CN115482466B - 一种基于深度学习的三维模型植被区域轻量化处理方法 - Google Patents

一种基于深度学习的三维模型植被区域轻量化处理方法 Download PDF

Info

Publication number
CN115482466B
CN115482466B CN202211187675.2A CN202211187675A CN115482466B CN 115482466 B CN115482466 B CN 115482466B CN 202211187675 A CN202211187675 A CN 202211187675A CN 115482466 B CN115482466 B CN 115482466B
Authority
CN
China
Prior art keywords
vegetation
dimensional model
deep learning
model
tdom
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
CN202211187675.2A
Other languages
English (en)
Other versions
CN115482466A (zh
Inventor
陈瑞波
刘润东
梅树红
梁冬生
潘婵玲
陈家兴
何丽娟
王朝厅
吴帅
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.)
Guangxi Institute Of Natural Resources Remote Sensing
Original Assignee
Guangxi Institute Of Natural Resources Remote Sensing
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 Guangxi Institute Of Natural Resources Remote Sensing filed Critical Guangxi Institute Of Natural Resources Remote Sensing
Priority to CN202211187675.2A priority Critical patent/CN115482466B/zh
Publication of CN115482466A publication Critical patent/CN115482466A/zh
Application granted granted Critical
Publication of CN115482466B publication Critical patent/CN115482466B/zh
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
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G06V10/225—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition based on a marking or identifier characterising the area
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及地理信息系统数据处理领域，其具体公开了一种基于深度学习的三维模型植被区域轻量化处理方法，包括以下步骤：步骤1、训练用于植被检测的深度学习网络模型参数；步骤2、读入实景三维模型数据生成真正射影像TDOM；步骤3、采用深度学习图像分割方法，在TDOM上检测出植被区域；步骤4、搜索三维模型所有三角形的顶点，判断顶点是否落在植被区域内并做标记；步骤5、采用带标记的二次误差测度算法简化三维模型的植被区域。本发明的一种基于深度学习的三维模型植被区域轻量化处理方法，能够精准地对城市实景三维模型中植被区域进行模型简化，有效减小城市级实景三维模型中的冗余数据，提高数据的调度处理效率。

Description

一种基于深度学习的三维模型植被区域轻量化处理方法
技术领域
本发明涉及地理信息系统数据处理领域，尤其涉及一种基于深度学习的三维模型植被区域轻量化处理方法。
背景技术
基于倾斜摄影测量的三维重建技术通过海量的影像数据生成真三维模型，真实地还原地物信息，已经成为城市级实景三维建设的重要手段之一。为了保证视觉效果，城市三维场景的建模精度通常较高，精细的城市级三维模型往往达到了TB级的数据量。但是，巨大的数据量不仅降低了调度效率，还给图形渲染造成了极大的压力，减小模型数据量已成为三维可视化中亟待解决的问题之一。
三维模型的主要数据为三维网格和二维纹理贴图，目前构成三维网格的基本图元主要是三角形。通常使用简化算法删除一定的三角形来简化三维模型，其中Garland等提出的基于边折叠的QEM算法以高简化质量、低复杂度得到广泛应用和改进。但是在进行简化处理时，目前的简化算法难免造成三维模型的精度恶化，甚至导致模型的形状发生较大变化。
在城市实景三维模型中，植被的重要性不高，但是由于植被表面不平整，实景三维模型里有大量密集的三角形用于表达植被，于是模型中存在大量无意义的三角形数据。因此，精准地对植被区域进行模型简化，将会有效减小城市级实景三维模型中的冗余数据，提高数据的调度处理效率。
发明内容
本发明旨在至少解决上述所提及的技术问题之一，提供一种基于深度学习的三维模型植被区域轻量化处理方法，能够精准地对城市实景三维模型中植被区域进行模型简化，有效减小城市级实景三维模型中的冗余数据，提高数据的调度处理效率。
为了实现上述目的，本发明采用的技术方案为：一种基于深度学习的三维模型植被区域轻量化处理方法，包括以下步骤：
步骤1、训练用于植被检测的深度学习网络模型参数；
步骤2、读入实景三维模型数据生成真正射影像TDOM；
步骤3、利用步骤S1训练得到的用于植被检测的深度学习网络模型参数，采用深度学习图像分割方法，在真正射影像TDOM上检测出植被区域；
步骤4、搜索三维模型所有三角形的顶点，判断顶点是否落在植被区域内并做标记；
步骤5、采用带标记的二次误差测度算法简化实景三维模型的植被区域。
优选的，所述步骤1中，训练用于植被检测的深度学习网络模型参数包括以下步骤：
(1)收集植被类地物的真正射影像TDOM素材切片并标注植被区域，以制作训练集；
(2)对训练集图像进行数据增强处理；
(3)构建深度学习网络模型并进行迭代训练，以得到模型参数。
优选的，通过对训练集图像进行随机亮度、饱和度、清晰度、旋转、剪切、翻转、加高斯噪声的处理，以进行数据增强处理。
优选的，所述步骤2中生成真正射影像TDOM的具体实现方式包括：读入实景三维模型进行数据加载，将相机视点设置为模型的中心正上方，然后将相机视角设置为垂直向下，投影方式为正射投影，再进行离屏渲染并把渲染结果保存为图片文件。
优选的，所述步骤3中，使用步骤1训练得到的深度学习网络模型参数检测步骤2中真正射影像TDOM上的植被区域，以对真正射影像TDOM进行分割，然后对分割结果做二值化处理，植被区域标记为1，其它标记为0。
优选的，所述步骤4中，实景三维模型中三角形的顶点坐标为(X,Y,Z)，如果(X,Y)落在植被区域内并且顶点所在边为非边界边则标记该顶点为1，否则为标记0。
优选的，所述步骤5中，如果三角形的边的两个顶点均标记1，则计算其折叠代价Δ(e)，否则把该边的折叠代价Δ(e)设为最大值MAX，根据折叠代价大小进行排序，优先删减折叠代价最小的边，在删减边之后把新顶点的标记1，然后更新局部模型的拓扑信息，迭代简化直至设定简化率或者折叠误差小于设定阈值，最后输出简化模型。
有益效果是：与现有技术相比，本发明的一种基于深度学习的三维模型植被区域轻量化处理方法基于深度学习图像分割技术检测真正射影像TDOM上的植被区域，然后对模型中的植被三角网格进行特定的折叠简化，在不影响视觉效果和主体精度情况下有效减少了城市级实景三维模型中的冗余数据量，从而提高了数据的调度处理效率，并且简化区域和未处理区域过渡自然，视觉上不存在处理边界痕迹。
附图说明
以下结合附图对本发明的具体实施方式作进一步的详细说明，其中：
图1为本发明的一种基于深度学习的三维模型植被区域轻量化处理方法的流程图；
图2为为基于深度学习图像分割的植被检测的输入和输出示意图；
图3为带标记1的的边折叠简化操作示意图；
图4为本发明处理方法处理前后的对比示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，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做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。
需要说明的是，当组件被称为“固定于”另一个组件，它可以直接在另一个组件上或者也可以存在居中的组件。当一个组件被认为是“连接”另一个组件，它可以是直接连接到另一个组件或者可能同时存在居中组件。当一个组件被认为是“设置于”另一个组件，它可以是直接设置在另一个组件上或者可能同时存在居中组件，当部件被称为“设置在中部”，不仅仅是设置在正中间位置，只要不是设置在两端部都属于中部所限定的范围内。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
目前通常使用普通可见光的无人机测绘系统采集影像数据，不具备近红外波段的光谱信息，传统方法通过可见光波段反射信息构建植被指数来识别植被。在实际应用中，植被指数分类方法容易受到地表颜色、大气辐射、双向反射等因素影响，分类的准确率不高，通用性不强。随着卷积神经网络在图像处理领域的不断发展，基于深度学习的图像分割方法可以通过数据集进行训练以适用于多种场景，准确率明显高于传统方法，其中U-Net具有分割效果优异、计算效率高的优点。经过多年的不断改进，Huimin Huang等人在2020年提出的UNet3+网络结合了多尺度特征，进一步引入了分类引导模块，模型参数更少，但可以产生更准确的位置感知和边界感知的分割图。
由此，如图1至图4所示，本申请提出了一种基于深度学习的三维模型植被区域轻量化处理方法，具体包括以下步骤：
步骤1、训练用于植被检测的深度学习网络模型参数；
步骤2、读入实景三维模型数据生成真正射影像TDOM；
步骤3、利用步骤S1训练得到的用于植被检测的深度学习网络模型参数，采用深度学习图像分割方法，在真正射影像TDOM上检测出植被区域；
步骤4、搜索三维模型所有三角形的顶点，判断顶点是否落在植被区域内并做标记；
步骤5、采用带标记的二次误差测度算法简化实景三维模型的植被区域。
更为具体的，在实施步骤1时，收集植被类地物的真正射影像TDOM素材，把高分辨率的真正射影像TDOM切分为多张512*512分辨率的图片，并标注植被区域制作训练集。优选的，可以对训练集图像进行随机亮度、饱和度、清晰度、旋转、剪切、翻转、加高斯噪声等处理，以实现数据增强处理，扩大训练集规模，从而增强网络的泛化能力，然后构建UNet3+深度学习网络模型并进行迭代训练得到模型参数，学习率为0.0002，批处理大小为8，采用二分类交叉熵损失函数判断迭代训练是否结束。
在实施步骤2时，读入实景三维模型进行数据加载，把相机视点设置为模型的中心正上方，相机视角设置为垂直向下，投影方式为正射投影，然后进行离屏渲染并且把渲染结果保存为图片文件。
在实施步骤3时，可以使用TensorRTC++API导入步骤1训练得到的UNet3+模型参数，以步骤2生成的真正射影像TDOM作为输入，通过深度学习图像分割检测真正射影像TDOM上的植被区域，以对真正射影像TDOM进行分割，并对分割结果做二值化处理，即植被区域标记为1，反之标记为0，如图2所示，为本发明深度学习图像分割植被区域并作二值化之后的结果图。
在实施步骤3时，实景三维模型中三角形的顶点坐标为(X,Y,Z)，搜索模型中所有三角形的顶点，如果(X,Y)落在植被区域内并且顶点所在边为非边界边则标记该顶点为1，否则标记为0；
在实施步骤5时，在Garland等提出的QEM三维模型简化算法基础上增加标记判断项，如果三角形的两个顶点都等于1，则计算其折叠代价Δ(e)，否则把该边的折叠代价Δ(e)设为最大值MAX，根据折叠代价大小进行排序，优先删减折叠代价最小的边，在删减边之后把新顶点标记为1，以对三角形的边进行折叠简化，具体的，边折叠简化操作如图3所示，然后更新实景三维模型的拓扑信息，迭代简化直至设定简化率或者折叠误差小于设定阈值，最后输出简化模型。
本实施例中，步骤5计算折叠代价的具体过程如下：
设实景三维模型中的任一顶点v＝[vx,vy,vz,1]T，包含v的三角形集合为planes，p为planes中的一个三角形，令p所在平面方程为ax+by+cz+d＝0，其中a2+b2+c2＝1，d为一个常数，则第i个顶点vi的二次误差矩阵为：
Figure BDA0003868016640000071
则对于由顶点vi和顶点vj构成的边e，其折叠代价为
Figure BDA0003868016640000072
其中MAX为折叠代价所用数据类型的最大数。
本实施例中，步骤5删减边的操作相当于把两个顶点折叠到某一个新坐标，新顶点坐标的计算方法如下：
设折叠后新顶点坐标为vnew，其误差矩阵为Qnew＝Qi+Qj，折叠代价为Δ(vnew)＝vn T ewQnewvnew，那么其二次误差方程可表示为：
Δ(vnew)＝q11x2+2q12xy+2q13xz+2q14x+q22y2+2q23yz+2q24y+q33z2+2q34z+q44
其中qij是Qnew中对应位置的元素，可写成以下形式：
Figure BDA0003868016640000073
若上式qij构成的矩阵可逆，则可以求出：
Figure BDA0003868016640000074
否则将vi、vj和
Figure BDA0003868016640000075
进行排序，选取折叠代价最小点作为新顶点的坐标。
采用本发明方法简化前后的实景三维模型展示效果如图4所示，原始模型共有21907个三角形，简化后只有16613个三角形。
由此可见，与现有技术相比，本发明的一种基于深度学习的三维模型植被区域轻量化处理方法基于深度学习图像分割技术检测真正射影像TDOM上的植被区域，然后对模型中的植被三角网格进行特定的折叠简化，在不影响视觉效果和主体精度情况下有效减少了城市级实景三维模型中的冗余数据量，从而提高了数据的调度处理效率，并且简化区域和未处理区域过渡自然，视觉上不存在处理边界痕迹。
以上实施例仅用以说明本发明的技术方案而并非对其进行限制，凡未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明技术方案的范围内。

Claims (5)

1.一种基于深度学习的三维模型植被区域轻量化处理方法，其特征在于，包括以下步骤：
步骤1、训练用于植被检测的深度学习网络模型参数；
步骤2、读入实景三维模型数据生成真正射影像TDOM；
步骤3、利用步骤S1训练得到的用于植被检测的深度学习网络模型参数，采用深度学习图像分割方法，在真正射影像TDOM上检测出植被区域；
步骤4、搜索实景三维模型所有三角形的顶点，判断顶点是否落在植被区域内并做标记；
步骤5、采用带标记的二次误差测度算法简化实景三维模型的植被区域；
所述步骤4中，实景三维模型中三角形的顶点坐标为(X,Y,Z)，如果(X,Y)落在植被区域内并且顶点所在边为非边界边则标记该顶点为1，否则为标记0；
所述步骤5中，如果三角形的边的两个顶点均标记1，则计算其折叠代价Δ(e)，否则把该边的折叠代价Δ(e)设为最大值MAX，根据折叠代价大小进行排序，优先删减折叠代价最小的边，在删减边之后把新顶点的标记1，然后更新局部模型的拓扑信息，迭代简化直至设定简化率或者折叠误差小于设定阈值，最后输出简化模型。
2.根据权利要求1所述的一种基于深度学习的三维模型植被区域轻量化处理方法，其特征在于，所述步骤1中，训练用于植被检测的深度学习网络模型参数包括以下步骤：
(1)收集植被类地物的真正射影像TDOM素材切片并标注植被区域，以制作训练集；
(2)对训练集图像进行数据增强处理；
(3)构建深度学习网络模型并进行迭代训练，以得到模型参数。
3.根据权利要求2所述的一种基于深度学习的三维模型植被区域轻量化处理方法，其特征在于，通过对训练集图像进行随机亮度、饱和度、清晰度、旋转、剪切、翻转、加高斯噪声的处理，以进行数据增强处理。
4.根据权利要求1所述的一种基于深度学习的三维模型植被区域轻量化处理方法，其特征在于，所述步骤2中生成真正射影像TDOM的具体实现方式包括：读入实景三维模型进行数据加载，将相机视点设置为模型的中心正上方，然后将相机视角设置为垂直向下，投影方式为正射投影，再进行离屏渲染并把渲染结果保存为图片文件。
5.根据权利要求1所述的一种基于深度学习的三维模型植被区域轻量化处理方法，其特征在于，所述步骤3中，使用步骤1训练得到的深度学习网络模型参数检测步骤2中真正射影像TDOM上的植被区域，以对真正射影像TDOM进行分割，然后对分割结果做二值化处理，植被区域标记为1，其它标记为0。
CN202211187675.2A 2022-09-28 2022-09-28 一种基于深度学习的三维模型植被区域轻量化处理方法 Active CN115482466B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211187675.2A CN115482466B (zh) 2022-09-28 2022-09-28 一种基于深度学习的三维模型植被区域轻量化处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211187675.2A CN115482466B (zh) 2022-09-28 2022-09-28 一种基于深度学习的三维模型植被区域轻量化处理方法

Publications (2)

Publication Number Publication Date
CN115482466A CN115482466A (zh) 2022-12-16
CN115482466B true CN115482466B (zh) 2023-04-28

Family

ID=84394060

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211187675.2A Active CN115482466B (zh) 2022-09-28 2022-09-28 一种基于深度学习的三维模型植被区域轻量化处理方法

Country Status (1)

Country Link
CN (1) CN115482466B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102306394A (zh) * 2011-08-30 2012-01-04 北京理工大学 基于外观保持的三维模型简化方法
CN102881044A (zh) * 2012-09-27 2013-01-16 重庆大学 一种基于三角形折叠的三维网格模型的简化方法
CN103632395A (zh) * 2013-12-10 2014-03-12 中山大学深圳研究院 基于三角形收缩的三维几何图形简化方法
CN104183020A (zh) * 2014-07-09 2014-12-03 浙江大学 基于带惩罚项的局部二次误差测量的地物网格化简方法
CN110223397A (zh) * 2019-05-30 2019-09-10 南京维狸家智能科技有限公司 一种保持细节特征及纹理的网格模型简化方法

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10643384B2 (en) * 2018-02-08 2020-05-05 Google Llc Machine learning-based geometric mesh simplification
CN108961411B (zh) * 2018-07-02 2023-04-18 南京大学 一种保持外观特征的复杂三维建筑物模型简化方法
CN110135354B (zh) * 2019-05-17 2022-03-29 武汉大势智慧科技有限公司 一种基于实景三维模型的变化检测方法
CN110930514B (zh) * 2019-11-22 2021-08-10 华南理工大学 基于局部区域特征的三维网格模型自适应简化方法
CN111583404B (zh) * 2020-05-08 2021-08-31 广西壮族自治区自然资源遥感院 海量倾斜摄影三维模型数据调度方法及系统
CN112700538B (zh) * 2020-12-31 2024-03-01 武汉大势智慧科技有限公司 Lod生成方法及系统
CN113850254A (zh) * 2021-08-25 2021-12-28 中国地质大学（武汉） 基于深度学习的建筑物矢量轮廓化简方法、模型及模型建立方法
CN113963118A (zh) * 2021-11-18 2022-01-21 江苏科技大学 一种基于特征简化和神经网络的三维模型识别方法
CN114387532A (zh) * 2021-12-03 2022-04-22 广州极飞科技股份有限公司 边界的识别方法及其装置、终端、电子设备和无人设备
CN114255244A (zh) * 2021-12-17 2022-03-29 南京理工大学 一种牙颌三维模型分割方法和系统
CN114662362A (zh) * 2022-03-24 2022-06-24 山东师范大学 基于深度学习的腰椎节段内固定方式仿真方法及系统
CN114708432B (zh) * 2022-04-02 2023-05-23 广西壮族自治区自然资源遥感院 基于规则网格离散化目标分割区域的加权度量方法
CN114996488B (zh) * 2022-08-08 2022-10-25 北京道达天际科技股份有限公司 一种天网大数据决策级融合方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102306394A (zh) * 2011-08-30 2012-01-04 北京理工大学 基于外观保持的三维模型简化方法
CN102881044A (zh) * 2012-09-27 2013-01-16 重庆大学 一种基于三角形折叠的三维网格模型的简化方法
CN103632395A (zh) * 2013-12-10 2014-03-12 中山大学深圳研究院 基于三角形收缩的三维几何图形简化方法
CN104183020A (zh) * 2014-07-09 2014-12-03 浙江大学 基于带惩罚项的局部二次误差测量的地物网格化简方法
CN110223397A (zh) * 2019-05-30 2019-09-10 南京维狸家智能科技有限公司 一种保持细节特征及纹理的网格模型简化方法

Also Published As

Publication number Publication date
CN115482466A (zh) 2022-12-16

Similar Documents

Publication Publication Date Title
CN113076842B (zh) 一种用于提升极端天气与环境下交通标志识别精度的方法
CN113034689B (zh) 基于激光点云的地形三维模型及地形图构建方法和系统、存储介质
CN111145174B (zh) 基于图像语义特征进行点云筛选的3d目标检测方法
US7940279B2 (en) System and method for rendering of texel imagery
CN109872397A (zh) 一种基于多目立体视觉的飞机零件的三维重建方法
CN112633277A (zh) 基于深度学习的航道船牌检测、定位及识别方法
CN108376232A (zh) 一种用于遥感影像的自动解译的方法与装置
CN112990086A (zh) 遥感影像建筑物检测方法、装置及计算机可读存储介质
CN116051759B (zh) 一种生成倾斜摄影lod简化模型的方法
CN113408594A (zh) 一种基于注意力网络尺度特征融合的遥感场景分类方法
CN111027538A (zh) 一种基于实例分割模型的集装箱检测方法
CN112990004A (zh) 一种基于光流法和深度学习卷积神经网络的黑烟车检测方法
CN100375124C (zh) 一种骨架化物体重建方法
CN114373009A (zh) 基于高分辨率遥感影像的建筑物阴影测高智能化计算方法
Ogunrinde et al. A review of the impacts of defogging on deep learning-based object detectors in self-driving cars
Poullis Large-scale urban reconstruction with tensor clustering and global boundary refinement
CN112396655A (zh) 一种基于点云数据的船舶目标6d位姿估计方法
CN116168246A (zh) 一种用于铁路工程的弃渣场识别方法、装置、设备及介质
CN114782417A (zh) 基于边缘强化图像分割的风机数字孪生特征实时检测方法
CN109657728B (zh) 样例生产方法及模型训练方法
CN114299242A (zh) 高精地图中图像处理方法、装置、设备以及存储介质
CN115482466B (zh) 一种基于深度学习的三维模型植被区域轻量化处理方法
CN113838199B (zh) 一种三维地形生成方法
Frommholz et al. Inlining 3d reconstruction, multi-source texture mapping and semantic analysis using oblique aerial imagery
CN115761223A (zh) 一种利用数据合成的遥感影像实例分割方法

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