CN111582156B - 一种基于倾斜摄影城市三维模型的高大植被提取方法 - Google Patents
一种基于倾斜摄影城市三维模型的高大植被提取方法 Download PDFInfo
- Publication number
- CN111582156B CN111582156B CN202010377584.XA CN202010377584A CN111582156B CN 111582156 B CN111582156 B CN 111582156B CN 202010377584 A CN202010377584 A CN 202010377584A CN 111582156 B CN111582156 B CN 111582156B
- Authority
- CN
- China
- Prior art keywords
- vegetation
- triangular
- extracting
- dimensional model
- triangular surface
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 21
- 238000007670 refining Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 18
- 238000009499 grossing Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims 1
- 230000011218 segmentation Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 5
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/10024—Color 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
-
- 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
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于倾斜摄影城市三维模型的高大植被提取方法,具体包括以下步骤:S1:初始植被区域提取:先计算纹理空间的植被指数,再将三角网格中的每个三角面同绑定的UV值投影到对应纹理上,获取纹理上三角网覆盖区域的像素点集合,进一步的得到单个三角面的植被指数;S2:植被区域精化:将植被指数相似的空间邻接三角面聚集成区域,再通过最大流/最小割定理计算最小割路径,将区域分成对应一致性类别小区域,以实现对植被区域的提取;S3:高大植被提取:空间分割,单个植被对象的高程判断。本申请的一种基于倾斜摄影城市三维模型的高大植被提取方法,自动化程度高、无需人工干预,解决现有植被提取方法无法在三维场景中适用的技术问题。
Description
技术领域
本发明涉及测绘技术领域,特别是涉及一种基于倾斜摄影城市三维模型的高大植被提取方法。
背景技术
随着低空倾斜***平台的快速发展与推广,出现了一种全新获取城市场景三维重建的方法:倾斜摄影。倾斜摄影是通过在同一飞行器平台上,搭载多台传感器,同时从一个垂直、四个倾斜等五个不同的角度采集影像,基于多视影像的三维建模方法,恢复目标对象的三维结构的同时获取三维模型表面的纹理信息。近几年,随着无人机技术的日益成熟,我们获取影像数据的成本也大大降低。因此,基于多视倾斜影像的城市三维场景的构建就变得更加的广泛。
植被作为城市生态***中的重要组成部分,其提取方法是城市规划、生态评估的基础。与此同时,基于多视影像的自动化重建结果由一整张三角网格以及相对应的纹理信息组成,虽然较为真实的表达了城市三维场景,但无对应植被属性信息。影像数据与实景三维数据示意图如图1所示,与常规影像数据相比,实景三维模型数据具有以下特点:1)由像素组成,MVS数据基本单元为三角网以及三角网对应一块纹理区域;2)与二维栅格影像不同,MVS数据具有在三维空间中的拓扑连接性,导致现有植被提取方法在此处无法适用。
发明内容
为了克服现有技术的上述不足,本发明提出了一种基于倾斜摄影城市三维模型的高大植被提取方法,解决现有三维模型中植被提取难度大、无法实现的技术问题。
本发明是通过以下技术方案实现的:
一种基于倾斜摄影城市三维模型的高大植被提取方法,具体包括以下步骤:
S1:初始植被区域提取:将三维场景模型中的三角网格表示为Μ={fi},每张三角网格对应的纹理影像Ι={Ii},根据纹理空间的植被指数计算公式计算纹理空间的植被指数VI',再将三角网格中的每个三角面fi同绑定的UV值投影到对应纹理Ii上,获取纹理Ii上三角网fi覆盖区域的像素点集合进一步的得到单个三角面fi的植被指数VIi;
S2:植被区域精化:将植被指数相似的空间邻接三角面聚集成区域,再通过最大流/最小割定理计算最小割路径,将聚集之后的区域分成对应一致性类别小区域,以实现对植被区域的提取;
S3:高大植被提取:对提取出的植被对象进行空间分割,并将空间分割的单个对象的高程与设定的阈值进行比较,大于阈值,即为高大植被。
进一步的,S1中纹理空间的植被指数VI'=(2*G'-R'-B')–(1.4*R'-G'),其中,G'=G/(R+G+B),R'=R/(R+G+B),B'=B/(R+G+B),R、G、B分别表示波段红、波段率、波段蓝。
进一步的,S1中计算单个三角面fi的植被指数VIi通过面积规则化植被指数:其中,Si=Square(fi)表示三角面fi的平面面积。
进一步的,S2中将植被指数相似的空间邻接三角面聚集成区域的具体方式是:迭代计算与当前区域相连接的三角面到区域中心的距离,判断其是否满足设定的判别条件,如果三角面满足条件,则加入到区域中,更新区域的植被指数参数,直到没有满足条件的相邻三角面加入为止。
进一步的,判断三角面到当前区域中心距离是否满足判别条件具体操作为:以正态分布的概率密度函数f(μ,σ)=N(μ,σ)来描述区域的属性,用是否在μ±α·σ内作为三角面是否属于当前区域的判别准则,其中:μ为区域中心植被指数参数,σ为植被指数参数的变化程度,参数α与邻域的平滑程度相关。
进一步的,S2中求解最小割路径的步骤:构造前景/背景二元标号的能量函数,能量函数由数据项和平滑项两部分组成,表示为:E(f)=Edata(f)+γ·Esmooth(f),数据项损失函数Edata(f)=∑p∈PDp(fp),平滑项损失函数Esmooth(f)=∑p∈PV{p,q}∈Ν(fp,fq),γ系数控制数据项与平滑项对总体损失函数的影响效力,计算能量函数的最小值,即为最小分隔路径。
进一步的,以高斯函数f(v)=N(μ,σ)作为概率密度函数描述数据项损失,数据中心项为最理想情况下获取的植被。
进一步的,平滑项损失V{p,q}∈Ν(fp,fq)=L(fp,fq)*G(fp,fq),其中,L(fp,fq)表示对象fp,fq之间公共边长度之和,G(fp,fq)表示fp,fq之间的距离。
进一步的,S3中的阈值设为10m。
与现有技术相比,本发明的有益效果在于:
本发明提出的一种基于倾斜摄影城市三维模型的高大植被提取方法,实现了城市三维场景数据中高大植被的提取,为后续的城市规划、生态评估提供支持,而且无需人工干预、自动化程度高。
附图说明
图1为背景技术中所述影像数据与实景三维数据示意图;
图2为本发明实施例所述纹理空间植被指数提取示意图;
图3为本发明实施例所述三角面植被指数提取示意图;
图4为本发明实施例所述网格空间聚类结果图;
图5为本发明实施例所述植被提取结果示意图;
图6为本发明实施例所述一种基于倾斜摄影城市三维模型的高大植被提取方法的流程图。
具体实施方式
展示一下实例来具体说明本发明的某些实施例,且不应解释为限制本发明的范围。对本发明公开的内容可以同时从材料、方法和反应条件进行改进,所有这些改进,均应落入本发明的精神和范围之内。
如图6所示,本申请一种基于倾斜摄影城市三维模型的高大植被提取方法,具体包括以下步骤:
S1:初始植被区域提取:将三维场景模型中的三角网格表示为Μ={fi},每张三角网格对应的纹理影像Ι={Ii};
S11:参照文献Verification of Color Vegetation Indices for AutomatedCrop Imaging Applications中体提及的纹理空间植被指数计算公式VI'=(2*G'-R'-B')–(1.4*R'-G'),其中,G'=G/(R+G+B),R'=R/(R+G+B),B'=B/(R+G+B),R、G、B分别表示波段红、波段率、波段蓝,
计算纹理空间的植被指数VI,空间植被指数提取结果如图2所示;
S12:将三角网格中的每个三角面fi同绑定的UV值投影到对应纹理Ii上,获取纹理Ii上三角网fi覆盖区域的像素点集合再计算单个三角面fi的植被指数VIi通过面积规则化植被指数:/>其中,Si=Square(fi)表示三角面fi的平面面积;三角面植被指数提取结果如图3所示;
S2:植被区域精化:
S21:在三维网格中,每一个三角形对应的植被指数可以描述其局部区域性质,局部性质的变化可以通过比较当前三角形与周围三角形植被指数的差异来描述,将植被指数相似的空间邻接三角面聚集成区域;
将植被指数相似的空间邻接三角面聚集成区域的具体方式是:迭代计算与当前区域相连接的三角面到区域中心的距离,判断其是否满足设定的判别条件,如果三角面满足条件,则加入到区域中,更新区域的植被指数参数,直到没有满足条件的相邻三角面加入为止;
为统一判断方程,以正态分布的概率密度函数f(μ,σ)=N(μ,σ)来描述区域的属性,用是否在μ±α·σ内作为三角面是否属于当前区域的判别准则,其中:μ为区域中心植被指数参数,σ为植被指数参数的变化程度,参数α与邻域的平滑程度相关。如果概率密度大于f(μ,α·σ),则加入到区域中,更新μ,直到没有邻接的三角形可以添加为止。在实际计算过程中,通过多组数据集合的试验,最终确定比较有效的σ的经验值为0.2,α=1,邻域半径被设置为n=1。
S22:对聚集区域分类,假设整个区域为l={l1,l2}两个类型(植被、非植被),通过最大流/最小割定理计算最小割路径,将区域分成对应一致性类别小区域,以实现对植被区域的提取;
求解最小割路径的步骤:构造前景/背景二元标号的能量函数,能量函数由数据项和平滑项两部分组成,表示为:E(f)=Edata(f)+γ·Esmooth(f),
数据项损失函数Edata(f)=∑p∈PDp(fp),数据项描述当前对象被指定为不同标签的损失,即对象到不同类别中心的距离,以高斯函数f(v)=N(μ,σ)作为概率密度函数描述数据项损失,数据中心项为最理想情况下获取的植被;
平滑项损失函数Esmooth(f)=∑p∈PV{p,q}∈Ν(fp,fq),平滑项描述的是邻接对象之间的紧密程度,空间上两个相邻对象之间的公共边界长度表达了两个对象连接性的强弱,同时,植被具有中心聚合特性,即树木以中心向两边扩散,向下聚合的特性。综合以上因素,平滑损失项在考虑对象间的公共边界长度的同时也加入对象间的中心权重,表示为V{p,q}∈Ν(fp,fq)=L(fp,fq)*G(fp,fq),其中,L(fp,fq)表示对象fp,fq之间公共边长度之和,G(fp,fq)表示fp,fq之间的距离,如图4所示;
γ系数控制数据项与平滑项对总体损失函数的影响效力;
通过α-β交换算法求解能量函数的最小值,即为最小分隔路径。
对每一个聚集区域重复上述操作以实现对整个三维场中的植被区域的提取。
S3:高大植被提取:对提取出的植被对象进行空间分割,并将空间分割的单个对象的高程与设定的阈值进行比较,大于阈值,即为高大植被,阈值一般设为10m,也即10m以上的植被为高大植被,如图5所示。
综上,本申请的植被提取方法实现了城市三维场景数据中高大植被的提取,为后续的城市规划、生态评估提供支持,而且无需人工干预、自动化程度高。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种基于倾斜摄影城市三维模型的高大植被提取方法,其特征在于,具体包括以下步骤:
S1:初始植被区域提取:将三维场景模型中的三角网格表示为M={fi},每张三角网格对应的纹理影像I={Ii},根据纹理空间的植被指数计算公式计算纹理空间的植被指数VI',再将三角网格中的每个三角面fi同绑定的UV值投影到对应纹理Ii上,获取纹理Ii上三角面fi覆盖区域的像素点集合进一步的得到单个三角面fi的植被指数VIi;将三角网格中的每个三角面fi同绑定的UV值投影到对应纹理Ii上,获取纹理Ii上三角面fi覆盖区域的像素点集合/>再计算单个三角面fi的植被指数VIi通过面积规则化植被指数:/>其中,Si=Square(fi)表示三角面fi的平面面积;
S2:植被区域精化:将植被指数相似的空间邻接三角面聚集成区域,再通过最大流/最小割定理计算最小割路径,将聚集之后的区域分成对应一致性类别小区域,以实现对植被区域的提取;
S3:高大植被提取:对提取出的植被对象进行空间分割,并将空间分割的单个对象的高程与设定的阈值进行比较,大于阈值,即为高大植被。
2.根据权利要求1所述的一种基于倾斜摄影城市三维模型的高大植被提取方法,其特征在于,S1中纹理空间的植被指数VI'=(2*G'-R'-B')–(1.4*R'-G'),其中,G'=G/(R+G+B),R'=R/(R+G+B),B'=B/(R+G+B),R、G、B分别表示波段红、波段绿、波段蓝。
3.根据权利要求1所述的一种基于倾斜摄影城市三维模型的高大植被提取方法,其特征在于,S2中将植被指数相似的空间邻接三角面聚集成区域的具体方式是:迭代计算与当前区域相连接的三角面到区域中心的距离,判断其是否满足设定的判别条件,如果三角面满足条件,则加入到区域中,更新区域的植被指数参数,直到没有满足条件的相邻三角面加入为止。
4.根据权利要求3所述的一种基于倾斜摄影城市三维模型的高大植被提取方法,其特征在于,判断三角面到当前区域中心距离是否满足判别条件具体操作为:以正态分布的概率密度函数f(μ,σ)=N(μ,σ)来描述区域的属性,用是否在μ±α·σ内作为三角面是否属于当前区域的判别准则,其中:μ为区域中心植被指数参数,σ为植被指数参数的变化程度,参数α与邻域的平滑程度相关。
5.根据权利要求1所述的一种基于倾斜摄影城市三维模型的高大植被提取方法,其特征在于,S2中求解最小割路径的步骤:构造前景/背景二元标号的能量函数,能量函数由数据项和平滑项两部分组成,表示为:E(f)=Edata(f)+γ·Esmooth(f),数据项损失函数Edata(f)=∑p∈PDp(fp),平滑项损失函数Esmooth(f)=∑p∈PV{p,q}∈N(fp,fq),γ系数控制数据项与平滑项对总体损失函数的影响效力,计算能量函数的最小值,即为最小分隔路径。
6.根据权利要求5所述的一种基于倾斜摄影城市三维模型的高大植被提取方法,其特征在于,以高斯函数f(v)=N(μ,σ)作为概率密度函数描述数据项损失,数据中心项为最理想情况下获取的植被。
7.根据权利要求6所述的一种基于倾斜摄影城市三维模型的高大植被提取方法,其特征在于,平滑项损失V{p,q}∈N(fp,fq)=L(fp,fq)*G(fp,fq),其中,L(fp,fq)表示对象fp,fq之间公共边长度之和,G(fp,fq)表示fp,fq之间的距离。
8.根据权利要求1所述的一种基于倾斜摄影城市三维模型的高大植被提取方法,其特征在于,S3中的阈值设为10m。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010377584.XA CN111582156B (zh) | 2020-05-07 | 2020-05-07 | 一种基于倾斜摄影城市三维模型的高大植被提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010377584.XA CN111582156B (zh) | 2020-05-07 | 2020-05-07 | 一种基于倾斜摄影城市三维模型的高大植被提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111582156A CN111582156A (zh) | 2020-08-25 |
CN111582156B true CN111582156B (zh) | 2023-12-05 |
Family
ID=72123258
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010377584.XA Active CN111582156B (zh) | 2020-05-07 | 2020-05-07 | 一种基于倾斜摄影城市三维模型的高大植被提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111582156B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113932779B (zh) * | 2021-11-11 | 2024-05-14 | 中煤浙江测绘地理信息有限公司 | 基于无人机倾斜摄影的土石方计算方法、***及存储介质 |
CN116721228B (zh) * | 2023-08-10 | 2023-10-24 | 山东省国土测绘院 | 一种基于低密度点云的建筑物高程提取方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105677890A (zh) * | 2016-01-29 | 2016-06-15 | 东南大学 | 一种城市绿量数字地图制作及显示方法 |
CN108197583A (zh) * | 2018-01-10 | 2018-06-22 | 武汉大学 | 基于图割优化和影像结构特征的建筑物变化检测方法 |
CN109270124A (zh) * | 2018-11-22 | 2019-01-25 | 东华理工大学 | 一种基于机器学习回归算法的土壤盐度预测方法 |
CN109871812A (zh) * | 2019-02-22 | 2019-06-11 | 苏州工业园区测绘地理信息有限公司 | 一种基于神经网络的多时相遥感影像城市植被提取方法 |
WO2019174377A1 (zh) * | 2018-03-14 | 2019-09-19 | 大连理工大学 | 一种基于单目相机的三维场景稠密重建方法 |
CN111091052A (zh) * | 2019-11-07 | 2020-05-01 | 中国农业大学 | 一种基于最大似然法的玉米倒伏面积提取***及方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2574207A1 (en) * | 2010-03-31 | 2013-04-03 | Ambercore Software Inc. | System and method for extracting features from data having spatial coordinates |
CA3023641C (en) * | 2016-01-15 | 2020-12-22 | Wuhan Wuda Zoyon Science And Technology Co., Ltd | Object surface deformation feature extraction method based on line scanning three-dimensional point cloud |
-
2020
- 2020-05-07 CN CN202010377584.XA patent/CN111582156B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105677890A (zh) * | 2016-01-29 | 2016-06-15 | 东南大学 | 一种城市绿量数字地图制作及显示方法 |
CN108197583A (zh) * | 2018-01-10 | 2018-06-22 | 武汉大学 | 基于图割优化和影像结构特征的建筑物变化检测方法 |
WO2019174377A1 (zh) * | 2018-03-14 | 2019-09-19 | 大连理工大学 | 一种基于单目相机的三维场景稠密重建方法 |
CN109270124A (zh) * | 2018-11-22 | 2019-01-25 | 东华理工大学 | 一种基于机器学习回归算法的土壤盐度预测方法 |
CN109871812A (zh) * | 2019-02-22 | 2019-06-11 | 苏州工业园区测绘地理信息有限公司 | 一种基于神经网络的多时相遥感影像城市植被提取方法 |
CN111091052A (zh) * | 2019-11-07 | 2020-05-01 | 中国农业大学 | 一种基于最大似然法的玉米倒伏面积提取***及方法 |
Non-Patent Citations (3)
Title |
---|
LiDAR点云与遥感影像结合提取建筑物轮廓;陈蒙蒙,等;《地理空间信息》;第15卷(第2期);第30-33页 * |
倾斜影像中提取高精度DEM的方法研究;李莹,等;《测绘通报》(第2期);第30-34页 * |
局部区域表面一致性约束的三维模型纹理映射方法;李媛,等;《武汉大学学报信息科学版》;第41卷(第12期);第1599-1604页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111582156A (zh) | 2020-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108363983B (zh) | 一种基于无人机影像与重建点云的城市植被分类方法 | |
CN112489212B (zh) | 一种基于多源遥感数据的建筑物智能化三维测图方法 | |
CN109993783B (zh) | 一种面向复杂三维建筑物点云的屋顶及侧面优化重建方法 | |
CN110363861B (zh) | 基于激光雷达点云的田地作物三维重构方法 | |
CN109389043B (zh) | 一种无人机航拍图片的人群密度估计方法 | |
CN109859171A (zh) | 一种基于计算机视觉和深度学习的楼面缺陷自动检测方法 | |
CN109166145B (zh) | 一种基于聚类分割的果树叶片生长参数提取方法及*** | |
CN106780524A (zh) | 一种三维点云道路边界自动提取方法 | |
CN111582156B (zh) | 一种基于倾斜摄影城市三维模型的高大植被提取方法 | |
EP3341753B1 (en) | Method for identifying individual trees in airborne lidar data and corresponding computer program product | |
CN116258817B (zh) | 一种基于多视图三维重建的自动驾驶数字孪生场景构建方法和*** | |
US20140081605A1 (en) | Dtm estimation method, dtm estimation program, dtm estimation device, and method for creating 3-dimensional building model, and region extraction method, region extraction program, and region extraction device | |
CN114488073A (zh) | 激光雷达采集到的点云数据的处理方法 | |
CN109685806B (zh) | 图像显著性检测方法及装置 | |
CN115641327B (zh) | 一种基于大数据的建筑工程质量监理和预警*** | |
CN111524127B (zh) | 面向低空机载激光雷达数据的城市道路面提取方法 | |
WO2024109419A1 (zh) | 一种融合高程信息的遥感影像的处理方法 | |
CN114842262A (zh) | 融合线路通道正射影像的激光点云地物自动识别方法 | |
CN112200083B (zh) | 一种基于多元高斯混合模型的机载多光谱LiDAR数据分割方法 | |
CN111369539A (zh) | 一种基于多特征图融合的建筑立面窗户检测*** | |
CN114463521B (zh) | 一种面向空地影像数据融合的建筑目标点云快速生成方法 | |
CN110197489B (zh) | 一种无人机降落区域的选择方法和装置 | |
CN114581307A (zh) | 用于目标追踪识别的多图像拼接方法、***、设备及介质 | |
CN106683105A (zh) | 图像分割方法及图像分割装置 | |
CN111895907B (zh) | 一种电塔点云提取方法、***及设备 |
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 |