CN113838059B - 一种基于要素级别的数字正射影像图生成方法 - Google Patents
一种基于要素级别的数字正射影像图生成方法 Download PDFInfo
- Publication number
- CN113838059B CN113838059B CN202010588653.1A CN202010588653A CN113838059B CN 113838059 B CN113838059 B CN 113838059B CN 202010588653 A CN202010588653 A CN 202010588653A CN 113838059 B CN113838059 B CN 113838059B
- Authority
- CN
- China
- Prior art keywords
- digital
- level
- overhead ground
- ground object
- correction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012937 correction Methods 0.000 claims abstract description 42
- 238000000605 extraction Methods 0.000 claims abstract description 21
- 230000011218 segmentation Effects 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 9
- 238000012876 topography Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000000903 blocking effect Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 13
- 230000001172 regenerating effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005111 flow chemistry technique Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06T7/136—Segmentation; Edge detection involving thresholding
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于要素级别的数字正射影像图生成方法,包括以下步骤:基于最小二乘法的外方位角元素改正:基于检校场已知数据以及相机检校参数利用最小二乘迭代法对外方位角元素进行改正;基于多源数据的区域地形分割及数字高程模型获取;基于特征线提取的架空地物快速纠正:通过人工采集或者自动提取架空地物的特征线并赋予地物名称标识及层数属性,形成相应的架空地物库,利用架空地物库对处理后的数字高程模型进行二次处理,实现架空地物的快速纠正。本发明可以有效保留数字正射影像生产中架空地物的处理过程成果,成果复用性得到提高,本发明还可以提高数字正射影像生产的自动化及信息化程度,减少人工干预工作量。
Description
技术领域
本发明属于数字正射影像图生成技术领域,具体涉及一种基于要素级别的数字正射影像图生成方法。
背景技术
数字正射影像生产是在获取航摄资料后,利用外业像控点完成空三加密,在此基础上利用数字高程模型对原始影像进行逐张数字微分纠正,再按一定的图幅范围裁切生产最终的数字正射影像成果。
目前传统的航空数字正射影像生产方法都是全要素的生成方法,即在获取航摄资料后利用影像资料从空三加密、色彩处理、数字高程模型提取、数字高程模型编辑、数字正射微分纠正、镶嵌线提取、镶嵌线编辑、影像镶嵌、图面编辑等环节进行全流程处理,其工作量大,自动化程度及信息化程度不足,无法有效利用历史资料,且无法完整保留生产过程中的有效数据,后期成果复用性低。
发明内容
本发明提供了一种基于要素级别的数字正射影像图生成方法,提高生产的自动化及信息化程度。
本发明的技术方案为:一种基于要素级别的数字正射影像图生成方法,包括以下步骤:
S1、基于最小二乘法的外方位角元素改正:基于检校场已知数据以及相机检校参数利用最小二乘迭代法对外方位角元素进行改正;
S2、基于多源数据的区域地形分割及数字高程模型获取;
S3、基于特征线提取的架空地物快速纠正:通过人工采集或者自动提取架空地物的特征线并赋予地物名称标识及层数属性,形成相应的架空地物库,利用架空地物库对处理后的数字高程模型进行二次处理,实现架空地物的快速纠正。
作为优选,所述步骤S1中,基于最小二乘法的外方位角元素改正,利用式(1)和(2)进行外方位角度的计算,
其中,x,y为影像的内方位元素;x0,y0,f为影像的内方位元素;Xs,Ys,Zs为外方位线元素;ψ,ω,κ为外方位角元素;XA,YA,ZA为检校场布设的外业控制点的三维坐标;
x和y为观测值,相应的改正数分别为Vx和Vy,ψ,ω,κ也作为观测值引入改正数Vψ,Vω,Vκ,得到线性化误差方程(3)和(4):
在不考虑控制点及外方位线元素误差的情况下,可将上式写成式(5)和(6)进行角元素的迭代解算,
其中,
b=dω,c=dκ,m=XA-Xs,n=YA-Ys,p=ZA-Zs,/>
e1=sinω,e2=cosω,f1=sinκ,f2=cosκ;
利用公式(5)和(6)进行迭代计算,直到外方位角元素的改正值小于0.05°,即可停止计算,返回最终计算出的值。
作为优选,所述步骤S2包括:
S2-1、地形分割
根据区域地形特点,将地形区分成三种等级:L0,L1,L2。L0级代表所在区域划分成平地区域,L1级代表所在区域划分成山地区域,L2级代表所在区域划分成平山结合处;
S2-2、点云提取
(1)数字表面模型获取:利用L0层级的成果范围面作为约束范围面获取格网间距为1米的数字表面模型,提取规则设置为山地,为便于后期处理的加载和处理,在点云数据提取过程中作分块处理;
(2)数字高程模型获取:利用L1层级的成果范围作为约束范围面并利用时相最接近的数字高程模型成果作为约束条件获取山地区域初始的数字高程模型,综合考虑后期对L2成果的处理,提取规则设置为丘陵地;
(3)对所有区域进行点云数据获取,提取规则设置为平地;
S2-3、点云融合及数字高程模型获取
(1)对步骤S2-2的步骤(1)中获取的分块点云数据进行滤波处理;
(2)对步骤S2-2的步骤(2)中初始的数字高程模型进行植被高程改正;
(3)获取L2层级的数字高程模型:对步骤S2-3的步骤(1)中滤波后的点云数据进行高程内插,生成平地区域的栅格数据,用于内插平山分界线,由此获取三维特征线,从而处理平山结合处的数字高程模型格网点;
(4)将步骤S2-3的步骤(1)中获取的点云数据、步骤S2-3的步骤(2)中的数字高程模型成果、步骤S2-3的步骤(3)中的三维特征线联合处理并进行高程内插,重新生成经初始处理后的数字高程粗成果。
作为优选,所述步骤S2-1中,L0级通过坡度改正计算式(7)计算,
i=2*h/l*100% (7);
若即将相应区域归到L0;
其中,i为坡度值,h为高差,l为对应的水平距离。
作为优选,所述步骤S2-1中,L1级通过最新国情地表要素代码的聚类分析进行归算,建立聚类函数,见式(7),
L=x1+x2+x3+.....xn (8);
其中x1,x2,x3.....xn为与山地有关的代码要素标识。
本发明中将与山地有关的代码要素都合并到相应的层里,并将相应区域归算到L1级。
作为优选,所述步骤S2-1中,将L0级及L1级提取出的区块与最新时相的历史数字正射影像、数字线划图进行对比纠正,最终确定相应层级的成果,利用式(9),将剩余地形区域归算到L2级,
L2=L总-L0-L1 (9)。
作为优选,步骤S2-3的步骤(1)中涉及到人工构筑物阈值的确定以及地形坡度变化阈值的设置,人工构筑物阈值的确定通过提取时相最接近的数字线划图中的居民地矢量数据层的房屋要素为样本进行设定,地形坡度变化阈值以L0层的初值为基础适当进行调整。
作为优选,步骤S2-3的(2)中,对步骤S2-2的(2)中初始的数字高程模型进行植被高程改正:通过式(10)计算高程值,
其中,h为成果高程值,h0为提取出的高程值,h1为对步骤S2-2的(2)中作为约束条件的初始值。
作为优选,所述步骤S3包括以下步骤:
S3-1、采集或者提取架空地物的特征线:在立体环境下目视采集或者利用已有的数据进行修正得到相应的特征线;
S3-2、对特征地物线做距离为1米的缓冲线,对与最低一层的数字高程模型(Modle0)自动进行二次纠正,形成与相应架空地物层数相匹配的多个数字高程模型(Modle1,Modle2,……,Modlen)。
S3-3、对多个数字高程模型进行融合内插处理,并利用其进行复合数字微分纠正,实现相应架空地物的多次到一次的快速纠正。
作为优选,所述步骤S3-1中,特征线标示成式(11),
Gz=G1+G2+...Gn (11),
其中,Gz表示某架空地物的标示,n为相应架空地物的层数。
作为优选,所述步骤S3-2中缓冲线的距离按式(12)计算;
S=n*0.5+4 (12);
其中,S为缓冲距离,n为相应架空地物的层数。
与现有技术相比,本发明的有益效果体现在:
(1)本发明中基于检校场已知数据及相机检校参数利用最小二乘迭代法对外方位角元素进行改正,提高Kapa角的精度,从而增加空中三角测量初值的可靠性,在减少内外业工作量的基础上进一步提高空三加密成果的精度,从而缩短数字正射影像图生产的整周期,提高相应成果的精度。
(2)本发明中利用与现有数据源时相最接近的地表覆盖数据、数字正射影像图数据、数字线划图等数据结合代码聚类分析、特征提取及坡度改正计算完成区域地形的分割并形成相应的等级,对不同等级的区域采取自适应的方式获取与之相匹配的数字地表模型并进行滤波,对不同类型的成果进行融合获取可用于后续数字正射影像图生产的初始数字高程模型,可以极大程度上减轻后期数字高程模型的人工处理工作量,提高数字正射影像生产的自动化程度。
(3)目前数字正射影像生产是非真正射影像的生产,因此本发明中对架空地物的处理需要视架空地物的层数进行与层数相匹配的处理步骤。通过人工采集或者自动提取架空地物的特征线并赋予地物名称标识及层数属性,形成相应的架空地物库。利用架空地物库对处理后的数字高程模型进行二次处理,实现架空地物的快速纠正,架空地物库的保存可以有效保留数字正射影像生产中架空地物的处理过程成果,成果复用性也得到提高,本发明还可以提高数字正射影像生产的自动化及信息化程度,减少人工干预工作量。
附图说明
图1为本发明的流程示意图。
图2为基于最小二乘法的外方位角元素改正的流程示意图。
图3为基于多源数据的区域地形分割及数字高程模型获取的流程示意图。
图4为基于特征线提取的架空地物快速纠正的流程示意图。
图5为数字高程模型处理成果图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
本实施例为一种基于要素级别的数字正射影像图生成方法,如图1所示,包括以下步骤:
1、如图2所示,基于最小二乘法的外方位角元素改正,利用式(1)和(2)进行外方位角度的计算,
其中,x,y为影像的内方位元素;x0,y0,f为影像的内方位元素;Xs,Ys,Zs为外方位线元素;ψ,ω,κ为外方位角元素;XA,YA,ZA为检校场布设的外业控制点的三维坐标;
x和y为观测值,相应的改正数分别为Vx和Vy,ψ,ω,κ也作为观测值引入改正数Vψ,Vω,Vκ,得到线性化误差方程(3)和(4):
在不考虑控制点及外方位线元素误差的情况下,可将上式写成式(5)和(6)进行角元素的迭代解算,
其中,
b=dω,c=dκ,m=XA-Xs,n=YA-Ys,p=ZA-Zs,/>
e1=sinω,e2=cosω,f1=sinκ,f2=cosκ;
利用公式(5)和(6)进行迭代计算,直到外方位角元素的改正值小于0.05°,即可停止计算,返回最终计算出的值。
2、如图3所示,基于多源数据的区域地形分割及数字高程模型获取
I:地形分割
根据区域地形特点,将地形区分成三种等级:L0,L1,L2。L0级代表所在区域划分成平地区域,L1级代表所在区域划分成山地区域,L2级代表所在区域划分成平山结合处。
(1)L0级通过坡度改正计算式计算,
i=2*h/l*100% (7)
若即将相应区域归到L0,其中,i为坡度值,h为高差,l为对应的水平距离。
(2)L1级通过最新的国情地表要素代码的聚类分析进行归算,建立聚类函数,见式(8),将阔叶林等与山地有关的代码要素都合并到相应的层里,并将相应区域归算到L1级,
L=x1+x2+x3+.....xn (8);
其中x1,x2,x3.....xn为与山地有关的代码要素标识。
(3)将L0级及L1级提取出的区块与最新时相的历史数字正射影像、数字线划图进行对比纠正,最终确定相应层级的成果。
(4)利用式(9),将剩余地形区域归算到L2级。
L2=L总-L0-L1 (9)。
II:点云提取
(1)数字表面模型获取:利用L0层级的成果范围面作为约束范围面获取格网间距为1米的数字表面模型,提取规则设置为山地,为便于后期数据的加载和处理,在点云数据提取过程中作分块处理。
(2)数字高程模型获取:利用L1层级的成果范围作为约束范围面并利用时相最接近的数字高程模型成果作为约束条件获取山地区域初始的数字高程模型,综合考虑后期对L2成果的处理,提取规则设置为丘陵地。
(3)对所有区域进行点云数据获取,提取规则设置为平地。
III:点云融合及数字高程模型获取
(1)对II(1)中获取的分块点云数据进行滤波处理:该步骤涉及到人工构筑物阈值的确定及地形坡度变化阈值的设置,人工构筑物阈值的确定通过提取时相最接近的数字线划图中的居民地矢量数据层的房屋要素为样本进行设定,地形坡度变化阈值以L0层的初值为基础适当进行调整。
(2)对II(2)中初始的数字高程模型进行植被高程改正:通过式(10)计算高程值,
其中,h为成果高程值,h0为提取出的高程值,h1为对II(2)中作为约束条件的初始值。
(3)获取L2层级的数字高程模型:对III(1)中滤波后的点云数据进行高程内插,生成平地区域的栅格数据,用于内插平山分界线,由此获取三维特征线,从而处理平山结合处的数字高程模型格网点。
(4)将III(1)中获取的点云数据、III(2)中的数字高程模型成果、III(3)中的三维特征线联合处理并进行高程内插,重新生成经初始处理后的数字高程粗成果。
3、如图4所示,基于特征线提取的架空地物快速纠正
(1)采集或者提取架空地物的特征线:可在立体环境下目视采集或者利用已有的数据进行修正得到相应的特征线。特征线可标示成式(11),
Gz=G1+G2+...Gn (11),
Gz表示某架空地物的标示,n为相应架空地物的层数。
(2)对特征地物线做距离为1米的缓冲线,对与最低一层的数字高程模型(Modle0)自动进行二次纠正,形成与相应架空地物层数相匹配的多个数字高程模型(Modle1,Modle2,……,Modlen)。本实施例中缓冲线的距离按式(12)计算;
S=n*0.5+4 (12);
其中,S为缓冲距离,n为相应架空地物的层数。
(3)对多个数字高程模型进行融合内插处理,并利用其进行复合数字微分纠正,实现相应架空地物的多次到一次的快速纠正。
本实施例数字高程模型处理成果图可见图5。
Claims (7)
1.一种基于要素级别的数字正射影像图生成方法,其特征在于,包括以下步骤:
S1、基于最小二乘法的外方位角元素改正:基于检校场已知数据以及相机检校参数利用最小二乘迭代法对外方位角元素进行改正;
S2、基于多源数据的区域地形分割及数字高程模型获取;
S3、基于特征线提取的架空地物快速纠正:通过人工采集或者自动提取架空地物的特征线并赋予地物名称标识及层数属性,形成相应的架空地物库,利用架空地物库对处理后的数字高程模型进行二次处理,实现架空地物的快速纠正;
其中,所述步骤S1中,基于最小二乘法的外方位角元素改正,利用式(1)和(2)进行外方位角度的计算,
其中,x,y为影像的像方坐标;x0,y0,f为影像的内方位元素;Xs,Ys,Zs为外方位线元素;ψ,ω,κ为外方位角元素;XA,YA,ZA为检校场布设的外业控制点的三维坐标;
x和y为观测值,相应的改正数分别为Vx和Vy,ψ,ω,κ也作为观测值引入改正数Vψ,Vω,Vκ,得到线性化误差方程(3)和(4):
在不考虑控制点及外方位线元素误差的情况下,可将上式写成式(5)和(6)进行角元素的迭代解算,
其中,
b=dω,c=dκ,m=XA-Xs,n=YA-Ys,p=ZA-Zs,/>
e1=sinω,e2=cosω,f1=sinκ,f2=cosκ;
利用公式(5)和(6)进行迭代计算,直到外方位角元素的改正值小于0.05°,即可停止计算,返回最终计算出的值;
所述步骤S2包括:
S2-1、地形分割
根据区域地形特点,将地形区分成三种等级:L0,L1,L2,其中L0级代表所在区域划分成平地区域,L1级代表所在区域划分成山地区域,L2级代表所在区域划分成平山结合处;
S2-2、点云提取
(1)数字表面模型获取:利用L0层级的成果范围面作为约束范围面获取数字表面模型,提取规则设置为山地,为便于后期处理的加载和处理,在点云数据提取过程中作分块处理;
(2)数字高程模型获取:利用L1层级的成果范围作为约束范围面并利用时相最接近的数字高程模型成果作为约束条件获取山地区域初始的数字高程模型,综合考虑后期对L2成果的处理,提取规则设置为丘陵地;
(3)对所有区域进行点云数据获取,提取规则设置为平地;
S2-3、点云融合及数字高程模型获取
(1)对步骤S2-2的步骤(1)中获取的分块点云数据进行滤波处理;
(2)对步骤S2-2的步骤(2)中初始的数字高程模型进行植被高程改正;
(3)获取L2层级的数字高程模型:对步骤S2-3的步骤(1)中滤波后的点云数据进行高程内插,生成平地区域的栅格数据,用于内插平山分界线,由此获取三维特征线,从而处理平山结合处的数字高程模型格网点;
(4)将步骤S2-3的步骤(1)中获取的点云数据、步骤S2-3的步骤(2)中的数字高程模型成果、步骤S2-3的步骤(3)中的三维特征线联合处理并进行高程内插,重新生成经初始处理后的数字高程粗成果;
所述步骤S3包括以下步骤:
S3-1、采集或者提取架空地物的特征线:在立体环境下目视采集或者利用已有的数据进行修正得到相应的特征线;
S3-2、对特征地物线做距离为1米的缓冲线,对与最低一层的数字高程模型(Modle0)自动进行二次纠正,形成与相应架空地物层数相匹配的多个数字高程模型(Modle1,Modle2,……,Modlen);
S3-3、对多个数字高程模型进行融合内插处理,并利用其进行复合数字微分纠正,实现相应架空地物的多次到一次的快速纠正。
2.如权利要求1所述的基于要素级别的数字正射影像图生成方法,其特征在于,所述步骤S2-1中,L0级通过坡度改正计算式(7)计算,
i=2*h/l*100% (7);
若即将相应区域归到L0;
其中h为地形高差,l为水平距离,i为坡度计算值。
3.如权利要求2所述的基于要素级别的数字正射影像图生成方法,其特征在于,所述步骤S2-1中,L1级通过最新地理国情地表覆盖要素代码的聚类分析进行归算,建立聚类函数,见式(7),
L=x1+x2+x3+.....xn (8);
其中x1,x2,x3.....xn为与山地有关的代码要素标识。
4.如权利要求3所述的基于要素级别的数字正射影像图生成方法,其特征在于,所述步骤S2-1中,将L0级及L1级提取出的区块与最新时相的历史数字正射影像、数字线划图进行对比纠正,最终确定相应层级的成果,利用式(9),将剩余地形区域归算到L2级,
L2=L总-L0-L1 (9)。
5.如权利要求4所述的基于要素级别的数字正射影像图生成方法,其特征在于,步骤S2-3的步骤(1)中涉及到人工构筑物阈值的确定以及地形坡度变化阈值的设置,人工构筑物阈值的确定通过提取时相最接近的数字线划图中的居民地矢量数据层的房屋要素为样本进行设定,地形坡度变化阈值以L0层的初值为基础适当进行调整。
6.如权利要求5所述的基于要素级别的数字正射影像图生成方法,其特征在于,步骤S2-3的(2)中,对步骤S2-2的(2)中初始的数字高程模型进行植被高程改正:通过式(10)计算高程值,
其中,h为成果高程值,h0为提取出的高程值,h1为对步骤S2-2的(2)中作为约束条件的初始值。
7.如权利要求6所述的基于要素级别的数字正射影像图生成方法,其特征在于,所述步骤S3-1中,特征线标示成式(11),
Gz=G1+G2+...Gn (11),
其中,Gz表示某架空地物的标示,n为相应架空地物的层数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010588653.1A CN113838059B (zh) | 2020-06-24 | 2020-06-24 | 一种基于要素级别的数字正射影像图生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010588653.1A CN113838059B (zh) | 2020-06-24 | 2020-06-24 | 一种基于要素级别的数字正射影像图生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113838059A CN113838059A (zh) | 2021-12-24 |
CN113838059B true CN113838059B (zh) | 2024-06-07 |
Family
ID=78964562
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010588653.1A Active CN113838059B (zh) | 2020-06-24 | 2020-06-24 | 一种基于要素级别的数字正射影像图生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113838059B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115661004B (zh) * | 2022-12-26 | 2023-03-21 | 武汉天际航信息科技股份有限公司 | 三维地形模型及道路dem的更新方法、设备以及存储介质 |
CN116681873B (zh) * | 2023-07-31 | 2023-10-27 | 山东省国土测绘院 | 基于数字高程模型快速更新的影像正射纠正方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6356646B1 (en) * | 1999-02-19 | 2002-03-12 | Clyde H. Spencer | Method for creating thematic maps using segmentation of ternary diagrams |
JP2006113625A (ja) * | 2004-10-12 | 2006-04-27 | Sekisui House Ltd | 建築物の是正指示管理方法 |
JP2018173924A (ja) * | 2017-03-31 | 2018-11-08 | 富士通株式会社 | 画像出力プログラム、画像出力方法および画像出力装置 |
KR20180131932A (ko) * | 2017-06-01 | 2018-12-11 | 충남대학교산학협력단 | 드론과 공간정보를 이용한 하천지형정보 생성 방법 |
CN110763205A (zh) * | 2019-11-05 | 2020-02-07 | 新疆维吾尔自治区测绘科学研究院 | 数字摄影测量***生成边境狭长区域正射影像图的方法 |
-
2020
- 2020-06-24 CN CN202010588653.1A patent/CN113838059B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6356646B1 (en) * | 1999-02-19 | 2002-03-12 | Clyde H. Spencer | Method for creating thematic maps using segmentation of ternary diagrams |
JP2006113625A (ja) * | 2004-10-12 | 2006-04-27 | Sekisui House Ltd | 建築物の是正指示管理方法 |
JP2018173924A (ja) * | 2017-03-31 | 2018-11-08 | 富士通株式会社 | 画像出力プログラム、画像出力方法および画像出力装置 |
KR20180131932A (ko) * | 2017-06-01 | 2018-12-11 | 충남대학교산학협력단 | 드론과 공간정보를 이용한 하천지형정보 생성 방법 |
CN110763205A (zh) * | 2019-11-05 | 2020-02-07 | 新疆维吾尔自治区测绘科学研究院 | 数字摄影测量***生成边境狭长区域正射影像图的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113838059A (zh) | 2021-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104484668B (zh) | 一种无人机多重叠遥感影像的建筑物轮廓线提取方法 | |
CN102506824B (zh) | 一种城市低空无人机***生成数字正射影像图的方法 | |
CN109242862B (zh) | 一种实时的数字表面模型生成方法 | |
CN105096386B (zh) | 大范围复杂城市环境几何地图自动生成方法 | |
CN113838059B (zh) | 一种基于要素级别的数字正射影像图生成方法 | |
CN113192193A (zh) | 基于Cesium三维地球框架的高压输电线路走廊三维重建方法 | |
CN111833445B (zh) | 一种基于多源数据的区域地形分割及数字高程模型获取方法 | |
CN111652241B (zh) | 融合影像特征与密集匹配点云特征的建筑物轮廓提取方法 | |
WO2013121340A1 (en) | Digital elevation model | |
CN109146990B (zh) | 一种建筑轮廓的计算方法 | |
CN111815765A (zh) | 一种基于异构数据融合的图像三维重建方法 | |
CN111986074A (zh) | 一种真正射影像制作方法、装置、设备及存储介质 | |
CN115965790A (zh) | 一种基于布料模拟算法的倾斜摄影点云滤波方法 | |
CN115471619A (zh) | 基于立体成像高分辨率卫星影像的城市三维模型构建方法 | |
CN117496103A (zh) | 一种融合无人机倾斜摄影点云与地形图高程信息的多山地形区域dem生产的技术方法 | |
Lindenthal et al. | Airborne LIDAR: A fully-automated self-calibration procedure | |
CN114777745A (zh) | 一种基于无迹卡尔曼滤波的倾斜取证建模方法 | |
CN113420460B (zh) | 基于osg数据天际线的城市建筑限高快速分析方法及*** | |
CN116228964A (zh) | 一种无人机倾斜摄影三维模型与无人车影像联合建模方法 | |
Monnier et al. | Registration of terrestrial mobile laser data on 2D or 3D geographic database by use of a non-rigid ICP approach. | |
CN111383354B (zh) | 一种基于sfm的三维点云朝向修正方法 | |
CN107784666A (zh) | 基于立体影像的地形地物三维变化检测和更新方法 | |
CN111833446B (zh) | 一种基于特征线提取的架空地物快速纠正方法 | |
CN113759953B (zh) | 一种基于开源dem数据的飞行姿态照片纠正方法 | |
CN118279515B (zh) | 一种实时多终端地图融合方法及装置 |
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 |