CN117541720B - 一种不动产测绘方法及系统 - Google Patents
一种不动产测绘方法及系统 Download PDFInfo
- Publication number
- CN117541720B CN117541720B CN202311514609.6A CN202311514609A CN117541720B CN 117541720 B CN117541720 B CN 117541720B CN 202311514609 A CN202311514609 A CN 202311514609A CN 117541720 B CN117541720 B CN 117541720B
- Authority
- CN
- China
- Prior art keywords
- image
- representing
- feature
- module
- node
- 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 29
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000000547 structure data Methods 0.000 claims abstract description 26
- 239000013598 vector Substances 0.000 claims description 61
- 239000011159 matrix material Substances 0.000 claims description 17
- 230000001131 transforming effect Effects 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000001514 detection method Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/08—Indexing scheme for image data processing or generation, in general involving all processing steps from image acquisition to 3D model generation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Geometry (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及遥感测绘技术领域,公开了一种不动产测绘方法,包括:获取SAR图像;基于获取的SAR图像来生成图结构数据;将图结构数据输入图像处理模型,输出的与SAR图像的像元所对应的深度值或高程值,以及像元是否属于建筑物的结果;基于第一全连接层输出的深度值或高程值生成与SAR图像大小一致的深度图或高程图,并标记属于建筑物的像元;本发明面对复杂构型的城市高层建筑物之间复杂的二次反射效应导致的SAR图像难以精准解析建筑物轮廓的问题,通过图编码的模型分支来削除二面角干扰,然后再综合原图像特征分析建筑物轮廓,处理的结果的粒度能够用于不动产计量的要求。
Description
技术领域
本发明涉及遥感测绘技术领域,更具体地说,它涉及一种不动产测绘方法及系统。
背景技术
随着SAR图像的分辨率的提高,SAR图像能够被应用于城市建筑物的检测和重建,一般采用电磁散射模型来对建筑物进行检测,但是电磁散射模型是基于建筑物表面和地面平整、材质统一的假设做出的,实际上建筑物和地面存在大量的非平整构件,以及材料不同的构件,难以从图像上提取相应的清晰的建筑轮廓特征,建筑物重建的结果难以满足不动产计量的要求,SAR图像分辨率越高影响越严重。
发明内容
本发明提供一种不动产测绘方法及系统,面对复杂构型的城市高层建筑物之间复杂的二次反射效应导致的SAR图像难以精准解析建筑物轮廓的问题,通过图编码的模型分支来削除二面角干扰,然后再综合原图像特征分析建筑物轮廓,处理的结果的粒度能够用于不动产计量的要求。
本发明的至少一个实施例中提供了一种不动产测绘方法,包括以下步骤:
步骤S101,获取SAR图像;
步骤S102,基于获取的SAR图像来生成图结构数据,图结构数据的节点与SAR图像的像元一一映射,图结构数据的两个节点之间存在边,表示这两个节点所映射的像元相邻,每个节点存在一个连接自身的边;
节点的初始特征向量的分量分别表示SAR图像的像元的参数;
步骤S103,将图结构数据输入图像处理模型,图像处理模型包括升维模块、图编码层、第一全连接层、第一卷积模块、反卷积模块和二分类器,其中升维模块用于变换增加初始特征向量的维度来获得输入特征向量,输入特征向量和邻接矩阵输入图编码层,图编码层输出编码特征向量,编码特征向量输入第一全连接层,第一全连接层输出对应的节点所映射的像元的高程值或深度值;
编码特征矩阵通过像素化之后与SAR图像进行通道叠加后输入第一卷积模块,第一卷积模块输出第一特征图到反卷积模块,反卷积模块输出第二特征图,第二特征图的大小与SAR图像的大小相同,但是第二特征图只有一个通道,第二特征图的像素值输入二分类器进行二分类,两个分类分别对应于是否属于建筑物;
步骤S104,基于第一全连接层输出的深度值或高程值生成与SAR图像大小一致的深度图或高程图,并标记属于建筑物的像元。
进一步地,高程值是像元所对应的现实点相对于参考水平面的垂直距离;
深度值是指在相机坐标系下的坐标值。
进一步地,编码特征向量的分量数为S,像素化之后的原始特征图的通道数为S,第i个通道存储编码特征向量的第i个分量的值。
进一步地,SAR图像的通道数为R,原始特征图与SAR图像进行通道累加后获得的输入特征图的通道数为S+R。
进一步地,升维模块的计算公式如下:
Ws为维度变换权重参数,表示第v个节点的初始特征向量,Xv表示第v个节点的输入特征向量。
进一步地,图编码层的计算公式如下:
其中为初始隐藏特征,xv表示第v个节点的输入特征向量,/>表示融合系数,表示聚合特征,/>表示遗忘特征,/>表示控制特征,/>表示新生特征,/>表示第v个节点在第t个时间步的隐藏特征,/>表示第v个节点在第t-1个时间步的隐藏特征,表示第j个节点在第t-1个时间步的隐藏特征,/>表示sigmoid函数,Nv表示与第v个节点存在边连接的节点的集合,tanh表示双曲正切函数,⊙表示点乘,||表示向量拼接,We、Wb、Wz、Uz、Wr、Ur、Wh、Uh分别表示第一、二、三、四、五、六、七、八权重参数,b表示第一偏置参数,M>t≥1,M为可调参数,缺省值为4。
进一步地,反卷积模块采用转置卷积。
本发明的至少一个实施例中提供了一种存储介质,其存储了非暂时性计算机可读指令,当非暂时性计算机可读指令由计算机执行时,能够执行前述的一种不动产测绘方法的步骤。
本发明的至少一个实施例中提供了一种不动产测绘系统,包括:
图像获取模块,获取SAR图像;
数据预处理模块,基于获取的SAR图像来生成图结构数据,图结构数据的节点与SAR图像的像元一一映射,图结构数据的两个节点之间存在边,表示这两个节点所映射的像元相邻,每个节点存在一个连接自身的边;
节点的初始特征向量的分量分别表示SAR图像的像元的参数;
图像处理模块,将图结构数据和SAR图像输入图像处理模型,图像处理模型包括升维模块、图编码层、第一全连接层、第一卷积模块、反卷积模块和二分类器,其中升维模块用于变换增加初始特征向量的维度来获得输入特征向量,输入特征向量和邻接矩阵输入图编码层,图编码层输出编码特征向量,编码特征向量输入第一全连接层,第一全连接层输出对应的节点所映射的像元的高程值或深度值;
编码特征矩阵通过像素化之后与SAR图像进行通道叠加后输入第一卷积模块,第一卷积模块输出第一特征图到反卷积模块,反卷积模块输出第二特征图,第二特征图的大小与SAR图像的大小相同,但是第二特征图只有一个通道,第二特征图的像素值输入二分类器进行二分类,两个分类分别对应于是否属于建筑物;
测图生成模块,基于第一全连接层输出的深度值或高程值生成与SAR图像大小一致的深度图或高程图,并标记属于建筑物的像元。
进一步地,还包括基于深度图或高程图进行三维建模获得三维模型的三维建模模块。
附图说明
图1是本发明的一种不动产测绘方法的流程图;
图2是本发明的图像处理模型的模块示意图;
图3是本发明的一种不动产测绘系统的模块示意图。
具体实施方式
现在将参考示例实施方式讨论本文描述的主题。应该理解,讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题,可以在不脱离本说明书内容的保护范围的情况下,对所讨论的元素的功能和排列进行改变。各个示例可以根据需要,省略、替代或者添加各种过程或组件。另外,相对一些示例所描述的特征在其他例子中也可以进行组合。
如图1所示,本发明的至少一个实施例中提供一种不动产测绘方法,包括以下步骤:
步骤S101,获取SAR图像;
步骤S102,基于获取的SAR图像来生成图结构数据,图结构数据的节点与SAR图像的像元一一映射,图结构数据的两个节点之间存在边,表示这两个节点所映射的像元相邻,每个节点存在一个连接自身的边;
节点的初始特征向量的分量分别表示SAR图像的像元的参数;
SAR图像的像元的参数可以是相位、振幅、距离、方位角等之中的一个或一个以上。
步骤S103,将图结构数据输入图像处理模型,图像处理模型包括升维模块、图编码层、第一全连接层、第一卷积模块、反卷积模块和二分类器,其中升维模块用于变换增加初始特征向量的维度来获得输入特征向量,输入特征向量和邻接矩阵输入图编码层,图编码层输出编码特征向量,编码特征向量输入第一全连接层,第一全连接层输出对应的节点所映射的像元的高程值或深度值;
其中高程值是像元所对应的现实点相对于参考水平面的垂直距离;
深度值是指在相机坐标系下的坐标值。
编码特征矩阵通过像素化之后与SAR图像进行通道叠加后输入第一卷积模块,第一卷积模块输出第一特征图到反卷积模块,反卷积模块输出第二特征图,第二特征图的大小与SAR图像的大小相同,但是第二特征图只有一个通道,第二特征图的像素值输入二分类器进行二分类,两个分类分别对应于是否属于建筑物。
在本发明的一个实施例中,编码特征向量的分量数为S,像素化之后的原始特征图的通道数为S,第i个通道存储编码特征向量的第i个分量的值。
在本发明的一个实施例中,SAR图像的通道数为R,原始特征图与SAR图像进行通道累加后获得的输入特征图的通道数为S+R。
如图2所示为图像处理模型的模块示意图,其中初始特征矩阵的第i个行向量即是第i个节点的初始特征向量,输入特征矩阵的第i个行向量即是第i个节点的输入特征向量,编码特征矩阵的第i个行向量即是第i个节点的编码特征向量。
升维模块的计算公式如下:
Ws为维度变换权重参数,表示第v个节点的初始特征向量,xv表示第v个节点的输入特征向量;
图编码层的计算公式如下:
其中为初始隐藏特征,xv表示第v个节点的输入特征向量,/>表示融合系数,表示聚合特征,/>表示遗忘特征,/>表示控制特征,/>表示新生特征,/>表示第v个节点在第t个时间步的隐藏特征,/>表示第v个节点在第t-1个时间步的隐藏特征,表示第j个节点在第t-1个时间步的隐藏特征,σ表示sigmoid函数,Nv表示与第v个节点存在边连接的节点的集合,tanh表示双曲正切函数,⊙表示点乘,||表示向量拼接,We、Wb、Wz、Uz、Wr、Ur、Wb、Uh分别表示第一、二、三、四、五、六、七、八权重参数,b表示第一偏置参数,M>t≥1,M为可调参数,缺省值为4。
通过图编码层的训练来获取其削除二面角干扰的性能,之后将编码特征矩阵像素化为通道数更大的原始特征图来进行卷积以及图像分割,能够获得更加精细准确的建筑物轮廓。
在本发明的一个实施例中,第一卷积模块为ResNet(Residual Network)网络。
在本发明的一个实施例中,反卷积模块采用转置卷积。当然也可以采用双线性插值法代替。
步骤S104,基于第一全连接层输出的深度值或高程值生成与SAR图像大小一致的深度图或高程图,并标记属于建筑物的像元。
基于深度图或高程图进行三维建模获得三维模型。
在三维建模之前删除不属于建筑物的部分。
由于本发明集中于建筑物轮廓特征识别,作为一种优选的方式,只需要对建筑物进行建模即可达到不动产测绘的目的。
需要说明的是,前述的SAR图像的大小不包含通道数。
本发明的一个实施例中,升维模块、图编码层、第一全连接层构成的分支进行独立的预训练。
升维模块、图编码层、第一全连接层构成的分支进行独立的预训练之后再与第一卷积模块、反卷积模块和二分类器组合进行训练。
本发明的一个实施例中,升维模块、图编码层、第一全连接层构成的分支进行独立的预训练之后与第一卷积模块、反卷积模块和二分类器组合进行训练时不再更新升维模块、图编码层、第一全连接层的参数。
本发明的一个实施例中,升维模块、图编码层、第一全连接层构成的分支进行独立的预训练之后与第一卷积模块、反卷积模块和二分类器组合进行训练时同时更新升维模块、图编码层、第一全连接层的参数。训练性能更加,但是同时训练的参数规模增加。
本发明的至少一个实施例中提供一种存储介质,其存储了非暂时性计算机可读指令,当非暂时性计算机可读指令由计算机执行时,能够执行前述的一种不动产测绘方法的步骤。
如图3所示,本发明的至少一个实施例中提供一种不动产测绘系统,包括:
图像获取模块201,获取SAR图像;
数据预处理模块202,基于获取的SAR图像来生成图结构数据,图结构数据的节点与SAR图像的像元一一映射,图结构数据的两个节点之间存在边,表示这两个节点所映射的像元相邻,每个节点存在一个连接自身的边;
节点的初始特征向量的分量分别表示SAR图像的像元的参数;
图像处理模块203,将图结构数据和SAR图像输入图像处理模型,图像处理模型包括升维模块、图编码层、第一全连接层、第一卷积模块、反卷积模块和二分类器,其中升维模块用于变换增加初始特征向量的维度来获得输入特征向量,输入特征向量和邻接矩阵输入图编码层,图编码层输出编码特征向量,编码特征向量输入第一全连接层,第一全连接层输出对应的节点所映射的像元的高程值或深度值;
编码特征矩阵通过像素化之后与SAR图像进行通道叠加后输入第一卷积模块,第一卷积模块输出第一特征图到反卷积模块,反卷积模块输出第二特征图,第二特征图的大小与SAR图像的大小相同,但是第二特征图只有一个通道,第二特征图的像素值输入二分类器进行二分类,两个分类分别对应于是否属于建筑物。
通过图编码层的训练来获取其削除二面角干扰的性能,之后将编码特征矩阵像素化为通道数更大的原始特征图来进行卷积以及图像分割,能够获得更加精细准确的建筑物轮廓。
测图生成模块204,基于第一全连接层输出的深度值或高程值生成与SAR图像大小一致的深度图或高程图,并标记属于建筑物的像元。
三维建模模块205,基于深度图或高程图进行三维建模获得三维模型。
上面对本实施例的实施例进行了描述,但是本实施例并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本实施例的启示下,还可做出很多形式,均属于本实施例的保护之内。
Claims (9)
1.一种不动产测绘方法,其特征在于,包括以下步骤:
步骤S101,获取SAR图像;
步骤S102,基于获取的SAR图像来生成图结构数据,图结构数据的节点与SAR图像的像元一一映射,图结构数据的两个节点之间存在边,表示这两个节点所映射的像元相邻,每个节点存在一个连接自身的边;
节点的初始特征向量的分量分别表示SAR图像的像元的参数;
步骤S103,将图结构数据输入图像处理模型,图像处理模型包括升维模块、图编码层、第一全连接层、第一卷积模块、反卷积模块和二分类器,其中升维模块用于变换增加初始特征向量的维度来获得输入特征向量,输入特征向量和邻接矩阵输入图编码层,图编码层输出编码特征向量,编码特征向量输入第一全连接层,第一全连接层输出对应的节点所映射的像元的高程值或深度值;
编码特征矩阵通过像素化之后与SAR图像进行通道叠加后输入第一卷积模块,第一卷积模块输出第一特征图到反卷积模块,反卷积模块输出第二特征图,第二特征图的大小与SAR图像的大小相同,但是第二特征图只有一个通道,第二特征图的像素值输入二分类器进行二分类,两个分类分别对应于是否属于建筑物;
图编码层的计算公式如下:
;
;
;
;
;
;
;
其中为初始隐藏特征,/>表示第v个节点的输入特征向量,/>表示融合系数,/>表示聚合特征,/>表示遗忘特征,/>表示控制特征,/>表示新生特征,/>表示第v个节点在第t个时间步的隐藏特征,/>表示第v个节点在第t-1个时间步的隐藏特征,/>表示第j个节点在第t-1个时间步的隐藏特征,/>表示sigmoid函数,/>表示与第v个节点存在边连接的节点的集合,/>表示双曲正切函数,/>表示点乘,‖表示向量拼接,/>、/>、/>、/>、、/>、/>、/>分别表示第一、二、三、四、五、六、七、八权重参数,/>表示第一偏置参数,M>t≥1;
步骤S104,基于第一全连接层输出的深度值或高程值生成与SAR图像大小一致的深度图或高程图,并标记属于建筑物的像元。
2.根据权利要求1所述的一种不动产测绘方法,其特征在于,其中高程值是像元所对应的现实点相对于参考水平面的垂直距离;
深度值是指在相机坐标系下的坐标值。
3.根据权利要求1所述的一种不动产测绘方法,其特征在于,编码特征向量的分量数为S,像素化之后的原始特征图的通道数为S,第i个通道存储编码特征向量的第i个分量的值。
4.根据权利要求3所述的一种不动产测绘方法,其特征在于,SAR图像的通道数为R,原始特征图与SAR图像进行通道累加后获得的输入特征图的通道数为S+R。
5.根据权利要求1所述的一种不动产测绘方法,其特征在于,升维模块的计算公式如下:
;
为维度变换权重参数,/>表示第v个节点的初始特征向量,/>表示第v个节点的输入特征向量。
6.根据权利要求1所述的一种不动产测绘方法,其特征在于,反卷积模块采用转置卷积。
7.一种存储介质,其特征在于,其存储了非暂时性计算机可读指令,当非暂时性计算机可读指令由计算机执行时,能够执行如权利要求1-6任一所述的一种不动产测绘方法的步骤。
8.一种不动产测绘系统,其特征在于,包括:
图像获取模块,获取SAR图像;
数据预处理模块,基于获取的SAR图像来生成图结构数据,图结构数据的节点与SAR图像的像元一一映射,图结构数据的两个节点之间存在边,表示这两个节点所映射的像元相邻,每个节点存在一个连接自身的边;
节点的初始特征向量的分量分别表示SAR图像的像元的参数;
图像处理模块,将图结构数据和SAR图像输入图像处理模型,图像处理模型包括升维模块、图编码层、第一全连接层、第一卷积模块、反卷积模块和二分类器,其中升维模块用于变换增加初始特征向量的维度来获得输入特征向量,输入特征向量和邻接矩阵输入图编码层,图编码层输出编码特征向量,编码特征向量输入第一全连接层,第一全连接层输出对应的节点所映射的像元的高程值或深度值;
图编码层的计算公式如下:
;
;
;
;
;
;
;
其中为初始隐藏特征,/>表示第v个节点的输入特征向量,/>表示融合系数,/>表示聚合特征,/>表示遗忘特征,/>表示控制特征,/>表示新生特征,/>表示第v个节点在第t个时间步的隐藏特征,/>表示第v个节点在第t-1个时间步的隐藏特征,/>表示第j个节点在第t-1个时间步的隐藏特征,/>表示sigmoid函数,/>表示与第v个节点存在边连接的节点的集合,/>表示双曲正切函数,/>表示点乘,‖表示向量拼接,/>、/>、/>、/>、、/>、/>、/>分别表示第一、二、三、四、五、六、七、八权重参数,/>表示第一偏置参数,M>t≥1;
编码特征矩阵通过像素化之后与SAR图像进行通道叠加后输入第一卷积模块,第一卷积模块输出第一特征图到反卷积模块,反卷积模块输出第二特征图,第二特征图的大小与SAR图像的大小相同,但是第二特征图只有一个通道,第二特征图的像素值输入二分类器进行二分类,两个分类分别对应于是否属于建筑物;
测图生成模块,基于第一全连接层输出的深度值或高程值生成与SAR图像大小一致的深度图或高程图,并标记属于建筑物的像元。
9.根据权利要求8所述的一种不动产测绘系统,其特征在于,还包括基于深度图或高程图进行三维建模获得三维模型的三维建模模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311514609.6A CN117541720B (zh) | 2023-11-14 | 2023-11-14 | 一种不动产测绘方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311514609.6A CN117541720B (zh) | 2023-11-14 | 2023-11-14 | 一种不动产测绘方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117541720A CN117541720A (zh) | 2024-02-09 |
CN117541720B true CN117541720B (zh) | 2024-04-19 |
Family
ID=89781920
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311514609.6A Active CN117541720B (zh) | 2023-11-14 | 2023-11-14 | 一种不动产测绘方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117541720B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111191718A (zh) * | 2019-12-30 | 2020-05-22 | 西安电子科技大学 | 基于图注意力网络的小样本sar目标识别方法 |
WO2022074643A1 (en) * | 2020-10-08 | 2022-04-14 | Edgy Bees Ltd. | Improving geo-registration using machine-learning based object identification |
CN116258874A (zh) * | 2023-02-21 | 2023-06-13 | 西安电子科技大学 | 基于深度条件扩散网络的sar识别数据库样本姿态扩充方法 |
CN116258960A (zh) * | 2023-01-17 | 2023-06-13 | 中国人民解放军国防科技大学 | 基于结构化电磁散射特征的sar目标识别方法及装置 |
CN116310583A (zh) * | 2023-03-30 | 2023-06-23 | 安徽大学 | 基于深度语义拓扑融合网络的极化sar图像分类方法 |
CN116597300A (zh) * | 2023-04-17 | 2023-08-15 | 西安电子科技大学 | 一种融合并对齐视觉特征与散射拓扑特征的无监督域自适应sar目标识别方法 |
CN116740119A (zh) * | 2023-06-09 | 2023-09-12 | 河海大学 | 一种基于深度学习的烟叶图像活动轮廓分割方法 |
CN116778104A (zh) * | 2023-08-16 | 2023-09-19 | 江西省国土资源测绘工程总院有限公司 | 一种动态遥感监测的测绘方法及系统 |
-
2023
- 2023-11-14 CN CN202311514609.6A patent/CN117541720B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111191718A (zh) * | 2019-12-30 | 2020-05-22 | 西安电子科技大学 | 基于图注意力网络的小样本sar目标识别方法 |
WO2022074643A1 (en) * | 2020-10-08 | 2022-04-14 | Edgy Bees Ltd. | Improving geo-registration using machine-learning based object identification |
CN116258960A (zh) * | 2023-01-17 | 2023-06-13 | 中国人民解放军国防科技大学 | 基于结构化电磁散射特征的sar目标识别方法及装置 |
CN116258874A (zh) * | 2023-02-21 | 2023-06-13 | 西安电子科技大学 | 基于深度条件扩散网络的sar识别数据库样本姿态扩充方法 |
CN116310583A (zh) * | 2023-03-30 | 2023-06-23 | 安徽大学 | 基于深度语义拓扑融合网络的极化sar图像分类方法 |
CN116597300A (zh) * | 2023-04-17 | 2023-08-15 | 西安电子科技大学 | 一种融合并对齐视觉特征与散射拓扑特征的无监督域自适应sar目标识别方法 |
CN116740119A (zh) * | 2023-06-09 | 2023-09-12 | 河海大学 | 一种基于深度学习的烟叶图像活动轮廓分割方法 |
CN116778104A (zh) * | 2023-08-16 | 2023-09-19 | 江西省国土资源测绘工程总院有限公司 | 一种动态遥感监测的测绘方法及系统 |
Non-Patent Citations (2)
Title |
---|
A novel graph metalearning method for SAR target recognition;Li L 等;《IEEE Geoscience and Remote Sensing Letters》;20211231;第1-5页 * |
基于扩张图卷积网络的SAR图像分类;叶乡凤 等;《智能计算机与应用》;20220731;第69-73页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117541720A (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109934282B (zh) | 一种基于sagan样本扩充和辅助信息的sar目标分类方法 | |
US11488308B2 (en) | Three-dimensional object detection method and system based on weighted channel features of a point cloud | |
CN110415199B (zh) | 基于残差学习的多光谱遥感图像融合方法及装置 | |
CN113486708B (zh) | 人体姿态预估方法、模型训练方法、电子设备和存储介质 | |
CN112686935B (zh) | 基于特征融合的机载测深雷达与多光谱卫星影像配准方法 | |
Cheong et al. | Deep CNN-based super-resolution using external and internal examples | |
CN108510458B (zh) | 基于深度学习方法和非参数化采样的侧扫声呐图像合成方法 | |
CN112434745A (zh) | 基于多源认知融合的遮挡目标检测识别方法 | |
CN107111786B (zh) | 用于预测信息的系统、方法 | |
CN106600557A (zh) | 基于混合高斯模型与稀疏约束的psf估计方法 | |
CN111709307B (zh) | 一种基于分辨率增强的遥感图像小目标检测方法 | |
Upadhyay et al. | Robust super-resolution GAN, with manifold-based and perception loss | |
CN111027497A (zh) | 基于高分辨率光学遥感影像的弱小目标快速检测方法 | |
CN114299405A (zh) | 一种无人机图像实时目标检测方法 | |
CN110633640A (zh) | 优化PointNet对于复杂场景的识别方法 | |
Kollem et al. | Image denoising by using modified SGHP algorithm | |
CN114494594A (zh) | 基于深度学习的航天员操作设备状态识别方法 | |
CN112766099B (zh) | 一种从局部到全局上下文信息提取的高光谱影像分类方法 | |
CN117541720B (zh) | 一种不动产测绘方法及系统 | |
CN111126508A (zh) | 一种基于hopc改进的异源图像匹配方法 | |
CN116468731A (zh) | 基于跨模态Transformer的点云语义分割方法 | |
Liu et al. | Lunar DEM Super-resolution reconstruction via sparse representation | |
Mishra et al. | Experimental proof manifest bilateral blur as outstanding blurring technique for CNN based SR models to converge quickly | |
Takeyama et al. | Hyperspectral and multispectral data fusion by a regularization considering | |
CN107154054B (zh) | 基于深度置信网络的极化sar影像变化检测方法 |
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 |