CN111429509A - 一种目标物高度的集中测算方法 - Google Patents
一种目标物高度的集中测算方法 Download PDFInfo
- Publication number
- CN111429509A CN111429509A CN202010213195.3A CN202010213195A CN111429509A CN 111429509 A CN111429509 A CN 111429509A CN 202010213195 A CN202010213195 A CN 202010213195A CN 111429509 A CN111429509 A CN 111429509A
- Authority
- CN
- China
- Prior art keywords
- target
- map
- area
- elevation
- ground
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000011160 research Methods 0.000 claims abstract description 8
- 238000010586 diagram Methods 0.000 claims description 11
- 230000008901 benefit Effects 0.000 abstract description 7
- 238000005259 measurement Methods 0.000 description 20
- 238000004364 calculation method Methods 0.000 description 17
- 238000000691 measurement method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4023—Scaling of whole images or parts thereof, e.g. expanding or contracting based on decimating pixels or lines of pixels; based on inserting pixels or lines of pixels
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明涉及一种目标物高度的集中测算方法,包括步骤:S1:在同一地理位置信息下获取研究区的地物高程图和地物分布图;S2:对地物分布图进行图像识别和分类,获得目标分布图区以及非目标分布图区;S3:根据非目标分布图区,提取出S1地物高程图中的非目标高程图区;S4:结合非目标高程数据,对S3非目标高程图区中的空白区进行数据插补,以获取目标区的地面高程,从而得到完整的地面高程图;S5:将S1的地物高程图减去S4得到的地面高程图,得到目标物的高度数据分布。本发明中的测算方法,涉及图像识别和插补算法,因此,该方法的目标物针对性强,且能实现高度信息的集中测算、测算效率高且精度高、应用广泛,灵活性强,能实现不同尺度的动态化目标物高度测算。
Description
技术领域
本发明涉及一种目标物高度的集中测算方法。
背景技术
目前,地表建筑物、桥梁和树木等高度信息调查是整个地理信息调查的重要内容,这是开展科学的土地利用结构分析和土地生产布局调整的基础,同时也是研究植被地上生物量分析和生产力测算的科学依据。因此,在地理空间内针对目标物的高度进行集中精确测算,这是一项非常具有意义的工作。
当前,针对地理空间中目标物的高度信息调查主要采用地面实测法和激光雷达法等,其中地面实测法主要是利用测绘工具进行人工实地测量目标物的高度信息,这种高度测算方法具有精度高的优势,但是存在测量效率低下和测量成本高,难以测量超出测绘工具量程范围的目标物高度,而且无法进行地理坐标系下的高度数据连续集中测量,因此,这种方法难以实现动态化目标物的高度数据测量。另一种主要方式是采用激光雷达进行测算目标区高程信息,激光雷达因其具有极高的分辨率和抗干扰能力等优势,因此能获得地面更为丰富的三维点云数据,从而获得物体的三维结构特征信息,比如高度、面积以及体积等。尽管这种方式能够得到目标区中目标物的高度信息,但是激光雷达传感器价格昂贵,成本很高,且难以获取地物的光谱特征和纹理特征等信息,这会对后期分析造成一定的困难。
综上所述,当前对地表建筑物、桥梁和树木等特定目标物的高度信息进行调查存在一定的技术和方法问题,亟需做出进一步的改进,以低成本和高质量地获取目标物所在任意位置并与之对应的高度信息。
发明内容
为解决以上技术问题,本发明提供以下技术方案:
一种目标物高度的集中测算方法,其特征在于:包括以下步骤:
S1:在同一地理位置信息下获取研究区的地物高程图和地物分布图;
S2:对地物分布图进行图像识别和分类,获得目标分布图区以及非目标分布图区;
S3:根据非目标分布图区,提取出S1地物高程图中的非目标高程图区;
S4:结合非目标高程数据,对S3非目标高程图区中的空白区进行数据插补,以获取目标区的地面高程,从而得到完整的地面高程图;
S5:将S1的地物高程图减去S4得到的地面高程图,得到目标物的高度数据分布图。
进一步地,所述图像识别的方法包括监督分类或非监督分类、基于像素的分类或面向对象的分类,其中,识别的结果包括非目标物的矢量图、目标物的矢量图。
进一步地,所述数据插补方法包括拉格朗日插值法、牛顿插值法,Hermite 插值、分段插值或样条插值法。
本发明中目标物高度的集中测算方法中具有以下优点:
1、高度测算的针对性强,且能实现高度信息的集中测算。
由于本方法中采用了目标物的图像识别环节,因此其高度测算的针对性较强,能自动识别出目标物所在位置并与之对应的高度信息。同时,本方法能对目标物的高度因位置的变动而变化做出响应,实现了目标物高度数据的集中测算,这大大提升了目标物高度信息的丰富性和实用性。
2、测算效率高且精度高。
相比于传统地面实测法,本方法大大缩减地面目标物高度测量的时间,从而提高效率,并且能实现传统测绘工具难以测量的目标物高度测算。实验证明,与激光雷达法相比,该方法通过优化目标物图像识别算法和高程数据插补算法,能大大提升测算精度。
3、应用广泛,灵活性强,能实现不同尺度的动态化目标物高度测算。
由于本方法基于研究区的数字表面模型图(DSM)和数字正射影像图 (DOM),而这些图像数据来源广泛,包括可见光倾斜摄影数据和激光雷达数据或卫星数据等,因此这就大大增强了目标物高度测算的灵活性和广泛适用性。此外,本方法还可以结合数据获取的高效率和图像的多尺度,从而实现目标物周期性高度数据获取,从而形成动态化的目标物高度信息。
附图说明
图1是本发明中目标物高度的集中测算方法流程图;
图2(a)为本发明具体例子中地物分布图;
图2(b)为本发明具体例子中地物高程图;
图3为本发明具体例子中地物分布图进行图像识别和分类后结果图;
图4为本发明具体例子中地物高程图中提取非目标高程图区后结果图;
图5为本发明具体例子中的经过数据插补之后的地面高程图;
图6为本发明具体例子中的目标物高度分布图;
图7为本发明具体例子中的目标物高度分布实际效果图;
具体实施方式
见图1,一种目标物高度的集中测算方法,包括以下步骤:
S1:在同一地理位置信息下获取研究区的地物高程图和地物分布图;
地物高程图是指包含了地表建筑物、桥梁和树木等高度信息分布图;地物分布图是包含地物光谱和纹理特征分布的数字正射图。需要注意的是,二者要有相同的地理位置信息。上面两种图像来源广泛,包括但不限定于激光雷达产生的三维点云,倾斜摄影产生的三维实景模型等等。
S2:对地物分布图进行图像识别和分类,获得目标分布图区以及非目标分布图区;
其中,图像识别方法包括但不限于监督分类或非监督分类、基于像素的分类或面向对象的分类等。其中,识别的结果包括但不限定于非目标的矢量图和目标的矢量图。
S3:根据非目标分布图区,提取出S1地物高程图中的非目标高程图区;
S4:结合非目标高程数据,对S3非目标高程图区中的空白区进行数据插补,以获取目标区的地面高程,从而得到完整的地面高程图;
其中,数据插补方法包括但不限定于拉格朗日插值法、牛顿插值法,Hermite 插值、分段插值以及样条插值法等。
S5:将S1的地物高程图减去S4得到的地面高程图,得到目标物的高度数据分布图。
本发明中目标物高度的集中测算方法中具有以下优点:
1、高度测算的针对性强,且能实现高度信息的集中测算。
由于本方法中采用了目标物的图像识别环节,因此其高度测算的针对性较强,能自动识别出目标物所在位置并与之对应的高度信息。同时,本方法能对目标物的高度因位置的变动而变化做出响应,实现了目标物高度数据的集中测算,这大大提升了目标物高度信息的丰富性和实用性。
2、测算效率高且精度高。
相比于传统地面实测法,本方法大大缩减地面目标物高度测量的时间,从而提高效率,并且能实现传统测绘工具难以测量的目标物高度测算。实验证明,与激光雷达法相比,该方法通过优化目标物图像识别算法和高程数据插补算法,能大大提升测算精度。
3、应用广泛,灵活性强,能实现不同尺度的动态化目标物高度测算。
由于本方法基于研究区的数字表面模型图(DSM)和数字正射影像图 (DOM),而这些图像数据来源广泛,包括可见光倾斜摄影数据和激光雷达数据或卫星数据等,因此这就大大增强了目标物高度测算的灵活性和广泛适用性。此外,本方法还可以结合数据获取的高效率和图像的多尺度,从而实现目标物周期性高度数据获取,从而形成动态化的目标物高度信息。
以下根据一个具体的例子来直观详细地介绍本发明的方法:
其中,研究区为一块具有箱子和人体的草坪,箱子和人体选定为目标物,则除箱子和人体以外的草坪和树叶为非目标物,通过本发明的方法获取目标物的高度的具体过程如下:
S1:获取研究区的地物高程图和地物分布图;
获取的结果如图2所示,其中图2(a)为地物分布图,图2(b)为地物高程图。
S2:基于监督分类的图像二元分类中最大似然法,对地物分布图进行图像识别和分类,获得目标分布图区(即为箱子和人体的图区)以及非目标分布图区(即为除了箱子和人体之外的图区),处理结果如图3所示,在图3中,黑色区域为非目标分布图区,灰色区域为目标分布图区。
S3:根据非目标分布图区,在图2(b)地物高程图中提取出非目标高程图区,提取的结果如图4所示,在图4中,此时点击人体处,高程数据Data处显示为“NO Data”;
S4:在图4中对目标区进行数据插补得到了地面高程图,地面高程图如图5 所示,在图5中,例如点击一处目标处,高程数据Data处显示了0.02m,此时也就是说目标区获得了高程数据;
S5:将图2(b)地物高程图减去图5中的地面高程图得到目标物高度数据分布图,目标物高度数据分布图如图6所示,之后,若将图1中地物分布图与图6中目标物高度数据分布图叠加后即可获得清晰的目标物高度分布图,此时,在图中点击相应的目标物即可获得其高程数据,例如图7中点击人体目标获得的高程数据为1.77m(实际高度为1.78m)。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种目标物高度的集中测算方法,其特征在于:包括以下步骤:
S1:在同一地理位置信息下获取研究区的地物高程图和地物分布图;
S2:对地物分布图进行图像识别和分类,获得目标分布图区以及非目标分布图区;
S3:根据非目标分布图区,提取出S1地物高程图中的非目标高程图区;
S4:结合非目标高程数据,对S3非目标高程图区中的空白区进行数据插补,
以获取目标区的地面高程,从而得到完整的地面高程图;
S5:将S1的地物高程图减去S4得到的地面高程图,得到目标物的高度数据分布图。
2.根据权利要求1所述的集中测算方法,其特征在于:
所述图像识别的方法包括监督分类或非监督分类、基于像素的分类或面向对象的分类,其中,识别的结果包括非目标物的矢量图、目标物的矢量图。
3.根据权利要求1所述的集中测算方法,其特征在于:
所述数据插补方法包括拉格朗日插值法、牛顿插值法,Hermite插值、分段插值或样条插值法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010213195.3A CN111429509A (zh) | 2020-03-24 | 2020-03-24 | 一种目标物高度的集中测算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010213195.3A CN111429509A (zh) | 2020-03-24 | 2020-03-24 | 一种目标物高度的集中测算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111429509A true CN111429509A (zh) | 2020-07-17 |
Family
ID=71548588
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010213195.3A Pending CN111429509A (zh) | 2020-03-24 | 2020-03-24 | 一种目标物高度的集中测算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111429509A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114913717A (zh) * | 2022-07-20 | 2022-08-16 | 成都天巡微小卫星科技有限责任公司 | 一种基于智能终端的便携式低空飞行防撞***及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103389042A (zh) * | 2013-07-11 | 2013-11-13 | 夏东 | 基于深度图像的地面自动检测以及场景高度计算的方法 |
CN105832336A (zh) * | 2016-03-18 | 2016-08-10 | 京东方科技集团股份有限公司 | 身高测量***和方法 |
CN105937878A (zh) * | 2016-06-13 | 2016-09-14 | 歌尔科技有限公司 | 一种室内测距方法 |
CN108007438A (zh) * | 2017-12-01 | 2018-05-08 | 云南大学 | 无人机航空摄影遥感湿地植物生物量的估测方法 |
-
2020
- 2020-03-24 CN CN202010213195.3A patent/CN111429509A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103389042A (zh) * | 2013-07-11 | 2013-11-13 | 夏东 | 基于深度图像的地面自动检测以及场景高度计算的方法 |
CN105832336A (zh) * | 2016-03-18 | 2016-08-10 | 京东方科技集团股份有限公司 | 身高测量***和方法 |
CN105937878A (zh) * | 2016-06-13 | 2016-09-14 | 歌尔科技有限公司 | 一种室内测距方法 |
CN108007438A (zh) * | 2017-12-01 | 2018-05-08 | 云南大学 | 无人机航空摄影遥感湿地植物生物量的估测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114913717A (zh) * | 2022-07-20 | 2022-08-16 | 成都天巡微小卫星科技有限责任公司 | 一种基于智能终端的便携式低空飞行防撞***及方法 |
CN114913717B (zh) * | 2022-07-20 | 2022-09-27 | 成都天巡微小卫星科技有限责任公司 | 一种基于智能终端的便携式低空飞行防撞***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11995886B2 (en) | Large-scale environment-modeling with geometric optimization | |
CN111738165B (zh) | 一种从高分辨率无人机可见光遥感影像中提取单株植物冠层的方法 | |
CN109840553B (zh) | 耕地作物类型的提取方法及***、存储介质、电子设备 | |
CN111047695B (zh) | 一种城市群高度空间信息及等高线的提取方法 | |
CN108428220B (zh) | 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法 | |
CN112729130A (zh) | 卫星遥感测量树木冠层高度的方法 | |
CN113449594A (zh) | 一种多层网络组合的遥感影像地类语义分割与面积计算方法 | |
CN111340723B (zh) | 一种地形自适应的机载LiDAR点云正则化薄板样条插值滤波方法 | |
CN109741446B (zh) | 一种三维数字地球动态生成精细海岸地形的方法 | |
CN112668534B (zh) | 基于数字正射影像和数字表面模型反演林区植被高度的方法 | |
Ramli et al. | Homogeneous tree height derivation from tree crown delineation using Seeded Region Growing (SRG) segmentation | |
CN114120101A (zh) | 一种土壤水分多尺度综合感知方法 | |
CN115049925A (zh) | 田块田坎提取方法、电子设备及存储介质 | |
CN111382715A (zh) | 一种地形图中地物要素的提取方法 | |
CN116561509A (zh) | 顾及植被类型的城市植被地上生物量精确反演方法及*** | |
CN111325184A (zh) | 一种遥感影像智能解译与变化信息检测方法 | |
CN113724381B (zh) | 一种基于高分遥感影像的动态三维场景快速重建方法 | |
CN114136208A (zh) | 一种无损估算立木材积的低成本树木结构自动重建方法 | |
CN111429509A (zh) | 一种目标物高度的集中测算方法 | |
CN109063577A (zh) | 基于信息增益率的卫星影像分割最佳分割尺度确定方法 | |
CN117253163A (zh) | 一种基于无人机激光雷达的田间花生株高估算方法 | |
CN116645617A (zh) | 基于机载LiDAR与星载多光谱影像融合的复杂地形分析方法 | |
CN116994029A (zh) | 一种用于多源数据的融合分类方法及*** | |
CN111539297A (zh) | 一种高分辨率遥感影像道路信息半自动提取方法 | |
CN113222025B (zh) | 一种基于激光雷达的可行区域标签生成方法 |
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 |