CN116168066A - 基于数据分析的建筑物三维点云配准预处理方法 - Google Patents
基于数据分析的建筑物三维点云配准预处理方法 Download PDFInfo
- Publication number
- CN116168066A CN116168066A CN202310449431.5A CN202310449431A CN116168066A CN 116168066 A CN116168066 A CN 116168066A CN 202310449431 A CN202310449431 A CN 202310449431A CN 116168066 A CN116168066 A CN 116168066A
- Authority
- CN
- China
- Prior art keywords
- image
- sub
- images
- imaging
- optimal
- 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 40
- 238000007405 data analysis Methods 0.000 title claims abstract description 21
- 238000007781 pre-processing Methods 0.000 title claims abstract description 21
- 238000003384 imaging method Methods 0.000 claims abstract description 123
- 238000011156 evaluation Methods 0.000 claims description 105
- 238000012216 screening Methods 0.000 claims description 23
- 238000005457 optimization Methods 0.000 claims description 21
- 230000011218 segmentation Effects 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 5
- 230000009466 transformation Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于数据分析的建筑物三维点云配准预处理方法,涉及三维点云配准技术领域。本发明通过将出现一个区域被不同视角多次采集的图像建立数据集合,对该区域不同视角的成像按照相同方式划分,将所有图像均分割成多个子块,筛选出同一成像区域对应的所有子块区域内最优的图像,再通过此方式筛选出分割后所有子块区域内最优的子块图像,将分割后所有子块区域内最优的子块图像进行拼接,再将每个数据集合内最优的图像进行拼接,便可生成最终最优的图像,从而提高后续配准的精度;其次,选出数据集合内成像质量高且所有子块区域内最优图像数量多的图像为基像进行拼接,可大大提高图像的拼接效率。
Description
技术领域
本发明涉及三维点云配准技术领域,具体涉及基于数据分析的建筑物三维点云配准预处理方法。
背景技术
建筑物三维点云配准是将建筑物的多个点云数据集对齐以获得一个全局一致的点云的过程。通常情况下,建筑物的点云数据集可能是由不同的激光扫描仪或者不同的视角下采集得到的,因此需要进行配准才能获得一个完整的三维建筑物模型。现有技术多采用基于特征匹配的点云配准方法。
基于特征匹配的点云配准方法主要包括以下步骤:
特征提取:从每个点云数据集中提取出一些具有鲁棒性的特征点;特征描述:对于每个特征点,使用相应的特征描述算法,将其表示为一个向量;特征匹配:将两个点云数据集中的特征点进行匹配,找出相互对应的特征点对;姿态估计:根据匹配得到的特征点对,通过对应点对之间的距离、角度、姿态等信息进行计算,估计出两个点云数据集之间的变换矩阵;点云变换:将其中一个点云数据集根据估计得到的变换矩阵进行变换,使得两个点云数据集的重合度最大化;重复执行以上步骤:如果存在多个点云数据集需要配准,则需要重复执行以上步骤,将每个点云数据集都与之前对齐后的点云模型进行配准。
现有技术存在以下不足:在对建筑物区域的点云数据进行采集时,会出现一个区域被不同视角多次采集的情况,然而现有技术在对图像预处理时,无法根据不同视角下相同区域的点云数据快速优化出最优的图像,不便后续进行高效地配准,因此功能性较差,从而实用性较差。
在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解,因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本发明的目的是提供一种基于数据分析的建筑物三维点云配准预处理方法,以解决上述背景技术中的问题。
为了实现上述目的,本发明提供如下技术方案:
一种基于数据分析的建筑物三维点云配准预处理方法,包括以下步骤:
步骤一、将建筑物划分成多个平面区域,并将划分后的平面区域顺序标号,将存在同一标号的图像划分至一个图像集合内;
步骤二、对每个数据集合内包含同一标号区域的所有图像按照相同方式进行分割,将所有图像均分割成多个子块,并对所有图像分割后的子块做成像质量做评估,生成评估系数;
步骤三、对分割后同一成像区域对应的所有子块区域的评估系数进行分析,筛选出同一成像区域对应的所有子块区域内最优的图像,进而筛选出分割后所有子块区域内最优的子块图像;
步骤四、将分割后所有子块区域内最优的子块图像进行拼接,生成数据集合内最优的图像,再将每个数据集合内最优的图像进行拼接,生成最终最优的图像。
优选的,图像采集前,将建筑物划分成n个平面区域,并将划分后的平面区域顺序标号,采集方法包括激光雷达扫描、摄像机拍摄、无人机航拍,激光雷达扫描能够快速地获取高精度的点云数据,用于建筑物外立面和室内空间的采集;摄像机拍摄则通过多角度拍摄和图像处理技术获得点云数据,用于建筑物外立面和小范围室内空间的采集;无人机航拍则利用高空视角和全局视野优势,获取建筑物外部和周围环境的点云数据;采集后,将存在同一标号的图像划分至一个图像集合内,因平面区域划分有n个,则会有n个图像集合。
优选的,对所有图像分割后的子块做成像质量做评估,生成评估系数的过程如下:
设数据集合内包含同一标号区域的数量为k,采集所有图像分割后子块图像的优化系数、噪声系数、以及分对系数进行采集,采集后,将每个图像的优化系数、噪声系数、分辨率、以及对比度分别标定为YHXi、ZSXi、FBLi、DBDi,通过图像的优化系数YHXi、噪声系数ZSXi、分辨率FBLi、以及对比度DBDi生成评估系数PGx,x为图像分割后同一区域每个子块的标号,x为1、2、3、……、k,因数据集合内包含同一标号区域的数量为k,则表明分割后同一区域的子块数量为k个。
优选的,获取到图像的优化系数、噪声系数、分辨率、以及对比度后,通过图像的优化系数YHXi、噪声系数ZSXi、分辨率FBLi、以及对比度DBDi生成评估系数PGx,依据的公式为:
式中,h1、h2、h3、h4分别为图像的优化系数、噪声系数、分辨率、以及对比度的预设比例系数,且h1、h2、h3、h4均大于0。
优选的,同一成像区域对应的所有子块区域内最优图像的筛选过程如下:
对子块区域成像的评估系数设置阈值Xi,将同一成像区域对应的所有子块区域内成像的评估系数PGx与阈值Xi进行比对,若同一成像区域对应的子块区域内成像的评估系数PGx大于阈值Xi,表明成像质量高,则将同一成像区域对应的子块区域内成像的评估系数大于阈值的所有子块按照成像评估系数由大到小进行顺序排序,若同一成像区域对应的子块区域内成像的评估系数PGx小于等于阈值Xi,表明成像质量低,则将该子块区域舍弃;
将同一成像区域对应的子块区域内成像的评估系数大于阈值的所有子块按照成像评估系数由大到小进行顺序排序后,筛选出成像评估系数最大的图像作为最优的图像,其他子块区域筛选的方式同理,进而筛选出分割后所有子块区域内最优的子块图像。
优选的,将分割后所有子块区域内最优的子块图像进行拼接的过程如下:
对每个数据集合内包含同一标号区域的所有图像成像的评估系数进行综合分析,求出每个数据集合内每张图像的成像评估系数的平均值和离散程度值、以及对应图像所有子块区域内最优图像的数量,生成图像拼接系数;
记每个数据集合内每张图像的成像评估系数的平均值为PJa,则每个数据集合内每张图像的成像评估系数的平均值的计算公式如下:
每个数据集合内每张图像的成像评估系数的平均值计算后,将每个数据集合内每张图像的成像评估系数的平均值PJa与阈值YZo进行比对,将图像的成像评估系数的平均值PJa小于等于阈值YZo的图像舍弃,不进行考虑,将图像的成像评估系数的平均值PJa大于阈值YZo的图像进行进一步处理。
优选的,进一步处理的过程如下:
图像的成像评估系数的平均值PJa大于阈值YZo的图像选出后,记对应图像的评估系数的离散程度值为PXi,则对应图像的评估系数的离散程度值PXi的计算公式如下:
其次,再通过步骤三获取每张图像所有子块区域内最优图像的数量,将每张图像所有子块区域内最优图像的数量标定为ZYTx。
优选的,获取到每个数据集合内每张图像的成像评估系数的平均值、和成像评估系数的离散程度值、以及每张图像所有子块区域内最优图像的数量后,根据每个数据集合内每张图像的成像评估系数的平均值PJa和离散程度值PXi、以及对应图像所有子块区域内最优图像的数量ZYTx生成图像拼接系数PJXv,依据的公式为:
式中,t1、t2、t3分别为每个数据集合内每张图像的成像评估系数的平均值和成像评估系数的离散程度值、以及对应图像所有子块区域内最优图像的数量的预设比例系数,且t1、t2、t3均大于0。
优选的,获取每个数据集合内每张图像的拼接系数后,将每个数据集合内每张图像的拼接系数按照由大到小顺序排序,选取每个数据集合内拼接系数最大的图像为基像进行拼接。
本发明还公开了一种基于数据分析的建筑物三维点云配准预处理系统,包括区域划分模块、评估模块、筛选模块、拼接模块;
区域划分模块,将建筑物划分成多个平面区域,并将划分后的平面区域顺序标号,将存在同一标号的图像划分至一个图像集合内;
评估模块,对每个数据集合内包含同一标号区域的所有图像按照相同方式进行分割,将所有图像均分割成多个子块,并对所有图像分割后的子块做成像质量做评估,生成评估系数;
筛选模块,对分割后同一成像区域对应的所有子块区域的评估系数进行分析,筛选出同一成像区域对应的所有子块区域内最优的图像,进而筛选出分割后所有子块区域内最优的子块图像;
拼接模块,将分割后所有子块区域内最优的子块图像进行拼接,生成数据集合内最优的图像,再将每个数据集合内最优的图像进行拼接,生成最终最优的图像。
在上述技术方案中,本发明提供的技术效果和优点:
本发明通过将出现一个区域被不同视角多次采集的图像建立数据集合,对该区域不同视角的成像按照相同方式划分,将所有图像均分割成多个子块,筛选出同一成像区域对应的所有子块区域内最优的图像,再通过此方式筛选出分割后所有子块区域内最优的子块图像,将分割后所有子块区域内最优的子块图像进行拼接,再将每个数据集合内最优的图像进行拼接,便可生成最终最优的图像,从而提高后续配准的精度;其次,选出数据集合内成像质量高且所有子块区域内最优图像数量多的图像为基像进行拼接,可大大提高图像的拼接效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本发明基于自注意力机制的建筑物三维点云配准方法的方法流程图;
图2为本发明建筑物正面采集的点云可视化效果;
图3为本发明建筑物三维点云配准后的整体效果展示。
实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些示例实施方式使得本公开的描述将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。
本发明提供了如图1所示的基于数据分析的建筑物三维点云配准预处理方法,包括以下步骤:
步骤一、将建筑物划分成多个平面区域,并将划分后的平面区域顺序标号,将存在同一标号的图像划分至一个图像集合内;
图像采集前,将建筑物划分成n个平面区域(因相同平面区域在不同视角下的成像情况相同),并将划分后的平面区域顺序标号,采集方法包括激光雷达扫描、摄像机拍摄、无人机航拍等,激光雷达扫描能够快速地获取高精度的点云数据,适用于建筑物外立面和室内空间的采集;摄像机拍摄则可以通过多角度拍摄和图像处理技术获得点云数据,适用于建筑物外立面和小范围室内空间的采集;无人机航拍则可以利用高空视角和全局视野优势,获取建筑物外部和周围环境的点云数据;采集后,将存在同一标号的图像划分至一个图像集合内,因平面区域划分有n个,则会有n个图像集合,建筑物正面采集的点云可视化效果如图2所示。
步骤二、对每个数据集合内包含同一标号区域的所有图像按照相同方式进行分割,将所有图像均分割成多个子块,并对所有图像分割后的子块做成像质量做评估,生成评估系数;
对所有图像分割后的子块做成像质量做评估,生成评估系数的过程如下:
设数据集合内包含同一标号区域的数量为k,采集所有图像分割后子块图像的优化系数、噪声系数、以及分对系数进行采集,采集后,将每个图像的优化系数、噪声系数、分辨率、以及对比度分别标定为YHXi、ZSXi、FBLi、DBDi,通过图像的优化系数YHXi、噪声系数ZSXi、分辨率FBLi、以及对比度DBDi生成评估系数PGx,x为图像分割后同一区域每个子块的标号,x为1、2、3、……、k,因数据集合内包含同一标号区域的数量为k,则表明分割后同一区域的子块数量为k个;
需要说明的是,优化系数即图像优化的次数与对应优化次数产生时长的乘积,图像优化的次数越少且对应优化次数产生的时间越短,表明采集的图像质量本身越好,且自身的问题越少,因此不需要进行过多的处理,所以优化系数越大,表明图像自身的质量越差,优化系数越小,表明图像自身的质量越好;
噪声系数即噪声的数量与噪声平均面积的乘积,在图像采集和处理的过程中,由于各种因素的干扰和影响,会导致图像中出现一些不真实的像素点或者像素值,这些不真实的像素点或者像素值就被称为噪声,噪声可以分为多种类型,如高斯噪声、椒盐噪声、斑点噪声等,其中,高斯噪声是最为常见的一种噪声类型,是由于图像采集设备的电子噪声或者其他环境因素的影响而产生的,椒盐噪声则是由于图像传输或者存储过程中出现的信号丢失或错误而产生的,斑点噪声则是由于图像采集设备的某些像素点损坏或失效导致的,噪声对于图像处理和分析具有很大的影响,当噪声的数量越多、噪声平均面积越大,即噪声的数量与噪声平均面积的乘积越大,即噪声系数越大,表明图像的质量越差,当噪声的数量越少、噪声平均面积越小,即噪声的数量与噪声平均面积的乘积越小,即噪声系数越小,表明图像的质量越好;
图像分辨率是指图像中所包含的像素数量,通常用水平方向和垂直方向上的像素数来描述,常用单位为像素(pixel),在数字图像中,分辨率的单位可以是像素/英寸(PPI)或者像素/厘米(DPI),图像的分辨率越高,表示该图像中所包含的像素数量越多,图像的细节和清晰度就会更高,相反,如果图像分辨率较低,图像中包含的像素数量就会较少,图像的细节和清晰度就会降低;
图像对比度(Contrast)是指图像中最亮像素和最暗像素之间的差异程度,对比度高的图像意味着最亮和最暗的部分之间的差异很大,图像的颜色和细节更加鲜明,相反,对比度低的图像意味着最亮和最暗的部分之间的差异较小,图像的颜色和细节会变得模糊或者不清晰;
图像对比度可以通过以下公式计算:
其中Lmax表示图像中最亮像素的亮度值,Lmin表示图像中最暗像素的亮度值,对比度的取值范围在0到1之间,值越大表示对比度越高,图像的颜色和细节更加鲜明;
获取到图像的优化系数、噪声系数、分辨率、以及对比度后,通过图像的优化系数YHXi、噪声系数ZSXi、分辨率FBLi、以及对比度DBDi生成评估系数PGx,依据的公式为:
式中,h1、h2、h3、h4分别为图像的优化系数、噪声系数、分辨率、以及对比度的预设比例系数,且h1、h2、h3、h4均大于0;
由公式可知,当图像的优化系数越小、噪声系数越小、分辨率越大、以及对比度越大,即评估系数PGx越大,表明图像的成像质量越高,当图像的优化系数越大、噪声系数越大、分辨率越小、以及对比度越小,即评估系数PGx越小,表明图像的成像质量越低;
步骤三、对分割后同一成像区域对应的所有子块区域的评估系数进行分析,筛选出同一成像区域对应的所有子块区域内最优的图像,进而筛选出分割后所有子块区域内最优的子块图像;
同一成像区域对应的所有子块区域内最优图像的筛选过程如下:
对子块区域成像的评估系数设置阈值Xi,将同一成像区域对应的所有子块区域内成像的评估系数PGx与阈值Xi进行比对,若同一成像区域对应的子块区域内成像的评估系数PGx大于阈值Xi,表明成像质量高,则将同一成像区域对应的子块区域内成像的评估系数大于阈值的所有子块按照成像评估系数由大到小进行顺序排序,若同一成像区域对应的子块区域内成像的评估系数PGx小于等于阈值Xi,表明成像质量低,则将该子块区域舍弃;
需要说明的是,当同一成像区域对应的所有子块区域内成像的评估系数PGx均小于等于阈值Xi,表明该区域采集的图像质量均很差,则发出预警提示,提示工作人员对该区域进行重新采集,有效地防止后续配准时降低配准的精度;
将同一成像区域对应的子块区域内成像的评估系数大于阈值的所有子块按照成像评估系数由大到小进行顺序排序后,筛选出成像评估系数最大的图像作为最优的图像,其他子块区域筛选的方式同理,通过此方式筛选出分割后所有子块区域内最优的子块图像;
步骤四、将分割后所有子块区域内最优的子块图像进行拼接,生成数据集合内最优的图像,再将每个数据集合内最优的图像进行拼接,生成最终最优的图像;
建筑物三维点云配准后的整体效果展示如图3所示。
将分割后所有子块区域内最优的子块图像进行拼接的过程如下:
对每个数据集合内包含同一标号区域的所有图像成像的评估系数进行综合分析,求出每个数据集合内每张图像的成像评估系数的平均值和离散程度值、以及对应图像所有子块区域内最优图像的数量,生成图像拼接系数;
记每个数据集合内每张图像的成像评估系数的平均值为PJa,则每个数据集合内每张图像的成像评估系数的平均值的计算公式如下:
需要说明的是,每个数据集合内每张图像的成像评估系数的平均值计算后,将每个数据集合内每张图像的成像评估系数的平均值PJa与阈值YZo进行比对,将图像的成像评估系数的平均值PJa小于等于阈值YZo的图像舍弃,不进行考虑,将图像的成像评估系数的平均值PJa大于阈值YZo的图像进行进一步处理;
进一步处理的过程如下:
图像的成像评估系数的平均值PJa大于阈值YZo的图像选出后,记对应图像的评估系数的离散程度值为PXi,则对应图像的评估系数的离散程度值PXi的计算公式如下:
其次,再通过步骤三获取每张图像所有子块区域内最优图像的数量,将每张图像所有子块区域内最优图像的数量标定为ZYTx;
获取到每个数据集合内每张图像的成像评估系数的平均值、和成像评估系数的离散程度值、以及每张图像所有子块区域内最优图像的数量后,根据每个数据集合内每张图像的成像评估系数的平均值PJa和离散程度值PXi、以及对应图像所有子块区域内最优图像的数量ZYTx生成图像拼接系数PJXv,依据的公式为:
式中,t1、t2、t3分别为每个数据集合内每张图像的成像评估系数的平均值和成像评估系数的离散程度值、以及对应图像所有子块区域内最优图像的数量的预设比例系数,且t1、t2、t3均大于0;
由公式可知,若是一张图像的评估系数的平均值越高、离散程度值越小、且该图像所有子块区域内最优图像的数量越多,即图像拼接系数PJXv越大,表明该张图像内所有子块区域内普遍存在成像质量好、且所有子块区域内最优图像的数量偏多的情况;
获取每个数据集合内每张图像的拼接系数后,将每个数据集合内每张图像的拼接系数按照由大到小顺序排序,选取每个数据集合内拼接系数最大的图像为基像进行拼接,由于图像拼接系数越大,表明该张图像内所有子块区域内普遍存在成像质量好、且所有子块区域内最优图像的数量越多,通过该图像为基像进行拼接,可大大提高图像的拼接效率。
另一实施例中,一种基于数据分析的建筑物三维点云配准预处理系统,包括区域划分模块、评估模块、筛选模块、拼接模块;
区域划分模块,将建筑物划分成多个平面区域,并将划分后的平面区域顺序标号,将存在同一标号的图像划分至一个图像集合内;
评估模块,对每个数据集合内包含同一标号区域的所有图像按照相同方式进行分割,将所有图像均分割成多个子块,并对所有图像分割后的子块做成像质量做评估,生成评估系数;
筛选模块,对分割后同一成像区域对应的所有子块区域的评估系数进行分析,筛选出同一成像区域对应的所有子块区域内最优的图像,进而筛选出分割后所有子块区域内最优的子块图像;
拼接模块,将分割后所有子块区域内最优的子块图像进行拼接,生成数据集合内最优的图像,再将每个数据集合内最优的图像进行拼接,生成最终最优的图像;
本发明实施例提供的基于数据分析的建筑物三维点云配准预处理系统,用于执行本发明上述各实施例提供的基于数据分析的建筑物三维点云配准预处理方法,该基于数据分析的建筑物三维点云配准预处理系统包括的各模块实现相应功能的具体方法和流程详见上述基于数据分析的建筑物三维点云配准预处理方法的实施例,此处不再赘述。
本发明通过将出现一个区域被不同视角多次采集的图像建立数据集合,对该区域不同视角的成像按照相同方式划分,将所有图像均分割成多个子块,筛选出同一成像区域对应的所有子块区域内最优的图像,再通过此方式筛选出分割后所有子块区域内最优的子块图像,将分割后所有子块区域内最优的子块图像进行拼接,再将每个数据集合内最优的图像进行拼接,便可生成最终最优的图像,从而提高后续配准的精度;其次,选出数据集合内成像质量高且所有子块区域内最优图像数量多的图像为基像进行拼接,不仅可进一步提高图像拼接的质量,且降低拼接的次数,进而大大提高图像的拼接效率。
上述公式均是去量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式,公式中的预设参数由本领域的技术人员根据实际情况进行设置。
以上只通过说明的方式描述了本发明的某些示范性实施例,毋庸置疑,对于本领域的普通技术人员,在不偏离本发明的精神和范围的情况下,可以用各种不同的方式对所描述的实施例进行修正。因此,上述附图和描述在本质上是说明性的,不应理解为对本发明权利要求保护范围的限制。
Claims (10)
1.一种基于数据分析的建筑物三维点云配准预处理方法,其特征在于,包括以下步骤:
步骤一、将建筑物划分成多个平面区域,并将划分后的平面区域顺序标号,将存在同一标号的图像划分至一个图像集合内;
步骤二、对每个数据集合内包含同一标号区域的所有图像按照相同方式进行分割,将所有图像均分割成多个子块,并对所有图像分割后的子块做成像质量做评估,生成评估系数;
步骤三、对分割后同一成像区域对应的所有子块区域的评估系数进行分析,筛选出同一成像区域对应的所有子块区域内最优的图像,进而筛选出分割后所有子块区域内最优的子块图像;
步骤四、将分割后所有子块区域内最优的子块图像进行拼接,生成数据集合内最优的图像,再将每个数据集合内最优的图像进行拼接,生成最终最优的图像。
2.根据权利要求1所述的基于数据分析的建筑物三维点云配准预处理方法,其特征在于,图像采集前,将建筑物划分成n个平面区域,并将划分后的平面区域顺序标号,采集方法包括激光雷达扫描、摄像机拍摄、无人机航拍,激光雷达扫描能够快速地获取高精度的点云数据,用于建筑物外立面和室内空间的采集;摄像机拍摄则通过多角度拍摄和图像处理技术获得点云数据,用于建筑物外立面和小范围室内空间的采集;无人机航拍则利用高空视角和全局视野优势,获取建筑物外部和周围环境的点云数据;采集后,将存在同一标号的图像划分至一个图像集合内,因平面区域划分有n个,则会有n个图像集合。
3.根据权利要求2所述的基于数据分析的建筑物三维点云配准预处理方法,其特征在于,对所有图像分割后的子块做成像质量做评估,生成评估系数的过程如下:
设数据集合内包含同一标号区域的数量为k,采集所有图像分割后子块图像的优化系数、噪声系数、以及分对系数进行采集,采集后,将每个图像的优化系数、噪声系数、分辨率、以及对比度分别标定为YHXi、ZSXi、FBLi、DBDi,通过图像的优化系数YHXi、噪声系数ZSXi、分辨率FBLi、以及对比度DBDi生成评估系数PGx,x为图像分割后同一区域每个子块的标号,x为1、2、3、……、k,因数据集合内包含同一标号区域的数量为k,则表明分割后同一区域的子块数量为k个。
5.根据权利要求4所述的基于数据分析的建筑物三维点云配准预处理方法,其特征在于,同一成像区域对应的所有子块区域内最优图像的筛选过程如下:
对子块区域成像的评估系数设置阈值Xi,将同一成像区域对应的所有子块区域内成像的评估系数PGx与阈值Xi进行比对,若同一成像区域对应的子块区域内成像的评估系数PGx大于阈值Xi,表明成像质量高,则将同一成像区域对应的子块区域内成像的评估系数大于阈值的所有子块按照成像评估系数由大到小进行顺序排序,若同一成像区域对应的子块区域内成像的评估系数PGx小于等于阈值Xi,表明成像质量低,则将该子块区域舍弃;
将同一成像区域对应的子块区域内成像的评估系数大于阈值的所有子块按照成像评估系数由大到小进行顺序排序后,筛选出成像评估系数最大的图像作为最优的图像,其他子块区域筛选的方式同理,进而筛选出分割后所有子块区域内最优的子块图像。
6.根据权利要求5所述的基于数据分析的建筑物三维点云配准预处理方法,其特征在于,将分割后所有子块区域内最优的子块图像进行拼接的过程如下:
对每个数据集合内包含同一标号区域的所有图像成像的评估系数进行综合分析,求出每个数据集合内每张图像的成像评估系数的平均值和离散程度值、以及对应图像所有子块区域内最优图像的数量,生成图像拼接系数;
记每个数据集合内每张图像的成像评估系数的平均值为PJa,则每个数据集合内每张图像的成像评估系数的平均值的计算公式如下:
每个数据集合内每张图像的成像评估系数的平均值计算后,将每个数据集合内每张图像的成像评估系数的平均值PJa与阈值YZo进行比对,将图像的成像评估系数的平均值PJa小于等于阈值YZo的图像舍弃,不进行考虑,将图像的成像评估系数的平均值PJa大于阈值YZo的图像进行进一步处理。
9.根据权利要求8所述的基于数据分析的建筑物三维点云配准预处理方法,其特征在于,获取每个数据集合内每张图像的拼接系数后,将每个数据集合内每张图像的拼接系数按照由大到小顺序排序,选取每个数据集合内拼接系数最大的图像为基像进行拼接。
10.基于数据分析的建筑物三维点云配准预处理系统,其特征在于,包括:
区域划分模块,将建筑物划分成多个平面区域,并将划分后的平面区域顺序标号,将存在同一标号的图像划分至一个图像集合内;
评估模块,对每个数据集合内包含同一标号区域的所有图像按照相同方式进行分割,将所有图像均分割成多个子块,并对所有图像分割后的子块做成像质量做评估,生成评估系数;
筛选模块,对分割后同一成像区域对应的所有子块区域的评估系数进行分析,筛选出同一成像区域对应的所有子块区域内最优的图像,进而筛选出分割后所有子块区域内最优的子块图像;
拼接模块,将分割后所有子块区域内最优的子块图像进行拼接,生成数据集合内最优的图像,再将每个数据集合内最优的图像进行拼接,生成最终最优的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310449431.5A CN116168066B (zh) | 2023-04-25 | 2023-04-25 | 基于数据分析的建筑物三维点云配准预处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310449431.5A CN116168066B (zh) | 2023-04-25 | 2023-04-25 | 基于数据分析的建筑物三维点云配准预处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116168066A true CN116168066A (zh) | 2023-05-26 |
CN116168066B CN116168066B (zh) | 2023-07-21 |
Family
ID=86411757
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310449431.5A Active CN116168066B (zh) | 2023-04-25 | 2023-04-25 | 基于数据分析的建筑物三维点云配准预处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116168066B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105469388A (zh) * | 2015-11-16 | 2016-04-06 | 集美大学 | 基于降维的建筑物点云配准算法 |
CN108182436A (zh) * | 2017-12-29 | 2018-06-19 | 辽宁工程技术大学 | 一种高分辨率遥感图像分割方法 |
CN108765568A (zh) * | 2018-06-04 | 2018-11-06 | 河海大学 | 一种基于激光雷达点云的多层次建筑物快速三维重建方法 |
CN109523554A (zh) * | 2018-11-16 | 2019-03-26 | 北京建筑大学 | 一种基于木构件的古建筑点云自动分割方法 |
CN111627029A (zh) * | 2020-05-28 | 2020-09-04 | 北京字节跳动网络技术有限公司 | 图像实例分割结果的获取方法及装置 |
CN113066064A (zh) * | 2021-03-29 | 2021-07-02 | 郑州铁路职业技术学院 | 基于人工智能的锥束ct图像生物结构识别及三维重建系统 |
CN113962945A (zh) * | 2021-10-09 | 2022-01-21 | 厦门大学 | 一种低重复度线激光点云数据拼接方法 |
US20220046218A1 (en) * | 2019-12-17 | 2022-02-10 | Dalian University Of Technology | Disparity image stitching and visualization method based on multiple pairs of binocular cameras |
CN114627272A (zh) * | 2022-03-29 | 2022-06-14 | 徐州大工电子科技有限公司 | 一种具有自适应透光性的门窗ar方法及系统 |
CN114998966A (zh) * | 2022-06-08 | 2022-09-02 | 杭州师范大学 | 基于特征融合的人脸表情识别方法 |
WO2023272432A1 (zh) * | 2021-06-28 | 2023-01-05 | 华为技术有限公司 | 图像处理方法和图像处理装置 |
CN115620353A (zh) * | 2022-05-16 | 2023-01-17 | 广州数舜数字化科技有限公司 | 一种用于3d人脸识别的图像预处理方法 |
-
2023
- 2023-04-25 CN CN202310449431.5A patent/CN116168066B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105469388A (zh) * | 2015-11-16 | 2016-04-06 | 集美大学 | 基于降维的建筑物点云配准算法 |
CN108182436A (zh) * | 2017-12-29 | 2018-06-19 | 辽宁工程技术大学 | 一种高分辨率遥感图像分割方法 |
CN108765568A (zh) * | 2018-06-04 | 2018-11-06 | 河海大学 | 一种基于激光雷达点云的多层次建筑物快速三维重建方法 |
CN109523554A (zh) * | 2018-11-16 | 2019-03-26 | 北京建筑大学 | 一种基于木构件的古建筑点云自动分割方法 |
US20220046218A1 (en) * | 2019-12-17 | 2022-02-10 | Dalian University Of Technology | Disparity image stitching and visualization method based on multiple pairs of binocular cameras |
CN111627029A (zh) * | 2020-05-28 | 2020-09-04 | 北京字节跳动网络技术有限公司 | 图像实例分割结果的获取方法及装置 |
CN113066064A (zh) * | 2021-03-29 | 2021-07-02 | 郑州铁路职业技术学院 | 基于人工智能的锥束ct图像生物结构识别及三维重建系统 |
WO2023272432A1 (zh) * | 2021-06-28 | 2023-01-05 | 华为技术有限公司 | 图像处理方法和图像处理装置 |
CN113962945A (zh) * | 2021-10-09 | 2022-01-21 | 厦门大学 | 一种低重复度线激光点云数据拼接方法 |
CN114627272A (zh) * | 2022-03-29 | 2022-06-14 | 徐州大工电子科技有限公司 | 一种具有自适应透光性的门窗ar方法及系统 |
CN115620353A (zh) * | 2022-05-16 | 2023-01-17 | 广州数舜数字化科技有限公司 | 一种用于3d人脸识别的图像预处理方法 |
CN114998966A (zh) * | 2022-06-08 | 2022-09-02 | 杭州师范大学 | 基于特征融合的人脸表情识别方法 |
Non-Patent Citations (1)
Title |
---|
廖胜辉\N\N\N,许端清\N\N\N,董金祥: "颌骨重建中的图像分割和轮廓对应及分支问题", 计算机辅助设计与图形学学报, no. 09 * |
Also Published As
Publication number | Publication date |
---|---|
CN116168066B (zh) | 2023-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10205896B2 (en) | Automatic lens flare detection and correction for light-field images | |
CN108648194B (zh) | 基于cad模型三维目标识别分割和位姿测量方法及装置 | |
US11295426B2 (en) | Image processing system, server apparatus, image processing method, and image processing program | |
CN110473221B (zh) | 一种目标物体自动扫描系统及方法 | |
KR102256583B1 (ko) | 3d 포인트 클라우드를 이용한 2d 영상에서의 피사체 위치 계측 시스템 | |
EP3629055B1 (en) | Method and apparatus for acquiring depth image, and electronic device | |
CN110276831B (zh) | 三维模型的建构方法和装置、设备、计算机可读存储介质 | |
CN105953741B (zh) | 一种钢结构局部几何变形的测量系统和方法 | |
CN115631116B (zh) | 基于双目视觉的飞行器电力巡检系统 | |
CN112348775A (zh) | 基于车载环视的路面坑塘检测系统及方法 | |
US20110085026A1 (en) | Detection method and detection system of moving object | |
CN112513928A (zh) | 训练模型以对有雾图像执行语义分割的方法和系统 | |
CN116228780A (zh) | 基于计算机视觉的硅片缺陷检测方法及系统 | |
CN112132925A (zh) | 用于重建水下图像颜色的方法和装置 | |
CN111260735B (zh) | 一种单次拍摄的lidar与全景相机的外参数标定方法 | |
CN116168066B (zh) | 基于数据分析的建筑物三维点云配准预处理方法 | |
CN113096016A (zh) | 一种低空航拍图像拼接方法和系统 | |
KR101578029B1 (ko) | 영상 왜곡 보정 장치 및 방법 | |
CN112422848B (zh) | 一种基于深度图和彩色图的视频拼接方法 | |
Zhang et al. | A combined approach to single-camera-based lane detection in driverless navigation | |
CN115546716A (zh) | 一种基于双目视觉的输电线路周边火灾源头定位方法 | |
CN113379816B (zh) | 结构变动检测方法、电子设备及存储介质 | |
CN115953460A (zh) | 基于自监督深度学习的视觉里程计方法 | |
CN115035175A (zh) | 一种三维模型构建数据处理方法及系统 | |
DE102019220616A1 (de) | Verfahren zur simultanen lokalisierung und abbildung |
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 |