CN115994987A - 基于倾斜三维模型的农村建筑物提取及矢量化方法 - Google Patents
基于倾斜三维模型的农村建筑物提取及矢量化方法 Download PDFInfo
- Publication number
- CN115994987A CN115994987A CN202310273832.XA CN202310273832A CN115994987A CN 115994987 A CN115994987 A CN 115994987A CN 202310273832 A CN202310273832 A CN 202310273832A CN 115994987 A CN115994987 A CN 115994987A
- Authority
- CN
- China
- Prior art keywords
- building
- rural
- transverse wall
- extracting
- buildings
- 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 36
- 238000000605 extraction Methods 0.000 title claims abstract description 28
- 230000011218 segmentation Effects 0.000 claims abstract description 58
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000010586 diagram Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000002360 preparation method Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 5
- 239000000284 extract Substances 0.000 abstract description 4
- 238000009435 building construction Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000013135 deep learning Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 238000010420 art technique Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Processing Or Creating Images (AREA)
Abstract
本发明提供了一种基于倾斜三维模型的农村建筑物提取及矢量化方法，包括以下步骤：数据准备；数据预处理；基于深度卷积语义分割网络HRNet提取农村建筑和横墙线；农村建筑物分户。本发明有益效果：提供了一种基于深度卷积神经网络的倾斜摄影三维模型农村建筑物精细化提取方法；针对农村建筑物不同户房屋建筑黏连，无法自动化单独提取的问题，本发明利用倾斜三维模型，分别提取建筑物和横墙，利用不同户建筑之间的横墙对视觉上黏连在一起的建筑分割开来，实现不同户建筑自动化高精度提取与制图；本发明是一种端到端农村建筑物精细化提取与制图，无需人工干预。
Description
技术领域
本发明属于光学遥感图像处理技术领域，尤其是涉及一种基于倾斜三维模型的农村建筑物提取及矢量化方法。
背景技术
建筑物是土地资源管理、城市规划、地理数据库更新等领域重点关注的对象之一。高效、精确的建筑物信息提取和变化检测对于这些业务具有重要的理论意义。高分遥感影像由于其覆盖范围大、获取成本低、及时准确的特点，已经成为建筑物提取的主要数据来源。如现有技术的基于高分影像和点云数据获取建筑物轮廓，是从点云获取DSM，根据Slope算法提取坡度值，融合坡度信息和高分航空影像，基于多尺度影像分割技术获取高精度建筑物边界。还有一些现有技术是根据坡度强度信息，将影像分割成高、中、低坡度目标，采用阈值法进行陡峭区、地表面和建筑物的初始分类，并对建筑物提取结果进行优化。得益于深度学习等人工智能技术的突破，目前，基于深度学习的建筑物提取已经获得广泛研究。现有技术中有公开构建了一种密集空间金字塔池(DSPP)模块，用于提取密集和多尺度的特征，以便于提取所有尺度的建筑物，并在训练阶段采用focalloss抑制错误标签的影响，提高模型稳定性。现有技术中还公开设计了一种多任务语义分割网络，同时提取建筑物像素、角点、边缘方向，提出一个多边形优化网络进一步修正建筑物角点位置。此外，现有技术中还公开提出了一种自适应的建筑物多边形轮廓提取方法，直接提取建筑物边缘节点。
虽然深度神经已经成功应用于高分遥感影像的建筑物提取，然而将其应用于高比例尺建筑物制图时，仍面临以下问题：1）建筑物关键角点丢失，边缘精度不足。深度卷积神经网络由于其特有的卷积运算，使得其不可避免的导致影像分辨率下降，对于建筑物的边缘部分无法精确提取；2）建筑物黏连，无法将不同户房屋分开。对于农村地区，不同户之间的建筑往往连在一起，基于深度学习语义分割的方法无法对不同户的建筑分割开来，限制了分割结果的进一步应用。因此，如何利用深度卷积神经网络进行农村建筑物精细化提取仍然需要进一步研究。
发明内容
有鉴于此，本发明旨在提出一种基于倾斜三维模型的农村建筑物提取及矢量化方法，以针对农村建筑物的精细化提取问题。
为达到上述目的，本发明的技术方案是这样实现的：
一种基于倾斜三维模型的农村建筑物提取及矢量化方法，包括以下步骤：
S1、数据准备，得到正射影像和数字地表模型；
S2、对正射影像和数字地表模型进行数据预处理，得到光谱-高度影像；
S3、通过光谱-高度影像，并基于深度卷积语义分割网络HRNet提取农村建筑和横墙线，得到多尺度分割图Refine_Segmap；
S4、通过多尺度分割图Refine_Segmap，进行农村建筑物分户。
进一步的，在步骤S1中的数据准备，包括以下步骤：
S11、针对待制图的农村地区进行无人机倾斜摄影测量，获得该地区的正射影像和数字地表模型；
S12、基于正射影像进行建筑物标记，勾画出房屋轮廓和横墙线轮廓，构造训练样本。
进一步的，在步骤S2中的数据预处理，包括以下步骤：
S21、通过数字地表模型处理公式对数字地表模型进行DN值截断和拉伸，过滤掉与建筑物无关的背景目标，处理后的数字地表模型记为NDSM；
S22、通过光谱-高度影像处理公式将NDSM的影像与正射影像进行融合，将NDSM替换正射影像中RGB波段的R波段，得到新的三波段影像，记为光谱-高度影像。
进一步的，在步骤S3中的基于深度卷积语义分割网络HRNet提取农村建筑和横墙线，包括以下步骤：
S31、利用步骤S12所得到的训练样本训练深度卷积语义分割网络HRNet，得到训练后的深度卷积语义分割网络，记为深度语义分割模型HRNet；
S32、基于步骤S31得到的深度语义分割模型HRNet、步骤S22得到的光谱-高度影像以及Logitmap的计算公式对待预测图像进行语义推断，得到农村建筑物和横墙分割图以及建筑物概率图；
S33、将建筑物概率图与NDSM的影像叠加融合，并采用多尺度分割算法进行分割，获得多尺度分割图U；
S34、将农村建筑物和横墙分割图中的建筑物和横墙合并为同一类，都被设置为建筑物，得到新的建筑物分割图；
S35、基于多尺度分割图U，采用面向对建算法，根据众数原则，对筑物分割图Union_Segmap的建筑物边缘进行优化，获得多尺度分割图Refine_Segmap。
进一步的，在步骤S4中的农村建筑物分户，包括以下步骤：
S41、基于农村建筑物和横墙分割图提取出横墙分割图；
S42、在横墙分割图上，针对每一个横墙图斑提取出其外接矩形，基于外接矩形提取出经过矩形中心且平行于矩形长边的线段，记为横墙线段；
S43、分别基于多尺度分割图Refine_Segmap和横墙线段，生成农村建筑物矢量多边形和横墙线段矢量；
S44、采用Douglas—Peucker法对农村建筑物矢量多边形进行正则化，得到边界规整的建筑物轮廓矢量图；
S45、根据横墙线段矢量对边界规整的建筑物轮廓矢量图进行打断，将黏连在一起的分属不同户的农村建筑分割开来，获得最终的农村建筑物精细提取图。
进一步的，在步骤S21中，数字地表模型的处理公式为：
其中，min，max为经验值，分别设置为1.5和16，x为DSM栅格像素值。
进一步的，在步骤S22中，光谱-高度影像处理公式为：
其中，I表示生成的光谱-高度影像，
为波段叠加函数，
与
分别表示正射影像的B和G波段。
进一步的，在步骤S32中，Logitmap的计算公式为：
其中，
为深度卷积语义分割网络HRNet输出的背景概率图。
相对于现有技术，本发明所述的基于倾斜三维模型的农村建筑物提取及矢量化方法具有以下优势：
本发明所述的基于倾斜三维模型的农村建筑物提取及矢量化方法，提供了一种基于深度卷积神经网络的倾斜摄影三维模型农村建筑物精细化提取方法；针对农村建筑物不同户房屋建筑黏连，无法自动化单独提取的问题，本发明利用倾斜三维模型，分别提取建筑物和横墙，利用不同户建筑之间的横墙对视觉上黏连在一起的建筑分割开来，实现不同户建筑自动化高精度提取与制图；本发明是一种端到端农村建筑物精细化提取与制图，无需人工干预。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例所述的整体方法流程示意图；
图2为本发明实施例所述的数据准备中构造训练样本示意图；
图3为本发明实施例所述的NDSM图像示意图；
图4为本发明实施例所述的光谱-高度影像示意图；
图5为本发明实施例所述的Segmap示意图；
图6为本发明实施例所述的Logitmap示意图；
图7为本发明实施例所述的多尺度分割图U示意图；
图8为本发明实施例所述的提取出横墙分割图示意图；
图9为本发明实施例所述的HQ_shp示意图；
图10为本发明实施例所述的边界规整的建筑物轮廓矢量示意图；
图11为本发明实施例所述的最终的农村建筑物精细提取示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。
下面将参考附图并结合实施例来详细说明本发明。
如图1至图11所示，基于倾斜三维模型的农村建筑物提取及矢量化方法，包括如下步骤：
S1：数据准备，本步骤进一步包括：
1.1针对待制图的农村地区进行无人机倾斜摄影测量，获得该地区的正射影像（DOM）和数字地表模型（DSM）；
1.2基于正射影像进行建筑物标记，勾画出房屋轮廓和横墙线轮廓，构造训练样本，如图2所示。
S2：数据预处理，本步骤进一步包括：
2.1对数字地表模型进行DN值截断和拉伸，过滤掉一部分与建筑物无关的背景目标，公式为：
其中，min，max为经验值，分别设置为1.5和16，x为DSM栅格像素值，处理后的DSM记为NDSM，NDSM图像如图3所示。
2.2NDSM影像与正射影像进行融合，将NDSM替换正射影像中RGB波段的R波段，得到新的三波段影像，即光谱-高度影像，公式为：
其中，I表示生成的光谱-高度影像，
为波段叠加函数，
与
分别表示正射影像的B和G波段，光谱-高度影像如图4所示。
S3：基于深度卷积语义分割网络HRNet提取农村建筑和横墙线，本步骤进一步包括：
3.1利用步骤2.2所得到的数据训练深度卷积语义分割网络HRNet；
3.2基于步骤3.1训练得到的深度语义分割模型HRNet，对待预测图像进行语义推断，农村建筑物和横墙分割图（Segmap）以及建筑物概率图（Logitmap），其中Logitmap的计算公式如下：
其中，
为深度卷积语义分割网络HRNet输出的背景概率图，建筑物和横墙分割图Segmap如图5所示，Logitmap如图6所示。
3.3将建筑物概率图与NDSM影像叠加融合，并采用多尺度分割算法（Mean-Shift）进行分割，获得多尺度分割图U，如图7所示；
3.4将建筑物和横墙分割图Segmap中的建筑物和横墙合并为同一类，都被设置为建筑物，得到新的建筑物分割图（Union_Segmap）；
3.5基于多尺度分割图U，采用面向对建算法，根据众数原则，对新的建筑物分割图的建筑物边缘进行优化，获得边界细节保留更优的多尺度分割图Refine_Segmap。
S4农村建筑物分户，本步骤进一步包括：
4.1基于建筑物和横墙分割图Segmap提取出横墙分割图（HQmap），如图8所示；
4.2在横墙分割图上，针对每一个横墙图斑提取出其外接矩形，基于外接矩形提取出经过矩形中心且平行于矩形长边的线段，记为横墙线段（HQLine）；
4.3分别基于Refine_Segmap和HQLine，生成农村建筑物矢量多边形（Building_shp）和横墙线段矢量（HQ_shp），如图9所示；
4.4采用Douglas—Peucker法对农村建筑物矢量多边形进行正则化，得到边界规整的建筑物轮廓矢量图（Re_Building_shp），如图10所示；
4.5根据横墙线段矢量对矢量图Re_Building_shp进行打断，将黏连在一起的分属不同户的农村建筑分割开来，获得最终的农村建筑物精细提取图（Final_building_shp），如图11所示。
本发明的有益效果：
提供了一种基于深度卷积神经网络的倾斜摄影三维模型农村建筑物精细化提取方法；
针对农村建筑物不同户房屋建筑黏连，无法自动化单独提取的问题，本发明利用倾斜三维模型，分别提取建筑物和横墙，利用不同户建筑之间的横墙对视觉上黏连在一起的建筑分割开来，实现不同户建筑自动化高精度提取与制图；
本发明是一种端到端农村建筑物精细化提取与制图，无需人工干预。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.基于倾斜三维模型的农村建筑物提取及矢量化方法，其特征在于：包括以下步骤：
S1、数据准备，得到正射影像和数字地表模型；
S2、对正射影像和数字地表模型进行数据预处理，得到光谱-高度影像；
S3、通过光谱-高度影像，并基于深度卷积语义分割网络HRNet提取农村建筑和横墙线，得到多尺度分割图Refine_Segmap；
S4、通过多尺度分割图Refine_Segmap，进行农村建筑物分户。
2.根据权利要求1所述的基于倾斜三维模型的农村建筑物提取及矢量化方法，其特征在于：在步骤S1中的数据准备，包括以下步骤：
S11、针对待制图的农村地区进行无人机倾斜摄影测量，获得该地区的正射影像和数字地表模型；
S12、基于正射影像进行建筑物标记，勾画出房屋轮廓和横墙线轮廓，构造训练样本。
3.根据权利要求2所述的基于倾斜三维模型的农村建筑物提取及矢量化方法，其特征在于：在步骤S2中的数据预处理，包括以下步骤：
S21、通过数字地表模型处理公式对数字地表模型进行DN值截断和拉伸，过滤掉与建筑物无关的背景目标，处理后的数字地表模型记为NDSM；
S22、通过光谱-高度影像处理公式将NDSM的影像与正射影像进行融合，将NDSM替换正射影像中RGB波段的R波段，得到新的三波段影像，记为光谱-高度影像。
4.根据权利要求3所述的基于倾斜三维模型的农村建筑物提取及矢量化方法，其特征在于：在步骤S3中的基于深度卷积语义分割网络HRNet提取农村建筑和横墙线，包括以下步骤：
S31、利用步骤S12所得到的训练样本训练深度卷积语义分割网络HRNet，得到训练后的深度卷积语义分割网络，记为深度语义分割模型HRNet；
S32、基于步骤S31得到的深度语义分割模型HRNet、步骤S22得到的光谱-高度影像以及Logitmap的计算公式对待预测图像进行语义推断，得到农村建筑物和横墙分割图以及建筑物概率图；
S33、将建筑物概率图与NDSM的影像叠加融合，并采用多尺度分割算法进行分割，获得多尺度分割图U；
S34、将农村建筑物和横墙分割图中的建筑物和横墙合并为同一类，都被设置为建筑物，得到新的建筑物分割图；
S35、基于多尺度分割图U，采用面向对建算法，根据众数原则，对新的建筑物分割图的建筑物边缘进行优化，获得多尺度分割图Refine_Segmap。
5.根据权利要求4所述的基于倾斜三维模型的农村建筑物提取及矢量化方法，其特征在于：在步骤S4中的农村建筑物分户，包括以下步骤：
S41、基于农村建筑物和横墙分割图提取出横墙分割图；
S42、在横墙分割图上，针对每一个横墙图斑提取出其外接矩形，基于外接矩形提取出经过矩形中心且平行于矩形长边的线段，记为横墙线段；
S43、分别基于多尺度分割图Refine_Segmap和横墙线段，生成农村建筑物矢量多边形和横墙线段矢量；
S44、采用Douglas—Peucker法对农村建筑物矢量多边形进行正则化，得到边界规整的建筑物轮廓矢量图；
S45、根据横墙线段矢量对边界规整的建筑物轮廓矢量图进行打断，将黏连在一起的分属不同户的农村建筑分割开来，获得最终的农村建筑物精细提取图。
6.根据权利要求5所述的基于倾斜三维模型的农村建筑物提取及矢量化方法，其特征在于：在步骤S21中，数字地表模型的处理公式为：
其中，min，max为经验值，分别设置为1.5和16，x为DSM栅格像素值。
7.根据权利要求3所述的基于倾斜三维模型的农村建筑物提取及矢量化方法，其特征在于：在步骤S22中，光谱-高度影像处理公式为：
其中，I表示生成的光谱-高度影像，
为波段叠加函数，
与
分别表示正射影像的B和G波段。
8.根据权利要求4所述的基于倾斜三维模型的农村建筑物提取及矢量化方法，其特征在于：在步骤S32中，Logitmap的计算公式为：
其中，
为深度卷积语义分割网络HRNet输出的背景概率图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310273832.XA CN115994987B (zh) | 2023-03-21 | 2023-03-21 | 基于倾斜三维模型的农村建筑物提取及矢量化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310273832.XA CN115994987B (zh) | 2023-03-21 | 2023-03-21 | 基于倾斜三维模型的农村建筑物提取及矢量化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115994987A true CN115994987A (zh) | 2023-04-21 |
| CN115994987B CN115994987B (zh) | 2023-06-06 |
Family
ID=85992267
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310273832.XA Active CN115994987B (zh) | 2023-03-21 | 2023-03-21 | 基于倾斜三维模型的农村建筑物提取及矢量化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115994987B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118037984A (zh) * | 2023-09-06 | 2024-05-14 | 二十一世纪空间技术应用股份有限公司 | 基于三维模型的建筑物部件提取方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109446992A (zh) * | 2018-10-30 | 2019-03-08 | 苏州中科天启遥感科技有限公司 | 基于深度学习的遥感影像建筑物提取方法及系统、存储介质、电子设备 |
| CN113362359A (zh) * | 2021-06-18 | 2021-09-07 | 天津市勘察设计院集团有限公司 | 融合高度和光谱信息的倾斜摄影数据建筑物自动提取方法 |
| CN113807301A (zh) * | 2021-09-26 | 2021-12-17 | 武汉汉达瑞科技有限公司 | 一种新增建设用地自动提取方法及自动提取系统 |
| CN114219819A (zh) * | 2021-11-19 | 2022-03-22 | 上海建工四建集团有限公司 | 基于正射影像边界检测的倾斜摄影模型单体化方法 |
| CN114332616A (zh) * | 2021-12-29 | 2022-04-12 | 甘德强 | 基于正射影像和倾斜摄影数据的建筑物变化检测方法 |
| CN114417489A (zh) * | 2022-03-30 | 2022-04-29 | 宝略科技(浙江)有限公司 | 一种基于实景三维模型的建筑基底轮廓精细化提取方法 |
| CN115512247A (zh) * | 2022-09-27 | 2022-12-23 | 同济大学 | 基于图像多参数提取的区域建筑损伤等级评定方法 |
-
2023
- 2023-03-21 CN CN202310273832.XA patent/CN115994987B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109446992A (zh) * | 2018-10-30 | 2019-03-08 | 苏州中科天启遥感科技有限公司 | 基于深度学习的遥感影像建筑物提取方法及系统、存储介质、电子设备 |
| CN113362359A (zh) * | 2021-06-18 | 2021-09-07 | 天津市勘察设计院集团有限公司 | 融合高度和光谱信息的倾斜摄影数据建筑物自动提取方法 |
| CN113807301A (zh) * | 2021-09-26 | 2021-12-17 | 武汉汉达瑞科技有限公司 | 一种新增建设用地自动提取方法及自动提取系统 |
| CN114219819A (zh) * | 2021-11-19 | 2022-03-22 | 上海建工四建集团有限公司 | 基于正射影像边界检测的倾斜摄影模型单体化方法 |
| CN114332616A (zh) * | 2021-12-29 | 2022-04-12 | 甘德强 | 基于正射影像和倾斜摄影数据的建筑物变化检测方法 |
| CN114417489A (zh) * | 2022-03-30 | 2022-04-29 | 宝略科技(浙江)有限公司 | 一种基于实景三维模型的建筑基底轮廓精细化提取方法 |
| CN115512247A (zh) * | 2022-09-27 | 2022-12-23 | 同济大学 | 基于图像多参数提取的区域建筑损伤等级评定方法 |
Non-Patent Citations (8)
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118037984A (zh) * | 2023-09-06 | 2024-05-14 | 二十一世纪空间技术应用股份有限公司 | 基于三维模型的建筑物部件提取方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115994987B (zh) | 2023-06-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110084272B (zh) | 一种聚类地图创建方法及基于聚类地图和位置描述子匹配的重定位方法 | |
| CN104123730A (zh) | 基于道路特征的遥感影像与激光点云配准方法及系统 | |
| CN103268358A (zh) | 多源控制点影像数据库构建及更新方法 | |
| CN103337052A (zh) | 面向宽幅遥感影像的自动几何纠正方法 | |
| CN106127791A (zh) | 一种航空遥感影像的建筑物轮廓线提取方法 | |
| CN115994987B (zh) | 基于倾斜三维模型的农村建筑物提取及矢量化方法 | |
| Lu et al. | Automatic building detection using the Dempster-Shafer algorithm | |
| CN115294293B (zh) | 基于低空航摄成果自动化编译高精地图道路参考线的方法 | |
| Karsli et al. | Automatic building extraction from very high-resolution image and LiDAR data with SVM algorithm | |
| Trinder et al. | Knowledge-based road interpretation in aerial images | |
| CN113807309B (zh) | 一种基于深度学习的果园机械行走路线规划方法 | |
| CN104966091A (zh) | 一种基于无人机遥感影像的露天矿道路提取方法 | |
| Quackenbush et al. | Road extraction: A review of LiDAR-focused studies | |
| CN112925322B (zh) | 一种长期场景下无人车的自主定位方法 | |
| Dong et al. | Automated parcel-based building change detection using multitemporal airborne LiDAR data | |
| Zhu | A pipeline of 3D scene reconstruction from point clouds | |
| Mi et al. | Automatic road structure detection and vectorization Using Mls point clouds | |
| CN114694022A (zh) | 一种基于球形邻域的多尺度多特征算法的语义分割方法 | |
| CN111127474B (zh) | 机载LiDAR点云辅助的正射影像镶嵌线自动选取方法及系统 | |
| Yu et al. | Advanced approach for automatic reconstruction of 3d buildings from aerial images | |
| Crommelinck et al. | Robust object extraction from remote sensing data | |
| Zhang | Photogrammetric point clouds: quality assessment, filtering, and change detection | |
| Ma et al. | Road Curbs Extraction from Mobile Laser Scanning Point Clouds with Multidimensional Rotation‐Invariant Version of the Local Binary Pattern Features | |
| Hujebri et al. | Automatic building extraction from lidar point cloud data in the fusion of orthoimage | |
| CN112308904A (zh) | 一种基于视觉的建图方法、装置及车载终端 |
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 | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20230421 Assignee: STARGIS (TIANJIN) TECHNOLOGY DEVELOPMENT Co.,Ltd. Assignor: Tianjin survey and Design Institute Group Co.,Ltd. Contract record no.: X2023980054279 Denomination of invention: Extraction and vectorization method of rural buildings based on tilted 3D models Granted publication date: 20230606 License type: Common License Record date: 20231227 |
|
| EE01 | Entry into force of recordation of patent licensing contract |