CN117333402A - 倾斜摄影图像的局部更新处理方法及电子设备 - Google Patents

倾斜摄影图像的局部更新处理方法及电子设备 Download PDF

Info

Publication number
CN117333402A
CN117333402A CN202311633559.3A CN202311633559A CN117333402A CN 117333402 A CN117333402 A CN 117333402A CN 202311633559 A CN202311633559 A CN 202311633559A CN 117333402 A CN117333402 A CN 117333402A
Authority
CN
China
Prior art keywords
data
target
color
oblique
information
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202311633559.3A
Other languages
English (en)
Other versions
CN117333402B (zh
Inventor
朱旭平
宋彬
何文武
黄亚昌
申亚奇
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.)
Beijing Feidu Technology Co ltd
Original Assignee
Beijing Feidu 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 Beijing Feidu Technology Co ltd filed Critical Beijing Feidu Technology Co ltd
Priority to CN202311633559.3A priority Critical patent/CN117333402B/zh
Publication of CN117333402A publication Critical patent/CN117333402A/zh
Application granted granted Critical
Publication of CN117333402B publication Critical patent/CN117333402B/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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

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

Abstract

本发明提供了一种倾斜摄影图像的局部更新处理方法及电子设备，属于图像处理技术领域，解决了现有技术倾斜摄影图像局部更新后带来的模型不连贯的问题。该方法包括：获取原始倾斜摄影数据和待更新的局部倾斜摄影数据；提取上述数据中的关键目标信息及目标图像；提取每一关键目标信息中的颜色信息、色温信息和直方图特征，建立源数据、目标数据；将源数据和目标数据均转换至相同的颜色空间；将转换后的目标数据的颜色信息修改为上述源数据中各关键目标信息中的颜色信息；将修改后的目标数据还原至BGR颜色空间；将待更新的局部倾斜摄影数据中的每一目标图像均替换为上述颜色还原后的目标数据，得到与原始倾斜摄影数据颜色特征一致的倾斜摄影数据。

Description

倾斜摄影图像的局部更新处理方法及电子设备
技术领域
本发明涉及图像处理技术领域，尤其涉及一种倾斜摄影图像的局部更新处理方法及电子设备。
背景技术
倾斜摄影测量是一种从多个角度获取建筑物和其他物体的高分辨率图像的技术。这些图像可以用来生成三维模型，包括建筑物的外观和内部结构。然而，随着时间的推移，建筑物或其他物体的形态可能会发生变化，例如建筑物被拆除，或在原地建立新的建筑物。这些变化需要反映到倾斜摄影数据中，以保持数据的准确性和现势性。
局部更新是一种针对倾斜摄影数据的更新方式，它只对发生变化的部分进行更新，而不是重新制作整个模型。这种更新方式可以提高效率，同时减少对未发生变化的部分的影响。
现有的局部更新方法参见中国专利CN115146349A、CN113850732A等，仍可能会影响数据的整体性。理由是，由于更新只针对发生变化的部分进行，未发生变化的部分仍然保持原来的状态，这可能会导致整个场景的数据出现不连贯的情况。例如在不同天气、不同时间下的一个城市的三维模型中，只有部分建筑物被更新，而其他建筑物仍然保持原来的状态，这可能会导致整个城市的三维模型出现不连贯的情况。
发明内容
鉴于上述的分析，本发明实施例旨在提供一种倾斜摄影图像的局部更新处理方法及电子设备，用以解决现有技术倾斜摄影图像局部更新后带来的模型不连贯的问题。
一方面，本发明实施例提供了一种倾斜摄影图像的局部更新处理方法，包括如下步骤：
S1.获取原始倾斜摄影数据和待更新的局部倾斜摄影数据；
S2.分别提取上述原始倾斜摄影数据和待更新的局部倾斜摄影数据中的关键目标信息及目标图像；
S3.提取上述每一关键目标信息中的颜色信息、色温信息和直方图特征，建立原始倾斜摄影数据对应的可编程的源数据，以及待更新的局部倾斜摄影数据对应的可编程的目标数据；
S4.将源数据和目标数据均转换至相同的颜色空间；
S5.将颜色空间转换后的目标数据的颜色信息修改为步骤S3得到的源数据中各关键目标信息中的颜色信息，得到修改颜色后的目标数据；
S6.将修改颜色后的目标数据还原至BGR颜色空间，得到颜色还原后的目标数据；
S7.将待更新的局部倾斜摄影数据中的每一目标图像均替换为上述颜色还原后的目标数据，得到并输出与原始倾斜摄影数据颜色分布、色调、饱和度、亮度一致的倾斜摄影数据。
上述技术方案的有益效果如下：针对现有技术的倾斜摄影数据局部更新后带来的模型不连贯的情况，分析出整体倾斜摄影模型的自然环境（可通过卷积神经网络和OpenCV计算机视觉任务库）。将被更新模型的颜色、色温、饱和度、亮度（阴影、天气、环境光）等自然环境信息与整体倾斜摄影模型保持一致，没有更新痕迹。在减少人工处理模型的工作量的同时，还可以更准确地高精度还原自然环境。
基于上述方法的进一步改进，所述关键目标信息包括地形、水、建筑、道路。
进一步，步骤S2进一步包括如下子步骤：
S21.使用第一目标检测模型提取原始倾斜摄影数据中的关键目标信息及图像；
S22.使用第二目标检测模型提取待更新的局部倾斜摄影数据中的关键目标信息及图像。
进一步，步骤S2中，第一目标检测模型、第二目标检测模型均采用EfficientDet软件中的目标检测模型。
进一步，步骤S3进一步包括如下子步骤：
S31.对于每一关键目标信息及目标图像，利用OpenCV计算机视觉任务库中图像处理与分析工具的颜色通道分析算法，获取每一关键目标信息中的颜色属性信息，以及获取每一颜色通道的平均值、分析直方图；所述颜色属性信息包括颜色分布、色调、饱和度；
S32.根据每一颜色通道的平均值，得出目标图像中各颜色通道的亮度分布；
S33.根据分析直方图中的峰值，得出目标图像中的主要颜色信息;
S34.通过灰度世界增强法，提取目标图像中的白平衡信息；
S35.根据上述目标图像中的白平衡信息，得出颜色通道之间的均方误差，以作为颜色通道之间的差异性指标；
S36.建立原始倾斜摄影数据对应的可编程的源数据，以及待更新的局部倾斜摄影数据对应的可编程的目标数据；其中，源数据包括原始倾斜摄影数据中每一关键目标的颜色分布、色调、饱和度、亮度分布；目标数据包括待更新的局部倾斜摄影数据中每一关键目标的颜色分布、色调、饱和度、亮度分布；
S37.使用OpenCV加载源数据、目标数据，建立原始倾斜摄影数据对应的可编程的源数据，以及待更新的局部倾斜摄影数据对应的可编程的目标数据。
进一步，步骤S4进一步包括如下子步骤：
S41.将源数据、目标数据的RGB值均进行HSV标准化，转换到0~1的范围；
S42.通过下面公式确定亮度V，
V = max(R, G, B)，
S43.通过下面公式确定饱和度S，
S = 1 - min(R, G, B) / V（如果V为0，则S也为0），
S44.通过下面公式确定色调H，完成将源数据和目标数据均转换至相同的颜色空间的功能：
如果红色R是最大值，转换公式是：(G - B) / (max - min)，
如果绿色G是最大值，转换公式是：(B - R) / (max - min) + 2，
如果蓝色B是最大值，转换公式是：(R - G) / (max - min) + 4，
H∈（0°，360°），
式中，R为红色对应的HSV数值，G为绿色对应的HSV数值，B为蓝色对应的HSV数值，max为max(R, G, B)，min为 min(R, G, B)。
进一步，步骤S6进一步包括如下子步骤：
S61.获取目标图像的尺寸；
S62.初始化一个空白的BGR图像；
S63.依据步骤S35获得的颜色通道之间的差异性指标修改目标图像的颜色信息；
S64.将修改颜色信息后的目标图像还原至BGR颜色空间，遍历目标图像的每个像素，获得HSV通道值，通过HSV通道值得出BGR通道值；
S65.通过计算得到的BGR通道值，将BGR图像信息填充到步骤S62得到的空白的BGR图像中；
S66.输出还原后的目标图像，作为还原后的目标数据。
进一步，该方法还包括如下步骤：
S01.获取原始倾斜摄影数据、待更新的局部倾斜摄影数据的地理范围；
S02.根据原始倾斜摄影数据构建矢量面一，并根据待更新的局部倾斜摄影数据的地理范围构建矢量面二；
S03.将原始倾斜摄影数据、待更新的局部倾斜摄影数据进行矢量面一-矢量面二的空间拓扑计算，建立原始倾斜摄影数据、待更新的局部倾斜摄影数据的关联关系；
S04.根据上述关联关系，将原始倾斜摄影数据、待更新的局部倾斜摄影数据进行直方图匹配；
S05.根据上述关联关系，将原始倾斜摄影数据、待更新的局部倾斜摄影数据接边处进行羽化处理。
进一步，所述空间拓扑计算是通过一系列基于一个或过个几何图形中间点的逻辑比较，然后返回另外一些几何图形，包括凹多边形、切割、差分、交集、对称差分和并集。
另一方面，本发明实施例提供了一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述倾斜摄影图像的局部更新处理方法中的步骤。
提供发明内容部分是为了以简化的形式来介绍对概念的选择，它们在下文的具体实施方式中将被进一步描述。发明内容部分无意标识本发明的重要特征或必要特征，也无意限制本发明的范围。
附图说明
通过结合附图对本发明示例性实施例进行更详细的描述，本发明的上述以及其它目的、特征和优势将变得更加明显，其中，在本发明示例性实施例中，相同的参考标号通常代表相同部件。
图1示出了实施例1倾斜摄影图像的局部更新处理方法的步骤示意图。
具体实施方式
下面将参照附图更详细地描述本发明的实施例。虽然附图中显示了本发明的实施例，然而应该理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了使本发明更加透彻和完整，并且能够将本发明的范围完整地传达给本领域的技术人员。
在本文中使用的术语“包括”及其变形表示开放性包括，即“包括但不限于”。除非特别申明，术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个此外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
实施例1
本发明的一个实施例，公开了一种倾斜摄影图像的局部更新处理方法，旨在通过优化图像处理方法，提高磁流体机器人的使用性能。如图1所示，该方法包括如下步骤：
S1.获取原始倾斜摄影数据和待更新的局部倾斜摄影数据；
S2.分别提取上述原始倾斜摄影数据和待更新的局部倾斜摄影数据中的关键目标信息及目标图像；
S3.提取上述每一关键目标信息中的颜色信息、色温信息和直方图特征，建立原始倾斜摄影数据对应的可编程的源数据，以及待更新的局部倾斜摄影数据对应的可编程的目标数据；
S4.将源数据和目标数据均转换至相同的颜色空间；
S5.将颜色空间转换后的目标数据的颜色信息修改为步骤S3得到的源数据中各关键目标信息中的颜色信息，得到修改颜色后的目标数据；
S6.将修改颜色后的目标数据还原至BGR颜色空间，得到颜色还原后的目标数据；
S7.将待更新的局部倾斜摄影数据中的每一目标图像均替换为上述颜色还原后的目标数据，得到并输出与原始倾斜摄影数据颜色分布、色调、饱和度、亮度一致的倾斜摄影数据。
优选地，所述颜色信息包括颜色分布、色调、饱和度和亮度分布等中的至少一个。
与现有技术相比，本实施例针对现有技术的倾斜摄影数据局部更新后带来的模型不连贯的情况，分析出整体倾斜摄影模型的自然环境（可通过卷积神经网络和OpenCV计算机视觉任务库）。将被更新模型的颜色、色温、饱和度、亮度（阴影、天气、环境光）等自然环境信息与整体倾斜摄影模型保持一致，没有更新痕迹。在减少人工处理模型的工作量的同时，还可以更准确地高精度还原自然环境。
实施例2
在实施例1的基础上进行改进，所述关键目标信息包括地形、水、建筑、道路等。
优选地，步骤S2进一步包括如下子步骤：
S21.使用第一目标检测模型提取原始倾斜摄影数据中的关键目标信息及图像；
S22.使用第二目标检测模型提取待更新的局部倾斜摄影数据中的关键目标信息及图像。
优选地，步骤S2中，第一目标检测模型、第二目标检测模型均采用EfficientDet软件中的目标检测模型(基于卷积神经网络Convolutional Neural Network, CNN)。
优选地，步骤S3进一步包括如下子步骤：
S31.对于每一关键目标信息及目标图像，利用OpenCV（Open Source ComputerVision Library）计算机视觉任务库中图像处理与分析工具的颜色通道分析算法，获取步骤S2中每一关键目标信息中的颜色属性信息，以及获取每一颜色通道的平均值、分析直方图；所述颜色属性信息包括颜色分布、色调、饱和度；
S32.根据每一颜色通道（RGB）的平均值，得出目标图像中各颜色通道的亮度分布；
S33.根据分析直方图中的峰值，得出目标图像中的主要颜色信息;
S34.通过灰度世界增强法，提取目标图像中的白平衡信息；
S35.根据上述目标图像中的白平衡信息，得出颜色通道之间的均方误差（MSE）或其他差异度指标，以作为颜色通道之间的差异性指标；
S36.建立原始倾斜摄影数据对应的可编程的源数据，以及待更新的局部倾斜摄影数据对应的可编程的目标数据；其中，源数据包括原始倾斜摄影数据中每一关键目标的颜色分布、色调、饱和度、亮度分布；目标数据包括待更新的局部倾斜摄影数据中每一关键目标的颜色分布、色调、饱和度、亮度分布；
S37.使用OpenCV加载源数据、目标数据，建立原始倾斜摄影数据对应的可编程的源数据，以及待更新的局部倾斜摄影数据对应的可编程的目标数据。
优选地，步骤S4进一步包括如下子步骤：
S41.将源数据、目标数据的RGB值均进行HSV标准化（RGB到HSV），转换到0~1的范围，即将每个颜色通道值除以255；
S42.通过下面公式确定亮度V，
V = max(R, G, B)，
S43.通过下面公式确定饱和度S,
S = 1 - min(R, G, B) / V（如果V为0，则S也为0），
S44.通过下面公式确定色调H，完成将源数据和目标数据均转换至相同的颜色空间的功能：
如果红色R是最大值，转换公式是：(G - B) / (max - min)，
如果绿色G是最大值，转换公式是：(B - R) / (max - min) + 2，
如果蓝色B是最大值，转换公式是：(R - G) / (max - min) + 4，
H∈（0°，360°），
式中，R为红色对应的HSV数值，G为绿色对应的HSV数值，B为蓝色对应的HSV数值，max为max(R, G, B)，min为 min(R, G, B)。
优选地，步骤S6进一步包括如下子步骤：
S61.获取目标图像的尺寸；
S62.初始化一个空白的BGR图像；
S63.依据步骤S35获得的颜色通道之间的差异性指标修改目标图像的颜色信息；
S64.将修改颜色信息后的目标图像还原至BGR颜色空间，遍历目标图像的每个像素，获得HSV通道值，通过HSV通道值得出BGR通道值；
S65.通过计算得到的BGR通道值，将BGR图像信息填充到步骤S62得到的空白的BGR图像中；
S66.输出还原后的目标图像，作为还原后的目标数据。
优选地，该方法还包括如下步骤：
S01.获取原始倾斜摄影数据、待更新的局部倾斜摄影数据的地理范围；
S02.根据原始倾斜摄影数据构建矢量面一，并根据待更新的局部倾斜摄影数据的地理范围构建矢量面二；
S03.将原始倾斜摄影数据、待更新的局部倾斜摄影数据进行矢量面一-矢量面二的空间拓扑计算，建立原始倾斜摄影数据、待更新的局部倾斜摄影数据的关联关系；
S04.根据上述关联关系，将原始倾斜摄影数据、待更新的局部倾斜摄影数据进行直方图匹配；
S05.根据上述关联关系，将原始倾斜摄影数据、待更新的局部倾斜摄影数据接边处进行羽化处理。
优选地，所述空间拓扑计算是通过一系列基于一个或过个几何图形中间点的逻辑比较，然后返回另外一些几何图形，包括凹多边形、切割、差分、交集、对称差分和并集。
与现有技术相比，本实施例提供的倾斜摄影图像的局部更新处理方法具有如下有益效果：
1、最终得到的待更新数据就是和原始数据颜色分布、色调、饱和度和亮度分布一致的倾斜摄影数据。
2、方法简单。
实施例3
本发明还公开了一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如实施例1或实施例2所述的倾斜摄影图像的局部更新处理方法中的步骤。
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对现有技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种倾斜摄影图像的局部更新处理方法，其特征在于，包括步骤：
S1.获取原始倾斜摄影数据和待更新的局部倾斜摄影数据；
S2.分别提取上述原始倾斜摄影数据和待更新的局部倾斜摄影数据中的关键目标信息及目标图像；
S3.提取上述每一关键目标信息中的颜色信息、色温信息和直方图特征，建立原始倾斜摄影数据对应的可编程的源数据，以及待更新的局部倾斜摄影数据对应的可编程的目标数据；
S4.将源数据和目标数据均转换至相同的颜色空间；
S5.将颜色空间转换后的目标数据的颜色信息修改为步骤S3得到的源数据中各关键目标信息中的颜色信息，得到修改颜色后的目标数据；
S6.将修改颜色后的目标数据还原至BGR颜色空间，得到颜色还原后的目标数据；
S7.将待更新的局部倾斜摄影数据中的每一目标图像均替换为上述颜色还原后的目标数据，得到并输出与原始倾斜摄影数据颜色分布、色调、饱和度、亮度一致的倾斜摄影数据。
2.根据权利要求1所述的倾斜摄影图像的局部更新处理方法，其特征在于，所述关键目标信息包括地形、水、建筑、道路。
3.根据权利要求2所述的倾斜摄影图像的局部更新处理方法，其特征在于，步骤S2进一步包括如下子步骤：
S21.使用第一目标检测模型提取原始倾斜摄影数据中的关键目标信息及图像；
S22.使用第二目标检测模型提取待更新的局部倾斜摄影数据中的关键目标信息及图像。
4.根据权利要求3所述的倾斜摄影图像的局部更新处理方法，其特征在于，步骤S2中，第一目标检测模型、第二目标检测模型均采用EfficientDet软件中的目标检测模型。
5.根据权利要求4所述的倾斜摄影图像的局部更新处理方法，其特征在于，步骤S3进一步包括如下子步骤：
S31.对于每一关键目标信息及目标图像，利用OpenCV计算机视觉任务库中图像处理与分析工具的颜色通道分析算法，获取每一关键目标信息中的颜色属性信息，以及获取每一颜色通道的平均值、分析直方图；所述颜色属性信息包括颜色分布、色调、饱和度；
S32.根据每一颜色通道的平均值，得出目标图像中各颜色通道的亮度分布；
S33.根据分析直方图中的峰值，得出目标图像中的主要颜色信息;
S34.通过灰度世界增强法，提取目标图像中的白平衡信息；
S35.根据上述目标图像中的白平衡信息，得出颜色通道之间的均方误差，以作为颜色通道之间的差异性指标；
S36.建立原始倾斜摄影数据对应的可编程的源数据，以及待更新的局部倾斜摄影数据对应的可编程的目标数据；其中，源数据包括原始倾斜摄影数据中每一关键目标的颜色分布、色调、饱和度、亮度分布；目标数据包括待更新的局部倾斜摄影数据中每一关键目标的颜色分布、色调、饱和度、亮度分布；
S37.使用OpenCV加载源数据、目标数据，建立原始倾斜摄影数据对应的可编程的源数据，以及待更新的局部倾斜摄影数据对应的可编程的目标数据。
6.根据权利要求5所述的倾斜摄影图像的局部更新处理方法，其特征在于，步骤S4进一步包括如下子步骤：
S41.将源数据、目标数据的RGB值均进行HSV标准化，转换到0~1的范围；
S42.通过下面公式确定亮度V，
V = max(R, G, B)，
S43.通过下面公式确定饱和度S，
S = 1 - min(R, G, B) / V，
如果V为0，则S也为0，
S44.通过下面公式确定色调H，完成将源数据和目标数据均转换至相同的颜色空间的功能：
如果红色R是最大值，转换公式是：(G - B) / (max - min)，
如果绿色G是最大值，转换公式是：(B - R) / (max - min) + 2，
如果蓝色B是最大值，转换公式是：(R - G) / (max - min) + 4，
H∈（0°，360°），
式中，R为红色对应的HSV数值，G为绿色对应的HSV数值，B为蓝色对应的HSV数值，max为max(R, G, B)，min为min(R, G, B)。
7.根据权利要求6所述的倾斜摄影图像的局部更新处理方法，其特征在于，步骤S6进一步包括如下子步骤：
S61.获取目标图像的尺寸；
S62.初始化一个空白的BGR图像；
S63.依据步骤S35获得的颜色通道之间的差异性指标修改目标图像的颜色信息；
S64.将修改颜色信息后的目标图像还原至BGR颜色空间，遍历目标图像的每个像素，获得HSV通道值，通过HSV通道值得出BGR通道值；
S65.通过计算得到的BGR通道值，将BGR图像信息填充到步骤S62得到的空白的BGR图像中；
S66.输出还原后的目标图像，作为还原后的目标数据。
8.根据权利要求7所述的倾斜摄影图像的局部更新处理方法，其特征在于，还包括如下步骤：
S01.获取原始倾斜摄影数据、待更新的局部倾斜摄影数据的地理范围；
S02.根据原始倾斜摄影数据构建矢量面一，并根据待更新的局部倾斜摄影数据的地理范围构建矢量面二；
S03.将原始倾斜摄影数据、待更新的局部倾斜摄影数据进行矢量面一-矢量面二的空间拓扑计算，建立原始倾斜摄影数据、待更新的局部倾斜摄影数据的关联关系；
S04.根据上述关联关系，将原始倾斜摄影数据、待更新的局部倾斜摄影数据进行直方图匹配；
S05.根据上述关联关系，将原始倾斜摄影数据、待更新的局部倾斜摄影数据接边处进行羽化处理。
9.根据权利要求8所述的倾斜摄影图像的局部更新处理方法，其特征在于，所述空间拓扑计算是通过一系列基于一个或过个几何图形中间点的逻辑比较，然后返回另外一些几何图形，包括凹多边形、切割、差分、交集、对称差分和并集。
10.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-9中任一项所述的倾斜摄影图像的局部更新处理方法中的步骤。
CN202311633559.3A 2023-12-01 2023-12-01 倾斜摄影图像的局部更新处理方法及电子设备 Active CN117333402B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311633559.3A CN117333402B (zh) 2023-12-01 2023-12-01 倾斜摄影图像的局部更新处理方法及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311633559.3A CN117333402B (zh) 2023-12-01 2023-12-01 倾斜摄影图像的局部更新处理方法及电子设备

Publications (2)

Publication Number Publication Date
CN117333402A true CN117333402A (zh) 2024-01-02
CN117333402B CN117333402B (zh) 2024-03-01

Family

ID=89283469

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311633559.3A Active CN117333402B (zh) 2023-12-01 2023-12-01 倾斜摄影图像的局部更新处理方法及电子设备

Country Status (1)

Country Link
CN (1) CN117333402B (zh)

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1837853A (zh) * 2006-04-28 2006-09-27 武汉大学 一种遥感影像镶嵌中的拼接缝消除方法
CN1837854A (zh) * 2006-04-28 2006-09-27 武汉大学 遥感影像镶嵌中的基于影像重叠区域的色调调整方法
CN104182949A (zh) * 2014-08-18 2014-12-03 武汉大学 基于直方图特征点配准的影像匀色与融合方法及系统
CN105243653A (zh) * 2015-11-05 2016-01-13 北京航天泰坦科技股份有限公司 一种基于动态匹配的无人机遥感影像快速拼接技术
CN107862278A (zh) * 2017-11-02 2018-03-30 黄冈师范学院 一种高分辨率遥感影像道路信息提取系统
CN111340895A (zh) * 2020-02-18 2020-06-26 浙江工业大学 一种基于金字塔多尺度融合的影像色彩一致化方法
CN111899182A (zh) * 2019-05-06 2020-11-06 浙江宇视科技有限公司 颜色增强方法及装置
CN112419156A (zh) * 2020-11-26 2021-02-26 武汉大学 一种顾及地物类别差异的多幅高分辨率遥感影像镶嵌方法
CN113536010A (zh) * 2021-06-30 2021-10-22 中国人民解放军陆军工程大学 一种局部遥感影像更新方法及装置
CN113920030A (zh) * 2021-10-25 2022-01-11 自然资源部国土卫星遥感应用中心 一种大区域高保真卫星遥感影像匀色镶嵌处理方法及装置
CN114241326A (zh) * 2022-02-24 2022-03-25 自然资源部第三地理信息制图院 一种渐进式遥感影像地物要素智能生产方法及系统
CN114612387A (zh) * 2022-02-16 2022-06-10 珠江水利委员会珠江水利科学研究院 基于特征阈值的遥感影像融合方法、系统、设备及介质
CN115115542A (zh) * 2022-06-23 2022-09-27 中国矿业大学(北京) 一种基于云平台遥感影像镶嵌后色差条带的快速修复方法
CN115802017A (zh) * 2022-11-28 2023-03-14 中国空间技术研究院 图像色彩校正方法、电子设备及存储介质
CN116129093A (zh) * 2022-12-02 2023-05-16 北京市测绘设计研究院 一种针对倾斜摄影三维模型的颜色调整方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1837853A (zh) * 2006-04-28 2006-09-27 武汉大学 一种遥感影像镶嵌中的拼接缝消除方法
CN1837854A (zh) * 2006-04-28 2006-09-27 武汉大学 遥感影像镶嵌中的基于影像重叠区域的色调调整方法
CN104182949A (zh) * 2014-08-18 2014-12-03 武汉大学 基于直方图特征点配准的影像匀色与融合方法及系统
CN105243653A (zh) * 2015-11-05 2016-01-13 北京航天泰坦科技股份有限公司 一种基于动态匹配的无人机遥感影像快速拼接技术
CN107862278A (zh) * 2017-11-02 2018-03-30 黄冈师范学院 一种高分辨率遥感影像道路信息提取系统
CN111899182A (zh) * 2019-05-06 2020-11-06 浙江宇视科技有限公司 颜色增强方法及装置
CN111340895A (zh) * 2020-02-18 2020-06-26 浙江工业大学 一种基于金字塔多尺度融合的影像色彩一致化方法
CN112419156A (zh) * 2020-11-26 2021-02-26 武汉大学 一种顾及地物类别差异的多幅高分辨率遥感影像镶嵌方法
CN113536010A (zh) * 2021-06-30 2021-10-22 中国人民解放军陆军工程大学 一种局部遥感影像更新方法及装置
CN113920030A (zh) * 2021-10-25 2022-01-11 自然资源部国土卫星遥感应用中心 一种大区域高保真卫星遥感影像匀色镶嵌处理方法及装置
CN114612387A (zh) * 2022-02-16 2022-06-10 珠江水利委员会珠江水利科学研究院 基于特征阈值的遥感影像融合方法、系统、设备及介质
CN114241326A (zh) * 2022-02-24 2022-03-25 自然资源部第三地理信息制图院 一种渐进式遥感影像地物要素智能生产方法及系统
CN115115542A (zh) * 2022-06-23 2022-09-27 中国矿业大学(北京) 一种基于云平台遥感影像镶嵌后色差条带的快速修复方法
CN115802017A (zh) * 2022-11-28 2023-03-14 中国空间技术研究院 图像色彩校正方法、电子设备及存储介质
CN116129093A (zh) * 2022-12-02 2023-05-16 北京市测绘设计研究院 一种针对倾斜摄影三维模型的颜色调整方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
薛白: "多源遥感卫星影像镶嵌技术方法研究", 《中国优秀硕士学位论文全文数据库（基础科学辑）》, no. 02, pages 008 - 202 *

Also Published As

Publication number Publication date
CN117333402B (zh) 2024-03-01

Similar Documents

Publication Publication Date Title
US8280165B2 (en) System and method for segmenting foreground and background in a video
CN108038906B (zh) 一种基于图像的三维四边形网格模型重建方法
WO2022000397A1 (zh) 低照度图像增强方法、装置及计算机设备
CN112270688B (zh) 一种前景提取方法、装置、设备及存储介质
CN111145290B (zh) 一种图像彩色化方法、系统和计算机可读存储介质
CN113408537B (zh) 一种遥感影像域适应语义分割方法
CN109389617A (zh) 一种基于片上异构系统的运动目标识别与追踪方法及系统
CN111738113A (zh) 基于双注意力机制与语义约束的高分辨遥感图像的道路提取方法
US20230074060A1 (en) Artificial-intelligence-based image processing method and apparatus, electronic device, computer-readable storage medium, and computer program product
CN112488935B (zh) 基于纹理约束和泊松融合的生成对抗指静脉图像修复方法
CN112184585A (zh) 一种基于语义边缘融合的图像补全方法及系统
CN105678318A (zh) 交通标牌的匹配方法及装置
JP2006039689A (ja) 画像処理装置、画像処理方法、画像処理プログラムおよびそのプログラムを記録した記録媒体
CN115457551A (zh) 适用于小样本条件的叶片损伤识别方法
CN112802186B (zh) 基于二值化特征编码匹配的动态场景实时三维重建方法
CN111353988A (zh) Knn动态自适应的双图卷积图像分割方法和系统
CN117333402B (zh) 倾斜摄影图像的局部更新处理方法及电子设备
CN113223159B (zh) 基于目标纹理虚拟化处理的单幅遥感图像三维建模方法
CN113128433A (zh) 颜色迁移匹配特征的视频监控影像增强方法
Huang et al. Image dehazing based on robust sparse representation
Liu et al. Improved single haze removal algorithm based on color attenuation prior
Liang et al. Multi-scale and multi-patch transformer for sandstorm image enhancement
CN113409196B (zh) 一种用于实时视频拼接的高速全局色差矫正方法
CN115272527A (zh) 基于色盘对抗网络的图像上色方法
CN117291816A (zh) 一种基于Zero-DCE网络结构用于图像对比度增强的方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant