CN115631317A - 隧道衬砌正射影像生成方法及装置、存储介质、终端 - Google Patents
隧道衬砌正射影像生成方法及装置、存储介质、终端 Download PDFInfo
- Publication number
- CN115631317A CN115631317A CN202211512900.5A CN202211512900A CN115631317A CN 115631317 A CN115631317 A CN 115631317A CN 202211512900 A CN202211512900 A CN 202211512900A CN 115631317 A CN115631317 A CN 115631317A
- Authority
- CN
- China
- Prior art keywords
- target
- tunnel lining
- dimensional
- original image
- image
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000012545 processing Methods 0.000 claims abstract description 44
- 238000012937 correction Methods 0.000 claims abstract description 43
- 238000010586 diagram Methods 0.000 claims abstract description 38
- 238000013507 mapping Methods 0.000 claims description 37
- 230000006870 function Effects 0.000 claims description 27
- 230000009466 transformation Effects 0.000 claims description 24
- 238000011161 development Methods 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 19
- 238000004891 communication Methods 0.000 claims description 13
- 238000013135 deep learning Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 abstract description 6
- 230000018109 developmental process Effects 0.000 description 17
- 238000010276 construction Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 8
- 239000000126 substance Substances 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 101150055297 SET1 gene Proteins 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 239000011150 reinforced concrete Substances 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Images
Classifications
-
- 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
- G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
-
- 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
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- 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
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/04—Architectural design, interior design
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Architecture (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Processing Or Creating Images (AREA)
Abstract
本申请公开了一种隧道衬砌正射影像生成方法及装置、存储介质、终端,涉及图像处理技术领域及隧道检测领域,主要目的在于解决隧道衬砌正射影像生成精确度较低、全局变形较大的问题。主要包括获取目标隧道衬砌的原始影像,并根据所述原始影像进行三维重建得到所述目标隧道衬砌的目标三维网格模型;基于网格参数化算法对所述目标三维网格模型进行二维展开处理,得到所述目标隧道衬砌的平面展开图;基于完成色彩校正的原始影像、所述原始影像的语义信息及所述平面展开图构建所述目标隧道衬砌的正射拼接网,并根据所述正射拼接网生成所述目标隧道衬砌的正射影像。主要用于生成隧道衬砌正射影像。
Description
技术领域
本申请涉及图像处理技术领域及隧道检测领域,特别是涉及一种隧道衬砌正射影像生成方法及装置、存储介质、终端。
背景技术
随着经济建设的发展,国家对基础建设的投资不断加大,我国的隧道及地下工程数量也在逐年增加,人们对隧道及地下工程施工过程的病害检测也越来越重视。隧道病害检测的主要目标就是隧道衬砌。隧道衬砌是为了防止围岩变形或坍塌,沿隧道洞身周边用钢筋混凝土等材料修建的永久性支护结构。隧道衬砌二维正射影像作为隧道病害自动化检测非常重要的信息载体,隧道衬砌二维正射影像的精度和准确性直接关系到病害检测的准确性。
现有的隧道衬砌二维正射影像的生成方法主要为平面影像拼接方法,即将拍摄得到的平面影像进行拼接以得到隧道全景图,但该方法由于影像之间存在视差,当拍摄相机不同心或拍摄场景不在同一平面上,则不可避免地出现重影和影像变形,且随着隧道长度的增加,误差不断累计,导致隧道全景图发生严重扭曲,得到的隧道正射影像精度较低、全局变形较大。
发明内容
有鉴于此,本申请提供一种隧道衬砌正射影像生成方法及装置、存储介质、终端,主要目的在于解决现有隧道衬砌正射影像精确度较低的问题。
依据本申请一个方面,提供了一种隧道衬砌正射影像生成方法,包括:
获取目标隧道衬砌的原始影像,并根据所述原始影像进行三维重建得到所述目标隧道衬砌的目标三维网格模型;
基于网格参数化算法对所述目标三维网格模型进行二维展开处理,得到所述目标隧道衬砌的平面展开图;
基于完成色彩校正的原始影像、所述原始影像的语义信息及所述平面展开图构建所述目标隧道衬砌的正射拼接网,并根据所述正射拼接网生成所述目标隧道衬砌的正射影像。
进一步地,所述目标三维网格模型的曲面类型为非流形曲面,所述基于网格参数化算法对所述目标三维网格模型进行二维展开处理,得到所述目标隧道衬砌的平面展开图包括:
根据所述目标三维网格模型的轮廓形状特征,构建所述目标三维网格模型的初始流形曲面网格模型;
将所述目标三维网格模型投影至所述初始流形曲面网格模型,得到所述目标三维网格模型的流形曲面网格模型;
基于网格参数化算法对所述流形曲面网格模型进行二维展开处理,得到所述目标隧道衬砌的平面展开图。
进一步地,所述网格参数化算法为添加中心线约束的最小二乘共形映射,所述基于网格参数化算法对所述目标三维网格模型的流形曲面网格模型进行二维展开,得到所述目标隧道衬砌的平面展开图包括:
针对所述流形曲面网格模型中的每个网格,构建经过所述网格的顶点并垂直于所述目标三维网格模型中心线的映射平面;
将所述每个网格的顶点在所述映射平面内进行最小二乘共形映射,得到所述每个网格的顶点的二维展开平面坐标,并根据所述二维展开平面坐标生成所述目标隧道衬砌的平面展开图。
进一步地,所述基于完成色彩校正的原始影像、所述原始影像的语义信息及所述平面展开图构建所述目标隧道衬砌的正射拼接网包括:
对所述平面展开图进行三角剖分,得到包含多个三角形的三角网,并以所述三角形作为无向图结构的顶点构建无向图结构;
基于所述无向图结构、所述语义信息、所述完成色彩校正的原始影像进行优化处理,得到所述目标隧道衬砌的正射拼接网。
进一步地,所述基于所述无向图结构、所述语义信息、所述完成色彩校正的原始影像进行优化处理,得到所述目标隧道衬砌的正射拼接网之前,所述方法还包括:
基于已完成训练的深度学习网络模型对所述原始影像进行前景物体特征信息提取,得到所述原始影像的语义信息。
进一步地,所述基于完成色彩校正的原始影像、所述原始影像的语义信息及所述平面展开图构建所述目标隧道衬砌的正射拼接网之前,所述方法还包括:
基于全局原始影像的像素值构建全局变换函数,并通过对所述全局变换函数进行二次凸优化处理,确定对应每个所述原始影像的目标变换函数;
基于所述目标变换函数对所述原始影像进行色彩校正,得到完成色彩校正后的原始影像。
进一步地,所述基于完成色彩校正的原始影像、所述原始影像的语义信息及所述平面展开图构建所述目标隧道衬砌的正射拼接网之后,所述方法还包括:
对所述正射拼接网中各个拼接影像之间进行局部色彩调整,得到局部色彩调整后的正射拼接网;
所述根据所述正射拼接网生成所述目标隧道衬砌的正射影像包括:
根据所述局部色彩调整后的正射拼接网生成所述目标隧道衬砌的正射影像。
依据本申请另一个方面,提供了一种隧道衬砌正射影像生成装置,包括:
获取模块,用于获取目标隧道衬砌的原始影像,并根据所述原始影像进行三维重建得到所述目标隧道衬砌的目标三维网格模型;
处理模块,基于网格参数化算法对所述目标三维网格模型进行二维展开处理,得到所述目标隧道衬砌的平面展开图;
生成模块,用于基于完成色彩校正的原始影像、所述原始影像的语义信息及所述平面展开图构建所述目标隧道衬砌的正射拼接网,并根据所述拼接网生成所述目标隧道衬砌的正射影像。
进一步地,所述处理模块包括:
第一构建单元,用于根据所述目标三维网格模型的轮廓形状特征,构建所述目标三维网格模型的初始流形曲面网格模型;
投影单元,用于将所述目标三维网格模型投影至所述初始流形曲面网格模型,得到所述目标三维网格模型的流形曲面网格模型;
第一处理单元,用于基于网格参数化算法对所述流形曲面网格模型进行二维展开处理,得到所述目标隧道衬砌的平面展开图。
进一步地,在具体应用场景中,所述第一处理单元具体用于针对所述流形曲面网格模型中的每个网格,构建经过所述网格的顶点并垂直于所述目标三维网格模型中心线的映射平面;
将所述每个网格的顶点在所述映射平面内进行最小二乘共形映射,得到所述每个网格的顶点的二维展开平面坐标,并根据所述二维展开平面坐标生成所述目标隧道衬砌的平面展开图。
进一步地,所述生成模块包括:
第二构建单元,用于对所述平面展开图进行三角剖分,得到包含多个三角形的三角网,并以所述三角形作为无向图结构的顶点构建无向图结构;
第二处理单元,用于基于所述无向图结构、所述语义信息、所述完成色彩校正的原始影像进行优化处理,得到所述目标隧道衬砌的正射拼接网。
进一步地,所述装置还包括:
提取模块,用于基于已完成训练的深度学习网络模型对所述原始影像进行前景物体特征信息提取,得到所述原始影像的语义信息。
进一步地,所述装置还包括:
构建模块,用于基于全局原始影像的像素值构建全局变换函数,并通过对所述全局变换函数进行二次凸优化处理,确定对应每个所述原始影像的目标变换函数;
校正模块,用于基于所述目标变换函数对所述原始影像进行色彩校正,得到完成色彩校正后的原始影像。
进一步地,所述装置还包括:
调整模块,用于对所述正射拼接网中各个拼接影像之间进行局部色彩调整,得到局部色彩调整后的正射拼接网;
所述生成模块,还用于根据所述局部色彩调整后的正射拼接网生成所述目标隧道衬砌的正射影像。
根据本申请的又一方面,提供了一种存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如上述隧道衬砌正射影像生成方法对应的操作。
根据本申请的再一方面,提供了一种终端,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行上述隧道衬砌正射影像生成方法对应的操作。
借由上述技术方案,本申请实施例提供的技术方案至少具有下列优点:
本申请提供了一种隧道衬砌正射影像生成方法及装置、存储介质、终端,本申请实施例通过获取目标隧道衬砌的原始影像,并根据所述原始影像进行三维重建得到所述目标隧道衬砌的目标三维网格模型;基于网格参数化算法对所述目标三维网格模型进行二维展开处理,得到所述目标隧道衬砌的平面展开图;基于完成色彩校正的原始影像、所述原始影像的语义信息及所述平面展开图构建所述目标隧道衬砌的正射拼接网,并根据所述正射拼接网生成所述目标隧道衬砌的正射影像,大大减少了隧道影像的全局变形,确保了影像拼接的准确性,从而大大提高隧道衬砌正射影像的精确度。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本申请的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本申请实施例提供的一种隧道衬砌正射影像生成方法流程图;
图2示出了本申请实施例提供的一种基于共形映射方法展开三维网格至二维网格的示意图;
图3示出了本申请实施例提供的另一种隧道衬砌正射影像生成方法流程图;
图4示出了本申请实施例提供的一种三维模型展开至二维平面图的示意图;
图5示出了本申请实施例提供的一种隧道衬砌正射影像生成装置组成框图;
图6示出了本申请实施例提供的一种终端的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
针对现有的隧道衬砌二维正射影像的生成方法主要为平面影像拼接方法,即将拍摄得到的平面影像进行拼接以得到隧道全景图,但该方法由于影像之间存在视差,当拍摄相机不同心或拍摄场景不在同一平面上,则不可避免地出现重影和影像变形,且随着隧道长度的增加,误差不断累计,导致隧道全景图发生严重扭曲,得到的隧道正射影像精度较低、全局变形量较大的问题。本申请实施例提供了一种隧道衬砌正射影像生成方法,如图1所示,该方法包括:
101、获取目标隧道衬砌的原始影像,并根据所述原始影像进行三维重建得到所述目标隧道衬砌的目标三维网格模型。
本申请实施例中,目标隧道衬砌为建设中的或已投入使用的隧道的衬砌。原始影像为目标隧道内壁的多视角影像。其中,该影像可以为基于人工对目标隧道的内壁面进行多角度拍摄的影像,也可以为基于隧道衬砌拍摄装置,如隧道衬砌拍摄车,对目标隧道的内壁面拍摄的影像。由于隧道衬砌为三维实体,为了得到其准确的二维影像,需要首先基于得到的原始影像进行三维重建,以基于重建后的三维模型进行二维展开得到二维影像。因此,在得到原始影像之后,通过对原始影像进行稀疏重建、稠密重建、表面重建、纹理重建得到目标隧道衬砌的实景三维模型,提取实景三维模型的网格模型并进行模型去噪,得到目标隧道衬砌的目标三维网格模型。
需要说明的是,目标三维网格模型的曲面类型为流形曲面、非流形曲面中的一个。即目标三维网格模型可以为一个整体的流形曲面,也可以为由多个流形曲面的几何形状组合而成的非流形曲面。由于隧道的形状复杂多样,不完全是可以近似为圆柱体或扫掠体的形状。本申请实施例不仅可以针对隧道三维模型为流行曲面的隧道进行隧道衬砌正射影像的生成。针对隧道三维模型为非流行曲面的隧道也可以准确的生成隧道衬砌正射影像,从而满足任意形状横断面隧道的投影面展开需求,提高对不同类型隧道的适用性。
102、基于网格参数化算法对所述目标三维网格模型进行二维展开处理,得到所述目标隧道衬砌的平面展开图。
本申请实施例中,由于在目标三维网格模型的二维展开过程中,容易出现网格全
局畸变,导致平面展开图的测量精度较低。为了尽可能减小畸变,基于网格参数化算法对目
标三维网格模型进行二维展开。其中,网格参数化算法为共形映射。例如,最小二乘共形映
射、基于添加中心线约束的最小二乘共形映射。共形映射为在映射过程中,经过任一点的有
向曲线能够在此点保留局部角度和方向的一种映射方式。如图2所示,如果对每个点,
将切线向量映射到和,穿过点的曲线是正交的,且具有相同的模,
则将点域映射到表面域的函数成为共形映射。可以表示为:
(1)。通过对目标三维网格模型中的网格进行共形映射,能够使网格的角度畸变最小化,从
而减小二维展开后网格的畸变,使平面展开图更为准确。
需要说明的是,共形映射仅能应用于流形曲面的目标三维网格模型。若目标三维网格模型为非流形曲面,则需要先创建一个包含目标三维网格模型形状特征的流形曲面网格模型,再将目标三维网格模型投影到该流形曲面网格模型上,以得到能够进行共形映射的三维模型。
103、基于完成色彩校正的原始影像、所述原始影像的语义信息及所述平面展开图构建所述目标隧道衬砌的正射拼接网,并根据所述正射拼接网生成所述目标隧道衬砌的正射影像。
本申请实施例中,由于目标隧道衬砌的正射影像需要精确的展示衬砌面每个位置的细节影像,而由三维模型中展开到二维的影像由于影像内容的扭曲畸变,无法精确的展示细节影像,因此,在得到平面展开图之后,需要将完成色彩校正的原始影像按照在平面展开图中的对应位置进行拼接,得到目标隧道衬砌面的完整正射影像。例如,基于马尔可夫随机场优化列出能量方程,并基于图割算法求解能量方程,以确定平面展开图中每个位置的最佳原始影像,以及相邻影像之间的最优拼接线位置,从而得到目标隧道衬砌完整的正射拼接网,进而得到能够展示目标隧道衬砌准确细节影像的目标隧道衬砌的正射影像。
需要说明的是,用于拼接的影像为完成色彩校正的原始影像。由于隧道内环境阴暗,原始影像的采集很容易受天气状况、拍摄时间、曝光程度、影像采集设备等原因造成影像色彩不一致。因此,再对原始影像进行拼接之前,利用多视影像色彩一致性校正算法对原始影像进行逐一色彩校正,以消除或减弱影像之间的色差问题,从而在保证正射影像精度的同时,提升影像的呈现质量。
在一个本申请实施例中,为了进一步说明及限定,如图3所示,步骤102所述基于网格参数化算法对所述目标三维网格模型进行二维展开处理,得到所述目标隧道衬砌的平面展开图包括:
201、根据所述目标三维网格模型的轮廓形状特征,构建所述目标三维网格模型的初始流形曲面网格模型。
202、将所述目标三维网格模型投影至所述初始流形曲面网格模型,得到所述目标三维网格模型的流形曲面网格模型。
203、基于网格参数化算法对所述流形曲面网格模型进行二维展开处理,得到所述目标隧道衬砌的平面展开图。
本申请实施例中,目标三维网格模型的曲面类型为非流形曲面。在实际应用场景中,隧道的横断面形状比较复杂,不局限于标准的圆柱形状,隧道的三维模型在很多情况下为非流形曲面,很难用一个特定的圆柱或扫掠体描述。然而网格参数化算法仅适用于一个连通子图或流形三角网的网格。因此,需要先将非流形曲面的目标三维网格模型转化为流形曲面的模型,以便于基于共形映射的方法对其进行二维展开。具体地,使用相关单体化软件,基于目标三维网格模型轮廓的几何形状特征,重建一个具有目标三维网格模型流形几何形状的初始流形曲面网格模型。其中,初始流形曲面网格模型具有少量数据和高精度的隧道网格,其形状能够表征目标隧道衬砌的真实形状,不是圆柱体,扫掠体等特定的几何形状。由于该流形曲面网格模型具有少量数据和高精度的隧道网格,能够满足网格参数化算法的适用条件,因此,将目标三维网格模型投影到初始流形曲面网格模型后,可以利用网格参数化算法对流形曲面网格模型进行二维展开,以得到平面展开图。
在一个本申请实施例中,为了进一步说明及限定,所述基于网格参数化算法对所述目标三维网格模型的流形曲面网格模型进行二维展开,得到所述目标隧道衬砌的平面展开图包括:
针对所述流形曲面网格模型中的每个网格,构建经过所述网格的顶点并垂直于所述目标三维网格模型中心线的映射平面。
将所述每个网格的顶点在所述映射平面内进行最小二乘共形映射,得到所述每个网格的顶点的二维展开平面坐标,并根据所述二维展开平面坐标生成所述目标隧道衬砌的平面展开图。
本申请实施例中,为了避免流形曲面网格模型二维平面展开过程中发生严重的全
局或局部的畸变,使流形曲面网格模型中的网格角度畸变最小化,采用添加中心线约束的
最小二乘共形映射也称最小二乘保角映射(Least squares conformal mapping under
centerline constraint,CLSCM)的网格参数化算法对三维模型进行二维展开。具体地,以
流形曲面网格模型中的任一顶点为例,对添加中心线约束的最小二乘共形映射的实现过程
加以说明。如图4所示,图中上半部分的图形为目标三维网格模型示意图,图中下半部分的
图形为目标三维网格模型的平面展开图的示意图。为了求解目标三维网格模型中任一顶点点在二维平面展开图中的坐标信息,过顶点和垂直于目标三维网格模型的中心线的平
面做一个平平面。与相交于一点。在平面展开图中的对应点为),的对应
点为。是一条垂直于到的线。对于平面展开图中的每个点)满足如下公式:(2);其中,、、为与)对应的参数。将流形曲面网i格模型的全部
顶点表示为:(3);其中,其中,M为流形曲面网格模型中全部顶点的坐标矩阵,
为全部顶点对应系数的矩阵表示。设定平面展开图中全部网格顶点的坐标的矩阵,表示为
X。网格能量方程为:(4);其中,L为拉普拉斯矩阵;为网
格的通量。在公式(3)约束下得到:(5);最小化得到:(6)。对公
式(4)~(6)进行拉格朗日构造,得到公式:(7);其中,为参数。对X和公式(7)进行联合求偏导,得到公式:(8);利用奇异
值分解算法(Singular Value Decomposition,SVD)求解稀疏线性方程(8)可以得到X,即得
到平面展开图中任一点的坐标,进而得到目标隧道衬砌的平面展开图。
需要说明的是,若目标三维网格模型的曲面类型为流形曲面,基于网格参数化算法对所述目标三维网格模型进行二维展开处理的方法与流形曲面网格模型的二维展开实现过程相同,均为基于添加中心线约束的最小二乘共形映射进行网格参数化。通过利用添加中心线约束的最小二乘共形映射将目标三维网格模型展开为平面展开图,构建了目标三维网格模型到二维展开图的严格几何映射关系,减小了平面展开图的全局和局部的畸变,从而有效保障了目标隧道衬砌正射影像的几何精度。
在一个本申请实施例中,为了进一步说明及限定,所述基于完成色彩校正的原始影像、所述原始影像的语义信息及所述平面展开图构建所述目标隧道衬砌的正射拼接网,并根据所述拼接网生成所述目标隧道衬砌的正射影像包括:
对所述平面展开图进行三角剖分,得到包含多个三角形的三角网,并以所述三角形作为无向图结构的顶点构建无向图结构。
基于所述无向图结构、所述语义信息、所述完成色彩校正的原始影像进行优化处理,得到所述目标隧道衬砌的正射拼接网。
本申请实施例中,构建拼接网即为平面展开图的任一像素匹配到一张对应的原始影像,并将该原始影像的像素值赋予该像素。其实质是为每个像素点打标签的问题,因此,基于马尔可夫随机场优化的方法构建正射拼接网。即基于无向图构建正射拼接网,并对无向图结构的每个顶点进行马尔可夫随机场优化。由于隧道正射影像的分辨率通常非常高,如果以影像中的每个像素点作为图结构的顶点,则优化效率会比较低,为了提高优化效率,将平面展开图剖分为由多个三角形构成的三角网,并以每个三角形作为无向图结构一个顶点。其中,剖分的工具可以为libigl,三角形剖分的数量可以根据实际应用场景自定义,本申请实施例不对剖分工具及剖分数量做具体限定。构建完无向图结构之后,基于马尔可夫随机场优化求解拼接网的最优拼接方式,从而得到正射拼接网。
具体地,设定无向图结构为,设定三角网中的每个三角形为,两个相邻
三角形组成的边为。将所有原始影像赋予一个标签集1,1中的标签数量等于
原始影像数量;通过优化为三角形找到匹配的标签集,中的标签数量等于三角网
中三角形的数量。得到能量公式:(9);其中,为三角形i,为三角形j,为原始影像i,为原始影像j;为数据项,用于衡量三角形选择的质量,即对某一三角形,包含该三角形对应区域的图像为高质量图像;为
平滑项,衡量拼接线的质量,即拼接线经过强纹理区域为低质量拼接线,经过弱纹理区域为
高质量拼接线,为参数。
为了提高优化效率,将图像上可见的三角形的数据项配置为零,将不可见的三角
形的数据项配置为无穷,得到数据项公式为:(10)。同时,为了消
除光照对原始影像中像素值RGB的影像,采用两张原始影像在边上的散度差异值表示边的
权重,得到平滑项公式为:(11);其中,为原始影像i在共
同边上的像素信息,为原始影像j在共同边上的像素信息。由于纹理较弱的区域散度值较
小,因此,将散度差异值表示边的权重,能够提升拼接线从弱纹理区域(即不包含需要重点
关注内容的图像区域)经过的概率。在此基础上,为了进一步保证拼接线从弱纹理区域经
过,将原始影像中的前景物体,如电线等物体的语义信息加入到平滑项中,若无向图结构的
边被前景物体覆盖,则配置其权重为无穷,即拼接线不能穿过该区域,得到公式:(12);其中,eage为拼接线,object为前景物体。基于图
割算法的过能量函数(Alpha-expansion),找到公式(9)的最优解,从而得到构建完成的正
射拼接网。
需要说明的是,通过将可见三角形区域的图像及不可见三角形区域的图像进行分配配置数据项,能够大大降低优化的难度,提高优化效率。同时,基于语义信息对经过遮盖物的拼接线及未经过遮盖物的拼接线分别配置对应的平滑项,能够使拼接线的位置更加准确的避开有用的遮盖物,从而使拼接网最大程度保留有用信息,提升隧道衬砌正射影像中图像信息的准确性。
在一个本申请实施例中,为了进一步说明及限定,所述基于所述无向图结构、所述语义信息、所述完成色彩校正的原始影像进行优化处理,得到所述目标隧道衬砌的正射拼接网之前,所述方法还包括:
基于已完成训练的深度学习网络模型对所述原始影像进行前景物体特征信息提取,得到所述原始影像的语义信息。
本申请实施例中,深度学习网络模型为基于卷积神经网络模型如,AlextNet、ResNet((Residual Neural Network))等构建的。基于隧道衬砌图像的前景物体标记样本对深度学习网络模型进行训练,得到已完成训练的深度学习网络模型。其中,前景物体为遮挡隧道衬砌面的物体,如隧道内的电线、换气扇等。通过已完成训练的深度学习网络模型对原始影像进行深度学习,能够得到影像中是否包含前景物体的准确语义信息,以根据语义信息配置能量方程中的平滑项,使相邻影像的拼接线能够最大可能的从弱纹理区域经过,从而提升正射影像的完整度及精确度。
在一个本申请实施例中,为了进一步说明及限定,所述基于所述平面展开图、完成色彩校正的所述原始影像构建拼接网图割模型之前,所述方法还包括:
基于全局原始影像的像素值构建全局变换函数,并通过对所述全局变换函数进行二次凸优化处理,确定对应每个所述原始影像的目标变换函数;
基于所述目标变换函数对所述原始影像进行色彩校正,得到完成色彩校正后的原始影像。
本申请实施例中,拼接网是由大量的原始影像拼接而成,而在影像采集过程中很
难保证原始影像的色彩一致性,因此,在将原始影像拼接之前对原始影像的色彩一致性进
行修正,再基于色彩修正后的原始影像进行图像拼接,从而使正射影像的整体色彩更均匀。
具体地,采用二次样条曲线作为全局变换函数,二次样条曲线为分段的抛物线,公式为:(13);其中,为输入像素值,;本申请中将RGB空间的像素值域[0,255]映射到区间
[0,1],即像素值的取值在[0,1]内,表示第个节点的像素值坐标,、、为待求系数,为节点数,(14)。进而利用二次凸优化方法对全局变换函数进行优化,得到
与每张原始影像对应的目标变换函数的系数,即得到目标变换函数。其中,在求解过程中,
原始影像的每个色彩通道之间完全独立优化,任一色彩通道的损失函数为:(15);其中,表示影像间同名信息的差异程度;用于衡
量校正后影像相对于原始影像的信息损失程度(越大表示损失越大);为正则项保证二次
样条平滑不会过拟合,以保证算法的鲁棒性;、为参数,
(16);其中,为能量优化强约束,包含梯度约束、二次样条固有约束及参考影像等约束。
基于每张原始影像的目标变换函数对原始影像进行色彩修正,完成全局原始影像的色彩一
致性校正。通过色彩一致性校正,能够有效提升拼接网中各个原始影像之间的色彩一致性,
能够消除图像之间的拼接感,使整张正射影像的颜色更加均匀。
在一个本申请实施例中,为了进一步说明及限定,所述基于完成色彩校正的原始影像、所述原始影像的语义信息及所述平面展开图构建所述目标隧道衬砌的正射拼接网之后,所述方法还包括:
对所述正射拼接网中各个拼接影像之间进行局部色彩调整,得到局部色彩调整后的正射拼接网;
所述根据所述正射拼接网生成所述目标隧道衬砌的正射影像包括:
根据所述局部色彩调整后的正射拼接网生成所述目标隧道衬砌的正射影像。
本申请实施例中,为了进一步提升正射影像的色彩均匀程度,通过对正射拼接网中各个影像之间的局部色彩进行泊松融合,以完成影像之间的局部色彩调整,消除影像之间的色差,使整个拼接网更具整体性,从而得到高质量的、精确的目标隧道衬砌正射影像。
本申请提供了一种隧道衬砌正射影像生成方法,本申请实施例通过获取目标隧道衬砌的原始影像,并根据所述原始影像进行三维重建得到所述目标隧道衬砌的目标三维网格模型;基于网格参数化算法对所述目标三维网格模型进行二维展开处理,得到所述目标隧道衬砌的平面展开图;基于完成色彩校正的原始影像、所述原始影像的语义信息及所述平面展开图构建所述目标隧道衬砌的正射拼接网,并根据所述正射拼接网生成所述目标隧道衬砌的正射影像,大大减少了隧道影像的畸变,确保了影像拼接的准确性,从而大大提高隧道衬砌正射影像的精确度。
进一步的,作为对上述图1所示方法的实现,本申请实施例提供了一种隧道衬砌正射影像生成装置,如图5所示,该装置包括:
获取模块31,用于获取目标隧道衬砌的原始影像,并根据所述原始影像进行三维重建得到所述目标隧道衬砌的目标三维网格模型;
处理模块32,基于网格参数化算法对所述目标三维网格模型进行二维展开处理,得到所述目标隧道衬砌的平面展开图;
生成模块33,用于基于完成色彩校正的原始影像、所述原始影像的语义信息及所述平面展开图构建所述目标隧道衬砌的正射拼接网,并根据所述拼接网生成所述目标隧道衬砌的正射影像。
进一步地,所述处理模块32包括:
第一构建单元,用于根据所述目标三维网格模型的轮廓形状特征,构建所述目标三维网格模型的初始流形曲面网格模型;
投影单元,用于将所述目标三维网格模型投影至所述初始流形曲面网格模型,得到所述目标三维网格模型的流形曲面网格模型;
第一处理单元,用于基于网格参数化算法对所述流形曲面网格模型进行二维展开处理,得到所述目标隧道衬砌的平面展开图。
进一步地,在具体应用场景中,所述第一处理单元具体用于针对所述流形曲面网格模型中的每个网格,构建经过所述网格的顶点并垂直于所述目标三维网格模型中心线的映射平面;
将所述每个网格的顶点在所述映射平面内进行最小二乘共形映射,得到所述每个网格的顶点的二维展开平面坐标,并根据所述二维展开平面坐标生成所述目标隧道衬砌的平面展开图。
进一步地,所述生成模块33包括:
第二构建单元,用于对所述平面展开图进行三角剖分,得到包含多个三角形的三角网,并以所述三角形作为无向图结构的顶点构建无向图结构;
第二处理单元,用于基于所述无向图结构、所述语义信息、所述完成色彩校正的原始影像进行优化处理,得到所述目标隧道衬砌的正射拼接网。
进一步地,所述装置还包括:
提取模块,用于基于已完成训练的深度学习网络模型对所述原始影像进行前景物体特征信息提取,得到所述原始影像的语义信息。
进一步地,所述装置还包括:
构建模块,用于基于全局原始影像的像素值构建全局变换函数,并通过对所述全局变换函数进行二次凸优化处理,确定对应每个所述原始影像的目标变换函数;
校正模块,用于基于所述目标变换函数对所述原始影像进行色彩校正,得到完成色彩校正后的原始影像。
进一步地,所述装置还包括:
调整模块,用于对所述正射拼接网中各个拼接影像之间进行局部色彩调整,得到局部色彩调整后的正射拼接网;
所述生成模块,还用于根据所述局部色彩调整后的正射拼接网生成所述目标隧道衬砌的正射影像。
本申请提供了一种隧道衬砌正射影像生成装置,本申请实施例通过获取目标隧道衬砌的原始影像,并根据所述原始影像进行三维重建得到所述目标隧道衬砌的目标三维网格模型;基于网格参数化算法对所述目标三维网格模型进行二维展开处理,得到所述目标隧道衬砌的平面展开图;基于完成色彩校正的原始影像、所述原始影像的语义信息及所述平面展开图构建所述目标隧道衬砌的正射拼接网,并根据所述正射拼接网生成所述目标隧道衬砌的正射影像,大大减少了隧道影像的全局变形,确保了影像拼接的准确性,从而大大提高隧道衬砌正射影像的精确度。
根据本申请一个实施例提供了一种存储介质,所述存储介质存储有至少一可执行指令,该计算机可执行指令可执行上述任意方法实施例中的隧道衬砌正射影像生成方法。
图6示出了根据本申请一个实施例提供的一种终端的结构示意图,本申请具体实施例并不对终端的具体实现做限定。
如图6所示,该终端可以包括:处理器(processor)402、通信接口(CommunicationsInterface)404、存储器(memory)406、以及通信总线408。
其中:处理器402、通信接口404、以及存储器406通过通信总线408完成相互间的通信。
通信接口404,用于与其它设备比如客户端或其它服务器等的网元通信。
处理器402,用于执行程序410,具体可以执行上述隧道衬砌正射影像生成方法实施例中的相关步骤。
具体地,程序410可以包括程序代码,该程序代码包括计算机操作指令。
处理器402可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本申请实施例的一个或多个集成电路。终端包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器406,用于存放程序410。存储器406可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
程序410具体可以用于使得处理器402执行以下操作:
获取目标隧道衬砌的原始影像,并根据所述原始影像进行三维重建得到所述目标隧道衬砌的目标三维网格模型;
基于网格参数化算法对所述目标三维网格模型进行二维展开处理,得到所述目标隧道衬砌的平面展开图;
基于完成色彩校正的原始影像、所述原始影像的语义信息及所述平面展开图构建所述目标隧道衬砌的正射拼接网,并根据所述正射拼接网生成所述目标隧道衬砌的正射影像。
显然,本领域的技术人员应该明白,上述的本申请的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本申请不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包括在本申请的保护范围之内。
Claims (10)
1.一种隧道衬砌正射影像生成方法,其特征在于,包括:
获取目标隧道衬砌的原始影像,并根据所述原始影像进行三维重建得到所述目标隧道衬砌的目标三维网格模型;
基于网格参数化算法对所述目标三维网格模型进行二维展开处理,得到所述目标隧道衬砌的平面展开图;
基于完成色彩校正的原始影像、所述原始影像的语义信息及所述平面展开图构建所述目标隧道衬砌的正射拼接网,并根据所述正射拼接网生成所述目标隧道衬砌的正射影像。
2.根据权利要求1所述的方法,其特征在于,所述目标三维网格模型的曲面类型为非流形曲面,所述基于网格参数化算法对所述目标三维网格模型进行二维展开处理,得到所述目标隧道衬砌的平面展开图包括:
根据所述目标三维网格模型的轮廓形状特征,构建所述目标三维网格模型的初始流形曲面网格模型;
将所述目标三维网格模型投影至所述初始流形曲面网格模型,得到所述目标三维网格模型的流形曲面网格模型;
基于网格参数化算法对所述流形曲面网格模型进行二维展开处理,得到所述目标隧道衬砌的平面展开图。
3.根据权利要求2所述的方法,其特征在于,所述网格参数化算法为添加中心线约束的最小二乘共形映射,所述基于网格参数化算法对所述目标三维网格模型的流形曲面网格模型进行二维展开,得到所述目标隧道衬砌的平面展开图包括:
针对所述流形曲面网格模型中的每个网格,构建经过所述网格的顶点并垂直于所述目标三维网格模型中心线的映射平面;
将所述每个网格的顶点在所述映射平面内进行最小二乘共形映射,得到所述每个网格的顶点的二维展开平面坐标,并根据所述二维展开平面坐标生成所述目标隧道衬砌的平面展开图。
4.根据权利要求1所述的方法,其特征在于,所述基于完成色彩校正的原始影像、所述原始影像的语义信息及所述平面展开图构建所述目标隧道衬砌的正射拼接网包括:
对所述平面展开图进行三角剖分,得到包含多个三角形的三角网,并以所述三角形作为无向图结构的顶点构建无向图结构;
基于所述无向图结构、所述语义信息、所述完成色彩校正的原始影像进行优化处理,得到所述目标隧道衬砌的正射拼接网。
5.根据权利要求4所述的方法,其特征在于,所述基于所述无向图结构、所述语义信息、所述完成色彩校正的原始影像进行优化处理,得到所述目标隧道衬砌的正射拼接网之前,所述方法还包括:
基于已完成训练的深度学习网络模型对所述原始影像进行前景物体特征信息提取,得到所述原始影像的语义信息。
6.根据权利要求1所述的方法,其特征在于,所述基于完成色彩校正的原始影像、所述原始影像的语义信息及所述平面展开图构建所述目标隧道衬砌的正射拼接网之前,所述方法还包括:
基于全局原始影像的像素值构建全局变换函数,并通过对所述全局变换函数进行二次凸优化处理,确定对应每个所述原始影像的目标变换函数;
基于所述目标变换函数对所述原始影像进行色彩校正,得到完成色彩校正后的原始影像。
7.根据权利要求6所述的方法,其特征在于,所述基于完成色彩校正的原始影像、所述原始影像的语义信息及所述平面展开图构建所述目标隧道衬砌的正射拼接网之后,所述方法还包括:
对所述正射拼接网中各个拼接影像之间进行局部色彩调整,得到局部色彩调整后的正射拼接网;
所述根据所述正射拼接网生成所述目标隧道衬砌的正射影像包括:
根据所述局部色彩调整后的正射拼接网生成所述目标隧道衬砌的正射影像。
8.一种隧道衬砌正射影像生成装置,其特征在于,包括:
获取模块,用于获取目标隧道衬砌的原始影像,并根据所述原始影像进行三维重建得到所述目标隧道衬砌的目标三维网格模型;
处理模块,基于网格参数化算法对所述目标三维网格模型进行二维展开处理,得到所述目标隧道衬砌的平面展开图;
生成模块,用于基于完成色彩校正的原始影像、所述原始影像的语义信息及所述平面展开图构建所述目标隧道衬砌的正射拼接网,并根据所述拼接网生成所述目标隧道衬砌的正射影像。
9.一种存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如权利要求1-7中任一项所述的隧道衬砌正射影像生成方法对应的操作。
10.一种终端,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如权利要求1-7中任一项所述的隧道衬砌正射影像生成方法对应的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211512900.5A CN115631317B (zh) | 2022-11-30 | 2022-11-30 | 隧道衬砌正射影像生成方法及装置、存储介质、终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211512900.5A CN115631317B (zh) | 2022-11-30 | 2022-11-30 | 隧道衬砌正射影像生成方法及装置、存储介质、终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115631317A true CN115631317A (zh) | 2023-01-20 |
CN115631317B CN115631317B (zh) | 2023-03-14 |
Family
ID=84910732
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211512900.5A Active CN115631317B (zh) | 2022-11-30 | 2022-11-30 | 隧道衬砌正射影像生成方法及装置、存储介质、终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115631317B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116071273A (zh) * | 2023-03-09 | 2023-05-05 | 中国科学院空天信息创新研究院 | 基于扩展更新区域的正射影像色彩一致性处理方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104457572A (zh) * | 2014-12-04 | 2015-03-25 | 上海岩土工程勘察设计研究院有限公司 | 基于三维扫描技术提取盾构隧道错缝错台量的方法 |
US20180218533A1 (en) * | 2017-02-02 | 2018-08-02 | Infatics, Inc. (DBA DroneDeploy) | System and methods for improved aerial mapping with aerial vehicles |
CN109166168A (zh) * | 2018-09-04 | 2019-01-08 | 上海同岩土木工程科技股份有限公司 | 一种隧道衬砌结构的三维展布图快速构建方法 |
CN110942516A (zh) * | 2019-11-30 | 2020-03-31 | 中铁一局集团有限公司 | 一种基于激光扫描数据的隧道漫游视频生成方法 |
CN115294258A (zh) * | 2022-09-26 | 2022-11-04 | 腾讯科技(深圳)有限公司 | 三维模型的展开方法、装置、设备及计算机可读存储介质 |
-
2022
- 2022-11-30 CN CN202211512900.5A patent/CN115631317B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104457572A (zh) * | 2014-12-04 | 2015-03-25 | 上海岩土工程勘察设计研究院有限公司 | 基于三维扫描技术提取盾构隧道错缝错台量的方法 |
US20180218533A1 (en) * | 2017-02-02 | 2018-08-02 | Infatics, Inc. (DBA DroneDeploy) | System and methods for improved aerial mapping with aerial vehicles |
CN109166168A (zh) * | 2018-09-04 | 2019-01-08 | 上海同岩土木工程科技股份有限公司 | 一种隧道衬砌结构的三维展布图快速构建方法 |
CN110942516A (zh) * | 2019-11-30 | 2020-03-31 | 中铁一局集团有限公司 | 一种基于激光扫描数据的隧道漫游视频生成方法 |
CN115294258A (zh) * | 2022-09-26 | 2022-11-04 | 腾讯科技(深圳)有限公司 | 三维模型的展开方法、装置、设备及计算机可读存储介质 |
Non-Patent Citations (2)
Title |
---|
JUNXING YANG 等: "Efficient Seamline Network Generation for Large-Scale Orthoimage Mosaicking" * |
阮东旭 等: "基于轨道移动激光扫描的圆形隧道正射影像纠正算法" * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116071273A (zh) * | 2023-03-09 | 2023-05-05 | 中国科学院空天信息创新研究院 | 基于扩展更新区域的正射影像色彩一致性处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115631317B (zh) | 2023-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109872397B (zh) | 一种基于多目立体视觉的飞机零件的三维重建方法 | |
CN108648269B (zh) | 三维建筑物模型的单体化方法和系统 | |
CN110648398B (zh) | 基于无人机航摄数据的正射影像实时生成方法及系统 | |
US8711143B2 (en) | System and method for interactive image-based modeling of curved surfaces using single-view and multi-view feature curves | |
US9942535B2 (en) | Method for 3D scene structure modeling and camera registration from single image | |
CN111629193A (zh) | 一种实景三维重建方法及系统 | |
WO2018061010A1 (en) | Point cloud transforming in large-scale urban modelling | |
Barazzetti et al. | True-orthophoto generation from UAV images: Implementation of a combined photogrammetric and computer vision approach | |
CN103559737A (zh) | 一种对象全景建模方法 | |
CN103617603A (zh) | 一种三维数字几何网格模型结构的自动修复方法 | |
US9147279B1 (en) | Systems and methods for merging textures | |
CN110838129A (zh) | 基于倾斜摄影测量的三维建筑物模型轮廓特征线提取方法 | |
CN109147025B (zh) | 一种面向rgbd三维重建的纹理生成方法 | |
CN104463969B (zh) | 一种对航空倾斜拍摄的地理照片的模型的建立方法 | |
CN114241125B (zh) | 一种基于多视角卫星影像精细三维建模方法及系统 | |
CN110728671A (zh) | 基于视觉的无纹理场景的稠密重建方法 | |
CN113393577B (zh) | 一种倾斜摄影地形重建方法 | |
CN112465849B (zh) | 一种无人机激光点云与序列影像的配准方法 | |
CN108629742B (zh) | 真正射影像阴影检测与补偿方法、装置及存储介质 | |
CN116721231A (zh) | 基于无人机机载定位的可扩展场景三维重建方法及系统 | |
CN115631317B (zh) | 隧道衬砌正射影像生成方法及装置、存储介质、终端 | |
CN110322541A (zh) | 一种从五个倾斜相机中选择最优墙面纹理的方法 | |
CN114202632A (zh) | 网格线性结构恢复方法、装置、电子设备及存储介质 | |
Frommholz et al. | Reconstructing buildings with discontinuities and roof overhangs from oblique aerial imagery | |
Deng et al. | Automatic true orthophoto generation based on three-dimensional building model using multiview urban 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |