CN112561981A - 一种融合影像信息的摄影测量点云滤波方法 - Google Patents

一种融合影像信息的摄影测量点云滤波方法 Download PDF

Info

Publication number
CN112561981A
CN112561981A CN202011485307.7A CN202011485307A CN112561981A CN 112561981 A CN112561981 A CN 112561981A CN 202011485307 A CN202011485307 A CN 202011485307A CN 112561981 A CN112561981 A CN 112561981A
Authority
CN
China
Prior art keywords
point cloud
image
ground
filtering
dem
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
Application number
CN202011485307.7A
Other languages
English (en)
Inventor
王静
邢轻
马瑞峰
孙振辉
刘富堂
王庆勇
李大斌
梅艳
刘颖
王新财
陈斌
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202011485307.7A priority Critical patent/CN112561981A/zh
Publication of CN112561981A publication Critical patent/CN112561981A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/55—Depth or shape recovery from multiple images
    • G06T7/593—Depth or shape recovery from multiple images from stereo images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/182—Network patterns, e.g. roads or rivers
    • 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
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Image Processing (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明公开了一种融合影像信息的摄影测量点云滤波方法，其整体流程为：首先融合影像和摄影测量点云高程多源信息；再引入新型分类器对融合影像进行分类，其分类结果作为知识引导用于点云滤波中，即将分类专题图与摄影点云叠加以过滤非地面点，实现点云滤波并生成数字高程模型；本发明克服了传统点云滤波算法通用性差，滤波效果受限于参数设置，且均未利用生成点云的影像信息等问题，利用该点云滤波方法生成的DEM与参考DEM呈现高度相关性，可大大减少生产DEM人工后处理的工作量。

Description

一种融合影像信息的摄影测量点云滤波方法
技术领域
本发明涉及一种摄影测量点云滤波方法，尤其涉及一种融合影像信息的摄影测量点云滤波方法。
背景技术
数字高程模型(digitalelevation model,DEM)作为4D产品之一，在测绘、国土和国防建设等领域有着广泛的应用。现阶段国土调查和测图等工作中均使用测绘卫星或航空影像作为数据源，利用影像匹配技术获取摄影测量点云，经过后期处理生成DEM。而在测图自动化程度较高的生产流程中，摄影测量点云自动滤波技术仍不成熟，DEM后期处理需花费大量人力物力，因此研究高效、快速、适用性强的摄影测量点云滤波方法具有重要意义。
传统的点云滤波算法大多数针对LiDAR点云设计，已提出的LiDAR点云滤波算法主要有基于坡度的滤波算法、基于数学形态学的方法和基于表面的滤波算法几类，上述点云滤波算法虽然在特定的条件下取得了较好的滤波效果，但存在针对不同场景时适用性不强、算法参数通用性差等问题。摄影测量点云依赖于影像匹配技术及地面纹理信息，造成摄影测量点云相较于LiDAR点云存在噪声大、精度低且无法穿透植被等缺陷，因此直接利用针对LiDAR点云设计的算法实施摄影测量点云滤波，不能取得理想的滤波效果。
发明内容
本发明的目的是提供一种融合影像信息的摄影测量点云滤波方法。
本发明的目的是通过以下技术方案实现的：
本发明的融合影像信息的摄影测量点云滤波方法，包括步骤：
a、摄影测量点云及其深度图的获取：
获取点云之前，需对影像进行定向；
采用高分辨率遥感影像一体化测图***—PixelGrid对航空影像进行空中三角测量，以精化影像定姿定位参数；
采用的密集匹配算法为半全局匹配算法，主要采用互信息作为测度，匹配代价如公式(1)：
Figure BDA0002838937980000021
式中：全局代价函数E(D)由一个数据项和两个光滑项组成，D代表参考影像的视差影像，包含了参考影像上所有像素xb的视差估计值；xN代表xb的邻域像素值；T[]表示条件判断操作符，若为真，取1；否则，取0；P1和P2为惩罚参数；
b、多源数据融合和影像分类：
制作数字正射影像需要相应区域DEM作为基础；
手动去除异常匹配点对影像匹配点云经过内插处理生成数字表面模型，将DSM代替DEM作为生成正射影像的底图；
c、摄影测量点云滤波：
对影像进行分类后可生成地面类和非地面类二分类专题图，依据此分类结果进行点云滤波。
由上述本发明提供的技术方案可以看出，本发明实施例提供的融合影像信息的摄影测量点云滤波方法，利用摄影测量点云所特有的影像信息，借助空中三角测量技术获取点云深度图，将两种图像信息融合作为知识引导达到摄影测量点云滤波的目的，该方法自动化程度高、对不同场景适用性强，突破了传统生产高精度DEM时所需的大量人工编辑工作。
附图说明
图1为本发明实施例提供的融合影像信息的摄影测量点云滤波方法结构示意图；
图2为摄影测量点云及其深度图(a.带有RGB信息的摄影测量点云及其局部放大图；b.点云深度图)；
图3为DOM及其融合影像(a.正射影像；b.DOM与深度图融合影像)；
图4为新型分类器影像分类结果；
图5摄影测量点云滤波后的结果；
图6滤波后的地面点生生成的DEM(a.滤波后生成的DEM；b.手动编辑生成的参考DEM)。
具体实施方式
下面将对本发明实施例作进一步地详细描述。本发明实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
本发明的融合影像信息的摄影测量点云滤波方法，其较佳的具体实施方式是：
包括步骤：
a、摄影测量点云及其深度图的获取：
获取点云之前，需对影像进行定向；
采用高分辨率遥感影像一体化测图***—PixelGrid对航空影像进行空中三角测量，以精化影像定姿定位参数；
采用的密集匹配算法为半全局匹配算法，主要采用互信息作为测度，匹配代价如公式(1)：
Figure BDA0002838937980000031
式中：全局代价函数E(D)由一个数据项和两个光滑项组成，D代表参考影像的视差影像，包含了参考影像上所有像素xb的视差估计值；xN代表xb的邻域像素值；T[]表示条件判断操作符，若为真，取1；否则，取0；P1和P2为惩罚参数；
b、多源数据融合和影像分类：
制作数字正射影像需要相应区域DEM作为基础；
手动去除异常匹配点对影像匹配点云经过内插处理生成数字表面模型，将DSM代替DEM作为生成正射影像的底图；
c、摄影测量点云滤波：
对影像进行分类后可生成地面类和非地面类二分类专题图，依据此分类结果进行点云滤波。
所述步骤a中，影像提供了丰富的光谱及纹理信息，利用密集匹配点云能获取相应区域点云深度图，其深度值代表该点在实际地物处的高程；
所述点云深度图类似于影像，也由一定间隔的规则阵列逐行逐列进行像素组织，点云深度图的每个像素值代表高程。
所述步骤b中，生成的正射影像空间分辨率为20cm，此过程在PixelGrid中完成；
为了提高其分类精度，首先将点云深度图代表的非光谱特征与正射影像通过波段堆叠的方式融合，形成一副既有地物高程信息又有地物光谱特征的复合图像；再引入支持向量机的分类方法对融合影像进行分类解译；
利用SVM对融合后的影像进行分类，按照所选数据源将其分为五类，包括：建筑物、树木、草地、道路及阴影；由于影像分类的目的是实现非地面点的滤除，因此将分类结果归并为地面类和非地面类，即将建筑物、树木归为非地面类，剩余地类归为地面类，对初步分类结果经过Majority分析、聚类处理等后处理。
所述步骤c中，具体步骤为：
首先将分类结果中的非地面类转换为矢量；
其次将非地面类矢量与摄影测量点云叠加，利用非地面类矢量范围滤除点云中非地面点，剩余点云认为是地面点以达到点云滤波目的；
最后利用地面点内插生成DEM。
本发明的融合影像信息的摄影测量点云滤波方法，利用摄影测量点云所特有的影像信息，借助空中三角测量技术获取点云深度图，将两种图像信息融合作为知识引导达到摄影测量点云滤波的目的，该方法自动化程度高、对不同场景适用性强，突破了传统生产高精度DEM时所需的大量人工编辑工作。
具体实施例：
图1为一种融合影像信息的摄影测量点云滤波方法的流程图，其整体实施方法为：
a、摄影测量点云及其深度图的获取
获取摄影测量点云之前，需对影像进行定向。采用中国测绘科学研究院研发的高分辨率遥感影像一体化测图***—PixelGrid对航空影像进行空中三角测量，以精化影像定姿定位参数。本研究所采用的密集匹配算法为半全局匹配(semi-global matching,SGM)算法，SGM主要采用互信息作为测度，匹配代价如公式(1)所示。
Figure BDA0002838937980000041
式中：全局代价函数E(D)由一个数据项和两个光滑项组成，D代表参考影像的视差影像，包含了参考影像上所有像素xb的视差估计值；xN代表xb的邻域像素值；T[]表示条件判断操作符，若为真，取1；否则，取0；P1和P2为惩罚参数。该算法以被多款商用软件(包括SURE，PhotoScan和Smart3D)应用。
影像提供了丰富的光谱及纹理信息，但缺乏非光谱信息，例如地物高程信息、地物点与其相邻地物的空间结构关系等。利用密集匹配点云可获取相应区域点云深度图，其深度值代表该点在实际地物处的高程。点云深度图类似于影像，也由一定间隔的规则阵列逐行逐列进行像素组织，与常见影像像素值代表意义不同，点云深度图的每个像素值代表高程。图2-a为航空影像经过空三和密集影像匹配生成的点云，每个点均从原始影像中获取该点地物真彩色RGB值，图2-b为根据点云获取的深度图。
b、多源数据融合和影像分类；
制作数字正射影像(digital orthophoto map，DOM)需要相应区域DEM作为基础。手动去除异常匹配点(高程异常点)，对影像匹配点云经过内插处理生成数字表面模型(digital surface model,DSM)。经过此步骤处理，将DSM代替DEM作为生成正射影像的底图，生成的正射影像空间分辨率为20cm，如图3-(a)，此过程在PixelGrid中完成。
航空影像虽然空间分辨率很高，地物纹理细节信息丰富，但其地物光谱分布不规律，类内方差(其光谱信息)很大，而类间方差减小；还有较高的影像分辨率充分反映了地物细节特征，对于大尺度同质性地物的分类精度降低；另外，由于航空影像一般为三波段的真彩色影像，因此利用传统分类方法其精度往往达不到应用需求。针对上述航空影像在地物分类中存在的问题，为了提高其分类精度，首先将点云深度图代表的非光谱特征与正射影像通过波段堆叠的方式融合，形成一副既有地物高程信息又有地物光谱特征的复合图像,如图3-(b)；再引入支持向量机的分类方法对融合影像进行分类解译。
新型分类器是高分辨率遥感影像与计算机视觉、机器学***面”)区分不同类，并最大化类间边界。利用SVM对融合后的影像进行分类，按照所选数据源将其分为五类，包括建筑物、树木、草地、道路及阴影。由于影像分类的目的是实现非地面点的滤除，因此将分类结果归并为地面地面类和非地面类，即将建筑物、树木归为非地面类，剩余地类归为地面类，对初步分类结果经过Majority分析、聚类处理等后处理，其分类结果如图4所示。
c、摄影测量点云滤波
对影像进行分类后可生成二分类(地面类和非地面类)专题图，依据此分类结果进行点云滤波。具体步骤为，首先将分类结果中的非地面类转换为矢量；其次将非地面类矢量与摄影测量点云叠加，利用非地面类矢量范围滤除点云中非地面点，剩余点云可认为是地面点以达到点云滤波目的，滤波结果如图5所示；最后利用地面点内插生成DEM。
利用某城市区域航空影像作为获取摄影测量点云的数据源，所获取影像相机搭载于固定翼飞机平台，其平均航高为1400m，影像空间分辨率为20cm。相较于轻型无人机***，固定翼航摄平台姿态更为稳定，影像畸变相对较小；再利用平台搭载的DGPS及IMU***，能更为精确的获取每张相片的外方位元素，为无控自动空三获得更高精度提供保证。原始影像首先经过金字塔影像生成、特征点提取、连接点匹配、POS辅助区域网平差完成定向，然后利用SGM算法进行影像密集匹配点云生成(25个点/m2)。计算每个点三维坐标的同时，可从原始影像获取每个点的RGB值。
融合点云深度图和影像信息，并对融合影像进行分类，利用新型分离器的融合影像分类结果优于单纯只有影像信息的分类结果，该分类结果为点云分类提供依据。为了反映融合点云深度图后对影像分类效果的提升，分别对融合前后的影像利用SVM进行分类并评价其精度，其结果如表1，表2。以分类结果作为知识引导，对摄影测量点云滤波后的一类误差和二类误差见表3。
表1、融合前影像分类的混淆矩阵及其精度指标
Figure BDA0002838937980000061
表2、融合后影像分类的混淆矩阵及其精度指标
Figure BDA0002838937980000062
表3、摄影测量点云滤波两类误差统计结果
误差类型 Type I Type II Total error
统计结果 4.12％ 14.07％ 9.2％
由上表可知，一类误差和二类误差分别为4.12％和14.07％，表明相比于去除非地面的能力，利用该方法能更有效的保留地面点。总体误差为9.2％，表明有90.8％的评价参考点被正确分类。
点云滤波的重要目的是为了生成DEM，利用该方法获取点云滤波结果后，利用双线性内插方法生成该区域格网间距为1m DEM(如图6-a)，为了验证生成DEM精度，人工编辑该区域点云数据并生成参考DEM(如图6-b)。首先计算该方法生成的DEM与参考DEM的相关系数，该指标可以表征两个DEM之间的统计相关性，并说明两个DEM表面的贴合度。通过计算相关系数为0.968，表明摄影测量点云滤波结果生成的DEM与参考DEM之间有高度正相关关系，表面贴合度较好。其次对生成的DEM经过极少量人工编辑，并从该参考DEM随机选择一定数量的检查点，计算其高程中误差，其结果如表4。
表4、DEM精度检查结果
Figure BDA0002838937980000071
DEM精度检查结果表明，利用该点云滤波方法生成的DEM,在经过极少量人工编辑的情况下，高程精度优于0.5m，满足1：2000地形图内业精度要求。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (4)

1.一种融合影像信息的摄影测量点云滤波方法，其特征在于，包括步骤：
a、摄影测量点云及其深度图的获取：
获取点云之前，需对影像进行定向；
采用高分辨率遥感影像一体化测图***—PixelGrid对航空影像进行空中三角测量，以精化影像定姿定位参数；
采用的密集匹配算法为半全局匹配算法，主要采用互信息作为测度，匹配代价如公式(1)：
Figure FDA0002838937970000011
式中：全局代价函数E(D)由一个数据项和两个光滑项组成，D代表参考影像的视差影像，包含了参考影像上所有像素xb的视差估计值；xN代表xb的邻域像素值；T[]表示条件判断操作符，若为真，取1；否则，取0；P1和P2为惩罚参数；
b、多源数据融合和影像分类：
制作数字正射影像需要相应区域DEM作为基础；
手动去除异常匹配点对影像匹配点云经过内插处理生成数字表面模型，将DSM代替DEM作为生成正射影像的底图；
c、摄影测量点云滤波：
对影像进行分类后可生成地面类和非地面类二分类专题图，依据此分类结果进行点云滤波。
2.根据权利要求1所述的融合影像信息的摄影测量点云滤波方法，其特征在于，所述步骤a中，影像提供了丰富的光谱及纹理信息，利用密集匹配点云能获取相应区域点云深度图，其深度值代表该点在实际地物处的高程；
所述点云深度图类似于影像，也由一定间隔的规则阵列逐行逐列进行像素组织，点云深度图的每个像素值代表高程。
3.根据权利要求2所述的融合影像信息的摄影测量点云滤波方法，其特征在于，所述步骤b中，生成的正射影像空间分辨率为20cm，此过程在PixelGrid中完成；
为了提高其分类精度，首先将点云深度图代表的非光谱特征与正射影像通过波段堆叠的方式融合，形成一副既有地物高程信息又有地物光谱特征的复合图像；再引入支持向量机的分类方法对融合影像进行分类解译；
利用SVM对融合后的影像进行分类，按照所选数据源将其分为五类，包括：建筑物、树木、草地、道路及阴影；由于影像分类的目的是实现非地面点的滤除，因此将分类结果归并为地面类和非地面类，即将建筑物、树木归为非地面类，剩余地类归为地面类，对初步分类结果经过Majority分析、聚类处理等后处理。
4.根据权利要求3所述的融合影像信息的摄影测量点云滤波方法，其特征在于，所述步骤c中，具体步骤为：
首先将分类结果中的非地面类转换为矢量；
其次将非地面类矢量与摄影测量点云叠加，利用非地面类矢量范围滤除点云中非地面点，剩余点云认为是地面点以达到点云滤波目的；
最后利用地面点内插生成DEM。
CN202011485307.7A 2020-12-16 2020-12-16 一种融合影像信息的摄影测量点云滤波方法 Pending CN112561981A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011485307.7A CN112561981A (zh) 2020-12-16 2020-12-16 一种融合影像信息的摄影测量点云滤波方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011485307.7A CN112561981A (zh) 2020-12-16 2020-12-16 一种融合影像信息的摄影测量点云滤波方法

Publications (1)

Publication Number Publication Date
CN112561981A true CN112561981A (zh) 2021-03-26

Family

ID=75064107

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011485307.7A Pending CN112561981A (zh) 2020-12-16 2020-12-16 一种融合影像信息的摄影测量点云滤波方法

Country Status (1)

Country Link
CN (1) CN112561981A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113159174A (zh) * 2021-04-21 2021-07-23 云南师范大学 无控制点的dem匹配与形变量探测方法及装置
CN117036627A (zh) * 2023-05-25 2023-11-10 北京道达天际科技股份有限公司 一种异源立体像对影像生成数据表面模型的方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103017739A (zh) * 2012-11-20 2013-04-03 武汉大学 基于激光雷达点云与航空影像的真正射影像的制作方法
CN108363983A (zh) * 2018-03-06 2018-08-03 河南理工大学 一种基于无人机影像与重建点云的城市植被分类方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103017739A (zh) * 2012-11-20 2013-04-03 武汉大学 基于激光雷达点云与航空影像的真正射影像的制作方法
CN108363983A (zh) * 2018-03-06 2018-08-03 河南理工大学 一种基于无人机影像与重建点云的城市植被分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
马瑞峰 等: "多源数据融合的DIM点云滤波及DEM生成", 《测绘科学》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113159174A (zh) * 2021-04-21 2021-07-23 云南师范大学 无控制点的dem匹配与形变量探测方法及装置
CN113159174B (zh) * 2021-04-21 2022-05-06 云南师范大学 无控制点的dem匹配与形变量探测方法及装置
CN117036627A (zh) * 2023-05-25 2023-11-10 北京道达天际科技股份有限公司 一种异源立体像对影像生成数据表面模型的方法

Similar Documents

Publication Publication Date Title
CN114518104B (zh) 基于动态遥感监测技术的国土测绘方法、***及存储介质
CN111047695B (zh) 一种城市群高度空间信息及等高线的提取方法
CN107451982B (zh) 一种基于无人机影像的高郁闭度林分树冠面积获取方法
CN103218787B (zh) 多源异构遥感影像控制点自动采集方法
Moussa et al. A new object based method for automated extraction of urban objects from airborne sensors data
CN109961510B (zh) 一种基于三维点云重构技术的高切坡地质快速编录方法
US20200388048A1 (en) Using spatial filter to reduce bundle adjustment block size
CN111247564A (zh) 一种数字地表模型的构建方法及处理设备、***
Hu et al. Research on a single-tree point cloud segmentation method based on UAV tilt photography and deep learning algorithm
CN109492606A (zh) 多光谱矢量图获取方法及***、三维单体化方法及***
CN112561981A (zh) 一种融合影像信息的摄影测量点云滤波方法
CN117315146B (zh) 基于跨尺度多源数据的三维模型的重建方法及存储方法
CN104751451B (zh) 基于无人机低空高分辨率影像的密集点云提取方法
CN106969753B (zh) 基于电力设计应用的无人机航拍数据处理方法
Yang et al. Airborne LiDAR and photogrammetric point cloud fusion for extraction of urban tree metrics according to street network segmentation
Wang et al. Unmanned aerial vehicle and structure‐from‐motion photogrammetry for three‐dimensional documentation and digital rubbing of the Zuo River Valley rock paintings
Boonpook et al. UAV-based 3D urban environment monitoring
Senn et al. On‐site geometric calibration of RPAS mounted sensors for SfM photogrammetric geomorphological surveys
CN116977580A (zh) 一种基于机载LiDAR的山区大比例尺DEM制作方法
CN114742876B (zh) 一种土地视觉立体测量方法
CN110580468A (zh) 一种基于影像匹配点云的单木结构参数提取的方法
Dahlke et al. Comparison Between Two Generic 3D Building Reconstruction Approaches–Point Cloud Based vs. Image Processing Based
Peeroo et al. Building extraction for 3D city modelling using airborne laser scanning data and high-resolution aerial photo
Tian et al. A process-oriented method for rapid acquisition of canopy height model from RGB point cloud in semiarid region
Safdarinezhad et al. Coregistration of satellite images and airborne lidar data through the automatic bias reduction of rpcs

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210326