CN116188497A - 立体遥感影像对生成dsm优化方法、装置、设备及存储介质 - Google Patents
立体遥感影像对生成dsm优化方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116188497A CN116188497A CN202310465489.9A CN202310465489A CN116188497A CN 116188497 A CN116188497 A CN 116188497A CN 202310465489 A CN202310465489 A CN 202310465489A CN 116188497 A CN116188497 A CN 116188497A
- Authority
- CN
- China
- Prior art keywords
- dsm
- segmentation
- abnormal
- area
- remote sensing
- 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
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
Abstract
本发明提供的立体遥感影像对生成DSM优化方法、装置、设备及存储介质,包括:获取遥感影像立体像对,并根据遥感影像立体像对生成初始DSM;对初始DSM进行预处理得到待优化DSM;对待优化DSM进行多尺度影像分割得到多个分割区域确定每个分割区域对应的高程值,并将与相邻分割区域的高程值之差的绝对值大于预设阈值的分割区域,确定为异常分割区域;对异常分割区域进行像素填充得到优化后的DSM,本发明对初始DSM进行预处理可以消除噪声数据,通过多尺度影像分割确定出高程值存在异常的异常分割区域,并对异常分割区域进行像素填充,得到的DSM更准确符合地表实际情况,提升了基于遥感影像立体相对生成的DSM精度。
Description
技术领域
本发明涉及摄影测量与遥感技术领域,具体而言,涉及一种立体遥感影像对生成DSM优化方法、装置、设备及存储介质。
背景技术
立体像对简称像对,是从两个不同位置对同一地区所摄取的一对相片。用立体观测法和专用的工具可以在像对重叠影像部分内看出所摄目标的立体视模型,两张同一地区的遥感影像,从不同角度进行拍摄,获得的具有重叠区域,在一定条件下,使用专业仪器或者肉眼可以看到立体影像,通过立体影像可以生成DSM。
然而,在基于遥感影像的立体像对数据生成DSM过程中,一般通过采集前视数据和后世数据对应的关联点来建立核线方程和创建核线图像,无论是手动还是自动采集关联点,因图形尺寸差异、阈值设置判断误差或是人工选择的误差,最终依据关联点生成的DSM往往存在许多不符精度要求的异常洼地和凸起,无法达到所需精度。
发明内容
本发明的目的包括,例如,提供了一种立体遥感影像对生成DSM优化方法、装置、设备及存储介质,其能够消除基于立体影像对生成的DSM中的异常数据,提高DSM的精度。本发明的实施例可以这样实现:
第一方面,本发明提供一种立体遥感影像对生成DSM优化方法,所述方法包括:获取遥感影像立体像对,并根据所述遥感影像立体像对生成初始DSM;对所述初始DSM进行预处理,得到待优化DSM;对所述待优化DSM进行多尺度影像分割,得到多个分割区域确定每个所述分割区域对应的高程值,并将与相邻分割区域的高程值之差的绝对值大于预设阈值的所述分割区域,确定为所述异常分割区域;对所述异常分割区域进行像素填充,得到优化后的DSM。
第二方面,本发明提供一种立体遥感影像对生成DSM优化装置,包括:生成模块,用于获取遥感影像立体像对,并根据所述遥感影像立体像对生成初始DSM;预处理模块,用于对所述初始DSM进行预处理,得到待优化DSM;分割模块,用于对所述待优化DSM进行多尺度影像分割,得到多个分割区域;识别模块,用于确定每个所述分割区域对应的高程值,并将与相邻分割区域的高程值之差大于预设阈值的所述分割区域,确定为所述异常分割区域优化模块,用于对所述异常分割区域进行像素填充,得到优化后的DSM。
第三方面,本发明提供一种立体遥感影像对生成DSM优化设备,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机程序,所述处理器可执行所述计算机程序以实现前述实施方式第一方面所述的立体遥感影像对生成DSM优化方法。
第四方面,本发明提供存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如前述实施方式第一方面所述的立体遥感影像对生成DSM优化方法。
本发明的有益效果是:根据遥感影像立体像对生成初始DSM,初始DSM中存在的噪声数据,因此对初始DSM进行预处理,得到待优化DSM,可以消除杂噪声数据,然后对待优化DSM进行多尺度影像分割,可以得到多个分割区域,从多个分割区域内识别高程值存在异常的异常分割区域,异常分割区域与相邻分割区域的高程值之差的绝对值大于预设阈值,对异常分割区域进行像素填充,得到的优化后的DSM更准确符合地表的DSM数据,提高了DSM的精度。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的立体遥感影像对生成DSM优化方法的示意性流程图;
图2A为本发明实施例提供的一种原始遥感影像示意图;
图2B为原始遥感影像对应的初始DSM;
图2C为预处理后的效果示意图;
图3为分割尺度对应均值特征图;
图4为本发明实施例提供的步骤S105的其中一种实施方式的示意性流程图;
图5为本发明实施例提供的一种像素填充示意图;
图6是对图2C中的待优化DSM进行多尺度影像分割后再次优化的效果示意图;
图7为本发明实施例提供的优化过程中各阶段DSM生成的山体阴影的效果示意图;
图8为本发明实施例提供的立体遥感影像对生成DSM优化装置的功能模块图;
图9为本发明实施例提供的立体遥感影像对生成DSM优化设备的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中,需要说明的是,若出现术语“上”、“下”、“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,或者是该发明产品使用时惯常摆放的方位或位置关系,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,若出现术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示像对重要性。
需要说明的是,在不冲突的情况下,本发明的实施例中的特征可以相互结合。
首先对本发明实施例中的相关术语进行解释。
立体像对:两个像机从相距一定距离的两点对同一目标进行拍摄,产生的重叠图像,称立体像对,成为立体像对的必要条件是像片的重叠度大于53%。
核线影像:基于核线几何关系,利用立体像对生成沿核线方向(数字影像的行方向为核线方向)排列的数字影像。
限制值:通过设置值限制指定凹陷点深度和倾泻点间的最大允许差值并确定要填充的凹陷点和保持不变的凹陷点。此处需注意限制值并非要填充的最大深度。
中值滤波:把数字图像中一点的值用该点的一个领域中各点值的中值进行替换,对滤除图像的椒盐噪声非常有效。
面向对象多尺度影像分割:通过生成任意尺度的、属性信息相似的影像多边形(意即对象),运用模糊数学方法获得每个对象的属性信息,实现分类和信息提取。
区域填充:在输出平面的闭合区域内完整地填充某种像素值或者某种图案。
目前,获取DSM的主要方法包括传统的野外调查、摄影测量、机载激光雷达法 (,简称LIDAR)及合成孔径雷达干涉测量(,简称InSAR)。其中通过LIDAR和InSAR获得的DSM不受天气影响,精度高但成本也相当高。随着卫星技术的快速发展,通过卫星异轨高分辨率数据,构成立体像对也可以快速生成大范围、精度较高的DSM。
然而,通过输入立体像对数据,在自动生成DSM过程中,即使进行区域网平差后,两景影像因图像大小、匹配误差阈值、质量阈值等设置,可能过少捕捉或过多捕捉关联点,致使自动生成的数据存在异常,无法达到所需精度。而手动选择关联点,一是主观影响大,二是耗时耗力,最终结果也未必能达到需求。
因此,本发明实施例提供了一种立体遥感影像对生成DSM优化方法,可以解决基于卫星异轨高分辨率数据构成的立体像对所生成的DSM数据,因配准误差、数据质量等原因影像造成初始DSM存在噪点,与地表相差较大的问题。
请参见图1,图1为本发明实施例提供的立体遥感影像对生成DSM优化方法的示意性流程图,可以包括如下步骤:
S101:获取遥感影像立体像对,并根据遥感影像立体像对生成初始DSM;
S102:对初始DSM进行预处理,得到待优化DSM;
S103:对待优化DSM进行多尺度影像分割,得到多个分割区域;
S104:确定每个分割区域对应的高程值,并将与相邻分割区域的高程值之差大于预设阈值的分割区域,确定为异常分割区域;
S105:对异常分割区域进行像素填充,得到优化后的DSM。
在上述步骤S101至步骤S105的技术方案中,首先根据遥感影像立体像对生成初始DSM,初始DSM中存在的噪声数据,因此对初始DSM进行预处理,得到待优化DSM,可以消除噪声数据,然后对待优化DSM进行多尺度影像分割,可以得到多个分割区域,从多个分割区域内识别出异常分割区域,异常分割区域与相邻分割区域的高程值之差的绝对值大于预设阈值,对异常分割区域进行像素填充,得到的优化后的DSM更准确符合地表实际情况,提升了基于遥感影像立体相对生成的DSM的精度。
下面对上述各个步骤进行详细介绍。
在步骤S101中,遥感影像立体像对应该满足如下条件:(1)两幅影像有相同的覆盖区域;(2)两幅影像的获取时间基本一致,影像覆盖区域基本没有变化;(3)影像分辨率高;(4)影像中包含的雨量和积雪较少。
在本发明实施例中,可以利用现有的基于遥感影像立体像对生成DSM的方法得到初始DSM,比如:对获取的遥感影像立体像对进行线性拉伸或直方图均衡化,然后按照如下步骤生成初始DSM:
步骤a2:根据得的这些同名点计算视差可求出相对高程。例如针对左像片(1)与右像片(2)的同名点p,其在两张像片对应的像平面坐标为(Xp1,Yp1),(Xp2,Yp2),将同名点p和物方空间坐标系中的摄站点t(即物方空间中的一个观察点)的坐标(xt,yt,zt),代入共线投影方程式:
其中,(X,Y)即同名点的像平面坐标;(xt,yt,zt)为摄站点t在物方空间坐标系中的坐标;f是像片主距,为常数;可求出参数向量(ai,bi,ci)(i=1,2,3)。
设Sp1和Sp2为左右两幅像片的摄影中心,两点构成的直线成为“摄影基线”;通过摄影基线与摄站点t所作的平面称为“核面”;核面与像片的交线称为“核线”,在倾斜的像片上,各核线是不平行的,它们相交于核点,利用所求参数向量将立体像对纠正到与摄影基线平行,即转换为核线影像。
步骤a3:将核线影像的像素灰度值采用双线性内插的办法重采样,生成初始DSM。
通过上述方式即可生成初始DSM,从上述实施方式中可以看出,利用遥感影像立体像对生成DSM的过程中需要先确定连接点,但是,两张遥感影像因图像大小、匹配误差阈值、质量阈值等因素,提取的连接点过多或过少,导致自动生成的DSM存在异常,无法达到所需精度,因此,本发明实施例首先通过步骤S102对初始DSM进行首次优化。
下面详细说明步骤S102。
在步骤S102中,本发明实施例对初始DSM进行预处理,预处理包括: 异常值的插值填充和滤波处理。
可以理解的是,步骤S101中生成的初始DSM中,通常会有异常数据存在于DSM数据中,这些异常数据可能是噪声数据和异常高程数据,这些异常会以噪点、洼地、凸起等形式表现在DSM图像中,因此,本发明实施例可以先对异常数据进行查找,填充高程表面栅格中的洼地和突起,能移除数据中的小缺陷。在实施过程中,可以设置开始值为5,结束值为85,阶数为4,分别自灰度值从高往低削去突起,从低往高填充洼地。
本发明实施例还可以对插值填充后的DSM进行滤波处理,以此消除DSM中的椒盐噪声,滤波处理方式可以但不限于是均值滤波、中值滤波、改进的自适应中值滤波。
下面以改进的自适应中值滤波为例来说明如何对初始DSM进行滤波处理。
改进的自适应中值滤波,通过以中心像素点为角点逐步分割滤波窗口,对滤波窗口的灰度中值进行线性化计算,使灰度中值更适合代替原有的像素灰度值,能够更好的处理椒盐噪声,实施方式如下:
假设:定义S(x,y)为滤波器的作用区域,即滤波器窗口所覆盖的区域;gmin为滤波窗口最小的灰度值;gmax为滤波窗口最大的灰度值;gmed为灰度中值,g(x,y)为滤波窗口像素点的灰度值;Smax为S(x,y)中所允许的最大窗口尺寸;n为窗口尺寸,G(x,y)为滤波后的像素点灰度值,按照如下步骤完成滤波处理:
步骤b1:将滤波窗口以中心像素点位角点划分为四个窗口,分别求出每个窗口的灰度中值gmed1,gmed2,gmed3,和gmed4,将此时得到的四个灰度中值再求中值得到gmed。
步骤b2:当gmin<gmed<gmax,依次判断滤波窗口中像素点g(x,y)与gmax、gmin的大小关系。若gmin<g(x,y)<gmax输出灰度值G(x,y)=g(x,y),否则G(x,y)=gmed。
(2)当gmed≥gmax或gmed≤gmin,将n增大,返回步骤b1,直到n达到设置的Smax,此时确定G(x,y)=gmed。
通过上述实施方式得到的预处理结果如图2A至图2C所示,图2A为本发明实施例提供的一种原始遥感影像示意图,图2B为原始遥感影像对应的初始DSM,从图2B中可以看出,椭圆形标注的区域内明显存在噪点,方框标注的区域内与周围区域的高程值相比存在明显异常,针对噪点所在区域,通过对初始DSM进行预处理,处理后的效果如图2C所示,图2C为预处理后的效果示意图,明显可以看出噪点被消除了。
从图2C还可以看出,仅仅通过预处理无法消除初始DSM中显存在异常的高程数据,异常的高程数据在DSM图像中通常表现为洼地或者凸起,即方框标注的区域,因此,这对这样的异常区域,可以执行后续步骤进行优化。
下面详细说明步骤S103。
在步骤S103中,本发明实施例对预处理后的DSM(即待优化DSM)进行了多尺度影像分割,得到多个分割区域,然后从这些分割区域中识别出存在异常的区域进行像素填充,可以使填充后的DSM与原始地形更相符合。
可以理解的是,多尺度影像分割是指将全部影像区域基于设定的分割准则和尺度,分割为内部特征同质性较强的多个对象,将对象作为分析单元,可以克服单个栅格分析时的分类噪声,增强不同类别之间的差异性和相同类别之间的同质性,提高类别的可分性。多尺度影像分割有两个标准需要遵循: ①在能区分不同高程值段(例如建筑与地面)的前提下,使用尽量大的分割尺度; ②在地物形状满足标准的前提下,尽量多参考灰度值特征。
在本发明实施例中,可以但不限于采用分形网络演化分割方法(,简称FNEA)对待优化DSM进行多尺度影像分割,该方法利用模糊子集理论提取影响对象,是基于像素从下向上的区域增长的分割算法,遵循异质性最小的原则,把灰度信息相似的邻近像元合并为一个同质的影像对象。
在多尺度影像分割过程中,主要考虑的分割参数有分割尺度、形状因子和紧致度,在三个分割参数中,分割尺度的设置会对分割结果影响最大。它决定了影像分割能提取的最小对象的尺寸大小,一般基于像素等级,直接决定了对象提取的精度。若尺度过小容易让区域过于破碎,过大则会让不同地物对象出现凝块。
因此,上述步骤S103可以这样实现:首先确定最优分割尺度;候选分割尺度用于确定分割区域的尺寸;然后根据最优分割尺度以及预设的形状因子和紧致度,对待优化DSM进行多尺度影像分割,得到多个分割区域。
其中,在确定最优分割尺度的过程中,在一种实施方式中,可以由用户根据实际分割经验自定义最优分割尺度;在另一种实施方式中,还可以按照如下步骤确定:
步骤c1:获取多个候选分割尺度,并利用每个候选分割尺度对待优化DSM进行分割,得到待优化DSM在每个候选分割尺度下的多个分割区域。
在本发明实施例中,可以在预设数值区间内进行数值采样,得到多个候选分割尺度,也可以自定义多个候选分割尺度,此处不作限定。
步骤c2:确定待优化DSM对应的灰度共生矩阵,并根据灰度共生矩阵确定每个分割区域对应的纹理均值。
可以理解的是,灰度共生矩阵(,简称GLCM)指的是一种通过研究灰度的空间相关特性来描述纹理的常用方法,是对图像上保持某距离的两像素分别具有某灰度的状况进行统计得到的。GLCM的原理是:取图像(N×N)中任意一点(x,y)及偏离它的另一点(x+a,y+b),设该点对的灰度值为(g1,g2)。令点(x,y)在整个画面上移动,则会得到各种(g1,g2)值,设灰度值的级数为k,则(g1,g2)的组合共有k种,对于整个画面,统计出每一种(g1,g2)值出现的次数,然后排列成一个方阵,再用(g1,g2)出现的总次数将它们归一化为出现的概率P(g1,g2),这样的方阵称为灰度共生矩阵。
步骤c3:将每个候选分割尺度下的全部分割区域的纹理均值之和的平均值作为候选分割尺度对应的总纹理均值,并将最大总纹理均值对应的候选分割尺度作为最优分割尺度。
可以理解的是,均值特征能够反映纹理的规则程度,均值越大,表示纹理规律性越强,可描述性越强,采用基于灰度共生矩阵的纹理均值法来选择分割尺度,可以提升最优分割尺度的精度。
比如,可以在数值区间[20,70]之间确定多个候选分割尺度,然后基于这些候选分割尺度,对一幅遥感影像进行多尺度影像分割后,得到每个候选分割尺度下得到的M个分割对象,第m个分割对象可以基于GLCM确定纹理均值,表达式如下:
式中N为GLCM定义的正方形矩阵行或列的大小,等于灰度图的最大灰度级。P(i ,j )表示矩阵中灰度值为i和j的像元在处于像元距离d和方向θ时的共生概率。本文设定参数d=1;θ为方向参数,分别选取0度、45度、90度和145度四个方向进行计算。
总纹理均值Mean计算公式如下:
得到各个分割尺度对应的总纹理均值如图3所示,图3为分割尺度对应均值特征图,可以看出,分割尺度为30时,对应的总纹理均值最大,因此可以确定最优分割尺度为30。
下面详细说明步骤S104。
在步骤S104中,本发明实施例可以从多个分割区域中先识别出异常分割区域,异常分割区域的高程值与相邻分割区域的高程值的差值的绝对值大于预设阈值,其中,预设阈值可以根据实际需要进行设置,比如预设阈值为15米,那么当一个分割区域的高程值与其相邻分割区域的高程值之差的绝对值大于15米,那么可以确定这个分割区域为异常分割区域。
在实施过程中,针对每个一个分割区域p,可以先将该分割区域内的全部灰度值组成一个数组Pa,然后利用统计函数,可以但不限于是bincount函数,统计Pa中各个灰度值出现的频率,再从Pa中确定出Pa中最大频率对应的灰度作为该分割区域的高程值Mp(比如以argmax函数进行统计),然后计算Mp与其相邻分割区域的高程值的差值的绝对值,并比较高绝对值与预设阈值的大小,从而确定分割区域p是否为一个异常分割区域。
可以理解的是,一个分割区域可以对应有多个相邻分割区域,在本发明实施例中,针对每个分割区域,只要它与其中任意一个相邻分割区域的高程值绝对值大于预设阈值,则认为这个分割区域是异常分割区域。
下面详细说明步骤S105。
在步骤S105中,对异常分割区域进行像素填充,直到每个异常分割区域均被填充完毕之后,即可得到与地表实际情况相符合的DSM。
在一种实施方式中,可以从正常分割区域内随机确定出一个灰度填充值,该灰度填充值可以但不限于是灰度平均值、灰度中值等,并用该灰度填充值替换异常分割区域内的每个像素点的灰度值。
在另一种实施方式中,还可以根据如图4所示的方式进行像素填充,图4为本发明实施例提供的步骤S105的其中一种实施方式的示意性流程图:
步骤S105-1:将与异常分割区域相邻的分割区域作为参考区域;
在本发明实施例中,待优化DSM中与异常分割区域相邻的分割区域即为参考区域,相邻的分割区域是一个正常区域,利用参考区域作对异常分割区域进行像素填充,可以得到与地表实际情况相符合的DSM。
可以理解的是,异常区域可能存在多个,因此在对异常区域进行填充时,可以先从位于正常区域边缘的异常区域开始进行填充,当异常区域被填充之后,会被标记为正常区域,标记后的该正常区域也会成为剩余异常区域的参考区域,整个过程由从边缘异常区域到中心异常区域扩展,直到没有异常区域后即可。
步骤S105-2:在异常分割区域的边界上,以每个边界像素点为中心进行扩展,得到每个边界像素点对应的一个预设尺寸的像素块。
步骤S105-3:根据像素块内的各个像素点的置信度和梯度值,计算边界像素点的优先级,并将优先级最高的边界像素点所对应的像素块作为待填充像素块。
在本发明实施例中,像素块的优先级也就是该像素块对应的边界像素点的优先级,优先级越高,填充顺序越靠前,在可选的实施方式中,可以按照如下方式确定各个像素块的优先级:
步骤d1:在像素块内,若像素点位于参考区域内,则确定像素点的置信度为数值一,否则,确定像素点的置信度为数值零,将全部像素点的置信度之和与像素块内的像素点总数的比值,作为边界像素点的置信度项。
步骤d2:根据像素块内各个像素点的梯度计算梯度均值,然后用梯度均值与像素点总数相乘,并将乘积与预设归一化因子的比值,作为边界像素点的数据项;
步骤d3:将置信度项和数据项的乘积作为边界像素点的优先级。
为了方便理解上述步骤1至步骤3,请参见图5,图5为本发明实施例提供的一种像素填充示意图,将异常分割区域定义为,/>表征异常分割区域/>的边界,参考区域为Φ,某个边界像素点p对应的像素块为Ψp,那么p对应的优先级的计算公式形如:
在上述等式中,表征p点的优先级;/>为p点的置信度项,用于表征以p点为中心的像素块中的有效信息量,有效信息量越多,数据的置信度越高,越具有较高的优先级;/>为p点的有数据项,D(p)越大,说明表面线性结构越复杂,越应该优先修复;其中,
其中,c(p)的计算公式为:
上述计算公式表明:在待填充像素块内,若一个像素点位于参考区域内,则确定像素点的置信度为数值一,否则,确定像素点的置信度为数值零。
步骤S105-4:在参考区域内确定出与待填充像素块的距离最小的最相似像素块,并用最相似像素块对待填充像素块进行像素填充。
在本发明实施例中,针对优先级最高的待填充像素块,在正常区域中寻找最相似像素块进行像素填充,待填充像素块和正常区域内的像素块之间的相似度可以采用距离进行度量,表达式如下所示:
式中pij和qij分别为目标对象Ψp和Ψq内对应p和q像素点的灰度值。
在确定出最相似像素块之后,将最相似像素块中的像素信息分配给待填充像素块相对应的像素位置进行像素填充,直至整个待填充像素块被填充完毕。
步骤S105-5:更新异常分割区域的边界,并返回在异常分割区域的边界上,对每个边界像素点为中心进行扩展的步骤,直到异常分割区域的边界为空,确定异常分割区域完成像素填充。
可以理解的是,随着填充过程中进行,待填充像素块中的像素信息发生了改变,待填充像素块内的像素点此时属于参考区域内的像素点,导致异常分割区域的边界被改变,因此可以先更新异常分割区域的边界,然后在新的边界上重新执行上述步骤S105-2至步骤S105-5,直到异常分割区域的边界为空,此时可以确定异常分割区域完全被参考区域内的像素信息修复,这个异常分割区域至此完成像素填充,然后可以处理下一个异常分割区域。
步骤S105-6,当确定全部异常分割区域均完成像素填充,得到优化后的DSM。
通过上述方式对异常分割区域进行修复,可以保留图像中的结构信息和纹理层次,使得最终得到的DSM更加符合地表实际情况。
请参见图6,图6是对图2C中的待优化DSM进行多尺度影像分割后再次优化的效果示意图,可以看出,图2C中方框区域内的异常分割区域内的像素已经被周围正常区域的像素进行填充。
本发明实施例提供的立体遥感影像对生成DSM优化方法的效果示意图还可以如图7所示,图7为本发明实施例提供的优化过程中各阶段DSM生成的山体阴影的效果示意图,可以看出,进行预处理后,明显可以实现平滑效果,消除山体区域中一些噪声区域,但仍然保留了一些洼地和凸起,即不合理的高程数据,然后利用多尺度影像分割对进行优化处理,对不合理高程数据的区域进行优化,明显可以对洼地和凸起进行优化,最终得到的处理后的山体阴影与原始地形更符合。
基于相同的发明构思,本发明实施例还提供一种立体遥感影像对生成DSM优化装置,该立体遥感影像对生成DSM优化装置如图8所示,图8为本发明实施例提供的立体遥感影像对生成DSM优化装置的功能模块图,该立体遥感影像对生成DSM优化装置300可包括:生成模块310、预处理模块320、分割模块330、识别模块340和优化模块350;
生成模块310,用于获取遥感影像立体像对,并根据所述遥感影像立体像对生成初始DSM;
预处理模块320,用于对所述初始DSM进行预处理,得到待优化DSM;
分割模块330,用于对所述待优化DSM进行多尺度影像分割,得到多个分割区域;
识别模块340,用于确定每个所述分割区域对应的高程值,并将与相邻分割区域的高程值之差大于预设阈值的所述分割区域,确定为异常分割区域;
优化模块350,用于对所述异常分割区域进行像素填充,得到优化后的DSM。
可以理解的是,生成模块310、预处理模块320、分割模块330、识别模块340和优化模块350可以协同的执行图1中的各个步骤以实现相应的技术效果。
在可选的实施方式中,优化模块350可以具体用来执行如图4所示的步骤、以及步骤d1至d3以实现相应的技术效果。
在可选的实施方式中,识别模块340具体用于在每个所述分割区域进行灰度值统计,得到每个所述灰度值出现的频率,并将最大频率对应的灰度值作为所述分割区域的高程值。
在可选的实施方式中,分割模块330具体用于执行本发明实施例中的步骤c1至步骤c3以实现相应的技术效果。
在可选的实施方式中,预处理模块320可以具有用于执行本发明实施例中的步骤b1至步骤b2以实现相应的技术效果。
在可选的实施方式中,生成模块310可以具有用于执行本发明实施例中的步骤a1至步骤a3以实现相应的技术效果。
需要说明的是,本申请以上实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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一个存储介质中,包括若干指令用以使得一台立体遥感影像对生成DSM优化设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(,简称ROM)、随机存取存储器(,简称RAM)、磁碟或者光盘等各种可以存储程序代码的存储介质。
本发明实施例还提供了一种立体遥感影像对生成DSM优化设备,用于执行本发明实施例提供的,立体遥感影像对生成DSM优化方法,请参见图9,图9为本发明实施例提供的立体遥感影像对生成DSM优化设备的结构框图,该立体遥感影像对生成DSM优化设备用于执行本发明实施例提供的立体遥感影像对生成DSM优化方法,立体遥感影像对生成DSM优化设备400包括:存储器401、处理器402、通信接口403、和总线404,该存储器401、处理器402和通信接口403相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。
可选的,总线404可以是外设部件互连标准(,简称PCI)总线或扩展工业标准结构(/>,简称EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图9中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
在本发明实施例中,处理器402可以是通用处理器、数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件,可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储器401中,处理器402读取存储器401中的程序指令,结合其硬件完成上述方法的步骤。
在本发明实施例中,存储器401可以是非易失性存储器,比如硬盘(,简称HDD)或固态硬盘(/>,简称SSD)等,还可以是易失性存储器(),例如RAM。存储器还可以是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他存储介质,但不限于此。本发明实施例中的存储器还可以是电路或者其它任意能够实现存储功能的装置,用于存储指令和/或数据。
存储器401可用于存储软件程序及模块,如本发明实施例提供的立体遥感影像对生成DSM优化装置300的指令/模块,可以软件或固件(firmware)的形式存储于存储器401中或固化在立体遥感影像对生成DSM优化设备400的操作系统(,简称OS)中,处理器402通过执行存储在存储器401内的软件程序及模块,从而执行各种功能应用以及数据处理。该通信接口403可用于与其他节点设备进行信令或数据的通信。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
可以理解,图9所示的结构仅为示意,立体遥感影像对生成DSM优化设备400还可以包括比图9中所示更多或者更少的组件,或者具有与图9所示不同的配置。图9所示的各组件可以采用硬件、软件或其组合实现。
立体遥感影像对生成DSM优化设备400可以是任何一种可与用户进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理(,简称PDA)、游戏机、交互式网络电视(/>,简称IPTV)、智能式穿戴式设备等。
基于以上实施例,本申请还提供了一种存储介质,存储介质中存储有计算机程序,计算机程序被计算机执行时,使得计算机执行以上实施例提供的立体遥感影像对生成DSM优化方法。
基于以上实施例,本发明实施例还提供了一种计算机程序,当计算机程序在计算机上运行时,使得计算机执行以上实施例提供的立体遥感影像对生成DSM优化方法。
基于以上实施例,本发明实施例还提供了一种芯片,芯片用于读取存储器中存储的计算机程序,用于执行以上实施例提供的立体遥感影像对生成DSM优化方法。
本发明实施例中还提供一种计算机程序产品,包括指令,当其在计算机上运行时,使得计算机执行以上实施例提供的立体遥感影像对生成DSM优化方法。
本发明实施例是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种立体遥感影像对生成DSM优化方法,其特征在于,所述方法包括:
获取遥感影像立体像对,并根据所述遥感影像立体像对生成初始DSM;
对所述初始DSM进行预处理,得到待优化DSM;
对所述待优化DSM进行多尺度影像分割,得到多个分割区域;
确定每个所述分割区域对应的高程值,并将与相邻分割区域的高程值之差的绝对值大于预设阈值的所述分割区域,确定为异常分割区域;
对所述异常分割区域进行像素填充,得到优化后的DSM。
2.根据权利要求1所述的立体遥感影像对生成DSM优化方法,其特征在于,对所述异常分割区域进行像素填充,得到优化后的DSM,包括:
将与所述异常分割区域相邻的分割区域作为参考区域;
在所述异常分割区域的边界上,以每个边界像素点为中心进行扩展,得到每个所述边界像素点对应的一个预设尺寸的像素块;
根据所述像素块内的各个像素点的置信度和梯度值,计算所述边界像素点的优先级,并将优先级最高的边界像素点所对应的像素块作为待填充像素块;
在所述参考区域内确定出与所述待填充像素块的距离最小的最相似像素块,并用所述最相似像素块对所述待填充像素块进行像素填充;
更新所述异常分割区域的边界,并返回在所述异常分割区域的边界上,对每个边界像素点为中心进行扩展的步骤,直到所述异常分割区域的边界为空,确定所述异常分割区域完成像素填充;
当确定全部所述异常分割区域均完成像素填充,得到优化后的DSM。
3.根据权利要求2所述的立体遥感影像对生成DSM优化方法,其特征在于,根据所述像素块内的各个像素点的置信度和梯度值,计算所述边界像素点的优先级,包括:
在所述像素块内,若所述像素点位于所述参考区域内,则确定所述像素点的置信度为数值一,否则,确定所述像素点的置信度为数值零,将全部所述像素点的置信度之和与所述像素块内的像素点总数的比值,作为所述边界像素点的置信度项;
根据所述像素块内各个所述像素点的梯度计算梯度均值,然后用所述梯度均值与所述像素点总数相乘,并将乘积与预设参数的比值,作为所述边界像素点的数据项;
将所述置信度项和所述数据项的乘积作为所述边界像素点的优先级。
4.根据权利要求1所述的立体遥感影像对生成DSM优化方法,其特征在于,确定每个所述分割区域对应的高程值,包括:
在每个所述分割区域进行灰度值统计,得到每个所述灰度值出现的频率,并将最大频率对应的灰度值作为所述分割区域的高程值。
5.根据权利要求1所述的立体遥感影像对生成DSM优化方法,其特征在于,对所述待优化DSM进行多尺度影像分割,得到多个分割区域,包括:
确定最优分割尺度;所述最优分割尺度用于确定所述分割区域的尺寸;
根据所述最优分割尺度以及预设的形状因子和紧致度,对所述待优化DSM进行多尺度影像分割,得到多个所述分割区域。
6.根据权利要求5所述的立体遥感影像对生成DSM优化方法,其特征在于,确定最优分割尺度,包括:
获取多个候选分割尺度,并利用每个所述候选分割尺度对所述待优化DSM进行分割,得到所述待优化DSM在每个所述候选分割尺度下的多个所述分割区域;
确定所述待优化DSM对应的灰度共生矩阵,并根据所述灰度共生矩阵确定每个所述分割区域对应的纹理均值;
将每个所述候选分割尺度下的全部所述分割区域的纹理均值特征之和的平均值作为所述候选分割尺度对应的总纹理均值特征,并将最大总纹理均值特征对应的所述候选分割尺度作为最优分割尺度。
7.一种立体遥感影像对生成DSM优化装置,其特征在于,包括:
生成模块,用于获取遥感影像立体像对,并根据所述遥感影像立体像对生成初始DSM;
预处理模块,用于对所述初始DSM进行预处理,得到待优化DSM;
分割模块,用于对所述待优化DSM进行多尺度影像分割,得到多个分割区域;
识别模块,用于确定每个所述分割区域对应的高程值,并将与相邻分割区域的高程值之差大于预设阈值的所述分割区域,确定为异常分割区域;
优化模块,用于对所述异常分割区域进行像素填充,得到优化后的DSM。
8.根据权利要求7所述的立体遥感影像对生成DSM优化装置,其特征在于,所述优化模块,具体用于:
将与所述异常分割区域相邻的分割区域作为参考区域;
在所述异常分割区域的边界上,以每个边界像素点为中心进行扩展,得到每个所述边界像素点对应的一个预设尺寸的像素块;
根据所述像素块内的各个像素点的置信度和梯度值,计算所述边界像素点的优先级,并将优先级最高的边界像素点所对应的像素块作为待填充像素块;
在所述参考区域内确定出与所述待填充像素块的距离最小的最相似像素块,并用所述最相似像素块对所述待填充像素块进行像素填充;
更新所述异常分割区域的边界,并返回在所述异常分割区域的边界上,对每个边界像素点为中心进行扩展的步骤,直到所述异常分割区域的边界为空,确定所述异常分割区域完成像素填充;
当确定全部所述异常分割区域均完成像素填充,得到优化后的DSM。
9.一种立体遥感影像对生成DSM优化设备,其特征在于,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机程序,所述处理器可执行所述计算机程序以实现权利要求1至6任一项所述的立体遥感影像对生成DSM优化方法。
10.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的立体遥感影像对生成DSM优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310465489.9A CN116188497B (zh) | 2023-04-27 | 2023-04-27 | 立体遥感影像对生成dsm优化方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310465489.9A CN116188497B (zh) | 2023-04-27 | 2023-04-27 | 立体遥感影像对生成dsm优化方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116188497A true CN116188497A (zh) | 2023-05-30 |
CN116188497B CN116188497B (zh) | 2023-07-07 |
Family
ID=86452610
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310465489.9A Active CN116188497B (zh) | 2023-04-27 | 2023-04-27 | 立体遥感影像对生成dsm优化方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116188497B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012134238A2 (ko) * | 2011-04-01 | 2012-10-04 | 에스케이씨앤씨 주식회사 | 디지털 고도모델 생성방법 및 장치 |
US20150371431A1 (en) * | 2013-01-29 | 2015-12-24 | Andrew Robert Korb | Methods for analyzing and compressing multiple images |
CN110189283A (zh) * | 2019-05-21 | 2019-08-30 | 西安电子科技大学 | 基于语义分割图的遥感图像dsm融合方法 |
US20210110564A1 (en) * | 2019-10-10 | 2021-04-15 | Intermap Technologies, Inc. | First floor height estimation from optical images |
CN113283435A (zh) * | 2021-05-14 | 2021-08-20 | 陕西科技大学 | 一种基于多尺度注意力融合的遥感图像语义分割方法 |
CN113920143A (zh) * | 2021-09-02 | 2022-01-11 | 清远市智慧农业农村研究院 | 基于无人机遥感影像的亚田块边界提取方法及装置 |
CN114689015A (zh) * | 2021-11-29 | 2022-07-01 | 成都理工大学 | 一种提高光学卫星立体影像dsm高程精度的方法 |
WO2022141145A1 (zh) * | 2020-12-30 | 2022-07-07 | 深圳技术大学 | 面向对象的高分辨率遥感影像多尺度分割方法及系统 |
CN115631337A (zh) * | 2022-10-31 | 2023-01-20 | 中国地质大学(武汉) | 一种无监督域自适应语义分割方法及系统 |
US20230032712A1 (en) * | 2021-07-21 | 2023-02-02 | Kayrros | Method For RPC Refinement By Means of a Corrective 3D Rotation |
-
2023
- 2023-04-27 CN CN202310465489.9A patent/CN116188497B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012134238A2 (ko) * | 2011-04-01 | 2012-10-04 | 에스케이씨앤씨 주식회사 | 디지털 고도모델 생성방법 및 장치 |
US20150371431A1 (en) * | 2013-01-29 | 2015-12-24 | Andrew Robert Korb | Methods for analyzing and compressing multiple images |
CN110189283A (zh) * | 2019-05-21 | 2019-08-30 | 西安电子科技大学 | 基于语义分割图的遥感图像dsm融合方法 |
US20210110564A1 (en) * | 2019-10-10 | 2021-04-15 | Intermap Technologies, Inc. | First floor height estimation from optical images |
WO2022141145A1 (zh) * | 2020-12-30 | 2022-07-07 | 深圳技术大学 | 面向对象的高分辨率遥感影像多尺度分割方法及系统 |
CN113283435A (zh) * | 2021-05-14 | 2021-08-20 | 陕西科技大学 | 一种基于多尺度注意力融合的遥感图像语义分割方法 |
US20230032712A1 (en) * | 2021-07-21 | 2023-02-02 | Kayrros | Method For RPC Refinement By Means of a Corrective 3D Rotation |
CN113920143A (zh) * | 2021-09-02 | 2022-01-11 | 清远市智慧农业农村研究院 | 基于无人机遥感影像的亚田块边界提取方法及装置 |
CN114689015A (zh) * | 2021-11-29 | 2022-07-01 | 成都理工大学 | 一种提高光学卫星立体影像dsm高程精度的方法 |
CN115631337A (zh) * | 2022-10-31 | 2023-01-20 | 中国地质大学(武汉) | 一种无监督域自适应语义分割方法及系统 |
Non-Patent Citations (3)
Title |
---|
LU, JUNYAN等: "Semantic Joint Monocular Remote Sensing Image Digital Surface Model Reconstruction Based on Feature Multiplexing and Inpainting", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》, vol. 60, pages 1 - 15, XP011910195, DOI: 10.1109/TGRS.2022.3176670 * |
宋晓阳等: "融合数字表面模型的无人机遥感影像城市土地利用分类", 《地球信息科学学报》, vol. 20, no. 5, pages 703 - 711 * |
谭秋焰等: "基于优化FGFCM方法的滑坡遥感影像自动提取", 《西南科技大学学报》, vol. 38, no. 1, pages 54 - 60 * |
Also Published As
Publication number | Publication date |
---|---|
CN116188497B (zh) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111369666A (zh) | 一种基于多台rgbd相机的动态目标重建方法和装置 | |
CN110473221B (zh) | 一种目标物体自动扫描系统及方法 | |
EP2686827A1 (en) | 3d streets | |
Zhao et al. | Geometric-constrained multi-view image matching method based on semi-global optimization | |
CN109640066B (zh) | 高精度稠密深度图像的生成方法和装置 | |
CN113494893B (zh) | 一种三维激光扫描系统的标定方法、装置和计算机设备 | |
CN111340922A (zh) | 定位与地图构建的方法和电子设备 | |
CN115375842A (zh) | 一种植株三维重建方法、终端及存储介质 | |
CN114219855A (zh) | 点云法向量的估计方法、装置、计算机设备和存储介质 | |
CN115222889A (zh) | 基于多视图图像的3d重建方法、装置及相关设备 | |
CN115222884A (zh) | 一种基于人工智能的空间对象分析及建模优化方法 | |
CN114332134A (zh) | 一种基于密集点云的建筑物立面提取方法和装置 | |
Ebrahimikia et al. | True orthophoto generation based on unmanned aerial vehicle images using reconstructed edge points | |
CN113570725A (zh) | 基于聚类的三维表面重建方法、装置、服务器及存储介质 | |
CN110533663B (zh) | 一种图像视差确定方法、装置、设备及系统 | |
CN117274605A (zh) | 一种从无人机拍摄的照片中提取水域轮廓的方法及装置 | |
CN110942102B (zh) | 一种概率松弛核线匹配方法及系统 | |
CN116051980B (zh) | 基于倾斜摄影的建筑识别方法、系统、电子设备及介质 | |
CN116188497B (zh) | 立体遥感影像对生成dsm优化方法、装置、设备及存储介质 | |
CN115345897A (zh) | 三维重建的深度图优化方法及装置 | |
CN114387318A (zh) | 遥感影像自动配准方法、装置、电子设备及存储介质 | |
CN111985535A (zh) | 一种通过神经网络优化人体深度图的方法及其装置 | |
CN117173364B (zh) | 基于建筑立体绘图的切片出图方法及系统 | |
CN117315210B (zh) | 一种基于立体成像的图像虚化方法及相关装置 | |
Wu et al. | Building Facade Reconstruction Using Crowd-Sourced Photos and Two-Dimensional Maps |
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 |