CN116152454A - 基于gis和三维建模的水利实时监测管理系统 - Google Patents
基于gis和三维建模的水利实时监测管理系统 Download PDFInfo
- Publication number
- CN116152454A CN116152454A CN202310116262.3A CN202310116262A CN116152454A CN 116152454 A CN116152454 A CN 116152454A CN 202310116262 A CN202310116262 A CN 202310116262A CN 116152454 A CN116152454 A CN 116152454A
- Authority
- CN
- China
- Prior art keywords
- data
- dimensional
- image
- point
- terrain
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 40
- 238000012544 monitoring process Methods 0.000 title claims abstract description 24
- 238000007726 management method Methods 0.000 claims abstract description 61
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 238000012937 correction Methods 0.000 claims abstract description 13
- 238000005259 measurement Methods 0.000 claims abstract description 13
- 238000013500 data storage Methods 0.000 claims abstract description 9
- 230000007547 defect Effects 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract 2
- 239000011159 matrix material Substances 0.000 claims description 53
- 238000005286 illumination Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000013519 translation Methods 0.000 claims description 12
- 238000000034 method Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 10
- 238000011084 recovery Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000013499 data model Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 230000005484 gravity Effects 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 6
- 238000002310 reflectometry Methods 0.000 claims description 6
- 206010062519 Poor quality sleep Diseases 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000003707 image sharpening Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 230000008520 organization Effects 0.000 claims description 3
- 230000008439 repair process Effects 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 239000005436 troposphere Substances 0.000 claims description 3
- 230000000149 penetrating effect Effects 0.000 claims 1
- 230000005540 biological transmission Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 229920000642 polymer Polymers 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 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
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Remote Sensing (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Computer Graphics (AREA)
- Multimedia (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Processing (AREA)
Abstract
基于GIS和三维建模的水利实时监测管理系统，包括实景三维地形数据获取端、GIS数据调用处理端和三维数据存储管理端，实景三维地形数据获取端用于获取三维高程地形数据，并将获取的三维高程地形数据输入GIS数据调用处理端，GIS数据调用处理端用于对接收到的三维地形高程数据进行预处理和分类处理，并将分类所得的类集合输入三维数据存储管理端，三维数据存储管理端将接收到的三维地形高程数据和该区域地形数据合并存储并进行水利监测管理。本发明采用采用无人机航拍和地面机器设备拍照相联合，补全拍摄盲区，结合GIS数据，再采用四周环绕Retinex‑Gnet算法进行多尺度测量并提升清晰度，最后完成精确化实景更新以及缺陷修正，为水利实时监测管理提供更优的方案。
Description
技术领域
本发明创造涉及三维地形下水利系统大数据领域，具体涉及基于GIS和三维建模的水利实时监测管理系统。
背景技术
目前，亟需通过信息化技术手段，整合现有信息资源，建设水利工程标准化运行管理平台，全面提升管理能力和管理效率。
发明内容
针对上述问题，本发明旨在提供基于GIS和三维建模的水利实时监测管理系统。
本发明创造的目的通过以下技术方案实现：
基于GIS和三维建模的水利实时监测管理系统，包括实景三维地形数据获取端、GIS数据调用处理端和三维数据存储管理端，实景三维地形数据获取端包括实景地形获取模块和地形数据转换模块，主要是为了用航拍以及地面设备共同拍摄的照片来获取实际的三维高程地形数据，并将获取的三维高程地形数据输入GIS数据调用处理端，GIS数据调用处理端包括地形数据调用模块、三维地形显示模块和地形分类管理模块，地形数据调用模块先对实景三维地形数据获取端输入的三维高程地形数据进行预处理，完成数据的整理和最佳重建，并将预处理后的三维高程地形数据输入三维地形显示模块，三维地形显示模块中对输入的数据进行建模并且对地形进行修正并显示出实景3D图像，三维地形显示模块主要针对已经处理后的图像数据，根据提前预设的算法模型进行实景建模，并最大程度上提升模型鲁棒性，随之三维地形显示模块将会把数据输入到地形分类管理模块，地形分类管理模块会针对水利监测管理系统的特点，对接收到的三维高程地形数据进行检测，针对不同的水域、非水域以及交互边缘部分进行分类管理并完成3D模型的其它问题修复以及图像增强，最后GIS数据调用处理端再将处理后的模型数据导入三维数据存储管理端进行存储并进行水利系统管理，水利系统的运行管理可以提供综合地图、工程基础信息、设备资产管理、调度运行、检查巡查、监测监控、维修养护、应急管理、达标考核、组织机构、综合首页、管理配置功能，方便水利运行的实时监测管理。
进一步的，实景三维地形数据的获取主要采用无人机航拍和地面机器设备拍照相联合，无人机航拍设备获取实景地点全貌，以及经纬度点，以便结合GIS数据，从而得到更准确的模型，同时，与地面机器设备结合，地面机器设备拍摄出地面的清晰图像以及补全无人机拍摄时的盲区，从而可以非常完备的建立实景三维地形模型。
进一步的，地形数据调用模块采用四周环绕Retinex-Gnet算法对处理后的影像数据像素点进行多尺度测量，同时可提升图像清晰度。
进一步的，在对图像进行检测并完成时刻化清晰度处理后，三维地形显示模块随即可结合GIS进行实景建模，针对缺失、穿模问题的部分进行修正和完善，由此主要采取的精确化实景联合更新方式为：
(1)对预处理后的数据采用四周环绕Retinex-Gnet进行像素点测量并更新像素块；
(2)结合GIS以及联合捕获的多维影像数据进行精确化实景更新以及缺陷修正。
进一步的，采用下列方式对预处理后的数据采用四周环绕Retinex-Gnet进行像素点测量并更新像素块：
假设一个理想的清晰影像p，向其中增加模糊操作H与噪声n，就会得到有噪点的图像P，即：P＝Hp+n，针对含有噪声的图像锐化，Retinex-Gnet算法的目标是找到一个全局滤波器F，达到提升图像清醒度的目的，可以得到p＝FP＝FHp+Fn，基于放大的原始信号思维，设立F变换矩阵为F＝I+λL，其中I是单位矩阵，L表示拉普拉斯滤波器，λ为任意常数，再使用控制核ks获取图像的局部结构信息，即：
式中pi为窗口内的邻域像素点，det表示求矩阵的行列式，Ci为点pi的协方差矩阵，h为噪点，那么假设实际大小为w的局部图像的梯度矩阵可以表示为Gi，则/>
其中[Gx(pi)，Gy(pi)]表示像素点pi的水平和垂直方向梯度值，则该像素点对应的协方差矩阵为：
分解协方差矩阵为：
其中，γi表示尺度，/>
表示旋转矩阵，/>
表示延伸矩阵，/>
表示旋转矩阵/>
的转置矩阵，θi表示改变角度，同时还有延伸变换ρi，变换主要是先通过延伸矩阵/>
圆形核的半径变为椭圆的长短轴，半轴长度由ρi决定，然后，通过旋转矩阵/>
椭圆核角度θi，椭圆核被尺度γi缩放，然后再对上述定义的局部梯度矩阵进行奇异值分解那么我们可以得到核ks，处理后的核定义为kLSAS＝ks+βLoG*ks，其中*表示卷积，LoG表示拉普拉斯-高斯滤波器，β表示常数，用于控制锐化的度，定义为：/>
其中s1和s2表示两个不同大小的奇异值，符号S即为锐化评价因子，表征了每个像素点k的锐利程度，然后再转回到RGB空间；
又假设x表示每一个点的像素点的横坐标，y表示每一个点的像素点的纵坐标，z表示像素点的空间坐标，L(x，y，z)表示原始的症状图像，即是图像设备捕获到的图像和人眼看到的图像，它可以表示为两个分量的乘积，一是照明分量L(x，y，z)，即外界光照，反映了图像中每个像素的最大动态范围，二是反射分量R(x，y，z)，即反射率，所以计算式为：
其中r(x，y，z)表示R(x，y，z)的对数形式，s(x，y，z)表示S(x，y，z)的对数形式，l(x，y，z)表示L(x，y，z)的对数形式，计算公式为：L(x，y，z)＝S(x，y，z)*G(x，y，z)，其中G(x，y，z)表示高斯滤波函数，有
其中λ表示系数，σ表示高斯尺度参数，再结合上述公式可以得出某一通道c的图像增强算法式为：r(x，y，z)c＝s(x，y，z)c-log(S(x，y，z)c*G(x，y，z)c)，再转换到对数域，计算得到r(x，y，z)c，转换到实数域，得到增强之后的反射图像R(x，y，z)c，合并通道，分别假设原图的RGB三通道分别为Sr(x，y，z)，Sg(x，y，z)，Sb(x，y，z)，经过锐化后的三通道分别为SGLA-r(x，y，z)，SGLA-g(x，y，z)，SGLA-b(x，y，z)，再引入颜色恢复因子，有RMSR-c(x，y，z)＝Ci(x，y，z)RM-c(x，y，z)，式中，RM-c(x，y，z)表示通过MSR得到的增强图像，RMSR-c(x，y，z)表示经过颜色恢复之后的图像，Ci(x，y，z)表示C通道对应的恢复因子，Ci(x，y，z)满足如下公式：/>
式中，C和α都是常数，C表示色彩增益以及α表示调节因子，又因为/>
得照明图和原始图像对应像素的关系为：S(x，y，z)≤L(x，y，z)，要保证所求光照率T和反射率R与原始图像的一致性，目标函数的表示为：/>
其中M1和M2表示调节矩阵，α和β为权重参数，φ表示修正项，通过更新辅助变量b，d，达到规定的迭代次数，经过n次迭代后，得到约束的照明图像L和反射图像R，最后通过Gamma-net矫正，修正反射图得到的更清晰的图像。
进一步的，结合GIS以及联合捕获的多维影像数据进行精确化实景更新以及缺陷修正：
假设有两个来自不同坐标系的三维数据集，目标三维数据P和其它非目标三维数据Q，按照一定约束条件找到三维数据P和三维数据Q对应的k个最近邻点pi∈P，qi∈Q，即可计算出一个旋转平移R和平移向量t，使误差函数E最小，假设i是近点集合中任一个点，集合中共有Np个点，其计算式为：
需要在P和Q中找到最近点集P{Pi，i＝1…Np}和Q{Qi，i＝1…Np}，使得||qi-pi||＝min，取得最小值min后，又有集合P中数据点Pi到集合Q的距离为d(Pi，Q)＝min||Qi-pi，Q中满足的最近点y即为三维数据P中数据点Pi的最近邻点，可以求出点集P中的每个点的最近点集合Y，用C表示这种映射关系的话即可得到：Y＝C(P，X)，X为Q中满足的最近点，计算旋转矩阵R和平移向量t，首先根据点集P、Q的重心，由重心可以计算出三维数据模型P和Q协方差矩阵组成的一个对称矩阵M，根据M可以得到旋转矩阵R以及平移向量t，又给出理想的T个点的三维数据集合，假设有K个高斯模型，那么高斯混合模型(GMM)的参数公式为：λ＝{(wk，uk，ξk)，k＝1…K}，其中wk，uk，ξk是k个权重，中心和协方差矩阵，那么一个三维点p属于第k个高斯模型的概率为：/>
由此，在计算尺度值的同时，达到去除离群噪声点的目的，解决了三维数据尺度与密度不一致的建模噪声的问题，假设三维数据模型P中点个数为n，任意采样点Pi的k邻域点集为N(Pi)，点Pi的邻域平均距离为Pi到其k邻域内所有临近点的平均距离/>
其中si即为点Pi的尺度信息，Pj为不同于第i个点的数据点，则三维数据的尺度值呈高斯分布，高斯分布的均值为三维数据中所有点的平均尺度/>
采用统计分析方法来去除三维数据中超过标准尺度值的采样点，若点Pi的尺度值3就将点Pi作为偏离点去除，其中Zy是三维数据尺度值的提取函数，那么多维影像数据精确化更新的计算为：/>
其中k邻域的值至关重要，不同k值建模尺度不同，得到的实景质量不同，那么可以采用相控点的多维数据点进行最优收敛，需要进行相位检测，模型为：φ＝ρ+c(dT-dt)+λN+dtrop+dion+dpreal+ε(φ)，式中φ为相位测量值，其单位为m，ρ为相位点几何距离，c为光速，dT为接收机钟差，dt为卫星钟差，λ为载波相位波长，N为整周未知数，dtrop为对流层折射的影响，dion为电离层折射的影响，dpreal为相对论效应，ε(φ)为观测噪声，找到所有能够影响到zy函数值的采样点，计算Zy函数的最优解。
本发明创造的有益效果：本发明通过在重要水利工程、河流、湖泊、水库区域设置相应传感器，实时获取水位、流量、雨量、水质专项数据，同时结合网络传输技术，将数据传输至管理系统后台进行整理、清洗、入库，本系统将江西省境内主要的河流、湖泊、水利工程相关水利资源数据进行收集、分类、整理，并在GIS底图中进行准确展示，可以更为直观、准确地表达我省水利资源的分部情况；同时，收集了各水利资源的历史水文资料、各水利工程的基础资料，以便更为全面、准确地掌握水利资源历史现状及各流域、各水利工程的安全运行，发挥其防汛抗旱及相关水利功能的实际需求，结合流域及水利工程基础数据、水文历史数据、实时物联网数据进行大数据分析，充分考虑各水利工程及水利资源间内在联系及影响，为水利工作、水利资源管理提供更为全面、准确地技术支撑，为安全、科学、高效地水利资源管理及利用提供更好的决策支持，为水利发展保驾护航。
附图说明
利用附图对发明创造作进一步说明，但附图中的实施例不构成对本发明创造的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1是本发明结构示意图。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1，本实施例的基于GIS和三维建模的水利实时监测管理系统，包括实景三维地形数据获取端、GIS数据调用处理端和三维数据存储管理端，实景三维地形数据获取端包括实景地形获取模块和地形数据转换模块，主要是为了用航拍以及地面设备共同拍摄的照片来获取实际的三维高程地形数据，并将获取的三维高程地形数据输入GIS数据调用处理端，GIS数据调用处理端包括地形数据调用模块、三维地形显示模块和地形分类管理模块，地形数据调用模块先对实景三维地形数据获取端输入的三维高程地形数据进行预处理，完成数据的整理和最佳重建，并将预处理后的三维高程地形数据输入三维地形显示模块，三维地形显示模块中对输入的数据进行建模并且对地形进行修正并显示出实景3D图像，三维地形显示模块主要针对已经处理后的图像数据，根据提前预设的算法模型进行实景建模，并最大程度上提升模型鲁棒性，随之三维地形显示模块将会把数据输入到地形分类管理模块，地形分类管理模块会针对水利监测管理系统的特点，对接收到的三维高程地形数据进行检测，针对不同的水域、非水域以及交互边缘部分进行分类管理并完成3D模型的其它问题修复以及图像增强，最后GIS数据调用处理端再将处理后的模型数据导入三维数据存储管理端进行存储并进行水利系统管理，水利系统的运行管理可以提供综合地图、工程基础信息、设备资产管理、调度运行、检查巡查、监测监控、维修养护、应急管理、达标考核、组织机构、综合首页、管理配置功能，方便水利运行的实时监测管理。
优选的，实景三维地形数据的获取主要采用无人机航拍和地面机器设备拍照相联合，无人机航拍设备获取实景地点全貌，以及经纬度点，以便结合GIS数据，从而得到更准确的模型，同时，与地面机器设备结合，地面机器设备拍摄出地面的清晰图像以及补全无人机拍摄时的盲区，从而可以非常完备的建立实景三维地形模型。
具体的，地形数据调用模块采用四周环绕Retinex-Gnet算法对处理后的影像数据像素点进行多尺度测量，同时可提升图像清晰度。
优选的，在对图像进行检测并完成时刻化清晰度处理后，三维地形显示模块随即可结合GIS进行实景建模，针对缺失、穿模问题的部分进行修正和完善，由此主要采取的精确化实景联合更新方式为：
(1)对预处理后的数据采用四周环绕Retinex-Gnet进行像素点测量并更新像素块；
(2)结合GIS以及联合捕获的多维影像数据进行精确化实景更新以及缺陷修正。
优选的，采用下列方式对预处理后的数据采用四周环绕Retinex-Gnet进行像素点测量并更新像素块：
假设一个理想的清晰影像p，向其中增加模糊操作H与噪声n，就会得到有噪点的图像P，即：P＝Hp+n，针对含有噪声的图像锐化，Retinex-Gnet算法的目标是找到一个全局滤波器F，达到提升图像清醒度的目的，可以得到p＝FP＝FHp+Fn，基于放大的原始信号思维，设立F变换矩阵为F＝I+λL，其中I是单位矩阵，L表示拉普拉斯滤波器，λ为任意常数，再使用控制核ks获取图像的局部结构信息，即：
式中pi为窗口内的邻域像素点，det表示求矩阵的行列式，Ci为点pi的协方差矩阵，h为噪点，那么假设实际大小为w的局部图像的梯度矩阵可以表示为Gi，则/>
其中[Gx(pi)，Gy(pi)]表示像素点pi的水平和垂直方向梯度值，则该像素点对应的协方差矩阵为：
分解协方差矩阵为：
其中，γi表示尺度，/>
表示旋转矩阵，/>
表示延伸矩阵，/>
表示旋转矩阵/>
的转置矩阵，θi表示改变角度，同时还有延伸变换ρi，变换主要是先通过延伸矩阵/>
圆形核的半径变为椭圆的长短轴，半轴长度由ρi决定，然后，通过旋转矩阵/>
椭圆核角度θi，椭圆核被尺度γi缩放，然后再对上述定义的局部梯度矩阵进行奇异值分解那么我们可以得到核ks，处理后的核定义为kLSAS＝ks+βLoG*ks，其中*表示卷积，LoG表示拉普拉斯-高斯滤波器，β表示常数，用于控制锐化的度，定义为：/>
其中s1和s2表示两个不同大小的奇异值，符号S即为锐化评价因子，表征了每个像素点k的锐利程度，然后再转回到RGB空间；/>
又假设x表示每一个点的像素点的横坐标，y表示每一个点的像素点的纵坐标，z表示像素点的空间坐标，L(x，y，z)表示原始的症状图像，即是图像设备捕获到的图像和人眼看到的图像，它可以表示为两个分量的乘积，一是照明分量L(x，y，z)，即外界光照，反映了图像中每个像素的最大动态范围，二是反射分量R(x，y，z)，即反射率，所以计算式为：
其中r(x，y，z)表示R(x，y，z)的对数形式，s(x，y，z)表示S(x，y，z)的对数形式，l(x，y，z)表示L(x，y，z)的对数形式，计算公式为：L(x，y，z)＝S(x，y，z)*G(x，y，z)，其中G(x，y，z)表示高斯滤波函数，有
其中λ表示系数，σ表示高斯尺度参数，再结合上述公式可以得出某一通道c的图像增强算法式为：r(x，y，z)c＝s(x，y，z)c-log(S(x，y，z)c*G(x，y，z)c)，再转换到对数域，计算得到r(x，y，z)c，转换到实数域，得到增强之后的反射图像R(x，y，z)c，合并通道，分别假设原图的RGB三通道分别为Sr(x，y，z)，Sg(x，y，z)，Sb(x，y，z)，经过锐化后的三通道分别为SGLA-r(x，y，z)，SGLA-g(x，y，z)，SGLA-b(x，y，z)，再引入颜色恢复因子，有RMSR-c(x，y，z)＝Ci(x，y，z)RM-c(x，y，z)，式中，RM-c(x，y，z)表示通过MSR得到的增强图像，RMSR-c(x，y，z)表示经过颜色恢复之后的图像，Ci(x，y，z)表示C通道对应的恢复因子，Ci(x，y，z)满足如下公式：/>
式中，C和α都是常数，C表示色彩增益以及α表示调节因子，又因为/>
得照明图和原始图像对应像素的关系为：S(x，y，z)≤L(x，y，z)，要保证所求光照率T和反射率R与原始图像的一致性，目标函数的表示为：/>
其中M1和M2表示调节矩阵，α和β为权重参数，φ表示修正项，通过更新辅助变量b，d，达到规定的迭代次数，经过n次迭代后，得到约束的照明图像L和反射图像R，最后通过Gamma-net矫正，修正反射图得到的更清晰的图像。
优选的，结合GIS以及联合捕获的多维影像数据进行精确化实景更新以及缺陷修正：
假设有两个来自不同坐标系的三维数据集，目标三维数据P和其它非目标三维数据Q，按照一定约束条件找到三维数据P和三维数据Q对应的k个最近邻点pi∈P，qi∈Q，即可计算出一个旋转平移R和平移向量t，使误差函数E最小，假设i是近点集合中任一个点，集合中共有np个点，其计算式为：
需要在P和Q中找到最近点集P{Pi，i＝1…Np}和Q{Qi，i＝1…Np}，使得||qi-pi||＝min，取得最小值min后，又有集合P中数据点Pi到集合Q的距离为d(Pi，Q)＝min||Qi-pi，Q中满足的最近点y即为三维数据P中数据点Pi的最近邻点，可以求出点集P中的每个点的最近点集合Y，用C表示这种映射关系的话即可得到：Y＝C(P，X)，X为Q中满足的最近点，计算旋转矩阵R和平移向量t，首先根据点集P、Q的重心，由重心可以计算出三维数据模型P和Q协方差矩阵组成的一个对称矩阵M，根据M可以得到旋转矩阵R以及平移向量t，又给出理想的T个点的三维数据集合，假设有K个高斯模型，那么高斯混合模型(GMM)的参数公式为：λ＝{(wk，uk，ξk)，k＝1…K}，其中wk，uk，ξk是k个权重，中心和协方差矩阵，那么一个三维点p属于第k个高斯模型的概率为：/>
/>
由此，在计算尺度值的同时，达到去除离群噪声点的目的，解决了三维数据尺度与密度不一致的建模噪声的问题，假设三维数据模型P中点个数为n，任意采样点Pi的k邻域点集为N(Pi)，点Pi的邻域平均距离为Pi到其k邻域内所有临近点的平均距离/>
其中si即为点Pi的尺度信息，Pj为不同于第i个点的数据点，则三维数据的尺度值呈高斯分布，高斯分布的均值为三维数据中所有点的平均尺度/>
采用统计分析方法来去除三维数据中超过标准尺度值的采样点，若点Pi的尺度值3就将点Pi作为偏离点去除，其中Zy是三维数据尺度值的提取函数，那么多维影像数据精确化更新的计算为：/>
其中k邻域的值至关重要，不同k值建模尺度不同，得到的实景质量不同，那么可以采用相控点的多维数据点进行最优收敛，需要进行相位检测，模型为：φ＝ρ+c(dT-dt)+λN+dtrop+dion+dpreal+ε(φ)，式中φ为相位测量值，其单位为m，ρ为相位点几何距离，c为光速，dT为接收机钟差，dt为卫星钟差，λ为载波相位波长，N为整周未知数，dtrop为对流层折射的影响，dion为电离层折射的影响，dpreal为相对论效应，ε(φ)为观测噪声，找到所有能够影响到Zy函数值的采样点，计算zy函数的最优解。
通过在重要水利工程、河流、湖泊、水库区域设置相应传感器，实时获取水位、流量、雨量、水质专项数据，同时结合网络传输技术，将数据传输至管理系统后台进行整理、清洗、入库，本系统将江西省境内主要的河流、湖泊、水利工程相关水利资源数据进行收集、分类、整理，并在GIS底图中进行准确展示，可以更为直观、准确地表达我省水利资源的分部情况；同时，收集了各水利资源的历史水文资料、各水利工程的基础资料，以便更为全面、准确地掌握水利资源历史现状及各流域、各水利工程的安全运行，发挥其防汛抗旱及相关水利功能的实际需求，结合流域及水利工程基础数据、水文历史数据、实时物联网数据进行大数据分析，充分考虑各水利工程及水利资源间内在联系及影响，为水利工作、水利资源管理提供更为全面、准确地技术支撑，为安全、科学、高效地水利资源管理及利用提供更好的决策支持，为水利发展保驾护航。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。
Claims (6)
1.基于GIS和三维建模的水利实时监测管理系统，其特征在于，包括实景三维地形数据获取端、GIS数据调用处理端和三维数据存储管理端，实景三维地形数据获取端包括实景地形获取模块和地形数据转换模块，主要是为了用航拍以及地面设备共同拍摄的照片来获取实际的三维高程地形数据，并将获取的三维高程地形数据输入GIS数据调用处理端，GIS数据调用处理端包括地形数据调用模块、三维地形显示模块和地形分类管理模块，地形数据调用模块先对实景三维地形数据获取端输入的三维高程地形数据进行预处理，完成数据的整理和最佳重建，并将预处理后的三维高程地形数据输入三维地形显示模块，三维地形显示模块中对输入的数据进行建模并且对地形进行修正并显示出实景3D图像，三维地形显示模块主要针对已经处理后的图像数据，根据提前预设的算法模型进行实景建模，并最大程度上提升模型鲁棒性，随之三维地形显示模块将会把数据输入到地形分类管理模块，地形分类管理模块会针对水利监测管理系统的特点，对接收到的三维高程地形数据进行检测，针对不同的水域、非水域以及交互边缘部分进行分类管理并完成3D模型的其它问题修复以及图像增强，最后GIS数据调用处理端再将处理后的模型数据导入三维数据存储管理端进行存储并进行水利系统管理，水利系统的运行管理可以提供综合地图、工程基础信息、设备资产管理、调度运行、检查巡查、监测监控、维修养护、应急管理、达标考核、组织机构、综合首页、管理配置功能，方便水利运行的实时监测管理。
2.根据权利要求1所述的基于GIS和三维建模的水利实时监测管理系统，其特征在于，实景三维地形数据的获取主要采用无人机航拍和地面机器设备拍照相联合，无人机航拍设备获取实景地点全貌，以及经纬度点，以便结合GIS数据，从而得到更准确的模型，同时，与地面机器设备结合，地面机器设备拍摄出地面的清晰图像以及补全无人机拍摄时的盲区，从而可以非常完备的建立实景三维地形模型。
3.根据权利要求1所述的基于GIS和三维建模的水利实时监测管理系统，其特征在于，地形数据调用模块采用四周环绕Retinex-Gnet算法对处理后的影像数据像素点进行多尺度测量，同时可提升图像清晰度。
4.根据权利要求3所述的基于GIS和三维建模的水利实时监测管理系统，其特征在于，在对图像进行检测并完成时刻化清晰度处理后，三维地形显示模块随即可结合GIS进行实景建模，针对缺失、穿模问题的部分进行修正和完善，由此主要采取的精确化实景联合更新方式为：
(1)对预处理后的数据采用四周环绕Retinex-Gnet进行像素点测量并更新像素块；
(2)结合GIS以及联合捕获的多维影像数据进行精确化实景更新以及缺陷修正。
5.根据权利要求4所述的基于GIS和三维建模的水利实时监测管理系统，其特征在于，采用下列方式对预处理后的数据采用四周环绕Retinex-Gnet进行像素点测量并更新像素块：
假设一个理想的清晰影像p，向其中增加模糊操作H与噪声n，就会得到有噪点的图像P，即：P＝Hp+n，针对含有噪声的图像锐化，Retinex-Gnet算法的目标是找到一个全局滤波器F，达到提升图像清醒度的目的，可以得到p＝FP＝FHp+Fn，基于放大的原始信号思维，设立F变换矩阵为F＝I+λL，其中I是单位矩阵，L表示拉普拉斯滤波器，λ为任意常数，再使用控制核ks获取图像的局部结构信息，即：
式中pi为窗口内的邻域像素点，det表示求矩阵的行列式，Ci为点pi的协方差矩阵，h为噪点，那么假设实际大小为w的局部图像的梯度矩阵可以表示为Gi，则/>
其中[Gx(pi),Gy(pi)]表示像素点pi的水平和垂直方向梯度值，则该像素点对应的协方差矩阵为：
分解协方差矩阵为：
其中，γi表示尺度，/>
表示旋转矩阵，/>
表示延伸矩阵，/>
表示旋转矩阵/>
的转置矩阵，θi表示改变角度，同时还有延伸变换ρi，变换主要是先通过延伸矩阵/>
圆形核的半径变为椭圆的长短轴，半轴长度由ρi决定，然后，通过旋转矩阵
椭圆核角度θi，椭圆核被尺度γi缩放，然后再对上述定义的局部梯度矩阵进行奇异值分解那么我们可以得到核ks，处理后的核定义为kLSAS＝ks+βLoG*ks，其中*表示卷积，LoG表示拉普拉斯-高斯滤波器，β表示常数，用于控制锐化的度，定义为：/>
其中s1和s2表示两个不同大小的奇异值，符号S即为锐化评价因子，表征了毎个像素点k的锐利程度，然后再转回到RGB空间；
又假设x表示每一个点的像素点的横坐标，y表示每一个点的像素点的纵坐标，z表示像素点的空间坐标，L(x,y,z)表示原始的症状图像，即是图像设备捕获到的图像和人眼看到的图像，它可以表示为两个分量的乘积，一是照明分量L(x,y,z)，即外界光照，反映了图像中每个像素的最大动态范围，二是反射分量R(x,y,z)，即反射率，所以计算式为：
其中r(x,y,z)表示R(x,y,z)的对数形式，s(x,y,z)表示S(x,y,z)的对数形式，l(x,y,z)表示L(x,y,z)的对数形式，计算公式为：L(x,y,z)＝S(x,y,z)*G(x,y,z)，其中G(x,y,z)表示高斯滤波函数，有
其中λ表示系数，σ表示高斯尺度参数，再结合上述公式可以得出某一通道c的图像增强算法式为：r(x,y,z)c＝s(x,y,z)c-log(S(x,y,z)c*G(x,y,z)c)，再转换到对数域，计算得到r(x,y,z)c，转换到实数域，得到增强之后的反射图像R(x,y,z)c，合并通道，分别假设原图的RGB三通道分别为Sr(x,y,z)，Sg(x,y,z)，Sb(x,y,z)，经过锐化后的三通道分别为SGLA-r(x,y,z)，SGLA-g(x,y,z)，SGLA-b(x,y,z)，再引入颜色恢复因子，有RMSR-c(x,y,z)＝Ci(x,y,z)RM-c(x,y,z)，式中，RM-c(x,y,z)表示通过MSR得到的增强图像，RMSR-c(x,y,z)表示经过颜色恢复之后的图像，Ci(x,y,z)表示C通道对应的恢复因子，Ci(x,y,z)满足如下公式：/>
式中，C和α都是常数，C表示色彩增益以及α表示调节因子，又因为/>
得照明图和原始图像对应像素的关系为：S(x,y,z)≤L(x,y,z)，要保证所求光照率T和反射率R与原始图像的一致性，目标函数的表示为：/>
其中M1和M2表示调节矩阵，α和β为权重参数，φ表示修正项，通过更新辅助变量b,d，达到规定的迭代次数，经过n次迭代后，得到约束的照明图像L和反射图像R，最后通过Gamma-net矫正，修正反射图得到的更清晰的图像。
6.根据权利要求4所述的基于GIS和三维建模的水利实时监测管理系统，其特征在于，结合GIS以及联合捕获的多维影像数据进行精确化实景更新以及缺陷修正：
假设有两个来自不同坐标系的三维数据集，目标三维数据P和其它非目标三维数据Q，按照一定约束条件找到三维数据P和三维数据Q对应的k个最近邻点pi∈P，qi∈Q，即可计算出一个旋转平移R和平移向量t，使误差函数E最小，假设i是近点集合中任一个点，集合中共有Np个点，其计算式为：
需要在P和Q中找到最近点集P{Pi,i＝1…Np}和Q{Qi,i＝1…Np}，使得∥qi-pi∥＝min，取得最小值min后，又有集合P中数据点Pi到集合Q的距离为d(Pi,Q)＝min∥Qi-pi，Q中满足的最近点y即为三维数据P中数据点Pi的最近邻点，可以求出点集P中的每个点的最近点集合Y，用C表示这种映射关系的话即可得到：Y＝C(P,X)，X为Q中满足的最近点，计算旋转矩阵R和平移向量t，首先根据点集P、Q的重心，由重心可以计算出三维数据模型P和Q协方差矩阵组成的一个对称矩阵M，根据M可以得到旋转矩阵R以及平移向量t，又给出理想的T个点的三维数据集合，假设有K个高斯模型，那么高斯混合模型(GMM)的参数公式为：λ＝{(wk,uk,ξk),k＝1…K}，其中是k个权重，中心和协方差矩阵，那么一个三维点p属于第k个高斯模型的概率为：/>
由此，在计算尺度值的同时，达到去除离群噪声点的目的，解决了三维数据尺度与密度不一致的建模噪声的问题，假设三维数据模型P中点个数为n，任意采样点Pi的k邻域点集为N(Pi)，点Pi的邻域平均距离为Pi到其k邻域内所有临近点的平均距离/>
其中si即为点Pi的尺度信息，Pj为不同于第i个点的数据点，则三维数据的尺度值呈高斯分布，高斯分布的均值为三维数据中所有点的平均尺度/>
采用统计分析方法来去除三维数据中超过标准尺度值的采样点，若点Pi的尺度值3就将点Pi作为偏离点去除，其中Zy是三维数据尺度值的提取函数，那么多维影像数据精确化更新的计算为：/>
其中k邻域的值至关重要，不同k值建模尺度不同，得到的实景质量不同，那么可以采用相控点的多维数据点进行最优收敛，需要进行相位检测，模型为：φ＝ρ+c(dT-dt)+λN+dtrop+dion+dpreal+ε(φ)，式中φ为相位测量值，其单位为m，ρ为相位点几何距离，c为光速，dT为接收机钟差，dt为卫星钟差，λ为载波相位波长，N为整周未知数，dtrop为对流层折射的影响，dion为电离层折射的影响，dpreal为相对论效应，ε(φ)为观测噪声，找到所有能够影响到Zy函数值的采样点，计算Zy函数的最优解。/>
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310116262.3A CN116152454A (zh) | 2023-02-15 | 2023-02-15 | 基于gis和三维建模的水利实时监测管理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310116262.3A CN116152454A (zh) | 2023-02-15 | 2023-02-15 | 基于gis和三维建模的水利实时监测管理系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116152454A true CN116152454A (zh) | 2023-05-23 |
Family
ID=86340315
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310116262.3A Pending CN116152454A (zh) | 2023-02-15 | 2023-02-15 | 基于gis和三维建模的水利实时监测管理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116152454A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117391985A (zh) * | 2023-12-11 | 2024-01-12 | 安徽数分智能科技有限公司 | 一种多源数据信息融合处理方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110517193A (zh) * | 2019-06-28 | 2019-11-29 | 西安理工大学 | 一种海底声呐点云数据处理方法 |
| CN113570275A (zh) * | 2021-08-04 | 2021-10-29 | 江西武大扬帆科技有限公司 | 基于bim和数字高程模型的水资源实时监测系统 |
| CN113593029A (zh) * | 2021-08-04 | 2021-11-02 | 江西武大扬帆科技有限公司 | 基于大数据和三维技术的水利工程信息管理系统 |
| WO2022133194A1 (en) * | 2020-12-17 | 2022-06-23 | Trustees Of Tufts College | Deep perceptual image enhancement |
| CN115049561A (zh) * | 2022-06-29 | 2022-09-13 | 北京理工大学 | 基于非理想光照图像的真实影像再现方法 |
-
2023
- 2023-02-15 CN CN202310116262.3A patent/CN116152454A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110517193A (zh) * | 2019-06-28 | 2019-11-29 | 西安理工大学 | 一种海底声呐点云数据处理方法 |
| WO2022133194A1 (en) * | 2020-12-17 | 2022-06-23 | Trustees Of Tufts College | Deep perceptual image enhancement |
| CN113570275A (zh) * | 2021-08-04 | 2021-10-29 | 江西武大扬帆科技有限公司 | 基于bim和数字高程模型的水资源实时监测系统 |
| CN113593029A (zh) * | 2021-08-04 | 2021-11-02 | 江西武大扬帆科技有限公司 | 基于大数据和三维技术的水利工程信息管理系统 |
| CN115049561A (zh) * | 2022-06-29 | 2022-09-13 | 北京理工大学 | 基于非理想光照图像的真实影像再现方法 |
Non-Patent Citations (2)
| Title |
|---|
| 丁维馨 等: "GIS + BIM 水利工程信息管理系统的应用研究", 水利规划与设计, no. 9, 30 September 2020 (2020-09-30) * |
| 李德仁;刘立坤;邵振峰;: "集成倾斜航空摄影测量和地面移动测量技术的城市环境监测", 武汉大学学报(信息科学版), no. 04, 30 April 2015 (2015-04-30), pages 427 - 434 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117391985A (zh) * | 2023-12-11 | 2024-01-12 | 安徽数分智能科技有限公司 | 一种多源数据信息融合处理方法及系统 |
| CN117391985B (zh) * | 2023-12-11 | 2024-02-20 | 安徽数分智能科技有限公司 | 一种多源数据信息融合处理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104156536B (zh) | 一种盾构机刀具磨损的可视化定量标定及分析方法 | |
| CN107560592B (zh) | 一种用于光电跟踪仪联动目标的精确测距方法 | |
| CN114066960B (zh) | 三维重建方法、点云融合方法、装置、设备及存储介质 | |
| CN113284171B (zh) | 一种基于卫星遥感立体成像对的植被高度分析方法及系统 | |
| CN112183434B (zh) | 建筑物变化检测方法和装置 | |
| CN114494589A (zh) | 三维重建方法、装置、电子设备和计算机可读存储介质 | |
| CN116152454A (zh) | 基于gis和三维建模的水利实时监测管理系统 | |
| Zhu et al. | Local readjustment for high-resolution 3d reconstruction | |
| CN115222884A (zh) | 一种基于人工智能的空间对象分析及建模优化方法 | |
| CN117115359B (zh) | 一种基于深度图融合的多视图电网三维空间数据重建方法 | |
| CN113223065B (zh) | Sar卫星图像与光学图像自动匹配方法 | |
| Gableman et al. | Incorporating season and solar specificity into renderings made by a NeRF architecture using satellite images | |
| CN110580468B (zh) | 一种基于影像匹配点云的单木结构参数提取的方法 | |
| CN113570554A (zh) | 一种基于场景深度的单幅图像能见度检测方法 | |
| CN116863357A (zh) | 一种无人机遥感堤坝影像定标与智能分割变化检测方法 | |
| Lastilla et al. | FOSS4G DATE for DSM generation: Sensitivity analysis of the semi-global block matching parameters | |
| CN116863083A (zh) | 变电站三维点云数据的处理方法和装置 | |
| CN116402942A (zh) | 一种融合多尺度图像特征的大规模建筑物三维重建方法 | |
| CN114187404A (zh) | 一种用于近海域高分辨率的三维重建方法和系统 | |
| CN114913430A (zh) | 一种基于高分影像和Unet阴影检测的物体高度识别方法 | |
| CN114187409A (zh) | 基于视频图像与激光雷达点云融合建立船舶模型的方法 | |
| Karwowska et al. | MCWESRGAN: improving enhanced super-resolution generative adversarial network for satellite images | |
| CN110675381A (zh) | 一种基于串行结构网络的本征图像分解方法 | |
| Huang et al. | Post‐filtering with surface orientation constraints for stereo dense image matching | |
| Song et al. | Improved FCM algorithm for fisheye image cluster analysis for tree height calculation |
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 |