CN115063460B - 一种高精度自适应同名像素插值与优化方法 - Google Patents
一种高精度自适应同名像素插值与优化方法 Download PDFInfo
- Publication number
- CN115063460B CN115063460B CN202111597172.8A CN202111597172A CN115063460B CN 115063460 B CN115063460 B CN 115063460B CN 202111597172 A CN202111597172 A CN 202111597172A CN 115063460 B CN115063460 B CN 115063460B
- Authority
- CN
- China
- Prior art keywords
- neighborhood
- homonymous
- growth
- feature
- adaptive
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 23
- 230000009466 transformation Effects 0.000 claims abstract description 23
- 230000000295 complement effect Effects 0.000 claims abstract description 14
- 230000003044 adaptive effect Effects 0.000 claims abstract description 13
- 230000004927 fusion Effects 0.000 claims abstract description 6
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000001514 detection method Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000005070 sampling 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
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/37—Determination of transform parameters for the alignment of images, i.e. image registration using transform domain methods
-
- 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
- G06T2207/10032—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
- G06T2207/20—Special algorithmic details
- G06T2207/20004—Adaptive image processing
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种高精度自适应同名像素插值与优化方法,包括步骤:顾及特征空间分布的自适应误匹配剔除策略;互补特征邻域自适应增长及迭代优化算法,获得影像各局部邻域高精度几何变换参数,继而进行全局与局部融合约束的初始密集匹配;空洞匹配区域的自动检测与同名像素插值,获得复杂场景立体像对的可靠密集匹配结果。该方法充分利用了立体影像反演技术及融合全局核线几何与局部空间互补同名特征邻域信息,构建了严密约束下的逐像素稠密插值及密集匹配策略。
Description
技术领域
本发明涉及摄影测量与遥感中数字图像处理相关技术领域,具体的说是一种高精度自适应同名像素插值与优化方法。
背景技术
同名像素插值与优化,是在立体影像中逐像素或者接近逐像素地确定影像之间的同名像点,并依据同名光线对对相交原理,在物方空间获得最佳三维点云的过程。由于该技术获得匹配成果,具有点云密度大、成本低廉且匹配结果稳定逼真等突出优势,因此可广泛应用于地形图测绘、变化检测、智能驾驶、虚拟现实等领域。然而,目前的三维重建技术已相对较为成熟,而立体影像中所蕴含的密集匹配仍然依赖人机交互来批量采集,耗费了大量的人力和物力成本,并且量测精度往往受限于作业人员的技术水平。总之,立体影像的稠密同名像点高精度可靠插值,一直是该技术发展和实际应用中的瓶颈问题,同时亦成为当今遥感技术与人工智能领域亟需攻关的重难点问题之一。
纵观现有的影像密集插值方法,根据所采用的影像基元可以将其分为基于灰度的密集插值、基于特征的密集插值和基于相位的密集插值等三大类型。首先,基于灰度的密集插值能够获得非常稠密的同名点云,但其精度和稳定性容易受影像几何和辐射变形的影响,在插值过程中像素点约束窗口的大小和形状难以合理确定;其次,基于特征的密集插值能够较好地适应影像的各类畸变情况,但特征提取计算代价太大,并且匹配精度容易受到地物遮蔽、纹理重复等因素的影响;再次,基于相位的密集插值一般不太适合于光学立体影像。
根据所采用的优化理论又可以将影像密集插值分为局部最优密集插值和全局最优密集插值两种。前者误匹配点较多,精度比较低;后者仅适用于平面场景或分层平面场景的匹配,极大地制约了复杂场景密集匹配可靠性。
发明内容
如何充分融合全局核线几何与局部空间互补同名特征邻域信息,构建严密约束下的逐像素稠密插值及密集匹配策略,则成为本发明解决的关键问题。针对上述影像纹理匮乏、视差断裂、阴影以及遮挡等所有典型困难区域的稠密像素连接问题,本发明提出以下技术方案:
一种高精度自适应同名像素插值与优化方法,至少包括步骤:
(1)顾及特征空间分布的自适应误匹配剔除策略;
(2)互补特征邻域自适应增长及迭代优化算法,获得影像各局部邻域高精度几何变换参数,继而进行全局与局部融合约束的初始密集匹配;
(3)空洞匹配区域的自动检测与同名像素插值,获得复杂场景立体像对的可靠密集匹配结果。
优选的,步骤(1)利用核线约束来剔除错误匹配,尽量保持同名特征的空间分布均匀性,以有利于引导后续高精度同名像素匹配插值。
优选的,核线约束包括步骤:
(1a)增加匹配稀疏区域的同名特征权重,根据公式
分别计算各对同名特征的权值Pi,当满足条件Pi>1,则复制当前同名特征数目为Pi,并添加到用于核线几何估计的同名特征集中,其中i∈[1,K],K为同名特征数目,INT为四舍五入取整运算;
(1b)估算基本矩阵,基于上步得到的匹配特征集,估算基本矩阵F;
(1c)排除误匹配,基于F生成立体像对的核线几何,继而在同名核线几何约束下排除误匹配。
优选的,步骤(2)包括分类分级邻域互补增长与迭代优化分割策略,具体步骤为:
(2a)面特征邻域增长与优化,基于面特征协方差矩阵及其邻域主梯度方位进行邻域增长与优化;
(2b)线特征邻域增长与优化,采用各侧独立增长策略进行线段邻域扩展与优化;
(2c)点特征邻域增长与优化,针对影像剩余区域的同名点特征进行仿射邻域扩展与优化。
优选的,步骤(3)包括:
(3a)基于自适应分水岭与影像二值化分割匹配空洞区域;
(3b)采用格式塔准则对可能的遮挡区域进行判定与逼近,并采用自适应薄板样条函数模型对非遮挡区域进行邻近同名匹配插值,获得空洞区域的可靠匹配点;
(3c)剔除局部可能重复的同名像素。
本发明顾及特征空间分布的自适应误匹配剔除策略能够最大限度保留低稠密度区域的同名特征;互补特征邻域自适应增长及迭代优化算法,尤其是设计一种分类分级邻域互补增长与迭代优化分割策略,获得了影像各局部邻域高精度几何变换参数,继而有利于进行全局与局部融合约束的初始密集匹配;空洞匹配区域的自动检测与同名像素插值保证获得稠密匹配结果。
综上所述,针对影像纹理匮乏、视差断裂、阴影以及遮挡等所有典型困难区域的稠密像素连接问题,本发明建立了一种高精度自适应同名像素插值与优化方法,该方法充分利用了立体影像反演技术及融合全局核线几何与局部空间互补同名特征邻域信息,构建了严密约束下的逐像素稠密插值及密集匹配策略,为困难区域稠密匹配提供了一种可行的思路,并为下一步多源新型数据的融合处理及分析奠定技术基础。
附图说明
图1为本发明流程示意图;
图2为同名面特征邻域增长与优化示意图;
图3为同名线特征邻域增长的三种情况;
图4为同名点特征三角邻域仿射变换估计;
图5为互补同名特征邻域自适应增长及分割优化结果示意图。
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。
在本发明的一个实施例中,公开了一种如图1所示的高精度自适应同名像素插值与优化方法,具体实施方式分为以下步骤.
(1)顾及特征空间分布的自适应误匹配剔除策略。
首先集成点线面同名特征集,并采用随机采样一致性(Random SampleConsensus,RANSAC)算法对立体像对估计基本矩阵,并采用顾及特征稠密度的核线几何(计算机视觉领域又称之为对极几何)自适应约束策略,在剔除错误匹配的同时,尽量保留稠密度较低的同名特征。理论与实验均表明,全局核线几何仍是目前对大倾角立体匹配粗差检测的最为稳健和高效的方法。基于此,利用核线约束来剔除错误匹配,同时尽量保持同名特征的空间分布均匀性,以有利于引导后续高精度同名像素匹配插值。具体策略如下:
S1.增加匹配稀疏区域的同名特征权重
按式分别计算各对同名特征的权值Pi(i为同名特征编号,且i∈[1,K],K为同名特征数目),当满足条件Pi>1,则复制当前同名特征数目为Pi,并添加到用于核线几何估计的同名特征集中,以此增加匹配稀疏区域的同名特征权重,继而提高局部稀疏匹配被随机抽取的概率。
S2.估算基本矩阵
基于上步得到的匹配特征集,采用RANSAC算法估算基本矩阵F。
S3.排除误匹配
基于F生成立体像对的核线几何,继而在同名核线几何约束下排除误匹配,其中同名特征核线距离的最大允许粗差采用自适应阈值eT=(2*Pi+1)/Pi(单位:像素),将有助于保留稀疏区域的同名特征。
(2)互补特征邻域自适应增长及迭代优化算法。
经过上文核线约束剔除误匹配后,获得较为可靠互补同名特征,采用分类分级邻域增长与迭代优化策略,即可获得影像各局部邻域高精度几何变换参数。
S4.面特征邻域增长与优化
首先,基于面特征协方差矩阵及其邻域主梯度方位,求取各同名特征的仿射变换关系,继而基于归一化互相关(Normalized Cross Correlation,NCC)测度,计算各同名特征的NCC系数;然后,选出NCC系数值最大的一对面特征进行邻域增长与优化,如图2所示,图中x和x′表示同名面特征的重心坐标,A1表示同名特征的初始仿射变换矩阵,ΩF和ΩG分别代表面特征基础邻域和增长邻域。具体的邻域增长与优化步骤表述如下:
①在NCC计算基础上,基于当前相关窗口进行最小二乘影像匹配(Least SquareMatching,LSM),得到NCC系数值为LNCC,并更新局部仿射变换矩阵A1;
②计算窗口自适应增长指标
RLNCC=LNCCformer/LNCClater
其中LNCCformer和LNCClater分别为相关窗口每次增长前和增长后的LNCC值。如RLNCC大于阈值(取值为0.99),则继续执行增长操作;否则,停止增长,并保存当前邻域窗口ΩG;
③向其中一个方向执行步长为Δ(取值为4)像素的邻域增长操作,并计算每次邻域增长后的RLNCC值;如果RLNCC不满足阈值,则停止该方向增长;对邻域ΩF四个方向依次进行该增长操作;
④重复执行①到③,直到RLNCC不满足阈值条件,则退出迭代。同理,按上述步骤完成所有面特征的邻域增长与优化(注意,对已完全落入增长区域的同名特征不再重复执行增长)。
S5.线特征邻域增长与优化。
考虑到多数线段特征位于多平面场景的交界处,其两侧邻域存在显著视差突变,难以利用统一的局部仿射变换关系进行描述。因此,采用各侧独立增长策略进行线段邻域扩展与优化,以有效规避视差断裂,图3给出同名线邻域自动增长的三种情况。具体步骤如下:
①选择线段单侧进行邻域增长,搜索该单侧基础邻域范围内所有的同名像点,并采用最小二乘平差法估计初始仿射变换矩阵A2,继而利用A2对该单侧基础邻域求取NCC系数,如果NCC系数大于给定阈值(取值为0.85),则参照面特征邻域增长策略进行线特征单侧邻域增长,否则放弃该侧邻域增长;
②基于①策略对线段另一侧进行独立增长与优化。同样的方式,完成所有同名线特征邻域的自动增长与优化。
S6.点特征邻域增长与优化。
前文方法已完成影像大部分区域的增长与优化,本节主要针对影像剩余区域的同名点特征进行仿射邻域扩展与优化,具体步骤包括:
①对左影像同名点构建Delaunay三角网,并记录每个三角形顶点索引,继而根据右影像上同名点构建对应索引的同名三角网;
②对任意同名三角形,完成对应邻域仿射变换估计。如图4所示,基于e和e'、f和f'、g和g'三对同名特征点坐标,可估计对应三角区域仿射变换矩阵A3,并求取同名三角形的重心坐标x和x',以x为中心取大小为l×l的邻域窗口W,其中,l可取值为所属三角形三个边长的平均值;并进一步利用A3求取以x'为中心的同名邻域窗口W',继而计算W和W'的NCC系数,如NCC系数大于给定阈值(取值为0.75),则基于LSM迭代求取最优局部仿射变换矩阵A3,并传递给当前同名三角形邻域,否则,放弃当前同名三角形处理;
③利用②策略依次遍历所有同名三角形,继而完成点特征邻域的增长与优化。图5示意了面向大倾角复杂场景立体像对基于上述分类分级策略,产生的互补同名特征邻域自适应增长与分割优化结果,其中立体像对中的同名邻域用相同灰度表示,而不同灰度区域则代表着所满足的局部仿射变换关系的差异性,且所增长的邻域应具有较好的空间分布互补性。至此,即可在全局核线几何与局部仿射变换融合约束下分别进行逐像素的匹配,得到立体像对初始密集匹配结果。
(3)匹配空洞区域检测与同名像素插值
由于受单一纹理、光照阴影或遮挡等因素影响,初始密集结果仍可能存在少许的匹配空洞区域。对初始密集匹配,首先,基于自适应分水岭(Watershed)与影像二值化,分割出匹配空洞区域;然后,在边缘线、核线关系及视差一致性等约束下,采用格式塔准则(Gestalt Laws)对可能的遮挡区域进行判定与逼近,并采用自适应薄板样条函数模型对非遮挡区域进行邻近同名匹配插值;最后,剔除局部可能重复的同名像素,最终获得复杂场景立体像对的可靠密集匹配结果。最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种高精度自适应同名像素插值与优化方法,其特征在于,至少包括步骤:
(1)执行顾及特征空间分布的自适应误匹配剔除策略,利用核线约束来剔除错误匹配:
(1a)增加匹配稀疏区域的同名特征权重,根据公式
分别计算各对同名特征的权值,当满足条件/>,则复制当前同名特征,并添加到用于核线几何估计的同名特征集中,其中/> ,K为同名特征数目,INT为四舍五入取整运算;
(1b)估算基本矩阵,基于上步得到的匹配特征集,估算基本矩阵;
(1c)排除误匹配,基于生成立体像对的核线几何,继而在同名核线几何约束下排除误匹配;
(2)利用互补特征邻域自适应增长及迭代优化算法,包括分类分级邻域互补增长与迭代优化分割策略,获得影像各局部邻域高精度几何变换参数,继而进行全局与局部融合约束的初始密集匹配,具体步骤为:
(2a)面特征邻域增长与优化,基于面特征协方差矩阵及其邻域主梯度方位进行邻域增长与优化:
(2a-1)在NCC计算基础上,基于当前相关窗口进行最小二乘影像匹配,得到NCC系数值为LNCC,并更新局部仿射变换矩阵A 1;
(2a-2)计算窗口自适应增长指标
其中和/>分别为相关窗口每次增长前和增长后的LNCC值,如/>大于阈值/>,则继续执行增长操作;否则,停止增长,并保存当前邻域窗口/>;
(2a-3)向其中一个方向执行步长为Δ像素的邻域增长操作,并计算每次邻域增长后的值;如果/>不满足阈值,则停止该方向增长;对邻域/>四个方向依次进行该增长操作;
(2a-4)重复执行(2a-1)到(2a-3),直到不满足阈值条件,则退出迭代;
(2b)线特征邻域增长与优化,采用各侧独立增长策略进行线段邻域扩展与优化:
(2b-1)选择线段单侧进行邻域增长,搜索该单侧基础邻域范围内所有的同名像点,并采用最小二乘平差法估计初始仿射变换矩阵A 2,继而利用A 2对该单侧基础邻域求取NCC系数,如果NCC系数大于给定阈值,则参照面特征邻域增长策略进行线特征单侧邻域增长,否则放弃该侧邻域增长;
(2b-2)基于(2b-1)策略对线段另一侧进行独立增长与优化,按上述步骤,完成所有同名线特征邻域的自动增长与优化;
(2c)点特征邻域增长与优化,针对影像剩余区域的同名点特征进行仿射邻域扩展与优化:(2c-1)对左影像同名点构建Delaunay三角网,并记录每个三角形顶点索引,继而根据右影像上同名点构建对应索引的同名三角网;
(2c-2)对任意同名三角形,完成对应邻域仿射变换估计,基于同名特征点坐标,估计对应三角区域仿射变换矩阵A 3,并求取同名三角形的重心坐标x和x',以x为中心取大小为的邻域窗口W,其中,/>取值为所属三角形三个边长的平均值,并进一步利用A 3求取以x'为中心的同名邻域窗口W',继而计算W和W'的NCC系数,如NCC系数大于给定阈值,则基于LSM迭代求取最优仿射变换矩阵A 3,并传递给当前同名三角形邻域,否则,放弃当前同名三角形处理;
(2c-3)利用(2c-2)策略依次遍历所有同名三角形,继而完成点特征邻域的增长与优化;
(3)进行空洞匹配区域的自动检测与同名像素插值,获得复杂场景立体像对的可靠密集匹配结果。
2.根据权利要求1所述的一种高精度自适应同名像素插值与优化方法,其特征在于,所述步骤(3)包括:
(3a)基于自适应分水岭与影像二值化分割匹配空洞区域;
(3b)采用格式塔准则对遮挡区域进行判定与逼近,并采用自适应薄板样条函数模型对非遮挡区域进行邻近同名匹配插值,获得空洞区域的可靠匹配点;
(3c)剔除局部重复的同名像素。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111597172.8A CN115063460B (zh) | 2021-12-24 | 2021-12-24 | 一种高精度自适应同名像素插值与优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111597172.8A CN115063460B (zh) | 2021-12-24 | 2021-12-24 | 一种高精度自适应同名像素插值与优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115063460A CN115063460A (zh) | 2022-09-16 |
CN115063460B true CN115063460B (zh) | 2024-06-25 |
Family
ID=83197207
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111597172.8A Active CN115063460B (zh) | 2021-12-24 | 2021-12-24 | 一种高精度自适应同名像素插值与优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115063460B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106558024A (zh) * | 2015-09-28 | 2017-04-05 | 北京大学 | 进行自适应窗口拓展的自回归插值方法及装置 |
CN110285805A (zh) * | 2019-06-28 | 2019-09-27 | 北京航空航天大学 | 一种数据空洞的自适应插值/分割处理方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004114063A2 (en) * | 2003-06-13 | 2004-12-29 | Georgia Tech Research Corporation | Data reconstruction using directional interpolation techniques |
CN103646395B (zh) * | 2013-11-28 | 2016-06-01 | 中南大学 | 一种基于格网法的高精度影像配准方法 |
CN110135455B (zh) * | 2019-04-08 | 2024-04-12 | 平安科技(深圳)有限公司 | 影像匹配方法、装置及计算机可读存储介质 |
CN110909303B (zh) * | 2019-11-19 | 2023-04-14 | 湖南大学 | 一种自适应时空异质性反距离插值方法 |
CN112150358A (zh) * | 2020-08-03 | 2020-12-29 | 武汉大学 | 一种抗大几何畸变的影像特征匹配方法 |
CN112233019B (zh) * | 2020-10-14 | 2023-06-30 | 长沙行深智能科技有限公司 | 一种基于自适应高斯核的isp颜色插值方法及装置 |
CN112380306A (zh) * | 2020-11-11 | 2021-02-19 | 郑州大学 | 顾及分布均衡的自适应修正克里金空间插值方法 |
-
2021
- 2021-12-24 CN CN202111597172.8A patent/CN115063460B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106558024A (zh) * | 2015-09-28 | 2017-04-05 | 北京大学 | 进行自适应窗口拓展的自回归插值方法及装置 |
CN110285805A (zh) * | 2019-06-28 | 2019-09-27 | 北京航空航天大学 | 一种数据空洞的自适应插值/分割处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115063460A (zh) | 2022-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106600622B (zh) | 一种基于超体素的点云数据分割方法 | |
CN114332366B (zh) | 数字城市单体房屋点云立面3d特征提取方法 | |
CN115564926B (zh) | 基于影像建筑物结构学习的三维面片模型构建方法 | |
CN114332348B (zh) | 一种融合激光雷达与图像数据的轨道三维重建方法 | |
CN115097442B (zh) | 基于毫米波雷达的水面环境地图构建方法 | |
CN115372989A (zh) | 基于激光雷达的越野自动小车长距离实时定位***及方法 | |
CN112929626B (zh) | 一种基于智能手机影像的三维信息提取方法 | |
CN111881985B (zh) | 立体匹配方法、装置、终端和存储介质 | |
CN110060342A (zh) | 一种三维曲面拟合方法 | |
CN111457930A (zh) | 一种利用车载Lidar与无人机联合的高精度测图定位方法 | |
CN112197773A (zh) | 基于平面信息的视觉和激光定位建图方法 | |
CN113409332A (zh) | 一种基于三维点云的建筑物平面分割方法 | |
Moenning et al. | Fast marching farthest point sampling for implicit surfaces and point clouds | |
CN112435267A (zh) | 一种高分辨率城市卫星立体图像的视差图计算方法 | |
CN117874900B (zh) | 一种基于bim技术的房屋建筑工程监理方法 | |
CN113793418B (zh) | 基于线性几何体拟合的建筑物三维模型简化方法 | |
CN112819882B (zh) | 一种基于双目视觉的实时土方量计算方法 | |
Zhu et al. | Propagation strategies for stereo image matching based on the dynamic triangle constraint | |
Zhu et al. | Triangulation of well-defined points as a constraint for reliable image matching | |
CN115063460B (zh) | 一种高精度自适应同名像素插值与优化方法 | |
CN116704112A (zh) | 一种用于对象重建的3d扫描*** | |
CN115937465A (zh) | 一种顾及像素区域预测的深度图融合算法 | |
CN113763280B (zh) | 用于点云去噪的基于空间层次拓扑关系的区域生长方法 | |
CN113487741B (zh) | 稠密三维地图更新方法及装置 | |
CN115345897A (zh) | 三维重建的深度图优化方法及装置 |
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 | ||
GR01 | Patent grant |