CN117152364A - 基于影像数据的水体边界三维重建的方法、装置和设备 - Google Patents

基于影像数据的水体边界三维重建的方法、装置和设备 Download PDF

Info

Publication number
CN117152364A
CN117152364A CN202311423410.2A CN202311423410A CN117152364A CN 117152364 A CN117152364 A CN 117152364A CN 202311423410 A CN202311423410 A CN 202311423410A CN 117152364 A CN117152364 A CN 117152364A
Authority
CN
China
Prior art keywords
dimensional vector
water body
vector polygon
dimensional
polygon
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
Application number
CN202311423410.2A
Other languages
English (en)
Other versions
CN117152364B (zh
Inventor
钟函笑
王宇翔
李民录
叶馨兰
刘国华
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.)
Aerospace Hongtu Information Technology Co Ltd
Original Assignee
Aerospace Hongtu Information Technology 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 Aerospace Hongtu Information Technology Co Ltd filed Critical Aerospace Hongtu Information Technology Co Ltd
Priority to CN202311423410.2A priority Critical patent/CN117152364B/zh
Publication of CN117152364A publication Critical patent/CN117152364A/zh
Application granted granted Critical
Publication of CN117152364B publication Critical patent/CN117152364B/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
    • 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
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Computer Graphics (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)
  • Image Analysis (AREA)

Abstract

本申请提供了一种基于影像数据的水体边界三维重建的方法、装置和设备，涉及影像数据处理技术领域，该方法包括：获取多个待匹配水体影像，对每个待匹配水体影像与其他待匹配水体影像进行同属一个真实水体的相似匹配，并将匹配到的二维矢量多边形匹配对的匹配关系存储于同一二维矢量多边形匹配对列表；基于二维矢量多边形匹配对列表进行同一真实水体的水体数量确认，并进行二维矢量多边形匹配对列表追踪；根据每个真实水体对应的二维矢量多边形匹配对列表计算真实水体所对应的目标三维矢量多边形，以进行水体边界三维重建。本申请避免了前方交会计算以及重投影计算等运算量较大的计算，高效准确地获取各水体边界的三维矢量多边形。

Description

基于影像数据的水体边界三维重建的方法、装置和设备
技术领域
本申请涉及影像数据处理技术领域，尤其是涉及一种基于影像数据的水体边界三维重建的方法、装置和设备。
背景技术
随着对地观测手段的普及，基于对地观测影像进行模型三维重建也趋于追求高精度、高完整度且丰富细节的形势。准确高效地进行水体提取及重建是高精度三维模型重建过程中重要的一环，其中水体边界的提取与重建的质量在一定程度上决定了水体纹理重建的准确度以及水体与周围环境过渡的自然程度。相关技术中，水体边界的提取与重建通常需要进行前方交会计算以及重投影计算。然而，前方交会计算以及重投影计算运算量较大，因此导致水体边界重建效率较低。
发明内容
本申请的目的在于提供一种基于影像数据的水体边界三维重建的方法、装置和设备，提升了水体边界重建的效率。
第一方面，本发明提供一种基于影像数据的水体边界三维重建的方法，包括：获取多个待匹配水体影像，对每个待匹配水体影像与其他待匹配水体影像进行同属一个真实水体的相似匹配，并将匹配到的二维矢量多边形匹配对的匹配关系存储于同一二维矢量多边形匹配对列表；其中，每个待匹配水体影像均对应有一个水体二维矢量多边形集合，水体二维矢量多边形集合包含一个或多个二维矢量多边形；基于二维矢量多边形匹配对列表进行同一真实水体的水体数量确认，并进行二维矢量多边形匹配对列表追踪；根据每个真实水体对应的二维矢量多边形匹配对列表计算真实水体所对应的目标三维矢量多边形，以进行水体边界三维重建。
在可选的实施方式中，对每个待匹配水体影像与其他待匹配水体影像进行同属一个真实水体的相似匹配，包括：遍历待匹配水体影像，对每个待匹配水体影像对应的第一水体二维矢量多边形集合中的第一二维矢量多边形与其他待匹配水体影像进行同属一个真实水体的相似匹配，判断是否存在对应于相同真实水体的第二水体二维矢量多边形集合中的第二二维矢量多边形；若存在，则将第一待匹配水体影像与第二待匹配水体影像确定为同属一个真实水体的二维矢量多边形匹配对。
在可选的实施方式中，对每个待匹配水体影像对应的第一水体二维矢量多边形集合中的第一二维矢量多边形与其他待匹配水体影像进行同属一个真实水体的相似匹配，包括：对第一待匹配水体影像的第一二维矢量多边形集合和第二待匹配水体影像的第二二维矢量多边形集合分别进行遍历，依次取第一二维矢量多边形集合中的第一二维矢量多边形及第二二维矢量多边形集合中的第二二维矢量多边形；通过三维匹配法或者通过二维匹配法判断第一二维矢量多边形与第二二维矢量多边形是否相似；若相似，则确定第一二维矢量多边形与上述第二二维矢量多边形同属一个真实水体。
在可选的实施方式中，通过三维匹配法判断第一二维矢量多边形与第二二维矢量多边形是否相似，包括：从空三成果的稀疏点云集合中获取第一二维矢量多边形及第二二维矢量多边形分别对应的顶点所对应的预设范围内超过预设数量阈值的稀疏点时，基于稀疏点计算平均高程，将第一二维矢量多边形和第二二维矢量多边形投影至三维坐标系，得到第一二维矢量多边形和第二二维矢量多边形分别对应的第一三维多边形和第二三维多边形；通过第一三维多边形和第二三维多边形的相似程度判断第一二维矢量多边形与第二二维矢量多边形是否相似。
在可选的实施方式中，通过二维匹配法判断第一二维矢量多边形与第二二维矢量多边形是否相似，包括：根据第一二维矢量多边形对应的第一待匹配水体影像及第二二维矢量多边形对应的第二待匹配水体影像的同名特征点计算本质矩阵；根据本质矩阵将第一二维矢量多边形变换到第二待匹配水体影像上，或者，根据本质矩阵将第二二维矢量多边形变换到第一待匹配水体影像上；判断变换后的第一二维矢量多边形与第二二维矢量多边形是否相似。
在可选的实施方式中，根据每个真实水体对应的二维矢量多边形匹配对列表计算所述真实水体所对应的目标三维矢量多边形，包括：统计每个真实水体对应的二维矢量多边形匹配对列表中所有二维矢量多边形的多边形顶点所对应的预设范围内的稀疏点的三维坐标高程范围；确定目标水体高程和目标三维矢量多边形组；将三维矢量多边形组进行合并，三维矢量多边形组为真实水体的三维矢量多边形。
在可选的实施方式中，确定目标水体高程和目标三维矢量多边形组，包括：对高程范围按预设间隔进行取值，获得一系列高程值；以每个高程值作为水体高程，根据空三成果计算二维矢量多边形匹配对列表中的每一个二维矢量多边形的三维矢量多边形，构成该高程值的三维矢量多边形组；其中，空三成果至少包括水体高程、空三信息中的外方位元素、相机内方位元素及镜头畸变参数；统计各个高程值对应的三维矢量多边形组中多边形的边界重叠度，将边界重叠度最高的一组对应的高程值确定为目标水体高程，并将目标水体高程对应的三维矢量多边形组作为目标三维矢量多边形组。
第二方面，本发明提供一种基于影像数据的水体边界三维重建的装置，装置包括：匹配模块，用于获取多个待匹配水体影像，对每个待匹配水体影像与其他待匹配水体影像进行同属一个真实水体的相似匹配，并将匹配到的二维矢量多边形匹配对的匹配关系存储于同一二维矢量多边形匹配对列表；其中，每个待匹配水体影像均对应有一个水体二维矢量多边形集合，水体二维矢量多边形集合包含一个或多个二维矢量多边形；追踪模块，用于基于二维矢量多边形匹配对列表进行同一真实水体的水体数量确认，并进行二维矢量多边形匹配对列表追踪；水体边界重建模块，用于根据每个真实水体对应的二维矢量多边形匹配对列表计算真实水体所对应的目标三维矢量多边形，以进行水体边界三维重建。
第三方面，本发明提供一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的计算机可执行指令，处理器执行计算机可执行指令以实现前述实施方式任一项的基于影像数据的水体边界三维重建的方法。
第四方面，本发明提供一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现前述实施方式任一项的基于影像数据的水体边界三维重建的方法。
本申请提供的基于影像数据的水体边界三维重建的方法、装置和设备，通过二维坐标到三维坐标变换以及统计判断，进行水体三维边界重建，避免了前方交会计算以及重投影计算等运算量较大的计算，高效准确地获取各水体边界的三维矢量多边形。
附图说明
为了更清楚地说明本申请具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施方式，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的附图。
图1为本申请实施例提供的一种基于影像数据的水体边界三维重建的方法的流程图；
图2为本申请实施例提供的一种基于影像数据的水体边界三维重建的装置的结构图；
图3为本申请实施例提供的一种电子设备的结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，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清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请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申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
本申请实施例提供了一种基于影像数据的水体边界三维重建的方法，参见图1所示，该方法主要包括以下步骤：
步骤S110，获取多个待匹配水体影像，对每个待匹配水体影像与其他待匹配水体影像进行同属一个真实水体的相似匹配，并将匹配到的二维矢量多边形匹配对的匹配关系存储于同一二维矢量多边形匹配对列表。
上述水体影像即为包含水体的影像，每幅水体影像上的所有水体二维矢量多边形组成该影像的水体二维矢量多边形集合。多个待匹配水体影像中可能包含有同一水体，因此通过多个待匹配水体影像进行相似匹配，可以便于后续进行准确的水体边界重建。
在一种实施方式中，上述每个待匹配水体影像均对应有一个水体二维矢量多边形集合，水体二维矢量多边形集合包含一个或多个二维矢量多边形。
步骤S120，基于二维矢量多边形匹配对列表进行同一真实水体的水体数量确认，并进行二维矢量多边形匹配对列表追踪。
在一种实施方式中，在进行二维矢量多边形匹配对列表追踪时，可以根据二维矢量多边形匹配对列表，确认真实水体的数量，并跟踪每个真实水体对应的二维矢量多边形列表。
可选的，水体二维矢量多边形跟踪可采用常用的并查集算法进行水体数量确认以及二维矢量多边形列表追踪。
步骤S130，根据每个真实水体对应的二维矢量多边形匹配对列表计算真实水体所对应的目标三维矢量多边形，以进行水体边界三维重建。
在一种实施方式中，可以基于边界重叠度的水体边界三维重建，根据真实水体与影像二维矢量多形的对应关系，逐一地计算真实水体的三维矢量多边形，再进一步根据将二维与三维相联系的空三成果计算各个真实水体的三维水体边界。
本申请实施例在已通过人工勾勒或人工智能提取等方式获得各水体影像对应的二维矢量多边形，且具备相关空三成果（各影像特征点信息及外方位元素、相机内方位元素及镜头畸变参数以及关于场景的稀疏点云）的基础上，通过二维水体匹配、跟踪及基于边界重叠度的三维边界重建，高效准确地获取各水体的三维矢量多边形，为基于影像的三维重建提供必要的水体边界数据。
以下对本申请实施例提供的基于影像数据的水体边界三维重建的方法进行详细说明。
在一种实施方式中，上述步骤S110，对每个待匹配水体影像与其他待匹配水体影像进行同属一个真实水体的相似匹配，在具体实施时，可以包括以下步骤S11和步骤S12：
步骤S11，遍历待匹配水体影像，对每个待匹配水体影像对应的第一水体二维矢量多边形集合中的第一二维矢量多边形与其他待匹配水体影像进行同属一个真实水体的相似匹配，判断是否存在对应于相同真实水体的第二水体二维矢量多边形集合中的第二二维矢量多边形。
步骤S12，若存在，则将第一待匹配水体影像与第二待匹配水体影像确定为同属一个真实水体的二维矢量多边形匹配对。在实际应用中，也可能存在多幅影像都存在对应某真实水体的二维矢量多边形，若存在，都需加入匹配列表。
针对上述步骤S11，具体的，可以进一步包括以下步骤S111至步骤S113：
步骤S111，对第一待匹配水体影像的第一二维矢量多边形集合和第二待匹配水体影像的第二二维矢量多边形集合分别进行遍历，依次取第一二维矢量多边形集合中的第一二维矢量多边形及第二二维矢量多边形集合中的第二二维矢量多边形。
步骤S112，通过三维匹配法或者通过二维匹配法判断第一二维矢量多边形与第二二维矢量多边形是否相似。
步骤S113，若相似，则确定第一二维矢量多边形与上述第二二维矢量多边形同属一个真实水体。
在一种示例中，假设多个待匹配影像I1, I2, I3, ..., In，分别对应一个水体二维矢量多边形集合S1,S2, S3, ..., Sn（I1对应S1，I2对应S2，In对应Sn）。各水体二维矢量多边形集合包含一个或多个水体矢量多边形，如S1= {W11,W12,...W1m}，且各个水体矢量多边形记录了各自的顶点坐标系列，如W1= {p1,p2,...pN}，顶点pi记录了该顶点在影像I1上的二维坐标。步骤S110的目的在于，确认影像Ii对应的水体二维矢量多边形集合Si中的二维矢量多边形{Wi1,Wi2,...Wim}和影像Ij的水体二维矢量多边形集合Sj中的二维矢量多边形{Wj1,Wj2,...Wjm}是否存在对应于相同真实水体的匹配关系，例如Wi1和Wj2对应与某一真实水体，Wi3和Wj5对应与另一真实水体，则将匹配关系<Wi1-Wj2>及<Wi3-Wj5>记录在二维矢量多边形匹配对列表中。
上述步骤S112中，三维匹配法与二维匹配法的选择方式可以通过空三成果进行选择。也即在实际实施时，若可以从空三成果的稀疏点云（即三维点集合）中获取所述第一二维矢量多边形及第二二维矢量多边形顶点附近足够数量的稀疏点，则采用所述三维判断法进行判断，否则采用所述二维判断法进行判断。
具体的，判断是否可以从空三成果的稀疏点云（三维点集合）中获取所述第一二维矢量多边形及第二二维矢量多边形顶点所对应的预设范围内是否有足够数量的三维稀疏点，可通过对每个二维矢量多边形顶点查找与其距离小于某阈值A（如20像素）的所述影像特征点作为二维临近点，若查找到对每个二维矢量多边形所有顶点的二维临近点的总数量大于某阈值B（如30），则认为可以找到足够数量的三维稀疏点，并根据影像特征点与三维稀疏点的对应关系（由空三信息中的影像特征点信息提供），获取所述影像特征点对应的三维稀疏点，作为所述二维矢量多边形顶点所对应的预设范围内的足够数量的稀疏点。
在确定何种情况下通过三维匹配法或二维匹配法进行相似匹配后，以下针对两种相似匹配方法进行进一步说明。
在一种实施方式中，通过三维匹配法判断第一二维矢量多边形与第二二维矢量多边形是否相似，包括：
（1）从空三成果的稀疏点云集合中获取第一二维矢量多边形及第二二维矢量多边形分别对应的顶点所对应的预设范围内超过预设数量阈值的稀疏点时，基于稀疏点计算平均高程，将第一二维矢量多边形和第二二维矢量多边形投影至三维坐标系，得到第一二维矢量多边形和第二二维矢量多边形分别对应的第一三维多边形和第二三维多边形。在实际应用中，具体投影方法可利用所获二维矢量多边形顶点附近足够数量的稀疏点计算平均高程以及空三信息中的外方位元素、相机内方位元素及镜头畸变参数等信息，依据摄影测量的共线方程计算出各顶点的三维点坐标。
（2）通过第一三维多边形和第二三维多边形的相似程度判断第一二维矢量多边形与第二二维矢量多边形是否相似。
在另一种实施方式中，通过二维匹配法判断第一二维矢量多边形与第二二维矢量多边形是否相似，包括：
（1）根据第一二维矢量多边形对应的第一待匹配水体影像及第二二维矢量多边形对应的第二待匹配水体影像的同名特征点计算本质矩阵；
（2）根据本质矩阵将第一二维矢量多边形变换到第二待匹配水体影像上，或者，根据本质矩阵将第二二维矢量多边形变换到第一待匹配水体影像上；
（3）判断变换后的第一二维矢量多边形与第二二维矢量多边形是否相似。
针对三维匹配法中判断两个三维多边形是否相似，或者二维匹配法中判段两个二维矢量多边形是否相似，可以依据两个二维/三维多边形的顶点之间的距离进行，若两个距离小于某阈值T1的顶点数量与顶点总数的比值小于T2，则认为相似。
进一步，上述步骤S130，根据每个真实水体对应的二维矢量多边形匹配对列表计算所述真实水体所对应的目标三维矢量多边形，在具体实施时，可以包括以下步骤S31至步骤S33：
步骤S31，统计每个真实水体对应的二维矢量多边形匹配对列表中所有二维矢量多边形的多边形顶点所对应的预设范围内的稀疏点的三维坐标高程范围。
在一种示例中，可以根据二维矢量多边形匹配对列表进行统计。真实水体water1对应影像Ii上的二维矢量多边形Wi1和影像Ij上的二维矢量多边形Wj2。统计真实水体对应的所有二维矢量多边形顶点所对应的预设范围内的稀疏点的三维坐标高程范围，也即查找Wi1及Wj2的所有顶点所对应的预设范围内的（附近预设范围，可根据实际需求进行调整）稀疏点。对每个顶点查找与其距三维重建对每个真实水体分别进行以下操作：距离顶点小于某阈值A（如20像素）的所述影像特征点，可增大阈值A以使查找到的总特征点数量大于某阈值B（如30），并根据影像特征点与三维稀疏点的对应关系（由空三信息中的影像特征点信息提供），获取影像特征点对应的三维稀疏点），并根据获得的所有稀疏点统计高程的最大值及最小值。
步骤S32，确定目标水体高程和目标三维矢量多边形组。
具体的，可以包括以下步骤S321至步骤S323：
步骤S321，对高程范围按预设间隔进行取值，获得一系列高程值。在一种示例中，该预设间隔诸如可以为0.5m，在实际应用中，也可以根据实际需求选择其他间隔。
步骤S322，以每个高程值作为水体高程，根据空三成果计算二维矢量多边形匹配对列表中的每一个二维矢量多边形的三维矢量多边形，构成该高程值的三维矢量多边形组；其中，空三成果至少包括水体高程、空三信息中的外方位元素、相机内方位元素及镜头畸变参数。可以采用摄影测量的共线方程计算出二维矢量多边形各顶点的三维点坐标，进而根据坐标并构成三维矢量多边形。
在一种示例中，根据真实水体water1对应影像Ii上的二维矢量多边形Wi1和影像Ij上的二维矢量多边形Wj2获得的高程范围为——高程最小值为H0，最大值为H1。则按间隔取高程值h1= H0, h2= H0+0.5, ..., hn<=H1+0.5。依次将hi最为水体高程，计算二维矢量多边形Wi1对应的三维矢量多边形hi_Wi1_3D，以及二维矢量多边形Wj2对应的三维矢量多边形hi_Wj2_3D，即高程值hi对应的三维矢量多边形组为{hi_Wi1_3D，hi_Wj2_3D}。进一步统计hi_Wi1_3D与hi_Wj2_3D的边界重叠度。经过计算与统计，若根据h2高程值计算所得的三维矢量多边形h2_Wi1_3D与三维矢量多边形h2_Wj2_3D的边界重叠度最高，则认为h2为最佳水体高程，将{hi_Wi1_3D，hi_Wj2_3D}作为最佳三维矢量多边形组。
步骤S323，统计各个高程值对应的三维矢量多边形组中多边形的边界重叠度，将边界重叠度最高的一组对应的高程值确定为目标水体高程，并将目标水体高程对应的三维矢量多边形组作为目标三维矢量多边形组。
具体地，作为一种实施方式，统计多边形边界重叠度，可以首先对述三维矢量多边形组的所有顶点的XY坐标包围盒进行格网化，也即将XY坐标包围盒按行列划分成固定格子数的格网；进而统计包含三维矢量多边形组的顶点的格子数量，如果格子数量最少则认为边界重叠度最高。
步骤S33，将三维矢量多边形组进行合并，三维矢量多边形组为真实水体的三维矢量多边形。
在一种实施方式中，可采用合并顶点等通用方法进行三维矢量多边形合并，此处不再赘述。
综上，本申请实施例通过对人工勾勒或人工智能提取的各影像的水体边界进行匹配及跟踪，获得真实水体与影像二维水体边界对应关系，进一步根据相关空三成果（各影像特征点信息及外方位元素、相机内方位元素及镜头畸变参数以及关于场景的稀疏点云）建立二维坐标到三维坐标的关系，采用基于边界重叠度的三维边界重建方法，利用简单的二维坐标到三维坐标变换以及统计判断，避免了前方交会计算以及重投影计算等运算量较大的步骤的，高效准确地获取各水体边界的三维矢量多边形。
基于上述方法实施例，本申请实施例还提供一种基于影像数据的水体边界三维重建的装置，参见图2所示，该装置主要包括以下部分：
匹配模块210，用于获取多个待匹配水体影像，对每个待匹配水体影像与其他待匹配水体影像进行同属一个真实水体的相似匹配，并将匹配到的二维矢量多边形匹配对的匹配关系存储于同一二维矢量多边形匹配对列表；其中，每个待匹配水体影像均对应有一个水体二维矢量多边形集合，水体二维矢量多边形集合包含一个或多个二维矢量多边形；
追踪模块220，用于基于二维矢量多边形匹配对列表进行同一真实水体的水体数量确认，并进行二维矢量多边形匹配对列表追踪；
水体边界重建模块230，用于根据每个真实水体对应的二维矢量多边形匹配对列表计算真实水体所对应的目标三维矢量多边形，以进行水体边界三维重建。
在可选的实施方式中，上述匹配模块210，还用于：
遍历待匹配水体影像，对每个待匹配水体影像对应的第一水体二维矢量多边形集合中的第一二维矢量多边形与其他待匹配水体影像进行同属一个真实水体的相似匹配，判断是否存在对应于相同真实水体的第二水体二维矢量多边形集合中的第二二维矢量多边形；
若存在，则将第一待匹配水体影像与第二待匹配水体影像确定为同属一个真实水体的二维矢量多边形匹配对。
在可选的实施方式中，上述匹配模块210，还用于：
对第一待匹配水体影像的第一二维矢量多边形集合和第二待匹配水体影像的第二二维矢量多边形集合分别进行遍历，依次取第一二维矢量多边形集合中的第一二维矢量多边形及第二二维矢量多边形集合中的第二二维矢量多边形；
通过三维匹配法或者通过二维匹配法判断第一二维矢量多边形与第二二维矢量多边形是否相似；
若相似，则确定第一二维矢量多边形与上述第二二维矢量多边形同属一个真实水体。
在可选的实施方式中，上述匹配模块210，还用于：
从空三成果的稀疏点云集合中获取第一二维矢量多边形及第二二维矢量多边形分别对应的顶点所对应的预设范围内超过预设数量阈值的稀疏点时，基于稀疏点计算平均高程，将第一二维矢量多边形和第二二维矢量多边形投影至三维坐标系，得到第一二维矢量多边形和第二二维矢量多边形分别对应的第一三维多边形和第二三维多边形；
通过第一三维多边形和第二三维多边形的相似程度判断第一二维矢量多边形与第二二维矢量多边形是否相似。
在可选的实施方式中，上述匹配模块210，还用于：
根据第一二维矢量多边形对应的第一待匹配水体影像及第二二维矢量多边形对应的第二待匹配水体影像的同名特征点计算本质矩阵；
根据本质矩阵将第一二维矢量多边形变换到第二待匹配水体影像上，或者，根据本质矩阵将第二二维矢量多边形变换到第一待匹配水体影像上；
判断变换后的第一二维矢量多边形与第二二维矢量多边形是否相似。
在可选的实施方式中，上述水体边界重建模块230，还用于：
统计每个真实水体对应的二维矢量多边形匹配对列表中所有二维矢量多边形的多边形顶点所对应的预设范围内的稀疏点的三维坐标高程范围；
确定目标水体高程和目标三维矢量多边形组；
将三维矢量多边形组进行合并，三维矢量多边形组为真实水体的三维矢量多边形。
在可选的实施方式中，上述水体边界重建模块230，还用于：
对高程范围按预设间隔进行取值，获得一系列高程值；
以每个高程值作为水体高程，根据空三成果计算二维矢量多边形匹配对列表中的每一个二维矢量多边形的三维矢量多边形，构成该高程值的三维矢量多边形组；其中，空三成果至少包括水体高程、空三信息中的外方位元素、相机内方位元素及镜头畸变参数；
统计各个高程值对应的三维矢量多边形组中多边形的边界重叠度，将边界重叠度最高的一组对应的高程值确定为目标水体高程，并将目标水体高程对应的三维矢量多边形组作为目标三维矢量多边形组。
本申请实施例提供的基于影像数据的水体边界三维重建的装置，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，基于影像数据的水体边界三维重建的装置的实施例部分未提及之处，可参考前述基于影像数据的水体边界三维重建的方法实施例中相应内容。
本申请实施例还提供了一种电子设备，如图3所示，为该电子设备的结构示意图，其中，该电子设备100包括处理器31和存储器30，该存储器30存储有能够被该处理器31执行的计算机可执行指令，该处理器31执行该计算机可执行指令以实现上述任一项基于影像数据的水体边界三维重建的方法。
在图3示出的实施方式中，该电子设备还包括总线32和通信接口33，其中，处理器31、通信接口33和存储器30通过总线32连接。
其中，存储器30可能包含高速随机存取存储器（RAM，Random Access Memory），也可能还包括非不稳定的存储器（non-volatile memory），例如至少一个磁盘存储器。通过至少一个通信接口33（可以是有线或者无线）实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。总线32可以是ISA（IndustryStandard Architecture，工业标准体系结构）总线、PCI（Peripheral ComponentInterconnect，外设部件互连标准）总线或EISA（Extended Industry StandardArchitecture，扩展工业标准结构）总线等。总线32可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
处理器31可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器31中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器31可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessor，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器31读取存储器中的信息，结合其硬件完成前述实施例的基于影像数据的水体边界三维重建的方法的步骤。
本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令在被处理器调用和执行时，该计算机可执行指令促使处理器实现上述基于影像数据的水体边界三维重建的方法，具体实现可参见前述方法实施例，在此不再赘述。
本申请实施例所提供的基于影像数据的水体边界三维重建的方法、装置和设备的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本申请的范围。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
在本申请的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。

Claims (10)

1.一种基于影像数据的水体边界三维重建的方法，其特征在于，包括：
获取多个待匹配水体影像，对每个待匹配水体影像与其他待匹配水体影像进行同属一个真实水体的相似匹配，并将匹配到的二维矢量多边形匹配对的匹配关系存储于同一二维矢量多边形匹配对列表；其中，每个待匹配水体影像均对应有一个水体二维矢量多边形集合，所述水体二维矢量多边形集合包含一个或多个二维矢量多边形；
基于二维矢量多边形匹配对列表进行同一真实水体的水体数量确认，并进行二维矢量多边形匹配对列表追踪；
根据每个真实水体对应的二维矢量多边形匹配对列表计算所述真实水体所对应的目标三维矢量多边形，以进行水体边界三维重建。
2.根据权利要求1所述的基于影像数据的水体边界三维重建的方法，其特征在于，对每个待匹配水体影像与其他待匹配水体影像进行同属一个真实水体的相似匹配，包括：
遍历所述待匹配水体影像，对每个待匹配水体影像对应的第一水体二维矢量多边形集合中的第一二维矢量多边形与其他待匹配水体影像进行同属一个真实水体的相似匹配，判断是否存在对应于相同真实水体的第二水体二维矢量多边形集合中的第二二维矢量多边形；
若存在，则将第一待匹配水体影像与第二待匹配水体影像确定为同属一个真实水体的二维矢量多边形匹配对。
3.根据权利要求2所述的基于影像数据的水体边界三维重建的方法，其特征在于，对每个待匹配水体影像对应的第一水体二维矢量多边形集合中的第一二维矢量多边形与其他待匹配水体影像进行同属一个真实水体的相似匹配，包括：
对第一待匹配水体影像的第一二维矢量多边形集合和第二待匹配水体影像的第二二维矢量多边形集合分别进行遍历，依次取所述第一二维矢量多边形集合中的第一二维矢量多边形及所述第二二维矢量多边形集合中的第二二维矢量多边形；
通过三维匹配法或者通过二维匹配法判断第一二维矢量多边形与第二二维矢量多边形是否相似；
若相似，则确定所述第一二维矢量多边形与上述第二二维矢量多边形同属一个真实水体。
4.根据权利要求3所述的基于影像数据的水体边界三维重建的方法，其特征在于，通过三维匹配法判断第一二维矢量多边形与第二二维矢量多边形是否相似，包括：
从空三成果的稀疏点云集合中获取所述第一二维矢量多边形及第二二维矢量多边形分别对应的顶点所对应的预设范围内超过预设数量阈值的稀疏点时，基于所述稀疏点计算平均高程，将所述第一二维矢量多边形和所述第二二维矢量多边形投影至三维坐标系，得到所述第一二维矢量多边形和所述第二二维矢量多边形分别对应的第一三维多边形和第二三维多边形；
通过所述第一三维多边形和所述第二三维多边形的相似程度判断第一二维矢量多边形与第二二维矢量多边形是否相似。
5.根据权利要求3所述的基于影像数据的水体边界三维重建的方法，其特征在于，通过二维匹配法判断第一二维矢量多边形与第二二维矢量多边形是否相似，包括：
根据所述第一二维矢量多边形对应的第一待匹配水体影像及第二二维矢量多边形对应的第二待匹配水体影像的同名特征点计算本质矩阵；
根据所述本质矩阵将所述第一二维矢量多边形变换到所述第二待匹配水体影像上，或者，根据所述本质矩阵将所述第二二维矢量多边形变换到所述第一待匹配水体影像上；
判断变换后的第一二维矢量多边形与第二二维矢量多边形是否相似。
6.根据权利要求1所述的基于影像数据的水体边界三维重建的方法，其特征在于，根据每个真实水体对应的二维矢量多边形匹配对列表计算所述真实水体所对应的目标三维矢量多边形，包括：
统计每个真实水体对应的二维矢量多边形匹配对列表中所有二维矢量多边形的多边形顶点所对应的预设范围内的稀疏点的三维坐标高程范围；
确定目标水体高程和目标三维矢量多边形组；
将三维矢量多边形组进行合并，三维矢量多边形组为所述真实水体的三维矢量多边形。
7.根据权利要求6所述的基于影像数据的水体边界三维重建的方法，其特征在于，确定目标水体高程和目标三维矢量多边形组，包括：
对所述高程范围按预设间隔进行取值，获得一系列高程值；
以每个高程值作为水体高程，根据空三成果计算二维矢量多边形匹配对列表中的每一个二维矢量多边形的三维矢量多边形，构成该高程值的三维矢量多边形组；其中，所述空三成果至少包括水体高程、空三信息中的外方位元素、相机内方位元素及镜头畸变参数；
统计各个所述高程值对应的三维矢量多边形组中多边形的边界重叠度，将边界重叠度最高的一组对应的所述高程值确定为目标水体高程，并将所述目标水体高程对应的三维矢量多边形组作为目标三维矢量多边形组。
8.一种基于影像数据的水体边界三维重建的装置，其特征在于，所述装置包括：
匹配模块，用于获取多个待匹配水体影像，对每个待匹配水体影像与其他待匹配水体影像进行同属一个真实水体的相似匹配，并将匹配到的二维矢量多边形匹配对的匹配关系存储于同一二维矢量多边形匹配对列表；其中，每个待匹配水体影像均对应有一个水体二维矢量多边形集合，所述水体二维矢量多边形集合包含一个或多个二维矢量多边形；
追踪模块，用于基于二维矢量多边形匹配对列表进行同一真实水体的水体数量确认，并进行二维矢量多边形匹配对列表追踪；
水体边界重建模块，用于根据每个真实水体对应的二维矢量多边形匹配对列表计算所述真实水体所对应的目标三维矢量多边形，以进行水体边界三维重建。
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现权利要求1至7任一项所述的基于影像数据的水体边界三维重建的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现权利要求1至7任一项所述的基于影像数据的水体边界三维重建的方法。
CN202311423410.2A 2023-10-31 2023-10-31 基于影像数据的水体边界三维重建的方法、装置和设备 Active CN117152364B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311423410.2A CN117152364B (zh) 2023-10-31 2023-10-31 基于影像数据的水体边界三维重建的方法、装置和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311423410.2A CN117152364B (zh) 2023-10-31 2023-10-31 基于影像数据的水体边界三维重建的方法、装置和设备

Publications (2)

Publication Number Publication Date
CN117152364A true CN117152364A (zh) 2023-12-01
CN117152364B CN117152364B (zh) 2024-02-27

Family

ID=88903086

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311423410.2A Active CN117152364B (zh) 2023-10-31 2023-10-31 基于影像数据的水体边界三维重建的方法、装置和设备

Country Status (1)

Country Link
CN (1) CN117152364B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103646246A (zh) * 2013-12-19 2014-03-19 交通运输部天津水运工程科学研究所 一种基于决策树模型的多光谱遥感影像河流信息提取方法
CN109255843A (zh) * 2018-09-26 2019-01-22 联想(北京)有限公司 三维重建方法、装置及增强现实ar设备
CN114241150A (zh) * 2021-12-15 2022-03-25 华能明台电力有限责任公司 一种倾斜摄影建模中的水域数据预处理方法
CN114863060A (zh) * 2022-05-12 2022-08-05 河南爬客智能机器人有限公司 基于点云的三维模型重建方法、装置、设备及存储介质
KR20220137220A (ko) * 2021-04-01 2022-10-12 고려대학교 산학협력단 인공지능 기반의 의료 영상 3차원 변환 장치 및 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103646246A (zh) * 2013-12-19 2014-03-19 交通运输部天津水运工程科学研究所 一种基于决策树模型的多光谱遥感影像河流信息提取方法
CN109255843A (zh) * 2018-09-26 2019-01-22 联想(北京)有限公司 三维重建方法、装置及增强现实ar设备
KR20220137220A (ko) * 2021-04-01 2022-10-12 고려대학교 산학협력단 인공지능 기반의 의료 영상 3차원 변환 장치 및 방법
CN114241150A (zh) * 2021-12-15 2022-03-25 华能明台电力有限责任公司 一种倾斜摄影建模中的水域数据预处理方法
CN114863060A (zh) * 2022-05-12 2022-08-05 河南爬客智能机器人有限公司 基于点云的三维模型重建方法、装置、设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
左琛;滕奇志;何小海;高明亮;: "快速多点地质统计三维重建算法", 四川大学学报(自然科学版), no. 02, pages 109 - 118 *

Also Published As

Publication number Publication date
CN117152364B (zh) 2024-02-27

Similar Documents

Publication Publication Date Title
Xu et al. Reconstruction of scaffolds from a photogrammetric point cloud of construction sites using a novel 3D local feature descriptor
US20210358153A1 (en) Detection methods, detection apparatuses, electronic devices and storage media
CN114332134B (zh) 一种基于密集点云的建筑物立面提取方法和装置
CN111524168A (zh) 点云数据的配准方法、系统、装置及计算机存储介质
US20220004740A1 (en) Apparatus and Method For Three-Dimensional Object Recognition
CN115937439B (zh) 城市建筑三维模型的构建方法、装置及电子设备
EP4174792A1 (en) Method for scene understanding and semantic analysis of objects
CN112489099A (zh) 点云配准方法、装置、存储介质及电子设备
CN114332291A (zh) 一种倾斜摄影模型建筑物外轮廓规则提取方法
CN114677435A (zh) 一种点云全景融合要素提取方法和系统
CN113570665A (zh) 路沿提取的方法、装置及电子设备
CN116229007A (zh) 利用bim建模的四维数字图像构建方法、装置、设备及介质
CN112132853A (zh) 地面导向箭头的构建方法及其装置、电子设备及存储介质
Hu et al. R-CNN based 3D object detection for autonomous driving
CN117152364B (zh) 基于影像数据的水体边界三维重建的方法、装置和设备
CN110910435A (zh) 建筑物点云提取方法、装置、计算机设备及可读存储介质
CN116246119A (zh) 3d目标检测方法、电子设备及存储介质
CN116206302A (zh) 三维目标检测方法、装置、计算机设备和存储介质
CN115661218A (zh) 一种基于虚拟超点的激光点云配准方法和系统
CN111476308B (zh) 基于先验几何约束的遥感影像分类方法、装置和电子设备
Li et al. Low-cost 3D building modeling via image processing
CN112950708A (zh) 一种定位方法、定位装置及机器人
Karkalou et al. Semi-global matching with self-adjusting penalties
CN115861561B (zh) 一种基于语义约束的等高线生成方法和装置
CN111135562B (zh) 地块拾取方法、装置、电子设备及计算机可读存储介质

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