基于多视影像的三维数码城市快速自动建模方法的研究

提出了一种基于多视影像的三维数码城市快速自动建模的方法。首先获取重建区域的多视(多角度)影像,经过数字摄影测量处理之后,自动获取地面的三维信息,然后在人工干预下半自动地获取建筑物的几何信息,并自动从多视影像中提取建筑物屋顶和墙面的纹理,建立建筑物的三维模型,最终建立重建区域的三维场景。实验结果表明,该方法是可行的、有效的。     

恐龙谷南缘山区DIM点云的PTD滤波改进试验研究

无人机DIM点云滤波处理是地物分类、地物单体化提取和地形特征分析的关键步骤,为解决高原山区因地形复杂而导致DIM点云滤波处理难度大和精度低等问题。选择以滇中高原恐龙谷南缘山区为试验区,首先利用DJI Phantom 4 RTK采集影像数据,解算密集影像获取DIM点云;其次,考虑山体点与地面点有较大高程差,选择经典PTD滤波算法对实验区密集匹配点云进行滤波处理;最后,综合考虑实验区山顶和山脚存在较大高程差且山体两侧沟壑丛生,山体两侧地面点易被识别为非地面点,提出以脊-谷交汇地形特征点为PTD滤波算法的种子点,在山体两侧精细化构建不规则三角网的改进PTD滤波算法。结果表明：1)PTD滤波算法得到地面点较为完整保留整个实验区,但明显的地物如山体两侧低矮植被和山脚蔬菜大棚基本未被剔除,且山体部分的地面点易被识别为非地面点而在出现山体K1、K2、K3区域的空洞现象。2)针对恐龙谷南缘山区复杂地形,提出以脊-谷交汇地形特征点为PTD滤波算法的种子点,在山体两侧精细化构网,山体低矮植被部分清除,相对于PTD滤波算法蔬菜大棚大面积被清除。并且山体两侧地面点得到较为完成保留,未出现明显点云空洞的现象。     

Delaunay三角网优化下的小面元遥感影像配准算法

针对遥感影像配准中控制点分布不均匀而影响配准精度的问题,论文提出三角网优化模型下的小面元遥感影像配准算法。首先利用RFM模型与DSM数据对其进行正射纠正;其次采用SIFT算子匹配特征点,通过RANSAC算法对其优化;同时设置影像边缘格网点,综合利用仿射变换、核线约束和灰度相似性约束匹配边缘格网点;构建初始Delaunay三角网,通过三角单元面积与角度双重约束优化三角网;最终通过扫描线填充算法实现小面元影像配准。多组实验结果表明该算法在遥感影像配准中的适用性和有效性,影像配准精度可达到亚像素级,使得存在地形起伏的遥感影像配准问题得到了有效解决。      

基于SIFT特征的多视点云数据配准和拼接算法

针对无特征标志点的大场景多视点云数据,提出了一种新的基于SIFT特征的配准和拼接算法。算法提出了有效纹理图像的概念,并对有效纹理图像进行SIFT特征提取和匹配;然后将提取的SIFT特征点和匹配关系反射到三维点云数据,获取多视点云数据的特征点和匹配关系,完成多视点云数据的拼接。算法在有效纹理图像中提取和匹配特征点,排除了点云数据中孔洞和无效数据的干扰,并且算法只利用较高鲁棒性的特征点对进行拼接,计算简单,匹配精度和效率都得到提高。对室内和室外两个大场景的2个视点数据进行实验,实验结果证明拼接速度和精度都有较大的提高。     

基于投影网络的遥感影像超分辨率重建方法

针对遥感影像数据量大、地形起伏大、覆盖范围 广的特点,本文提出了一种基于卷积神经网络的遥感影像超分辨重建 方法,该方法联合密集网络和深度反投影网络,组成了密集投影单元,形成深度密集投影网 络,解决了传统算法在遥感影像超分 辨率重建中存在的纹理表征不够,细节提取不足、训练困难等问题。实验结果表明,在多个 遥感影像数据集上,本文与其他对比 方法相比,PSNR和SSIM有明显提升,重建出的遥感影像纹理标征和细节特征更加丰富。     

双目测量系统的室内定位与重建

为了解决实测场景下光照变换及弱纹理区域对三维重建效果的影响,提出一种双目测量系统的改进AD-Census立体匹配算法进行室内目标物体的定位及三维重建。方法基于双目视觉测量原理,首先采用直方图均衡化、自适应阈值Canny边缘提取及膨胀等操作进行图像预处理,其次利用张正友标定法完成相机标定,通过立体校正去除相机畸变,基于梯度划分弱纹理及边缘区域来改进AD-Census立体匹配算法,最后用所改进算法生成的视差图,实现了室内物体的定位及三维点云重建。实验结果表明,本方法可以提高在弱纹理背景区域的匹配精度,在10 m测距范围内,相对误差不超过5%,在1.8 m处,测量误差较小,在保证精度的同时实现了室内目标场景轮廓的基本重建,视觉效果较好,可广泛应用于实际中。     

倾斜影像辅助的无人机载LiDAR高陡边坡形变监测

针对高海拔峡域地形地貌环境下基于轻小型无人机载LiDAR对高陡边坡激光点云扫描数据缺失导致DEM重建及形变分析精度低的问题,优化设计了一种垂直于山脊线、变高飞行的无人机点云/多视影像数据采集,以及影像密集匹配点云辅助下LiDAR三维激光点云的滑坡群DEM重建方案,实现了复杂地形地貌下LiDAR点云数据安全、高效的采集,改善了高陡边坡DEM重建及形变监测的精度和完整性。该方法基于迭代最邻近点算法,将倾斜影像生成的点云数据与同期获取的LiDAR点云数据配准和融合,实现了LiDAR点云数据缺失补偿,进而构建出完整、高精度的DEM,并与往期倾斜影像生成的DEM进行差分,对三个典型滑坡体进行了高程形变分析。以青海龙羊峡水电站的高陡边坡滑坡群为研究区,利用实测的GNSS地面控制点进行实验验证,得出结论：融合后的LiDAR点云精度为0.063 m,比融合前提高了0.018 m;重建的三个典型滑坡体的DEM高程精度为0.08 m,提升了边坡DEM重建的完整性和精度;对三个典型滑坡体2018、2021年两期高程形变分析,表明：滑坡群中多个边坡发生不同程度的土体滑动,高程方向的形变高达50多米,滑坡群形变...     

多源遥感影像高精度自动配准方法研究

针对遥感影像本身存在纹理差异,特征点提取不均匀的自动配准问题,提出了一种新的多源遥感影像高精度自动配准方法。首先,对Harris算子进行了改进,使其提取特征点覆盖范围更广;然后,对影像进行分块处理,对每块用文章改进的Harris算子进行特征点提取,并采用分块迭代剔除策略,保证了特征点在整幅影像中的均匀分布和非冗余分布;其次提出了金字塔-双向-最小二乘多匹配算法进行影像匹配,完成了最终同名点选取;最后利用小三角形面元TIN对影像进行了精确纠正。实验结果表明本文方法获取同名点均匀合理,能够更好地实现多源遥感影像的高精度配准,具有一定实际意义。     

基于特征点的高分辨率卫星遥感影像自动配准方法

在高分辨率卫星遥感影像配准中,由于数据量的迅猛增长以及分辨率的提升,使配准精度逐渐下降,配置工作越堆越多。为此,文中设计一种基于特征点的高分辨率卫星遥感影像自动配准方法。对高分辨率卫星遥感影像数据实施云层二值化、灰度拉伸这两种预处理。云层二值化的处理主要通过OSTU算法实现,灰度拉伸处理使用的方法是直方图均衡。基于影像特征点,通过SURF算法实施高分辨率卫星遥感影像的特征点提取。通过提取的特征点在遥感影像上构建多个小面元区域,利用小面元微分纠正的方式对2幅影像实施精确配准。为实验配置硬件环境与软件环境,使用2种影像数据测试设计方法的配准性能。测试结果表明：所设计方法对于白天非雪天拍摄的图像与白天雪天拍摄的图像的配准精度都很高,二者差异较小;对于相同场景、不同传感器拍摄的影像以及不同场景、同一传感器拍摄的影像,设计方法的配准精度均较高。说明设计方法能够克服不同因素的影响,实现较为精准的自动配准。     

基于空间聚类种子生长算法的阵列干涉SAR点云滤波

阵列干涉合成孔径雷达(Synthetic Aperture Radar, SAR)通过在交轨向布置多个天线,结合方位向的合成孔径和斜距向的大带宽信号,具备了3维分辨能力,且多个阵元保证了其在高程向的空间采样,能够解决干涉SAR(Interferometric SAR, InSAR)测绘中的叠掩问题,实现观测场景的3维成像。但是获得场景区域的3维点云分布中存在较多杂点,高程向误差较大,所以传统的激光雷达(Light Detection And Ranging, LiDAR)点云滤波方法不适用于阵列干涉SAR点云的滤波处理。针对该问题,该文提出基于空间聚类种子生长算法的阵列干涉SAR点云滤波算法,应用密度和高程双重阈值生成密度-高程图像,通过图像处理手段去除小型杂点,利用空间聚类种子生长算法将植被等从点云数据中去除,完成点云滤波处理。利用国内首次机载阵列干涉SAR实验数据,通过与传统LiDAR滤波方法进行比较,验证了该文算法的有效性,为后续建筑物提取和精细化处理提供保障。