以边界点为原点，边界点至邻近点的方向为X轴的正方向建立坐标系，并判断最大角度差对应的边界点的邻域内的邻近点在以边界点为原点的坐标系中的分布情况。此处，需要解释说明的是，在判断边界点的邻域内的邻近点在以边界点为原点的坐标系中的分布情况时，边界点的邻域内的邻近点指的是边界点的K邻域点集合Q中的所有邻近点。
在判断出边界点的邻域内的邻近点在以边界点为原点的坐标系中的分布情况为均匀时，则确定该边界点为内部点。在判断出边界点的邻域内的邻近点在以边界点为原点的坐标系中的分布情况为不均匀时，则可以确定至少在一个象限内没有邻近点存在，则此时将该边界点作为点云特征点。
其中，应当指出的是，边界点的邻域内的邻近点在以边界点为原点的坐标系中的分布情况可以通过以下方式来确定。
即，分布均匀性的判断可以通过计算邻近点与原点的连线到X轴的旋转角度，并统计落在每个象限内的点数，只要每个象限内都存在有邻近点，就可以确定边界点的邻域内的邻近点在以边界点为原点的坐标系中分布是均匀的。只要存在有一个象限内没有邻近点的情况，则可以确定边界点的邻域内的邻近点的分布是不均匀的。其中，对于每个象限内的点数的统计可以采用本领域的常规技术手段来实现，此处也不再进行具体限定。
更进一步地，对于由影像数据中提取出特征角点时，可以采用Shi-Tomasi算法进行提取。优选的，由于Shi-Tomasi算法是基于影像灰度信息进行角点的提取的，有时候不能保证提取的角点即为实际的集合角点，因此为了提高影像数据中的特征角点提取结果的准确度，在本申请实施例的方法中，采用Shi-Tomasi算法进行特征角点的提取时，可以结合LSD(Line Segment Dectctor)快速直线检测生成特征线作为约束条件，对提取出的特征角点进行剔除，以保留影像的几何角点信息。此处，本领域技术人员可以理解的是，Shi-Tomasi算法和LSD(Line Segment Dectctor)快速直线检测生成特征线均可以采用本领域的常规技术手段来实现，此处不再进行赘述。
也就是说，参见图2，在通过步骤S100’，获取到光学卫星影像数据后，通过步骤S210’，对获取到的影像数据进行特征角点的检测，检测到特征角点后，再通过步骤S220’，对检测到的特征角点进行筛选。此处，需要指出的是，对特征角点的筛选采用的就是前面所述的LSD(Line Segment Dectctor)快速直线方法进行的，最后得到步骤S230’中的影像特征角点。
通过上述方式分别由点云数据中提取出点云特征点，由影像数据中提取出特征角点之后，即可进行点云特征点与特征角点的匹配，以确定二者是否为同名点。在确定出二者为同名点后，则可以确定由影像数据中提取出的特征角点为影像控制点。在确定出二者不是同名点时，则将该特征角点剔除。
在一种可能的实现方式中，进行点云特征点与特征角点的匹配时，可基于点云特征点的位置信息与特征角点的位置信息是否相一致的方式来实现。
即，获取各点云特征点的位置信息和各特征角点的位置信息。此处，需要指出的是，在基于点云特征点的位置信息和特征角点的位置信息进行点云特征点与特征角点的匹配时，各点云特征点的位置信息与特征角点的位置信息应当是处于同一参考坐标系下的。在一种可能的实现方式中，可以以特征角点对应的卫星影像数据所在的平面坐标系为参考坐标系。这是因为，ICESat-2点云数据是WGS84坐标系下的带有经纬度和高程的三维坐标，而影像数据则为二维平面坐标，因此在进行点云特征点与特征角点的匹配时，需要先进行点云数据到影像数据的坐标转换。即，通过对点云数据进行坐标转换(具体的，对点云数据进行投影转换)，将点云数据的坐标投影转换至影像数据的坐标系中，得到各点云数据在影像数据所在的坐标系下的坐标数据。然后，再建立点云特征点和特征角点的索引。此处需要说明的是，建立点云特征点各特征角点的索引的目的是为了进行各个点云特征点和各个特征角点的标记，以实现各个点云特征点和各特征角点的区分。其中，在建立点云特征点和特征角点的索引时可以采用各自的位置坐标作为索引，也可以自行设置，此处不进行具体限定。对各点云特征点和各特征角点建立相应的索引之后，即可进行各点云特征点与特征角点的匹配(即，步骤S310)。
具体的，在进行匹配时，可以按照索引顺序，依次对各点云特征点的位置信息与各特征角点的位置信息进行比对，在比对到当前存在一个特征角点的位置信息与当前正在匹配的点云特征点的位置信息相对应时，则停止当前的点云特征点的匹配，并确定当前正在匹配的点云特征点为影像控制点。在比对出所有的特征角点中均不存在与当前正在匹配的点云特征点相匹配的特征角点时，则确定当前正在匹配的点云特征点不是影像控制点。
其中，需要说明的是，在本申请实施例的方法中，对基于点云特征点的位置信息和特征角点的位置信息进行点云特征点和特征角点的匹配时，点云特征点的位置与特征角点的位置相一致指的是，点云特征点的位置对应到影像数据中的位置后，与特征角点的位置之间的距离小于预设阈值。预设阈值的取值可以采用像素个数来表征。在一种可能的实现方式中，预设阈值的取值范围可以为：0.2个像素点到0.5个像素点之间。优选的，预设阈值的取值可以为0.3个像素点。
举例来说，对于由点云数据中提取到的某个点云特征特征点W，根据其平面坐标(XW,YW)，然后在影像数据的特征角点索引中搜索，按顺序依次计算特征角点平面坐标(Xi,Yi)(其在影像上的行列号为(Row，Line))与(XW,YW)的距离差，并根据影像分辨率计算回像方，如果距离差小于预设阈值(如：0.3像素)，则表明该点云特征点与影像特征角点是匹配上的，是同名匹配点，然后记录这个点云特征点在点云中的坐标(XW,YW,ZW)和在影像中的位置(Row，Line)。如果由影像数据中提取到的所有特征角点的坐标
进一步地，对于确定的影像控制点，还可以通过将该点对应的点云坐标作为控制点坐标，并以影像上对于像素坐标为中心，截取特征区域影像作为控制点配套影像进行存储，从而便于后续进行影像控制点的查看和应用。
此处，本领域技术人员可以理解的是，所截取的特征区域影像指的是以前面所确定的各影像控制点对应的在影像数据上的坐标(Row，Line)为中心，截取一定大小的区域的影像数据。一般来说，目前按领域内规范对特征影像大小没有要求，在本申请实施例的方法中，所截取的区域大小可以为1024*1024大小。
为了更清楚地说明采用本申请实施例的方法所检测到的影像控制点的准确度，以下以一具体实施例进行举例说明。
实验点云数据为ICESat-2卫星获取，获取时间为2018年12月17日17:20:05，覆盖范围为北纬34.5000～34.5575；点云相应的卫星影像为谷歌影像，影像分辨率为0.5米；点云数据与影像匹配显示结果见图3所示，从图中可以看出ICESat-2点云呈窄条状分布状态。
首先，对预处理后的点云数据与影像进行坐标系转换，然后设置点云边界特征点的检测阈值，得到点云边界特征点。最后，对影像进行Shi-Tomasi角点检测，并运用LSD快速直线检测的特征线作为约束条件，对检测出的角点进行筛选。原始影像、Shi-Tomasi角点检测结果、LSD快速直线检测约束以及约束后的Shi-Tomasi角点检测结果分别见图4的(a)、(b)(c)、(d)。从图中对比可以看出，单纯利用Shi-Tomasi算子进行角点检测，检测出的角点数量规模很大，存在大量的非几何角点；加入LSD直线约束后，角点数量大幅减少，大量的非几何角点被剔除。
然后对影像与点云进行匹配，最终得到带有三维坐标的影像控制点，提取的部分控制点坐标见表1，在影像上展示效果见图5，可以看出该算法较好提取了符合条件的控制点。
表1提取部分控制点成果表
点号 X Y H
1 304203.9375 3821245.25 360.29129
2 304008.375 3819583.25 352.617523
3 304244.125 3821589.50 361.441010
4 304257.7188 3821702.25 360.766785
5 307621.4375 3822862.25 367.911835
6 304529.0000 3823999.50 375.192932
7 307443.6563 3821352.25 361.413544
8 307298.3125 3820122.75 353.476898
9 310692.9063 3821590.25 364.692749
10 304395.9063 3822871.25 366.812378
11 307963.1563 3825760.50 379.683746
12 307676.7188 3823332.25 390.494843
13 304162.0313 3820887.25 356.320618
14 307371.5000 3820745.00 356.618744
15 310702.9063 3821668.75 359.553589
16 310884.3438 3823212.50 370.464569
17 307335.6563 3820436.00 354.836090
18 307532.875 3822105.50 368.370148
19 307380.9063 3820826.25 356.461548
20 307706.4375 3823582.75 372.287781
进一步利用资源三号立体卫星影像，采用基于RFM模型的区域网平差试验，通过无控区域网平差和控制点辅助的区域网平差结果对比，验证提取出的控制点对于定位精度的提升效果。试验采用10个控制点，利用立体像对覆盖区域外业实测的44个高精度控制点作为检查点来统计精度，两种平差方案下检查点精度统计结果见表2。无控制点情况下，检查点平面、高程最大残差分别为15.94米、19.12米，平面和高程中误差分别为7.26米、9.23米；在本算法提取出来的控制点辅助下，检查点平面、高程最大残差分别为9.336米、8.69米，平面和高程中误差分别为2.65米和1.37米；影像定位精度提升明显，平面和高程精度分别提升63.5％、85.16％，充分说明了本算法提取的控制点的正确性。
表2无控区域网平差与控制点辅助区域网平差检查点精度(m)
Figure BDA0003811823720000141
由此可见，本申请实施例的方法以实现影像控制点自动提取为目标，通过点云和影像分别特征提取以及二者之间的特征匹配，提出了一种联合激光点云和高分辨率卫星影像的影像控制点自动提取方法，相较于现有提取的激光高程控制点只具有高精度三维坐标的方式，通过本申请实施例的方法提取的控制点兼具精确的三维坐标信息和高分辨率几何点位信息，其他卫星影像处理应用这些控制点时，便于数字转刺，应用方便快捷；而且由于控制点配套高分辨率影像，能够进行多尺度影像控制点提取，从而可满足不同分辨率影像高精度定位需求。从控制点提取方法来看，实际数据的试验证明本发明能够自动、快速、正确地提取出地物特征点，对于提升多源卫星影像的定位精度、实现卫星遥感影像的快速测绘应用意义重大，具有较大的实际应用价值。
相应的，基于前面任一所述的方法，本申请还提供了一种影像控制点提取装置。由于本申请提供的影像控制点提取装置的工作原理与本申请的影像控制点提取方法的原理相同或相似，因此重复之处不再赘述。
参阅图6，本申请提供的影像控制点获取装置100，包括数据读取模块110、点云特征提取模块120、影像特征提取模块130和控制点确定模块140。其中，数据读取模块110，被配置为获取基于遥感卫星采集到的点云数据，和点云数据对应的影像数据。点云特征提取模块120，被配置为由点云数据中提取出点云特征点。影像特征提取模块130，被配置为由影像数据中提取出特征角点。控制点确定模块140，被配置为将点云特征点与特征角点进行匹配，根据匹配结果由特征角点的集合中确定出影像控制点。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种影像控制点提取方法，其特征在于，包括：
获取基于遥感卫星采集到的点云数据，和所述点云数据对应的影像数据；
由所述点云数据中提取出点云特征点，由所述影像数据中提取出特征角点；
将所述点云特征点与所述特征角点进行匹配，根据匹配结果由所述点云特征点中确定影像控制点。
2.根据权利要求1所述的方法，其特征在于，所述遥感卫星为ICESat-2卫星。
3.根据权利要求1所述的方法，其特征在于，由所述点云数据中提取出所述点云特征点之前，还包括对所述点云数据进行去噪处理的步骤。
4.根据权利要求1所述的方法，其特征在于，由所述点云数据中提取出所述点云特征点时采用边界特征点检测方法进行。
5.根据权利要求4所述的方法，其特征在于，采用所述边界点检测方法由所述点云数据中提取出所述点云特征点时，包括：
对所述点云数据构建点云KD-tree数据结构；
基于所构建的点云KD-tree数据结构，计算各边界点与所述边界点的邻近点的角度，得到相应的角度序列；其中，所述边界点为处于KD-tree数据结构的边界位置处的数据点；
基于所述角度序列由边界点集合中提取出所述点云特征点。
6.根据权利要求5所述的方法，其特征在于，基于所述角度序列由边界点集合中提取出所述点云特征点时，包括：
对所述角度序列中的各角度进行排序，并对排序后的序列中每相邻两个角度进行求差计算，得到角度差序列；
由所述角度差序列中提取出最大角度差，并确定所述最大角度差对应的边界点以及邻近点；
以所述最大角度差对应的边界点为原点，边界点至邻近点方向为X轴的正方向建立坐标系，并判断所述最大角度差对应的边界点的邻域内的邻近点在以所述边界点为原点的坐标系中的分布情况；
根据所述分布情况确定所述边界点为所述点云特征点。
7.根据权利要求1至6任一项所述的方法，其特征在于，由所述影像数据中提取出特征角点时，采用Shi-Tomasi算法进行提取。
8.根据权利要求7所述的方法，其特征在于，采用Shi-Tomasi算法由所述影像数据中提取出特征角点时，结合LSD快速直线检测生成特征线作为约束条件，对提取出的所述特征角点进行剔除。
9.根据权利要求1至6任一项所述的方法，其特征在于，将所述点云特征点与所述特征角点进行匹配，根据匹配结果由所述点云特征点中确定出影像控制点，包括：
获取各所述点云特征点的位置信息，以及各所述特征角点的位置信息；其中，各所述点云特征点的位置信息与各所述特征角点的位置信息以同一坐标系为参考；
根据所述点云特征点的位置信息和所述特征角点的位置信息进行点云特征点与所述特征角点的匹配，将位置信息相匹配的点云特征点作为所述影像控制点。
10.一种影像控制点提取装置，其特征在于，包括数据读取模块、点云特征提取模块、影像特征提取模块和控制点确定模块；
所述数据读取模块，被配置为获取基于遥感卫星采集到的点云数据，和所述点云数据对应的影像数据；
所述点云特征提取模块，被配置为由所述点云数据中提取出点云特征点；
所述影像特征提取模块，被配置为由所述影像数据中提取出特征角点；
所述控制点确定模块，被配置为将所述点云特征点与所述特征角点进行匹配，根据匹配结果由所述点云特征点中确定出影像控制点。
CN202211013445.4A 2022-08-23 2022-08-23 影像控制点提取方法和装置 Pending CN115375765A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211013445.4A CN115375765A (zh) 2022-08-23 2022-08-23 影像控制点提取方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211013445.4A CN115375765A (zh) 2022-08-23 2022-08-23 影像控制点提取方法和装置

Publications (1)

Publication Number Publication Date
CN115375765A true CN115375765A (zh) 2022-11-22

Family

ID=84068510

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211013445.4A Pending CN115375765A (zh) 2022-08-23 2022-08-23 影像控制点提取方法和装置

Country Status (1)

Country Link
CN (1) CN115375765A (zh)

Similar Documents

Publication Publication Date Title
WO2021232463A1 (zh) 多源移动测量点云数据空地一体化融合方法、存储介质
US8325979B2 (en) Method and apparatus for detecting objects from terrestrial based mobile mapping data
Cheng et al. 3D building model reconstruction from multi-view aerial imagery and lidar data
CN111709981A (zh) 特征线融合的激光点云与模拟图像的配准方法
Giribabu et al. DEM generation using Cartosat-1 stereo data: issues and complexities in Himalayan terrain
CN102855628B (zh) 多源多时相高分辨率卫星遥感影像自动匹配方法
CN104077760A (zh) 一种航空摄影测量的快速拼接系统及其实现方法
CN108564532B (zh) 大尺度地距星载sar图像镶嵌方法
CN113971768A (zh) 一种基于无人机的输电线路违章建筑三维动态检测方法
CN111144350B (zh) 一种基于参考底图的遥感影像定位精度评价方法
CN113538501A (zh) 低空图像dsm生成建筑物边缘精细化方法
Huang et al. Multi-view large-scale bundle adjustment method for high-resolution satellite images
Zhong et al. A fast and effective approach to generate true orthophoto in built‐up area
Saponaro et al. Geometric accuracy evaluation of geospatial data using low-cost sensors on small UAVs
CN105631849A (zh) 多边形目标的变化检测方法及装置
CN114742876B (zh) 一种土地视觉立体测量方法
Wan et al. The P2L method of mismatch detection for push broom high-resolution satellite images
CN116152325A (zh) 一种基于单目视频的道路交通高边坡稳定性监测方法
CN115375765A (zh) 影像控制点提取方法和装置
Costa et al. A study of integration of LIDAR and photogrammetric data sets by indirect georeferencing and in situ camera calibration
Sadeq Using total probability in image template matching.
CN114136335A (zh) 一种基于无人机倾斜摄影测量的空中三角形精度分析方法
CN113486728A (zh) 基于特征融合的地表三维变化检测方法和装置
Persad et al. Automatic registration of 3-D point clouds from UAS and airborne LiDAR platforms
Altuntas Urban area change visualization and analysis using high density spatial data from time series aerial images

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