CN117152733A - 一种地质材料材质识别方法、系统及可读存储介质 - Google Patents

一种地质材料材质识别方法、系统及可读存储介质 Download PDF

Info

Publication number
CN117152733A
CN117152733A CN202310843604.1A CN202310843604A CN117152733A CN 117152733 A CN117152733 A CN 117152733A CN 202310843604 A CN202310843604 A CN 202310843604A CN 117152733 A CN117152733 A CN 117152733A
Authority
CN
China
Prior art keywords
image
target
texture
dimensional
correction
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
CN202310843604.1A
Other languages
English (en)
Other versions
CN117152733B (zh
Inventor
沈鹿易
焦玉勇
王子雄
闫雪峰
胡郁乐
韩增强
王益腾
周杰
陈双源
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.)
China University of Geosciences
Wuhan Institute of Rock and Soil Mechanics of CAS
Original Assignee
China University of Geosciences
Wuhan Institute of Rock and Soil Mechanics of CAS
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 China University of Geosciences, Wuhan Institute of Rock and Soil Mechanics of CAS filed Critical China University of Geosciences
Priority to CN202310843604.1A priority Critical patent/CN117152733B/zh
Publication of CN117152733A publication Critical patent/CN117152733A/zh
Application granted granted Critical
Publication of CN117152733B publication Critical patent/CN117152733B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative networks
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例提供的一种地质材料材质识别方法、系统及可读存储介质，该方法包括获取目标物体的多角度点云数据，并基于多角度点云数据进行三维重建，得到目标三维模型；获取目标物体的初始纹理图像，并对初始纹理图像进行增强处理，得到目标纹理图像；将目标纹理图像渲染到目标三维模型上，得到带有纹理属性的实景三维模型；对实景三维模型进行二维投影，并对所得的二维图像进行时域矫正、以及频域矫正，得到目标矫正图像；将目标矫正图像输入到训练好的目标参数提取模块中进行地质材料材质的提取，得到相应的识别结果。该方法的实施能够提高地质材料材质的识别精准度。

Description

一种地质材料材质识别方法、系统及可读存储介质
技术领域
本申请涉及地质勘察技术领域，具体而言，涉及一种地质材料材质识别方法、系统及可读存储介质。
背景技术
地质材料材质的精确识别和描述能够对资源的勘探开发起到重要作用。在以往的地质地质材料材质识别中，往往只能通过人工及有限的计算机技术手段进行判断检测，尤其在判断中，需要从大量图片资料中快速准确的找到其有价值的地质材料信息，并对岩层、蚀矿、化等情况、结构构造等进行快速的描述及标识。
在以往的地质调查中，由于技术限制，地质图片相对较少，人工及传统的计算机技术就能够满足其识别需求。而在实际应用当中，一旦处理图像内容较多，所需要处理的数据信息随之增多，这会延长图像处理时间，并降低图像识别准确率。
随着卫星图像、无人机等技术的快速发展，对于地质材料材质的图像采集已经进入到快速、海量的级别，因此亟需一套能够高效、准确的地质材料材质识别方法，提高地质材料材质的识别精准度。
发明内容
本申请实施例的目的在基于提供一种地质材料材质识别方法、系统及可读存储介质，可以提高地质材料材质的识别精准度。
本申请实施例还提供了一种地质材料材质识别方法，包括以下步骤：
S1、获取目标物体的多角度点云数据，并基于所述多角度点云数据进行三维重建，得到目标三维模型；
S2、获取目标物体的初始纹理图像，并对所述初始纹理图像进行增强处理，得到目标纹理图像；
S3、将所述目标纹理图像渲染到所述目标三维模型上，得到带有纹理属性的实景三维模型；
S4、对所述实景三维模型进行二维投影，并对所得的二维图像进行时域矫正、以及频域矫正，得到目标矫正图像；
S5、将所述目标矫正图像输入到训练好的目标参数提取模块中进行地质材料材质的提取，得到相应的识别结果。
第二方面，本申请实施例还提供了一种地质材料材质识别系统，所述系统包括三维重建模块、图像增强模块、纹理渲染模块、投影矫正模块以及地质材料材质识别模块，其中：
所述三维重建模块，用于获取目标物体的多角度点云数据，并基于所述多角度点云数据进行三维重建，得到目标三维模型；
所述图像增强模块，用于获取目标物体的初始纹理图像，并对所述初始纹理图像进行增强处理，得到目标纹理图像；
所述纹理渲染模块，用于将所述目标纹理图像渲染到所述目标三维模型上，得到带有纹理属性的实景三维模型；
所述投影矫正模块，用于对所述实景三维模型进行二维投影，并对所得的二维图像进行时域矫正、以及频域矫正，得到目标矫正图像；
所述质材料材质识别模块，用于将所述目标矫正图像输入到训练好的目标参数提取模块中进行地质材料材质的提取，得到相应的识别结果。
第三方面，本申请实施例还提供了一种可读存储介质，所述可读存储介质中包括地质材料材质识别方法程序，所述地质材料材质识别方法程序被处理器执行时，实现如上述任一项所述的一种地质材料材质识别方法的步骤。
由上可知，本申请实施例提供的一种地质材料材质识别方法、系统及可读存储介质，通过获取目标物体的多角度点云数据，并基于多角度点云数据进行三维重建，得到目标三维模型；获取目标物体的初始纹理图像，并对初始纹理图像进行增强处理，得到目标纹理图像；将目标纹理图像渲染到目标三维模型上，得到带有纹理属性的实景三维模型；对实景三维模型进行二维投影，并对所得的二维图像进行时域矫正、以及频域矫正，得到目标矫正图像；将目标矫正图像输入到训练好的目标参数提取模块中进行地质材料材质的提取，得到相应的识别结果。该方案通过建立实景三维模型，并为了降低识别难度，将该实景三维模型进行投影，基于投影图像进行地质材料材质的提取、识别，能够针对复杂的三维结构进行针对性分析，提高识别效率。另外，考虑到投影图像会在细节上有所扭曲，还进行了时域矫正、以及频域矫正，使得图像在色彩、对比度、清晰度、细节等方面都具有更好的表现，提高了地质材料材质的识别精准度。
本申请的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
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地质材料材质识别方法的流程图；
图2为本申请实施例提供的一种地质材料材质识别方法的整体实施流程图；
图3为本申请实施例提供的一种地质材料材质识别系统的结构示意图。
具体实施方式
下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。同时，在本申请的描述中，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。
请参照图1，图1是本申请一些实施例中的一种地质材料材质识别方法的流程图。该方法包括以下步骤：
步骤S1，获取目标物体的多角度点云数据，并基于所述多角度点云数据进行三维重建，得到目标三维模型。
其中，所述多角度点云数据经由激光雷达测距仪从多个角度对目标物体进行全方位扫描所得。
具体的，基于所述多角度点云数据进行点云预处理、点云配准之后，将得到全景点云，其中，由于全景点云是由大量离散的三维数据点组成，该离散模型并不能准确地表示目标物体。因此，三维重建的过程中需要将该离散模型进一步转换成拓扑网格模型，得到目标三维模型。
步骤S2，获取目标物体的初始纹理图像，并对所述初始纹理图像进行增强处理，得到目标纹理图像。
其中，所述初始纹理图像经由多功能摄像头采集所得。
需要说明的是，一般情况下，光的吸收和散射均会降低图像可见度以及对比度，并且出现颜色失真现象，而清晰的图像对地质工程和地下资源开发具有重要意义。为避免后续影响地质材料材质的识别，当前实施例中考虑对所述初始纹理图像进行增强处理，以提高图像可见度以及对比度。
步骤S3，将所述目标纹理图像渲染到所述目标三维模型上，得到带有纹理属性的实景三维模型。
具体的，当前实施例中，通过纹理贴图技术将所述目标纹理图像渲染到所述目标三维模型上，实现对物体的三维表面重建，并精确、细节全面地还原目标物体表面的纹理信息。
步骤S4，对所述实景三维模型进行二维投影，并对所得的二维图像进行时域矫正、以及频域矫正，得到目标矫正图像。
具体的，对所述实景三维模型进行二维投影之后，得到相应的二维图像。而由于二维投影可能在细节上有所扭曲，为避免影响地质材料材质的提取精准度，当前实施例中从时域、频域两方面进行扭曲矫正，得到目标矫正图像。
步骤S5，将所述目标矫正图像输入到训练好的目标参数提取模块中进行地质材料材质的提取，得到相应的识别结果。
其中，所述目标参数提取模型基于二维卷积神经网络构建所得，由于当前实施例中并未对所述二维卷积神经网络进行改进，因此不对其具体的网络结构、以及地质材料材质的提取方式进行限定。
由上可知，本申请公开的一种地质材料材质识别方法，通过获取目标物体的多角度点云数据，并基于多角度点云数据进行三维重建，得到目标三维模型；获取目标物体的初始纹理图像，并对初始纹理图像进行增强处理，得到目标纹理图像；将目标纹理图像渲染到目标三维模型上，得到带有纹理属性的实景三维模型；对实景三维模型进行二维投影，并对所得的二维图像进行时域矫正、以及频域矫正，得到目标矫正图像；将目标矫正图像输入到训练好的目标参数提取模块中进行地质材料材质的提取，得到相应的识别结果。该方案通过建立实景三维模型，并为了降低识别难度，将该实景三维模型进行投影，基于投影图像进行地质材料材质的提取、识别，能够针对复杂的三维结构进行针对性分析，提高识别效率。另外，考虑到投影图像会在细节上有所扭曲，还进行了时域矫正、以及频域矫正，使得图像在色彩、对比度、清晰度、细节等方面都具有更好的表现，提高了地质材料材质的识别精准度。
在其中一个实施例中，步骤S1中，所述基于所述多角度点云数据进行三维重建，得到目标三维模型，包括：
步骤S11，基于所述多角度点云数据进行点云预处理，所述点云预处理包括去除离散点、以及将噪声点恢复到正确的位置上的至少一种操作。
具体的，离散点判断过程中，可以计算点pi为离散点的概率oi，并自行设定阈值o，在确定oi>o时，则判断点pi为离散点，将其去除。在将噪声点恢复到正确的位置过程中，可以在已知正确位置的情况下，计算噪声点pi的偏移向量，基于所述偏移向量对所述噪声点pi的坐标位置进行修正。
需要说明的是，离散点的概率计算以及噪声点的偏移向量计算均属于现有技术，当前不对其具体实施过程进行限定。
步骤S12，采用点云配准操作，将预处理后的多角度点云数据分配在统一坐标系下，得到相应的配准点云数据。
具体的，之所以进行点云配准，是由于一个角度只能获得目标物体的部分三维信息，所以需要采集不同角度的点云数据。而由于不同角度的点云数据所在的坐标系不一致，因此需要将多角度点云数据分配在统一坐标系下中，消除冗杂信息。
步骤S13，将所述配准点云数据通过三角网格化进行三维重建，得到目标三维模型。
上述实施例中，经过点云预处理、以及点云配准，使得能够滤除点云中的噪音干扰，提高配准效率的同时，还有助于提高地质材料材质的识别精准度。
在其中一个实施例中，步骤S2中，所述对所述初始纹理图像进行增强处理，得到目标纹理图像，包括：
步骤S21，构建目标图像增强网络模型，所述目标图像增强网络模型包括生成器和判别器。
具体的，所述目标图像增强网络模型以卷积神经网络作为基本单元，实现低光照图像整体亮度的增强，其中，所述目标图像增强网络模型的构建步骤包括：
(1)选用若干张低照度图像和配对的正常光照图像，并进行预处理，得到训练数据集；
(2)构建初始图像增强网络模型，并使用目标损失函数对所述初始图像增强网络模型进行约束；
(3)使用所属训练数据集对所述初始图像增强网络模型进行训练，直到误差收敛到预设值时，得到训练好的目标图像增强网络模型。
步骤S22，将所述初始纹理图像输入至所述生成器中，基于所述生成器构建所述初始纹理图像的初始增强图像。
具体的，所述初始纹理图像输入至所述生成器之后，将先经过一个卷积层进行预处理，生成光照图和反射率图；再经由4个残差块分别对光照图进行增强处理，以及对反射率图进行精细化处理；最后，再经过3个卷积层将增强后的光照图和精细化处理后的反射率图进行合成，得到具有更佳视感的初始增强图像。
步骤S23，将所述初始增强图像输入至判别器中鉴别图像增强效果，并在确定图像增强效果满足预设条件时，将所述初始增强图像作为目标纹理图像输出。
具体的，在将所述初始增强图像输入至判别器之后，判别器会获取对应的目标图像，并基于鉴别到的图像增强效果，判断所述初始增强图像与所述目标图像是否匹配。也就是生成器生成的图像要尽可能地欺骗判别器，若判别器确定所述初始增强图像的图像增强效果满足所述目标图像时，则将所述初始增强图像作为目标纹理图像输出。
在其中一个实施例中，步骤S3中，所述将所述目标纹理图像渲染到所述目标三维模型上，得到带有纹理属性的实景三维模型，包括：
步骤S31，以所述目标三维模型为原始结构载体，获取待隐藏的隐秘信息，并利用帧化采样的小波域三维模型信息隐藏算法，将所述隐秘信息嵌入至相应变换空间中。
步骤S32，利用正交投影的纹理映射算法将所述目标纹理图像映射到所述目标三维模型上，生成含密、且带有纹理属性的实景三维模型。
在其中一个实施例中，步骤S4中，所述对所得的二维图像进行时域矫正、以及频域矫正，得到目标矫正图像，包括：
步骤S41，基于训练好的CNN卷积神经网络对所得的二维图像进行时域矫正，得到时域矫正图像。
具体的，扭曲矫正的步骤包括：
(1)针对二维图像中的每一个像素提取相应的扭曲系数。其中，扭曲系数通过预先训练的人工智能模型来实现，例如带有空洞卷积结构的U-Net模型。人工智能模型的输入为扭曲的二维图像，输出为图像中每一个像素的扭曲系数，即x方向偏移量和y方向偏移量。在其中一个实施例中，可以通过高斯模糊进行局部平滑，以消除局部的异常扭曲。
(2)基于所得的扭曲系数，对所述二维图像进行时域矫正，得到时域矫正图像。其中，时域矫正的过程中可以利用基于编码器、解码器结构的深度学习模型来实现图像重建。需要说明的是，编码器用于从输入图像中提取出扭曲特征，解码器用于从提取的扭曲特征中，基于扭曲系数还原出平整的图像。
步骤S42，将所得的二维图像进行傅里叶变换，得到对应频域的傅里叶域图像。
需要说明的是，傅立叶变换可以将图像从时间域转化为频率域，旨在分解由正弦波和余弦波组成的周期性基本函数，将一个时域信号(即图像)分解为若干个正、负频率的频谱成分的和。傅立叶变换的实现需要将图像转变为数字信号，再利用快速傅立叶变换(FFT)算法进行计算。在傅立叶变换之后，图像在频率域中的成分可以通过改变不同的频率(或者相位)来进行调整。
步骤S43，基于训练好的CNN卷积神经网络对所述傅里叶域图像进行频域矫正，得到频域矫正图像。
具体的，频域矫正的步骤请参考前述实施例，当前不作赘述。
步骤S44，基于图像加权平均算法，对所述时域矫正图像、以及所述频域矫正图像进行加权融合，得到目标矫正图像。
具体的，通过对所述时域矫正图像、以及所述频域矫正图像进行加权融合，改善图像效果,且在维持高通滤波锐化的基础上,能够进一步改善图像的整体灰度，使得图像适合人眼的观测，为后续操作打下了良好的基础。
在其中一个实施例中，所述初始纹理图像经由图像传感器采集所得，在执行步骤S2之前，所述方法还包括：采用支持向量机对所述图像传感器的偏移角度进行补偿，以避免采集图像的畸变失真；采用深度学习算法基于分析出的误差影响因素建立误差自动校正模型；基于所述误差自动校正模型对所述图像传感器的响应参数进行拟合，实现图像传感器误差的自动校正。
请参考图3，本申请公开的一种地质材料材质识别系统300，该系统300包括三维重建模块301、图像增强模块302、纹理渲染模块303、投影矫正模块304以及地质材料材质识别模块305，其中：
所述三维重建模块301，用于获取目标物体的多角度点云数据，并基于所述多角度点云数据进行三维重建，得到目标三维模型。
所述图像增强模块302，用于获取目标物体的初始纹理图像，并对所述初始纹理图像进行增强处理，得到目标纹理图像。
所述纹理渲染模块303，用于将所述目标纹理图像渲染到所述目标三维模型上，得到带有纹理属性的实景三维模型。
所述投影矫正模块304，用于对所述实景三维模型进行二维投影，并对所得的二维图像进行时域矫正、以及频域矫正，得到目标矫正图像。
所述质材料材质识别模块305，用于将所述目标矫正图像输入到训练好的目标参数提取模块中进行地质材料材质的提取，得到相应的识别结果。
由上可知，本申请公开的一种地质材料材质识别系统，通过获取目标物体的多角度点云数据，并基于多角度点云数据进行三维重建，得到目标三维模型；获取目标物体的初始纹理图像，并对初始纹理图像进行增强处理，得到目标纹理图像；将目标纹理图像渲染到目标三维模型上，得到带有纹理属性的实景三维模型；对实景三维模型进行二维投影，并对所得的二维图像进行时域矫正、以及频域矫正，得到目标矫正图像；将目标矫正图像输入到训练好的目标参数提取模块中进行地质材料材质的提取，得到相应的识别结果。该方案通过建立实景三维模型，并为了降低识别难度，将该实景三维模型进行投影，基于投影图像进行地质材料材质的提取、识别，能够针对复杂的三维结构进行针对性分析，提高识别效率。另外，考虑到投影图像会在细节上有所扭曲，还进行了时域矫正、以及频域矫正，使得图像在色彩、对比度、清晰度、细节等方面都具有更好的表现，提高了地质材料材质的识别精准度。
在其中一个实施例中，所述三维重建模块301还用于基于所述多角度点云数据进行点云预处理，所述点云预处理包括去除离散点、以及将噪声点恢复到正确的位置上的至少一种操作；采用点云配准操作，将预处理后的多角度点云数据分配在统一坐标系下，得到相应的配准点云数据；将所述配准点云数据通过三角网格化进行三维重建，得到目标三维模型。
在其中一个实施例中，所述图像增强模块302还用于构建目标图像增强网络模型，所述目标图像增强网络模型包括生成器和判别器；将所述初始纹理图像输入至所述生成器中，基于所述生成器构建所述初始纹理图像的初始增强图像；将所述初始增强图像输入至判别器中鉴别图像增强效果，并在确定图像增强效果满足预设条件时，将所述初始增强图像作为目标纹理图像输出。
在其中一个实施例中，所述纹理渲染模块303还用于以所述目标三维模型为原始结构载体，获取待隐藏的隐秘信息，并利用帧化采样的小波域三维模型信息隐藏算法，将所述隐秘信息嵌入至相应变换空间中；利用正交投影的纹理映射算法将所述目标纹理图像映射到所述目标三维模型上，生成含密、且带有纹理属性的实景三维模型。
在其中一个实施例中，所述投影矫正模块304还用于基于训练好的CNN卷积神经网络对所得的二维图像进行时域矫正，得到时域矫正图像；将所得的二维图像进行傅里叶变换，得到对应频域的傅里叶域图像；基于训练好的CNN卷积神经网络对所述傅里叶域图像进行频域矫正，得到频域矫正图像；基于图像加权平均算法，对所述时域矫正图像、以及所述频域矫正图像进行加权融合，得到目标矫正图像。
在其中一个实施例中，该系统300还包括图像传感器误差校正模块，其中：
所述图像传感器误差校正模块，用于采用支持向量机对所述图像传感器的偏移角度进行补偿，以避免采集图像的畸变失真；采用深度学习算法基于分析出的误差影响因素建立误差自动校正模型；基于所述误差自动校正模型对所述图像传感器的响应参数进行拟合，实现图像传感器误差的自动校正。
本申请实施例提供一种可读存储介质，所述计算机程序被处理器执行时，执行上述实施例的任一可选的实现方式中的方法。其中，存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(StaticRandomAccessMemory,简称SRAM)，电可擦除可编程只读存储器(ElectricallyErasableProgrammableRead-OnlyMemory,简称EEPROM)，可擦除可编程只读存储器(ErasableProgrammableRead OnlyMemory,简称EPROM)，可编程只读存储器(ProgrammableRed-Only Memory,简称PROM)，只读存储器(Read-OnlyMemory,简称ROM)，磁存储器，快闪存储器，磁盘或光盘。
上述可读存储介质，通过获取目标物体的多角度点云数据，并基于多角度点云数据进行三维重建，得到目标三维模型；获取目标物体的初始纹理图像，并对初始纹理图像进行增强处理，得到目标纹理图像；将目标纹理图像渲染到目标三维模型上，得到带有纹理属性的实景三维模型；对实景三维模型进行二维投影，并对所得的二维图像进行时域矫正、以及频域矫正，得到目标矫正图像；将目标矫正图像输入到训练好的目标参数提取模块中进行地质材料材质的提取，得到相应的识别结果。该方案通过建立实景三维模型，并为了降低识别难度，将该实景三维模型进行投影，基于投影图像进行地质材料材质的提取、识别，能够针对复杂的三维结构进行针对性分析，提高识别效率。另外，考虑到投影图像会在细节上有所扭曲，还进行了时域矫正、以及频域矫正，使得图像在色彩、对比度、清晰度、细节等方面都具有更好的表现，提高了地质材料材质的识别精准度。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
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 (8)

1.一种地质材料材质识别方法，其特征在于，包括以下步骤：
S1、获取目标物体的多角度点云数据，并基于所述多角度点云数据进行三维重建，得到目标三维模型；
S2、获取目标物体的初始纹理图像，并对所述初始纹理图像进行增强处理，得到目标纹理图像；
S3、将所述目标纹理图像渲染到所述目标三维模型上，得到带有纹理属性的实景三维模型；
S4、对所述实景三维模型进行二维投影，并对所得的二维图像进行时域矫正、以及频域矫正，得到目标矫正图像；
S5、将所述目标矫正图像输入到训练好的目标参数提取模块中进行地质材料材质的提取，得到相应的识别结果。
2.根据权利要求1所述的方法，其特征在于，步骤S1中，所述基于所述多角度点云数据进行三维重建，得到目标三维模型，包括：
S11、基于所述多角度点云数据进行点云预处理，所述点云预处理包括去除离散点、以及将噪声点恢复到正确的位置上的至少一种操作；
S12、采用点云配准操作，将预处理后的多角度点云数据分配在统一坐标系下，得到相应的配准点云数据；
S13、将所述配准点云数据通过三角网格化进行三维重建，得到目标三维模型。
3.根据权利要求1所述的方法，其特征在于，步骤S2中，所述对所述初始纹理图像进行增强处理，得到目标纹理图像，包括：
S21、构建目标图像增强网络模型，所述目标图像增强网络模型包括生成器和判别器；
S22、将所述初始纹理图像输入至所述生成器中，基于所述生成器构建所述初始纹理图像的初始增强图像；
S23、将所述初始增强图像输入至判别器中鉴别图像增强效果，并在确定图像增强效果满足预设条件时，将所述初始增强图像作为目标纹理图像输出。
4.根据权利要求1所述的方法，其特征在于，步骤S3中，所述将所述目标纹理图像渲染到所述目标三维模型上，得到带有纹理属性的实景三维模型，包括：
S31、以所述目标三维模型为原始结构载体，获取待隐藏的隐秘信息，并利用帧化采样的小波域三维模型信息隐藏算法，将所述隐秘信息嵌入至相应变换空间中；
S32、利用正交投影的纹理映射算法将所述目标纹理图像映射到所述目标三维模型上，生成含密、且带有纹理属性的实景三维模型。
5.根据权利要求1所述的方法，其特征在于，步骤S4中，所述对所得的二维图像进行时域矫正、以及频域矫正，得到目标矫正图像，包括：
S41、基于训练好的CNN卷积神经网络对所得的二维图像进行时域矫正，得到时域矫正图像；
S42、将所得的二维图像进行傅里叶变换，得到对应频域的傅里叶域图像；
S43、基于训练好的CNN卷积神经网络对所述傅里叶域图像进行频域矫正，得到频域矫正图像；
S44、基于图像加权平均算法，对所述时域矫正图像、以及所述频域矫正图像进行加权融合，得到目标矫正图像。
6.根据权利要求1-5中任一项所述的方法，其特征在于，所述初始纹理图像经由图像传感器采集所得，在执行步骤S2之前，所述方法还包括：
采用支持向量机对所述图像传感器的偏移角度进行补偿，以避免采集图像的畸变失真；
采用深度学习算法基于分析出的误差影响因素建立误差自动校正模型；
基于所述误差自动校正模型对所述图像传感器的响应参数进行拟合，实现图像传感器误差的自动校正。
7.一种地质材料材质识别系统，其特征在于，所述系统包括三维重建模块、图像增强模块、纹理渲染模块、投影矫正模块以及地质材料材质识别模块，其中：
所述三维重建模块，用于获取目标物体的多角度点云数据，并基于所述多角度点云数据进行三维重建，得到目标三维模型；
所述图像增强模块，用于获取目标物体的初始纹理图像，并对所述初始纹理图像进行增强处理，得到目标纹理图像；
所述纹理渲染模块，用于将所述目标纹理图像渲染到所述目标三维模型上，得到带有纹理属性的实景三维模型；
所述投影矫正模块，用于对所述实景三维模型进行二维投影，并对所得的二维图像进行时域矫正、以及频域矫正，得到目标矫正图像；
所述质材料材质识别模块，用于将所述目标矫正图像输入到训练好的目标参数提取模块中进行地质材料材质的提取，得到相应的识别结果。
8.一种可读存储介质，其特征在于，所述可读存储介质中包括地质材料材质识别方法程序，所述地质材料材质识别方法程序被处理器执行时，实现如权利要求1至6中任一项所述的方法的步骤。
CN202310843604.1A 2023-07-10 2023-07-10 一种地质材料材质识别方法、系统及可读存储介质 Active CN117152733B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310843604.1A CN117152733B (zh) 2023-07-10 2023-07-10 一种地质材料材质识别方法、系统及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310843604.1A CN117152733B (zh) 2023-07-10 2023-07-10 一种地质材料材质识别方法、系统及可读存储介质

Publications (2)

Publication Number Publication Date
CN117152733A true CN117152733A (zh) 2023-12-01
CN117152733B CN117152733B (zh) 2024-06-21

Family

ID=88903393

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310843604.1A Active CN117152733B (zh) 2023-07-10 2023-07-10 一种地质材料材质识别方法、系统及可读存储介质

Country Status (1)

Country Link
CN (1) CN117152733B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117975169A (zh) * 2024-03-27 2024-05-03 先临三维科技股份有限公司 对象分类方法、计算机程序产品、设备及存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101273244B1 (ko) * 2011-12-23 2013-06-11 국방과학연구소 영상 처리 방법 및 영상 처리 장치
CN104952031A (zh) * 2015-06-18 2015-09-30 上海理工大学 多数据量多用户共享版权时的三维模型信息隐藏方法
CN109613535A (zh) * 2018-12-12 2019-04-12 北京无线电测量研究所 一种基于包络校正的方位ncs成像方法、系统、介质及设备
CN113012293A (zh) * 2021-03-22 2021-06-22 平安科技（深圳）有限公司 石刻模型构建方法、装置、设备及存储介质
WO2022151589A1 (zh) * 2021-01-18 2022-07-21 平安科技（深圳）有限公司 图像增强方法、装置、设备及存储介质
CN115015920A (zh) * 2022-02-28 2022-09-06 西安电子科技大学 一种基于距离空变频谱矫正的快速后向投影成像方法
CN115239861A (zh) * 2021-04-23 2022-10-25 广州视源电子科技股份有限公司 人脸数据增强方法、装置、计算机设备和存储介质
US20230048906A1 (en) * 2020-09-15 2023-02-16 Tencent Technology (Shenzhen) Company Limited Method for reconstructing three-dimensional model, method for training three-dimensional reconstruction model, and apparatus
CN115797535A (zh) * 2023-01-05 2023-03-14 深圳思谋信息科技有限公司 一种三维模型纹理贴图方法及相关装置
CN116363309A (zh) * 2023-03-24 2023-06-30 西安科技大学 基于点云投影采样的三维信息隐藏方法与装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101273244B1 (ko) * 2011-12-23 2013-06-11 국방과학연구소 영상 처리 방법 및 영상 처리 장치
CN104952031A (zh) * 2015-06-18 2015-09-30 上海理工大学 多数据量多用户共享版权时的三维模型信息隐藏方法
CN109613535A (zh) * 2018-12-12 2019-04-12 北京无线电测量研究所 一种基于包络校正的方位ncs成像方法、系统、介质及设备
US20230048906A1 (en) * 2020-09-15 2023-02-16 Tencent Technology (Shenzhen) Company Limited Method for reconstructing three-dimensional model, method for training three-dimensional reconstruction model, and apparatus
WO2022151589A1 (zh) * 2021-01-18 2022-07-21 平安科技（深圳）有限公司 图像增强方法、装置、设备及存储介质
CN113012293A (zh) * 2021-03-22 2021-06-22 平安科技（深圳）有限公司 石刻模型构建方法、装置、设备及存储介质
CN115239861A (zh) * 2021-04-23 2022-10-25 广州视源电子科技股份有限公司 人脸数据增强方法、装置、计算机设备和存储介质
CN115015920A (zh) * 2022-02-28 2022-09-06 西安电子科技大学 一种基于距离空变频谱矫正的快速后向投影成像方法
CN115797535A (zh) * 2023-01-05 2023-03-14 深圳思谋信息科技有限公司 一种三维模型纹理贴图方法及相关装置
CN116363309A (zh) * 2023-03-24 2023-06-30 西安科技大学 基于点云投影采样的三维信息隐藏方法与装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
任帅: "基于三维模型贴图与结构数据的信息隐藏算法", 通信学报, vol. 40, no. 05, 25 May 2019 (2019-05-25), pages 211 - 222 *
焦玉勇: "隧道超前地质预报检波器耦合介质理论及试验研究", 地下空间与工程学报, vol. 19, no. 01, 15 February 2023 (2023-02-15), pages 183 - 192 *
苏小宁: "基于CATIA的三维地质建模及可视化应用研究", 人民长江, vol. 46, no. 19, 14 October 2015 (2015-10-14), pages 101 - 104 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117975169A (zh) * 2024-03-27 2024-05-03 先临三维科技股份有限公司 对象分类方法、计算机程序产品、设备及存储介质
CN117975169B (zh) * 2024-03-27 2024-08-23 先临三维科技股份有限公司 对象分类方法、计算机程序产品、设备及存储介质

Also Published As

Publication number Publication date
CN117152733B (zh) 2024-06-21

Similar Documents

Publication Publication Date Title
CN108921799B (zh) 基于多尺度协同学习卷积神经网络的遥感图像薄云去除方法
US9129432B2 (en) Image-based procedural remodeling of buildings
CN111063021A (zh) 一种空间运动目标的三维重建模型建立方法及装置
CN111179189B (zh) 基于生成对抗网络gan的图像处理方法、装置以及电子设备、存储介质
CN117152733B (zh) 一种地质材料材质识别方法、系统及可读存储介质
Ganguly et al. Single image haze removal with haze map optimization for various haze concentrations
US11270414B2 (en) Method for generating a reduced-blur digital image
CN114117614A (zh) 一种建筑物立面纹理自动生成方法和系统
CN110807738B (zh) 一种基于边缘图块锐化的模糊图像非盲复原方法
Li et al. A maximum a posteriori estimation framework for robust high dynamic range video synthesis
Hovhannisyan et al. AED-Net: A single image dehazing
Babu et al. An efficient image dahazing using Googlenet based convolution neural networks
WO2018030593A1 (ko) 라플라시안 패치 기반 이미지 합성 방법 및 장치
Liu et al. SACTNet: Spatial attention context transformation network for cloud removal
Nouduri et al. Deep realistic novel view generation for city-scale aerial images
Kusetogullari et al. Unsupervised change detection in landsat images with atmospheric artifacts: a fuzzy multiobjective approach
Selvaraj et al. Infrared and visible image fusion using multi‐scale NSCT and rolling‐guidance filter
CN115953312A (zh) 一种基于单幅图像的联合去雾检测方法、装置及存储介质
Tang et al. Fuzzy medical computer vision image restoration and visual application
Chen et al. MoCo‐Flow: Neural Motion Consensus Flow for Dynamic Humans in Stationary Monocular Cameras
Liu et al. Dual‐Channel and Two‐Stage Dehazing Network for Promoting Ship Detection in Visual Perception System
CN113537359A (zh) 训练数据的生成方法及装置、计算机可读介质和电子设备
Wang et al. DEM super-resolution framework based on deep learning: decomposing terrain trends and residuals
Ma et al. Image Dehazing Based on Improved Color Channel Transfer and Multiexposure Fusion
Xiang et al. A modified joint trilateral filter based depth map refinement method

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