CN116229297B - 一种测绘数据处理方法、系统、介质及计算机 - Google Patents
一种测绘数据处理方法、系统、介质及计算机 Download PDFInfo
- Publication number
- CN116229297B CN116229297B CN202310222116.9A CN202310222116A CN116229297B CN 116229297 B CN116229297 B CN 116229297B CN 202310222116 A CN202310222116 A CN 202310222116A CN 116229297 B CN116229297 B CN 116229297B
- Authority
- CN
- China
- Prior art keywords
- cutting
- image
- mapping
- feature
- images
- 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.)
- Active
Links
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/16—Image acquisition using multiple overlapping images; Image stitching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种测绘数据处理方法、系统、介质及计算机,通过对无人机拍摄的照片数据进行裁切,并且利用深度学习模型对裁切出来的照片进行特征比对,通过将裁切图片转化为特征向量,能够准确地将图片中的相同部分进行匹配,进而使两个区域测绘照片能够准确地拼接在一起,解决了现有的通过寻找角点拼接照片的方法中存在的照片拼接不够准确、难以对重复性大、特征点少的照片进行拼接,容易存在错位拼接的问题。
Description
技术领域
本发明涉及遥控测绘技术领域,更具体地说,它涉及一种测绘数据处理方法、系统、介质及计算机。
背景技术
无人机航测是传统航空摄影测量手段的有力补充,具有机动灵活、高效快速、精细准确、作业成本低、适用范围广、生产周期短等特点,在小区域和飞行困难地区高分辨率影像快速获取方面具有明显优势,随着无人机与数码相机技术的发展,基于无人机平台的数字航摄技术已显示出其独特的优势,无人机与航空摄影测量相结合使得“无人机数字低空遥感”成为航空遥感领域的一个崭新发展方向,无人机航拍可广泛应用于国家重大工程建设、灾害应急与处理、国土监察、资源开发、新农村和小城镇建设等方面,尤其在基础测绘、土地资源调查监测、土地利用动态监测、数字城市建设和应急救灾测绘数据获取等方面具有广阔前景。
由于无人机的拍摄范围是有限的,使用过大的广角相机,会造成图像边缘畸变严重,为了拍摄大范围提高高度,又会影响照片的拍摄质量,因此需要控制无人机沿着预定路线拍摄多张局部照片,然后将局部照片拼接起来形成完整的测绘区照片。
对于现有的图像拼接处理技术,通常使用角点拼接法,也就是在两张图片上寻找特征相近的角点,然后根据两张图片的角点的坐标信息,进行旋转、放缩和裁切,以达到相互适应的目的来完成拼接,但是对于一些特殊的区域照片来说,例如草坪、森林或者田垄等,在拼接过程中及时寻找到对应的角点,也容易在拼接的位置处形成错位拼接,影响最终的图像拼接质量。
发明内容
针对现有技术存在的不足,本发明的目的在于提供一种测绘数据处理方法、系统、介质及计算机,以克服现有的图像拼接过程中存在的拼接重复性较强的照片容易错位的问题。
本发明的上述技术目的是通过以下技术方案得以实现的:一种测绘数据处理方法,包括:
S1、获取第一测绘照片以及第二测绘照片,所述第一测绘照片和第二测绘照片中均包含至少一相同的像控点;
S2、将所述第一测绘照片输入到预先训练好的目标检测神经网络模型中,对应得到所述第一测绘照片上的像控点的坐标,记作第一坐标;
S3、以所述第一坐标为中心,在第一测绘照片上裁切出预定尺寸的图片,记作第一裁切图;
S4、根据所述第一裁切图的尺寸,将所述第二测绘照片裁切为若干第二裁切图;若干所述第二裁切图的尺寸与第一裁切图的尺寸相同;
S5、将所述第一裁切图和若干第二裁切图分别送入预先训练好的特征提取网络中,对应生成第一特征向量和若干第二特征向量;
S6、将所述第一特征向量与若干第二特征向量一一对应计算向量相似度,并筛选出最大的相似度对应的第二裁切图;
S7、将第一裁切图与第二裁切图相互重叠,并根据所述第一裁切图和第二裁切图的位置,将第一测绘图和第二测绘图相互拼接,得到拼接测绘图。
可选的,所述步骤S5包括:
S51、对所述第一裁切图进行五次分辨率调整,生成五张不同分辨率的第一子裁切图;逐一对每一张第二裁切图均进行五次分辨率调整,得到对应的第二子裁切图组,每一个第二子裁切图组中均包含有五个不同分辨率的第二子裁切图;
S52、对五张第一子裁切图分别进行LBP特征提取,对应得到五个第一特征图;逐一对每一个第二子才切图组中的五张第二子裁切图进行LBP特征提取,对应得到第二特征图组,每一个第二特征图组中均包含有五个第二特征图;
S53、将五个第一子裁切图及五个第一特征图进行拼接,生成对应的10通道的第一图像数据矩阵;将若干第二子裁切图组与对应的第二特征图组进行拼接,对应得到若干10通道的第二图像数据矩阵;
S54、将所述第一图像数据矩阵送入预先训练好的特征提取网络,对应生成第一特征向量;将若干所述第二图像数据矩阵输入到预先训练好的特征提取网络,对应生成若干第二特征向量。
可选的,在将所述第一裁切图和若干第二裁切图分别送入预先训练好的特征提取网络之前,还包括:S50:对所述第一裁切图以及若干第二裁切图分别进行去色处理,对应生成第一灰度图以及若干第二灰度图,对所述第一灰度图以及若干灰度图分别进行亮度调整,对应得到第一均衡图以及若干第二均衡图。
可选的,所述步骤S54,包括:
S541、将所述第一图像数据矩阵送入预先训练好的特征提取网络,生成对应的第一三维特征图;将若干所述第二图像数据矩阵逐一输入到预先训练好的特征提取网络,对应生成若干第二三维特征图;
S542、将所述三维特征图输入第一降维卷积核,生成对应的第一二维特征图;将若干所述第二三维特征图输入第一降维卷积核,生成对应的第二二维特征图;
S543、将所述第一二维特征图输入第二降维卷积核,生成第一裁切图对应的第一特征向量;将若干所述第二二维特征图输入第二降维卷积核,对应生成若干与若干第二裁切图一一对应的第二特征向量。
可选的,在所述步骤S51中,对裁切图使用图像金字塔或者openCVresize函数进行尺寸调整,对应获得子裁切图;五个不同分辨率的子裁切图的分辨率分别为:1024*1024、512*512、256*256、128*128以及64*64。
可选的,还包括:S8、对所述拼接测绘图进行后处理,所述后处理包括:
S81、确定所述拼接测绘图上的拼接区域,并分别确定所述第一测绘照片上对应的第一拼接区域以及第二测绘照片上对应的第二拼接区域;
S82、分别提取所述第一拼接区域中的第一像素点亮度值g(x,y)以及第二拼接区域中的第二像素点亮度值f(x,y);
S83、计算对应的第一像素点亮度值与第二像素点亮度值之间的亮度差值:v(x,y)=g(x,y)-f(x,y);
S84、获取所述拼接区域的宽度值X,并根据所述宽度值X以及亮度差值v(x,y),进行加权平均处理,生成加权平均亮度;
S85、将所述第一像素点亮度值g(x,y)均与所述加权平均亮度相加,作为所述预拼接图片上的拼接区域,生成拼接部位过渡平滑的拼接图片。
一种测绘数据处理系统,包括:照片拍摄模块:用于获取第一测绘照片以及第二测绘照片;
坐标检测模块:用于获取第一测绘照片上的像控点的坐标;
照片裁切模块:用于在第一测绘照片上裁切出预定尺寸的图片,记作第一裁切图,还用于根据所述第一裁切图的尺寸,将所述第二测绘照片裁切为若干第二裁切图;
特征向量计算模块:用于根据裁切图对应计算特征向量;
特征向量对比模块:用于将所述第一特征向量与若干第二特征向量一一对应计算向量相似度,并筛选出最大的相似度对应的第二裁切图。
可选的,一种测绘数据处理系统还包括:
分辨率调整模块:用于调整裁切图的分辨率,对应得到不同分辨率的子裁切图;
图像去色模块:用于对裁切图进行去色处理,对应生成灰度图;
图像亮度调整模块:用于对拼接测绘图进行后处理,生成拼接部位过渡平滑的对拼接测绘图。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述的方法的步骤。
一种计算机可读存储介质,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上述的方法的步骤。
综上所述,本发明具有以下有益效果:通过对无人机拍摄的照片数据进行裁切,并且利用深度学习模型对裁切出来的照片进行特征比对,通过将裁切图片转化为特征向量,能够准确地将图片中的相同部分进行匹配,进而使两个区域测绘照片能够准确地拼接在一起,解决了现有的通过寻找角点拼接照片的方法中存在的照片拼接不够准确、难以对重复性大、特征点少的照片进行拼接,容易存在错位拼接的问题。
附图说明
图1为本发明的一种测绘数据处理方法流程图;
图2为本发明的一种测绘数据处理系统结构图;
图3为本发明实施例中计算机设备的内部结构图。
图中:1、照片拍摄模块;2、坐标检测模块;3、照片裁切模块;4、特征向量计算模块;5、特征向量对比模块;6、分辨率调整模块;7、图像去色模块;8、图像亮度调整模块。
具体实施方式
为使本发明的目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。附图中给出了本发明的若干实施例。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施例。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,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,可以根据具体情况理解上述术语在本发明中的具体含义。术语“第一”、“第二”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”的特征可以明示或者隐含地包括一个或者更多个该特征。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触,也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且,第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方,或仅仅表示第一特征水平高度小于第二特征。术语“垂直的”、“水平的”、“左”、“右”、“上”、“下”以及类似的表述只是为了说明的目的,而不是指示或暗示所指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。
下面结合附图和实施例,对本发明进行详细描述。
本发明提供了一种测绘数据处理方法,如图1所示,包括:
S1、获取第一测绘照片以及第二测绘照片,所述第一测绘照片和第二测绘照片中均包含至少一相同的像控点;
S2、将所述第一测绘照片输入到预先训练好的目标检测神经网络模型中,对应得到所述第一测绘照片上的像控点的坐标,记作第一坐标;
S3、以所述第一坐标为中心,在第一测绘照片上裁切出预定尺寸的图片,记作第一裁切图;
S4、根据所述第一裁切图的尺寸,将所述第二测绘照片裁切为若干第二裁切图;若干所述第二裁切图的尺寸与第一裁切图的尺寸相同;
S5、将所述第一裁切图和若干第二裁切图分别送入预先训练好的特征提取网络中,对应生成第一特征向量和若干第二特征向量;
S6、将所述第一特征向量与若干第二特征向量一一对应计算向量相似度,并筛选出最大的相似度对应的第二裁切图;
S7、将第一裁切图与第二裁切图相互重叠,并根据所述第一裁切图和第二裁切图的位置,将第一测绘图和第二测绘图相互拼接,得到拼接测绘图。
在实际应用中,无人机所拍摄到的照片通常都是局部区域照片,因此需要将这些局部照片对应拼接起来形成全景照片,对于一些不方便寻找角点的照片来说,首先需要在带拼接的照片上寻找到一个像控点,这个像控点可以是比较明确的,也可以是不明确的,但是必须处于两个照片上都有的重叠部分。将像控点的坐标记下,并以像控点为中心,裁切出来一个小尺寸的第一裁切图,通常来说,裁切图的长宽比例与测绘照片的长宽比例是相同的,这样才能够保证在对第二测绘照片进行裁切的过程中,能够遍历到第二照片的所有位置,还需要保证第一裁切照片完全位于两个照片的重叠的区域。
在对第二测绘照片进行裁切的过程中,可以依照一定的步进进行裁切,举例来说,原始照片的分辨率为20*20,裁切照片的分辨率为5*5,那么从第二测绘照片的左上角开始,在横竖两个方向分别以1个像素为步进进行裁切,那么第二测绘照片在水平方向上有20-5+1=16步,也就是会裁切出16个裁切图,同样的竖直方向上也会裁切出16个裁切图,这样就会有16*16=256个第二裁切图。以上只是针对裁切手段进行距离,实际裁切的尺寸和方式可以根据具体情形进行选择。
在裁切完成后,只需要将第一裁切图和第二裁切图一一比对,就能够寻找到与第一裁切图最为近似的第二裁切图,然后将第一裁切图与第二裁切图相互对齐,并以此为中心,即可确定第一测绘照片与第二测绘照片之间的拼接关系。
比对过程中,具体来说,相似度的比对生成采用余弦相似度比对方法,计算第一特征向量和若干第二特征向量之间的夹角的余弦值,其中余弦值的取值为-1~+1,当特征向量之间的夹角越小,说明特征向量越接近,也就是特征向量对应的特征越接近,当两个特征向量完全重合,也就是特征向量之间的夹角为0°的情况下,两个特征向量之间的夹角的余弦值为1。
通过寻找与第一裁切图最相似的第二裁切图,并且确定第二裁切图所在位置,即可将第一测绘照片和第二测绘照片相互拼接形成完整的测绘照片,同样的,本领域技术人员可知的,两个照片相互拼接的方法,也可以延伸到多个照片相互拼接,因此在本申请中不在重复阐述。
进一步地,所述步骤S5包括:
S51、对所述第一裁切图进行五次分辨率调整,生成五张不同分辨率的第一子裁切图;逐一对每一张第二裁切图均进行五次分辨率调整,得到对应的第二子裁切图组,每一个第二子裁切图组中均包含有五个不同分辨率的第二子裁切图;
S52、对五张第一子裁切图分别进行LBP特征提取,对应得到五个第一特征图;逐一对每一个第二子才切图组中的五张第二子裁切图进行LBP特征提取,对应得到第二特征图组,每一个第二特征图组中均包含有五个第二特征图;
S53、将五个第一子裁切图及五个第一特征图进行拼接,生成对应的10通道的第一图像数据矩阵;将若干第二子裁切图组与对应的第二特征图组进行拼接,对应得到若干10通道的第二图像数据矩阵;
S54、将所述第一图像数据矩阵送入预先训练好的特征提取网络,对应生成第一特征向量;将若干所述第二图像数据矩阵输入到预先训练好的特征提取网络,对应生成若干第二特征向量。
在实际应用中,对裁切图进行分辨率调整,可以采用裁剪的方式,也可以使用图像金字塔的方式降低分辨率,或者使用OpenCV.resize函数,调整裁切图的尺寸,通过降低图的尺寸,可以提高对图中的小尺寸特征的检测精度,而且根据神经网络的特性,当不同分辨率的图输入到神经网络中可以得到不同的输出,综合上述输出可以得到更为精确的检测结果。10通道图像数据矩阵就是将5张1通道的均衡效果图和五张特征图在通道维度进行拼接形成10通道的数据矩阵;
进一步的,在将所述第一裁切图和若干第二裁切图分别送入预先训练好的特征提取网络之前,还包括:S50:对所述第一裁切图以及若干第二裁切图分别进行去色处理,对应生成第一灰度图以及若干第二灰度图,对所述第一灰度图以及若干灰度图分别进行亮度调整,对应得到第一均衡图以及若干第二均衡图。
具体来说,灰度图为单通道图,可以降低计算机的计算量,且对于物体特征的识别,最关键的因素是梯度(现在很多的特征提取HOG,LBP,SIFT等等本质都是梯度的统计信息),梯度意味着边缘,这是最本质的部分,而计算梯度,最好用的图就是灰度图,颜色本身,非常容易受到光照等因素的影响,同类的物体颜色有很多变化,所以颜色本身难以提供关键信息,灰度化就是将图降维,这样就能大大降低计算量,对于设备的计算能力和识别速度的需求是取舍的一个关键点,对于一些简单的测绘照片,甚至可以使用黑白图;由于环境因素的变化,如环境光照的变化、无人机摆放角度的调节等,都会导致无人机拍摄的测绘照片明暗因素发生变化,因此为了保证测绘照片的亮度保持一致,灰度图使用OpenCV.equalizeHist函数(直方图均衡化)进行处理,得到均衡效果图,使用该方法可以提高所述图的全局对比度,以使该图中的特征数据特征更加明显,同时,该函数也对图的亮度做了归一化处理,让该图的亮度与数据库中的其他图的亮度保持一致,避免由于图的明暗变化导致识别结果的存在差异。
进一步的,所述步骤S54,包括:
S541、将所述第一图像数据矩阵送入预先训练好的特征提取网络,生成对应的第一三维特征图;将若干所述第二图像数据矩阵逐一输入到预先训练好的特征提取网络,对应生成若干第二三维特征图;
S542、将所述三维特征图输入第一降维卷积核,生成对应的第一二维特征图;将若干所述第二三维特征图输入第一降维卷积核,生成对应的第二二维特征图;
S543、将所述第一二维特征图输入第二降维卷积核,生成第一裁切图对应的第一特征向量;将若干所述第二二维特征图输入第二降维卷积核,对应生成若干与若干第二裁切图一一对应的第二特征向量。
在实际应用中,其中特征提取网络采用Swin transformer模型,以生成三维特征图;将所述三维特征图输入第一降维卷积核,以生成二维特征图;将所述二维特征图输入第二降维卷积核,生成裁切图对应的比对特征向量;swin-transformer模型可以更好的提取纹理特征,保证更高的匹配度,transformer的结构是由encoder和decoder组成,通过多头注意力机制可以更好的结合测绘环境特征信息,生成更能代表环境特征的512维向量,大幅提高匹配率提高模型的匹配准确率。
进一步地,在所述步骤S51中,对裁切图使用图像金字塔或者openCVresize函数进行尺寸调整,对应获得子裁切图;五个不同分辨率的子裁切图的分辨率分别为:1024*1024、512*512、256*256、128*128以及64*64。
进一步地,还包括:S8、对所述拼接测绘图进行后处理,所述后处理包括:
S81、确定所述拼接测绘图上的拼接区域,并分别确定所述第一测绘照片上对应的第一拼接区域以及第二测绘照片上对应的第二拼接区域;
S82、分别提取所述第一拼接区域中的第一像素点亮度值g(x,y)以及第二拼接区域中的第二像素点亮度值f(x,y);
S83、计算对应的第一像素点亮度值与第二像素点亮度值之间的亮度差值:v(x,y)=g(x,y)-f(x,y);
S84、获取所述拼接区域的宽度值X,并根据所述宽度值X以及亮度差值v(x,y),进行加权平均处理,生成加权平均亮度;
S85、将所述第一像素点亮度值g(x,y)均与所述加权平均亮度相加,作为所述预拼接图片上的拼接区域,生成拼接部位过渡平滑的拼接图片。
在实际应用中,以第一照片为基础,将拼接部分的光照明亮程度进行调整,能够使测绘照片的拼接部分的亮度变化更加均匀平滑,避免在拼接的照片上体现出拼接感,增强拼接照片的表现力。
如图2所示,本发明还提供了一种测绘数据处理系统包括:
照片拍摄模块:用于获取第一测绘照片以及第二测绘照片;
坐标检测模块:用于获取第一测绘照片上的像控点的坐标;
照片裁切模块:用于在第一测绘照片上裁切出预定尺寸的图片,记作第一裁切图,还用于根据所述第一裁切图的尺寸,将所述第二测绘照片裁切为若干第二裁切图;
特征向量计算模块:用于根据裁切图对应计算特征向量;
特征向量对比模块:用于将所述第一特征向量与若干第二特征向量一一对应计算向量相似度,并筛选出最大的相似度对应的第二裁切图。
进一步的,还包括:
分辨率调整模块:用于调整裁切图的分辨率,对应得到不同分辨率的子裁切图;
图像去色模块:用于对裁切图进行去色处理,对应生成灰度图;
图像亮度调整模块:用于对拼接测绘图进行后处理,生成拼接部位过渡平滑的对拼接测绘图。
关于一种测绘数据处理系统的具体限定可以参见上文中对于一种测绘数据处理方法的限定,在此不再赘述。上述一种测绘数据处理系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机程序被处理器执行时以实现一种测绘数据处理方法。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:包括:
S1、获取第一测绘照片以及第二测绘照片,所述第一测绘照片和第二测绘照片中均包含至少一相同的像控点;
S2、将所述第一测绘照片输入到预先训练好的目标检测神经网络模型中,对应得到所述第一测绘照片上的像控点的坐标,记作第一坐标;
S3、以所述第一坐标为中心,在第一测绘照片上裁切出预定尺寸的图片,记作第一裁切图;
S4、根据所述第一裁切图的尺寸,将所述第二测绘照片裁切为若干第二裁切图;若干所述第二裁切图的尺寸与第一裁切图的尺寸相同;
S5、将所述第一裁切图和若干第二裁切图分别送入预先训练好的特征提取网络中,对应生成第一特征向量和若干第二特征向量;
S6、将所述第一特征向量与若干第二特征向量一一对应计算向量相似度,并筛选出最大的相似度对应的第二裁切图;
S7、将第一裁切图与第二裁切图相互重叠,并根据所述第一裁切图和第二裁切图的位置,将第一测绘图和第二测绘图相互拼接,得到拼接测绘图。
在一个实施例中,所述步骤S5包括:
S51、对所述第一裁切图进行五次分辨率调整,生成五张不同分辨率的第一子裁切图;逐一对每一张第二裁切图均进行五次分辨率调整,得到对应的第二子裁切图组,每一个第二子裁切图组中均包含有五个不同分辨率的第二子裁切图;
S52、对五张第一子裁切图分别进行LBP特征提取,对应得到五个第一特征图;逐一对每一个第二子才切图组中的五张第二子裁切图进行LBP特征提取,对应得到第二特征图组,每一个第二特征图组中均包含有五个第二特征图;
S53、将五个第一子裁切图及五个第一特征图进行拼接,生成对应的10通道的第一图像数据矩阵;将若干第二子裁切图组与对应的第二特征图组进行拼接,对应得到若干10通道的第二图像数据矩阵;
S54、将所述第一图像数据矩阵送入预先训练好的特征提取网络,对应生成第一特征向量;将若干所述第二图像数据矩阵输入到预先训练好的特征提取网络,对应生成若干第二特征向量。
在一个实施例中,在将所述第一裁切图和若干第二裁切图分别送入预先训练好的特征提取网络之前,还包括:
S50:对所述第一裁切图以及若干第二裁切图分别进行去色处理,对应生成第一灰度图以及若干第二灰度图,对所述第一灰度图以及若干灰度图分别进行亮度调整,对应得到第一均衡图以及若干第二均衡图。
在一个实施例中,所述步骤S54,包括:
S541、将所述第一图像数据矩阵送入预先训练好的特征提取网络,生成对应的第一三维特征图;将若干所述第二图像数据矩阵逐一输入到预先训练好的特征提取网络,对应生成若干第二三维特征图;
S542、将所述三维特征图输入第一降维卷积核,生成对应的第一二维特征图;将若干所述第二三维特征图输入第一降维卷积核,生成对应的第二二维特征图;
S543、将所述第一二维特征图输入第二降维卷积核,生成第一裁切图对应的第一特征向量;将若干所述第二二维特征图输入第二降维卷积核,对应生成若干与若干第二裁切图一一对应的第二特征向量。
在一个实施例中,在所述步骤S51中,对裁切图使用图像金字塔或者openCVresize函数进行尺寸调整,对应获得子裁切图;五个不同分辨率的子裁切图的分辨率分别为:1024*1024、512*512、256*256、128*128以及64*64。
在一个实施例中,还包括:S8、对所述拼接测绘图进行后处理,所述后处理包括:
S81、确定所述拼接测绘图上的拼接区域,并分别确定所述第一测绘照片上对应的第一拼接区域以及第二测绘照片上对应的第二拼接区域;
S82、分别提取所述第一拼接区域中的第一像素点亮度值g(x,y)以及第二拼接区域中的第二像素点亮度值f(x,y);
S83、计算对应的第一像素点亮度值与第二像素点亮度值之间的亮度差值:v(x,y)=g(x,y)-f(x,y);
S84、获取所述拼接区域的宽度值X,并根据所述宽度值X以及亮度差值v(x,y),进行加权平均处理,生成加权平均亮度;
S85、将所述第一像素点亮度值g(x,y)均与所述加权平均亮度相加,作为所述预拼接图片上的拼接区域,生成拼接部位过渡平滑的拼接图片。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种测绘数据处理方法,其特征在于,包括:
S1、获取第一测绘照片以及第二测绘照片,所述第一测绘照片和第二测绘照片中均包含至少一相同的像控点;
S2、将所述第一测绘照片输入到预先训练好的目标检测神经网络模型中,对应得到所述第一测绘照片上的像控点的坐标,记作第一坐标;
S3、以所述第一坐标为中心,在第一测绘照片上裁切出预定尺寸的图片,记作第一裁切图;
S4、根据所述第一裁切图的尺寸,将所述第二测绘照片裁切为若干第二裁切图;若干所述第二裁切图的尺寸与第一裁切图的尺寸相同;
S5、将所述第一裁切图和若干第二裁切图分别送入预先训练好的特征提取网络中,对应生成第一特征向量和若干第二特征向量;
所述步骤S5包括:
S51、对所述第一裁切图进行五次分辨率调整,生成五张不同分辨率的第一子裁切图;逐一对每一张第二裁切图均进行五次分辨率调整,得到对应的第二子裁切图组,每一个第二子裁切图组中均包含有五个不同分辨率的第二子裁切图;
S52、对五张第一子裁切图分别进行LBP特征提取,对应得到五个第一特征图;逐一对每一个第二子才切图组中的五张第二子裁切图进行LBP特征提取,对应得到第二特征图组,每一个第二特征图组中均包含有五个第二特征图;
S53、将五个第一子裁切图及五个第一特征图进行拼接,生成对应的10通道的第一图像数据矩阵;将若干第二子裁切图组与对应的第二特征图组进行拼接,对应得到若干10通道的第二图像数据矩阵;
S54、将所述第一图像数据矩阵送入预先训练好的特征提取网络,对应生成第一特征向量;将若干所述第二图像数据矩阵输入到预先训练好的特征提取网络,对应生成若干第二特征向量;
S6、将所述第一特征向量与若干第二特征向量一一对应计算向量相似度,并筛选出最大的相似度对应的第二裁切图;
S7、将第一裁切图与第二裁切图相互重叠,并根据所述第一裁切图和第二裁切图的位置,将第一测绘图和第二测绘图相互拼接,得到拼接测绘图。
2.根据权利要求1所述的一种测绘数据处理方法,其特征在于,在将所述第一裁切图和若干第二裁切图分别送入预先训练好的特征提取网络之前,还包括:
S50:对所述第一裁切图以及若干第二裁切图分别进行去色处理,对应生成第一灰度图以及若干第二灰度图,对所述第一灰度图以及若干灰度图分别进行亮度调整,对应得到第一均衡图以及若干第二均衡图。
3.根据权利要求2所述的一种测绘数据处理方法,其特征在于,所述步骤S54,包括:
S541、将所述第一图像数据矩阵送入预先训练好的特征提取网络,生成对应的第一三维特征图;将若干所述第二图像数据矩阵逐一输入到预先训练好的特征提取网络,对应生成若干第二三维特征图;
S542、将所述三维特征图输入第一降维卷积核,生成对应的第一二维特征图;将若干所述第二三维特征图输入第一降维卷积核,生成对应的第二二维特征图;
S543、将所述第一二维特征图输入第二降维卷积核,生成第一裁切图对应的第一特征向量;将若干所述第二二维特征图输入第二降维卷积核,对应生成若干与若干第二裁切图一一对应的第二特征向量。
4.根据权利要求1所述的一种测绘数据处理方法,其特征在于,在所述步骤S51中,对裁切图使用图像金字塔或者openCVresize函数进行尺寸调整,对应获得子裁切图;五个不同分辨率的子裁切图的分辨率分别为:1024*1024、512*512、256*256、128*128以及64*64。
5.根据权利要求1所述的一种测绘数据处理方法,其特征在于,还包括:S8、对所述拼接测绘图进行后处理,所述后处理包括:
S81、确定所述拼接测绘图上的拼接区域,并分别确定所述第一测绘照片上对应的第一拼接区域以及第二测绘照片上对应的第二拼接区域;
S82、分别提取所述第一拼接区域中的第一像素点亮度值g(x,y)以及第二拼接区域中的第二像素点亮度值f(x,y);
S83、计算对应的第一像素点亮度值与第二像素点亮度值之间的亮度差值:v(x,y)=g(x,y)-f(x,y);
S84、获取所述拼接区域的宽度值X,并根据所述宽度值X以及亮度差值v(x,y),进行加权平均处理,生成加权平均亮度;
S85、将所述第一像素点亮度值g(x,y)均与所述加权平均亮度相加,作为所述预拼接图片上的拼接区域,生成拼接部位过渡平滑的拼接图片。
6.一种测绘数据处理系统,其特征在于,包括:
照片拍摄模块:用于获取第一测绘照片以及第二测绘照片;
坐标检测模块:用于获取第一测绘照片上的像控点的坐标;
照片裁切模块:用于在第一测绘照片上裁切出预定尺寸的图片,记作第一裁切图,还用于根据所述第一裁切图的尺寸,将所述第二测绘照片裁切为若干第二裁切图;
特征向量计算模块:用于根据裁切图对应计算特征向量;所述根据裁切图对应计算特征向量,包括:
S51、对所述第一裁切图进行五次分辨率调整,生成五张不同分辨率的第一子裁切图;逐一对每一张第二裁切图均进行五次分辨率调整,得到对应的第二子裁切图组,每一个第二子裁切图组中均包含有五个不同分辨率的第二子裁切图;
S52、对五张第一子裁切图分别进行LBP特征提取,对应得到五个第一特征图;逐一对每一个第二子才切图组中的五张第二子裁切图进行LBP特征提取,对应得到第二特征图组,每一个第二特征图组中均包含有五个第二特征图;
S53、将五个第一子裁切图及五个第一特征图进行拼接,生成对应的10通道的第一图像数据矩阵;将若干第二子裁切图组与对应的第二特征图组进行拼接,对应得到若干10通道的第二图像数据矩阵;
S54、将所述第一图像数据矩阵送入预先训练好的特征提取网络,对应生成第一特征向量;将若干所述第二图像数据矩阵输入到预先训练好的特征提取网络,对应生成若干第二特征向量;
特征向量对比模块:用于将所述第一特征向量与若干第二特征向量一一对应计算向量相似度,并筛选出最大的相似度对应的第二裁切图。
7.根据权利要求6所述的一种测绘数据处理系统,其特征在于,还包括:
分辨率调整模块:用于调整裁切图的分辨率,对应得到不同分辨率的子裁切图;
图像去色模块:用于对裁切图进行去色处理,对应生成灰度图;
图像亮度调整模块:用于对拼接测绘图进行后处理,生成拼接部位过渡平滑的对拼接测绘图。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法的步骤。
9.一种计算机可读存储介质,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权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310222116.9A CN116229297B (zh) | 2023-03-09 | 2023-03-09 | 一种测绘数据处理方法、系统、介质及计算机 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310222116.9A CN116229297B (zh) | 2023-03-09 | 2023-03-09 | 一种测绘数据处理方法、系统、介质及计算机 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116229297A CN116229297A (zh) | 2023-06-06 |
CN116229297B true CN116229297B (zh) | 2023-10-13 |
Family
ID=86582190
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310222116.9A Active CN116229297B (zh) | 2023-03-09 | 2023-03-09 | 一种测绘数据处理方法、系统、介质及计算机 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116229297B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830788A (zh) * | 2018-04-25 | 2018-11-16 | 安徽师范大学 | 一种组织切片显微图像的平面拼接合成方法 |
CN113744133A (zh) * | 2021-09-13 | 2021-12-03 | 烟台艾睿光电科技有限公司 | 一种图像拼接方法、装置、设备及计算机可读存储介质 |
-
2023
- 2023-03-09 CN CN202310222116.9A patent/CN116229297B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830788A (zh) * | 2018-04-25 | 2018-11-16 | 安徽师范大学 | 一种组织切片显微图像的平面拼接合成方法 |
CN113744133A (zh) * | 2021-09-13 | 2021-12-03 | 烟台艾睿光电科技有限公司 | 一种图像拼接方法、装置、设备及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116229297A (zh) | 2023-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110414507B (zh) | 车牌识别方法、装置、计算机设备和存储介质 | |
CN111523414B (zh) | 人脸识别方法、装置、计算机设备和存储介质 | |
CN111460968B (zh) | 基于视频的无人机识别与跟踪方法及装置 | |
CN111754394B (zh) | 鱼眼图像中的对象检测方法、装置及存储介质 | |
CN111815707A (zh) | 点云确定方法、点云筛选方法、装置、计算机设备 | |
US20220383525A1 (en) | Method for depth estimation for a variable focus camera | |
US20230144678A1 (en) | Topographic environment detection method and system based on binocular stereo camera, and intelligent terminal | |
CN112712066B (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
CN113780116A (zh) | 发票分类方法、装置、计算机设备和存储介质 | |
CN116229297B (zh) | 一种测绘数据处理方法、系统、介质及计算机 | |
CN111582013A (zh) | 一种基于灰度共生矩阵特征船只检索方法及装置 | |
CN116246119A (zh) | 3d目标检测方法、电子设备及存储介质 | |
CN115376018A (zh) | 建筑物高度及占地面积计算方法、装置、设备及存储介质 | |
CN113033578B (zh) | 基于多尺度特征匹配的图像校准方法、系统、终端及介质 | |
CN116128919A (zh) | 基于极线约束的多时相图像异动目标检测方法及系统 | |
CN112699809B (zh) | 痘痘类别识别方法、装置、计算机设备及存储介质 | |
CN114238541A (zh) | 敏感目标信息获取方法、装置和计算机设备 | |
CN114092850A (zh) | 重识别方法、装置、计算机设备和存储介质 | |
CN117201708B (zh) | 带有位置信息的无人机视频拼接方法、装置、设备及介质 | |
CN117934518B (zh) | 用于海洋国土空间详细规划的遥感图像分割方法及系统 | |
CN112149505B (zh) | 基于图像的无人机自主地面污染物定位方法及系统 | |
CN117437289B (zh) | 一种基于多源传感器的空间计算方法及相关设备 | |
CN117560566A (zh) | 一种在航船舶水尺放大增强抓拍方法 | |
CN117934518A (zh) | 用于海洋国土空间详细规划的遥感图像分割方法及系统 | |
CN116878467A (zh) | 岸线测绘方法、装置、电子设备及存储介质 |
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 |