CN115526924B - 一种蒙特卡洛模拟的水文环境建模方法及系统 - Google Patents

一种蒙特卡洛模拟的水文环境建模方法及系统 Download PDF

Info

Publication number
CN115526924B
CN115526924B CN202211506461.7A CN202211506461A CN115526924B CN 115526924 B CN115526924 B CN 115526924B CN 202211506461 A CN202211506461 A CN 202211506461A CN 115526924 B CN115526924 B CN 115526924B
Authority
CN
China
Prior art keywords
lake
coordinate
constraint
points
height
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
CN202211506461.7A
Other languages
English (en)
Other versions
CN115526924A (zh
Inventor
王陈浩
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.)
Hunan Changli Shangyang Technology Co ltd
Original Assignee
Hunan Changli Shangyang 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 Hunan Changli Shangyang Technology Co ltd filed Critical Hunan Changli Shangyang Technology Co ltd
Priority to CN202211506461.7A priority Critical patent/CN115526924B/zh
Publication of CN115526924A publication Critical patent/CN115526924A/zh
Application granted granted Critical
Publication of CN115526924B publication Critical patent/CN115526924B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • 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
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/08—Indexing scheme for image data processing or generation, in general involving all processing steps from image acquisition to 3D model generation
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • 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
    • G06T2207/30181—Earth observation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及环境建模的技术领域，公开了一种蒙特卡洛模拟的水文环境建模方法及系统，所述方法包括：对三维湖泊遥感图像进行网格划分；基于多维湖泊边缘提取约束集合中的每一个约束对网格化的湖泊遥感图像进行边缘提取，确定湖泊边界；采集湖泊水面区域的湖泊波浪高度序列数据，对序列数据进行波形分解；利用蒙特卡洛模拟法对分解得到的波形参数分布进行模拟，将得到的不同网格的高度场连接得到湖泊环境建模结果。本发明采用基于最邻近遍历树的空间划分方案，快速对三维湖泊遥感图像进行网格化处理，基于高度约束、密度约束以及连续性约束快速确定湖泊边界，利用蒙特卡洛模拟法确定湖泊水面区域随时序变化的高度场，并基于湖泊纹理进行建模。

Description

一种蒙特卡洛模拟的水文环境建模方法及系统
技术领域
本发明涉及环境建模的技术领域，尤其涉及一种蒙特卡洛模拟的水文环境建模方法及系统。
背景技术
随着国内湖泊生态环境的日益恶化，例如：鄱阳湖干涸、青海湖水位下降等问题，湖泊生态环境的快速建模对研究湖泊环境保护措施、制定治理方案具有重要意义。由于环境变化较快，传统的建模手段在效率和精度方面无法满足要求。针对该问题，本发明提出一种蒙特卡洛模拟的水文环境建模方法，实现对湖泊环境的快速数据采集以及基于湖泊纹理特征以及高度时序变化的环境建模。
发明内容
有鉴于此，本发明提供一种蒙特卡洛模拟的水文环境建模方法，目的在于1）基于灰度变化明显的特征像素，将特征像素坐标快速转换到世界坐标系下，并采用基于最邻近遍历树的空间划分方案，快速对由特征像素构成的三维湖泊遥感图像进行网格化处理，保留梯度变化明显的湖泊水岸线附近像素，进而基于高度约束、密度约束以及连续性约束确定湖泊水岸线边界，从而实现湖泊表面区域的快速建模；2）通过采集不同时刻的不同网格位置的波浪高度数据形成不同网格的湖泊波浪高度序列数据，对序列数据进行波形分解得到不同频率条件下的波形参数分布，利用蒙特卡洛模拟法生成任意网格点在任意时刻的随机风速参数，将随机风速参数代入到波形参数分布中，得到网格点在任意时刻的高度分布，根据所述高度分布结果，选取高度分布中概率最大的若干个高度值作为网格点在任意时刻的湖泊水面高度，进而得到湖泊水面区域中不同网格点在不同时刻的高度场，利用平滑的曲面将同一时刻不同网格点的高度场连接，其中每三个相邻的网格点之间的曲面区域中像素点颜色值为三个网格点的平均颜色值，并对曲面中每个像素点的颜色值进行基于高度的颜色衰减，将颜色衰减后的曲面区域作为湖泊纹理，得到随时序变化的湖泊环境建模结果。
为实现上述目的，本发明提供的一种蒙特卡洛模拟的水文环境建模方法，包括以下步骤：
S1：利用无人机拍摄得到目标湖泊图像，并将目标湖泊图像转换为三维湖泊遥感图像；
S2：对三维湖泊遥感图像进行网格划分，得到网格化后的湖泊遥感图像；
S3：建立多维湖泊边缘提取约束集合，并基于所建立集合中的每一个约束对网格化的湖泊遥感图像进行边缘提取，将所提取的边缘构成湖泊边缘集合；
S4：对提取得到的湖泊边缘集合进行最紧边界融合，得到融合的湖泊边界；
S5：采集不同时刻的不同网格位置的波浪高度数据形成不同网格的湖泊波浪高度序列数据，对序列数据进行波形分解得到不同频率条件下的波形参数分布；
S6：利用蒙特卡洛模拟法对不同时刻的波形参数分布进行模拟，得到不同网格随时序变化的高度场，将不同网格的高度场连接形成湖泊纹理，得到湖泊环境建模结果。
作为本发明的进一步改进方法：
可选地，所述S1步骤中将目标湖泊图像转换为三维湖泊遥感图像，包括：
利用无人机所搭载相机对目标湖泊进行拍摄得到目标湖泊图像，所述无人机的航行高度为：
Figure 557885DEST_PATH_IMAGE001
其中：
H表示无人机的航行高度，f表示无人机所搭载相机的焦距，GSD表示湖面分辨率，a表示像元尺寸；
所述所有无人机的航向相同，无人机航行起点在同一水平线，且该水平线属于湖泊边缘区域，相邻无人机的间隔为：
Figure 808869DEST_PATH_IMAGE002
其中：
L表示所拍摄图像的边长；
Figure 26224DEST_PATH_IMAGE003
表示旁像重叠度，将其设置为0.4；
对不同无人机所拍摄的目标湖泊图像进行像素转换，将拍摄图像转换为三维湖泊图像，所述像素转换流程为：
S11：利用灰度化处理方式将任意第i个无人机所拍摄的图像
Figure 675292DEST_PATH_IMAGE004
转换为灰度图
Figure 601791DEST_PATH_IMAGE005
，其中/>
Figure 323759DEST_PATH_IMAGE006
表示所拍摄图像/>
Figure 859652DEST_PATH_IMAGE007
的拍摄时刻；
S12：计算灰度图
Figure 983465DEST_PATH_IMAGE005
中任意像素/>
Figure 815286DEST_PATH_IMAGE008
的梯度值/>
Figure 555709DEST_PATH_IMAGE009
：
Figure 629713DEST_PATH_IMAGE010
Figure 873613DEST_PATH_IMAGE011
Figure 876335DEST_PATH_IMAGE012
其中：
Figure 572896DEST_PATH_IMAGE013
表示灰度图/>
Figure 450591DEST_PATH_IMAGE005
中任意像素/>
Figure 814576DEST_PATH_IMAGE014
在水平方向的梯度值；
Figure 847254DEST_PATH_IMAGE015
表示灰度图/>
Figure 540098DEST_PATH_IMAGE005
中任意像素/>
Figure 706637DEST_PATH_IMAGE014
在竖直方向的梯度值；
Figure 410282DEST_PATH_IMAGE016
表示灰度图/>
Figure 4074DEST_PATH_IMAGE005
中任意像素/>
Figure 924495DEST_PATH_IMAGE014
的灰度值，其中像素/>
Figure 894725DEST_PATH_IMAGE014
表示第x行第y列的像素；
S13：选取灰度图
Figure 718455DEST_PATH_IMAGE005
中梯度值最大的10个像素作为灰度图中的特征像素；
S14：将特征像素在灰度图中的坐标
Figure 748728DEST_PATH_IMAGE017
转换到世界坐标系下，得到特征像素的三维世界坐标/>
Figure 15499DEST_PATH_IMAGE018
：
Figure 540153DEST_PATH_IMAGE019
其中：
Figure 467658DEST_PATH_IMAGE020
表示相机所拍摄图像中单位像素分别在水平方向以及竖直方向的长度；
Figure 918099DEST_PATH_IMAGE021
表示相机所拍摄图像的中心像素坐标和图像原点像素坐标之间相差的水平方向和竖直方向像素数；
f表示无人机所搭载相机的焦距；
Figure 563844DEST_PATH_IMAGE022
表示相机的外部参数，分别包括相机的位置以及旋转方向参数；
Figure 361030DEST_PATH_IMAGE023
表示坐标/>
Figure 408621DEST_PATH_IMAGE017
在相机坐标系中Z轴的坐标值，则/>
Figure 35823DEST_PATH_IMAGE024
分别表示在X轴以及Y轴的坐标值，/>
Figure 903285DEST_PATH_IMAGE025
，其中将特征像素在灰度图中的坐标/>
Figure 769741DEST_PATH_IMAGE017
转换到相机坐标系下的公式为：/>
Figure 406259DEST_PATH_IMAGE026
S15：重复上述步骤，将首次航行时不同无人机在不同时刻所拍摄目标湖泊图像中的特征像素转换到世界坐标系中，构成三维湖泊遥感图像，其中三维湖泊遥感图像中包含若干坐标点，每个坐标点即为对应特征像素的世界坐标，坐标点的颜色值即为对应特征像素的灰度值。
可选地，所述S2步骤中对三维湖泊遥感图像进行网格划分，包括：
对三维湖泊遥感图像进行网格划分，得到网格化后的湖泊遥感图像，所述网格划分流程为：
S21：计算三维湖泊遥感图像中每个坐标轴所包含坐标点的方差，选择方差最大的坐标轴作为初始划分坐标轴，以三维湖泊遥感图像中初始划分坐标轴中坐标中位数所对应的坐标点为根节点，将初始划分坐标轴中坐标比中位数小或等于中位数的坐标点添加到左子树，将初始划分坐标轴中坐标比中位数大的坐标数据添加到右子树，其中左子树和右子树的坐标数据分别为初始空间划分结果；
S22：对于初始空间划分结果，循环依序取坐标点的各维度作为切分维度，取坐标点在该维度的中值作为切分超平面，将中值左侧的坐标点挂在其左子树，将中值右侧的坐标点挂在其右子树；递归处理其子树，直至所有坐标点挂载完毕，得到三维湖泊遥感图像中所有坐标点的最邻近遍历树；
S23：对于三维湖泊遥感图像中的任意坐标点p，利用最邻近遍历树遍历得到坐标点p的最邻近坐标点，并计算得到坐标点p与最邻近坐标点的距离d，并以坐标点p为中心，
Figure 198503DEST_PATH_IMAGE027
为半径构建球，将球内所有坐标点作为坐标点p的邻域坐标，其中/>
Figure 553261DEST_PATH_IMAGE028
表示半径约束常数；
所述基于最邻近遍历树的坐标点p的最邻近坐标点遍历流程为：将最邻近坐标点设置为最邻近遍历树的根节点；计算坐标点p到最邻近坐标点的距离，并以坐标点p为中心，以距离为半径构建得到球形，忽略与球形完全不相交的坐标点，并计算左子树/右子树根节点与坐标点p之间的距离，若该距离小于坐标点p到最邻近点的距离，则更新最邻近坐标点为左子树根节点，返回当前步骤，直到当前最邻近遍历树中只存在一个坐标点，其余坐标点均被忽略，最终保留的坐标点即为坐标点p的最邻近坐标点；
S24：遍历得到球内任意一个坐标点的最邻近坐标点，并用直线连接，将球内到直线距离最近的坐标点与直线进行三角连接，并将所构成的三角形投影到二维坐标平面，重复上述步骤，将三维湖泊遥感图像划分为若干三角形网格，得到网格化后的湖泊遥感图像，所述网格化后的湖泊遥感图像中每个网格点即为原始坐标点，所述网格点保留了原始坐标点在Z轴的坐标值以及自身颜色值。
可选地，所述S3步骤中建立多维湖泊边缘提取约束集合，并基于所建立集合中的每一个约束对网格化的湖泊遥感图像进行边缘提取，包括：
建立多维湖泊边缘提取约束集合，其中所建立的湖泊边缘提取约束包括湖泊水岸线的高度约束、密度约束以及连续性约束，在本发明实施例中，所述高度约束表示湖泊水岸线为高度变化较大的坐标点集合，所述密度约束表示湖泊岸边的地形结构比湖泊水域区域结构更为复杂，坐标点密度更大，所述连续性约束表示湖泊水岸线的长度较长且连续；
基于所建立集合中的每一个约束对网格化的湖泊遥感图像进行边缘提取，所述边缘提取流程为：
S31：设置高度约束阈值
Figure 82462DEST_PATH_IMAGE029
，对于网格化的湖泊遥感图像中的任意网格点，若网格点在Z轴的坐标值大于/>
Figure 88333DEST_PATH_IMAGE029
则标记该网格点为基于高度约束的湖泊水岸线边界点，其余网格点标记为基于高度约束的湖泊水面点；
S32：以邻近网格点存在基于高度约束的湖泊水面点的湖泊水岸线边界点为起点，遍历该边界点的邻近湖泊水岸线边界点，若邻近湖泊水岸线边界点的邻近网格点存在基于高度约束的湖泊水面点，则连接起点与邻近湖泊水岸线边界点，并将邻近湖泊水岸线边界点作为起点，重复该步骤，直到邻近湖泊水岸线边界点的邻近网格点不存在基于高度约束的湖泊水面点，连接结果即为基于高度约束的湖泊水岸线，若该水岸线大于连续性约束阈值
Figure 536632DEST_PATH_IMAGE030
则保留，否则返回原始起点重新进行遍历，得到基于高度约束的湖泊水岸线；
S33：设置密度约束阈值
Figure 394998DEST_PATH_IMAGE031
，对于网格化的湖泊遥感图像中的任意网格点，以该网格点为中心，R为半径画圆，将园内的网格点数目作为该网格点的密度，若网格点密度大于
Figure 852524DEST_PATH_IMAGE031
则标记该网格点位基于密度约束的湖泊水岸线边界点，其余网格点标记为基于密度约束的湖泊水面点；
S34：以邻近网格点存在基于密度约束的湖泊水面点的湖泊水岸线边界点为起点，遍历该边界点的邻近湖泊水岸线边界点，若邻近湖泊水岸线边界点的邻近网格点存在基于密度约束的湖泊水面点，则连接起点与邻近湖泊水岸线边界点，并将邻近湖泊水岸线边界点作为起点，重复该步骤，直到邻近湖泊水岸线边界点的邻近网格点不存在基于密度约束的湖泊水面点，连接结果即为基于密度约束的湖泊水岸线，若该水岸线大于连续性约束阈值
Figure 712902DEST_PATH_IMAGE030
则保留，否则返回原始起点重新进行遍历，得到基于密度约束的湖泊水岸线。
可选地，所述S4步骤中对提取得到的湖泊边缘集合进行最紧边界融合，包括：
对所提取到的基于高度约束的湖泊水岸线以及基于密度约束的湖泊水岸线进行最紧边界融合，所述最紧边界融合流程为：
计算任意一段基于高度约束的湖泊水岸线的连接矩形，其中连接矩形的长为基于高度约束的湖泊水岸线在竖直方向的长度，宽为基于高度约束的湖泊水岸线在水平方向的宽度，所述基于高度约束的湖泊水岸线嵌入在连接矩形中；
将连接矩形等比例缓慢放大，计算基于高度约束的湖泊水岸线在连接矩形中的湖泊大小以及基于密度约束的湖泊水岸线在连接矩形中的湖泊大小，将湖泊大小较小的湖泊水岸线作为该区域的边界；
重复上述步骤，得到不同区域的边界，并连接边界得到最紧边界约束的湖泊水岸线边界，其中湖泊水岸线边界内的区域即为湖泊水面区域。
可选地，所述S5步骤中采集不同时刻的不同网格的波浪高度数据形成不同网格的湖泊波浪高度序列数据，并对湖泊波浪高度序列数据进行波形分解，包括：
控制无人机在湖泊水面区域进行航行，拍摄得到不同时刻的目标湖泊图像，并将目标湖泊图像中的特征像素坐标转换到世界坐标系，采集得到湖泊水面区域中不同网格区域的波浪高度数据，所述网格区域的波浪高度数据为网格区域的网格点在Z轴的坐标值，得到湖泊水面区域任意网格点的波浪高度序列数据
Figure 597681DEST_PATH_IMAGE032
，其中
Figure 677764DEST_PATH_IMAGE033
表示任意网格点在时刻/>
Figure 673401DEST_PATH_IMAGE034
的Z轴坐标值；
对任意网格点的湖泊波浪高度序列数据
Figure 718363DEST_PATH_IMAGE035
进行波形分解，其中波形分解流程为：
S51：对湖泊波浪高度序列数据
Figure 39623DEST_PATH_IMAGE035
进行快速傅里叶变换：
Figure 607002DEST_PATH_IMAGE036
其中：
Figure 406331DEST_PATH_IMAGE037
表示湖泊波浪高度序列数据/>
Figure 241301DEST_PATH_IMAGE035
的快速傅里叶变换结果；
w表示
Figure 343249DEST_PATH_IMAGE035
的任意频率，/>
Figure 381612DEST_PATH_IMAGE038
表示/>
Figure 968320DEST_PATH_IMAGE035
的频率集合；
c表示虚数单位，
Figure 674108DEST_PATH_IMAGE039
，e表示自然常数；
Figure 556744DEST_PATH_IMAGE040
表示湖泊波浪高度序列数据/>
Figure 82403DEST_PATH_IMAGE035
的频谱；
S52：对频谱
Figure 472802DEST_PATH_IMAGE040
进行分解：
Figure 33097DEST_PATH_IMAGE041
Figure 352214DEST_PATH_IMAGE042
其中：
v表示湖泊水面区域任意网格点的风速序列数据，
Figure 630748DEST_PATH_IMAGE043
表示重力加速度；
Figure 689752DEST_PATH_IMAGE044
表示湖泊水面区域的面积，m表示湖泊水面区域内的网格点数目；
S53：计算得到湖泊水面区域任意网格点的波形参数分布
Figure 855285DEST_PATH_IMAGE045
：
Figure 860150DEST_PATH_IMAGE046
其中：
Figure 609670DEST_PATH_IMAGE047
为高斯随机数；
Figure 92603DEST_PATH_IMAGE048
表示湖泊水面区域中任意网格点随时间变化的波形参数分布。
可选地，所述S6步骤中利用蒙特卡洛模拟法对不同时刻的波形参数分布进行模拟，得到不同网格随时序变化的高度场，包括：
利用蒙特卡洛模拟法生成任意网格点q在任意时刻u的随机风速参数，将随机风速参数代入到波形参数分布中，得到网格点q在时刻u的高度分布，根据所述高度分布结果，选取高度分布中概率最大的若干个高度值作为网格点q在时刻u的湖泊水面高度，进而得到湖泊水面区域中不同网格点在不同时刻的高度场；
所述基于蒙特卡洛模拟法的随机风速参数产生方法为：
Figure 112643DEST_PATH_IMAGE049
其中：
Q为模数，将其设置为4；
Figure 288410DEST_PATH_IMAGE050
表示湖泊区域在u时刻的风速；
Figure 994066DEST_PATH_IMAGE051
表示乘数，b表示增量；
Figure 280691DEST_PATH_IMAGE052
表示网格点q在时刻u的风速，/>
Figure 155237DEST_PATH_IMAGE053
表示对应产生的初始风速参数；
所述时刻u的取值范围为一天中的任意时刻，进而得到湖泊水面在一天中任意时刻的高度场。
可选地，所述S6步骤中将不同网格的高度场连接形成湖泊纹理，得到湖泊环境建模结果，包括：
利用平滑的曲面将同一时刻不同网格点的高度场连接，其中每三个相邻的网格点之间的曲面区域中像素点颜色值为三个网格点的平均颜色值，并对曲面中每个像素点的颜色值进行基于高度的颜色衰减：
Figure 501905DEST_PATH_IMAGE054
其中：
Figure 226016DEST_PATH_IMAGE055
表示曲面区域中任意像素点的高度，即表示任意像素点在Z轴的坐标值；
color表示曲面区域中像素点颜色默认值，表示构成曲面区域的三个网格点的平均颜色值，
Figure 660540DEST_PATH_IMAGE056
表示衰减后的像素点颜色值，在本发明实施例中，光线入射到水面之后，由于水分子和水中悬浮杂质的吸收，以及光线的散射作用，光线就会变得越来减弱， 因此离水面越深的物体，表面颜色就会越暗淡；
将颜色衰减后的曲面区域作为湖泊纹理，得到随时序变化的湖泊环境建模结果。
为了解决上述问题，本发明提供一种蒙特卡洛模拟的水文环境建模系统，所述系统包括：
图像网格化装置，用于利用无人机拍摄得到目标湖泊图像，并将目标湖泊图像转换为三维湖泊遥感图像，对三维湖泊遥感图像进行网格划分；
湖泊水面区域提取装置，用于建立多维湖泊边缘提取约束集合，并基于所建立集合中的每一个约束对网格化的湖泊遥感图像进行边缘提取，对提取得到的湖泊边缘集合进行最紧边界融合，得到融合的湖泊边界，湖泊边界内的区域即为湖泊水面区域；
湖泊环境建模模块，用于采集不同时刻的不同网格位置的波浪高度数据形成不同网格的湖泊波浪高度序列数据，对序列数据进行波形分解得到不同频率条件下的波形参数分布，利用蒙特卡洛模拟法对不同时刻的波形参数分布进行模拟，得到不同网格随时序变化的高度场，将不同网格的高度场连接形成湖泊纹理，得到湖泊环境建模结果。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的蒙特卡洛模拟的水文环境建模方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的蒙特卡洛模拟的水文环境建模方法。
相对于现有技术，本发明提出一种蒙特卡洛模拟的水文环境建模方法，该技术具有以下优势：
首先，本方案提出一种湖泊表面区域快速建模方案，基于灰度变化明显的特征像素，将特征像素坐标快速转换到世界坐标系下，并采用基于最邻近遍历树的空间划分方案，快速确定空间域中任意特征像素的最邻近像素，从而建立三角形网格区域，快速对由特征像素构成的三维湖泊遥感图像进行网格化处理，保留梯度变化明显的湖泊水岸线附近像素，进而基于高度约束、密度约束以及连续性约束确定湖泊水岸线边界，对所提取到的基于高度约束的湖泊水岸线以及基于密度约束的湖泊水岸线进行最紧边界融合，所述最紧边界融合流程为：计算任意一段基于高度约束的湖泊水岸线的连接矩形，其中连接矩形的长为基于高度约束的湖泊水岸线在竖直方向的长度，宽为基于高度约束的湖泊水岸线在水平方向的宽度，所述基于高度约束的湖泊水岸线嵌入在连接矩形中；将连接矩形等比例缓慢放大，计算基于高度约束的湖泊水岸线在连接矩形中的湖泊大小以及基于密度约束的湖泊水岸线在连接矩形中的湖泊大小，将湖泊大小较小的湖泊水岸线作为该区域的边界；重复上述步骤，得到不同区域的边界，并连接边界得到最紧边界约束的湖泊水岸线边界，其中湖泊水岸线边界内的区域即为湖泊水面区域，实现湖泊表面区域的快速建模。
因此，本方案提出一种基于时序的湖泊环境建模方案，通过采集湖泊水面区域的不同时刻的不同网格位置的波浪高度数据形成不同网格的湖泊波浪高度序列数据，对序列数据进行波形分解得到不同频率条件下的波形参数分布，利用蒙特卡洛模拟法生成任意网格点q在任意时刻u的随机风速参数，将随机风速参数代入到波形参数分布中，得到网格点q在时刻u的高度分布，根据所述高度分布结果，选取高度分布中概率最大的若干个高度值作为网格点q在时刻u的湖泊水面高度，进而得到湖泊水面区域中不同网格点在不同时刻的高度场；所述基于蒙特卡洛模拟法的随机风速参数产生方法为：
Figure 904439DEST_PATH_IMAGE049
其中：Q为模数，将其设置为4；
Figure 665417DEST_PATH_IMAGE057
表示湖泊区域在u时刻的风速；/>
Figure 361977DEST_PATH_IMAGE051
表示乘数，b表示增量；/>
Figure 741137DEST_PATH_IMAGE058
表示网格点q在时刻u的风速，/>
Figure 573964DEST_PATH_IMAGE059
表示对应产生的初始风速参数；所述时刻u的取值范围为一天中的任意时刻，进而得到湖泊水面在一天中任意时刻的高度场。利用平滑的曲面将同一时刻不同网格点的高度场连接，其中每三个相邻的网格点之间的曲面区域中像素点颜色值为三个网格点的平均颜色值，并对曲面中每个像素点的颜色值进行基于高度的颜色衰减：
Figure 511702DEST_PATH_IMAGE054
其中：
Figure 695558DEST_PATH_IMAGE060
表示曲面区域中任意像素点的高度，即表示任意像素点在Z轴的坐标值；color表示曲面区域中像素点颜色默认值，表示构成曲面区域的三个网格点的平均颜色值，
Figure 612830DEST_PATH_IMAGE061
表示衰减后的像素点颜色值；将颜色衰减后的曲面区域作为湖泊纹理，得到随时序变化的湖泊环境建模结果，并保留湖泊环境的纹理特征。
附图说明
图1为本发明一实施例提供的一种蒙特卡洛模拟的水文环境建模方法的流程示意图；
图2为本发明一实施例提供的蒙特卡洛模拟的水文环境建模系统的功能模块图；
图3为本发明一实施例提供的实现蒙特卡洛模拟的水文环境建模方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种蒙特卡洛模拟的水文环境建模方法。所述蒙特卡洛模拟的水文环境建模方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述蒙特卡洛模拟的水文环境建模方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
实施例1：
S1：利用无人机拍摄得到目标湖泊图像，并将目标湖泊图像转换为三维湖泊遥感图像。
所述S1步骤中将目标湖泊图像转换为三维湖泊遥感图像，包括：
利用无人机所搭载相机对目标湖泊进行拍摄得到目标湖泊图像，所述无人机的航行高度为：
Figure 939644DEST_PATH_IMAGE001
其中：
H表示无人机的航行高度，f表示无人机所搭载相机的焦距，GSD表示湖面分辨率，a表示像元尺寸；
所述所有无人机的航向相同，无人机航行起点在同一水平线，且该水平线属于湖泊边缘区域，相邻无人机的间隔为：
Figure 799015DEST_PATH_IMAGE002
其中：
L表示所拍摄图像的边长；
Figure 955321DEST_PATH_IMAGE003
表示旁像重叠度，将其设置为0.4；
对不同无人机所拍摄的目标湖泊图像进行像素转换，将拍摄图像转换为三维湖泊图像，所述像素转换流程为：
S11：利用灰度化处理方式将任意第i个无人机所拍摄的图像
Figure 925551DEST_PATH_IMAGE004
转换为灰度图
Figure 982238DEST_PATH_IMAGE005
，其中/>
Figure 622298DEST_PATH_IMAGE006
表示所拍摄图像/>
Figure 780747DEST_PATH_IMAGE007
的拍摄时刻；
S12：计算灰度图
Figure 278636DEST_PATH_IMAGE005
中任意像素/>
Figure 206141DEST_PATH_IMAGE008
的梯度值/>
Figure 892468DEST_PATH_IMAGE009
：
Figure 538213DEST_PATH_IMAGE010
Figure 958568DEST_PATH_IMAGE011
Figure 756891DEST_PATH_IMAGE012
其中：
Figure 128966DEST_PATH_IMAGE013
表示灰度图/>
Figure 245696DEST_PATH_IMAGE005
中任意像素/>
Figure 95840DEST_PATH_IMAGE014
在水平方向的梯度值；
Figure 748670DEST_PATH_IMAGE015
表示灰度图/>
Figure 291646DEST_PATH_IMAGE005
中任意像素/>
Figure 630093DEST_PATH_IMAGE014
在竖直方向的梯度值；
Figure 159294DEST_PATH_IMAGE016
表示灰度图/>
Figure 915898DEST_PATH_IMAGE005
中任意像素/>
Figure 365463DEST_PATH_IMAGE014
的灰度值，其中像素/>
Figure 473096DEST_PATH_IMAGE014
表示第x行第y列的像素；
S13：选取灰度图
Figure 415776DEST_PATH_IMAGE005
中梯度值最大的10个像素作为灰度图中的特征像素；
S14：将特征像素在灰度图中的坐标
Figure 135208DEST_PATH_IMAGE017
转换到世界坐标系下，得到特征像素的三维世界坐标/>
Figure 754408DEST_PATH_IMAGE018
：
Figure 834490DEST_PATH_IMAGE019
其中：
Figure 830128DEST_PATH_IMAGE020
表示相机所拍摄图像中单位像素分别在水平方向以及竖直方向的长度；
Figure 545012DEST_PATH_IMAGE021
表示相机所拍摄图像的中心像素坐标和图像原点像素坐标之间相差的水平方向和竖直方向像素数；
f表示无人机所搭载相机的焦距；
Figure 866272DEST_PATH_IMAGE022
表示相机的外部参数，分别包括相机的位置以及旋转方向参数；
Figure 27126DEST_PATH_IMAGE023
表示坐标/>
Figure 341302DEST_PATH_IMAGE017
在相机坐标系中Z轴的坐标值，则/>
Figure 395845DEST_PATH_IMAGE024
分别表示在X轴以及Y轴的坐标值，/>
Figure 373160DEST_PATH_IMAGE025
，其中将特征像素在灰度图中的坐标/>
Figure 677102DEST_PATH_IMAGE017
转换到相机坐标系下的公式为：/>
Figure 269670DEST_PATH_IMAGE026
S15：重复上述步骤，将首次航行时不同无人机在不同时刻所拍摄目标湖泊图像中的特征像素转换到世界坐标系中，构成三维湖泊遥感图像，其中三维湖泊遥感图像中包含若干坐标点，每个坐标点即为对应特征像素的世界坐标，坐标点的颜色值即为对应特征像素的灰度值。
S2：对三维湖泊遥感图像进行网格划分，得到网格化后的湖泊遥感图像。
所述S2步骤中对三维湖泊遥感图像进行网格划分，包括：
对三维湖泊遥感图像进行网格划分，得到网格化后的湖泊遥感图像，所述网格划分流程为：
S21：计算三维湖泊遥感图像中每个坐标轴所包含坐标点的方差，选择方差最大的坐标轴作为初始划分坐标轴，以三维湖泊遥感图像中初始划分坐标轴中坐标中位数所对应的坐标点为根节点，将初始划分坐标轴中坐标比中位数小或等于中位数的坐标点添加到左子树，将初始划分坐标轴中坐标比中位数大的坐标数据添加到右子树，其中左子树和右子树的坐标数据分别为初始空间划分结果；
S22：对于初始空间划分结果，循环依序取坐标点的各维度作为切分维度，取坐标点在该维度的中值作为切分超平面，将中值左侧的坐标点挂在其左子树，将中值右侧的坐标点挂在其右子树；递归处理其子树，直至所有坐标点挂载完毕，得到三维湖泊遥感图像中所有坐标点的最邻近遍历树；
S23：对于三维湖泊遥感图像中的任意坐标点p，利用最邻近遍历树遍历得到坐标点p的最邻近坐标点，并计算得到坐标点p与最邻近坐标点的距离d，并以坐标点p为中心，
Figure 709878DEST_PATH_IMAGE062
为半径构建球，将球内所有坐标点作为坐标点p的邻域坐标，其中/>
Figure 982728DEST_PATH_IMAGE028
表示半径约束常数；
所述基于最邻近遍历树的坐标点p的最邻近坐标点遍历流程为：将最邻近坐标点设置为最邻近遍历树的根节点；计算坐标点p到最邻近坐标点的距离，并以坐标点p为中心，以距离为半径构建得到球形，忽略与球形完全不相交的坐标点，并计算左子树/右子树根节点与坐标点p之间的距离，若该距离小于坐标点p到最邻近点的距离，则更新最邻近坐标点为左子树根节点，返回当前步骤，直到当前最邻近遍历树中只存在一个坐标点，其余坐标点均被忽略，最终保留的坐标点即为坐标点p的最邻近坐标点；
S24：遍历得到球内任意一个坐标点的最邻近坐标点，并用直线连接，将球内到直线距离最近的坐标点与直线进行三角连接，并将所构成的三角形投影到二维坐标平面，重复上述步骤，将三维湖泊遥感图像划分为若干三角形网格，得到网格化后的湖泊遥感图像，所述网格化后的湖泊遥感图像中每个网格点即为原始坐标点，所述网格点保留了原始坐标点在Z轴的坐标值以及自身颜色值。
S3：建立多维湖泊边缘提取约束集合，并基于所建立集合中的每一个约束对网格化的湖泊遥感图像进行边缘提取，将所提取的边缘构成湖泊边缘集合。
所述S3步骤中建立多维湖泊边缘提取约束集合，并基于所建立集合中的每一个约束对网格化的湖泊遥感图像进行边缘提取，包括：
建立多维湖泊边缘提取约束集合，其中所建立的湖泊边缘提取约束包括湖泊水岸线的高度约束、密度约束以及连续性约束，在本发明实施例中，所述高度约束表示湖泊水岸线为高度变化较大的坐标点集合，所述密度约束表示湖泊岸边的地形结构比湖泊水域区域结构更为复杂，坐标点密度更大，所述连续性约束表示湖泊水岸线的长度较长且连续；
基于所建立集合中的每一个约束对网格化的湖泊遥感图像进行边缘提取，所述边缘提取流程为：
S31：设置高度约束阈值
Figure 492075DEST_PATH_IMAGE029
，对于网格化的湖泊遥感图像中的任意网格点，若网格点在Z轴的坐标值大于/>
Figure 898786DEST_PATH_IMAGE029
则标记该网格点为基于高度约束的湖泊水岸线边界点，其余网格点标记为基于高度约束的湖泊水面点；
S32：以邻近网格点存在基于高度约束的湖泊水面点的湖泊水岸线边界点为起点，遍历该边界点的邻近湖泊水岸线边界点，若邻近湖泊水岸线边界点的邻近网格点存在基于高度约束的湖泊水面点，则连接起点与邻近湖泊水岸线边界点，并将邻近湖泊水岸线边界点作为起点，重复该步骤，直到邻近湖泊水岸线边界点的邻近网格点不存在基于高度约束的湖泊水面点，连接结果即为基于高度约束的湖泊水岸线，若该水岸线大于连续性约束阈值
Figure 209813DEST_PATH_IMAGE030
则保留，否则返回原始起点重新进行遍历，得到基于高度约束的湖泊水岸线；
S33：设置密度约束阈值
Figure 512618DEST_PATH_IMAGE031
，对于网格化的湖泊遥感图像中的任意网格点，以该网格点为中心，R为半径画圆，将园内的网格点数目作为该网格点的密度，若网格点密度大于
Figure 40420DEST_PATH_IMAGE031
则标记该网格点位基于密度约束的湖泊水岸线边界点，其余网格点标记为基于密度约束的湖泊水面点；
S34：以邻近网格点存在基于密度约束的湖泊水面点的湖泊水岸线边界点为起点，遍历该边界点的邻近湖泊水岸线边界点，若邻近湖泊水岸线边界点的邻近网格点存在基于密度约束的湖泊水面点，则连接起点与邻近湖泊水岸线边界点，并将邻近湖泊水岸线边界点作为起点，重复该步骤，直到邻近湖泊水岸线边界点的邻近网格点不存在基于密度约束的湖泊水面点，连接结果即为基于密度约束的湖泊水岸线，若该水岸线大于连续性约束阈值
Figure 719663DEST_PATH_IMAGE030
则保留，否则返回原始起点重新进行遍历，得到基于密度约束的湖泊水岸线。
S4：对提取得到的湖泊边缘集合进行最紧边界融合，得到融合的湖泊边界。
所述S4步骤中对提取得到的湖泊边缘集合进行最紧边界融合，包括：
对所提取到的基于高度约束的湖泊水岸线以及基于密度约束的湖泊水岸线进行最紧边界融合，所述最紧边界融合流程为：
计算任意一段基于高度约束的湖泊水岸线的连接矩形，其中连接矩形的长为基于高度约束的湖泊水岸线在竖直方向的长度，宽为基于高度约束的湖泊水岸线在水平方向的宽度，所述基于高度约束的湖泊水岸线嵌入在连接矩形中；
将连接矩形等比例缓慢放大，计算基于高度约束的湖泊水岸线在连接矩形中的湖泊大小以及基于密度约束的湖泊水岸线在连接矩形中的湖泊大小，将湖泊大小较小的湖泊水岸线作为该区域的边界；
重复上述步骤，得到不同区域的边界，并连接边界得到最紧边界约束的湖泊水岸线边界，其中湖泊水岸线边界内的区域即为湖泊水面区域。
S5：采集不同时刻的不同网格位置的波浪高度数据形成不同网格的湖泊波浪高度序列数据，对序列数据进行波形分解得到不同频率条件下的波形参数分布。
所述S5步骤中采集不同时刻的不同网格的波浪高度数据形成不同网格的湖泊波浪高度序列数据，并对湖泊波浪高度序列数据进行波形分解，包括：
控制无人机在湖泊水面区域进行航行，拍摄得到不同时刻的目标湖泊图像，并将目标湖泊图像中的特征像素坐标转换到世界坐标系，采集得到湖泊水面区域中不同网格区域的波浪高度数据，所述网格区域的波浪高度数据为网格区域的网格点在Z轴的坐标值，得到湖泊水面区域任意网格点的波浪高度序列数据
Figure 885196DEST_PATH_IMAGE032
，其中
Figure 624482DEST_PATH_IMAGE033
表示任意网格点在时刻/>
Figure 233056DEST_PATH_IMAGE034
的Z轴坐标值；
对任意网格点的湖泊波浪高度序列数据
Figure 732301DEST_PATH_IMAGE035
进行波形分解，其中波形分解流程为：
S51：对湖泊波浪高度序列数据
Figure 1609DEST_PATH_IMAGE035
进行快速傅里叶变换：
Figure 155204DEST_PATH_IMAGE036
其中：
Figure 142752DEST_PATH_IMAGE037
表示湖泊波浪高度序列数据/>
Figure 180109DEST_PATH_IMAGE035
的快速傅里叶变换结果；
w表示
Figure 569502DEST_PATH_IMAGE035
的任意频率，/>
Figure 165437DEST_PATH_IMAGE038
表示/>
Figure 843543DEST_PATH_IMAGE035
的频率集合；
c表示虚数单位，
Figure 684592DEST_PATH_IMAGE039
，e表示自然常数；
Figure 928491DEST_PATH_IMAGE040
表示湖泊波浪高度序列数据/>
Figure 554382DEST_PATH_IMAGE035
的频谱；
S52：对频谱
Figure 267254DEST_PATH_IMAGE040
进行分解：
Figure 895682DEST_PATH_IMAGE041
Figure 977776DEST_PATH_IMAGE042
其中：
v表示湖泊水面区域任意网格点的风速序列数据，
Figure 666247DEST_PATH_IMAGE043
表示重力加速度；
Figure 600836DEST_PATH_IMAGE044
表示湖泊水面区域的面积，m表示湖泊水面区域内的网格点数目；
S53：计算得到湖泊水面区域任意网格点的波形参数分布
Figure 32954DEST_PATH_IMAGE045
：
Figure 240993DEST_PATH_IMAGE046
其中：
Figure 100365DEST_PATH_IMAGE047
为高斯随机数；
Figure 522250DEST_PATH_IMAGE048
表示湖泊水面区域中任意网格点随时间变化的波形参数分布。
S6：利用蒙特卡洛模拟法对不同时刻的波形参数分布进行模拟，得到不同网格随时序变化的高度场，将不同网格的高度场连接形成湖泊纹理，得到湖泊环境建模结果。
所述S6步骤中利用蒙特卡洛模拟法对不同时刻的波形参数分布进行模拟，得到不同网格随时序变化的高度场，包括：
利用蒙特卡洛模拟法生成任意网格点q在任意时刻u的随机风速参数，将随机风速参数代入到波形参数分布中，得到网格点q在时刻u的高度分布，根据所述高度分布结果，选取高度分布中概率最大的若干个高度值作为网格点q在时刻u的湖泊水面高度，进而得到湖泊水面区域中不同网格点在不同时刻的高度场；
所述基于蒙特卡洛模拟法的随机风速参数产生方法为：
Figure 492480DEST_PATH_IMAGE049
其中：
Q为模数，将其设置为4；
Figure 549167DEST_PATH_IMAGE050
表示湖泊区域在u时刻的风速；/>
Figure 579440DEST_PATH_IMAGE063
表示乘数，b表示增量；
Figure 488621DEST_PATH_IMAGE052
表示网格点q在时刻u的风速，/>
Figure 370864DEST_PATH_IMAGE053
表示对应产生的初始风速参数；
所述时刻u的取值范围为一天中的任意时刻，进而得到湖泊水面在一天中任意时刻的高度场。
所述S6步骤中将不同网格的高度场连接形成湖泊纹理，得到湖泊环境建模结果，包括：
利用平滑的曲面将同一时刻不同网格点的高度场连接，其中每三个相邻的网格点之间的曲面区域中像素点颜色值为三个网格点的平均颜色值，并对曲面中每个像素点的颜色值进行基于高度的颜色衰减：
Figure 563948DEST_PATH_IMAGE054
其中：
Figure 515855DEST_PATH_IMAGE055
表示曲面区域中任意像素点的高度，即表示任意像素点在Z轴的坐标值；
color表示曲面区域中像素点颜色默认值，表示构成曲面区域的三个网格点的平均颜色值，
Figure 630441DEST_PATH_IMAGE056
表示衰减后的像素点颜色值；
将颜色衰减后的曲面区域作为湖泊纹理，得到随时序变化的湖泊环境建模结果。
实施例2：
如图2所示，是本发明一实施例提供的蒙特卡洛模拟的水文环境建模系统的功能模块图，其可以实现实施例1中的蒙特卡洛模拟的水文环境建模方法。
本发明所述蒙特卡洛模拟的水文环境建模系统100可以安装于电子设备中。根据实现的功能，所述蒙特卡洛模拟的水文环境建模系统可以包括图像网格化装置101、湖泊水面区域提取装置102及湖泊环境建模模块103。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
图像网格化装置101，用于利用无人机拍摄得到目标湖泊图像，并将目标湖泊图像转换为三维湖泊遥感图像，对三维湖泊遥感图像进行网格划分；
湖泊水面区域提取装置102，用于建立多维湖泊边缘提取约束集合，并基于所建立集合中的每一个约束对网格化的湖泊遥感图像进行边缘提取，对提取得到的湖泊边缘集合进行最紧边界融合，得到融合的湖泊边界，湖泊边界内的区域即为湖泊水面区域；
湖泊环境建模模块103，用于采集不同时刻的不同网格位置的波浪高度数据形成不同网格的湖泊波浪高度序列数据，对序列数据进行波形分解得到不同频率条件下的波形参数分布，利用蒙特卡洛模拟法对不同时刻的波形参数分布进行模拟，得到不同网格随时序变化的高度场，将不同网格的高度场连接形成湖泊纹理，得到湖泊环境建模结果。
详细地，本发明实施例中所述蒙特卡洛模拟的水文环境建模系统100中的所述各模块在使用时采用与上述的图1中所述的蒙特卡洛模拟的水文环境建模方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
实施例3：
如图3所示，是本发明一实施例提供的实现蒙特卡洛模拟的水文环境建模方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信接口13和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（SecureDigital， SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（Control Unit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（用于实现水文环境建模的程序12等），以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述通信接口13可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备1与其他电子设备之间建立通信连接，并实现电子设备内部组件之间的连接通信。
所述总线可以是外设部件互连标准（peripheral component interconnect，简称PCI）总线或扩展工业标准结构（extended industry standard architecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (7)

1.一种蒙特卡洛模拟的水文环境建模方法，其特征在于，所述方法包括：
S1：利用无人机拍摄得到目标湖泊图像，并将目标湖泊图像转换为三维湖泊遥感图像；
S2：对三维湖泊遥感图像进行网格划分，得到网格化后的湖泊遥感图像；
S3：建立多维湖泊边缘提取约束集合，并基于所建立集合中的每一个约束对网格化的湖泊遥感图像进行边缘提取，将所提取的边缘构成湖泊边缘集合；
S4：对提取得到的湖泊边缘集合进行最紧边界融合，得到融合的湖泊边界；
S5：采集不同时刻的不同网格位置的波浪高度数据形成不同网格的湖泊波浪高度序列数据，对序列数据进行波形分解得到不同频率条件下的波形参数分布；
S6：利用蒙特卡洛模拟法对不同时刻的波形参数分布进行模拟，得到不同网格随时序变化的高度场，将不同网格的高度场连接形成湖泊纹理，得到湖泊环境建模结果；
所述利用蒙特卡洛模拟法对不同时刻的波形参数分布进行模拟，得到不同网格随时序变化的高度场，包括：
利用蒙特卡洛模拟法生成任意网格点q在任意时刻u的随机风速参数，将随机风速参数代入到波形参数分布中，得到网格点q在时刻u的高度分布，根据所述高度分布结果，选取高度分布中概率最大的若干个高度值作为网格点q在时刻u的湖泊水面高度，进而得到湖泊水面区域中不同网格点在不同时刻的高度场；
基于蒙特卡洛模拟法的随机风速参数产生方法为：
Figure QLYQS_1
；
其中：
Q为模数，将其设置为4；
Figure QLYQS_2
表示湖泊区域在u时刻的风速；
Figure QLYQS_3
表示乘数，b表示增量；
Figure QLYQS_4
表示网格点q在时刻u的风速，/>
Figure QLYQS_5
表示对应产生的初始风速参数；
所述时刻u的取值范围为一天中的任意时刻，进而得到湖泊水面在一天中任意时刻的高度场；
所述将不同网格的高度场连接形成湖泊纹理，得到湖泊环境建模结果，包括：
利用平滑的曲面将同一时刻不同网格点的高度场连接，其中每三个相邻的网格点之间的曲面区域中像素点颜色值为三个网格点的平均颜色值，并对曲面中每个像素点的颜色值进行基于高度的颜色衰减：
Figure QLYQS_6
；
其中：
Figure QLYQS_7
表示曲面区域中任意像素点的高度，即表示任意像素点在Z轴的坐标值；
color表示曲面区域中像素点颜色默认值，表示构成曲面区域的三个网格点的平均颜色值，
Figure QLYQS_8
表示衰减后的像素点颜色值；
将颜色衰减后的曲面区域作为湖泊纹理，得到随时序变化的湖泊环境建模结果。
2.如权利要求1所述的一种蒙特卡洛模拟的水文环境建模方法，其特征在于，所述S1步骤中将目标湖泊图像转换为三维湖泊遥感图像，包括：
利用无人机所搭载相机对目标湖泊进行拍摄得到目标湖泊图像，所述无人机的航行高度为：
Figure QLYQS_9
；
其中：
H表示无人机的航行高度，f表示无人机所搭载相机的焦距，
Figure QLYQS_10
表示湖面分辨率，a表示像元尺寸；
所有无人机的航向相同，无人机航行起点在同一水平线，且该水平线属于湖泊边缘区域，相邻无人机的间隔为：
Figure QLYQS_11
；
其中：
L表示所拍摄图像的边长；
Figure QLYQS_12
表示旁像重叠度，将其设置为0.4；
对不同无人机所拍摄的目标湖泊图像进行像素转换，将拍摄图像转换为三维湖泊图像，所述像素转换流程为：
S11：利用灰度化处理方式将任意第i个无人机所拍摄的图像
Figure QLYQS_13
转换为灰度图/>
Figure QLYQS_14
，其中/>
Figure QLYQS_15
表示所拍摄图像/>
Figure QLYQS_16
的拍摄时刻；
S12：计算灰度图
Figure QLYQS_17
中任意像素/>
Figure QLYQS_18
的梯度值/>
Figure QLYQS_19
；
Figure QLYQS_20
；
Figure QLYQS_21
；
Figure QLYQS_22
；
其中：
Figure QLYQS_23
表示灰度图/>
Figure QLYQS_24
中任意像素/>
Figure QLYQS_25
在水平方向的梯度值；
Figure QLYQS_26
表示灰度图/>
Figure QLYQS_27
中任意像素/>
Figure QLYQS_28
在竖直方向的梯度值；
Figure QLYQS_29
表示灰度图/>
Figure QLYQS_30
中任意像素/>
Figure QLYQS_31
的灰度值，其中像素/>
Figure QLYQS_32
表示第x行第y列的像素；
S13：选取灰度图
Figure QLYQS_33
中梯度值最大的10个像素作为灰度图中的特征像素；
S14：将特征像素在灰度图中的坐标
Figure QLYQS_34
转换到世界坐标系下，得到特征像素的三维世界坐标/>
Figure QLYQS_35
：
Figure QLYQS_36
；
其中：
Figure QLYQS_37
表示相机所拍摄图像中单位像素分别在水平方向以及竖直方向的长度；
Figure QLYQS_38
表示相机所拍摄图像的中心像素坐标和图像原点像素坐标之间相差的水平方向和竖直方向像素数；
f表示无人机所搭载相机的焦距；
Figure QLYQS_39
表示相机的外部参数，分别包括相机的位置以及旋转方向参数；
Figure QLYQS_40
表示坐标/>
Figure QLYQS_41
在相机坐标系中/>
Figure QLYQS_42
轴的坐标值，则/>
Figure QLYQS_43
分别表示在X轴以及Y轴的坐标值，/>
Figure QLYQS_44
，其中将特征像素在灰度图中的坐标/>
Figure QLYQS_45
转换到相机坐标系下的公式为：
Figure QLYQS_46
；
S15：重复上述步骤，将首次航行时不同无人机在不同时刻所拍摄目标湖泊图像中的特征像素转换到世界坐标系中，构成三维湖泊遥感图像，其中三维湖泊遥感图像中包含若干坐标点，每个坐标点即为对应特征像素的世界坐标，坐标点的颜色值即为对应特征像素的灰度值。
3.如权利要求2所述的一种蒙特卡洛模拟的水文环境建模方法，其特征在于，所述S2步骤中对三维湖泊遥感图像进行网格划分，包括：
对三维湖泊遥感图像进行网格划分，得到网格化后的湖泊遥感图像，所述网格划分流程为：
S21：计算三维湖泊遥感图像中每个坐标轴所包含坐标点的方差，选择方差最大的坐标轴作为初始划分坐标轴，以三维湖泊遥感图像中初始划分坐标轴中坐标中位数所对应的坐标点为根节点，将初始划分坐标轴中坐标比中位数小或等于中位数的坐标点添加到左子树，将初始划分坐标轴中坐标比中位数大的坐标数据添加到右子树，其中左子树和右子树的坐标数据分别为初始空间划分结果；
S22：对于初始空间划分结果，循环依序取坐标点的各维度作为切分维度，取坐标点在该维度的中值作为切分超平面，将中值左侧的坐标点挂在其左子树，将中值右侧的坐标点挂在其右子树；递归处理其子树，直至所有坐标点挂载完毕，得到三维湖泊遥感图像中所有坐标点的最邻近遍历树；
S23：对于三维湖泊遥感图像中的任意坐标点p，利用最邻近遍历树遍历得到坐标点p的最邻近坐标点，并计算得到坐标点p与最邻近坐标点的距离d，并以坐标点p为中心，
Figure QLYQS_47
为半径构建球，将球内所有坐标点作为坐标点p的邻域坐标，其中/>
Figure QLYQS_48
表示半径约束常数；
基于最邻近遍历树的坐标点p的最邻近坐标点遍历流程为：将最邻近坐标点设置为最邻近遍历树的根节点；计算坐标点p到最邻近坐标点的距离，并以坐标点p为中心，以距离为半径构建得到球形，忽略与球形完全不相交的坐标点，并计算左子树/右子树根节点与坐标点p之间的距离，若该距离小于坐标点p到最邻近点的距离，则更新最邻近坐标点为左子树根节点，返回当前步骤，直到当前最邻近遍历树中只存在一个坐标点，其余坐标点均被忽略，最终保留的坐标点即为坐标点p的最邻近坐标点；
S24：遍历得到球内任意一个坐标点的最邻近坐标点，并用直线连接，将球内到直线距离最近的坐标点与直线进行三角连接，并将所构成的三角形投影到二维坐标平面，重复上述步骤，将三维湖泊遥感图像划分为若干三角形网格，得到网格化后的湖泊遥感图像，所述网格化后的湖泊遥感图像中每个网格点即为原始坐标点，所述网格点保留了原始坐标点在Z轴的坐标值以及自身颜色值。
4.如权利要求1所述的一种蒙特卡洛模拟的水文环境建模方法，其特征在于，所述S3步骤中建立多维湖泊边缘提取约束集合，并基于所建立集合中的每一个约束对网格化的湖泊遥感图像进行边缘提取，包括：
建立多维湖泊边缘提取约束集合，其中所建立的湖泊边缘提取约束包括湖泊水岸线的高度约束、密度约束以及连续性约束；
基于所建立集合中的每一个约束对网格化的湖泊遥感图像进行边缘提取，所述边缘提取流程为：
S31：设置高度约束阈值
Figure QLYQS_49
，对于网格化的湖泊遥感图像中的任意网格点，若网格点在Z轴的坐标值大于/>
Figure QLYQS_50
则标记该网格点为基于高度约束的湖泊水岸线边界点，其余网格点标记为基于高度约束的湖泊水面点；
S32：以邻近网格点存在基于高度约束的湖泊水面点的湖泊水岸线边界点为起点，遍历该边界点的邻近湖泊水岸线边界点，若邻近湖泊水岸线边界点的邻近网格点存在基于高度约束的湖泊水面点，则连接起点与邻近湖泊水岸线边界点，并将邻近湖泊水岸线边界点作为起点，重复该步骤，直到邻近湖泊水岸线边界点的邻近网格点不存在基于高度约束的湖泊水面点，连接结果即为基于高度约束的湖泊水岸线，若该水岸线大于连续性约束阈值
Figure QLYQS_51
则保留，否则返回原始起点重新进行遍历，得到基于高度约束的湖泊水岸线；
S33：设置密度约束阈值
Figure QLYQS_52
，对于网格化的湖泊遥感图像中的任意网格点，以该网格点为中心，R为半径画圆，将圆内的网格点数目作为该网格点的密度，若网格点密度大于/>
Figure QLYQS_53
则标记该网格点位基于密度约束的湖泊水岸线边界点，其余网格点标记为基于密度约束的湖泊水面点；
S34：以邻近网格点存在基于密度约束的湖泊水面点的湖泊水岸线边界点为起点，遍历该边界点的邻近湖泊水岸线边界点，若邻近湖泊水岸线边界点的邻近网格点存在基于密度约束的湖泊水面点，则连接起点与邻近湖泊水岸线边界点，并将邻近湖泊水岸线边界点作为起点，重复该步骤，直到邻近湖泊水岸线边界点的邻近网格点不存在基于密度约束的湖泊水面点，连接结果即为基于密度约束的湖泊水岸线，若该水岸线大于连续性约束阈值
Figure QLYQS_54
则保留，否则返回原始起点重新进行遍历，得到基于密度约束的湖泊水岸线。
5.如权利要求4所述的一种蒙特卡洛模拟的水文环境建模方法，其特征在于，所述S4步骤中对提取得到的湖泊边缘集合进行最紧边界融合，包括：
对所提取到的基于高度约束的湖泊水岸线以及基于密度约束的湖泊水岸线进行最紧边界融合，所述最紧边界融合流程为：
计算任意一段基于高度约束的湖泊水岸线的连接矩形，其中连接矩形的长为基于高度约束的湖泊水岸线在竖直方向的长度，宽为基于高度约束的湖泊水岸线在水平方向的宽度，所述基于高度约束的湖泊水岸线嵌入在连接矩形中；
将连接矩形等比例缓慢放大，计算基于高度约束的湖泊水岸线在连接矩形中的湖泊大小以及基于密度约束的湖泊水岸线在连接矩形中的湖泊大小，将湖泊大小较小的湖泊水岸线作为湖泊水面区域的边界；
重复上述步骤，得到不同区域的边界，并连接边界得到最紧边界约束的湖泊水岸线边界，其中湖泊水岸线边界内的区域即为湖泊水面区域。
6.如权利要求1所述的一种蒙特卡洛模拟的水文环境建模方法，其特征在于，所述S5步骤中采集不同时刻的不同网格的波浪高度数据形成不同网格的湖泊波浪高度序列数据，并对湖泊波浪高度序列数据进行波形分解，包括：
控制无人机在湖泊水面区域进行航行，拍摄得到不同时刻的目标湖泊图像，并将目标湖泊图像中的特征像素坐标转换到世界坐标系，采集得到湖泊水面区域中不同网格区域的波浪高度数据，所述网格区域的波浪高度数据为网格区域的网格点在Z轴的坐标值，得到湖泊水面区域任意网格点的波浪高度序列数据
Figure QLYQS_55
，其中/>
Figure QLYQS_56
表示任意网格点在时刻/>
Figure QLYQS_57
的Z轴坐标值；
对任意网格点的湖泊波浪高度序列数据
Figure QLYQS_58
进行波形分解，其中波形分解流程为：
S51：对湖泊波浪高度序列数据
Figure QLYQS_59
进行快速傅里叶变换：
Figure QLYQS_60
；
其中：
Figure QLYQS_61
表示湖泊波浪高度序列数据/>
Figure QLYQS_62
的快速傅里叶变换结果；
w表示
Figure QLYQS_63
的任意频率，/>
Figure QLYQS_64
表示/>
Figure QLYQS_65
的频率集合；
c表示虚数单位，
Figure QLYQS_66
，e表示自然常数；
Figure QLYQS_67
表示湖泊波浪高度序列数据/>
Figure QLYQS_68
的频谱；
S52：对频谱
Figure QLYQS_69
进行分解：
Figure QLYQS_70
；
Figure QLYQS_71
；
其中：
v表示湖泊水面区域任意网格点的风速序列数据，
Figure QLYQS_72
表示重力加速度；
Figure QLYQS_73
表示湖泊水面区域的面积，m表示湖泊水面区域内的网格点数目；
S53：计算得到湖泊水面区域任意网格点的波形参数分布
Figure QLYQS_74
：
Figure QLYQS_75
；
Figure QLYQS_76
为高斯随机数；
Figure QLYQS_77
表示湖泊水面区域中任意网格点随时间变化的波形参数分布。
7.一种蒙特卡洛模拟的水文环境建模系统，其特征在于，所述系统包括：
图像网格化装置，用于利用无人机拍摄得到目标湖泊图像，并将目标湖泊图像转换为三维湖泊遥感图像，对三维湖泊遥感图像进行网格划分；
湖泊水面区域提取装置，用于建立多维湖泊边缘提取约束集合，并基于所建立集合中的每一个约束对网格化的湖泊遥感图像进行边缘提取，对提取得到的湖泊边缘集合进行最紧边界融合，得到融合的湖泊边界，湖泊边界内的区域即为湖泊水面区域；
湖泊环境建模模块，用于采集不同时刻的不同网格位置的波浪高度数据形成不同网格的湖泊波浪高度序列数据，对序列数据进行波形分解得到不同频率条件下的波形参数分布，利用蒙特卡洛模拟法对不同时刻的波形参数分布进行模拟，得到不同网格随时序变化的高度场，将不同网格的高度场连接形成湖泊纹理，得到湖泊环境建模结果，以实现一种如权利要求1-6任意一项所述蒙特卡洛模拟的水文环境建模方法。
CN202211506461.7A 2022-11-29 2022-11-29 一种蒙特卡洛模拟的水文环境建模方法及系统 Active CN115526924B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211506461.7A CN115526924B (zh) 2022-11-29 2022-11-29 一种蒙特卡洛模拟的水文环境建模方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211506461.7A CN115526924B (zh) 2022-11-29 2022-11-29 一种蒙特卡洛模拟的水文环境建模方法及系统

Publications (2)

Publication Number Publication Date
CN115526924A CN115526924A (zh) 2022-12-27
CN115526924B true CN115526924B (zh) 2023-06-23

Family

ID=84705125

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211506461.7A Active CN115526924B (zh) 2022-11-29 2022-11-29 一种蒙特卡洛模拟的水文环境建模方法及系统

Country Status (1)

Country Link
CN (1) CN115526924B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116071520B (zh) * 2023-03-31 2023-07-14 湖南省水务规划设计院有限公司 一种数字孪生水务仿真模拟测试方法
CN116625328B (zh) * 2023-07-24 2023-10-20 新兴际华(北京)智能装备技术研究院有限公司 湖泊水量确定方法、装置、电子设备和存储介质
CN117078682B (zh) * 2023-10-17 2024-01-19 山东省科霖检测有限公司 一种大规模网格化空气质量等级精准评估方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018029431A1 (fr) * 2016-08-11 2018-02-15 Helper-Drone Dispositif de positionnement et de controle de drone a voilure tournante dans un environnement exterieur, systeme et procede associes
CN109359787A (zh) * 2018-12-06 2019-02-19 上海海事大学 一种小范围海域多模态海浪预测系统及其预测方法
CN109712243A (zh) * 2018-11-22 2019-05-03 华中科技大学 一种基于蒙特卡罗法的生成单向传播海浪的海面的方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104699952B (zh) * 2015-01-29 2017-06-23 北京航空航天大学 一种湿地水生植被冠层brdf蒙特卡洛模型
CN105181145B (zh) * 2015-11-13 2018-01-16 北京航空航天大学 一种波浪水面透射光的水下偏振场模拟方法
CN108492260B (zh) * 2018-02-07 2019-01-08 长安大学 基于张量投票耦合霍夫变换的地质线性体提取方法
US11164369B2 (en) * 2019-12-20 2021-11-02 Argo AI, LLC Methods and systems for constructing map data using poisson surface reconstruction
KR102345873B1 (ko) * 2020-02-04 2022-01-03 (주)씨텍 해양관측 부이용 영상촬영 카메라를 이용한 파랑관측 방법 및 시스템
CN112285710B (zh) * 2020-09-21 2024-01-19 河南大学 一种多源遥感水库蓄水量估算方法与装置
CN112434642B (zh) * 2020-12-07 2022-11-11 北京航空航天大学 一种适用于处理大场景光学遥感数据的海陆分割方法
CN113866376A (zh) * 2021-09-18 2021-12-31 陇东学院 一种地理信息系统的自动巡航水质监测系统
CN114037832B (zh) * 2021-12-17 2023-05-12 北京中宇瑞德建筑设计有限公司 一种卫星遥感图像中典型区域的提取方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018029431A1 (fr) * 2016-08-11 2018-02-15 Helper-Drone Dispositif de positionnement et de controle de drone a voilure tournante dans un environnement exterieur, systeme et procede associes
CN109712243A (zh) * 2018-11-22 2019-05-03 华中科技大学 一种基于蒙特卡罗法的生成单向传播海浪的海面的方法
CN109359787A (zh) * 2018-12-06 2019-02-19 上海海事大学 一种小范围海域多模态海浪预测系统及其预测方法

Also Published As

Publication number Publication date
CN115526924A (zh) 2022-12-27

Similar Documents

Publication Publication Date Title
CN115526924B (zh) 一种蒙特卡洛模拟的水文环境建模方法及系统
CN109598794A (zh) 三维gis动态模型的构建方法
CN116229007B (zh) 利用bim建模的四维数字图像构建方法、装置、设备及介质
CN111695609A (zh) 目标物损伤程度判定方法、装置、电子设备及存储介质
CN116071520B (zh) 一种数字孪生水务仿真模拟测试方法
CN113658292A (zh) 气象数据色斑图生成方法、装置、设备及存储介质
CN112240772A (zh) 一种车道线生成方法及装置
CN116883611B (zh) 一种结合gis航道信息的航道淤泥分布主动探测识别方法
CN114299242A (zh) 高精地图中图像处理方法、装置、设备以及存储介质
CN113963314A (zh) 降雨量监测方法、装置、计算机设备及存储介质
CN115880448B (zh) 基于双目成像的三维测量方法及装置
CN116051777B (zh) 超高层建筑提取方法、设备和可读存储介质
CN112862703A (zh) 基于移动拍照的图像校正方法、装置、电子设备及介质
CN112419460A (zh) 烘焙模型贴图的方法、装置、计算机设备和存储介质
CN115327553B (zh) 一种诱导变异的快速激光雷达样本生成方法
CN112528701B (zh) 二维码检测方法、装置、电子设备及介质
CN114791509A (zh) 一种水流流速的智能检测方法及装置
CN113920269A (zh) 工程进度获取方法、装置、电子设备及介质
CN115527000A (zh) 一种用于无人机倾斜摄影模型批量单体化的方法及装置
CN111445565A (zh) 一种基于视距的多源空间数据集成展示方法及装置
CN116152389B (zh) 一种用于纹理贴图的视角选择和纹理对齐方法及相关设备
CN117078682B (zh) 一种大规模网格化空气质量等级精准评估方法
CN114359645B (zh) 基于特征区域的图像拓展方法、装置、设备及存储介质
CN111784579B (zh) 制图方法及装置
CN116188553A (zh) 一种深度确定方法、装置、电子设备及存储介质

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