CN116740151A - 一种InSAR点云的配准方法及终端设备 - Google Patents

一种InSAR点云的配准方法及终端设备 Download PDF

Info

Publication number
CN116740151A
CN116740151A CN202310718666.XA CN202310718666A CN116740151A CN 116740151 A CN116740151 A CN 116740151A CN 202310718666 A CN202310718666 A CN 202310718666A CN 116740151 A CN116740151 A CN 116740151A
Authority
CN
China
Prior art keywords
point
point cloud
insar
points
class
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
CN202310718666.XA
Other languages
English (en)
Inventor
胡俊
吴文清
桂容
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.)
Central South University
Original Assignee
Central South University
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 Central South University filed Critical Central South University
Priority to CN202310718666.XA priority Critical patent/CN116740151A/zh
Publication of CN116740151A publication Critical patent/CN116740151A/zh
Pending legal-status Critical Current

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • 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
    • G06T2207/10044—Radar image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本申请适用于点云配准技术领域，提供了一种InSAR点云的配准方法及终端设备，分别利用MT‑InSAR技术估计InSAR监测点的高度值，并结合InSAR监测点在外部DEM中的坐标得到不同轨道下的InSAR点云；分别利用不同聚类半径的DBSCAN聚类算法对InSAR点云数据进行聚类，得到多个点云类；分别针对每个点云类，提取其所有建筑物的立面点和屋顶点，将各点投影到北东坐标系中，得到InSAR点云的二维投影，并根据该点云类对应的对应点查找方法和二维投影，得到对应点；对对应点进行匹配，得到对应点对；基于ICP算法和对应点对，对InSAR点云数据进行配准。本申请能够提高InSAR点云的配准的普适性和准确性。

Description

一种InSAR点云的配准方法及终端设备
技术领域
本申请属于点云配准技术领域，尤其涉及一种InSAR点云的配准方法及终端设备。
背景技术
实景三维作为真实、立体、时序化反映人类生产、生活和生态空间的时空信息，是测绘地理信息服务的发展方向和基本模式。随着雷达遥感卫星技术、三维激光扫描技术和光学立体测绘技术的不断成熟，联合雷达遥感、激光扫描和光学测绘进行建筑物三维重建的方案，成为大规模数字城市测绘的新选择。
合成孔径雷达干涉测量(InSAR，Interferometric Synthetic Aperture Radar)技术具有大范围、高精度和高分辨率的优点，逐渐成为城市形变监测和建筑物建模的有效工具。合成孔径雷达(SAR，Synthetic Aperture Radar)卫星观测技术和时序干涉合成孔径雷达(MT-InSAR，Multi-Temporal Interferometry SAR)技术(如永久散射体合成孔径雷达干涉测量(PS-InSAR，Persistent Scatterer Interferometric Synthetic ApertureRadar)、分布式合成孔径雷达干涉测量(DS-InSAR)和层析合成孔径雷达(TomoSAR，Tomographic Synthetic Aperture Radar))的发展和进步，为高时空分辨率的地表监测提供了基础。在高分辨率SAR视角下，监测结果将以“点云”的形式呈现，提供了机会去研究城市建筑环境的高维成像，意味着可以获取单个建筑物的三维结构和三维形变。
然而，由于合成孔径雷达是侧视成像的，由单个轨道生成的InSAR点云只显示建筑物一侧的信息，至少需要两个或两个以上的交叉轨道的SAR图像生成的点云才能获得目标区域内建筑物的完整结构。已有研究表明，受到参考点误差、轨道误差、大气延迟、卫星定时误差等因素影响，多轨道的SAR数据产品之间容易产生三维坐标偏差。因此，InSAR点云的配准是多轨道的SAR数据产品应用之前的必要步骤。
在InSAR领域，Gernhardt等人率先提出在通用横墨卡托格网***(UTM，UniversalTransverse Mercator Grid System)坐标下配准德国柏林城区PS-InSAR点云的方法，通过与激光雷达数据对比验证了该方法的有效性，但该算法的精度受限于不准确的最近邻对应点关系。Wang等人通过提取建筑立面点云的L形端点，实现了上升轨道和下降轨道TomoSAR点云的自动对齐，但所提出的算法依赖于精确的点云分割，这需要外部地理信息***(GIS，Geographic Information System)数据源进行辅助。此外，最终的融合精度还取决于场景中四边形建筑的数量和分布。Zhu和Montazeri等人利用大地测量立体SAR方法提取的地面控制点去配准不同平台的TomoSAR点云，有效融合了多轨城市TomoSAR点云，但该方法需要利用复杂的外部数据去纠正信号传播误差。Wang等人通过各向异性迭代最近点配准算法(Anisotropic ICP，Anisotropic Iterative Closest Point)方法融合了TomoSAR点云和光学点云，并通过语义纹理分析，将InSAR的精确形变估计和光学图像的语义分类标签相联合，提出了一种建筑物语义级变形监测框架。最近，Tong等人提出了一种城市区域阵列InSAR点云鲁棒配准方法，使用建筑物的凹凸立面进行旋转校正和精细位移。然而，这种方法仅限于具有凹凸立面外墙的建筑物。
综上所述，传统的InSAR点云配准方法的普适性和准确性较低。
发明内容
本申请提供了一种InSAR点云的配准方法及终端设备，可以解决传统InSAR点云配准方法普适性和准确性较低的问题。
第一方面，本申请提供了一种InSAR点云的配准方法，包括：
分别利用MT-InSAR技术估计InSAR监测点的高度值，并结合InSAR监测点在外部DEM中的坐标得到不同轨道下的InSAR点云；
分别利用不同聚类半径的DBSCAN聚类算法对研究区域的InSAR点云数据进行聚类，得到多个点云类；InSAR点云数据包括多个轨道对应的InSAR点云，点云类包括同一建筑物类型的建筑物的点集；
分别针对多个点云类中的每个点云类，提取点云类中所有建筑物的立面点和屋顶点，将立面点和屋顶点投影到北东坐标系中，得到点云类中建筑物对应的InSAR点云的二维投影，并根据该点云类对应的对应点查找方法和二维投影，得到该点云类中建筑物在不同轨道的InSAR点云中的对应点；不同点云类对应的对应点查找方法互不相同；
对对应点进行匹配，得到建筑物在不同轨道的对应点对；
基于ICP算法和建筑物在不同轨道的对应点对，对InSAR点云数据进行配准。
可选的，分别利用MT-InSAR技术估计InSAR监测点的高度值，并结合InSAR监测点在外部DEM中的坐标得到不同轨道下的InSAR点云，包括：
分别针对不同轨道中每个轨道的SAR影像进行以下操作：
对采集的轨道的多景SAR影像进行影像配准和干涉处理，得到振幅序列和差分干涉图；
对振幅序列进行高相干散射体检测，得到得到PS点；
对PS点进行Delaunay三角剖分，得到空间网络；
在空间网络的弧上估计差分高度误差和差分形变参数，并相对于一个已知参考点，对差分参数估计进行积分，得到绝对高度误差参数和形变参数；
将PS点的高度误差估计值添加到外部DEM坐标中，并使用卫星轨道参数和参考椭球体对每个PS的雷达定时以及更新的高度进行地理编码，得到轨道下的InSAR点云。
可选的，不同聚类半径包括两个大小不同的聚类半径。
可选的，分别利用不同聚类半径的DBSCAN聚类算法对InSAR点云数据进行聚类，得到多个点云类，包括：
分别针对每个轨道下的InSAR点云，执行以下操作：
分别针对InSAR点云中的每个点，若该点预设范围内的邻域点的数量小于预先设置的邻域点阈值，则删除该点；
在三维空间中，利用大的聚类半径对应的DBSCAN聚类算法对InSAR点云中的点进行聚类，得到InSAR点云对应的第一次点云聚类结果；第一次点云聚类结果包括大型建筑物点云；
在二维空间中，利用小的聚类半径对应的DBSCAN聚类算法对InSAR点云中的点进行聚类，得到InSAR点云对应的第二次点云聚类结果；第二次点云聚类结果包括小型建筑物点云；
对第一次点云聚类结果和第二次点云聚类结果进行合并，得到InSAR点云对应的多个初始点云类；
分别针对多个初始点云类中的每个初始点云类，若初始点云类中点的数量小于预先设置的点数量阈值，则删除该初始点云类，得到轨道对应的多个点云类。
可选的，点云类包括建筑物面积大于预设面积阈值的一类建筑物点云类、建筑物面积小于于预设面积阈值的二类建筑物点云类以及有屋顶点的三类建筑物点云类。
可选的，当点云类为一类建筑物点云类时，根据该点云类对应的对应点查找方法和二维投影，得到该点云类中建筑物在不同轨道的InSAR点云中的对应点，包括：
分别针对每个一类建筑物的InSAR点云，执行以下步骤：
根据二维投影的密度得到InSAR点云的立面点及其二维坐标；
初始化霍夫空间中的参数矩阵M(ρ,θ)；其中，初始化后的参数矩阵M(ρ,θ)为零矩阵，参数矩阵M(ρ,θ)的行ρ表示霍夫坐标下原点到直线的距离，参数矩阵M(ρ,θ)的列θ表示霍夫坐标下直线与轴线的夹角；
分别针对InSAR点云中的每个立面点的二维投影(xi,yi)，对该点进行从直角坐标到霍夫空间的变换，得到该点在霍夫空间对应的参数(ρi,θi)，并将M(ρ,θ)中(ρi,θi)对应的位置的值增加1，得到最终的参数矩阵M'(ρ,θ)；
将最终的参数矩阵M'(ρ,θ)中，值大于预设阈值的位置的参数对应的直线作为已识别直线，得到多条已识别直线，并获取多条已识别直线的交点的水平坐标；
将InSAR点云中交点作为目标点，计算目标点附近的邻域点的高度值的平均值，并将平均值作为目标点的垂直坐标，将目标点的水平坐标作为对应点的水平坐标，得到对应点。
可选的，当点云类为二类建筑物点云类时，根据该点云类对应的对应点查找方法和二维投影，得到该点云类中建筑物在不同轨道的InSAR点云中的对应点，包括：
分别针对每个二类建筑物对应的InSAR点云，执行以下操作：
根据InSAR点云的二维投影的密度，得到InSAR点云的立面点及其二维坐标；
根据二维坐标，计算InSAR点云中各点之间的距离，并将距离最远的两个点对应的直线作为第一参考直线；
计算点云类中每个点与第一参考直线的距离，将距离最远的点作为参考点，将经过参考点并且垂直于第一参考直线的直线作为第二参考直线，根据第二参考直线对点云类进行划分，得到第一部分点集和第二部分点集；
利用RANSAC算法分别对第一部分点集和第二部分点集进行拟合，得到第三参考直线和第四参考直线；
若第三参考直线和第四参考直线为垂直关系，则将点云类作为一个L-shape目标点云，分别计算该L-shape目标点云中各点与第三参考直线和第四参考直线的距离，获取最大距离对应的点在第三参考直线和第四参考直线上的投影点，并将投影点作为目标点，计算目标点附近的邻域点的高度值的平均值，并将平均值作为目标点的垂直坐标，将目标点的水平坐标作为对应点的水平坐标，得到对应点。
可选的，当点云类为三类建筑物点云类时，根据该点云类对应的对应点查找方法和二维投影，得到该点云类中建筑物在不同轨道的InSAR点云中的对应点，包括：
分别针对每个三类建筑物对应的InSAR点云，执行以下步骤：
根据InSAR点云的二维投影的密度得到InSAR点云的屋顶点及其二维坐标；
分别计算的屋顶点的二维中心点坐标，以及屋顶监测点在二维坐标系中各坐标轴上对应的宽度；宽度包括水平坐标轴对应的宽度和垂直坐标轴对应的宽度；
计算的差值，若差值小于等于预设差值阈值，则将InSAR点云中二维中心点坐标对应的点作为目标点，计算目标点附近的邻域点的高度值的平均值，并将平均值作为对应点的垂直坐标，将目标点的水平坐标作为对应点的水平坐标，得到对应点。
可选的，对对应点进行匹配，得到建筑物在不同轨道的对应点对，包括：
针对每个对应点的坐标，计算不同轨道的对应点之间的距离；
将距离小于预设距离阈值的两个对应点作为对应点对。
可选的，基于ICP算法和建筑物在不同轨道的对应点对，对InSAR点云数据进行配准，包括：
步骤i，从InSAR点云数据中选取任一轨道的InSAR点云作为参考点云，将除该轨道外其他轨道的InSAR点云作为待配准点云，利用RANSAC算法得到参考点云和每个待配准点云之间的对应点对；
步骤ii，基于ICP算法和对应点对，得到用于点云配准的平移参数R和旋转参数T；
步骤iii，通过计算公式
得到配准损失值∑(R,T)；其中，pn表示参考点云，Qn表示待配准点云，N表示参考点云和待配准点云之间的匹配点对的数量，||·||2表示计算2范数；
步骤iv，若配准损失值小于预设配准损失阈值，则根据步骤ii中的平移参数R和旋转参数T，对待配准点云进行刚体变换，得到配准的InSAR点云数据；否则，返回执行步骤i。
第二方面，本申请提供了一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的InSAR点云的配准方法。
第三方面，本申请提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述的InSAR点云的配准方法。
本申请的上述方案有如下的有益效果：
本申请提供的InSAR点云的配准方法，分别利用不同聚类半径的DBSCAN聚类算法对研究区域的InSAR点云数据进行聚类，能够准确地提取不同建筑物对应的点云，得到准确的点云类，从而提高InSAR点云配准的准确性；根据不同点云类对应的对应点查找方法，得到各点云类中建筑物在不同轨道的InSAR点云中的对应点，能够提取不同类型的建筑物的对应点，提高了方法的普适性，同时，以此提取的对应点对更加准确，从而提高了InSAR点云配准的准确性。
本申请的其它有益效果将在随后的具体实施方式部分予以详细说明。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请一实施例提供的InSAR点云的配准方法的流程图；
图2a为本申请一实施例提供的直线交点探测方法的探测原理示意图；
图2b为本申请一实施例提供的L型角点探测方法的探测原理示意图；
图2c为本申请一实施例提供的屋顶中心点探测方法的探测原理示意图；
图3为本申请一实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
针对传统InSAR点云配准方法普适性和准确性较低的问题，本申请提供了一种InSAR点云的配准方法及终端设备，该配准方法分别利用不同聚类半径的DBSCAN聚类算法对研究区域的InSAR点云数据进行聚类，能够准确地提取不同建筑物对应的点云，得到准确的点云类，从而提高InSAR点云配准的准确性；根据不同点云类对应的对应点查找方法，得到各点云类中建筑物在不同轨道的InSAR点云中的对应点，能够提取不同类型的建筑物的对应点，提高了方法的普适性，同时，以此提取的对应点对更加准确，从而提高了InSAR点云配准的准确性。
如图1所示，本申请提供的InSAR点云的配准方法包括以下步骤：
步骤11，分别利用MT-InSAR技术估计InSAR监测点的高度值，并结合InSAR监测点在外部DEM中的坐标得到不同轨道下的InSAR点云。
上述InSAR点云包括PSI点云和TomoSAR点云。
在本申请的实施例中，上述多轨道的SAR数据可通过高分三号卫星(GF-3)、RadarSat-2(一颗搭载C波段传感器的高分辨率商用雷达卫星)、ALOS-2卫星、TerraSAR-X(TerraSAR-X add-on for Digital Elevation Measurement)卫星/TanDEM-X卫星、COSMO_SkyMed卫星(意大利航天局和意大利国防部共同研发的COSMO-SkyMed高分辨率雷达卫星星座的第二颗卫星)、海丝一号(Hisea-1)卫星、ICEYE卫星获取。影像数量大于20景。
下面对步骤11中获取InSAR点云数据的过程进行示例性说明。
步骤i，从N+1个图像堆栈选择主影像进行影像配准，然后干涉得到N个干涉图，同时使用参考数字高程模型(DEM，Digital Elevation Model)去除它们的地形相位分量。
示例性的，由主从影像构成的第i个缠绕干涉相位可以表示为：/> 其中，/>表示形变相位，/>表示地形残余相位，/>表示大气延迟相位，/>表示噪声相位。
步骤ii，使用各种方法进行高相干散射体(PS)检测，例如对振幅离散指数(ADI)或信噪比(SCR)进行阈值处理。这些候选PS被连接以形成参考网络。通过PS双差相位测量，即时间和空间上的差，在弧上估计差分高度误差和差分形变参数。
具体的，首先进行时序SAR影像的预处理得到缠绕的差分干涉图堆践，并基于振幅离散阈值识别高质量的PS候选点，然后使用德洛内(Delaunay)三角网将这些候选点链接起来，生成第一层空间网络，第一层网络后续将作为第二层网络的参考。第二层网络在第一层网络基础上，识别出更多高质量的PS点，并对新识别的PS点构建星型网络，得到细密的PS弧段，提高监测点密度。
当构建的PS弧段满足条件便可以从M个缠绕差分干涉图中估计出高度误差Δε和形变速率Δv。具体的，可以采用以下函数的最大优化值对高度误差Δε和形变速率Δv进行求解：
其中，γ表示弧段的时序相干系数，Δωi表示第i个缠绕差分干涉图对应的观测值与拟合值之差，λ表示雷达波长，R表示斜距，θ表示卫星入射角，ΔTi表示第i个缠绕差分干涉图的时间基线，/>表示第i个缠绕差分干涉图的空间基线。
然后通过在二维空间中搜索，利用周期图谱法对每个弧段进行估计，可以得到对应弧段的高程误差和形变速率。
步骤iii，相对于选择的参考点，对差分参数估计进行积分，得到绝对高度误差参数和形变参数，并从干涉相位中去除两种相位分量(形变分量和高度分量)。剩余的相位贡献包括非线性形变、大气和噪声。然后，利用空间域的低通滤波和时间域中的高通滤波提取大气分量，该大气分量在整个场景上插值并从差分干涉图中减去。
步骤iv，根据校正的差分干涉图检测剩余的PS，这些PS连接到参考网络中最近的点，以增加监测点密度，并且估计它们的建模参数。
具体的，由于在建筑环境下可能存在相位的不连续，需要对差分增量值(高度误差Δε和形变速率Δv)进行最优全局积分，从而获取每个监测点的地形残差和形变值。在本申请的实施例中，首先通过异常点检测去除低质量弧段，然后构造子集网络以增加原始空间网络的空间覆盖。在此基础上，通过岭估计调整并降低法方程矩阵的病态，可以得到参数值的全局最优估计。
步骤iv的表达式如下：
B*X＝L+R
X＝(BTPB+σI)-1BTPL
其中，B表示系数矩阵，L表示观测值，R表示残余量，X表示所有监测点的待估形变速率和高度误差，σ表示正则化因子，I表示单位矩阵，P表示具有对角线形式的权重矩阵，可以由时序相干系数确定。
步骤v，将所有PS的DEM高度添加到其高度误差估计值中，使用卫星轨道参数和参考椭球体对每个PS的雷达定时以及更新的高度进行地理编码，以产生大地坐标系中的PS监测点，获得InSAR点云。
在本申请的实施例中，在对InSAR点云数据进行聚类前，还需利用滤波器对研究区域的InSAR点云数据进行滤波处理，具体如下：
SAR影像斑点噪声和估计误差的存在导致InSAR点云含有大量的噪点(孤立点)，阻碍了点云配准过程以及不同类型点云的集成应用。常用的点云滤波器，都能较好地滤除InSAR噪点。示例性的，统计滤波器通过对每个点的邻域进行统计分析，基于邻域点距离均值和标准差关系可以消除大部分噪声和异常点。半径滤波器则统计固定范围内的领域点数量，基于数量阈值排除噪点。在InSAR点云中，城市建筑物大多表现为不完整的立面和屋顶形式，立面和屋顶点在水平投影面上具有不同的密度，通过对点密度进行阈值处理即可提取建筑物立面点和屋顶点。以上两种滤波器仅作示例性说明，在实际应用过程中，可采用其它常见的滤波器对InSAR点云数据进行滤波，在此不对其具体形式和步骤进行限制。
步骤12，分别利用不同聚类半径的DBSCAN聚类算法对研究区域的InSAR点云数据进行聚类，得到多个点云类。
其中，InSAR点云数据包括多个轨道对应的InSAR点云，点云类包括同一建筑物类型的建筑物的点集。
在本申请的实施例中，基于密度的聚类算法(DBSCAN，Density-Based SpatialClustering of Applications with Noise)的最小包含点数设置为5，此举能够一定程度将噪声点过滤掉，产生更完整的聚类结果，上述不同聚类半径包括两个大小不同的聚类半径。
在本申请的实施例中，点云类点云类包括建筑物面积大于预设面积阈值的一类建筑物点云类、建筑物面积小于于预设面积阈值的二类建筑物点云类以及有屋顶点的三类建筑物点云类。
步骤13，分别针对多个点云类中的每个点云类，提取点云类中所有建筑物的立面点和屋顶点，将立面点和屋顶点投影到北东坐标系中，得到点云类中建筑物对应的InSAR点云的二维投影，并根据该点云类对应的对应点查找方法和二维投影，得到该点云类中建筑物在不同轨道的InSAR点云中的对应点。
其中，不同点云类对应的对应点查找方法互不相同。
步骤14，对对应点进行匹配，得到建筑物在不同轨道的对应点对。
步骤15，基于ICP算法和建筑物在不同轨道的对应点对，对InSAR点云数据进行配准。
ICP算法本质上是集成随机采样一致性(RANSAC)和最小二乘估计的迭代配准方法。该算法重复进行匹配点对挑选，刚体变换矩阵估计步骤，直到满足正确配准的收敛精度要求。ICP算法最终将找到待配准点云数据与参考点云数据之间的最优旋转参数R和平移参数T，实现两点云数据坐标系的精确对齐。RANSAC的优点是它能鲁棒的估计模型参数，它能从包含大量局外点的数据集中估计出高精度的参数，可以用于挑选正确的匹配点对。
下面对步骤12(分别利用不同聚类半径的DBSCAN聚类算法对研究区域的InSAR点云数据进行聚类，得到多个点云类)的过程进行示例性说明。
分别针对InSAR点云数据中每个轨道对应的InSAR点云，执行以下操作：
分别针对InSAR点云中的每个点，若该点预设范围内的邻域点的数量小于预先设置的邻域点阈值，则删除该点。
在三维空间中，利用大的聚类半径对应的DBSCAN聚类算法对InSAR点云中的点进行聚类，得到InSAR点云对应的第一次点云聚类结果。
示例性的，第一点云聚类结果包括大型建筑物点云和密集建筑群点云。
在二维空间中，利用小的聚类半径对应的DBSCAN聚类算法对InSAR点云中的点进行聚类，得到InSAR点云对应的第二次点云聚类结果。
示例性的，第二点云聚类结果包括小型建筑物点云、高层建筑物点云和中小型建筑物点云。
对第一次点云聚类结果和第二次点云聚类结果进行合并，得到InSAR点云对应的多个初始点云类。
分别针对多个初始点云类中的每个初始点云类，若初始点云类中点的数量小于预先设置的点数量阈值，则删除该初始点云类，得到轨道对应的多个点云类。
下面对步骤13(分别针对多个点云类中的每个点云类，提取点云类中所有建筑物的立面点和屋顶点，将立面点和屋顶点投影到北东坐标系中，得到点云类中建筑物对应的InSAR点云的二维投影，并根据该点云类对应的对应点查找方法和二维投影，得到该点云类中建筑物在不同轨道的InSAR点云中的对应点)中根据该点云类对应的对应点查找方法和二维投影，得到该点云类中建筑物在不同轨道的InSAR点云中的对应点；不同点云类对应的对应点查找方法互不相同。
情况一：当点云类为一类建筑物点云类时。
分别针对每个一类建筑物的InSAR点云，执行以下步骤：
根据二维投影的密度得到InSAR点云的立面点及其二维坐标；
初始化霍夫空间中的参数矩阵M(ρ,θ)；其中，初始化后的参数矩阵M(ρ,θ)为零矩阵，参数矩阵M(ρ,θ)的行ρ表示霍夫坐标下原点到直线的距离，参数矩阵M(ρ,θ)的列θ表示霍夫坐标下直线与轴线的夹角；
分别针对InSAR点云中的每个立面点的二维投影(xi,yi)，对该点进行从直角坐标到霍夫空间的变换，得到该点在霍夫空间对应的参数(ρi,θi)，并将M(ρ,θ)中(ρi,θi)对应的位置的值增加1，得到最终的参数矩阵M'(ρ,θ)；
将最终的参数矩阵M'(ρ,θ)中，值大于预设阈值的位置的参数对应的直线作为已识别直线，得到多条已识别直线(如图2a中直线1、直线2、直线3、直线4所示)，并获取多条已识别直线的交点的水平坐标；
将InSAR点云中交点作为目标点，计算目标点附近的邻域点的高度值的平均值，并将平均值作为目标点的垂直坐标，将目标点的水平坐标作为对应点的水平坐标，得到对应点(如图2a中角点所示)。
情况二，当点云类为二类建筑物点云类时。
分别针对每个二类建筑物对应的InSAR点云，执行以下步骤：
针对面积较小的二类建筑物边长较短，难以利用霍夫变换检测点云直线，对此点云类应采用以下步骤；
根据InSAR点云的二维投影的密度，得到InSAR点云的立面点及其二维坐标；
根据二维坐标，计算InSAR点云中各点之间的距离，并将距离最远的两个点对应的直线作为第一参考直线；
计算点云类中每个点与第一参考直线的距离，将距离最远的点作为参考点，将经过参考点并且垂直于第一参考直线的直线作为第二参考直线，根据第二参考直线对点云类进行划分，得到第一部分点集(如图2b中part1所示)和第二部分点集(如图2b中part2所示)；
利用RANSAC算法分别对第一部分点集和第二部分点集进行拟合，得到第三参考直线和第四参考直线。
若第三参考直线和第四参考直线为垂直关系，则将点云类作为一个L-shape目标点云，分别计算该L-shape目标点云中各点与第三参考直线和第四参考直线的距离，获取最大距离对应的点在第三参考直线和第四参考直线上的投影点，并将投影点作为目标点，计算目标点附近的邻域点的高度值的平均值，并将平均值作为目标点的垂直坐标，将目标点的水平坐标作为对应点的水平坐标，得到对应点(如图2b中角点所示)。
情况三，当点云类为三类建筑物点云类时。
分别针对每个三类建筑物对应的InSAR点云，执行以下步骤：
根据InSAR点云的二维投影的密度得到InSAR点云的屋顶点及其二维坐标；
分别计算的屋顶点的二维中心点坐标，以及屋顶监测点在二维坐标系中各坐标轴上对应的宽度；
上述宽度包括水平坐标轴对应的宽度ΔX和垂直坐标轴对应的宽度ΔY(如图2c中升降轨点云所示)。
其中，Pcenter和Qcenter分别表示不同轨道的屋顶中心点，R和T表示旋转矩阵和偏置矩阵，ΔXA和ΔXD分别表示不同轨道的屋顶点在水平坐标轴的宽度，ΔYA和ΔYD分别表示不同轨道的屋顶点在垂直坐标轴的宽度。
计算不同轨道的屋顶监测点宽度ΔX和ΔY之间的差值，若差值小于等于预设差值阈值，则将InSAR点云中二维中心点坐标对应的点作为目标点，计算目标点附近的邻域点的高度值的平均值，并将平均值作为对应点的垂直坐标，将目标点的水平坐标作为对应点的水平坐标，得到对应点(如图2c中升降轨屋顶中心点所示)。
下面对步骤14(对对应点进行匹配，得到建筑物在不同轨道的对应点对)的具体过程进行示例性说明。
步骤14.1，针对每个对应点的坐标，计算不同轨道的对应点之间的距离。
步骤14.2，将距离小于预设距离阈值的两个对应点作为对应点对。
下面对步骤15(基于ICP算法和建筑物在不同轨道的对应点对，对InSAR点云数据进行配准)的过程进行示例性说明。
步骤i，从InSAR点云数据中选取任一轨道的InSAR点云作为参考点云，将除该轨道外其他轨道的InSAR点云作为待配准点云，利用RANSAC算法得到参考点云和每个待配准点云之间的对应点对。
需要说明是的，在本申请的一实施例中，当InSAR点云数据为升降轨InSAR点云数据时，以升轨InSAR点云为参考点云，降轨InSAR点云为待配准点云。
需要说明的是，在配准过程中，设置一类建筑和二类建筑的对应点对的权重为1，设置三类建筑的对应点对权重为其中，ΔXA和ΔXD分别表示升降轨的屋顶点在水平坐标轴的宽度，ΔYA和ΔYD分别表示升降轨的屋顶点在垂直坐标轴的宽度。
步骤ii，基于ICP算法和对应点对，得到用于点云配准的平移参数R和旋转参数T。
步骤iii，通过计算公式
得到配准损失值∑(R,T)；其中，pn表示参考点云，Qn表示待配准点云，N表示参考点云和待配准点云之间的匹配点对的数量，||·||2表示计算2范数。
步骤iv，若配准损失值小于预设配准损失阈值，则根据步骤ii中的平移参数R和旋转参数T，对待配准点云进行刚体变换，得到配准的InSAR点云数据；否则，返回执行步骤i。
示例性的，上述配准损失阈值可设置为10^-5。迭代次数可设置为20次。
如图3所示，本申请的实施例提供了一种终端设备，如图2所示，该实施例的终端设备D10包括：至少一个处理器D100(图2中仅示出一个处理器)、存储器D101以及存储在所述存储器D101中并可在所述至少一个处理器D100上运行的计算机程序D102，所述处理器D100执行所述计算机程序D102时实现上述任意各个方法实施例中的步骤。
具体的，所述处理器D100执行所述计算机程序D102时，分别利用不同聚类半径的DBSCAN聚类算法对研究区域的InSAR点云数据进行聚类，得到多个点云类，然后分别针对多个点云类中的每个点云类，提取点云类中所有建筑物的立面点和屋顶点，将立面点和屋顶点投影到北东坐标系中，得到点云类中建筑物对应的InSAR点云的二维投影，并根据该点云类对应的对应点查找方法和二维投影，得到该点云类中建筑物在不同轨道的InSAR点云中的对应点，再对对应点进行匹配，得到建筑物在不同轨道的对应点对，最后基于ICP算法和建筑物在不同轨道的对应点对，对研究区域的InSAR点云数据进行配准。其中，分别利用不同聚类半径的DBSCAN聚类算法对研究区域的InSAR点云数据进行聚类，能够准确地提取不同建筑物对应的点云，得到准确的点云类，从而提高InSAR点云配准的准确性；根据不同点云类对应的对应点查找方法，得到各点云类中建筑物在不同轨道的InSAR点云中的对应点，能够提取不同类型的建筑物的对应点，提高了方法的普适性，同时，以此提取的对应点对更加准确，从而提高了InSAR点云配准的准确性。
所称处理器D100可以是中央处理单元(CPU，Central Processing Unit)，该处理器D100还可以是其他通用处理器、数字信号处理器(DSP，Digital Signal Processor)、专用集成电路(ASIC，Application Specific Integrated Circuit)、现成可编程门阵列(FPGA，Field-Programmable Gate Array)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器D101在一些实施例中可以是所述终端设备D10的内部存储单元，例如终端设备D10的硬盘或内存。所述存储器D101在另一些实施例中也可以是所述终端设备D10的外部存储设备，例如所述终端设备D10上配备的插接式硬盘，智能存储卡(SMC，SmartMedia Card)，安全数字(SD，Secure Digital)卡，闪存卡(Flash Card)等。进一步地，所述存储器D101还可以既包括所述终端设备D10的内部存储单元也包括外部存储设备。所述存储器D101用于存储操作***、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器D101还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (10)

1.一种InSAR点云的配准方法，其特征在于，包括：
分别利用MT-InSAR技术估计InSAR监测点的高度值，并结合InSAR监测点在外部DEM中的坐标得到不同轨道下的InSAR点云；
分别利用不同聚类半径的DBSCAN聚类算法对所述InSAR点云数据进行聚类，得到多个点云类；所述InSAR点云数据包括多个轨道对应的InSAR点云，所述点云类包括同一建筑物类型的建筑物的点集；
分别针对所述多个点云类中的每个点云类，提取所述点云类中所有建筑物的立面点和屋顶点，将所述立面点和屋顶点投影到北东坐标系中，得到所述点云类中建筑物对应的InSAR点云的二维投影，并根据该点云类对应的对应点查找方法和所述二维投影，得到该点云类中建筑物在不同轨道的InSAR点云中的对应点；不同点云类对应的对应点查找方法互不相同；
对所述对应点进行匹配，得到建筑物在不同轨道的对应点对；
基于ICP算法和所述建筑物在不同轨道的对应点对，对InSAR点云数据进行配准。
2.根据权利要求1所述的配准方法，其特征在于，所述分别利用MT-InSAR技术估计InSAR监测点的高度值，并结合InSAR监测点在外部DEM中的坐标得到不同轨道下的InSAR点云，包括：
分别针对不同轨道中每个轨道的SAR影像进行以下操作：
对采集的所述轨道的多景SAR影像进行影像配准和干涉处理，得到振幅序列和差分干涉图；
对所述振幅序列进行高相干散射体检测，得到得到PS点；
对所述PS点进行Delaunay三角剖分，得到空间网络；
在所述空间网络的弧上估计差分高度误差和差分形变参数，并相对于一个已知参考点，对差分参数估计进行积分，得到绝对高度误差参数和形变参数；
将所述PS点的高度误差估计值添加到外部DEM坐标中，并使用卫星轨道参数和参考椭球体对每个PS的雷达定时以及更新的高度进行地理编码，得到所述轨道下的InSAR点云。
3.根据权利要求2所述的配准方法，其特征在于，所述不同DBSCAN聚类半径包括两个大小不同的聚类半径；
所述分别利用所述不同聚类半径的DBSCAN聚类算法对InSAR点云数据进行聚类，得到多个点云类，包括：
分别针对每个轨道下的InSAR点云，执行以下操作：
分别针对所述InSAR点云中的每个点，若该点预设范围内的邻域点的数量小于预先设置的邻域点阈值，则删除该点；
在三维空间中，利用大的聚类半径对应的DBSCAN聚类算法对所述InSAR点云中的点进行聚类，得到所述InSAR点云对应的第一次点云聚类结果；所述第一次点云聚类结果包括大型建筑物点云；
在二维空间中，利用小的聚类半径对应的DBSCAN聚类算法对所述InSAR点云中的点进行聚类，得到所述InSAR点云对应的第二次点云聚类结果；所述第二次点云聚类结果包括小型建筑物点云；
对所述第一次点云聚类结果和所述第二次点云聚类结果进行合并，得到所述InSAR点云对应的多个初始点云类；
分别针对所述多个初始点云类中的每个初始点云类，若所述初始点云类中点的数量小于预先设置的点数量阈值，则删除该初始点云类，得到所述轨道对应的多个点云类。
4.根据权利要求3所述的配准方法，其特征在于，所述点云类包括建筑物面积大于预设面积阈值的一类建筑物点云类、建筑物面积小于于预设面积阈值的二类建筑物点云类以及有屋顶点的三类建筑物点云类。
5.根据权利要求4所述的配准方法，其特征在于，当所述点云类为所述一类建筑物点云类时，所述根据该点云类对应的对应点查找方法和所述二维投影，得到该点云类中建筑物在不同轨道的InSAR点云中的对应点，包括：
分别针对每个一类建筑物的InSAR点云，执行以下步骤：
根据所述二维投影的密度得到所述InSAR点云的立面点及其二维坐标；
初始化霍夫空间中的参数矩阵M(ρ,θ)；其中，初始化后的参数矩阵M(ρ,θ)为零矩阵，所述参数矩阵M(ρ,θ)的行ρ表示霍夫坐标下原点到直线的距离，所述参数矩阵M(ρ,θ)的列θ表示霍夫坐标下直线与轴线的夹角；
分别针对所述InSAR点云中的每个立面点的二维投影(xi,yi)，对该点进行从直角坐标到霍夫空间的变换，得到该点在霍夫空间对应的参数(ρi,θi)，并将M(ρ,θ)中(ρi,θi)对应的位置的值增加1，得到最终的参数矩阵M'(ρ,θ)；
将所述最终的参数矩阵M'(ρ,θ)中，值大于预设阈值的位置的参数对应的直线作为已识别直线，得到多条已识别直线，并获取所述多条已识别直线的交点的水平坐标；
将所述InSAR点云中所述交点作为目标点，计算所述目标点附近的邻域点的高度值的平均值，并将所述平均值作为所述目标点的垂直坐标，将所述目标点的水平坐标作为所述对应点的水平坐标，得到所述对应点。
6.根据权利要求4所述的配准方法，其特征在于，当所述点云类为所述二类建筑物点云类时，所述根据该点云类对应的对应点查找方法和所述二维投影，得到该点云类中建筑物在不同轨道的InSAR点云中的对应点，包括：
分别针对每个二类建筑物对应的InSAR点云，执行以下步骤：
根据所述InSAR点云的二维投影的密度，得到所述InSAR点云的立面点及其二维坐标；
根据所述二维坐标，计算所述InSAR点云中各点之间的距离，并将距离最远的两个点对应的直线作为第一参考直线；
计算所述点云类中每个点与所述第一参考直线的距离，将所述距离最远的点作为参考点，将经过所述参考点并且垂直于所述第一参考直线的直线作为第二参考直线，根据所述第二参考直线对所述点云类进行划分，得到第一部分点集和第二部分点集；
利用RANSAC算法分别对所述第一部分点集和所述第二部分点集进行拟合，得到第三参考直线和第四参考直线；
若所述第三参考直线和所述第四参考直线为垂直关系，则将所述点云类作为一个L-shape目标点云，分别计算该L-shape目标点云中各点与所述第三参考直线和所述第四参考直线的距离，获取最大距离对应的点在所述第三参考直线和所述第四参考直线上的投影点，并将所述投影点作为目标点，计算所述目标点附近的邻域点的高度值的平均值，并将所述平均值作为所述目标点的垂直坐标，将所述目标点的水平坐标作为所述对应点的水平坐标，得到所述对应点。
7.根据权利要求4所述的配准方法，其特征在于，当所述点云类为所述三类建筑物点云类时，所述根据该点云类对应的对应点查找方法和所述二维投影，得到该点云类中建筑物在不同轨道的InSAR点云中的对应点，包括：
分别针对每个三类建筑物对应的InSAR点云，执行以下步骤：
根据所述InSAR点云的二维投影的密度得到所述InSAR点云的屋顶点及其二维坐标；
分别计算所述的屋顶点的二维中心点坐标，以及所述屋顶监测点在二维坐标系中各坐标轴上对应的宽度；所述宽度包括水平坐标轴对应的宽度和垂直坐标轴对应的宽度；
计算所述不同轨道的屋顶监测点宽度之间的差值，若所述差值小于等于预设差值阈值，则将所述InSAR点云中二维中心点坐标对应的点作为目标点，计算所述目标点附近的邻域点的高度值的平均值，并将所述平均值作为所述对应点的垂直坐标，将所述目标点的水平坐标作为所述对应点的水平坐标，得到所述对应点。
8.根据权利要求1所述的配准方法，其特征在于，所述对所述对应点进行匹配，得到建筑物在不同轨道的对应点对，包括：
针对每个对应点的坐标，计算不同轨道的对应点之间的距离；
将所述距离小于预设距离阈值的两个对应点作为所述对应点对。
9.根据权利要求1所述的配准方法，其特征在于，所述基于ICP算法和所述建筑物在不同轨道的对应点对，对InSAR点云数据进行配准，包括：
步骤i，从所述InSAR点云数据中选取任一轨道的InSAR点云作为参考点云，将除该轨道外其他轨道的InSAR点云作为待配准点云，利用RANSAC算法得到所述参考点云和每个待配准点云之间的对应点对；
步骤ii，基于ICP算法和所述对应点对，得到用于点云配准的平移参数R和旋转参数T；
步骤iii，通过计算公式
得到配准损失值∑(R,T)；其中，pn表示所述参考点云，Qn表示所述待配准点云，N表示所述参考点云和所述待配准点云之间的匹配点对的数量，||·||2表示计算2范数；
步骤iv，若所述配准损失值小于预设配准损失阈值，则根据所述步骤ii中的平移参数R和旋转参数T，对所述待配准点云进行刚体变换，得到配准的InSAR点云数据；否则，返回执行步骤i。
10.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至9任一项所述的InSAR点云的配准方法。
CN202310718666.XA 2023-06-16 2023-06-16 一种InSAR点云的配准方法及终端设备 Pending CN116740151A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310718666.XA CN116740151A (zh) 2023-06-16 2023-06-16 一种InSAR点云的配准方法及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310718666.XA CN116740151A (zh) 2023-06-16 2023-06-16 一种InSAR点云的配准方法及终端设备

Publications (1)

Publication Number Publication Date
CN116740151A true CN116740151A (zh) 2023-09-12

Family

ID=87911148

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310718666.XA Pending CN116740151A (zh) 2023-06-16 2023-06-16 一种InSAR点云的配准方法及终端设备

Country Status (1)

Country Link
CN (1) CN116740151A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117741662A (zh) * 2023-12-20 2024-03-22 中国科学院空天信息创新研究院 基于双观测视角的阵列干涉sar点云融合方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117741662A (zh) * 2023-12-20 2024-03-22 中国科学院空天信息创新研究院 基于双观测视角的阵列干涉sar点云融合方法

Similar Documents

Publication Publication Date Title
CN106997049B (zh) 一种基于激光点云数据的检测障碍物的方法和装置
Moravec et al. High resolution maps from wide angle sonar
CN111046776B (zh) 基于深度相机的移动机器人行进路径障碍物检测的方法
CN101331381B (zh) 三维形状数据的位置对准方法和装置
Dorninger et al. 3D segmentation of unstructured point clouds for building modelling
Shahbazi et al. UAV-based point cloud generation for open-pit mine modelling
CN112464812B (zh) 一种基于车辆的凹陷类障碍物检测方法
JP2014523572A (ja) 地図データの生成
Konrad et al. Localization in digital maps for road course estimation using grid maps
CN112455502B (zh) 基于激光雷达的列车定位方法及装置
CN116740151A (zh) 一种InSAR点云的配准方法及终端设备
Jende et al. A fully automatic approach to register mobile mapping and airborne imagery to support the correction of platform trajectories in GNSS-denied urban areas
Dong et al. Radargrammetric DSM generation in mountainous areas through adaptive-window least squares matching constrained by enhanced epipolar geometry
Shi et al. Fusion of a panoramic camera and 2D laser scanner data for constrained bundle adjustment in GPS-denied environments
CN113238228B (zh) 基于水准约束的三维地表形变获取方法、***及装置
Ren et al. Automated SAR reference image preparation for navigation
CN117029870A (zh) 一种基于路面点云的激光里程计
CN107765257A (zh) 一种基于反射强度辅助外部校准的激光探测与测量方法
CN116203544A (zh) 一种移动测量***往返测回无控自检校方法、装置及介质
CN115965712A (zh) 一种建筑物二维矢量图构建方法、***、设备及存储介质
Hasheminasab et al. Linear Feature-based image/LiDAR integration for a stockpile monitoring and reporting technology
CN115494500A (zh) 基于遥感干涉测量的采空区快速探测方法、***及应用
CN115113202A (zh) 一种基于二维高斯模型的干涉相位迭代解缠方法
CN114187332A (zh) 一种雷达图像配准方法和***
CN111856464B (zh) 一种基于单控制点信息的车载sar的dem提取方法

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