CN117095151A - 基于共轭梯度的dem与倾斜摄影空间贴合初匹配优化方法 - Google Patents
基于共轭梯度的dem与倾斜摄影空间贴合初匹配优化方法 Download PDFInfo
- Publication number
- CN117095151A CN117095151A CN202311353757.4A CN202311353757A CN117095151A CN 117095151 A CN117095151 A CN 117095151A CN 202311353757 A CN202311353757 A CN 202311353757A CN 117095151 A CN117095151 A CN 117095151A
- Authority
- CN
- China
- Prior art keywords
- conjugate
- oblique photography
- gradient
- error
- dem
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000005457 optimization Methods 0.000 title claims abstract description 51
- 230000021615 conjugation Effects 0.000 title claims description 22
- 238000004364 calculation method Methods 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 15
- 230000009467 reduction Effects 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000002939 conjugate gradient method Methods 0.000 abstract description 20
- 238000003475 lamination Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 20
- 238000004422 calculation algorithm Methods 0.000 description 15
- 238000012937 correction Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000010355 oscillation Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 238000013519 translation Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012887 quadratic function Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000001268 conjugating effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- 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
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- 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)
- Software Systems (AREA)
- Computer Graphics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Architecture (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于共轭梯度的DEM与倾斜摄影空间贴合初匹配优化方法，具体涉及3D建模数据处理优化领域，本发明的目标是优化倾斜摄影模型的位置和姿态，使其在三维空间中与数字高程模型（DEM）匹配得更准确，可以通过调整倾斜摄影模型的平移、旋转等参数来实现，可以将问题建模为一个优化问题，其中优化的目标是最小化倾斜摄影模型与DEM之间的误差。整体而言，共轭梯度法结合了梯度下降和共轭方向的优点，具有较快的收敛速度和较好的全局搜索能力，能够帮助在应用中实现更准确的三维空间贴合。
Description
技术领域
本发明涉及3D建模数据处理优化领域，尤其涉及基于共轭梯度的DEM与倾斜摄影空间贴合初匹配优化方法。
背景技术
DEM代表数字高程模型（Digital Elevation Model），是描述地表或地物在垂直方向上高度信息的数学模型。倾斜摄影是一种摄影技术，通过倾斜角度较大的相机拍摄，可以获取地物的侧面和立体信息。DEM与倾斜摄影模型空间优化初匹配是指将从倾斜摄影中获取的影像数据与数字高程模型进行初步匹配与对齐的过程。
在这个过程中，通常会将倾斜摄影获得的影像与数字高程模型进行对比，以识别出影像中的地物特征，如建筑物、道路、树木等，并将其在空间中定位。这有助于建立一个精确的地理信息系统（GIS）数据库，用于地图制作、城市规划、环境监测等应用。
空间优化初匹配是指在这个匹配过程中，不仅考虑影像与DEM之间的几何关系，还要考虑一些误差、扭曲和变形因素，以获得更精确的匹配结果。这可以涉及图像处理技术、特征匹配算法、优化算法等。整个过程的目标是建立一个准确的地物-高程对应关系，以便后续的地物提取、三维建模等工作能够更加精确和可靠。
在初始匹配的过程中，进行初始匹配需要使用特征匹配算法、几何校正算法等。这些算法的效果和计算资源的限制可能会影响到匹配的质量和效率。而对于上述问题，需要一种优化方法，能够对DEM与倾斜摄影空间贴合的初始匹配进行优化，以提高精确度。
发明内容
本发明目的在于提供基于共轭梯度的DEM与倾斜摄影空间贴合初匹配优化方法，以解决上述问题。
本发明通过下述技术方案实现：
基于共轭梯度的DEM与倾斜摄影空间贴合初匹配优化方法，包括以下步骤：
S1. 收集数字高程模型数据和倾斜摄影模型数据，对数字高程模型和倾斜摄影模型进行预处理，确保数据具有一致的坐标系统、分辨率和投影；
S2. 确定优化倾斜摄影模型的位置和姿态，将优化问题建模为最小化倾斜摄影模型与DEM之间的误差；
S3. 选择初始的倾斜摄影模型的位置和姿态参数作为优化的起点，计算初始误差，即倾斜摄影模型与DEM之间的差异；
S4. 分别计算当前解处的误差对参数的梯度、共轭方向、共轭方向上取得最小化误差的步长，根据步长和共轭方向，更新倾斜摄影模型的位置和姿态参数，得到新的参数配置，即新的倾斜摄影模型的姿态和位置；
S5. 通过迭代优化，获得倾斜摄影模型与DEM匹配最优的参数配置。
具体的，本发明采用的共轭梯度法是一种迭代优化算法，适合求解大规模线性方程组或二次函数最小化问题，其利用特征向量的共轭性质，可在较少的迭代步数内达到较好的收敛效果。本发明的目标是优化倾斜摄影模型的位置和姿态，使其在三维空间中与数字高程模型（DEM）匹配得更准确，可以通过调整倾斜摄影模型的平移、旋转等参数来实现，可以将问题建模为一个优化问题，其中优化的目标是最小化倾斜摄影模型与DEM之间的误差。
进一步的，所述步骤S4，具体包括以下子步骤：
S401. 根据当前倾斜摄影模型的参数配置，计算误差对于参数的梯度；
S402. 根据上一次的梯度方向和当前的梯度方向，计算共轭方向；
S403. 在共轭方向上，计算合适的步长，使得在该方向上取得最小化的误差；
S404. 根据步长和共轭方向，更新倾斜摄影模型的位置和姿态参数。
进一步的，所述步骤S401，具体为：对当前倾斜摄影模型参数配置中每个参数，计算误差函数/>关于该参数的偏导数/>，并将所有参数的偏导数组成一个梯度向量/>。
进一步的，所述步骤S402，具体为：在的迭代中，计算共轭系数/>，并通过计算得到的共轭系数/>计算共轭方向；所述共轭系数通过/>公式进行计算，其具体为：
；
其中，所述表示共轭系数，所述/>表示第/>次迭代时的梯度向量/>的转置，所述/>表示当前参数配置下误差函数的梯度，即误差函数关于参数的偏导数，所述/>表示第/>次迭代的梯度，所述/>表示第/>次迭代时的梯度向量的/>转置；
所述共轭方向的具体计算为：
；
其中，所述表示第/>次迭代的共轭方向，所述/>表示在第/>次迭代的共轭方向。
进一步的，所述步骤S403，具体为：在共轭方向上，计算合适的步长，使得在该方向上取得最小化的误差；其计算过程为：从初始步长开始，依次逐步缩减步长，直到满足Armijo条件，其具体计算为：
；
其中，所述表示在参数空间中使用步长/>更新参数/>后的新参数配置对应的误差函数值，所述/>表示当前的参数配置，所述/>表示共轭方向，所述/>表示当前梯度，所述/>表示一个小于1的常数，所述/>用于控制步长的缩减程度；当当前的步长满足Armijo条件时，使用该步长更新参数。
进一步的，所述步骤S403中，当当前的步长不满足Armijo条件时，将当前步长乘以步长缩小因子，具体计算为：
；
其中，所述表示更新后的步长，/>表示当前的步长。
进一步的，所述步骤S404中，根据步长和共轭方向，更新倾斜摄影模型的位置和姿态参数，其更新参数具体计算为：
；
其中，所述表示当前参数配置，所述/>表示共轭方向，所述/>表示更新后的参数配置。
进一步的，所述步骤S5具体为：使用新的参数配置计算倾斜摄影模型与DEM之间的误差，根据误差大小和预定的收敛条件，判断是否终止迭代，当误差达到所设定误差阈值时或迭代次数达到所设定迭代次数时，则终止优化，获得倾斜摄影模型与DEM匹配最优的参数配置，否则执行步骤S4。
本发明与现有技术相比，具有如下的优点和有益效果：
本发明通过将共轭梯度法应用于DEM与倾斜摄影模型空间贴合优化中，能够充分利用共轭梯度法的特点，避免陷入局部最优解，提高收敛速度，从而实现更精确的匹配结果；
本发明的目标是优化倾斜摄影模型的位置和姿态，使其在三维空间中与数字高程模型（DEM）匹配得更准确，可以通过调整倾斜摄影模型的平移、旋转等参数来实现，可以将问题建模为一个优化问题，其中优化的目标是最小化倾斜摄影模型与DEM之间的误差。整体而言，共轭梯度法结合了梯度下降和共轭方向的优点，具有较快的收敛速度和较好的全局搜索能力，能够帮助在应用中实现更准确的三维空间贴合。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本发明实施例提出的基于共轭梯度的DEM与倾斜摄影空间贴合初匹配优化方法的方法流程框图；
图2为本发明提出基于共轭梯度的DEM与倾斜摄影空间贴合初匹配优化的终端设备的结构示意图；
图3为本发明提出的基于共轭梯度的DEM与倾斜摄影空间贴合初匹配优化方法的计算机可读存储介质结构示意图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。
为了使本发明的目的，技术方案及优点更加清楚明白，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用以解释本发明，并不用于限定本发明，即所描述的实施例仅仅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。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。需要说明的是，术语“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。
而且，术语“包括”，“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程，方法，物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程，方法，物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程，方法，物品或者设备中还存在另外的相同要素。
以下结合实施例对本发明的特征和性能作进一步的详细描述。
如图1，本实施例提供的基于共轭梯度的DEM与倾斜摄影空间贴合初匹配优化方法，包括以下步骤：
S1. 收集数字高程模型数据和倾斜摄影模型数据，对数字高程模型和倾斜摄影模型进行预处理，确保数据具有一致的坐标系统、分辨率和投影；
S2. 确定优化倾斜摄影模型的位置和姿态，将优化问题建模为最小化倾斜摄影模型与DEM之间的误差；
S3. 选择初始的倾斜摄影模型的位置和姿态参数作为优化的起点，计算初始误差，即倾斜摄影模型与DEM之间的差异；
S4. 分别计算当前解处的误差对参数的梯度、共轭方向、共轭方向上取得最小化误差的步长，根据步长和共轭方向，更新倾斜摄影模型的位置和姿态参数，得到新的参数配置，即新的倾斜摄影模型的姿态和位置；
S5. 通过迭代优化，获得倾斜摄影模型与DEM匹配最优的参数配置。
具体的，本实施例采用的共轭梯度法是一种迭代优化算法，适合求解大规模线性方程组或二次函数最小化问题，其利用特征向量的共轭性质，可在较少的迭代步数内达到较好的收敛效果。本发明的目标是优化倾斜摄影模型的位置和姿态，使其在三维空间中与数字高程模型（DEM）匹配得更准确，可以通过调整倾斜摄影模型的平移、旋转等参数来实现，可以将问题建模为一个优化问题，其中优化的目标是最小化倾斜摄影模型与DEM之间的误差。整体而言，共轭梯度法结合了梯度下降和共轭方向的优点，具有较快的收敛速度和较好的全局搜索能力，能够帮助在应用中实现更准确的三维空间贴合。
进一步的，所述步骤S4，具体包括以下子步骤：
S401. 根据当前倾斜摄影模型的参数配置，计算误差对于参数的梯度；其中，本步骤计算当前解处的误差对参数的梯度，指示了在该参数配置下，误差增加或减少的方向。提供了搜索的方向，帮助算法朝着使误差减小的方向进行优化。
S402. 根据上一次的梯度方向和当前的梯度方向，计算共轭方向；其中，本步骤计算共轭方向，保证不会重复搜索已经进行过的方向，避免陷入周期性震荡，确保算法在不同方向上进行搜索，从而有效地利用之前的搜索信息。
S403. 在共轭方向上，计算合适的步长，使得在该方向上取得最小化的误差；其中，计算在共轭方向上取得最小化误差的步长，保证在搜索方向上取得足够大的步长，避免震荡或停滞，并实现更快的收敛。
S404. 根据步长和共轭方向，更新倾斜摄影模型的位置和姿态参数；其中，更新参数，得到新的倾斜摄影模型的位置和姿态参数，改进了解的参数，使其更接近于最优解，向误差减小的方向迈进。
进一步的，所述步骤S401，具体为：对当前倾斜摄影模型参数配置中每个参数，计算误差函数/>关于该参数的偏导数/>，并将所有参数的偏导数组成一个梯度向量/>。其中，在优化中，梯度表示函数在某一点的变化率和方向，在共轭梯度法中，计算当前解（参数配置）处的梯度，实际上是计算误差函数关于参数的偏导数，该梯度向量指示了在当前参数配置下，误差函数增加或减少的方向。具体的，如果某个参数的偏导数为正数，表示在该参数上增加一个小的变化将导致误差增加，即误差函数的值变大。反之，如果偏导数为负数，表示在该参数上增加一个小的变化将导致误差减少，即误差函数的值变小。在共轭梯度法中，计算梯度的目的是找到误差函数/>在当前参数配置处/>的下降方向，通过对每个参数应用其对应的偏导数，得到表示在参数空间中向着减小误差的方向的梯度向量，该方向指引算法朝着使误差减少的方向进行优化，帮助参数逐渐接近最优解。当考虑DEM与倾斜摄影模型空间贴合优化时，/>代表误差函数/>对参数/>的偏导数，在倾斜摄影模型优化中，/>表示模型与实际数据（比如数字高程模型 DEM 或倾斜摄影图像）之间的差异，/>表示模型参数比如位置、姿态等。偏导数/>表示了参数/>发生微小变化时，误差函数/>会如何变化。通过计算这些偏导数，我们可以了解对于每个参数/>对误差的影响，当/>为正数，表示增加参数/>会导致误差增大，当/>为负数表示增加参数/>会导致误差减小，偏导数的信息有助于优化算法决定在哪个方向上调整参数，以减小误差函数。
进一步的，所述步骤S402，具体为：在的迭代中，计算共轭系数/>，并通过计算得到的共轭系数/>计算共轭方向；所述共轭系数通过/>公式进行计算，其具体为：
；
其中，所述表示共轭系数，所述/>表示第/>次迭代时的梯度向量/>的转置，所述/>表示当前参数配置下误差函数的梯度，即误差函数关于参数的偏导数，所述/>表示第/>次迭代的梯度，所述/>表示第/>次迭代时的梯度向量的/>转置；在共轭梯度法中，计算共轭系数时，会用到梯度向量的内积（点积）形式，即/>，表示梯度向量/>自身的范数的平方，该内积用于衡量梯度的大小，反映优化目标在当前参数配置下的斜率，需要说明的是，共轭梯度法的关键在于确定合适的共轭方向，而共轭方向的计算涉及到梯度向量之间的内积，以及根据共轭系数的选择来计算共轭方向。这些操作有助于确保搜索方向的变化性，避免在相同方向上反复搜索，从而提高了优化算法的效率和稳定性。
进一步的，在上述实施例中采用的为方法进行共轭系数更新，作为优选的实施方案，提出一种/>方法进行共轭系数更新，具体的，其计算公式为：
；
而对于上述两种方法中，当时，通常使用/>方法。其中，共轭方向计算的关键是选择适当的共轭系数，这个选择会影响到共轭方向的准确性和收敛速度。/>和/>是两个常用的共轭系数更新方法，可以根据实际情况和问题性质进行选择。共轭方向的引入保证了在优化过程中在不同的方向上搜索，从而有效地利用之前的搜索信息，避免了梯度下降法中可能遇到的震荡和收敛缓慢问题。
进一步的，所述共轭方向的具体计算为：
；
其中，所述表示第/>次迭代的共轭方向，所述/>表示在第/>次迭代的共轭方向。其中，将计算得到的共轭方向/>用于后续步骤的优化过程，即在新的搜索方向上寻找步长以更新参数解向量。
进一步的，所述步骤S403，具体为：在共轭方向上，计算合适的步长，使得在该方向上取得最小化的误差；其计算过程为：从初始步长开始，依次逐步缩减步长，直到满足Armijo条件，其具体计算为：
；
其中，所述表示在参数空间中使用步长/>更新参数/>后的新参数配置对应的误差函数值，所述/>表示当前的参数配置，所述/>表示共轭方向，所述/>表示当前梯度，所述/>表示一个小于1的常数，所述/>用于控制步长的缩减程度；当当前的步长满足Armijo条件时，使用该步长更新参数。
进一步的，所述步骤S403中，当当前的步长不满足Armijo条件时，将当前步长乘以步长缩小因子，具体计算为：
；
其中，所述表示更新后的步长，/>表示当前的步长。
进一步的，所述步骤S404中，根据步长和共轭方向，更新倾斜摄影模型的位置和姿态参数，其更新参数具体计算为：
；
其中，所述表示当前参数配置，所述/>表示共轭方向，所述/>表示更新后的参数配置。在共轭梯度法中，每一次迭代都会更新参数解向量，将其朝着误差减小的方向移动一定的距离，以期逐渐接近最优解。
进一步的，所述步骤S5具体为：使用新的参数配置计算倾斜摄影模型与DEM之间的误差，根据误差大小和预定的收敛条件，判断是否终止迭代，当误差达到所设定误差阈值时或迭代次数达到所设定迭代次数时，则终止优化，获得倾斜摄影模型与DEM匹配最优的参数配置，否则执行步骤S4。
进一步的，本实施例作为优选的提出一种基于共轭梯度的DEM与倾斜摄影空间贴合初匹配优化系统，该系统适用于上述基于共轭梯度的DEM与倾斜摄影空间贴合初匹配优化方法，该实施方案具体包括：
数据收集模块：收集数字高程模型数据和倾斜摄影模型数据，对数字高程模型和倾斜摄影模型进行预处理，确保数据具有一致的坐标系统、分辨率和投影；
问题建模模块：确定优化倾斜摄影模型的位置和姿态，将优化问题建模为最小化倾斜摄影模型与DEM之间的误差；
初始数据计算模块：选择初始的倾斜摄影模型的位置和姿态参数作为优化的起点，计算初始误差，即倾斜摄影模型与DEM之间的差异；
共轭梯度迭代计算模块：分别计算当前解处的误差对参数的梯度、共轭方向、共轭方向上取得最小化误差的步长，根据步长和共轭方向，更新倾斜摄影模型的位置和姿态参数，得到新的参数配置，即新的倾斜摄影模型的姿态和位置；
参数配置更新模块：通过迭代优化，获得倾斜摄影模型与DEM匹配最优的参数配置。
其中，所述共轭梯度迭代计算模块具体包括：
梯度计算单元：根据当前倾斜摄影模型的参数配置，计算误差对于参数的梯度；其中，本步骤计算当前解处的误差对参数的梯度，指示了在该参数配置下，误差增加或减少的方向。提供了搜索的方向，帮助算法朝着使误差减小的方向进行优化。
共轭方向计算单元：根据上一次的梯度方向和当前的梯度方向，计算共轭方向；其中，本步骤计算共轭方向，保证不会重复搜索已经进行过的方向，避免陷入周期性震荡，确保算法在不同方向上进行搜索，从而有效地利用之前的搜索信息。
步长计算单元：在共轭方向上，计算合适的步长，使得在该方向上取得最小化的误差；其中，计算在共轭方向上取得最小化误差的步长，保证在搜索方向上取得足够大的步长，避免震荡或停滞，并实现更快的收敛。
参数更新单元：根据步长和共轭方向，更新倾斜摄影模型的位置和姿态参数；其中，更新参数，得到新的倾斜摄影模型的位置和姿态参数，改进了解的参数，使其更接近于最优解，向误差减小的方向迈进。
对于上述实施例，其具体实施原理流程如下：
本实施例的目标是优化倾斜摄影模型的位置和姿态，使其在三维空间中与数字高程模型（DEM）匹配得更准确，可以通过调整倾斜摄影模型的平移、旋转等参数来实现，可以将问题建模为一个优化问题，其中优化的目标是最小化倾斜摄影模型与DEM之间的误差；选择初始的倾斜摄影模型的位置和姿态参数，这将作为优化的起点。计算初始的误差，即倾斜摄影模型与DEM之间的差异；在每一次迭代中，执行以下步骤：
a. 计算梯度：
根据当前倾斜摄影模型的参数，计算误差对于参数的梯度。这相当于计算当前解的梯度方向，表示在该方向上最陡峭的下降路径。
b. 共轭方向计算：
根据上一次的梯度方向和当前的梯度方向，计算共轭方向。这是共轭梯度法的核心步骤，通过使共轭方向与之前的搜索方向共轭，避免了沿着重复方向前进。
c. 步长计算：
在共轭方向上，计算合适的步长，使得在该方向上取得最小化的误差。这可以通过线搜索方法，如Armijo条件或Wolfe条件，来确定。
d. 参数更新：
根据步长和共轭方向，更新倾斜摄影模型的位置和姿态参数。得到新的参数配置，即新的倾斜摄影模型的姿态和位置。
e. 计算误差：
使用新的参数配置计算倾斜摄影模型与DEM之间的误差。
f. 收敛判据：
根据误差大小和预定的收敛条件，判断是否终止迭代，如果误差已经足够小或迭代次数已达到设定值，则终止优化；通过迭代优化，获得了使得倾斜摄影模型与DEM匹配最优的参数配置，从而实现了更准确的空间贴合。通过将共轭梯度法应用DEM与倾斜摄影模型空间贴合优化，能够充分利用共轭梯度法的特点，避免陷入局部最优解，提高收敛速度，从而实现更精确的匹配结果。然而，实际应用中，需要考虑到数据的噪声、误差模型等因素，以及调整共轭梯度法的参数来适应具体问题的特点。
进一步的，作为上述实施例优选的实施方案，对于数据收集模块或步骤S1中，收集数字高程模型数据和倾斜摄影模型数据，对数字高程模型和倾斜摄影模型进行预处理，确保数据具有一致的坐标系统、分辨率和投影，提出一种数据校正方法，其方法结合卷积神经网络及均方差（MSE）进行预测校正，其具体原理流程如下：
S101. 收集倾斜摄影数据、地面控制点数据以及数字高程模型（DEM）数据。数据应包括倾斜摄影图像、GCP的图像坐标和地面坐标，以及DEM高程信息；
S102. 对倾斜摄影数据进行畸变校正、去噪预处理，准备校正过程，其中，将DEM数据与倾斜摄影数据在空间上对齐；
S103. 对倾斜摄影图像进行特征提取，获取图像中的关键特征，通过卷积神经网络（CNN）学习图像特征；
S104. 将地面控制点的图像坐标和地面坐标进行关联，构建标注数据集，其中，每个样本包括倾斜摄影图像、GCP图像坐标和GCP地面坐标；
S105. 构建深度学习模型，如卷积神经网络（CNN）或全连接神经网络，其中，模型的输入为倾斜摄影图像特征，输出为预测的GCP地面坐标；
S106. 定义损失函数，衡量模型预测与实际GCP地面坐标之间的差异，示例性的，本实施例采用的损失函数是均方误差（MSE），具体为：
；
其中，所述表示均方误差损失函数，用于衡量模型预测值与真实值之间的平方差的平均值，所述/>表示训练样本的数量，用于训练和验证模型的样本数量，所述表示模型对第/>个样本的预测值，即模型预测的地面控制点的地面坐标，所述表示第/>个样本的实际地面坐标，也称为地面实况或真实值，所述表示模型预测值与实际值之间的欧几里德距离的平方，即二者之间的差异的平方，所述/>表示对所有/>个样本的差异的平方求和。
S107. 使用训练数据集对模型进行训练，通过最小化损失函数来优化模型参数，训练可以使用随机梯度下降（SGD）等优化算法。模型参数为神经网络的权重和偏差；
S108. 使用验证数据集对训练过的模型进行验证，以确保模型在未见过的数据上的泛化能力。可以使用均方根误差（RMSE）等指标进行验证；
使用训练好的模型对新的倾斜摄影图像进行预测。输入图像特征到模型中，获得预测的GCP地面坐标。
需要说明的是，该预测得到的GCP地面坐标，通过处理，可作为共轭梯度法的初始参数，预测的地面坐标可以作为起始点，从而加速共轭梯度法的收敛过程，通过在共轭梯度法迭代过程中加入深度学习模型的校正，在每次迭代中修正误差，逐渐逼近最优解，通过上述融合方式可将共轭梯度法的高效性与深度学习模型的准确性进行结合，从而实现更优的DEM与倾斜摄影模型空间贴合效果。
作为进一步优选的实施方案，提出一种基于共轭梯度的DEM与倾斜摄影空间贴合初匹配优化的终端设备，如图2，终端设备200包括至少一个存储器210、至少一个处理器220以及连接不同平台系统的总线230。
存储器210可以包括易失性存储器形式的可读介质，例如随机存取存储器(RAM)211和/或高速缓存存储器212，还可以进一步包括只读存储器(ROM)213。
其中，存储器210还存储有计算机程序，计算机程序可以被处理器220执行，使得处理器220执行本申请实施例中上述任一项一种基于共轭梯度的DEM与倾斜摄影空间贴合初匹配优化方法，其具体实现方式与上述方法的实施例中记载的实施方式、所达到的技术效果一致，部分内容不再赘述。存储器210还可以包括具有一组(至少一个)程序模块215的程序/实用工具214，这样的程序模块包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
相应的，处理器220可以执行上述计算机程序，以及可以执行程序/实用工具214。
总线230可以为表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器、外围总线、图形加速端口、处理器或者使用多种总线结构中的任意总线结构的局域总线。
终端设备200也可以与一个或多个外部设备240例如键盘、指向设备、蓝牙设备等通信，还可与一个或者多个能够与该终端设备200交互的设备通信，和/或与使得该终端设备200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口250进行。并且，终端设备200还可以通过网络适配器260与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器260可以通过总线230与终端设备200的其它模块通信。应当明白，尽管图中未示出，可以结合终端设备200使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储平台等。
作为进一步优选的实施方案，提出一种基于共轭梯度的DEM与倾斜摄影空间贴合初匹配优化的计算机可读存储介质，所述计算机可读存储介质上存储有指令，该指令被处理器执行时实现上述任一的一种基于共轭梯度的DEM与倾斜摄影空间贴合初匹配优化方法。其具体实现方式与上述方法的实施例中记载的实施方式、所达到的技术效果一致，部分内容不再赘述。
图3示出了本实施例提供的用于实现上述方法的程序产品300，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品300不限于此，在本实施例中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。程序产品300可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，程序设计语言包括面向对象的程序设计语言诸如Java、C++等，还包括常规的过程式程序设计语言诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.基于共轭梯度的DEM与倾斜摄影空间贴合初匹配优化方法，其特征在于，包括以下步骤：
S1. 收集数字高程模型数据和倾斜摄影模型数据，对数字高程模型和倾斜摄影模型进行预处理，确保数据具有一致的坐标系统、分辨率和投影；
S2. 确定优化倾斜摄影模型的位置和姿态，将优化问题建模为最小化倾斜摄影模型与DEM之间的误差；
S3. 选择初始的倾斜摄影模型的位置和姿态参数作为优化的起点，计算初始误差，即倾斜摄影模型与DEM之间的差异；
S4. 分别计算当前解处的误差对参数的梯度、共轭方向、共轭方向上取得最小化误差的步长，根据步长和共轭方向，更新倾斜摄影模型的位置和姿态参数，得到新的参数配置，即新的倾斜摄影模型的姿态和位置；
S5. 通过迭代优化，获得倾斜摄影模型与DEM匹配最优的参数配置。
2.如权利要求1所述的基于共轭梯度的DEM与倾斜摄影空间贴合初匹配优化方法，其特征在于，所述步骤S4，具体包括以下子步骤：
S401. 根据当前倾斜摄影模型的参数配置，计算误差对于参数的梯度；
S402. 根据上一次的梯度方向和当前的梯度方向，计算共轭方向；
S403. 在共轭方向上，计算合适的步长，使得在该方向上取得最小化的误差；
S404. 根据步长和共轭方向，更新倾斜摄影模型的位置和姿态参数。
3.如权利要求2所述的基于共轭梯度的DEM与倾斜摄影空间贴合初匹配优化方法，其特征在于，所述步骤S401，具体为：对当前倾斜摄影模型参数配置中每个参数 ，计算误差函数/>关于该参数的偏导数/>，并将所有参数的偏导数组成一个梯度向量/>。
4.如权利要求2所述的基于共轭梯度的DEM与倾斜摄影空间贴合初匹配优化方法，其特征在于，所述步骤S402，具体为：在的迭代中，计算共轭系数/>，并通过计算得到的共轭系数/>计算共轭方向；所述共轭系数通过/>公式进行计算，其具体为：
；
其中，所述表示共轭系数，所述/>表示第/>次迭代时的梯度向量/>的转置，所述/>表示当前参数配置下误差函数的梯度，即误差函数关于参数的偏导数，所述/>表示第/>次迭代的梯度，所述/>表示第/>次迭代时的梯度向量的/>转置；
所述共轭方向的具体计算为：
；
其中，所述表示第/>次迭代的共轭方向，所述/>表示在第/>次迭代的共轭方向。
5.如权利要求2所述的基于共轭梯度的DEM与倾斜摄影空间贴合初匹配优化方法，其特征在于，所述步骤S403，具体为：在共轭方向上，计算合适的步长，使得在该方向上取得最小化的误差；其计算过程为：从初始步长开始，依次逐步缩减步长，直到满足Armijo条件，其具体计算为：
；
其中，所述表示在参数空间中使用步长/>更新参数/>后的新参数配置对应的误差函数值，所述/>表示当前的参数配置，所述/>表示共轭方向，所述/>表示当前梯度，所述表示一个小于1的常数，所述/>用于控制步长的缩减程度；当当前的步长满足Armijo条件时，使用该步长更新参数。
6.如权利要求5所述的基于共轭梯度的DEM与倾斜摄影空间贴合初匹配优化方法，其特征在于，所述步骤S403中，当当前的步长不满足Armijo条件时，将当前步长乘以步长缩小因子，具体计算为：
；
其中，所述表示更新后的步长，/>表示当前的步长。
7.如权利要求2所述的基于共轭梯度的DEM与倾斜摄影空间贴合初匹配优化方法，其特征在于，所述步骤S404中，根据步长和共轭方向，更新倾斜摄影模型的位置和姿态参数，其更新参数具体计算为：
；
其中，所述表示当前参数配置，所述/>表示共轭方向，所述/>表示更新后的参数配置。
8.如权利要求1所述的基于共轭梯度的DEM与倾斜摄影空间贴合初匹配优化方法，其特征在于，所述步骤S5具体为：使用新的参数配置计算倾斜摄影模型与DEM之间的误差，根据误差大小和预定的收敛条件，判断是否终止迭代，当误差达到所设定误差阈值时或迭代次数达到所设定迭代次数时，则终止优化，获得倾斜摄影模型与DEM匹配最优的参数配置，否则执行步骤S4。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311353757.4A CN117095151B (zh) | 2023-10-19 | 2023-10-19 | 基于共轭梯度的dem与倾斜摄影空间贴合初匹配优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311353757.4A CN117095151B (zh) | 2023-10-19 | 2023-10-19 | 基于共轭梯度的dem与倾斜摄影空间贴合初匹配优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117095151A true CN117095151A (zh) | 2023-11-21 |
| CN117095151B CN117095151B (zh) | 2024-01-19 |
Family
ID=88773737
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311353757.4A Active CN117095151B (zh) | 2023-10-19 | 2023-10-19 | 基于共轭梯度的dem与倾斜摄影空间贴合初匹配优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117095151B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108225274A (zh) * | 2017-12-26 | 2018-06-29 | 中国科学院电子学研究所 | 基于不完全分解预处理的共轭梯度法光束法平差方法 |
| CN109238239A (zh) * | 2018-09-12 | 2019-01-18 | 成都坤舆空间科技有限公司 | 基于航空摄影的数字测量三维建模方法 |
| CN111986320A (zh) * | 2020-04-28 | 2020-11-24 | 南京国图信息产业有限公司 | 面向智慧城市应用的dem与倾斜摄影模型空间贴合优化算法 |
| CN115131511A (zh) * | 2022-06-10 | 2022-09-30 | 中国十七冶集团有限公司 | 一种基于倾斜摄影技术+Dynamo创建地形的方法 |
| CN116883251A (zh) * | 2023-09-08 | 2023-10-13 | 宁波市阿拉图数字科技有限公司 | 基于无人机视频的图像定向拼接与三维建模方法 |
-
2023
- 2023-10-19 CN CN202311353757.4A patent/CN117095151B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108225274A (zh) * | 2017-12-26 | 2018-06-29 | 中国科学院电子学研究所 | 基于不完全分解预处理的共轭梯度法光束法平差方法 |
| CN109238239A (zh) * | 2018-09-12 | 2019-01-18 | 成都坤舆空间科技有限公司 | 基于航空摄影的数字测量三维建模方法 |
| CN111986320A (zh) * | 2020-04-28 | 2020-11-24 | 南京国图信息产业有限公司 | 面向智慧城市应用的dem与倾斜摄影模型空间贴合优化算法 |
| CN115131511A (zh) * | 2022-06-10 | 2022-09-30 | 中国十七冶集团有限公司 | 一种基于倾斜摄影技术+Dynamo创建地形的方法 |
| CN116883251A (zh) * | 2023-09-08 | 2023-10-13 | 宁波市阿拉图数字科技有限公司 | 基于无人机视频的图像定向拼接与三维建模方法 |
Non-Patent Citations (4)
| Title |
|---|
| DEREN LI ET AL: "Large-scale automatic block adjustment from satellite to indoor photogrammetry", 《GEO-SPATIAL INFORMATION SCIENCE》, vol. 26, no. 2, pages 160 - 174 * |
| 叶达忠;文铮;叶柑兰;: "低空倾斜摄影测量作业流程及技术要求", 企业科技与发展, no. 05, pages 118 - 120 * |
| 杨秀: "分数阶偏微分方程高效数值算法及其参数估计", 《博士论文全文数据库 基础数学》, no. 2, pages 1 - 131 * |
| 潘彦辰: "基于倾斜摄影的公路工程外观尺寸设计施工符合性评价方法研究", 《优秀硕士论文全文数据库 工程科技II辑》, no. 2, pages 1 - 97 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117095151B (zh) | 2024-01-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109521403B (zh) | 多线激光雷达的参数标定方法及装置、设备及可读介质 | |
| CN110335316B (zh) | 基于深度信息的位姿确定方法、装置、介质与电子设备 | |
| JP6745328B2 (ja) | 点群データを復旧するための方法及び装置 | |
| US20210313008A1 (en) | Machine learning for determining protein structures | |
| CN115265523B (zh) | 机器人同时定位与建图方法、装置及可读介质 | |
| US20240249430A1 (en) | Localization method and apparatus, electronic device, and storage medium | |
| JP2021197154A (ja) | 帳票画像認識方法および装置、電子機器、記憶媒体並びにコンピュータプログラム | |
| CN112445876B (zh) | 融合结构、属性和关系信息的实体对齐方法和系统 | |
| CN109741378A (zh) | 基于mrf模型的多模态医学图像配准方法、装置、平台及介质 | |
| CN104134220A (zh) | 一种像方空间一致性的低空遥感影像高精度匹配方法 | |
| CN104615880B (zh) | 一种三维激光雷达点云匹配的快速icp方法 | |
| CN111241326B (zh) | 基于注意力金字塔图网络的图像视觉关系指代定位方法 | |
| CN113095129A (zh) | 姿态估计模型训练方法、姿态估计方法、装置和电子设备 | |
| CN107492120A (zh) | 点云配准方法 | |
| CN111161238A (zh) | 图像质量评价方法及装置、电子设备、存储介质 | |
| CN117213470B (zh) | 一种多机碎片地图聚合更新方法及系统 | |
| Zang et al. | Density-adaptive and geometry-aware registration of TLS point clouds based on coherent point drift | |
| CN117095151B (zh) | 基于共轭梯度的dem与倾斜摄影空间贴合初匹配优化方法 | |
| CN109840598A (zh) | 一种深度学习网络模型的建立方法及装置 | |
| CN115482252A (zh) | 基于运动约束的slam闭环检测和位姿图优化方法 | |
| CN113516772B (zh) | 三维场景重建方法及装置、bim模型的优化方法及装置 | |
| CN116109685A (zh) | 一种零件点云配准方法、装置、设备及介质 | |
| CN115908510A (zh) | 高精地图点云配准方法、装置、电子设备、存储介质 | |
| CN115239776A (zh) | 点云的配准方法、装置、设备和介质 | |
| JP6884945B2 (ja) | 訓練用データ生成装置、最適パラメータ取得装置、訓練用データ生成方法、および最適パラメータ取得方法 |
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 |