CN113516771A - 一种基于实景三维模型的建筑物变化特征提取方法 - Google Patents
一种基于实景三维模型的建筑物变化特征提取方法 Download PDFInfo
- Publication number
- CN113516771A CN113516771A CN202110684111.9A CN202110684111A CN113516771A CN 113516771 A CN113516771 A CN 113516771A CN 202110684111 A CN202110684111 A CN 202110684111A CN 113516771 A CN113516771 A CN 113516771A
- Authority
- CN
- China
- Prior art keywords
- target building
- feature
- difference image
- dimensional model
- characteristic
- 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
- 230000008859 change Effects 0.000 title claims abstract description 62
- 238000000605 extraction Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims description 42
- 230000004927 fusion Effects 0.000 claims description 23
- 238000011156 evaluation Methods 0.000 claims description 21
- 230000000877 morphologic effect Effects 0.000 claims description 16
- 230000003595 spectral effect Effects 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 8
- 238000001228 spectrum Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
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
- G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于实景三维模型的建筑物变化特征提取方法。步骤1:建立目标建筑物的实景三维模型并更新;步骤2:根据预先设置的提取规则,提取实景三维模型中目标建筑物的初始变化特征;步骤3:增加细节特征,优化多特征差异图像,进而获得所述目标建筑物的最终变化特征,并输出。可以准确高效的对建筑物变化特征进行提取,避免人工提取的主观影响,省时省力。
Description
技术领域
本发明涉及建筑学技术领域,特别涉及一种基于实景三维模型的建筑物变化特征提取方法。
背景技术
目前,对于城市组成的重要部分之一的建筑物,国家的发展带动了城市化的快速进行,与此同时也带来了城区地貌信息的不断变化,只有对这些不断变化的建筑物信息有一个准确的了解才能对当地的地物信息有一个宏观的掌握。
传统针对像素的建筑物提取方法有着很大的弊端,同时光谱信息高度相似的非建筑物的干扰是很难处理的。因此,找到一种自动准确高效的建筑物提取方法拥有着重要的意义。
发明内容
本发明提供一种基于实景三维模型的建筑物变化特征提取方法,用以精准的获取目标建筑物的变化特征。
一种基于实景三维模型的建筑物变化特征提取方法:
步骤1:建立目标建筑物的实景三维模型并更新;
步骤2:根据预先设置的提取规则,提取实景三维模型中目标建筑物的初始变化特征;
步骤3:增加细节特征,优化多特征差异图像,进而获得所述目标建筑物的最终变化特征,并输出。
优选的,所述的一种基于实景三维模型的建筑物变化特征提取方法,步骤1:建立目标建筑物的实景三维模型并更新,包括:
步骤1.1:获取目标建筑物的位置资料,根据所述位置资料规划对所述目标建筑物的采集路径;
步骤1.2:根据所述采集路径,对所述目标建筑物进行拍摄,同时,获取拍摄过程中,不同拍摄点之间的位置关系,并获取对应拍摄点图像的像素特点;
步骤1.3:根据所述像素特点,对对应图像进行离散化,以获取所述目标建筑物的三维点云;
步骤1.4:根据不同拍摄点之间的位置关系,建立所述目标建筑物标准坐标系,将所述目标建筑物的三维点云***标准坐标系,建立所述目标建筑物的实景三维模型。
优选的,所述的一种基于实景三维模型的建筑物变化特征提取方法,步骤1:建立目标建筑物的实景三维模型并更新,包括:对所述目标建筑物的实景三维模型更新,其步骤包括:
获取所述目标建筑物的多个当前图像,对所述当前图像进行第一阶段训练,得到多个第一训练图像;
将所述第一训练图像按第一方式进行分割获得第一数据,对第一数据进行第一预处理获得第一像素信息,并按第二方式进行分割获得第二数据,对第二数据进行第二预处理获得第二像素信息;
将所述第一像素信息与所述第二像素信息进行加权平均,得到第三像素信息;
当所述第三像素信息达到预设标准,确定所述第一训练图像合格,并储存进影像信息库;
否则,对所述第一训练图像进行第二阶段训练获得第二训练图像,对影像信息库中的重复图像进行剔除,根据所述影像信息库中的剩余图像以及第二训练图像建立临时实景三维模型;
将所述临时实景三维模型放入标准坐标系中与所述实景三维模型进行比较,获取差异数据集;
对所述差异数据集进行目标差异分类,并根据分类结果获得同一目标的短数据集,对所述短数据集进行特征提取,获得所述目标建筑物目标位置的形态差异;
根据所述目标位置的形态差异,对所述实景三维模型进行更新。
优选的,所述的一种基于实景三维模型的建筑物变化特征提取方法,步骤2:根据预先设置的提取规则,提取实景三维模型中目标建筑物的初始变化特征,包括:
步骤2.1:建立三维模型数据库,并将所述目标建筑物的标准实景三维模型存储到所述三维模型数据库;
步骤2.2:获取所述目标建筑物的当前实景三维模型,将所述当前实景三维模型划分为N个小窗口,并获取每个小窗口的灰度共生矩阵,得到对应小窗口的纹理特征值,根据所有纹理特征值构成纹理特征矩阵,得到所述目标建筑物的第一特征;
步骤2.3:根据当前实景三维模型的三维点云,获取所述目标建筑物的各个顶点,生成顶点图,得到所述目标建筑物的第二特征;
步骤2.4:根据所述目标建筑物的标准实景三维模型,获取所述目标建筑物的标准第一特征和标准第二特征;
步骤2.5:根据所述第一特征与标准第一特征、第二特征与标准第二特征之间的差异,得到所述目标建筑物的初始变化特征。
优选的,所述的一种基于实景三维模型的建筑物变化特征提取方法,步骤3:增加细节特征,优化多特征差异图像,进而获得所述目标建筑物的最终变化特征,并输出,包括:
步骤3.1:基于第一特征将所述目标建筑物进行区域划分,得到不同的区域对象,获取所述区域对象的彩色点云,获取色彩信息;
根据所述色彩信息,确定所述区域对象内各个点云的光谱信息,建立区域对象光谱矩阵,并获取所述光谱矩阵的特征值;
基于所述特征值,得到所述目标建筑物的光谱特征,作为第三特征;
步骤3.2:获取第二特征,基于所述目标建筑物的形态学信息对第二特征信息进行处理,获取所述目标建筑物的第四特征;
步骤3.3:获取细节特征:第三特征以及第四特征,分别与对应的标准值进行比较,得到特征差异,基于所述特征差异优化由初始变化特征构建成的多特征差异图像,得到所述目标建筑物的最终变化特征。
优选的,所述的一种基于实景三维模型的建筑物变化特征提取方法,步骤1.1:获取目标建筑物的位置资料,根据所述位置资料规划所述目标建筑物图像采集路径,包括:
步骤1.1.1:获取目标建筑物的位置资料,根据所述位置资料,确定所述目标建筑物的建设范围;
步骤1.1.2:基于所述目标建筑物的建设范围,推测采集所述目标建筑物图像需要经过的特征路标,获得初始路径,并计算各个特征路标之间的关联性,确定采集所述目标建筑物的图像的最佳路径;
获取初始路径上各个特征路标的权重值,并利用公式(1)计算相邻特征路标的关联度;
其中,ξ表示所述相邻特征路标的关联度,pj表示当前特征路标j的权重值,j≥2;pj-1表示上一特征路标j-1的权重值;pj+1表示下一特征路标j+1的权重值;n表示所述当前特征路标在各个方向上可能的总路径数,n≥1;
当所述相邻特征路标的关联度ξ在预测范围内时,保留所述当前特征路标j,并继续对下一特征路标j+1进行相邻节点的关联度计算;
组合单元,用于根据所有保留的特征路标进行组合,构建所述目标建筑物图像采集的最佳路径,并输出显示。
优选的,所述的一种基于实景三维模型的建筑物变化特征提取方法,步骤3.3:获取细节特征:第三特征以及第四特征,分别与对应的标准值进行比较,得到特征差异,基于所述特征差异优化由初始变化特征构建成的多特征差异图像,得到所述目标建筑物的最终变化特征,包括:
步骤3.3.1:获取未优化前的多特征差异图像,根据不同的融合规则,对所述多特征差异图像进行融合优化,获取多个初始多特征差异图像;
步骤3.3.2:基于图像评价指标对所述初始多特征差异图像进行第一评价,获取所述初始多特征差异图像与标准多特征差异图像之间的第一差异;
若所述第一差异在预设差异范围内,表明所述初始多特征差异图像符合基本要求,并进行第二评价;
否则,表明所述初始多特征差异图像不符合基本要求,放弃所述初始多特征差异图像对应的融合规则,并根据所述第一差异以及图像评价指标对所述融合规则对应的各个特征占比进行调整产生新的融合规则;
步骤3.3.3:基于标准多特征差异图像,获得所述符合基本要求的初始多特征差异图像的第二评价,评估所述目标建筑物形态损失程度,并得到形态损失率;
步骤3.3.4:根据形态损失率,判断所述初始多特征差异图像的损失率是否大于预设阈值,若所述损失率大于预设阈值,判定所述初始多特征差异图像不合格,进行移除;
否则,判定所述初始多特征差异图像合格,选取损失率最小的初始多特征差异图像作为最终多特征差异图像,并将合格的全部所述初始多特征差异图像进行短暂存储;
步骤3.3.5:当用户需要对当前多特征差异图像进行选择时,获取全部合格的初始多特征差异图像,用户根据自身需求在所述的合格的初始多特征差异图像进行选择;
获取用户选择结果,分析用户需求,并根据所述用户需求对优先推荐初始多特征差异图像的标准进行更新。
优选的,所述的一种基于实景三维模型的建筑物变化特征提取方法,包括:对多特征差异图像进行去噪,包括:
步骤4.1:获取优化后的多特征差异图像,并获取优化的多特征差异图像的噪声信号方差;
步骤4.2:基于双数复波信号对所述优化的多特征差异图像进行去噪,根据公式(2)计算所述优化的多特征差异图像不带噪声的信号波系数的预估值:
其中,δ2表示所述优化的多特征差异图像不带噪声的信号波系数的预估值;M表示所述优化的多特征差异图像带噪声下像素领域N中像素的数量;C表示当前时刻所述优化的多特征差异图像带有噪音的信号波系数;表示所述优化的多特征差异图像的噪声信号方差;
根据多特征差异图像不带噪声的信号波系数的预估值,建立去噪模型:
其中,H表示所述多特征差异图像的去噪模型;A表示所述多特征差异图像不带噪音的信号波系数;C表示所述多特征差异图像带有噪音的信号波系数;表示C=A+B,B表示所述多特征差异图像噪音信号波系数;λ表示正则化数;inf{}表示取下确界函数;Ω表示积分范围,该积分范围根据噪声信号的大小确定;表示梯度算子;
步骤4.3:根据所述去噪模型对所述多特征差异图像进行去噪处理,当所述多特征差异影响的清晰度达到预设要求,判断完成所述多特征差异影的去噪处理;
否则,调整正则化数,对所述多特征差异图像进行再次去噪处理。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种基于实景三维模型的建筑物变化特征提取方法的流程图;
图2为本发明实施例中一种基于实景三维模型的建筑物变化特征提取方法的步骤1的流程图;
图3为本发明实施例中一种基于实景三维模型的建筑物变化特征提取方法的步骤2的流程图;
图4为本发明实施例中一种基于实景三维模型的建筑物变化特征提取方法的步骤3的流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
实施例1:
本发明提供一种基于实景三维模型的建筑物变化特征提取方法,如图1所示,包括:
步骤1:建立目标建筑物的实景三维模型并更新;
步骤2:根据预先设置的提取规则,提取实景三维模型中目标建筑物的初始变化特征;
步骤3:增加细节特征,优化多特征差异图像,进而获得所述目标建筑物的最终变化特征,并输出。
本实施例中,预先设置的提取规则是指提取目标建筑物的建筑特征,其特征,比如是包括墙体长、宽、高、形状、颜色等任一在内的。
本实施例中,初始变化特征是指由第一特征与标准第一特征、第二特征与标准第二特征之间的差异,且多特征差异图像是由初始变化特征得到的,进而得到目标建筑物的变化特征;最终变化特征是指根据第三特征和第四特征与标准值之间的差异对初始特征进行调节优化后的图像,得到目标建筑物的变化特征;第一特征是指目标建筑物的纹理特征;第二特征是指目标建筑物的形态特性第三特征是指目标建筑物的光谱特征;第四特征是指目标建筑物的形态学建筑物指数特征。
本实施例中,细节特征是指目标建筑物的光谱特征和形态学建筑物指数特征。
本实施例中,多特征差异图像是指根据获得的实景三维模型的多个特征,将这些特征融合构建的图像。
上述技术方案的有益效果是:本发明通过建立实景三维模型对目标建筑物精准的捕捉目标建筑物的特征,并根据预先设置的提取规则,提取实景三维模型中目标建筑物的初始变化特征,根据分类结果增加细节特征,优化多特征差异影像,进而获得所述目标建筑物的最终变化特征,并输出。精准高效地获取目标建筑内物的变化特征。
实施例2:
基于实施例1的基础上,步骤1:建立目标建筑物的实景三维模型并更新,如图2所示,包括:
步骤1.1:获取目标建筑物的位置资料,根据所述位置资料规划对所述目标建筑物的采集路径;
步骤1.2:根据所述采集路径,对所述目标建筑物进行拍摄,同时,获取拍摄过程中,不同拍摄点之间的位置关系,并获取对应拍摄点图像的像素特点;
步骤1.3:根据所述像素特点,对对应图像进行离散化,以获取所述目标建筑物的三维点云;
步骤1.4:根据不同拍摄点之间的位置关系,建立所述目标建筑物标准坐标系,将所述目标建筑物的三维点云***标准坐标系,建立所述目标建筑物的实景三维模型。
本实施例中,采集路径是指采集设备(例如,无人机)的移动路径,且采集路径上包括多个拍摄点在内,便于获取不同位置的建筑物的图像,保证采集的全面性。
本实施例中,像素特点是指像素的灰度变化。
本实施例中,标准坐标系是指根据目标建筑物的建筑特点构建的坐标系,目的是便于对不同时期实景三维模型进行比较。
上述技术方案的有益效果是:获取目标建筑物的位置资料,根据位置资料规划对目标建筑物的采集路径,避免采集范围不规范造成的图像采集不全面问题,对采集影像进行处理并在标准坐标系中建立实景三维模型,便于对不同时期实景三维模型进行比较,粗略的观察建筑物的变化。
实施例3:
基于实施例1的基础上,步骤1:建立目标建筑物的实景三维模型并更新,包括:对所述目标建筑物的实景三维模型更新,其步骤包括:
获取所述目标建筑物的多个当前图像,对所述当前图像进行第一阶段训练,得到多个第一训练图像;
将所述第一训练图像按第一方式进行分割获得第一数据,对第一数据进行第一预处理获得第一像素信息,并按第二方式进行分割获得第二数据,对第二数据进行第二预处理获得第二像素信息;
将所述第一像素信息与所述第二像素信息进行加权平均,得到第三像素信息;
当所述第三像素信息达到预设标准,确定所述第一训练图像合格,并储存进影像信息库;
否则,对所述第一训练图像进行第二阶段训练获得第二训练图像,对影像信息库中的重复图像进行剔除,根据所述影像信息库中的剩余图像以及第二训练图像建立临时实景三维模型;
将所述临时实景三维模型放入标准坐标系中与所述实景三维模型进行比较,获取差异数据集;
对所述差异数据集进行目标差异分类,并根据分类结果获得同一目标的短数据集,对所述短数据集进行特征提取,获得所述目标建筑物目标位置的形态差异;
根据所述目标位置的形态差异,对所述实景三维模型进行更新。
本实施例中,第一阶段训练是指将采集设备采集到的图像进行训练;第二阶段训练是指对经过第一阶段训练的图像进行训练。
本实施例中,第一训练图像是指经过第一阶段训练的采集设备采集到的图像;第二训练图像是指第二阶段训练的第一训练图像;当前图像、第一训练图像、第二训练图像都是多张。
本实施例中,第一方式是确定图像的自适应阈值,将根据图像的局部特征分别采用不同的阈值对图像进行分割;第二方式是指利用边缘检测,检测灰度级或者结构具有突变的地方,从而进行图像区域划分,根据区域划分对图像进行;
本实施例中,第一像素信息是指根据阈值分割得到多个图像块的像素;第二像素信息是指经过区域分割得到的多个图像块的像素。
本实施例中,影像信息库用于存储第一训练图像以及初次建立实景三维模型使用的图像。
本实施例中,差异数据集是指临时实景三维模型放入标准坐标系中与所述实景三维模型进行对比得到的不同位置的差异值组成的集合。
本实施例中,分类结果是指将差异数据集中的数据根据对应的目标建筑物的位置进行分类得到的结果。
本实施例中,短数据集是指根据分类结果,分类对应目标建筑物相同位置的数据组成的集合。
本实施例中,目标位置是指短数据集对应的目标建筑物上的位置。
上述技术方案的有益效果是:本发明对当前图像进行第一训练得到符合要求的第一训练图像,并存储进影像信息库对影像信息库中的重复图像进行剔除,根据影像信息库中的剩余图像以及第二训练图像建立临时实景三维模型,根据临时实景三维模型与实景三维模型进行比较,获取差异数据集。
对差异数据集进行目标差异分类,并分类结果获得同一目标的短数据集,对短数据集进行特征提取,获得目标建筑物目标位置的形态差异;根据目标位置的形态差异,对实景三维模型进行更新。精准的寻找实景三维模型与当前临时三维模型差异,并在目标建筑物上找到准确位置,根据位置对实景三维模型进行精准更新,以便下一次检测时获得准确的变化特征。
实施例4:
基于实施例1的基础上,步骤2:根据预先设置的提取规则,提取实景三维模型中目标建筑物的初始变化特征,如图3所示,包括:
步骤2.1:建立三维模型数据库,并将所述目标建筑物的标准实景三维模型存储到所述三维模型数据库;
步骤2.2:获取所述目标建筑物的当前实景三维模型,将所述当前实景三维模型划分为N个小窗口,并获取每个小窗口的灰度共生矩阵,得到对应小窗口的纹理特征值,根据所有纹理特征值构成纹理特征矩阵,得到所述目标建筑物的第一特征;
步骤2.3:根据当前实景三维模型的三维点云,获取所述目标建筑物的各个顶点,生成顶点图,得到所述目标建筑物的第二特征;
步骤2.4:根据所述目标建筑物的标准实景三维模型,获取所述目标建筑物的标准第一特征和标准第二特征;
步骤2.5:根据所述第一特征与标准第一特征、第二特征与标准第二特征之间的差异,得到所述目标建筑物的初始变化特征。
本实施例中,三维模型数据库是指存储由于模型更新以及更新之前不同版本的实景三维模型,包括标准实景三维模型。
本实施例中,第一特征是指目标建筑物的纹理特征;第二特征是指目标建筑物的形态特性。
上述技术方案的有益效果是:本发明通过获取目标建筑物的当前实景三维模的第一特征以及第二特征,根据所述第一特征与标准第一特征、第二特征与标准第二特征之间的差异,得到所述目标建筑物的初始变化特征。对目标建筑物的变化特征有了初步分析,可用于对目标建筑物的变化方向进行推测。
实施例5:
基于实施例1的基础上,步骤3:增加细节特征,优化多特征差异图像,进而获得所述目标建筑物的最终变化特征,并输出,如图4所示,包括:
步骤3.1:基于第一特征将所述目标建筑物进行区域划分,得到不同的区域对象,获取所述区域对象的彩色点云,获取色彩信息;
根据所述色彩信息,确定所述区域对象内各个点云的光谱信息,建立区域对象光谱矩阵,并获取所述光谱矩阵的特征值;
基于所述特征值,得到所述目标建筑物的光谱特征,作为第三特征;
步骤3.2:获取第二特征,基于所述目标建筑物的形态学信息对第二特征信息进行处理,获取所述目标建筑物的第四特征;
步骤3.3:获取细节特征:第三特征以及第四特征,分别与对应的标准值进行比较,得到特征差异,基于所述特征差异优化由初始变化特征构建成的多特征差异图像,得到所述目标建筑物的最终变化特征。
本实施例中,色彩信息是指彩色点云的色彩饱和度、色彩表现情况。
本实施例中,光谱信息是指根据色彩信息确定的点云的反射光谱;光谱矩阵是指相同区域内的点云反射光谱组成的矩阵。
本实施例中,第三特征是指目标建筑物的光谱特征;第四特征是指目标建筑物的形态学建筑物指数特征。
上述技术方案的有益效果是:本发明对第一特征进行处理得到第三特征,对第二特征进行处理得到第四特征,并将获取所述第三特征以及第四特征对应的标准值,并分别计算第三特征和第四特征与对应标准值之间的差异,同时,基于差异优化多特征差异图像,得到所述目标建筑物的最终变化特征,弥补由于第一特征和第二特征融合导致的图像信息不全面的问题。
实施例6:
基于实施例2的基础上,步骤1.1:获取目标建筑物的位置资料,根据所述位置资料规划所述目标建筑物图像采集路径,包括:
步骤1.1.1:获取目标建筑物的位置资料,根据所述位置资料,确定所述目标建筑物的建设范围;
步骤1.1.2:基于所述目标建筑物的建设范围,推测采集所述目标建筑物图像需要经过的特征路标,获得初始路径,并计算各个特征路标之间的关联性,确定采集所述目标建筑物的图像的最佳路径;
获取初始路径上各个特征路标的权重值,并利用公式(1)计算相邻特征路标的关联度;
其中,ξ表示所述相邻特征路标的关联度,pj表示当前特征路标j的权重值,j≥2;pj-1表示上一特征路标j-1的权重值;pj+1表示下一特征路标j+1的权重值;n表示所述当前特征路标在各个方向上可能的总路径数,n≥1;
当所述相邻特征路标的关联度ξ在预测范围内时,保留所述当前特征路标j,并继续对下一特征路标j+1进行相邻节点的关联度计算;
组合单元,用于根据所有保留的特征路标进行组合,构建所述目标建筑物图像采集的最佳路径,并输出显示。
本实施例中,特征路标是指图像采集移动路径中的标志性物体。
本实施例中,初始路径是指根据目标建筑物的建设范围初步划分的图像采集移动路径;最佳路径是指保留的特征路标进行组合得到的图像采集移动路径。
本实施例中,权重值是指图像采集的移动路径中标志性物体的重要程度,用概率值表示。
上述技术方案的有益效果是:本发明通过目标建筑物的位置资料,根据位置资料,确定目标建筑物的建设范围,基于目标建筑物的建设范围,推测采集目标建筑物图像需要经过的特征路标,获得初始路径,并计算各个特征路标之间的关联性,确定采集目标建筑物的图像的最佳路径,剔除不重要路标,获得最佳采集路径,大大减少了图像采集时间,同时,也避免了由于采集范围不清楚导致的图像采集不全面的问题。
实施例7:
基于实施例5的基础上,步骤3.3:步骤3.3:获取细节特征:第三特征以及第四特征,分别与对应的标准值进行比较,得到特征差异,基于所述特征差异优化由初始变化特征构建成的多特征差异图像,得到所述目标建筑物的最终变化特征,包括:
步骤3.3.1:获取未优化前的多特征差异图像,根据不同的融合规则,对所述多特征差异图像进行融合优化,获取多个初始多特征差异图像;
步骤3.3.2:基于图像评价指标对所述初始多特征差异图像进行第一评价,获取所述初始多特征差异图像与标准多特征差异图像之间的第一差异;
若所述第一差异在预设差异范围内,表明所述初始多特征差异图像符合基本要求,并进行第二评价;
否则,表明所述初始多特征差异图像不符合基本要求,放弃所述初始多特征差异图像对应的融合规则,并根据所述第一差异以及图像评价指标对所述融合规则对应的各个特征占比进行调整产生新的融合规则;
步骤3.3.3:基于标准多特征差异图像,获得所述符合基本要求的初始多特征差异图像的第二评价,评估所述目标建筑物形态损失程度,并得到形态损失率;
步骤3.3.4:根据形态损失率,判断所述初始多特征差异图像的损失率是否大于预设阈值,若所述损失率大于预设阈值,判定所述初始多特征差异图像不合格,进行移除;
否则,判定所述初始多特征差异图像合格,选取损失率最小的初始多特征差异图像作为最终多特征差异图像,并将合格的全部所述初始多特征差异图像进行短暂存储;
步骤3.3.5:当用户需要对当前多特征差异图像进行选择时,获取全部合格的初始多特征差异图像,用户根据自身需求在所述的合格的初始多特征差异图像进行选择;
获取用户选择结果,分析用户需求,并根据所述用户需求对优先推荐初始多特征差异图像的标准进行更新。
本实施例中,未优化前的多特征差异图像是指没有加入第三特征和第四特征的多特征差异图像。
本实施例中,融合规则是指各个特征占比不同进行图像融合的规则。
本实施例中,初始多特征差异图像是指根据不同融合规则进行融合得到的多特征差异图像。
本实施例中,图像评价指标包括色彩、清晰度、噪点等。
本实施例中,第一评价是指对始多特征差异图像图像评价指标进行评价;第一差异是指初始多特征差异图像与标准多特征差异图像之间关于图像评价指标的差异。
本实施例中,第二评价是根据初始多特征差异图像描述的建筑物形态与目标建筑物本身的形态差异进行评价;形态损失率是指初始多特征差异图像相对于目标建筑物本身的形态改变情况。
本实施例中,优先推荐初始多特征差异图像是指根据用户需求为用户预先筛选出来的初始多特征差异图像,其标准是根据用户需求确定的。
上述技术方案的有益效果是:本发明根据不同的融合规则,对多特征差异图像进行融合优化,获取多个初始多特征差异图像,并对初始多特征差异图像进行评价,根据评价结果选择最优结果,从而筛选出最优的融合规则。另外,用户可以根据自身需求选择融合规则,实现了人机交互,同时,分析用户需求,并根据所述需求对所述优先推荐初始多特征差异图像的标准进行更新。
实施例8:
基于实施例4的基础上,还包括:对多特征差异图像进行去噪,包括:
步骤4.1:获取优化后的多特征差异图像,并获取优化的多特征差异图像的噪声信号方差;
步骤4.2:基于双数复波信号对所述优化的多特征差异图像进行去噪,根据公式(2)计算所述优化的多特征差异图像不带噪声的信号波系数的预估值:
其中,δ2表示所述优化的多特征差异图像不带噪声的信号波系数的预估值;M表示所述优化的多特征差异图像带噪声下像素领域N中像素的数量;C表示当前时刻所述优化的多特征差异图像带有噪音的信号波系数;表示所述优化的多特征差异图像的噪声信号方差;
根据多特征差异图像不带噪声的信号波系数的预估值,建立去噪模型:
其中,H表示所述多特征差异图像的去噪模型;A表示所述多特征差异图像不带噪音的信号波系数;C表示所述多特征差异图像带有噪音的信号波系数;表示C=A+B,B表示所述多特征差异图像噪音信号波系数;λ表示正则化数;inf{}表示取下确界函数;Ω表示积分范围,该积分范围根据噪声信号的大小确定;表示梯度算子;
步骤4.3:根据所述去噪模型对所述多特征差异图像进行去噪处理,当所述多特征差异影响的清晰度达到预设要求,判断完成所述多特征差异影的去噪处理;
否则,调整正则化数,对所述多特征差异图像进行再次去噪处理。
上述技术方案的有益效果是:本发明获取优化后的多特征差异图像,并获取所述多特征差异图像的噪声信号方差,基于双数复波信号对所述多特征差异图像进行去噪,并建立去噪模型,避免了噪音造成的多特征差异图像失真,导致建筑物变化特征提取错误。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种基于实景三维模型的建筑物变化特征提取方法,其特征在于:
步骤1:建立目标建筑物的实景三维模型并更新;
步骤2:根据预先设置的提取规则,提取实景三维模型中目标建筑物的初始变化特征;
步骤3:增加细节特征,优化多特征差异图像,进而获得所述目标建筑物的最终变化特征,并输出。
2.根据权利要求1所述的一种基于实景三维模型的建筑物变化特征提取方法,其特征在于:步骤1:建立目标建筑物的实景三维模型并更新,包括:
步骤1.1:获取目标建筑物的位置资料,根据所述位置资料规划对所述目标建筑物的采集路径;
步骤1.2:根据所述采集路径,对所述目标建筑物进行拍摄,同时,获取拍摄过程中,不同拍摄点之间的位置关系,并获取对应拍摄点图像的像素特点;
步骤1.3:根据所述像素特点,对对应图像进行离散化,以获取所述目标建筑物的三维点云;
步骤1.4:根据不同拍摄点之间的位置关系,建立所述目标建筑物标准坐标系,将所述目标建筑物的三维点云***标准坐标系,建立所述目标建筑物的实景三维模型。
3.根据权利要求1所述的一种基于实景三维模型的建筑物变化特征提取方法,其特征在于:步骤1:建立目标建筑物的实景三维模型并更新,包括:对所述目标建筑物的实景三维模型更新,其步骤包括:
获取所述目标建筑物的多个当前图像,对所述当前图像进行第一阶段训练,得到多个第一训练图像;
将所述第一训练图像按第一方式进行分割获得第一数据,对第一数据进行第一预处理获得第一像素信息,并按第二方式进行分割获得第二数据,对第二数据进行第二预处理获得第二像素信息;
将所述第一像素信息与所述第二像素信息进行加权平均,得到第三像素信息;
当所述第三像素信息达到预设标准,确定所述第一训练图像合格,并储存进影像信息库;
否则,对所述第一训练图像进行第二阶段训练获得第二训练图像,对影像信息库中的重复图像进行剔除,根据所述影像信息库中的剩余图像以及第二训练图像建立临时实景三维模型;
将所述临时实景三维模型放入标准坐标系中与所述实景三维模型进行比较,获取差异数据集;
对所述差异数据集进行目标差异分类,并根据分类结果获得同一目标的短数据集,对所述短数据集进行特征提取,获得所述目标建筑物目标位置的形态差异;
根据所述目标位置的形态差异,对所述实景三维模型进行更新。
4.根据权利要求1所述的一种基于实景三维模型的建筑物变化特征提取方法,其特征在于:步骤2:根据预先设置的提取规则,提取实景三维模型中目标建筑物的初始变化特征,包括:
步骤2.1:建立三维模型数据库,并将所述目标建筑物的标准实景三维模型存储到所述三维模型数据库;
步骤2.2:获取所述目标建筑物的当前实景三维模型,将所述当前实景三维模型划分为N个小窗口,并获取每个小窗口的灰度共生矩阵,得到对应小窗口的纹理特征值,根据所有纹理特征值构成纹理特征矩阵,得到所述目标建筑物的第一特征;
步骤2.3:根据当前实景三维模型的三维点云,获取所述目标建筑物的各个顶点,生成顶点图,得到所述目标建筑物的第二特征;
步骤2.4:根据所述目标建筑物的标准实景三维模型,获取所述目标建筑物的标准第一特征和标准第二特征;
步骤2.5:根据所述第一特征与标准第一特征、第二特征与标准第二特征之间的差异,得到所述目标建筑物的初始变化特征。
5.根据权利要求1所述的一种基于实景三维模型的建筑物变化特征提取方法,其特征在于:步骤3:增加细节特征,优化多特征差异图像,进而获得所述目标建筑物的最终变化特征,并输出,包括:
步骤3.1:基于第一特征将所述目标建筑物进行区域划分,得到不同的区域对象,获取所述区域对象的彩色点云,获取色彩信息;
根据所述色彩信息,确定所述区域对象内各个点云的光谱信息,建立区域对象光谱矩阵,并获取所述光谱矩阵的特征值;
基于所述特征值,得到所述目标建筑物的光谱特征,作为第三特征;
步骤3.2:获取第二特征,基于所述目标建筑物的形态学信息对第二特征信息进行处理,获取所述目标建筑物的第四特征;
步骤3.3:获取细节特征:第三特征以及第四特征,分别与对应的标准值进行比较,得到特征差异,基于所述特征差异优化由初始变化特征构建成的多特征差异图像,得到所述目标建筑物的最终变化特征。
6.根据权利要求2所述的一种基于实景三维模型的建筑物变化特征提取方法,其特征在于:步骤1.1:获取目标建筑物的位置资料,根据所述位置资料规划所述目标建筑物图像采集路径,包括:
步骤1.1.1:获取目标建筑物的位置资料,根据所述位置资料,确定所述目标建筑物的建设范围;
步骤1.1.2:基于所述目标建筑物的建设范围,推测采集所述目标建筑物图像需要经过的特征路标,获得初始路径,并计算各个特征路标之间的关联性,确定采集所述目标建筑物的图像的最佳路径;
获取初始路径上各个特征路标的权重值,并利用公式(1)计算相邻特征路标的关联度;
其中,ξ表示所述相邻特征路标的关联度,pj表示当前特征路标j的权重值,j≥2;pj-1表示上一特征路标j-1的权重值;pj+1表示下一特征路标j+1的权重值;n表示所述当前特征路标在各个方向上可能的总路径数,n≥1;
当所述相邻特征路标的关联度ξ在预测范围内时,保留所述当前特征路标j,并继续对下一特征路标j+1进行相邻节点的关联度计算;
组合单元,用于根据所有保留的特征路标进行组合,构建所述目标建筑物图像采集的最佳路径,并输出显示。
7.根据权利要求5所述的一种基于实景三维模型的建筑物变化特征提取方法,其特征在于:步骤3.3:获取细节特征:第三特征以及第四特征,分别与对应的标准值进行比较,得到特征差异,基于所述特征差异优化由初始变化特征构建成的多特征差异图像,得到所述目标建筑物的最终变化特征,包括:
步骤3.3.1:获取未优化前的多特征差异图像,根据不同的融合规则,对所述多特征差异图像进行融合优化,获取多个初始多特征差异图像;
步骤3.3.2:基于图像评价指标对所述初始多特征差异图像进行第一评价,获取所述初始多特征差异图像与标准多特征差异图像之间的第一差异;
若所述第一差异在预设差异范围内,表明所述初始多特征差异图像符合基本要求,并进行第二评价;
否则,表明所述初始多特征差异图像不符合基本要求,放弃所述初始多特征差异图像对应的融合规则,并根据所述第一差异以及图像评价指标对所述融合规则对应的各个特征占比进行调整产生新的融合规则;
步骤3.3.3:基于标准多特征差异图像,获得所述符合基本要求的初始多特征差异图像的第二评价,评估所述目标建筑物形态损失程度,并得到形态损失率;
步骤3.3.4:根据形态损失率,判断所述初始多特征差异图像的损失率是否大于预设阈值,若所述损失率大于预设阈值,判定所述初始多特征差异图像不合格,进行移除;
否则,判定所述初始多特征差异图像合格,选取损失率最小的初始多特征差异图像作为最终多特征差异图像,并将合格的全部所述初始多特征差异图像进行短暂存储;
步骤3.3.5:当用户需要对当前多特征差异图像进行选择时,获取全部合格的初始多特征差异图像,用户根据自身需求在所述的合格的初始多特征差异图像进行选择;
获取用户选择结果,分析用户需求,并根据所述用户需求对优先推荐初始多特征差异图像的标准进行更新。
8.根据权利要求4所述的一种基于实景三维模型的建筑物变化特征提取方法,其特征在于:包括:对多特征差异图像进行去噪,包括:
步骤4.1:获取优化后的多特征差异图像,并获取优化的多特征差异图像的噪声信号方差;
步骤4.2:基于双数复波信号对所述优化的多特征差异图像进行去噪,根据公式(2)计算所述优化的多特征差异图像不带噪声的信号波系数的预估值:
其中,δ2表示所述优化的多特征差异图像不带噪声的信号波系数的预估值;M表示所述优化的多特征差异图像带噪声下像素领域N中像素的数量;C表示当前时刻所述优化的多特征差异图像带有噪音的信号波系数;表示所述优化的多特征差异图像的噪声信号方差;
根据多特征差异图像不带噪声的信号波系数的预估值,建立去噪模型:
其中,H表示所述多特征差异图像的去噪模型;A表示所述多特征差异图像不带噪音的信号波系数;C表示所述多特征差异图像带有噪音的信号波系数;w表示C=A+B,B表示所述多特征差异图像噪音信号波系数;λ表示正则化数;inf{}表示取下确界函数;Ω表示积分范围,该积分范围根据噪声信号的大小确定;表示梯度算子;
步骤4.3:根据所述去噪模型对所述多特征差异图像进行去噪处理,当所述多特征差异影响的清晰度达到预设要求,判断完成所述多特征差异影的去噪处理;
否则,调整正则化数,对所述多特征差异图像进行再次去噪处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110684111.9A CN113516771A (zh) | 2021-06-21 | 2021-06-21 | 一种基于实景三维模型的建筑物变化特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110684111.9A CN113516771A (zh) | 2021-06-21 | 2021-06-21 | 一种基于实景三维模型的建筑物变化特征提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113516771A true CN113516771A (zh) | 2021-10-19 |
Family
ID=78066049
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110684111.9A Pending CN113516771A (zh) | 2021-06-21 | 2021-06-21 | 一种基于实景三维模型的建筑物变化特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113516771A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114896679A (zh) * | 2022-07-13 | 2022-08-12 | 深圳大学 | 一种建筑物的三维模型优化方法、智能终端及存储介质 |
CN115311574A (zh) * | 2022-10-12 | 2022-11-08 | 山东乾元泽孚科技股份有限公司 | 一种建筑物监测方法、设备及介质 |
CN116189367A (zh) * | 2022-12-09 | 2023-05-30 | 嘉应学院 | 一种基于物联网的建筑火灾报警*** |
-
2021
- 2021-06-21 CN CN202110684111.9A patent/CN113516771A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114896679A (zh) * | 2022-07-13 | 2022-08-12 | 深圳大学 | 一种建筑物的三维模型优化方法、智能终端及存储介质 |
CN114896679B (zh) * | 2022-07-13 | 2022-10-04 | 深圳大学 | 一种建筑物的三维模型优化方法、智能终端及存储介质 |
CN115311574A (zh) * | 2022-10-12 | 2022-11-08 | 山东乾元泽孚科技股份有限公司 | 一种建筑物监测方法、设备及介质 |
CN115311574B (zh) * | 2022-10-12 | 2023-02-07 | 山东乾元泽孚科技股份有限公司 | 一种建筑物监测方法、设备及介质 |
CN116189367A (zh) * | 2022-12-09 | 2023-05-30 | 嘉应学院 | 一种基于物联网的建筑火灾报警*** |
CN116189367B (zh) * | 2022-12-09 | 2023-09-26 | 嘉应学院 | 一种基于物联网的建筑火灾报警*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109147254B (zh) | 一种基于卷积神经网络的视频野外火灾烟雾实时检测方法 | |
CN113516771A (zh) | 一种基于实景三维模型的建筑物变化特征提取方法 | |
CN109598794B (zh) | 三维gis动态模型的构建方法 | |
CN110163213B (zh) | 基于视差图和多尺度深度网络模型的遥感图像分割方法 | |
CN111563442A (zh) | 基于激光雷达的点云和相机图像数据融合的slam方法及*** | |
CN110599537A (zh) | 基于Mask R-CNN的无人机图像建筑物面积计算方法及*** | |
CN109410171B (zh) | 一种用于雨天图像的目标显著性检测方法 | |
CN109767422A (zh) | 基于深度学习的管道检测识别方法、存储介质及机器人 | |
CN111832489A (zh) | 一种基于目标检测的地铁人群密度估计方法及*** | |
CN107705321A (zh) | 基于嵌入式***的运动目标检测与跟踪方法 | |
CN112396619B (zh) | 一种基于语义分割的内部复杂组成的小型颗粒分割方法 | |
CN111462027B (zh) | 基于多尺度梯度和抠图的多聚焦图像融合方法 | |
CN113177456B (zh) | 基于单阶段全卷积网络和多特征融合的遥感目标检测方法 | |
CN106056139A (zh) | 一种基于图像分割的森林火灾烟雾检测方法 | |
CN101980317A (zh) | 基于改进c-v模型的遥感图路网提取的交通流量预测方法 | |
CN111126278A (zh) | 针对少类别场景的目标检测模型优化与加速的方法 | |
CN114677323A (zh) | 一种室内动态场景下基于目标检测的语义视觉slam定位方法 | |
CN113569724B (zh) | 基于注意力机制和扩张卷积的道路提取方法及*** | |
CN113111722A (zh) | 基于改进Mask R-CNN的自动驾驶目标识别方法 | |
CN113327255A (zh) | 基于YOLOv3检测定位裁剪及fine-tune的输电线路巡检图像处理方法 | |
CN111274964B (zh) | 一种基于无人机视觉显著性分析水面污染物的检测方法 | |
CN111079826B (zh) | 融合slam和图像处理的施工进度实时识别方法 | |
CN115546113A (zh) | 掌子面裂隙图像与前方三维结构参数预测方法及*** | |
CN113313107A (zh) | 一种斜拉桥缆索表面多类型病害智能检测和识别方法 | |
JP6698191B1 (ja) | 路面標示不具合検出装置、路面標示不具合検出方法及び路面標示不具合検出プログラム |
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 |