CN116778104B - 一种动态遥感监测的测绘方法及系统 - Google Patents
一种动态遥感监测的测绘方法及系统 Download PDFInfo
- Publication number
- CN116778104B CN116778104B CN202311028551.4A CN202311028551A CN116778104B CN 116778104 B CN116778104 B CN 116778104B CN 202311028551 A CN202311028551 A CN 202311028551A CN 116778104 B CN116778104 B CN 116778104B
- Authority
- CN
- China
- Prior art keywords
- data
- image
- point cloud
- fusion
- dimensional
- 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
- 238000013507 mapping Methods 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 87
- 238000012544 monitoring process Methods 0.000 title claims abstract description 28
- 230000004927 fusion Effects 0.000 claims abstract description 141
- 230000008859 change Effects 0.000 claims abstract description 75
- 239000013598 vector Substances 0.000 claims abstract description 54
- 238000000605 extraction Methods 0.000 claims abstract description 32
- 238000007781 pre-processing Methods 0.000 claims abstract description 32
- 238000001514 detection method Methods 0.000 claims description 50
- 238000001228 spectrum Methods 0.000 claims description 38
- 238000012549 training Methods 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 30
- 230000011218 segmentation Effects 0.000 claims description 28
- 230000003595 spectral effect Effects 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000013527 convolutional neural network Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 15
- 230000007246 mechanism Effects 0.000 claims description 14
- 238000002372 labelling Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 230000001537 neural effect Effects 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 6
- 239000003086 colorant Substances 0.000 claims description 5
- 238000003709 image segmentation Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 description 19
- 241000894007 species Species 0.000 description 13
- 238000012937 correction Methods 0.000 description 9
- 230000010287 polarization Effects 0.000 description 9
- 238000002310 reflectometry Methods 0.000 description 7
- 238000012876 topography Methods 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000013145 classification model Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 230000009897 systematic effect Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 208000004350 Strabismus Diseases 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000002146 bilateral effect Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000003702 image correction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000011426 transformation method Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005305 interferometry Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明适用于测绘技术领域，提供了一种动态遥感监测的测绘方法及系统，该方法包括分别获取机载LiDAR系统和机载SAR系统对目标区域进行采集得到的三维点云数据和二维影像数据；对数据进行预处理，对预处理得到的点云数据及影像数据进行特征提取和融合得到融合特征数据，并根据融合特征数据生成三维正射影像图；将三维正射影像图进行分割及分类，得到不同地类或地物的各个图斑并赋予相应的属性；将所分类的各个图斑与所采集的历史数据或基准数据进行对比，检测出变化的图斑；将所检测的各个变化的图斑分别转换为矢量数据，并根据矢量数据及历史测绘数据生成测绘数据。本发明解决了现有测绘的测绘效率低的问题。
Description
技术领域
本发明属于遥感技术领域，尤其涉及一种动态遥感监测的测绘方法及系统。
背景技术
测绘是指利用遥感、测量、制图等技术手段，对资源进行调查、监测、分析和评价，提供地理空间信息服务的技术。目前，遥感监测是测绘的关键，其是指利用遥感图像，获取地表的空间信息，然后进行分析、处理、制图等操作，生成测绘成果的方法。
然而现有测绘面临着多种挑战，如资源变化快速、复杂和多样，传统的遥感监测手段难以满足时效性、精度和全面性的要求，同时受到天气、地形、植被等因素的影响，导致数据质量和可用性降低。
发明内容
基于此，本发明的目的是提供一种动态遥感监测的测绘方法，以从根本上解决现有测绘的测绘效率低的问题。
根据本发明实施例的一种动态遥感监测的测绘方法，所述方法包括：
分别获取机载LiDAR系统和机载SAR系统对目标区域进行多时相的遥感数据采集所得到的三维点云数据和二维影像数据；
分别对所采集的三维点云数据和二维影像数据进行预处理，并对预处理后得到的点云数据及影像数据进行特征提取和融合，得到具有光谱和空间信息的融合特征数据，并根据融合特征数据生成三维正射影像图；
根据点云数据提供的几何特征和影像数据提供的光谱特征，将所生成的三维正射影像图进行分割及分类，得到不同地类或地物的各个图斑并赋予相应的类型属性；
根据点云数据提供的动态特征和影像数据提供的变化特征，将所分类的各个图斑与多时相所采集的历史数据或基准数据进行对比，检测出变化的图斑，并对其进行分类和标注得到变化类型和程度；
根据点云数据提供的空间坐标和影像数据提供的投影参数，将所检测的各个变化的图斑分别转换为目标坐标系下的矢量数据，并根据矢量数据及历史测绘数据生成测绘数据；
所述对预处理后得到的点云数据及影像数据进行特征提取和融合，得到具有光谱和空间信息的融合特征数据，并根据融合特征数据生成三维正射影像图的步骤包括：
构建基于深度学习的数据融合模型，并利用已有的观测数据或模拟数据作为训练集对数据融合模型进行训练优化模型参数；
将预处理后得到的点云数据及影像数据一同输入至训练好的数据融合模型中对点云数据及影像数据进行特征提取和融合，得到具有光谱和空间信息的融合特征数据；
将融合特征数据转换为三维数据表示形式，得到具有几何形状的三维模型；
将三维模型投影到水平平面上，得到三维正射影像图。
更进一步地，所述将预处理后得到的点云数据及影像数据一同输入至训练好的数据融合模型中对点云数据及影像数据进行特征提取和融合，得到具有光谱和空间信息的融合特征数据的步骤包括：
由多个卷积神经网络所组成的数据融合模型中的各个卷积神经网络分别对点云数据及影像数据进行特征提取，得到点云数据及影像数据各自的特征；
根据注意力机制分别对点云数据及影像数据各自的特征进行权重及相关性的计算，得到不同特征的权重和相关性；
根据不同特征的权重和相关性分别对点云数据及影像数据各自的特征进行特征融合，得到具有光谱和空间信息的融合特征数据。
更进一步地，所述根据注意力机制分别对点云数据及影像数据各自的特征进行权重及相关性的计算，得到不同特征的权重和相关性的计算公式为：
；
；
其中，表示第种特征的权重，表示第种特征与第种特征的相关性，和为可学习的权重矩阵，⊙表示哈达玛积，表示第种数据通过卷积神经网络所提取的特征，表示第种数据通过卷积神经网络所提取的特征，表示第种特征的特征权重矩阵，表示第种特征的特征权重矩阵，表示第种特征和第种特征之间的特征相关性矩阵，表示第种特征和第种特征之间的特征相关性矩阵，N表示遥感数据的种量，表示以自然常数e为底的指数函数；
所述根据不同特征的权重和相关性分别对点云数据及影像数据各自的特征进行特征融合，得到具有光谱和空间信息的融合特征数据的计算公式为：
其中，表示融合特征数据。
更进一步地，所述将预处理后得到的点云数据及影像数据一同输入至训练好的数据融合模型中对点云数据及影像数据进行特征提取和融合，得到具有光谱和空间信息的融合特征数据的步骤包括：
由多个卷积神经网络所组成的数据融合模型中的各个卷积神经网络分别对点云数据及影像数据进行特征提取，得到点云数据及影像数据各自的高层特征和低层特征；
根据注意力机制分别对点云数据及影像数据各自的高层特征和低层特征进行特征分析，得到不同特征的权重；
根据不同特征的权重分别对点云数据及影像数据各自的高层特征和低层特征进行特征融合，得到高层融合特征和低层融合特征；
分别将高层融合特征和低层融合特征进行拼接，得到具有光谱和空间信息的融合特征数据。
更进一步地，所述分别获取机载LiDAR系统和机载SAR系统对目标区域进行多时相的遥感数据采集所得到的三维点云数据和二维影像数据的步骤包括：
根据目标区域的地理特征、气象条件及测绘需求因素，确定合适的机载平台、传感器参数、飞行高度、飞行速度及飞行航线，并在机载平台上安装对应传感器参数的机载LiDAR系统和机载SAR系统，以及惯性导航系统、全球定位系统、通信系统和控制记录系统所组成的检测组件；
按照所选择的飞行高度、飞行速度及飞行航线进行飞行，并在飞行过程中利用机载LiDAR系统和机载SAR系统按照预设的参数对目标区域进行多时相的遥感数据采集，同时利用检测组件记录飞行姿态、位置、速度及时间数据；
根据机载LiDAR系统和机载SAR系统所采集的遥感数据及检测组件所记录的数据进行整合处理，得到不同时间下的三维点云数据和二维影像数据。
更进一步地，所述将所生成的三维正射影像图进行分割及分类，得到不同地类或地物的各个图斑并赋予相应的属性的步骤包括：
根据所生成的三维正射影像图中点云数据提供的几何特征和影像数据提供的光谱特征选择合适的分割算法；
将所生成的三维正射影像图输入至分割算法中进行图像分割，得到不同大小和形状的图斑，其中各个图斑包括点云数据提供的几何特征和影像数据提供的光谱特征；
根据各个图斑中点云数据提供的几何特征和影像数据提供的光谱特征选择合适的分类方法，并对分割后的各个图斑进行分类，得到不同地类或地物的各个图斑并赋予相应的属性；
对分类后的各个图斑进行去除噪声点、合并小区域的图斑、及优化图斑边界操作。
更进一步地，所述将所分类的各个图斑与多时相所采集的历史数据或基准数据进行对比，检测出变化的图斑，并对其进行分类和标注得到变化类型和程度的步骤包括：
根据分类后的图斑提取点云数据的动态特征和影像数据的变化特征，并将所提取的两种特征向量拼接成一个混合特征向量；
根据多时相所采集的历史数据或基准数据，构建训练集和测试集，并对训练集进行训练得到变化检测模型；
将测试集输入至变化检测模型中进行预测得到预测标签，根据预测标签和测试集所对应的真实标签，计算变化检测模型的准确率并优化模型参数；
将混合特征向量输入至变化检测模型进行预测得到变化的图斑；
根据点云数据的动态特征和影像数据的变化特征，将变化的图斑划分为不同的类别或类型，并计算变化的程度。
更进一步地，所述根据矢量数据及历史测绘数据生成测绘数据的步骤包括：
创建指定大小和形状的格网，并将格网与历史测绘数据及变化的图斑的矢量数据进行叠加；
对叠加后的数据进行频数统计，得到每个格网单元中各个图斑类型的个数和面积，并根据总面积计算各个图斑类型的面积比例；
将叠加后的数据添加到布局中，并进行符号化、标注、分级操作，使不同的图斑类型用不同的颜色或符号表示；
添加地图要素，并调整布局的大小、位置和样式，得到测绘数据。
本发明另一实施例的目的还在于提供一种动态遥感监测的测绘系统，所述系统包括：
数据采集模块，用于分别获取机载LiDAR系统和机载SAR系统对目标区域进行多时相的遥感数据采集所得到的三维点云数据和二维影像数据；
数据处理融合模块，用于分别对所采集的三维点云数据和二维影像数据进行预处理，并对预处理后得到的点云数据及影像数据进行特征提取和融合，得到具有光谱和空间信息的融合特征数据，并根据融合特征数据生成三维正射影像图；
数据分割分类模块，用于根据点云数据提供的几何特征和影像数据提供的光谱特征，将所生成的三维正射影像图进行分割及分类，得到不同地类或地物的各个图斑并赋予相应的属性；
数据变化检测模块，用于根据点云数据提供的动态特征和影像数据提供的变化特征，将所分类的各个图斑与多时相所采集的历史数据或基准数据进行对比，检测出变化的图斑，并对其进行分类和标注得到变化类型和程度；
测绘输出模块，用于根据点云数据提供的空间坐标和影像数据提供的投影参数，将所检测的各个变化的图斑分别转换为目标坐标系下的矢量数据，并根据矢量数据及历史测绘数据生成测绘数据；
所述数据处理融合模块包括：
数据融合模型构建单元，用于构建基于深度学习的数据融合模型，并利用已有的观测数据或模拟数据作为训练集对数据融合模型进行训练优化模型参数；
特征提取融合单元，用于将预处理后得到的点云数据及影像数据一同输入至训练好的数据融合模型中对点云数据及影像数据进行特征提取和融合，得到具有光谱和空间信息的融合特征数据；
数据转换单元，用于将融合特征数据转换为三维数据表示形式，得到具有几何形状的三维模型；
三维正射影像图确定单元，用于将三维模型投影到水平平面上，得到三维正射影像图。
本发明实施例提供的动态遥感监测的测绘方法，通过分别获取机载LiDAR系统和机载SAR系统所采集的三维点云数据和二维影像数据，并对所预处理后的点云数据和影像数据进行融合生成三维正射影像图，然后将三维正射影像图进行分割及分类得到不同地类或地物的各个图斑，并对所分类的各个图斑与多时相所采集的历史数据或基准数据进行对比，检测出变化的图斑，并将各个变化的图斑分别转换为目标坐标系下的矢量数据，并根据矢量数据及历史测绘数据生成测绘数据，使得可以直接基于产生变化的图斑即可快速的生成测绘数据，提高了测绘效率，同时还可基于变化的图斑对相应的对同一地区在不同时间内发生的地表变化情况进行有效分析，实现对资源变化的实时监测和跟踪，同时通过将点云数据和影像数据进行融合，使得可以充分利用各自的优势，弥补各自的不足，提高数据质量、信息量及精度，解决了现有测绘的测绘效率低的问题。
附图说明
图1是本发明实施例提供的一种动态遥感监测的测绘方法的流程图；
图2是本发明实施例提供的一种动态遥感监测的测绘系统的结构示意图；
以下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
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。本文所使用的术语“及／或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例一
请参阅图1，是本发明第一实施例提供的一种动态遥感监测的测绘方法的流程示意图，为了便于说明，仅示出了与本发明实施例相关的部分，该方法包括：
步骤S10，分别获取机载LiDAR系统和机载SAR系统对目标区域进行多时相的遥感数据采集所得到的三维点云数据和二维影像数据；
其中，在本发明的一个实施例中，该测绘方法利用机载LiDAR系统（LightDetection and Ranging，光探测和测距，即激光雷达）和机载SAR系统（SyntheticAperture Radar，合成孔径雷达）共同对目标区域进行数据采集及处理，实现对区域进行测绘。其中LiDAR是一种主动式激光雷达系统，能够以高频率发射和接收激光脉冲，并根据脉冲与目标反射后返回时间差和角度计算出地面目标的三维坐标，从而形成的一系列离散的点集，使得获取到目标区域的高精度三维点云数据，因此可获取高精度的地形、地貌、植被等信息，其中每个点包含了位置和属性信息，如高程、强度、回波次数等。而SAR是一种主动式合成孔径雷达系统，能够以高频率发射和接收微波信号，并根据信号与目标反射后相位差和多普勒频移计算出地面目标的二维或三维坐标，并利用多个接收天线或多次飞行轨迹模拟出一个大型天线，从而获取目标区域的高分辨率二维影像数据，其中每个像素包含了位置和属性信息，如灰度、极化、相干性等。因此，机载LiDAR系统采集的三维点云数据能够提供目标区域的地形、地物、建筑等信息，包括高程、形状、体积、密度等几何特征；而机载SAR系统采集的二维影像数据能够提供目标区域的纹理、边缘、反射率等信息，包括灰度、对比度、方向性等光谱特征。
具体的，利用机载LiDAR系统和机载SAR系统对目标区域进行多时相的遥感数据采集是指利用安装在飞行器上的激光雷达和合成孔径雷达传感器，向地面发射和接收电磁波信号，根据信号的传播时间、强度、相位等信息，结合飞行器的位置、姿态、速度等参数，计算出地面目标的三维坐标和反射特性等数据。具体的步骤如下：
根据目标区域的地理特征、气象条件及测绘需求因素，确定合适的机载平台、传感器参数、飞行高度、飞行速度及飞行航线，并在机载平台上安装对应传感器参数的机载LiDAR系统和机载SAR系统，以及惯性导航系统、全球定位系统、通信系统和控制记录系统所组成的检测组件；
按照所选择的飞行高度、飞行速度及飞行航线进行飞行，并在飞行过程中利用机载LiDAR系统和机载SAR系统按照预设的参数对目标区域进行多时相的遥感数据采集，同时利用检测组件记录飞行姿态、位置、速度及时间数据；
根据机载LiDAR系统和机载SAR系统所采集的遥感数据及检测组件所记录的数据进行整合处理，得到不同时间下的三维点云数据和二维影像数据。
更进一步的，在飞行器进行起飞前，还需要在检测区域内布设一定数量的GPS（Global Positioning System，全球定位系统）基准站，用于提供高精度的动态定位和差分定位服务；并在飞机起飞前后进行设备检校，以消除系统误差和偏心误差。此时通过采用机载LiDAR系统对目标区域进行高精度三维点云数据采集，使得获取到目标区域的地形、地物、建筑等信息；而通过采用机载SAR系统对目标区域进行高分辨率二维影像数据采集，使得获取到目标区域的纹理、边缘、反射率等信息。
其中采用机载LiDAR系统对目标区域进行高精度三维点云数据采集，使得获取到目标区域的地形、地物、建筑等信息的基本原理是：
机载LiDAR系统中的激光扫描仪向目标区域发射一束脉冲激光，通常是红外或近红外波段的激光；激光束打到物体或地面上后，会产生散射和反射，一部分光波会返回到激光扫描仪的接收器上；激光扫描仪根据发送和接收到的脉冲信号的时间间隔来计算物体或地面的距离，根据发送和接收到的脉冲信号的角度差来计算在飞行器坐标系下的方位角和俯仰角；而全球定位系统用于记录飞行器在每个时刻的位置坐标（经度、纬度、高程），即飞行器中心到地心的向量；惯性导航系统用于记录飞行器在每个时刻的姿态角（俯仰角、侧倾角、航向角），即飞行器坐标系到地心坐标系的旋转矩阵。控制记录系统用于协调各个设备的工作，使之保持高精度的时间同步，并存储采集到的数据。通过对采集到的数据进行预处理、分类、滤波、坐标转换等操作，可以得到目标区域的三维点云数据，包含每个点的x、y、z坐标以及颜色、反射强度等属性。
具体的，在本发明的一个实施例中，机载LiDAR系统对目标区域进行高精度三维点云数据采集的过程如下：
数据采集前的准备工作，包括选择检校场、设计航线、申请空域和布设地面基站等；
数据采集过程，飞行器按照飞行航线进行自动飞行，同时开启激光扫描仪、全球定位系统和惯性导航系统进行数据记录；其中激光扫描仪发射和接收激光脉冲，根据飞行高度、扫描角度和脉冲传播时间计算出地表点的三维坐标；全球定位系统和惯性导航系统记录飞行器的位置和姿态信息。
数据处理过程，首先对原始数据进行质量检查，剔除噪声点和异常点；然后利用全球定位系统和惯性导航系统的动态定位数据和地面基站的静态定位数据进行差分定位，提高坐标精度；接着利用检校场数据进行系统误差校正，消除各仪器之间的偏心角和偏心分量；最后利用专业软件进行点云分类、滤波、坐标转换等操作，生成所需的成果，也即三维点云数据。
其中，采用机载SAR系统对目标区域进行高分辨率二维影像数据采集，获取目标区域的纹理、边缘、反射率等信息的基本原理是：
机载SAR系统向地面发射一束微波信号，并接收地面散射回来的微波信号，通过对接收到的微波信号进行信号处理和成像处理，可以得到目标区域的二维影像。其中二维影像中的像素值反映了目标区域的后向散射系数，即目标对微波信号的反射能力。而后向散射系数受到目标区域的纹理、边缘、反射率等因素的影响，因此可以从二维影像中提取这些信息。具体来说，机载SAR系统沿着飞行轨迹向地面连续发射微波脉冲，并记录每个脉冲发射和接收的时间；每个脉冲在地面上形成一个照射区域，照射区域内的目标会将微波信号散射回来，形成一个回波信号；机载SAR系统接收并记录每个回波信号，并根据发射和接收时间计算出每个回波信号对应的距离；通过对每个回波信号进行距离压缩和距离向滤波，可以得到每个照射区域在距离向上的分辨率；通过对所有回波信号进行方位向压缩和方位向滤波，可以得到每个照射区域在方位向上的分辨率；通过对所有照射区域进行坐标变换和投影，可以得到目标区域在平面上的二维影像。
具体的，在本发明的一个实施例中，机载SAR系统对目标区域进行高分辨率二维影像数据采集的过程如下：
将机载SAR系统向地面发射微波信号，并收集地面反射的微波信号，从而获得目标区域的后向散射系数数据；
将采集到的后向散射系数数据进行运动补偿、成像处理、极化处理、及干涉处理操作，并进行数据分析和可视化，最终生成目标区域的二维影像数据，包括纹理、边缘、反射率等信息。
其中运动补偿是为了消除飞机运动对SAR成像的影响，使得机载SAR系统能够模拟出一个更长的合成孔径，提高图像分辨率；其中常用的运动补偿方法有多普勒频率估计法、相位校正法、轨道精炼法等。而成像处理是为了将后向散射系数数据转换为二维影像数据，利用傅里叶变换或其他算法对数据进行频域或时域的变换，生成SAR图像；其中常用的成像处理方法有距离方位向投影法、Chirp缩放法、ω-k法等。而极化处理是为了利用机载SAR系统发射和接收不同极化状态的微波信号，分析目标区域的极化特性，提取目标信息；其中常用的极化处理方法有极化分解法、极化干涉法、极化优化法等。而干涉处理是为了利用两幅或多幅具有相干性的SAR影像，通过相位差计算目标区域的高程或形变信息，其中常用的干涉处理方法有干涉图生成法、相位解缠法、相位高程转换法、形变监测法等。
其中，本发明实施例通过利用三维点云数据和二维影像数据的普适性，实现了对不同地区、不同地形、不同地物的资源变化的适应性和兼容性，由于机载LiDAR系统和机载SAR系统都是主动式传感器，不受天气、光照等因素的影响，可以在任何时间和任何条件下进行观测和探测。同时，机载LiDAR系统和机载SAR系统都具有较高的空间分辨率和覆盖范围，可以适应不同地区、不同地形、不同地物的资源变化监测需求。
步骤S20，分别对所采集的三维点云数据和二维影像数据进行预处理，并对预处理后得到的点云数据及影像数据进行特征提取和融合，得到具有光谱和空间信息的融合特征数据，并根据融合特征数据生成三维正射影像图；
其中，本发明的一个实施例中，由于机载LiDAR系统和机载SAR系统在飞行过程中可能受到飞行姿态、气象条件、地形起伏等因素的影响，可能存在噪声、畸变、缺失等问题，影响数据的准确性和可靠性。例如三维点云数据可能出现噪声、漏点、多路径等问题；二维影像数据可能出现运动模糊、相位噪声、斜视角变化等问题。因此，需要对数据进行预处理，如滤波、校正、配准等，以消除噪声、误差、干扰等影响，提高数据的质量和一致性。
具体的，上述分别对所采集的三维点云数据和二维影像数据进行预处理的步骤包括：
将按飞行航线所依次采集的三维点云数据和二维影像数据分别按照预设的镶嵌线进行拼接；
对所拼接的三维点云数据进行包括滤波、配准、分类、坐标转换操作的预处理，得到去噪、对齐、分层的点云数据；
对所拼接的二维影像数据进行包括去斑、影像校正操作的预处理，得到清晰、标准化、正射化的影像数据。
其中，机载LiDAR系统和机载SAR系统在飞行过程进行数据采集时，其所采集得到的各个三维点云数据和二维影像数据之间可能存在一定的重合度，且均为离散的多组数据，因此可分别对各个三维点云数据及二维影像数据按照预设的镶嵌线进行拼接，得到拼接后的完整的三维点云数据及二维影像数据，若当拼接后的三维点云数据及二维影像数据的数据量过大时，也可根据需要对数据进行若干等份裁切，以减少数据量。
进一步的，分别对所拼接的三维点云数据和二维影像数据进行预处理，其中在三维点云数据中进行滤波操作主要为了去除原始点云中的异常值、杂波、噪声点等，以提高数据的信噪比。其中常用的滤波方法有双边滤波、高斯滤波、条件滤波、直通滤波、随机采样一致滤波、VoxelGrid滤波等。而在三维点云数据中进行配准操作主要为了将不同时间、不同位置、不同传感器获取的三维点云数据和二维影像数据进行空间对齐，使得将不同系统获取的数据对齐到同一坐标系下，以消除数据之间的偏移和旋转产生的位置偏差，提高数据的一致性。其中常用的配准方法有刚体变换法、特征匹配法等。而在三维点云数据中进行分类操作主要为了将点云按照不同的属性或特征进行划分，比如地面点和非地面点，或者不同的物体类别。其中常用的分类方法有区域生长法、RANSAC线面提取法、NDT-RANSAC法、K-Means聚类法、归一化割法、3D Hough变换法、连通分析法等。而在三维点云数据中进行坐标转换操作主要为了将点云从原始的坐标系转换到地方坐标系，或者从一个地方坐标系转换到另一个地方坐标系。其中常用的坐标转换方法有采用七参数法或四参数法进行平面坐标转换，或采用正常高转换或拟合法进行高程转换。在二维影像数据中进行去斑操作主要为了去除图像中的噪声或其他小的波动，使图像更加平滑和清晰。其中常用的去斑的主要方法有：双边滤波、高斯滤波、条件滤波、直通滤波、随机采样一致滤波等。在二维影像数据中进行影像校正操作主要包括有几何校正、辐射校正、斜视角校正、多普勒频移校正等操作，其主要为了消除三维点云数据和二维影像数据之间的投影误差、畸变和干涉条纹，提高二维影像数据的几何精度和辐射一致性，同时使三维点云数据和二维影像数据具有一致的坐标系和投影系统。
进一步的，在本发明的一个实施例中，在对所采集的三维点云数据和二维影像数据进行预处理后，对预处理后得到的点云数据及影像数据进行特征提取和融合，得到具有光谱和空间信息的融合特征数据，并根据融合特征数据生成三维正射影像图。此时通过点云数据与影像数据之间进行数据融合，使得可将不同系统获取的数据按照一定的规则或目标进行组合，以实现数据之间的互补和增强，提高数据的质量和信息量。其上述步骤具体通过如下方式实现：
构建基于深度学习的数据融合模型，并利用已有的观测数据或模拟数据作为训练集对数据融合模型进行训练优化模型参数；
将预处理后得到的点云数据及影像数据一同输入至训练好的数据融合模型中对点云数据及影像数据进行特征提取和融合，得到具有光谱和空间信息的融合特征数据；
将融合特征数据转换为三维数据表示形式，得到具有几何形状的三维模型；
将三维模型投影到水平平面上，得到三维正射影像图。
具体的，首先构建基于深度学习的数据融合模型，然后利用已有的观测数据或模拟数据作为训练集，将训练集输入至数据融合模型中得到训练集的预测标签，然后根据训练集的真值标签与预测标签进行计算得到预测标签和真值标签之间的损失函数，并通过反向传播算法更新模型参数，使数据融合模型能够准确地将多源遥感数据进行融合，并评估数据融合模型的泛化能力和鲁棒性。具体来说，假设有M个训练样本，每个样本包含N种遥感数据和一个真值标签。对于每个样本m，将其N种遥感数据一同输入到数据融合模型中，得到预测标签Ym´。然后计算预测标签Ym´和真值标签Ym之间的损失函数L(Ym´,Ym)，其中选择合适的损失函数，比如均方误差损失函数（MSE）、交叉熵损失函数（CE）损失函数等，根据损失函数的公式，计算出预测标签Ym´和真值标签Ym之间的损失值，具体比如均方误差损失函数的公式为：
；
然后根据损失值利用链式法则计算出模型参数对损失值的偏导数，即梯度。根据梯度下降法，更新模型参数，使得损失值减小，重复上述步骤，直到损失值收敛或达到预设的迭代次数。其中在训练过程中，可以使用交叉验证、早停等技术防止过拟合，并使用准确率、均方误差等指标评估模型的泛化能力和鲁棒性。
进一步的，在本发明的一个实施例中，上述将预处理后得到的点云数据及影像数据一同输入至训练好的数据融合模型中对点云数据及影像数据进行特征提取和融合，得到具有光谱和空间信息的融合特征数据可通过如下两种实现方式进行实现：
实现方式一：由多个卷积神经网络所组成的数据融合模型中的各个卷积神经网络分别对点云数据及影像数据进行特征提取，得到点云数据及影像数据各自的特征；
根据注意力机制分别对点云数据及影像数据各自的特征进行权重及相关性的计算，得到不同特征的权重和相关性；
根据不同特征的权重和相关性分别对点云数据及影像数据各自的特征进行特征融合，得到具有光谱和空间信息的融合特征数据。
实现方式二：由多个卷积神经网络所组成的数据融合模型中的各个卷积神经网络分别对点云数据及影像数据进行特征提取，得到点云数据及影像数据各自的高层特征和低层特征；
根据注意力机制分别对点云数据及影像数据各自的高层特征和低层特征进行特征分析，得到不同特征的权重；
根据不同特征的权重分别对点云数据及影像数据各自的高层特征和低层特征进行特征融合，得到高层融合特征和低层融合特征；
分别将高层融合特征和低层融合特征进行拼接，得到具有光谱和空间信息的融合特征数据。
具体的，在实现方式一中，数据融合模型由多个卷积神经网络组成，每个卷积神经网络负责处理一种遥感数据并提取其特征，然后将其所提取的特征输入到一个融合层中，其中融合层采用注意力机制分析特征的重要程度，生成不同特征的权重和相关性，同时减弱对无效信息的关注。此时融合层根据不同特征的权重和相关性，生成一个融合特征数据。上述根据注意力机制分别对点云数据及影像数据各自的特征进行权重及相关性的计算，得到不同特征的权重和相关性的计算公式为：
；
；
其中，表示第种特征的权重，表示第种特征与第种特征的相关性，和为可学习的权重矩阵，⊙表示哈达玛积，表示第种数据通过卷积神经网络所提取的特征，表示第种数据通过卷积神经网络所提取的特征，表示第种特征的特征权重矩阵，表示第种特征的特征权重矩阵，表示第种特征和第种特征之间的特征相关性矩阵，表示第种特征和第种特征之间的特征相关性矩阵，N表示遥感数据的种量，表示以自然常数e为底的指数函数。
上述根据不同特征的权重和相关性分别对点云数据及影像数据各自的特征进行特征融合，得到具有光谱和空间信息的融合特征数据的计算公式为：
其中，表示融合特征数据。
具体来说，假设有N种遥感数据，分别记为X1,X2,…,XN，每种数据的尺寸为H×W×C，其中H,W,C分别表示高度、宽度和通道数。对于第i种数据Xi，首先通过一个卷积神经网络Fi，提取其特征Fi(Xi)，其尺寸为H×W×Ci，其中Ci表示特征的通道数。然后将所有的特征Fi(Xi)输入到一个融合层G中，融合层G采用注意力机制，计算每种特征的权重和相关性，并根据以下计算公式生成一个融合特征数据：
其中⊙表示哈达玛积（逐元素相乘），和分别表示第i种特征的权重和第i种特征与第j种特征的相关性，可以通过以下公式计算：
；
；
其中Wa和Wb为可学习的权重矩阵，表示以自然常数e为底的指数函数，表示第种特征的特征权重矩阵，通过将一个可学习的权重矩阵Wa与第i种特征Fi(Xi)相乘，从而得到一个新的矩阵，用于表示每个像素位置的权重值；相应的，表示第种特征的特征权重矩阵，表示第种特征和第种特征之间的特征相关性矩阵，通过将第i种特征Fi(Xi)与第j种特征逐元素相乘，再与一个可学习的权重矩阵Wb相乘，从而得到一个新的矩阵，用于表示每个像素位置的相关性值；相应的表示第种特征和第种特征之间的特征相关性矩阵。
其中，在实现方式二中，其与实现方式一大体相同，其区别在于其分别提取点云数据及影像数据各自的高层特征和低层特征，然后对点云数据及影像数据各自的高层特征和低层特征进行特征融合得到高层融合特征和低层融合特征，最后再将特征融合后的高层融合特征和低层融合特征在通道维度上进行拼接，得到具有光谱和空间信息的融合特征数据。
进一步的，在对预处理后得到的点云数据及影像数据进行特征提取和融合，得到具有光谱和空间信息的融合特征数据后，利用三维重建的方法，如体素化、晶格化、图结构等，将融合特征数据转换为三维数据表示形式，得到具有高精度几何形状的三维模型。最后，利用正射投影的方法，将三维模型投影到水平平面上，得到三维正射影像图，使得消除地形起伏造成的影像变形，提高影像的几何精度和位置精度，从而实现对地物的三维表达和解译。
其中，本发明实施例，机载LiDAR系统和机载SAR系统都是一种能够提供高分辨率、高精度的遥感数据，但是各有优缺点，例如机载LiDAR系统采集的三维点云数据能够精确地反映地形地貌和地物高程，但受到云雾、雨雪等气象条件的影响；机载SAR系统采集的影像数据能够穿透云层和雾霾，但受到散射机制和干涉条纹的影响。因此，通过利用三维点云数据和二维影像数据的互补性，将两种数据进行融合，使得可以充分利用各自的优势，弥补各自的不足，提高数据质量、信息量及精度，实现了对资源变化的多角度、多层次、多尺度的描述和分析。
步骤S30，根据点云数据提供的几何特征和影像数据提供的光谱特征，将所生成的三维正射影像图进行分割及分类，得到不同地类或地物的各个图斑并赋予相应的属性；
其中，在本发明的一个实施例中，参照前述所述，点云数据包括高程、形状、体积、密度等几何特征；影像数据包括灰度、对比度、方向性等光谱特征；而所生成的三维正射影像图融合有点云数据以及影像数据。此时上述步骤方法可通过如下方式进行实现：
根据所生成的三维正射影像图中点云数据提供的几何特征和影像数据提供的光谱特征选择合适的分割算法；
将所生成的三维正射影像图输入至分割算法中进行图像分割，得到不同大小和形状的图斑，其中各个图斑包括点云数据提供的几何特征和影像数据提供的光谱特征；
根据各个图斑中点云数据提供的几何特征和影像数据提供的光谱特征选择合适的分类方法，并对分割后的各个图斑进行分类，得到不同地类或地物的各个图斑并赋予相应的属性；
对分类后的各个图斑进行去除噪声点、合并小区域的图斑、及优化图斑边界操作。
其中，图斑是指在遥感影像中具有相似或相同特征的区域，例如土地利用类型、地物类型、植被类型等。图斑可以由点云数据和影像数据共同构成，也可以只由其中一种数据构成。例如，如果只有点云数据，那么图斑可以根据点云的高程、强度、回波次数等属性进行划分；如果只有影像数据，那么图斑可以根据影像的颜色、纹理、形状等特征进行划分。如果有点云数据和影像数据，那么图斑可以综合两种数据的信息进行划分，提高图斑的识别精度和可视化效果。
具体的，在本发明实施例中，其图斑包含有点云数据和影像数据，此时根据点云数据提供的几何特征和影像数据提供的光谱特征选择合适的分割算法，其中需要指出的是，其分割算法以及后续分类算法均主要采用面向对象的方法，其中面向对象的方法是一种基于图像对象而不是单个像素进行分割和分类的方法，用于将图像划分为具有一定内部相似性和外部差异性的图像对象，也称为图斑或区域。此时采用该面向对象的图像分割方法可以克服传统基于像素的分割方法的一些缺陷，如噪声敏感、边界不清晰、空间信息丢失等，同时可以充分利用图像对象的光谱、几何、纹理、拓扑等特征，提高图像分析的精度和效率。
其中分割算法主要包括多尺度分割法或四叉树分割法，具体的多尺度分割法是根据影像数据中不同波段的权重、紧致度以及平滑度进行分割，得到不同尺度的图像对象，然后根据点云数据提供的高程、坡度、曲率等几何特征进行合并或拆分，得到最终的图斑。而四叉树分割法是将影像数据和点云数据转换为晶格结构，然后根据光谱差异和几何差异进行自适应的四叉树分割，得到不同大小的正方形图像对象，然后根据一定的规则进行合并或拆分，得到最终的图斑。其中不同的分割算法有不同的参数设置和优缺点，需要根据实际情况进行调整和选择。
进一步的，在选择合适的分割算法后，将所生成的三维正射影像图输入至分割算法中进行图像分割，其不同分割算法的分割方式具体参照上述所述，此时利用三维正射影像图中点云数据提供的几何特征和影像数据提供的光谱特征，采用所选择的分割算法，将三维正射影像图划分为不同地类或地物的各个图斑，其中各个图斑包括点云数据提供的几何特征和影像数据提供的光谱特征。需要指出的是，在采用多尺度分割法的方式对三维正射影像图进行分割的过程中，还可以设置不同波段或颜色因子的权重，以及紧致度和平滑度等参数，以控制分割结果的质量和粒度。
进一步的，根据各个图斑中点云数据提供的几何特征和影像数据提供的光谱特征选择合适的分类方法，例如基于规则的分类或基于知识的分类等，对图像对象进行分类。在分类过程中，可以利用点云数据提供的几何特征（如高度、坡度、曲率等）和影像数据提供的光谱特征（如反射率、归一化植被指数等），以及其他可能相关的特征（如纹理、拓扑等），构建分类规则或知识库，并应用到图像对象上，根据图像对象的特征将其归入对应的地类或地物类别，使得得到不同地类或地物的各个图斑。其中，不同的分类方法有不同的原理和复杂度，因此需要根据具体的需求和条件进行选择和优化。最后，对点云数据进行属性赋值，可以根据分类结果和影像数据，给每个图斑分配相应的属性，如名称、类型、面积、高度等。
具体的，在本发明的一个实施例中，对各个图斑进行分类并赋予相应属性可以通过如下步骤实现：
根据分割后的图斑，提取点云数据和影像数据的特征向量，如形状因子、紧致度、方向性、灰度均值、灰度方差、灰度共生矩阵等，并将两种特征向量拼接成一个混合特征向量，作为分类的输入。
根据不同地类或地物的标签，对混合特征向量进行标注，构建训练集和测试集。选择合适的机器学习方法，如支持向量机、随机森林、K近邻等，对训练集进行训练，得到分类模型。
将测试集输入到分类模型中，进行预测，得到预测标签。根据预测标签和真实标签，计算分类的准确率、召回率等评价指标，评估分类效果。
因此，对于各个新的图斑数据，使用上述步骤进行特征提取，然后输入至分类模型中进行分类预测，并对分类的图斑赋予相应属性。
进一步的，在对各个图斑进行分类完成后，对分类后的各个图斑进行后处理，其主要包括去除噪声、填补空洞、平滑边界、合并小区域等，以提高分类结果的准确性和可视性、及提高图斑质量和可读性。
步骤S40，根据点云数据提供的动态特征和影像数据提供的变化特征，将所分类的各个图斑与多时相所采集的历史数据或基准数据进行对比，检测出变化的图斑，并对其进行分类和标注得到变化类型和程度；
其中，在本发明的一个实施例中，上述步骤可通过如下方式实现：
根据分类后的图斑提取点云数据的动态特征和影像数据的变化特征，并将所提取的两种特征向量拼接成一个混合特征向量。
根据多时相所采集的历史数据或基准数据，构建训练集和测试集，并对训练集进行训练得到变化检测模型；
将测试集输入至变化检测模型中进行预测得到预测标签，根据预测标签和测试集所对应的真实标签，计算变化检测模型的准确率并优化模型参数；
将混合特征向量输入至变化检测模型进行预测得到变化的图斑；
根据点云数据的动态特征和影像数据的变化特征，将变化的图斑划分为不同的类别或类型，并计算变化的程度。
具体的，在对分类后的图斑进行变化检测时，首先需要对不同时相获取的点云数据和影像数据进行预处理，如辐射校正、几何校正、配准、裁剪等，保证影像的质量和一致性。然后，利用点云数据提供的动态特征，如高程、法向量、曲率等，和影像数据提供的变化特征，如光谱、纹理、形状等，构建用于变化检测的特征向量。其中通过结合两种特征可以更好地区分变化和不变的图斑，提高变化检测精度和鲁棒性。需要指出的是，当对目标区域进行首次测绘时，则历史数据为空，此时分类后的所有图斑相较于基准数据可能存在均是属于变化的图斑，而后续测绘时，则分类后的所有图斑相较于多时相所采集的历史数据进行对比从而确定出变化的图斑。
进一步的，将所提取的两种特征向量拼接成一个混合特征向量，作为用于变化检测时的输入。然后根据历史数据或基准数据构建训练集和测试集，选择合适的变化检测方法，如差异分析、主成分分析、支持向量机等，对训练集进行训练，得到变化检测模型。然后将测试集输入到变化检测模型中进行预测得到预测标签，根据预测标签和测试集所实际对应的真实标签，计算变化检测的准确率、召回率等评价指标，评估变化检测效果，并根据预测标签和真实标签之间的损失函数，相应的优化模型参数，具体的可参照前述所述。然后将混合特征向量输入至变化检测模型进行预测得到变化的图斑，对于预测出的变化的图斑，进一步分析变化的类型、程度和原因。根据点云数据和影像数据的动态特征和变化特征，采用分类、聚类、回归等方法，将变化的图斑划分为不同的类别或类型，并计算其变化的程度或量化指标。同时根据地理知识或专家经验，推断出变化的图斑发生变化的可能原因或驱动因素。
此时通过多时相的图斑变化检测，使得可以识别出图斑在时间上的差异和变化，从而可以确定两期或多期影像中发生地类变化的区域。然后对变化的图斑进行地类标注，即确定变化的图斑的前后地类类型。最后利用统计分析的方法，如面积统计、频率统计、转移矩阵等，计算变化的图斑的数量、面积、比例、转移方向等量化指标，反映变化的图斑的规模、速度、趋势等特征。其中对分类后的图斑进行变化检测的作用是发现同一地区在不同时间内发生的地表变化情况。
因此本实施例中，通过利用点云数据和影像数据的动态性，实现了对资源变化的实时监测和跟踪。其中点云数据能够捕捉目标区域的动态变化，如移动物体、风吹草动等，而影像数据能够捕捉目标区域的变化特征，如水位变化、土地利用变化等。通过对两种数据进行变化检测，可以将图斑与历史数据或基准数据进行对比，识别出变化的图斑，并分析变化的类型、程度和原因。
步骤S50，根据点云数据提供的空间坐标和影像数据提供的投影参数，将所检测的各个变化的图斑分别转换为目标坐标系下的矢量数据，并根据矢量数据及历史测绘数据生成测绘数据；
其中，在本发明的一个实施例中，在对各个图斑进行多时相的变化检测后，对检测后的图斑进行测绘，具体的利用点云数据提供的空间坐标和影像数据提供的投影参数，采用高斯-克吕格投影等方法，将图斑转换为国家大地坐标系下的矢量数据，然后将变化的图斑所转换的矢量数据替换掉历史测绘数据中原先图斑的矢量数据，使得最终生成测绘数据，此时所生成的测绘数据并非需要将所有的图斑均进行绘制，而是仅在历史测绘数据中将发生变化的图斑进行替换即可，使得可有效的减少了测绘数据的制作时间，提高测绘效率。需要指出的是，当对目标区域进行首次测绘时，由于上述检测确定所有图斑均是变化的图斑，因此将所有的图斑均进行测绘；而在后续测绘时，则将检测发生变化的图斑替换原有的图斑即可。同时需要指出的是，对检测后的变化的图斑进行测绘的过程中，还可以提取并高亮显示变化区域的几何和属性信息，例如变化区域的位置、面积、形状、类型等。其可以用于分析变化的原因、过程和影响，以及制定相应的管理和保护措施，使得可以有效的监测一定时间段、特定区域内的土地利用变化信息或环境变化信息。
具体的，首先需要利用点云数据提供的空间坐标和影像数据提供的投影参数，将点云数据和影像数据进行空间配准，以保证两者在同一坐标系下。然后根据图斑所在的原始坐标系和投影参数将图斑所在的原始坐标系转换为国家大地坐标系下的地理坐标系，即经纬度坐标。然后利用矢量化工具将图斑由栅格格式转换为具体为矢量格式的矢量数据。然后对矢量数据进行空间分析和制图，其中步骤主要包括创建格网与图斑数据叠加，频数统计与面积比例计算，生成测绘数据。
其中，在本发明的一个实施例中，上述根据矢量数据及历史测绘数据生成测绘数据的步骤包括：
创建指定大小和形状的格网，并将格网与历史测绘数据及变化的图斑的矢量数据进行叠加；
对叠加后的数据进行频数统计，得到每个格网单元中各个图斑类型的个数和面积，并根据总面积计算各个图斑类型的面积比例；
将叠加后的数据添加到布局中，并进行符号化、标注、分级操作，使不同的图斑类型用不同的颜色或符号表示；
添加地图要素，并调整布局的大小、位置和样式，得到测绘数据。
具体的，首先创建格网与历史测绘数据及变化的图斑的矢量数据进行叠加，得到每个格网单元包含的图斑类型和数量。然后对叠加后的数据进行频数统计，得到每个格网单元中各个图斑类型的个数和面积，然后根据总面积计算各个图斑类型的面积比例。然后创建一个新的布局，然后将叠加后的数据添加到布局中，并进行符号化、标注、分级等操作，使得不同的图斑类型用不同的颜色或符号表示。然后添加地图要素，如指北针、比例尺、图例、标题等，并调整布局的大小、位置和样式，最后实现测绘数据。
本实施例中，通过分别获取机载LiDAR系统和机载SAR系统所采集的三维点云数据和二维影像数据，并对所预处理后的点云数据和影像数据进行融合生成三维正射影像图，然后将三维正射影像图进行分割及分类得到不同地类或地物的各个图斑，并对所分类的各个图斑与多时相所采集的历史数据或基准数据进行对比，检测出变化的图斑，并将各个变化的图斑分别转换为目标坐标系下的矢量数据，并根据矢量数据及历史测绘数据生成测绘数据，使得可以直接基于产生变化的图斑即可快速的生成测绘数据，提高了测绘效率，同时还可基于变化的图斑对相应的对同一地区在不同时间内发生的地表变化情况进行有效分析，实现对资源变化的实时监测和跟踪，同时通过将点云数据和影像数据进行融合，使得可以充分利用各自的优势，弥补各自的不足，提高数据质量、信息量及精度，解决了现有测绘的测绘效率低的问题。
实施例二
请参阅图2，是本发明第二实施例提供的动态遥感监测的测绘系统的结构示意图，为了便于说明，仅示出了与本发明实施例相关的部分，该系统包括：
数据采集模块11，用于分别获取机载LiDAR系统和机载SAR系统对目标区域进行多时相的遥感数据采集所得到的三维点云数据和二维影像数据；
数据处理融合模块12，用于分别对所采集的三维点云数据和二维影像数据进行预处理，并对预处理后得到的点云数据及影像数据进行特征提取和融合，得到具有光谱和空间信息的融合特征数据，并根据融合特征数据生成三维正射影像图；
数据分割分类模块13，用于根据点云数据提供的几何特征和影像数据提供的光谱特征，将所生成的三维正射影像图进行分割及分类，得到不同地类或地物的各个图斑并赋予相应的属性；
数据变化检测模块14，用于根据点云数据提供的动态特征和影像数据提供的变化特征，将所分类的各个图斑与多时相所采集的历史数据或基准数据进行对比，检测出变化的图斑，并对其进行分类和标注得到变化类型和程度；
测绘输出模块15，用于根据点云数据提供的空间坐标和影像数据提供的投影参数，将所检测的各个变化的图斑分别转换为目标坐标系下的矢量数据，并根据矢量数据及历史测绘数据生成测绘数据；
所述数据处理融合模块12包括：
数据融合模型构建单元，用于构建基于深度学习的数据融合模型，并利用已有的观测数据或模拟数据作为训练集对数据融合模型进行训练优化模型参数；
特征提取融合单元，用于将预处理后得到的点云数据及影像数据一同输入至训练好的数据融合模型中对点云数据及影像数据进行特征提取和融合，得到具有光谱和空间信息的融合特征数据；
数据转换单元，用于将融合特征数据转换为三维数据表示形式，得到具有几何形状的三维模型；
三维正射影像图确定单元，用于将三维模型投影到水平平面上，得到三维正射影像图。
进一步地，在本发明的一个实施例中，特征提取融合单元包括：
第一特征提取子单元，用于由多个卷积神经网络所组成的数据融合模型中的各个卷积神经网络分别对点云数据及影像数据进行特征提取，得到点云数据及影像数据各自的特征；
第一特征计算子单元，用于根据注意力机制分别对点云数据及影像数据各自的特征进行权重及相关性的计算，得到不同特征的权重和相关性；
第一特征融合子单元，用于根据不同特征的权重和相关性分别对点云数据及影像数据各自的特征进行特征融合，得到具有光谱和空间信息的融合特征数据。
进一步地，在本发明的一个实施例中，第一特征计算子单元的计算公式为：
；
；
其中，表示第种特征的权重，表示第种特征与第种特征的相关性，和为可学习的权重矩阵，⊙表示哈达玛积，表示第种数据通过卷积神经网络所提取的特征，表示第种数据通过卷积神经网络所提取的特征，表示第种特征的特征权重矩阵，表示第种特征的特征权重矩阵，表示第种特征和第种特征之间的特征相关性矩阵，表示第种特征和第种特征之间的特征相关性矩阵，N表示遥感数据的种量，表示以自然常数e为底的指数函数；
第一特征融合子单元的计算公式为：
其中，表示融合特征数据。
进一步地，在本发明的一个实施例中，特征提取融合单元包括：
第二特征提取子单元，用于由多个卷积神经网络所组成的数据融合模型中的各个卷积神经网络分别对点云数据及影像数据进行特征提取，得到点云数据及影像数据各自的高层特征和低层特征；
第二特征计算子单元，用于根据注意力机制分别对点云数据及影像数据各自的高层特征和低层特征进行特征分析，得到不同特征的权重；
第二特征融合子单元，用于根据不同特征的权重分别对点云数据及影像数据各自的高层特征和低层特征进行特征融合，得到高层融合特征和低层融合特征；
特征拼接子单元，用于分别将高层融合特征和低层融合特征进行拼接，得到具有光谱和空间信息的融合特征数据。
进一步地，在本发明的一个实施例中，数据采集模块11包括：
数据确定单元，用于根据目标区域的地理特征、气象条件及测绘需求因素，确定合适的机载平台、传感器参数、飞行高度、飞行速度及飞行航线，并在机载平台上安装对应传感器参数的机载LiDAR系统和机载SAR系统，以及惯性导航系统、全球定位系统、通信系统和控制记录系统所组成的检测组件；
数据采集单元，用于按照所选择的飞行高度、飞行速度及飞行航线进行飞行，并在飞行过程中利用机载LiDAR系统和机载SAR系统按照预设的参数对目标区域进行多时相的遥感数据采集，同时利用检测组件记录飞行姿态、位置、速度及时间数据；
数据处理单元，用于根据机载LiDAR系统和机载SAR系统所采集的遥感数据及检测组件所记录的数据进行整合处理，得到不同时间下的三维点云数据和二维影像数据。
进一步地，在本发明的一个实施例中，数据分割分类模块13包括：
分割算法确定单元，用于根据所生成的三维正射影像图中点云数据提供的几何特征和影像数据提供的光谱特征选择合适的分割算法；
分割单元，用于将所生成的三维正射影像图输入至分割算法中进行图像分割，得到不同大小和形状的图斑，其中各个图斑包括点云数据提供的几何特征和影像数据提供的光谱特征；
分类单元，用于根据各个图斑中点云数据提供的几何特征和影像数据提供的光谱特征选择合适的分类方法，并对分割后的各个图斑进行分类，得到不同地类或地物的各个图斑并赋予相应的属性；
后处理单元，用于对分类后的各个图斑进行去除噪声点、合并小区域的图斑、及优化图斑边界操作。
进一步地，在本发明的一个实施例中，数据变化检测模块14包括：
特征拼接单元，用于根据分类后的图斑提取点云数据的动态特征和影像数据的变化特征，并将所提取的两种特征向量拼接成一个混合特征向量；
变化检测模型构建单元，用于根据多时相所采集的历史数据或基准数据，构建训练集和测试集，并对训练集进行训练得到变化检测模型；
模型参数调整单元，用于将测试集输入至变化检测模型中进行预测得到预测标签，根据预测标签和测试集所对应的真实标签，计算变化检测模型的准确率并优化模型参数；
模型预测单元，用于将混合特征向量输入至变化检测模型进行预测得到变化的图斑；
分类单元，用于根据点云数据的动态特征和影像数据的变化特征，将变化的图斑划分为不同的类别或类型，并计算变化的程度。
进一步地，在本发明的一个实施例中，测绘输出模块15包括：
数据叠加单元，用于创建指定大小和形状的格网，并将格网与历史测绘数据及变化的图斑的矢量数据进行叠加；
数据统计单元，用于对叠加后的数据进行频数统计，得到每个格网单元中各个图斑类型的个数和面积，并根据总面积计算各个图斑类型的面积比例；
数据添加单元，用于将叠加后的数据添加到布局中，并进行符号化、标注、分级操作，使不同的图斑类型用不同的颜色或符号表示；
数据调整单元，用于添加地图要素，并调整布局的大小、位置和样式，得到测绘数据。
本发明实施例所提供的一种动态遥感监测的测绘系统，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，系统实施例部分未提及之处，可参考前述方法实施例中相应内容。
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，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元或模块完成，即将存储装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施方式中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明的保护范围应以所附权利要求为准。
Claims (9)
1.一种动态遥感监测的测绘方法，其特征在于，所述方法包括：
分别获取机载LiDAR系统和机载SAR系统对目标区域进行多时相的遥感数据采集所得到的三维点云数据和二维影像数据；
分别对所采集的三维点云数据和二维影像数据进行预处理，并对预处理后得到的点云数据及影像数据进行特征提取和融合，得到具有光谱和空间信息的融合特征数据，并根据融合特征数据生成三维正射影像图；
根据点云数据提供的几何特征和影像数据提供的光谱特征，将所生成的三维正射影像图进行分割及分类，得到不同地物的各个图斑并赋予相应的类型属性；
根据点云数据提供的动态特征和影像数据提供的变化特征，将所分类的各个图斑与多时相所采集的历史数据或基准数据进行对比，检测出变化的图斑，并对其进行分类和标注得到变化类型和程度；
根据点云数据提供的空间坐标和影像数据提供的投影参数，将所检测的各个变化的图斑分别转换为目标坐标系下的矢量数据，并根据矢量数据及历史测绘数据生成测绘数据；
所述对预处理后得到的点云数据及影像数据进行特征提取和融合，得到具有光谱和空间信息的融合特征数据，并根据融合特征数据生成三维正射影像图的步骤包括：
构建基于深度学习的数据融合模型，并利用已有的观测数据或模拟数据作为训练集对数据融合模型进行训练优化模型参数；
将预处理后得到的点云数据及影像数据一同输入至训练好的数据融合模型中对点云数据及影像数据进行特征提取和融合，得到具有光谱和空间信息的融合特征数据；
将融合特征数据转换为三维数据表示形式，得到具有几何形状的三维模型；
将三维模型投影到水平平面上，得到三维正射影像图。
2.根据权利要求1所述的动态遥感监测的测绘方法，其特征在于，所述将预处理后得到的点云数据及影像数据一同输入至训练好的数据融合模型中对点云数据及影像数据进行特征提取和融合，得到具有光谱和空间信息的融合特征数据的步骤包括：
由多个卷积神经网络所组成的数据融合模型中的各个卷积神经网络分别对点云数据及影像数据进行特征提取，得到点云数据及影像数据各自的特征；
根据注意力机制分别对点云数据及影像数据各自的特征进行权重及相关性的计算，得到不同特征的权重和相关性；
根据不同特征的权重和相关性分别对点云数据及影像数据各自的特征进行特征融合，得到具有光谱和空间信息的融合特征数据。
3.根据权利要求2所述的动态遥感监测的测绘方法，其特征在于，所述根据注意力机制分别对点云数据及影像数据各自的特征进行权重及相关性的计算，得到不同特征的权重和相关性的计算公式为：
；
；
其中，表示第种特征的权重，表示第种特征与第种特征的相关性，和为可学习的权重矩阵，⊙表示哈达玛积，表示第种数据通过卷积神经网络所提取的特征，表示第种数据通过卷积神经网络所提取的特征，表示第种特征的特征权重矩阵，表示第种特征的特征权重矩阵，表示第种特征和第种特征之间的特征相关性矩阵，表示第种特征和第种特征之间的特征相关性矩阵，N表示遥感数据的种量，表示以自然常数e为底的指数函数；
所述根据不同特征的权重和相关性分别对点云数据及影像数据各自的特征进行特征融合，得到具有光谱和空间信息的融合特征数据的计算公式为：
其中， 表示融合特征数据。
4.根据权利要求1所述的动态遥感监测的测绘方法，其特征在于，所述将预处理后得到的点云数据及影像数据一同输入至训练好的数据融合模型中对点云数据及影像数据进行特征提取和融合，得到具有光谱和空间信息的融合特征数据的步骤包括：
由多个卷积神经网络所组成的数据融合模型中的各个卷积神经网络分别对点云数据及影像数据进行特征提取，得到点云数据及影像数据各自的高层特征和低层特征；
根据注意力机制分别对点云数据及影像数据各自的高层特征和低层特征进行特征分析，得到不同特征的权重；
根据不同特征的权重分别对点云数据及影像数据各自的高层特征和低层特征进行特征融合，得到高层融合特征和低层融合特征；
分别将高层融合特征和低层融合特征进行拼接，得到具有光谱和空间信息的融合特征数据。
5.根据权利要求1所述的动态遥感监测的测绘方法，其特征在于，所述分别获取机载LiDAR系统和机载SAR系统对目标区域进行多时相的遥感数据采集所得到的三维点云数据和二维影像数据的步骤包括：
根据目标区域的地理特征、气象条件及测绘需求因素，确定合适的机载平台、传感器参数、飞行高度、飞行速度及飞行航线，并在机载平台上安装对应传感器参数的机载LiDAR系统和机载SAR系统，以及惯性导航系统、全球定位系统、通信系统和控制记录系统所组成的检测组件；
按照所选择的飞行高度、飞行速度及飞行航线进行飞行，并在飞行过程中利用机载LiDAR系统和机载SAR系统按照预设的参数对目标区域进行多时相的遥感数据采集，同时利用检测组件记录飞行姿态、位置、速度及时间数据；
根据机载LiDAR系统和机载SAR系统所采集的遥感数据及检测组件所记录的数据进行整合处理，得到不同时间下的三维点云数据和二维影像数据。
6.根据权利要求1所述的动态遥感监测的测绘方法，其特征在于，所述将所生成的三维正射影像图进行分割及分类，得到不同地物的各个图斑并赋予相应的属性的步骤包括：
根据所生成的三维正射影像图中点云数据提供的几何特征和影像数据提供的光谱特征选择合适的分割算法；
将所生成的三维正射影像图输入至分割算法中进行图像分割，得到不同大小和形状的图斑，其中各个图斑包括点云数据提供的几何特征和影像数据提供的光谱特征；
根据各个图斑中点云数据提供的几何特征和影像数据提供的光谱特征选择合适的分类方法，并对分割后的各个图斑进行分类，得到不同地物的各个图斑并赋予相应的属性；
对分类后的各个图斑进行去除噪声点、合并小区域的图斑、及优化图斑边界操作。
7.根据权利要求1所述的动态遥感监测的测绘方法，其特征在于，所述将所分类的各个图斑与多时相所采集的历史数据或基准数据进行对比，检测出变化的图斑，并对其进行分类和标注得到变化类型和程度的步骤包括：
根据分类后的图斑提取点云数据的动态特征和影像数据的变化特征，并将所提取的两种特征向量拼接成一个混合特征向量；
根据多时相所采集的历史数据或基准数据，构建训练集和测试集，并对训练集进行训练得到变化检测模型；
将测试集输入至变化检测模型中进行预测得到预测标签，根据预测标签和测试集所对应的真实标签，计算变化检测模型的准确率并优化模型参数；
将混合特征向量输入至变化检测模型进行预测得到变化的图斑；
根据点云数据的动态特征和影像数据的变化特征，将变化的图斑划分为不同的类型，并计算变化的程度。
8.根据权利要求1所述的动态遥感监测的测绘方法，其特征在于，所述根据矢量数据及历史测绘数据生成测绘数据的步骤包括：
创建指定大小和形状的格网，并将格网与历史测绘数据及变化的图斑的矢量数据进行叠加；
对叠加后的数据进行频数统计，得到每个格网单元中各个图斑类型的个数和面积，并根据总面积计算各个图斑类型的面积比例；
将叠加后的数据添加到布局中，并进行符号化、标注、分级操作，使不同的图斑类型用不同的颜色或符号表示；
添加地图要素，并调整布局的大小、位置和样式，得到测绘数据。
9.一种动态遥感监测的测绘系统，其特征在于，所述系统包括：
数据采集模块，用于分别获取机载LiDAR系统和机载SAR系统对目标区域进行多时相的遥感数据采集所得到的三维点云数据和二维影像数据；
数据处理融合模块，用于分别对所采集的三维点云数据和二维影像数据进行预处理，并对预处理后得到的点云数据及影像数据进行特征提取和数据融合，得到具有光谱和空间信息的融合特征数据，并根据融合特征数据生成三维正射影像图；
数据分割分类模块，用于根据点云数据提供的几何特征和影像数据提供的光谱特征，将所生成的三维正射影像图进行分割及分类，得到不同地物的各个图斑并赋予相应的属性；
数据变化检测模块，用于根据点云数据提供的动态特征和影像数据提供的变化特征，将所分类的各个图斑与多时相所采集的历史数据或基准数据进行对比，检测出变化的图斑，并对其进行分类和标注得到变化类型和程度；
测绘输出模块，用于根据点云数据提供的空间坐标和影像数据提供的投影参数，将所检测的各个变化的图斑分别转换为目标坐标系下的矢量数据，并根据矢量数据及历史测绘数据生成测绘数据；
所述数据处理融合模块包括：
数据融合模型构建单元，用于构建基于深度学习的数据融合模型，并利用已有的观测数据或模拟数据作为训练集对数据融合模型进行训练优化模型参数；
特征提取融合单元，用于将预处理后得到的点云数据及影像数据一同输入至训练好的数据融合模型中对点云数据及影像数据进行特征提取和融合，得到具有光谱和空间信息的融合特征数据；
数据转换单元，用于将融合特征数据转换为三维数据表示形式，得到具有几何形状的三维模型；
三维正射影像图确定单元，用于将三维模型投影到水平平面上，得到三维正射影像图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311028551.4A CN116778104B (zh) | 2023-08-16 | 2023-08-16 | 一种动态遥感监测的测绘方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311028551.4A CN116778104B (zh) | 2023-08-16 | 2023-08-16 | 一种动态遥感监测的测绘方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116778104A CN116778104A (zh) | 2023-09-19 |
| CN116778104B true CN116778104B (zh) | 2023-11-14 |
Family
ID=88011858
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311028551.4A Active CN116778104B (zh) | 2023-08-16 | 2023-08-16 | 一种动态遥感监测的测绘方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116778104B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117541537B (zh) * | 2023-10-16 | 2024-05-24 | 江苏星湖科技有限公司 | 基于全景点云融合技术的时空差异检测方法及其系统 |
| CN117190982B (zh) * | 2023-11-07 | 2024-02-02 | 武汉追月信息技术有限公司 | 一种基于遥感影像的地理信息测绘系统 |
| CN117541720B (zh) * | 2023-11-14 | 2024-04-19 | 吉林省鑫科测绘有限公司 | 一种不动产测绘方法及系统 |
| CN117274342B (zh) * | 2023-11-21 | 2024-02-13 | 中铁水利水电规划设计集团有限公司 | 一种基于卫星数据的水利工程形变监测方法 |
| CN117649602B (zh) * | 2023-12-06 | 2024-06-07 | 燕东科技(广东)有限公司 | 基于人工智能的图像处理方法及系统 |
| CN117433513B (zh) * | 2023-12-21 | 2024-03-08 | 云南淼泉测绘工程有限公司 | 一种地形测绘的地图构建方法及系统 |
| CN117788302B (zh) * | 2024-02-26 | 2024-05-14 | 山东全维地信科技有限公司 | 一种测绘图形处理系统 |
| CN118229903A (zh) * | 2024-04-11 | 2024-06-21 | 黑龙江省海天地理信息技术股份有限公司 | 一种基于多模态数据的新型基础测绘方法和系统 |
| CN118172691B (zh) * | 2024-05-13 | 2024-07-30 | 济南市勘察测绘研究院 | 基于多技术融合的工程地形测绘方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110472661A (zh) * | 2019-07-10 | 2019-11-19 | 北京吉威数源信息技术有限公司 | 基于历史本底和现时遥感影像的自动变化检测方法和系统 |
| WO2019242174A1 (zh) * | 2018-06-21 | 2019-12-26 | 华南理工大学 | 基于激光雷达的建筑结构自动测量及3d模型生成方法 |
| CN110689563A (zh) * | 2019-09-27 | 2020-01-14 | 佛山科学技术学院 | 一种用于提取遥感图像中违法建筑信息的数据处理方法 |
| WO2020179065A1 (ja) * | 2019-03-07 | 2020-09-10 | 日本電気株式会社 | 画像処理装置、画像処理方法及び記録媒体 |
| CN111739067A (zh) * | 2020-05-28 | 2020-10-02 | 中国国土勘测规划院 | 一种遥感影像变化检测方法及装置 |
| WO2021184891A1 (zh) * | 2020-03-20 | 2021-09-23 | 中国科学院深圳先进技术研究院 | 遥感影像地物分类方法及系统 |
| CN114092832A (zh) * | 2022-01-20 | 2022-02-25 | 武汉大学 | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 |
| CN115761303A (zh) * | 2022-10-19 | 2023-03-07 | 国网电力空间技术有限公司 | 基于机载激光雷达点云和遥感影像数据的地物分类方法 |
| CN116543191A (zh) * | 2023-01-11 | 2023-08-04 | 中国人民解放军战略支援部队信息工程大学 | 一种多源遥感数据自适应融合地物分类方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11217012B2 (en) * | 2018-11-16 | 2022-01-04 | Uatc, Llc | System and method for identifying travel way features for autonomous vehicle motion control |
| CN113592882B (zh) * | 2021-08-09 | 2022-06-03 | 中国林业科学研究院资源信息研究所 | 一种基于无人机多源遥感的树冠提取方法 |
-
2023
- 2023-08-16 CN CN202311028551.4A patent/CN116778104B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019242174A1 (zh) * | 2018-06-21 | 2019-12-26 | 华南理工大学 | 基于激光雷达的建筑结构自动测量及3d模型生成方法 |
| WO2020179065A1 (ja) * | 2019-03-07 | 2020-09-10 | 日本電気株式会社 | 画像処理装置、画像処理方法及び記録媒体 |
| CN110472661A (zh) * | 2019-07-10 | 2019-11-19 | 北京吉威数源信息技术有限公司 | 基于历史本底和现时遥感影像的自动变化检测方法和系统 |
| CN110689563A (zh) * | 2019-09-27 | 2020-01-14 | 佛山科学技术学院 | 一种用于提取遥感图像中违法建筑信息的数据处理方法 |
| WO2021184891A1 (zh) * | 2020-03-20 | 2021-09-23 | 中国科学院深圳先进技术研究院 | 遥感影像地物分类方法及系统 |
| CN111739067A (zh) * | 2020-05-28 | 2020-10-02 | 中国国土勘测规划院 | 一种遥感影像变化检测方法及装置 |
| CN114092832A (zh) * | 2022-01-20 | 2022-02-25 | 武汉大学 | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 |
| CN115761303A (zh) * | 2022-10-19 | 2023-03-07 | 国网电力空间技术有限公司 | 基于机载激光雷达点云和遥感影像数据的地物分类方法 |
| CN116543191A (zh) * | 2023-01-11 | 2023-08-04 | 中国人民解放军战略支援部队信息工程大学 | 一种多源遥感数据自适应融合地物分类方法 |
Non-Patent Citations (2)
| Title |
|---|
| Deep Learning for Image and Point Cloud Fusion in Autonomous Driving: A Review;Yaodong Cui 等;《arXiv》;全文 * |
| 结合均值漂移分割与聚类分析的遥感影像变化检测;方旭;王光辉;杨化超;刘慧杰;王更;;测绘通报(第12期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116778104A (zh) | 2023-09-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116778104B (zh) | 一种动态遥感监测的测绘方法及系统 | |
| US6792684B1 (en) | Method for determination of stand attributes and a computer program to perform the method | |
| US10672139B2 (en) | Method and system for remotely measuring the volume of liquid stored in external floating roof tanks | |
| US9613269B2 (en) | Identifying and tracking convective weather cells | |
| CA3088983A1 (en) | Apparatuses and methods for gas flux measurements | |
| CN107316122B (zh) | 用于自适应多传感器分析和聚集的方法和设备 | |
| Park et al. | Conceptual design of the CZMIL data processing system (DPS): algorithms and software for fusing lidar, hyperspectral data, and digital images | |
| Patanè et al. | Heterogeneous spatial data: Fusion, modeling, and analysis for GIS applications | |
| CN117029840A (zh) | 一种移动车辆定位方法及系统 | |
| US20160253604A1 (en) | Methods and apparatus for adaptive multisensor analisis and aggregation | |
| Comert et al. | Object based building extraction and building period estimation from unmanned aerial vehicle data | |
| Marcaccio et al. | Potential use of remote sensing to support the management of freshwater fish habitat in Canada | |
| Hyyppä et al. | Airborne laser scanning | |
| Wei et al. | 3D digital elevation model generation | |
| Mazzolini | SAR-based coastline detection and monitoring | |
| Mostafa | Comparison of Land cover change detection methods using SPOT images | |
| Abdela | Deep learning-based Digital Surface Model (DSM) generation using SAR image and building footprint data | |
| Maier | Direct multispectral photogrammetry for UAV-based snow depth measurements | |
| Armandillo et al. | The correlation wind lidar project: processor optimization, development and field-testing | |
| Tian | Remote Sensing Technology and Its Application | |
| Lucca | Validation and fusion of digital surface models | |
| Wang | Millimeter-Wave Synthetic Aperture Radar Image Application Techniques | |
| Lindenbergh et al. | Spatio-temporal Data Fusion | |
| Wang et al. | Spatial Monitoring Techniques and Methods for Natural Heritage Sites | |
| Chybicki et al. | Integration techniques for data from observational systems in coastal zone and port area monitoring |
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 |