CN116645485B - 一种基于无人机倾斜摄影的古建筑模型构建方法 - Google Patents

一种基于无人机倾斜摄影的古建筑模型构建方法 Download PDF

Info

Publication number
CN116645485B
CN116645485B CN202310645561.6A CN202310645561A CN116645485B CN 116645485 B CN116645485 B CN 116645485B CN 202310645561 A CN202310645561 A CN 202310645561A CN 116645485 B CN116645485 B CN 116645485B
Authority
CN
China
Prior art keywords
suspicious
region
reflectivity
area
information
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
Application number
CN202310645561.6A
Other languages
English (en)
Other versions
CN116645485A (zh
Inventor
李响
黄永亮
夏亮
齐浩
阳洋
何康
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CCCC First Highway Engineering Co Ltd
No 2 Engineering Co Ltd of CCCC First Highway Engineering Co Ltd
Original Assignee
CCCC First Highway Engineering Co Ltd
No 2 Engineering Co Ltd of CCCC First Highway Engineering Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by CCCC First Highway Engineering Co Ltd, No 2 Engineering Co Ltd of CCCC First Highway Engineering Co Ltd filed Critical CCCC First Highway Engineering Co Ltd
Priority to CN202310645561.6A priority Critical patent/CN116645485B/zh
Publication of CN116645485A publication Critical patent/CN116645485A/zh
Application granted granted Critical
Publication of CN116645485B publication Critical patent/CN116645485B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/04—Texture mapping
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
    • 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
    • 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
    • G06V10/757—Matching configurations of points or features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/04—Architectural design, interior design
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Computer Graphics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Architecture (AREA)
  • Remote Sensing (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)

Abstract

本申请提供一种基于无人机倾斜摄影的古建筑模型构建方法，包括：获取目标区域的倾斜摄影数据、高精度摄影数据和点云数据；基于倾斜摄影数据和点云数据，进行影像匹配，得到目标区域的DSM；基于高精度摄影数据，对DSM进行色彩映射和纹理映射，得到目标区域的初步建筑模型；对初步建筑模型进行可疑区域检测，确定出初步建筑模型中的可疑区域，其中，可疑区域包括疑似存在破损的一类可疑区域和疑似存在色彩异常的二类可疑区域；获取每个可疑区域的补充摄影数据，并针对每个可疑区域，利用可疑区域的补充摄影数据对此可疑区域进行二次映射，最终得到目标区域对应的古建筑模型。

Description

一种基于无人机倾斜摄影的古建筑模型构建方法
技术领域
本申请涉及三维建模技术领域，具体而言，涉及一种基于无人机倾斜摄影的古建筑模型构建方法。
背景技术
古建筑包含着时代的变迁以及过去的文明,因此对于现代的人来说,需要保护好古建筑,将这些文明继续传承下去。但是随着时间的流逝,这些古建筑难免会受到一定的损坏,因此对于古建筑的修缮是当前一项较为重要的工程。古建筑的修缮效果需要与当地文化的契合度上有较高要求，既要符合当地建筑风格，也要满足游客的观赏欲望，故在修缮的工艺上要求较高。
近年来，无人机倾斜摄影技术在三维模型构建中飞速发展，与传统人工建模相比，倾斜摄影三维建模极大地降低了生产成本，且模型能够直观、精细、准确地表达城市的各类地物，受到各行业的青睐。但是由于古建筑模型的复原重建，对于古建筑模型的细节和精度有较高要求，例如纹理、色彩等，传统的倾斜摄影三维建模技术难以满足需求，不利于指导古建筑的修缮工作。
发明内容
本申请实施例的目的在于提供一种基于无人机倾斜摄影的古建筑模型构建方法，以实现高精度和细致化的建模，以指导古建筑修缮工作的进行。
为了实现上述目的，本申请的实施例通过如下方式实现：
第一方面，本申请实施例提供一种基于无人机倾斜摄影的古建筑模型构建方法，包括：获取目标区域的倾斜摄影数据、高精度摄影数据和点云数据，其中，目标区域包含待建模的古建筑本体，所述倾斜摄影数据为无人机搭载的倾斜摄影相机对所述目标区域进行航拍得到，所述高精度摄影数据为所述无人机搭载的高清晰度数码相机对所述目标区域进行航拍得到，所述点云数据为所述无人机搭载的机载雷达对所述目标区域进行航拍得到；基于所述倾斜摄影数据和点云数据，进行影像匹配，得到所述目标区域的DSM；基于所述高精度摄影数据，对DSM进行色彩映射和纹理映射，得到所述目标区域的初步建筑模型；对所述初步建筑模型进行可疑区域检测，确定出所述初步建筑模型中的可疑区域，其中，所述可疑区域包括疑似存在破损的一类可疑区域和疑似存在色彩异常的二类可疑区域；获取每个可疑区域的补充摄影数据，并针对每个可疑区域，利用可疑区域的补充摄影数据对此可疑区域进行二次映射，最终得到所述目标区域对应的古建筑模型。
结合第一方面，在第一方面的第一种可能的实现方式中，基于所述高精度摄影数据，对DSM进行色彩映射和纹理映射，包括：将所述高精度摄影数据与DSM进行点位匹配，得到多组匹配点位，其中，每一组匹配点位包含所述高精度摄影数据的一个像素点和DSM的一个位置点；针对每一组匹配点位，将所述高精度摄影数据的像素点的像素值映射到DSM的位置点；基于所述高精度摄影数据提取摄影纹理信息，以及，基于DSM提取点云纹理信息，将所述摄影纹理信息和所述点云纹理信息进行匹配，得到多组配对纹理信息；针对每一组配对纹理信息，基于所述配对纹理信息中的点云纹理信息对摄影纹理信息进行修正后，映射到DSM上。
结合第一方面的第一种可能的实现方式，在第一方面的第二种可能的实现方式中，对所述初步建筑模型进行可疑区域检测，确定出所述初步建筑模型中的可疑区域，包括：基于DSM的高程信息和反射率信息，对DSM进行破损区域检测，确定出一类可疑区域；基于DSM的像素值和反射率信息，对DSM进行色彩异常区域检测，确定出二类可疑区域。
结合第一方面的第二种可能的实现方式，在第一方面的第三种可能的实现方式中，基于DSM的高程信息和反射率信息，对DSM进行破损区域检测，确定出一类可疑区域，包括：基于DSM的高程信息，确定出高程值变化反常的待定区域；确定出每个待定区域各自对应的周边区域；针对每个待定区域，基于此待定区域的反射率信息和对应的周边区域的反射率信息，确定此待定区域是否为一类可疑区域。
结合第一方面的第三种可能的实现方式，在第一方面的第四种可能的实现方式中，基于此待定区域的反射率信息和对应的周边区域的反射率信息，确定此待定区域是否为一类可疑区域，包括：基于周边区域的反射率信息，确定出反射率参照范围；若此待定区域的反射率信息不在所述反射率参照范围内，确定此待定区域为一类可疑区域。
结合第一方面的第二种可能的实现方式，在第一方面的第五种可能的实现方式中，基于DSM的像素值和反射率信息，对DSM进行色彩异常区域检测，确定出二类可疑区域，包括：以设定距离划分范围，从DSM中确定出多个子区域，其中，每个子区域包含多个位置点；针对每个子区域，检测子区域内每两个位置点之间的像素差异，并将存在像素差异超过设定阈值的子区域标记为待定子区域；针对每个待定子区域，基于待定子区域内每个位置点的反射率信息，确定出满足反射率分布条件的待定子区域为可疑子区域；针对每个可疑子区域，确定出可疑子区域对应的二类可疑区域。
结合第一方面的第五种可能的实现方式，在第一方面的第六种可能的实现方式中，基于待定子区域内每个位置点的反射率信息，确定出满足反射率分布条件的待定子区域为可疑子区域，包括：将每个位置点按照第一方向的排列规律对反射率信息进行编排，得到第一反射率序列；将第一反射率序列划分为A1、A2、A3三段，计算第一反射率序列中A1、A2、A3的反射率均值a1、a2、a3，判断反射率均值a1、a2、a3是否满足递增条件或递减条件，其中，递增条件为a1≤a2≤a3，递减条件为a1≥a2≥a3；若反射率均值a1、a2、a3满足递增条件或递减条件，将此待定子区域确定为可疑子区域；若反射率均值a1、a2、a3不满足递增条件或递减条件，将每个位置点按照第二方向的排列规律对反射率信息进行编排，得到第二反射率序列；将第二反射率序列划分为B1、B2、B3三段，计算第二反射率序列中B1、B2、B3的反射率均值b1、b2、b3，判断反射率均值是否满足递增条件或递减条件，其中，递增条件为b1≤b2≤b3，递减条件为b1≥b2≥b3；若反射率均值b1、b2、b3满足递增条件或递减条件，将此待定子区域确定为可疑子区域。
结合第一方面的第五种可能的实现方式，在第一方面的第七种可能的实现方式中，确定出可疑子区域对应的二类可疑区域，包括：以可疑子区域为中心，确定出与可疑子区域邻接的相邻子区域；将所述可疑子区域和所述相邻子区域构成的区域确定为此可疑子区域对应的二类可疑区域。
结合第一方面的第二种可能的实现方式，在第一方面的第八种可能的实现方式中，可疑区域为一类可疑区域，利用可疑区域的补充摄影数据对此可疑区域进行二次映射，最终得到所述目标区域对应的古建筑模型，包括：将一类可疑区域的补充摄影数据与此一类可疑区域进行配准，从补充摄影数据中确定出与此一类可疑区域对应的目标映射区域；基于补充摄影数据中目标映射区域提取补充纹理信息，将所述补充纹理信息和此一类可疑区域的点云纹理信息进行匹配，得到多组配对纹理信息；将补充纹理信息映射到此一类可疑区域上，更新此一类可疑区域的纹理信息。
结合第一方面的第二种可能的实现方式，在第一方面的第九种可能的实现方式中，可疑区域为二类可疑区域，利用可疑区域的补充摄影数据对此可疑区域进行二次映射，最终得到所述目标区域对应的古建筑模型，包括：将二类可疑区域的补充摄影数据与此二类可疑区域进行配准，从补充摄影数据中确定出与此二类可疑区域对应的目标映射区域；将补充摄影数据中目标映射区域与此二类可疑区域进行点位匹配，得到多组匹配点位，其中，每一组匹配点位包含补充摄影数据中目标映射区域的一个像素点和此二类可疑区域的一个位置点；针对每一组匹配点位，将补充摄影数据中像素点的像素值映射到此二类可疑区域的位置点。
有益效果：
1.采用无人机倾斜摄影测量技术多方位、多角度对地物信息进行采集。无人机上安装了多个(3个或5个)镜头的倾斜摄影相机，同时集成了先进的POS系统，使得多角度影像兼具完整的地理信息，通过融合影像信息、位置和姿态参数，能够在影像上对地物进行属性信息的量测，并同时获取同一地物的多方向(东西南北和顶部)、多视角影像和详细的侧面信息。用三维激光扫描古建筑，其单点向扫描精度达毫米级，且扫描间距可达亚毫米级，因而能将复杂、不规则的古建筑数据完整的采集到；同时，非接触的测量方式不会对古建筑造成损伤，在技术层面上加强了古建筑的保护力度。利用倾斜摄影数据和点云数据，通过区域网将影像联合平差、影像匹配，生成DSM，利用高精度摄影数据对DSM进行色彩映射和纹理映射，得到目标区域的初步建筑模型，对初步建筑模型进行可疑区域检测，确定出可疑区域(疑似存在破损的一类可疑区域和疑似存在色彩异常的二类可疑区域)；利用可疑区域的补充摄影数据对此可疑区域进行二次映射，最终得到目标区域对应的古建筑模型。这样最终得到的古建筑模型，不仅满足细节和精度的需要，还通过对可疑区域进行检测，确定出大部分可能需要修缮的部位，利用补充摄影数据进行二次映射，得到更细致的模型细节，便于指导古建筑的修缮工作。
2.利用DSM的高程信息，确定出高程值变化反常的待定区域，确定出每个待定区域各自对应的周边区域，针对每个待定区域，基于周边区域的反射率信息，确定出反射率参照范围，若此待定区域的反射率信息不在反射率参照范围内，确定此待定区域为一类可疑区域。由此可以利用高程信息上的突变，结合反射率信息综合判断一类可疑区域的存在，从而准确检测可能存在破损的区域，以便进行二次映射，提供更有效的修缮指导。
3.以设定距离划分范围，从DSM中确定出多个子区域，针对每个子区域，检测子区域内每两个位置点之间的像素差异，并将存在像素差异超过设定阈值的子区域标记为待定子区域，针对每个待定子区域，基于待定子区域内每个位置点的反射率信息，确定出满足反射率分布条件的待定子区域为可疑子区域，针对每个可疑子区域，以可疑子区域为中心，确定出与可疑子区域邻接的相邻子区域；将可疑子区域和相邻子区域构成的区域确定为此可疑子区域对应的二类可疑区域。这样可以很好地考虑到反射率信息在褪色区域的分布(颜色会影响反射率，而褪色通常是渐变的，因此会导致反射率信息呈现递增或递减的趋势)，以便准确确定出可能存在颜色异常的二类可疑区域。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请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申请的某些实施例，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为本申请实施例提供的一种基于无人机倾斜摄影的古建筑模型构建方法的流程图。
图2为制定无人机飞行路线的示意图。
图3为部分古建筑模型的示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
请参阅图1，图1为本申请实施例提供的一种基于无人机倾斜摄影的古建筑模型构建方法的流程图。基于无人机倾斜摄影的古建筑模型构建方法可以包括步骤S10、步骤S20、步骤S30、步骤S40和步骤S50。
为了实现对目标区域的古建筑修缮工作，需要先建立目标区域的古建筑模型，那么，可以利用无人机倾斜摄影技术，来获取目标区域内古建筑本体的相关数据。此处，无人机上搭载有倾斜摄影相机、机载雷达和高清晰度数码相机，无人机例如大疆M300RTK，倾斜摄影相机可以为3个镜头或5个镜头的倾斜摄影相机(本实施例以五目的倾斜摄影相机为例)。
由此，可以执行步骤S10。
步骤S10：获取目标区域的倾斜摄影数据、高精度摄影数据和点云数据，其中，目标区域包含待建模的古建筑本体，所述倾斜摄影数据为无人机搭载的倾斜摄影相机对所述目标区域进行航拍得到，所述高精度摄影数据为所述无人机搭载的高清晰度数码相机对所述目标区域进行航拍得到，所述点云数据为所述无人机搭载的机载雷达对所述目标区域进行航拍得到。
在无人机起飞获取相关数据前，需要规划无人机的飞行路线(例如田字法，如图2所示)，然后通过无人机在飞行路线上，获取目标区域内古建筑本体的相关数据，例如倾斜摄影数据(无人机搭载的倾斜摄影相机对目标区域进行航拍得到)、高精度摄影数据(无人机搭载的高清晰度数码相机对目标区域进行航拍得到)和点云数据(无人机搭载的机载雷达对目标区域进行航拍得到)。现场利用无人机进行数据采集，并同时进行倾斜摄影数据和高精度摄影数据的采集，地面分辨率为1cm，飞行高度60m，航线重叠度和旁向重叠度均设置为80％。
得到目标区域的倾斜摄影数据、高精度摄影数据和点云数据后，可以执行步骤S20。
步骤S20：基于所述倾斜摄影数据和点云数据，进行影像匹配，得到所述目标区域的DSM。
在本实施例中，可以利用倾斜摄影数据和点云数据，进行影像匹配，得到目标区域的DSM(Digital Surface Model，数字地表模型)。
此部分为传统的无人机倾斜摄影建模过程，例如，对倾斜摄影数据和点云数据进行预处理(倾斜摄影数据的预处理、POS信息预处理、像控点信息预处理)，通过区域网进行影像联合平差和影像匹配，生成DSM，具体过程可以参阅传统的无人机倾斜摄影建模技术，此处不做赘述。
得到目标区域的DSM后，可以执行步骤S30。
步骤S30：基于所述高精度摄影数据，对DSM进行色彩映射和纹理映射，得到所述目标区域的初步建筑模型。
在本实施例中，可以将高精度摄影数据与DSM进行点位匹配，得到多组匹配点位，其中，每一组匹配点位包含高精度摄影数据的一个像素点(具有相应的坐标信息)和DSM的一个位置点(具有相应的坐标信息)。针对每一组匹配点位，可以将高精度摄影数据的像素点的像素值映射到DSM的位置点。由此可以实现对DSM的色彩映射。
在本实施例中，可以基于高精度摄影数据提取摄影纹理信息，以及，基于DSM提取点云纹理信息。提取摄影纹理信息的方式可以是利用图像的纹理特征提取算法进行，提取高精度摄影数据的点状特征和线性特征。而提取点云纹理信息可以是利用现有的点云处理软件来实现，提取出DSM的点状特征和线性特征，例如，直接在点云中捕捉点状特征，通过捕捉点云中的关键点生成线性特征，当然，也可以采用现有的一些算法来实现对点云纹理信息的提取，此处不作限定。
然后可以将摄影纹理信息和点云纹理信息进行匹配，得到多组配对纹理信息，而针对每一组配对纹理信息，可以基于配对纹理信息中的点云纹理信息对摄影纹理信息进行修正后(此处的修正可以是利用点云纹理信息和摄影纹理信息计算特征的均值，或者利用点云纹理信息以一定的权重对摄影纹理信息进行加权计算均值，此处不作限定)，映射到DSM上，由此可以实现对DSM的纹理映射。
完成对DSM的色彩映射和纹理映射后，即可得到目标区域的初步建筑模型。之后，可以执行步骤S40。
步骤S40：对所述初步建筑模型进行可疑区域检测，确定出所述初步建筑模型中的可疑区域，其中，所述可疑区域包括疑似存在破损的一类可疑区域和疑似存在色彩异常的二类可疑区域。
在本实施例中，可以对初步建筑模型进行可疑区域检测，以确定出初步建筑模型中的可疑区域，例如，疑似存在破损的一类可疑区域和疑似存在色彩异常的二类可疑区域。
示例性的，可以基于DSM的高程信息和反射率信息，对DSM进行破损区域检测，确定出一类可疑区域。
具体的，可以基于DSM的高程信息，确定出高程值变化反常的待定区域。此处的变化反常，包含高程值差异超过设定值的情况，也包含沿同一方向连续变化的高程值，在某处变化的幅度过大的情况等。据此，可以确定出高程值变化反常的待定区域。
而后，可以确定出每个待定区域各自对应的周边区域。例如，以待定区域为中心，向外辐射一定距离的范围(例如，以待定区域的中心为中心，以待定区域的最大跨度为半径的圆形区域范围，周边区域需要排除待定区域)，或者，以待定区域的边界为准线，向外扩散固定距离或向外扩散待定区域的最大跨度的一半距离，作为周边区域。
基于此，可以通过此待定区域的反射率信息和对应的周边区域的反射率信息，确定此待定区域是否为一类可疑区域。
例如，基于周边区域的反射率信息，确定出反射率参照范围。例如，以周边区域的所有反射率信息的最大值和最小值作为反射率参照范围，或者，通过一下方式计算反射率参照范围：
其中，r1为反射率参照范围的下限，r2为反射率参照范围的上限，为周边区域的所有反射率信息的反射率均值。此法设计反射率参照范围，能够考虑到反射率的变化特点(反射率越大时，其变动范围受其影响因素的影响相对小一些，而反射率越小时，其变动范围受其影响因素的影响相对大一些，例如，颜色越深时，此时反射率相对低，对反射率影响相对较大，而颜色越浅时，此时反射率相对高，对反射率影响相对较小)。
然后计算此待定区域的反射率信息的反射率均值，判断反射率均值/>是否位于反射率参照范围[r1，r2]内，若是，确定此待定区域不为一类可疑区域，若否，确定此待定区域为一类可疑区域。由此即可完成对DSM的破损区域检测，确定出一类可疑区域。
示例性的，可以基于DSM的像素值和反射率信息，对DSM进行色彩异常区域检测，确定出二类可疑区域。
具体的，可以以设定距离划分范围，从DSM中确定出多个子区域，其中，每个子区域包含多个位置点。此处的设定距离可以根据实际需要为准，一般每个子区域内包含10～25个位置点为宜。
那么，针对每个子区域，可以检测子区域内每两个位置点之间的像素差异，并将存在像素差异超过设定阈值(例如30，50，80等)的子区域标记为待定子区域。
而针对每个待定子区域，可以基于待定子区域内每个位置点的反射率信息，确定出满足反射率分布条件的待定子区域为可疑子区域。
例如，针对每个待定子区域，可以将待定子区域内每个位置点按照第一方向的排列规律对反射率信息进行编排，得到第一反射率序列。然后，可以将第一反射率序列划分为A1、A2、A3三段(例如，划分为分段之间的反射率信息个数差异不超过1的3段)，据此，可以计算第一反射率序列中A1、A2、A3的反射率均值a1、a2、a3，并判断反射率均值a1、a2、a3是否满足递增条件或递减条件，其中，递增条件为a1≤a2≤a3，递减条件为a1≥a2≥a3。
若反射率均值a1、a2、a3满足递增条件或递减条件，可以将此待定子区域确定为可疑子区域。若反射率均值a1、a2、a3不满足递增条件或递减条件，则将每个位置点按照第二方向的排列规律对反射率信息进行编排，得到第二反射率序列，其中，第二方向与第一方向垂直。然后，同样将第二反射率序列划分为B1、B2、B3三段，计算第二反射率序列中B1、B2、B3的反射率均值b1、b2、b3，再判断反射率均值是否满足递增条件或递减条件，其中，递增条件为b1≤b2≤b3，递减条件为b1≥b2≥b3。
若反射率均值b1、b2、b3满足递增条件或递减条件，将此待定子区域确定为可疑子区域，若不满足递增条件或递减条件，此待定子区域为正常子区域。
之后，针对每个可疑子区域，可以确定出可疑子区域对应的二类可疑区域。例如，以可疑子区域为中心，确定出与可疑子区域邻接的相邻子区域，然后将可疑子区域和相邻子区域构成的区域确定为此可疑子区域对应的二类可疑区域。由此即可完成对DSM的色彩异常区域检测，确定出二类可疑区域。
完成对DSM的破损区域检测和色彩异常区域检测后，可以确定出DSM的一类可疑区域和二类可疑区域，作为DSM的可疑区域。据此，可以执行步骤S50。
步骤S50：获取每个可疑区域的补充摄影数据，并针对每个可疑区域，利用可疑区域的补充摄影数据对此可疑区域进行二次映射，最终得到所述目标区域对应的古建筑模型。
在本实施例中，针对每个可疑区域，可以获取每个可疑区域的补充摄影数据，例如，可以是工作人员操控无人机对可疑区域对应的相关部位进行补拍得到。
针对每个一类可疑区域，可以将一类可疑区域的补充摄影数据与此一类可疑区域进行配准，从补充摄影数据中确定出与此一类可疑区域对应的目标映射区域。然后对补充摄影数据中目标映射区域提取补充纹理信息(提取方式如前文所述)，将补充纹理信息和此一类可疑区域的点云纹理信息进行匹配，从而得到多组配对纹理信息，据此可以将补充纹理信息映射到此一类可疑区域上，更新此一类可疑区域的纹理信息。具体的纹理二次映射方式可以参阅前文对纹理映射的介绍，此处不再赘述。
而针对每个二类可疑区域，可以将二类可疑区域的补充摄影数据与此二类可疑区域进行配准，从补充摄影数据中确定出与此二类可疑区域对应的目标映射区域。然后，可以将补充摄影数据中目标映射区域与此二类可疑区域进行点位匹配，得到多组匹配点位，其中，每一组匹配点位包含补充摄影数据中目标映射区域的一个像素点和此二类可疑区域的一个位置点。据此，针对每一组匹配点位，可以将补充摄影数据中像素点的像素值映射到此二类可疑区域的位置点，由此可以实现对二类可疑区域的色彩二次映射。
通过以上步骤，即可实现对古建筑模型的构建，得到目标区域对应的古建筑模型，如图3所示。
综上所述，本申请实施例提供一种基于无人机倾斜摄影的古建筑模型构建方法：
1.采用无人机倾斜摄影测量技术多方位、多角度对地物信息进行采集。无人机上安装了多个(3个或5个)镜头的倾斜摄影相机，同时集成了先进的POS系统，使得多角度影像兼具完整的地理信息，通过融合影像信息、位置和姿态参数，能够在影像上对地物进行属性信息的量测，并同时获取同一地物的多方向(东西南北和顶部)、多视角影像和详细的侧面信息。用三维激光扫描古建筑，其单点向扫描精度达毫米级，且扫描间距可达亚毫米级，因而能将复杂、不规则的古建筑数据完整的采集到；同时，非接触的测量方式不会对古建筑造成损伤，在技术层面上加强了古建筑的保护力度。利用倾斜摄影数据和点云数据，通过区域网将影像联合平差、影像匹配，生成DSM，利用高精度摄影数据对DSM进行色彩映射和纹理映射，得到目标区域的初步建筑模型，对初步建筑模型进行可疑区域检测，确定出可疑区域(疑似存在破损的一类可疑区域和疑似存在色彩异常的二类可疑区域)；利用可疑区域的补充摄影数据对此可疑区域进行二次映射，最终得到目标区域对应的古建筑模型。这样最终得到的古建筑模型，不仅满足细节和精度的需要，还通过对可疑区域进行检测，确定出大部分可能需要修缮的部位，利用补充摄影数据进行二次映射，得到更细致的模型细节，便于指导古建筑的修缮工作。
2.利用DSM的高程信息，确定出高程值变化反常的待定区域，确定出每个待定区域各自对应的周边区域，针对每个待定区域，基于周边区域的反射率信息，确定出反射率参照范围，若此待定区域的反射率信息不在反射率参照范围内，确定此待定区域为一类可疑区域。由此可以利用高程信息上的突变，结合反射率信息综合判断一类可疑区域的存在，从而准确检测可能存在破损的区域，以便进行二次映射，提供更有效的修缮指导。
3.以设定距离划分范围，从DSM中确定出多个子区域，针对每个子区域，检测子区域内每两个位置点之间的像素差异，并将存在像素差异超过设定阈值的子区域标记为待定子区域，针对每个待定子区域，基于待定子区域内每个位置点的反射率信息，确定出满足反射率分布条件的待定子区域为可疑子区域，针对每个可疑子区域，以可疑子区域为中心，确定出与可疑子区域邻接的相邻子区域；将可疑子区域和相邻子区域构成的区域确定为此可疑子区域对应的二类可疑区域。这样可以很好地考虑到反射率信息在褪色区域的分布(颜色会影响反射率，而褪色通常是渐变的，因此会导致反射率信息呈现递增或递减的趋势)，以便准确确定出可能存在颜色异常的二类可疑区域。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (6)

1.一种基于无人机倾斜摄影的古建筑模型构建方法，其特征在于，包括：
获取目标区域的倾斜摄影数据、高精度摄影数据和点云数据，其中，目标区域包含待建模的古建筑本体，所述倾斜摄影数据为无人机搭载的倾斜摄影相机对所述目标区域进行航拍得到，所述高精度摄影数据为所述无人机搭载的高清晰度数码相机对所述目标区域进行航拍得到，所述点云数据为所述无人机搭载的机载雷达对所述目标区域进行航拍得到；
基于所述倾斜摄影数据和点云数据，进行影像匹配，得到所述目标区域的DSM；
基于所述高精度摄影数据，对DSM进行色彩映射和纹理映射，得到所述目标区域的初步建筑模型；
对所述初步建筑模型进行可疑区域检测，确定出所述初步建筑模型中的可疑区域，其中，所述可疑区域包括疑似存在破损的一类可疑区域和疑似存在色彩异常的二类可疑区域；
获取每个可疑区域的补充摄影数据，并针对每个可疑区域，利用可疑区域的补充摄影数据对此可疑区域进行二次映射，最终得到所述目标区域对应的古建筑模型；
其中，基于所述高精度摄影数据，对DSM进行色彩映射和纹理映射，包括：
将所述高精度摄影数据与DSM进行点位匹配，得到多组匹配点位，其中，每一组匹配点位包含所述高精度摄影数据的一个像素点和DSM的一个位置点；针对每一组匹配点位，将所述高精度摄影数据的像素点的像素值映射到DSM的位置点；基于所述高精度摄影数据提取摄影纹理信息，以及，基于DSM提取点云纹理信息，将所述摄影纹理信息和所述点云纹理信息进行匹配，得到多组配对纹理信息；针对每一组配对纹理信息，基于所述配对纹理信息中的点云纹理信息对摄影纹理信息进行修正后，映射到DSM上；
对所述初步建筑模型进行可疑区域检测，确定出所述初步建筑模型中的可疑区域，包括：
基于DSM的高程信息和反射率信息，对DSM进行破损区域检测，确定出一类可疑区域；基于DSM的像素值和反射率信息，对DSM进行色彩异常区域检测，确定出二类可疑区域；
基于DSM的高程信息和反射率信息，对DSM进行破损区域检测，确定出一类可疑区域，包括：
基于DSM的高程信息，确定出高程值变化反常的待定区域；确定出每个待定区域各自对应的周边区域；针对每个待定区域，基于此待定区域的反射率信息和对应的周边区域的反射率信息，确定此待定区域是否为一类可疑区域；
基于DSM的像素值和反射率信息，对DSM进行色彩异常区域检测，确定出二类可疑区域，包括：
以设定距离划分范围，从DSM中确定出多个子区域，其中，每个子区域包含多个位置点；针对每个子区域，检测子区域内每两个位置点之间的像素差异，并将存在像素差异超过设定阈值的子区域标记为待定子区域；针对每个待定子区域，基于待定子区域内每个位置点的反射率信息，确定出满足反射率分布条件的待定子区域为可疑子区域；针对每个可疑子区域，确定出可疑子区域对应的二类可疑区域。
2.根据权利要求1所述的基于无人机倾斜摄影的古建筑模型构建方法，其特征在于，基于此待定区域的反射率信息和对应的周边区域的反射率信息，确定此待定区域是否为一类可疑区域，包括：
基于周边区域的反射率信息，确定出反射率参照范围；
若此待定区域的反射率信息不在所述反射率参照范围内，确定此待定区域为一类可疑区域。
3.根据权利要求1所述的基于无人机倾斜摄影的古建筑模型构建方法，其特征在于，基于待定子区域内每个位置点的反射率信息，确定出满足反射率分布条件的待定子区域为可疑子区域，包括：
将每个位置点按照第一方向的排列规律对反射率信息进行编排，得到第一反射率序列；
将第一反射率序列划分为A1、A2、A3三段，计算第一反射率序列中A1、A2、A3的反射率均值a1、a2、a3，判断反射率均值a1、a2、a3是否满足递增条件或递减条件，其中，递增条件为a1≤a2≤a3，递减条件为a1≥a2≥a3；
若反射率均值a1、a2、a3满足递增条件或递减条件，将此待定子区域确定为可疑子区域；
若反射率均值a1、a2、a3不满足递增条件或递减条件，将每个位置点按照第二方向的排列规律对反射率信息进行编排，得到第二反射率序列；
将第二反射率序列划分为B1、B2、B3三段，计算第二反射率序列中B1、B2、B3的反射率均值b1、b2、b3，判断反射率均值是否满足递增条件或递减条件，其中，递增条件为b1≤b2≤b3，递减条件为b1≥b2≥b3；
若反射率均值b1、b2、b3满足递增条件或递减条件，将此待定子区域确定为可疑子区域。
4.根据权利要求1所述的基于无人机倾斜摄影的古建筑模型构建方法，其特征在于，确定出可疑子区域对应的二类可疑区域，包括：
以可疑子区域为中心，确定出与可疑子区域邻接的相邻子区域；
将所述可疑子区域和所述相邻子区域构成的区域确定为此可疑子区域对应的二类可疑区域。
5.根据权利要求1所述的基于无人机倾斜摄影的古建筑模型构建方法，其特征在于，可疑区域为一类可疑区域，利用可疑区域的补充摄影数据对此可疑区域进行二次映射，最终得到所述目标区域对应的古建筑模型，包括：
将一类可疑区域的补充摄影数据与此一类可疑区域进行配准，从补充摄影数据中确定出与此一类可疑区域对应的目标映射区域；
基于补充摄影数据中目标映射区域提取补充纹理信息，将所述补充纹理信息和此一类可疑区域的点云纹理信息进行匹配，得到多组配对纹理信息；
将补充纹理信息映射到此一类可疑区域上，更新此一类可疑区域的纹理信息。
6.根据权利要求1所述的基于无人机倾斜摄影的古建筑模型构建方法，其特征在于，可疑区域为二类可疑区域，利用可疑区域的补充摄影数据对此可疑区域进行二次映射，最终得到所述目标区域对应的古建筑模型，包括：
将二类可疑区域的补充摄影数据与此二类可疑区域进行配准，从补充摄影数据中确定出与此二类可疑区域对应的目标映射区域；
将补充摄影数据中目标映射区域与此二类可疑区域进行点位匹配，得到多组匹配点位，其中，每一组匹配点位包含补充摄影数据中目标映射区域的一个像素点和此二类可疑区域的一个位置点；
针对每一组匹配点位，将补充摄影数据中像素点的像素值映射到此二类可疑区域的位置点。
CN202310645561.6A 2023-06-02 2023-06-02 一种基于无人机倾斜摄影的古建筑模型构建方法 Active CN116645485B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310645561.6A CN116645485B (zh) 2023-06-02 2023-06-02 一种基于无人机倾斜摄影的古建筑模型构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310645561.6A CN116645485B (zh) 2023-06-02 2023-06-02 一种基于无人机倾斜摄影的古建筑模型构建方法

Publications (2)

Publication Number Publication Date
CN116645485A CN116645485A (zh) 2023-08-25
CN116645485B true CN116645485B (zh) 2024-02-27

Family

ID=87643234

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310645561.6A Active CN116645485B (zh) 2023-06-02 2023-06-02 一种基于无人机倾斜摄影的古建筑模型构建方法

Country Status (1)

Country Link
CN (1) CN116645485B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102411703A (zh) * 2010-09-21 2012-04-11 索尼公司 检测图像序列中的特定对象的装置、方法和视频摄像设备
CN106997464A (zh) * 2017-04-07 2017-08-01 中国科学院遥感与数字地球研究所 一种高程辅助的云霾识别方法
CN107421501A (zh) * 2017-03-02 2017-12-01 舜元建设(集团)有限公司 一种结合倾斜摄影、rtk和bim技术的土石方测量计算方法
WO2018070285A1 (ja) * 2016-10-14 2018-04-19 株式会社日立製作所 画像処理装置、及び画像処理方法
CN110310355A (zh) * 2019-06-21 2019-10-08 永州电力勘测设计院有限公司 基于多重纹理映射的倾斜摄影模型单体化方法
CN111583411A (zh) * 2020-04-25 2020-08-25 镇江市勘察测绘研究院 一种基于倾斜摄影的三维模型建立方法
CN111950051A (zh) * 2020-07-03 2020-11-17 成都理工大学 基于bim的三维地质建模和基于地质体模型的施工应用方法
CN112927360A (zh) * 2021-03-24 2021-06-08 广州蓝图地理信息技术有限公司 一种基于倾斜模型与激光点云数据融合的三维建模方法和系统
CN116051785A (zh) * 2023-02-08 2023-05-02 广州市城市规划勘测设计研究院 城市实景三维模型的构建方法、装置、设备及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108010092B (zh) * 2017-12-26 2018-11-13 哈尔滨工业大学 一种基于低空摄影测量的城市高密度区太阳能利用潜力评估方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102411703A (zh) * 2010-09-21 2012-04-11 索尼公司 检测图像序列中的特定对象的装置、方法和视频摄像设备
WO2018070285A1 (ja) * 2016-10-14 2018-04-19 株式会社日立製作所 画像処理装置、及び画像処理方法
CN107421501A (zh) * 2017-03-02 2017-12-01 舜元建设(集团)有限公司 一种结合倾斜摄影、rtk和bim技术的土石方测量计算方法
CN106997464A (zh) * 2017-04-07 2017-08-01 中国科学院遥感与数字地球研究所 一种高程辅助的云霾识别方法
CN110310355A (zh) * 2019-06-21 2019-10-08 永州电力勘测设计院有限公司 基于多重纹理映射的倾斜摄影模型单体化方法
CN111583411A (zh) * 2020-04-25 2020-08-25 镇江市勘察测绘研究院 一种基于倾斜摄影的三维模型建立方法
CN111950051A (zh) * 2020-07-03 2020-11-17 成都理工大学 基于bim的三维地质建模和基于地质体模型的施工应用方法
CN112927360A (zh) * 2021-03-24 2021-06-08 广州蓝图地理信息技术有限公司 一种基于倾斜模型与激光点云数据融合的三维建模方法和系统
CN116051785A (zh) * 2023-02-08 2023-05-02 广州市城市规划勘测设计研究院 城市实景三维模型的构建方法、装置、设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于DGCNN语义分割的倾斜摄影测量三维点云建筑物分类;韩姗姗;黄远程;白穆;;测绘标准化(第03期);184-188+191 *
智慧城市中海量时空大数据的级联更新方法;吴英男;陈飞;;电子世界(第08期);19-22 *

Also Published As

Publication number Publication date
CN116645485A (zh) 2023-08-25

Similar Documents

Publication Publication Date Title
Awrangjeb et al. Automatic detection of residential buildings using LIDAR data and multispectral imagery
KR101219767B1 (ko) 수치지형도 작성을 위한 차량 모바일 매핑 시스템을 이용한 도로 레이어 현지조사 방법
Liu et al. An improved online dimensional measurement method of large hot cylindrical forging
CN113971768A (zh) 一种基于无人机的输电线路违章建筑三维动态检测方法
Rumpler et al. Automated end-to-end workflow for precise and geo-accurate reconstructions using fiducial markers
KR101510206B1 (ko) 항공 하이퍼스펙트럴 영상을 이용한 수치지도 수정 도화용 도시변화지역의 탐지 방법
KR101349376B1 (ko) 타겟을 이용한 수치지도 제작용 건물평면의 자동도화방법
Wu et al. Feature-constrained registration of building point clouds acquired by terrestrial and airborne laser scanners
CN115690184B (zh) 一种基于三维激光扫描的隧道掌子面位移量测方法
CN111652241A (zh) 融合影像特征与密集匹配点云特征的建筑物轮廓提取方法
Lee et al. A study on scan data matching for reverse engineering of pipes in plant construction
Wang Automatic extraction of building outline from high resolution aerial imagery
Sportouche et al. Building extraction and 3D reconstruction in urban areas from high-resolution optical and SAR imagery
CN111986074A (zh) 一种真正射影像制作方法、装置、设备及存储介质
CN110929782B (zh) 一种基于正射影像图对比的河道异常检测方法
CN116645485B (zh) 一种基于无人机倾斜摄影的古建筑模型构建方法
CN107765257A (zh) 一种基于反射强度辅助外部校准的激光探测与测量方法
CN115790539B (zh) 一种合作靶标水下摄影测量方法
Boerner et al. Brute force matching between camera shots and synthetic images from point clouds
Chen et al. True orthophoto generation using multi-view aerial images
Ni et al. A fully automatic registration approach based on contour and SIFT for HJ-1 images
Kim et al. An automatic robust point cloud registration on construction sites
CN109636840B (zh) 一种基于鬼影像检测建筑物阴影的方法
CN113793355A (zh) 无人机影像铁路钢轨顶面中心线自动匹配方法
CN112365369A (zh) 一种基于机器视觉进行施工进度自动监控的方法

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