电影云修复技术研究

本文在界定云模式下档案影片修复系统可行工作流程基础上,结合电影云制作现状和电影修复工作特性,论述了云修复模式的基本特点,以及将本地修复系统迁移到云端的技术需求,并对当前技术条件下实现云修复模式的可行性及关键技术点进行分析研究。

NOAA卫星云检测和云修复业务应用系统的研制和建立

介绍了 NOAA气象卫星云检测、云替补的光谱原理、技术模型以及基于 VB5.0版本的业务系统的基本功能。系统经过试验运行和实况验证 ,取得了良好的运行效率与精度较高的云检测和替补效果 ,从而为 NOAA卫星的遥感应用提供了可靠的数据源保证。

基于深度学习的三维点云修复技术综述

三维点云是最常用的三维场景/物体表示方法之一.根据点云修复侧重点不同,将基于深度学习的三维点云修复技术划分为密集重建、补全重建和去噪重建3类;详细分析了相关典型修复模型及关键技术,如特征编码、特征扩展和损失函数设计;总结了常用的网络模块、点云数据集和评估准则;最后讨论了3类修复技术之间的关系,并从旋转不变性特征提取、细节信息修复、拓扑关系保持、几何算法应用和多模态数据融合5个方面探讨了点云修复技术面临的挑战及未来发展趋势.

档案影片云修复基础技术测试研究

本文论述了对档案影片云修复基础技术的测试研究,包括搭建云修复模拟系统,确定云修复的基本工作流程,测试不同技术路线下云修复系统的可实现功能和性能特性。进而,根据测试结果分析了云修复系统实现的关键技术要素,并论证了当前技术条件下实现电影云修复的可行性。

基于对称性的LiDAR点云修复研究

提出一种基于对称平面的三维点云修复方法,首先对原始点云进行重采样,并通过空间转换和密度聚类的方法获取点云的初始对称平面,然后利用镜像点云与原始点云的配准关系对初始对称平面进行优化,最终利用精细对称平面修复缺失的点云。实验结果表明本方法能够有效提取点云的对称平面,并修复缺失点云。

基于低空摄影测量的机载LiDAR点云修复方法

针对机载LiDAR点云存在数据缺失造成的空洞问题,研究利用低空摄影测量技术,探索机载LiDAR点云空洞修复的方法。利用低空摄影测量手段获取的遥感影像可以生成高精度的修复点云,并通过将修复点云融合到原始LiDAR点云中,实现对机载LiDAR点云空洞的修复。该方法操作简单、效率高,适用于大面积机载LiDAR点云数据的批量修复,能够为城市三维精细化建模提供重要的数据支撑。

一种边缘辅助的卫星影像云修复卷积神经网络

遥感影像的云修复是改善影像质量、降低数据成本的一种重要手段。使用Landsat 8影像研究卷积神经网络在云修复中的应用,提出一种影像信息重建的新式网络结构——边缘辅助的门控卷积网络(edge-guided gated convolutional network,EGCN)。该网络以多时相数据作为含云影像上被遮挡信息的辅助数据,主干网络为多时空门控卷积网络(spatial-temporal based gated convolutional network,STGCN),在多尺度特征融合模块引入一种改进的非局部(non-local,NL)模块——门控非局部(gated non-local,GNL)来替代传统的卷积层,并以边缘特征提取网络(edge network,ENet)为分支,从边缘信息层面进行特征引导。实验结果表明,GNL模块和ENet的加入均有助于提升云修复效果。

一种参考既有DEM的机载点云漏洞修复方法

机载雷达在成像过程中受到地形起伏、地物反射率、物体遮挡等因素的影响,在局部区域形成漏洞,漏洞的存在严重影响DEM的制作。针对机载点云存在漏洞这一现象,提出了一种参考既有DEM的机载点云漏洞修复方法。首先根据点云密度与点云平均距离将三维点云投影到二维平面上,经过网格化与邻域检测,提取出漏洞边界的点云,若存在多个漏洞,则将边界点云进行聚类分割。进而根据点云密度与平均距离插值出漏洞区域内缺失点云的平面坐标,再将DEM对应点处的高程赋值给漏洞内的点云,最后结合边界点云与DEM的高程差,使用反距离加权法(IDW)对漏洞内点云的高程进行高程改正。实验结果表明,该方法对含有多个和不同大小的点云漏洞的数据同样有较好的修复效果,对较大区域的点云漏洞依旧适用,其中5米DEM修复结果的高程中误差为0.82米,1米DEM修复结果的高程中误差为0.19米,具有较高的修复精度,在机载点云漏洞修复中有一定的应用价值。

基于残差优化的综采工作面煤壁点云补全方法

煤矿综采工作面巷道的数字化三维重建过程中需要完整且密集的煤壁点云数据。受遮挡、视角限制等因素影响,采集的综采工作面煤壁点云数据往往不完整且稀疏,影响下游任务,需进行煤壁点云修复和补全。目前缺少针对井下点云补全任务的数据集和网络模型,现有模型用于煤壁点云补全时存在点云密度分布不均匀、点云特征信息丢失等情况。针对上述问题,设计了一种基于残差优化的煤壁点云补全网络模型,采用监督学习方式学习点云特征信息,通过最小化密度采样和残差网络迭代优化输出完整点云。采集煤矿井下真实综采工作面煤壁点云数据,预处理后筛选可用数据,通过模拟随机空洞制作煤壁点云缺失数据集,并用缺失数据集训练基于残差优化的煤壁点云补全网络模型。实验结果表明:与经典的FoldingNet,TopNet,AtlasNet,PCN,3D-Capsule点云补全网络模型相比,基于残差优化的煤壁点云补全网络模型针对构造的缺失煤壁点云和稀疏煤壁点云补全的倒角距离、地移距离及F1分数均能达到最优水平,整体补全效果最佳;针对实际缺失的煤壁点云,该模型能够实现有效补全。

基于LiDAR点云精确快速修复面状水域DEM

DEM质量检验规范对水域部分“高程一致性”及“水面光滑平整性”的基本要求,使得在生产水域DEM时,参与了大量的人工后期编辑工作,致使效率低下。为摆脱这一传统工作模式,本文通过探讨机载LiDAR中面状水域部分与其周边点云的不同结构特点,运用TIN外接圆半径大小的差异性,分离面状水域与非水域三角网,以完成对面状水域边界的提取与水域空洞的点云修复,借助C语言编制点云处理程序,并针对某自然村进行机载LiDAR扫描与该方案的程序测试。测试结果表明:该程序化解决方案能够快速识别测区水域边界,以水域边界最低点高程值修复水域空洞,使其DEM完全满足DEM质检规范对水域的基本要求,效率上较传统水域DEM处理模式有大幅提高,获得较好的测试效果。

基于代数曲面的残缺点云数据迭代修复算法

针对逆向工程领域,激光扫描仪获取的散乱点云数据难免存在着残缺的问题,设计一种迭代修复残缺点云孔洞的算法,对其进行下采样,基于加权局部最优投影算子得到分布均匀的稀疏点集;将点沿稀疏点集的代数点集曲面排斥推向残缺区域;对稀疏点集进行上采样完成孔洞区域的一次修复。将上述步骤迭代应用,逐渐缩小残缺区域,直到完成修复。研究表明:该方法对表面曲率连续的残缺点云模型可自适应完成修复,恢复原有残缺区域的几何信息。

一种利用LiDAR点云的水域DEM快速精细生成算法

为了严格满足水域DEM质量检验中“高程一致性”与“自然光滑平整性”的两个基本要求,利用机载LiDAR点云数据快速生成精细水域DEM,通过分析三维点云数据的空间结构特征,运用基于Delaunay三角形外接圆半径及过滤阈值的设定、水域中心线的提取与带状水域点云聚类分块修复等方法,整体改进了水域点云的空洞边界快速识别与提取算法、块状水域点云修复算法及带状水域修复算法,并对测试案例成功实现了DEM成果的快速、精细提取。研究结果显示,改进后的水域数字高程模型生成算法能够较好地实现对斑块、带状水域精细DEM的快速提取,相比传统手工修复水域DEM的做法,工作效率得到了大幅提升,可为水域DEM的制作提供一定的借鉴。

机载LiDAR点云数据检查及其修复研究

对机载LiDAR点云数据的生产流程及结构进行了介绍,全面分析了点云数据在生产中的必要检查项目,并针对性的给出点云检查问题的修复方法。同时,详细描述了在MATLAB环境下实现对点云数据检查及修复的流程,并给出部分参考代码。

运用LiDAR点云快速精确生成带状水域DEM的方法

传统制作水域DEM时参与了大量的人工后期处理,致使DEM整体生产效率极其低下。通过分析基于机载LiDAR点云的空间数据结构,给出了改进的带状水域点云修复方案,它包括针对点云数据快速识别提取带状水域边界线、边界范围线内部点云清除、河流中心线提取及点云修复等处理方法,从算法上实现了带状水域DEM点云的自适应修复方法。并借助C语言,编制了点云修复程序,在实测案例中获得了较好的验证效果,满足了DEM质量检验对带状水域DEM“高程一致性”与“自然光滑平整性”的基本要求。

根据断面轮廓线修复隧道点云孔洞的方法

为了修复采集点云的数据缺失,设计一种根据隧道断面轮廓闭合矢量线修复点云孔洞的方法,利用Microsoft Visual Studio 2010设计实现隧道轮廓线提取系统,并借助OpenGL实现结果的可视化。

基于GPU的三维人脸数据动态线性快速修复

基于CUDA和Open GL,根据三维人脸的深度与灰度数据构造三维点云模型,在更短的时间内显示具有逼真效果的三维人脸模型,并根据传统三维人脸点云显示对数据采集要求较高的缺陷,提出了一种用于修补低质量三维采集数据中出现的空洞现象的动态线性修复方法并使用GPU为算法进行了加速。该方法从人脸数据集中读取点云数据,逐行扫描寻找点云数据中出现的空洞并使用符合人脸本质特征的线性插值方式修补空洞。实验证明,该方法能得到远好于传统点云显示的效果,且经过GPU加速后显示效率得到大幅提高。

多特征多层次Sentinel-2影像辽宁省湖库水体提取

以辽宁省为研究区,本文基于GEE遥感云平台,使用Sentinel-2遥感影像,提出了一种多特征多层次的湖库水体提取算法。该算法选择自动水体指数(AWEI sh)和改进的归一化水体指数(MNDWI)提取水体,并利用归一化植被指数(NDVI)、归一化建筑指数(NDBI)、归一化差异红边指数(NDREI)、Sentinel-2的B8和B9波段及DEM数据多层次地消除暗地物和高亮地物噪声,对提取结果中被云雾遮挡而部分缺失的水体进行修复,最后将河流及细小像素剔除。利用此算法提取了辽宁省2017—2021年每年4、7、10月的湖库水体,并对比了不同水体提取算法及不同的水体数据产品。试验结果表明,本文算法在大尺度条件下提取水体具有良好的效果,总体精度达96%以上,可以较好地去除植被、阴影等暗像元表面,并且保证了水体信息的完整性,在大尺度水体提取方面具有一定的适用性和稳定性。

激光雷达三维点云目标补全算法

本文在机场环境下,由于天气/激光雷达视角以及飞机本身相互遮挡问题,导致激光雷达获取的点云不完整,提出了一种基于深度学习的激光雷达点云补全算法,通过改进PCN网络模型实现点云补全的算法。编码层基于PointNet(Point Completion Network)网络结构,扩展增加一层多层感知器(Shared MLP)和逐点最大池化层(Point-feature Maxpool)组合,并联合第一层池化层的结果作为输入实现点云补全。实验结果表明,改进模型点云数据更加稠密均匀,物体轮廓特征细节部分补全效果更好。

基于深度学习的三维点云处理方法研究进展

随着传感器技术的不断发展,三维点云被广泛应用于自动驾驶、机器人、遥感、文物修复、增强现实、虚拟现实等领域的视觉任务中。然而,直接应用收集到的海量原始点云数据得到的效果不佳,因此,基于深度学习的点云处理方法受到了越来越多的关注和研究。本文综述了近6年来基于深度学习的三维点云处理方法的研究进展。首先给出了三维点云的基本概念和获取方式,简述了4种点云处理任务;然后针对点云去噪和滤波、点云压缩、点云超分辨率以及点云修复-补全-重建任务,重点阐述了相应的深度学习方法的原理,并分析了其优缺点;随后介绍了22种点云数据集和4类评价指标,同时给出了性能对比结果;最后探讨了点云处理方法目前存在的问题,并对未来的研究趋势进行了展望。

LiDAR点云的建筑物立面空洞修复

针对树木等遮挡造成的车载LiDAR建筑物立面点云空洞,该文提出了一种基于机载和车载LiDAR数据融合的建筑物点云修复方法,即在空-地LiDAR点云融合的基础上,基于提取的机载LiDAR建筑物外轮廓线,通过缓冲区分析实现车载LiDAR建筑物点云分割;借助轮廓线信息实现了邻近建筑物间的相似性判断,基于匹配后的相似建筑物点云和空洞探测方法,实现了建筑物立面点云空洞修复。最后通过实验数据验证了该方法的可行性。