CN113379919A - 一种基于无人机rgb相机的植被冠层高度快速提取方法 - Google Patents
一种基于无人机rgb相机的植被冠层高度快速提取方法 Download PDFInfo
- Publication number
- CN113379919A CN113379919A CN202110649212.2A CN202110649212A CN113379919A CN 113379919 A CN113379919 A CN 113379919A CN 202110649212 A CN202110649212 A CN 202110649212A CN 113379919 A CN113379919 A CN 113379919A
- Authority
- CN
- China
- Prior art keywords
- ground
- point cloud
- points
- filtering
- aerial vehicle
- 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
Images
Classifications
-
- 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
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- 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
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明具体是指一种基于无人机RGB相机的植被冠层高度快速提取方法,基于无人机沿设定航带飞行采集的正摄影像,采用运动结构算法生成三维密集点云,结合进取式两步滤波和Otsu分割(ExG‑ExR)指数得到的二值图实现地面点滤波,对地面点进行规则化网格处理,基于剖面线最小二乘二次拟合和预测的基本思想,对网格化地面点按照行和列分别进行快速插值以得到两个插值后的地面模型,将两个地面模型取平均得到最终地面模型,对原始密集点云进行相同分辨率的网格化处理,利用原始网格化点云减去最终地面模型得到植被冠层高度模型;本发明在地面点滤波中利用点云RGB信息简化了两步滤波的参数选择难度,提出的插值算法相比传统算法耗时更少但得到的精度相似。
Description
技术领域
本发明涉及生态环境植被冠层提取技术领域,具体是指一种基于无人机RGB相机的植被冠层高度快速提取方法。
背景技术
植被作为生态***中的重要组成部分,是生态***的主要生产者,与其他要素(如土壤水和地下水)的联系最为密切,在抑制荒漠化和保护生物多样性等方面有着重要意义。植被冠层高度是评估区域植被生物量及健康状况的最常用的指标之一。
基于无人机的遥感测量客服了传统人工测量效率低的弊端,当前使用无人机获取植被高度的主要手段是光探测与测距(LiDAR)技术,进而导致地面滤波算法及插值算法也主要集中在LiDAR数据研究。近年来,计算机硬件性能和图像匹配软件的同步改进使得使用运动结构的立体图像密集匹配速度更快、精度更高。这些最新的技术发展使得摄影测量成为LiDAR的一个竞争性的替代品。
相比于LiDAR,SFM生成的三维点云格式虽然与LiDAR数据相似,但由于其生产原理,点云与LiDAR点云也有所差异,主要体现在:无法穿透密集的植被冠层,在复杂冠层结构的植被区域地面点较少,且分辨低矮植被的能力比LiDAR低;点云数量是LiDAR点云的几十倍甚至百倍以上,是真正的“密集点云”;点云附带RGB信息。而当前的地面滤波算法大多依赖精确的结构阈值参数设定,未考虑点云RGB信息;当非地面点没有被完全剔除时,残存的非地面点往往使基于一定邻域地面点的传统插值算法对植被区域地表的高估,进而造成冠层高度的低估;插值的高效算法尚未引入,计算复杂性是插值算法的一个常见问题,传统算法的效率显得过于低下,想快速获取区域冠层高度时变得尤为困难。
发明内容
本发明针对现有技术的不足,提供一种基于无人机RGB相机的植被冠层高度快速提取方法。
一种基于无人机RGB相机的植被冠层高度快速提取方法,包括以下步骤:
步骤1、基于无人机获取的影像数据,采用运动结构方法处理生成带有RGB波段信息的三维密集点云;
步骤2、基于进取式两步滤波对密集点云进行地面点滤波,同时计算点云(ExG-ExR)指数,基于Otsu分割(ExG-ExR)指数得到地面点,将进取式两步滤波和Otsu得到的地面点取交集得到地面点云;
步骤3、基于步骤2中得到的地面点云,进行规则网格化;
步骤4、基于步骤3中的规则网格化的地面点云,按照行和列方向提取剖面线,对每条剖面线进行最小二乘二次拟合和预测补齐所有地面空洞,得到按照行和列补全的两个面模型,对前述两个进行加权平均得到加权平均地面模型;
步骤5、对步骤1中得到的三维密集点云进行同步骤3相同的规则网格化得到原始地表模型,原始地表模型减去步骤4获得的加权平均地面模型,得到冠层结构模型。
进一步地,所述步骤1中,无人机获取影像数据的方法为:根据植被冠层高度区形状预设覆盖全区域的两组相互垂直的航带,航向和旁向重叠度均达到80%;
所述步骤1中,生成三维密集点云的方法为:基于SIFT算子和采样一致性算法RANSC进行特征点提取和匹配,采用光束法平差优化重建结果,最后基于面片的三维多视角立体视觉算法PMVS得到密集点云。
进一步地,(一)步骤5所述原始地表模型获得:根据植被冠层高度区最大植株冠层大小,确定初始滤波窗口大小,应用于步骤1生成的三维密集点云识别每个窗口内最低点,并分类为若干初始地面点,然后对若干初始地面点进行线性插值,得到初始地形模型;
(二)评估剩余未分类点:满足如下两个条件,可添加到地面类别中,
(a)剩余未分类点到初始地形表面的距离不超过最大距离阈值;
(b)最近的地面点和初始地形表面之间的角度差以及最近的初始地面点和被评估点之间的角度差小于最大角度阈值;
其中,滤波窗口、最大距离阈值和最大角度阈值采取进取式策略逐步减小,以实现从大到小型植被的分步去除,乔灌草混合的复杂场景采取三次进取滤波得到地面点云;
其次,利用式(1)计算步骤1生成的三维密集点云的(ExG-ExR)指数,基于Otsu自动化分割(ExG-ExR)指数得到地面分类结果二值图,将其与进取滤波得到地面点云取交集得到步骤二所述的地面点云。
ExG-ExR=3*G-2.4*R-B (1)
进一步地,所述步骤4加权平均地面模型的具体获得方法包括:
(一)按行和列分别提取步骤3中规则网格化点云的所有剖面线;
(二)对每一条剖面线检测空洞区域的数量及长度,按照空洞长度自大到小排序;
(三)统计空洞长度最大区域的长度L,若其为偶数则加一,然后自左边界向左取3(L-1)/2个点,自右边界向右同样取3(L-1)/2个点,将3(L-1)加上空洞长度L分成左中右三段,左段取左数前3(L-1)/2个点做最小二乘二次拟合,并向右预测(L-1)/2个点,右侧取右数前3(L-1)/2个点做最小二乘二次拟合,并向左预测(L-1)/2个点,中间取(L-1)个点做最小二乘二次拟合,预测空洞长度L个点,左中右三段重合L个点;
(四)用y(i)(d1)、y(i+1)(d2),d1,d2=1,2,…,L分别表示第i段和第i+1段的拟合多项式,对左中和中右重叠区域用式(2)分别做加权平均,权重随着点到线段中心之间的距离线性减小,并在相邻部分的边界附近有效地消除任何跳跃或不连续性;
(五)使用步骤(四)中得到的空洞区域加权值替换掉空洞区域,并循环执行第(二)~(四)步直到消除所有空洞,得到按行和列提取的两个地形模型;
(六)对两个地形模型加权平均得到最后的地形模型。
与现有技术相比,本发明具有的有益效果:
(1)本发明将进取式思想引入两步滤波,逐步缩减阈值实现乔灌草的分步剔除,这样可以避免固定阈值的一次滤波在复杂场景因为坡度、植被类型的异质性而导致错误分类,可以更加有效过滤植被点云,而使用Otsu方法自动化分类通过点云的RGB波段计算得到的(ExG-ExR)指数并与两步滤波结果取交集得到最终地面点云,这样可以有效辅助两步滤波参数的选择,因为Otsu方法在分辨低矮植被的效果较好,这样可以避免进取式两步滤波选取过于严格的阈值导致地面点损失,而地面点减少会影响插值算法的精度;
(2)本发明提出的基于剖面线的最小二乘二次拟合及预测算法,在一维上基于空缺窗口的大小自适应截取一定长度内的地面点分三段进行拟合预测,采用合理的加权方法,即保证了局部地形趋势的保留,同时引入趋势项有效抑制地面点滤波过程中不可避免的错误分类点,此外,因为提出的算法计算复杂度低且极易并行实现,相比传统插值算法如反距离权重插值、克里金插值运行时间大幅缩短。
附图说明
图1是本发明提供的一种基于无人机RGB相机的植被冠层高度快速提取方法流程图。
具体实施方式
下面结合附图对本发明做进一步的详细说明。
本发明所采用的技术方案是基于无人机RGB相机的植被冠层高度快速提取方法,该方法主要分两个主要部分:一是基于点云RGB波段信息辅助的进取式两步滤波提取地面点,二是针对地面点滤波后的地面点云存在的数据空洞,提出一种基于剖面线最小二乘二次拟合及预测的快速插值算法,算法复杂度低且可并行程度高,同时可有效抑制错误分类点对插值结果的影响。按照以下步骤实施:
结合图1,对本发明做进一步说明:
一种基于无人机RGB相机的植被冠层高度快速提取方法,所述方法包括:
步骤1、基于无人机获取的影像数据,采用运动结构方法处理生成带有RGB波段信息的三维密集点云;
步骤2、基于进取式两步滤波对密集点云进行地面点滤波,同时计算点云(ExG-ExR)指数,基于Otsu分割(ExG-ExR)指数得到地面点,将进取式两步滤波和Otsu得到的地面点取交集得到地面点云;
步骤3、基于步骤2中得到的地面点云,进行规则网格化;
步骤4、基于步骤3中的规则网格化的地面点云,按照行和列方向提取剖面线,对每条剖面线进行最小二乘二次拟合和预测补齐所有地面空洞,得到按照行和列补全的两个面模型,对前述两个进行加权平均得到加权平均地面模型;
步骤5、对步骤1中得到的三维密集点云进行同步骤3相同的规则网格化得到原始地表模型,原始地表模型减去步骤4获得的加权平均地面模型,得到冠层结构模型。
其中,所述步骤1中,飞行路线的设计应为覆盖整个研究区的相互垂直的两组航带,航向和旁向重叠度均应达到80%,以拓展相机的可视角度,进而增加地面点数量同时提高空三处理精度,有条件的应引入倾斜摄影,飞行高度的选择则需要根据相机参数及工作所需的最小地面分辨率计算得到,获取数据的时间应选择光照变化较小同时风速较小的时段进行,如下午2点,多个飞行架次之间应保证时段相同,此外为保证结果可靠需要按照精度需求布设一定数量的地面控制点;
无人机序列影像通过基于SIFT算子和采样一致性算法RANSC进行特征点提取和匹配,采用光束法平差优化重建结果,最后基于面片的三维多视角立体视觉算法PMVS得到带有RGB波段信息的密集点云。
所述步骤2中,根据研究区最大植株冠层大小,确定初始滤波窗口大小,窗口需大于最大冠层面积,保证每个窗口内均需有至少一个地面点,将其应用于步骤1生成的点云识别每个窗口内最低点并分类为初始地面点,然后对这些初始地面点进行线性插值,得到近似的初始地形模型。其次,对所有剩余的未分类点进行评估,如果它们同时满足以下两个条件,则将其添加到地面类别中:(一)它们到初始地形表面的距离不超过最大距离阈值,以及(二)最近的地面点和初始地形表面之间的角度差以及最近的初始地面点和被评估点之间的角度差小于最大角度阈值;其中,滤波窗口、最大距离阈值和最大角度阈值采取进取式策略逐步减小,以实现从大到小型植被的分步去除,乔灌草混合的复杂场景建议三次进取滤波得到地面点云,以半干旱区乔灌草混合区域为例,进取三次滤波的参数为:窗口大小:10m、2m、0.5m,最大距离阈值:0.6m、0.3m、0.1m,最大角度阈值:7°、3°、1°。
利用式(1)计算步骤1生成的点云的(ExG-ExR)指数,基于Otsu自动化分割(ExG-ExR)得到地面分类结果二值图,将其与进取两步滤波得到地面点云取交集得到最后的地面点云。
ExG-ExR=3*G-2.4*R-B (1)
所述步骤3中,对地面点云规则化过程中网格大小的选择上遵循可以有效识别研究对象的原则,如主要研究灌木冠层高度,可以选择5cm网格,建议网格略大于无人机影像的地面分辨率,位于网格内的点云取其高程平均值或最大值为网格值,若网格内没有点存在则将其设置为空值。
所述步骤4的具体操作步骤为:
(一)按行和列分别提取步骤3中网格化点云的所有剖面线;
(二)对每一条剖面线检测空洞区域(植被区域)的数量及长度,按照空洞长度自大到小排序;
(三)统计空洞长度最大区域的长度L,若其为偶数则加一,然后自左边界向左取3(L-1)/2个点,自右边界向右同样取3(L-1)/2个点,将3(L-1)加上空洞长度L分成左中右三段,左段取左数前3(L-1)/2个点做最小二乘二次拟合,并向右预测(L-1)/2个点,右侧取右数前3(L-1)/2个点做最小二乘二次拟合,并向左预测(L-1)/2个点,中间取(L-1)个点做最小二乘二次拟合,预测空洞长度L个点,左中右三段重合L个点;
(四)用y(i)(d1)、y(i+1)(d2),d1,d2=1,2,…,L分别表示第i段和第i+1段的拟合多项式,对左中和中右重叠区域用式(2)分别做加权平均,权重随着点到线段中心之间的距离线性减小,这样的加权确保对称性,并在相邻部分的边界附近有效地消除任何跳跃或不连续性,实际上,该方案确保填补区域处处连续且平滑,符合一般地形规律;
(五)使用(四)中得到的空洞区域加权值替换掉空洞区域,并循环执行第(二)~(四)步直到消除所有空洞,得到按行和列提取的两个地形模型;
(六)对两个地形模型加权平均得到最后的地形模型。
所述步骤5中,采用步骤3相同的网格大小对步骤1得到的原始三维密集点云进行网格化得到原始地表模型,用原始地表模型减去步骤4插值的地形模型得到最后的区域植被冠层结构模型。
最后应当说明的是,步骤4中按照行和列对网格化点云取剖面线作为基本研究对象,可以理解成一种地面点的四方向插值,如若想得到更为精确且平滑的植被冠层模型,所属领域的技术人员可以引入网格化点云的两个对角线方向进而实现八方向插值,甚至引入十六、三十二方向等,最后对空缺区域多个方向的插值结果剔除误差点后取平均作为最后插值结果,这样可以保证结果更加可靠且一定程度还原水文连性。
以上对本发明及其实施方式进行了描述,这种描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的方法及实施例,均应属于本发明的保护范围。
Claims (4)
1.一种基于无人机RGB相机的植被冠层高度快速提取方法,其特征在于,包括以下步骤:
步骤1、基于无人机获取的影像数据,采用运动结构方法处理生成带有RGB波段信息的三维密集点云;
步骤2、基于进取式两步滤波对密集点云进行地面点滤波,同时计算点云(ExG-ExR)指数,基于Otsu分割(ExG-ExR)指数得到地面点,将进取式两步滤波和Otsu得到的地面点取交集得到地面点云;
步骤3、基于步骤2中得到的地面点云,进行规则网格化;
步骤4、基于步骤3中的规则网格化的地面点云,按照行和列方向提取剖面线,对每条剖面线进行最小二乘二次拟合和预测补齐所有地面空洞,得到按照行和列补全的两个面模型,对前述两个进行加权平均得到加权平均地面模型;
步骤5、对步骤1中得到的三维密集点云进行同步骤3相同的规则网格化得到原始地表模型,原始地表模型减去步骤4获得的加权平均地面模型,得到冠层结构模型。
2.根据权利要求1所述的一种基于无人机RGB相机的植被冠层高度快速提取方法,其特征在于,所述步骤1中,无人机获取影像数据的方法为:根据植被冠层高度区形状预设覆盖全区域的两组相互垂直的航带,航向和旁向重叠度均达到80%;
所述步骤1中,生成三维密集点云的方法为:基于SIFT算子和采样一致性算法RANSC进行特征点提取和匹配,采用光束法平差优化重建结果,最后基于面片的三维多视角立体视觉算法PMVS得到密集点云。
3.根据权利要求1所述的一种基于无人机RGB相机的植被冠层高度快速提取方法,其特征在于:
(一)步骤5所述原始地表模型获得:根据植被冠层高度区最大植株冠层大小,确定初始滤波窗口大小,应用于步骤1生成的三维密集点云识别每个窗口内最低点,并分类为若干初始地面点,然后对若干初始地面点进行线性插值,得到初始地形模型;
(二)评估剩余未分类点:满足如下两个条件,可添加到地面类别中,
(a)剩余未分类点到初始地形表面的距离不超过最大距离阈值;
(b)最近的地面点和初始地形表面之间的角度差以及最近的初始地面点和被评估点之间的角度差小于最大角度阈值;
其中,滤波窗口、最大距离阈值和最大角度阈值采取进取式策略逐步减小,以实现从大到小型植被的分步去除,乔灌草混合的复杂场景采取三次进取滤波得到地面点云;
其次,利用式(1)计算步骤1生成的三维密集点云的(ExG-ExR)指数,基于Otsu自动化分割(ExG-ExR)指数得到地面分类结果二值图,将其与进取滤波得到地面点云取交集得到步骤二所述的地面点云。
ExG-ExR=3*G-2.4*R-B (1)
4.根据权利要求1所述的一种基于无人机RGB相机的植被冠层高度快速提取方法,其特征在于,所述步骤4加权平均地面模型的具体获得方法包括:
(一)按行和列分别提取步骤3中规则网格化点云的所有剖面线;
(二)对每一条剖面线检测空洞区域的数量及长度,按照空洞长度自大到小排序;
(三)统计空洞长度最大区域的长度L,若其为偶数则加一,然后自左边界向左取3(L-1)/2个点,自右边界向右同样取3(L-1)/2个点,将3(L-1)加上空洞长度L分成左中右三段,左段取左数前3(L-1)/2个点做最小二乘二次拟合,并向右预测(L-1)/2个点,右侧取右数前3(L-1)/2个点做最小二乘二次拟合,并向左预测(L-1)/2个点,中间取(L-1)个点做最小二乘二次拟合,预测空洞长度L个点,左中右三段重合L个点;
(四)用y(i)(d1)、y(i+1)(d2),d1,d2=1,2,…,L分别表示第i段和第i+1段的拟合多项式,对左中和中右重叠区域用式(2)分别做加权平均,权重随着点到线段中心之间的距离线性减小,并在相邻部分的边界附近有效地消除任何跳跃或不连续性;
(五)使用步骤(四)中得到的空洞区域加权值替换掉空洞区域,并循环执行第(二)~(四)步直到消除所有空洞,得到按行和列提取的两个地形模型;
(六)对两个地形模型加权平均得到最后的地形模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110649212.2A CN113379919A (zh) | 2021-06-10 | 2021-06-10 | 一种基于无人机rgb相机的植被冠层高度快速提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110649212.2A CN113379919A (zh) | 2021-06-10 | 2021-06-10 | 一种基于无人机rgb相机的植被冠层高度快速提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113379919A true CN113379919A (zh) | 2021-09-10 |
Family
ID=77573743
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110649212.2A Pending CN113379919A (zh) | 2021-06-10 | 2021-06-10 | 一种基于无人机rgb相机的植被冠层高度快速提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113379919A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114000396A (zh) * | 2021-11-02 | 2022-02-01 | 西华大学 | 一种高速公路道路不平度自动化修复***及修复方法 |
CN114548277A (zh) * | 2022-02-22 | 2022-05-27 | 电子科技大学 | 基于点云数据的地面点拟合、作物高度提取的方法及*** |
CN117095134A (zh) * | 2023-10-18 | 2023-11-21 | 中科星图深海科技有限公司 | 一种三维海洋环境数据插值处理方法 |
-
2021
- 2021-06-10 CN CN202110649212.2A patent/CN113379919A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114000396A (zh) * | 2021-11-02 | 2022-02-01 | 西华大学 | 一种高速公路道路不平度自动化修复***及修复方法 |
CN114548277A (zh) * | 2022-02-22 | 2022-05-27 | 电子科技大学 | 基于点云数据的地面点拟合、作物高度提取的方法及*** |
CN114548277B (zh) * | 2022-02-22 | 2023-09-08 | 电子科技大学 | 基于点云数据的地面点拟合、作物高度提取的方法及*** |
CN117095134A (zh) * | 2023-10-18 | 2023-11-21 | 中科星图深海科技有限公司 | 一种三维海洋环境数据插值处理方法 |
CN117095134B (zh) * | 2023-10-18 | 2023-12-22 | 中科星图深海科技有限公司 | 一种三维海洋环境数据插值处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113379919A (zh) | 一种基于无人机rgb相机的植被冠层高度快速提取方法 | |
Gruszczyński et al. | Comparison of low-altitude UAV photogrammetry with terrestrial laser scanning as data-source methods for terrain covered in low vegetation | |
CN107016677A (zh) | 一种基于fcn和cnn的云图分割方法 | |
CN104463164B (zh) | 一种基于伞骨法与冠高比的树木冠层结构信息提取方法 | |
CN115564926B (zh) | 基于影像建筑物结构学习的三维面片模型构建方法 | |
KR101549155B1 (ko) | 라이다 자료를 활용한 구조물의 직선경계 추출방법 | |
CN111340723A (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 | |
CN110969654A (zh) | 基于收割机的玉米高通量表型测量的方法及装置、收割机 | |
CN109389553B (zh) | 基于t样条的气象传真图等值线插值方法 | |
CN116704333B (zh) | 一种基于激光点云数据的单株林木检测方法 | |
CN108802729B (zh) | 时间序列InSAR最佳干涉像对选择的方法及装置 | |
CA2684893A1 (en) | Geospatial modeling system providing data thinning of geospatial data points and related methods | |
Rashidi et al. | Ground filtering LiDAR data based on multi-scale analysis of height difference threshold | |
CN114119902A (zh) | 一种基于无人机倾斜三维模型的建筑物提取方法 | |
AU2010200144A1 (en) | Extraction processes | |
CN115761682A (zh) | 基于激光感知的可行驶区域的识别方法、装置、智能矿卡 | |
CN113409332B (zh) | 一种基于三维点云的建筑物平面分割方法 | |
CN111046884A (zh) | 一种多特征辅助分水岭算法的斜坡地质灾害提取方法 | |
CN107564024B (zh) | 基于单侧聚集线段的sar图像聚集区域提取方法 | |
CN116152512A (zh) | 基于建筑物阴影复原的高度测算方法 | |
CN111046783A (zh) | 一种改进分水岭算法的斜坡地质灾害边界提取方法 | |
CN114494586B (zh) | 晶格投影的深度学习网络阔叶树枝叶分离与骨架重建方法 | |
Yue et al. | A method for extracting street trees from mobile LiDAR point clouds | |
CN115661398A (zh) | 一种用于实景三维模型的建筑物提取方法、装置及设备 | |
Lin et al. | Segmentation-based ground points detection from mobile laser scanning point cloud |
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 |