基于无人机影像匹配点云的土石方量计算

针对传统土石方量测量中存在受地形限制、耗时费力、成本高等问题,提出一种基于无人机影像匹配点云的土石方量计算方法。使用单镜头多旋翼无人机获取玉林市某矿山区域范围内正射影像与倾斜影像,借助Pix4Dmapper软件对无人机影像进行处理与分析,提取矿山地表三维点云数据;利用布料模拟点云滤波算法对所获取的点云数据进行滤波处理,进而分离非地面点与地面点;同时利用局部多项式插值算法对地面点云缺失区域进行插值拟合,生成更加准确的地形特征;利用EPS软件对点云成果进行分析,计算矿山现状开采范围内的土石方量值。结果表明:基于无人机影像匹配点云的土方量计算所得结果与GNSS-RTK实测结果差值比为1.9%,计算方法具有可行性与可靠性,可作为土石方量计算新方法。

基于影像密集匹配点云的建筑物变化检测方法

采用影像密集匹配点云开展变化检测能有效发现建筑物高度的变化。提出了一种融合深度神经网络与空间体素的影像密集匹配点云建筑物变化检测方法。首先构建注意力驱动的建筑物点云提取深度神经网络,再分别利用布料模拟滤波算法和植被指数剔除地面点和植被点云,最后通过空间体素比较提取建筑物点云变化。实验结果表明,该方法的漏检率为0%,且虚警率比传统方法降低了48.64%,说明其具有大幅提升违章建筑发现效率的潜力,能够满足实际生产需求。

基于改进的不规则三角网的密集匹配点云滤波与应用

密集匹配点云作为一种新型数据,被广泛应用于各种地形图测绘生产,针对现阶段密集匹配点云滤波技术尚不成熟的问题,本文利用一种改进的不规则三角网加密滤波算法,通过建筑物立面选取地面种子点,结合高程排序构建不规则三角网进行地面点云滤波,并与传统不规则三角网加密滤波算法进行对比,结果表明:改进的算法在地面滤波过程中,选取的地面种子点更加准确。对于不同的地形,此算法具有一定的适用性,在地形平坦区域总误差为9.3%,地形复杂区域总误差为12.9%,匹配精度提升了20%~30%,取得了较好的滤波效果。

点云模型的匹配点对优化配准

针对传统迭代最近点(ICP)算法在点云存在重叠或部分重叠时,配准误差大且适应性差的问题,提出一种基于匹配点对加权优化的改进配准算法。首先,提出一种改进体素降采样算法对点云进行采样,减少数据量的同时提高算法对噪声的鲁棒性;然后,采用改进Sigmoid函数赋予参与配准的匹配点对不同的权重,克服传统算法忽视距离较小的匹配点对中仍具有错误点对的缺点,同时提高了配准精度和收敛速度;最后,提出一种采用奇异值分解法(SVD)求解配准参数的方法,进一步提高配准精度。设计了不同重叠度的配准实验和噪声实验,并结合曲轴三维点云重建对本文算法进行验证。实验结果表明:本文算法误差较Tr-ICP算法减少了约34.1%,较AA-ICP算法减少了约29%,配准时间较TrICP算法缩短了约16.1%。最终表明本文算法具有更高配准精度的同时,具有更好的适用性和鲁棒性。

无人机影像密集匹配点云在违法占地和违法建筑监测中的应用

当前城市违法占地和违法建筑监测大多基于遥感影像开展,无法有效发现建筑物加建、加盖等情况,利用影像密集匹配点云提取建筑物三维变化是“两违”精准监测的有效途径。本文以贵港市“两违”监测工作为例,以无人机影像密集匹配点云为基础数据,通过构建深度神经网络模型自动提取建筑物点云,并检测不同时相建筑物点云的变化,经叠加审批、规划等自然资源管理数据,快速提取出疑似“两违”图斑并开展监测。

基于图论的激光图像误匹配点自动探测

为了有效提取特征点,提升误匹配点自动探测效果,提出一种基于图论的激光图像误匹配点自动探测方法。利用尺度不变特征变换检测激光图像极值点,完成特征点提取,归一化处理特征点,计算提取的特征点间的距离,按照距离为提取特征点构建激光图像完全图;建立激光图像导出图,通过迭代处理导出图,自动探测误匹配点。实验证明:该方法可有效提取激光图像特征点;在不同旋转角度时,该方法自动探测误匹配点的粗差误判率较低、内点比例较高,最高粗差误判率仅有6.8%,最低内点比例84.8%,说明该方法具备较优的误匹配点自动探测效果。

基于摄影测量匹配点云估算建筑表面太阳辐照度

针对现有建筑物太阳辐照度评估方法难以同时兼顾建筑屋顶和立面,激光点云数据成本较高,不适合计算大范围、高密度获取建筑表面点云问题。本文提出了一种基于倾斜影像密集匹配点云进行建筑物表面太阳辐照度一体化评估方法。该方法通过无人机倾斜影像获取感兴趣区域的建筑物三维模型,结合阴影仿真算法和简化后的太阳辐射模型,对建筑物表面进行阴影仿真和太阳辐照度计算。经对比试验验证,本文方法能够准确计算建筑表面太阳辐照度,有效拓展了倾斜摄影测量的应用范围,为协助建筑师设计建筑表面和最大化利用建筑表面太阳能提供了可靠的数据支撑。

视频拼接中匹配点选取和标定算法研究

视频拼接在宽视角场景观测、虚拟现实、安全监控等多个领域已得到广泛应用,匹配点选取和标定是视频拼接的关键环节,直接影响视频拼接的效率和质量。文章对ORB算法、SIFT算法及BRISK算法的原理和关键内容进行了阐述,以期为视频拼接中选择更为合理的匹配点选取和标定算法提供借鉴。

基于无人机影像匹配点云的苗圃单木冠层三维分割

近年来较多的树冠提取算法以激光雷达数据为基础,然而激光点云数据量大、冗余多而且采集成本高。本文基于无人机影像匹配点云提取单木树冠轮廓,研究一种成本可控、能够补充甚至部分替代激光雷达的小范围森林制图方案。以福建省三明市某林场内苗圃地作为研究对象,在稠密的无人机影像匹配点云中截取2个25 m×25 m的样地作为测试样本。预处理后,首先构建植被冠层高度模型,以局部最大值法探测树冠位置并标记为种子点;从这些种子点形成的初始区域开始生长,迭代计算直到全部的影像匹配点云归并完毕;最后,将算法提取的树冠轮廓导入Arc GIS中获取树冠轮廓矢量边界,并与手绘参考树冠叠加,利用F测度实现精度的评定。依此方案,在2个林分范围内的树冠提取F测度均达到了89%以上,单木冠幅提取的误差在0.14 m以内。结果表明,该方案简单有效、精度可靠,适用于小范围、高精度的植被制图。

影像密集匹配点云的单体化提取

以倾斜影像密集匹配点云数据为研究对象,提出了一种快速提取建筑物单体点云模型的方法。首先通过过滤地面点云数据以实现地物分离,采用高程频率直方图确定植被点云的高程区间并予以剔除。然后采用基于密度的聚类分析算法对剩余建筑物顶部点云进行了聚类。最后根据每栋独立建筑物屋顶点云的坐标范围,从原始点云数据中提取了每栋独立建筑物的完整点云,实现了对于倾斜影像密集匹配点云的单体化提取。

双目视觉测量中等匹配点的光条中心提取

为了精确、快速提取激光条中心,使其提取结果更适用于工业现场特征尺寸的双目视觉测量,提出了一种等匹配点的激光条中心提取方法。利用灰度重心法粗提取出激光条中心点,计算灰度梯度方向,确定光条边界。接着,根据左右图像中激光条的粗提取结果确定基准光条,对另一幅图像中的对应光条进行插值。然后结合灰度梯度方向与插值结果对激光条进行重提取,得到等匹配点的亚像素中心坐标。最后,利用激光条中心点提取结果重建陶瓷平板、金属板表面及加工现场锻件表面的特征信息。实验结果表明,本文方法提取陶瓷板与金属板的激光条中心点的匹配率分别为99.887%与98.276%,宽度重建的相对误差分别为0.638%与0.488%,激光条中心提取结果能有效重建锻件表面的特征信息,满足工业现场对测量的精度、速度和鲁棒性要求。

基于相似三角形的SIFT错误匹配点剔除算法研究

图像匹配是图像处理应用于诸多领域的一项关键技术,基于不变特征的图像匹配是近年来图像匹配的研究热点。尺度不变特征是最有效的平移、尺度、旋转和亮度局部不变特征之一,但该算法一般会产生大量的错误匹配点。首先给出了交叉线和"一对多"类型的错误匹配点的剔除方法。然后针对一般性错误匹配点,提出了一种基于相似三角形的剔除方法,并通过实验将该算法与另外两种常用剔除算法进行了比较,证实本文提出的方法速度更快,且在剔除错误匹配点的同时保留了较多的正确匹配点。

基于区域重叠核加权Hu矩的SIFT误匹配点剔除算法

针对尺度不变特征变换(scale invariant feature transform,SIFT)算法在特征点匹配时容易出现误匹配现象,提出了一种基于区域重叠核加权Hu矩的SIFT误匹配点剔除算法。该算法首先通过对SIFT描述子区域内的重叠4邻域计算Hu矩,生成能够描述纹理特征与轮廓特征的种子点描述子;其次,根据描述子的区域特点利用核函数对种子点描述子进行加权,生成63维区域重叠核加权Hu矩描述子;最后用巴氏(Bhattacharyya)系数计算归一化后描述子的相似度,并剔除相似度较小的匹配点。将该算法与其他3种算法进行对比,实验结果表明,该算法的鲁棒性最强,实时性较高,综合性能最优。

景像匹配误匹配点的剔除算法

景像匹配过程的复杂性不可避免地会产生误匹配点 .基于巡航导弹机动性能的规律 ,巡航导弹飞越一个匹配区得到的各个匹配点的拟合曲线具有一定的变化规律 .据此 ,提出了景像匹配误匹配点剔除的 3种算法 :(1)基于匹配点拟合曲线曲率较小的算法 ;(2 )基于匹配点拟合曲线为直线的算法 ;(3)利用惯性导航短时间测量距离的精确性剔除误匹配点的方法 .采用试飞试验数据对这 3种算法进行仿真验证的结果表明 ,这 3种算法在相应条件下 ,均能有效地剔除误匹配点 ,并能满足景像匹配实时性的要求 .

改进的匹配点提纯算法mRANSAC

针对当前图像匹配算法中匹配点提纯环节不能有效提取正确匹配点的问题,提出了多变换矩阵mRANSAC(multi-RANSAC)方法.由于数字图像离散采样的原因,匹配点不能准确对应,存在一定的误差,由其拟合出的变换矩阵也各不相同,因而一个变换矩阵不能包含所有的正确匹配点.通过对RANSAC的研究发现,在抽样计算结果非最大内点数组中,只要内点数足够多,也是正确的,这也可以通过不同图像匹配点数不同来客观印证.因而提出使用多变换矩阵增加匹配点数,提高提纯效率,并提出并集法、减集法、自适应内点数阈值法三种策略.结果表明,mRANSAC提纯结果比RANSAC方法多出60%～300%.通过对mRANSAC阈值的设置和调整,可以达到近似100%的提纯率.该方法也可应用到其他有类似提纯问题的领域中.

利用并查集的多视匹配点提取算法

多视匹配点的提取是多视影像场景三维重建的核心问题之一,提取结果将直接影响三维重建的精度。将多视匹配点的提取问题转化为动态连通性问题,设计了基于并查集算法的解决方案。采用高效的树结构来组织并查集中的节点,在树中采用parent-link连接方式,使得每次增加匹配点对的过程中只需修改单个节点的寻址参数,避免了遍历数组来比较寻址参数的计算过程,提高了查找和修改的效率。同时通过加权策略对算法进行优化,利用加权编码方式替代常用的硬编码,可以平衡树状图的结构,降低树中节点的平均深度。多组影像集的实验结果表明,基于并查集的算法可以提取更多的多视匹配点,并且计算效率要优于传统的广度优先搜索算法。

GSSAC:一种用于遥感影像配准的误匹配点检测方法

遥感影像配准中,由于光照、成像角度、几何变形等因素的影响,无论采用何种配准方法,总会产生误匹配点,因此误匹配点检测也是一个非常重要的步骤。针对常用RANSAC(random sample consensus)方法不稳定、无法准确检测分布不均匀匹配点的缺点,提出了分组排序采样一致性(group sorted cample consensus,GSSAC)方法来提高误匹配点检测的稳定性和精度。分组排序采样方法首先将匹配点分为若干组,在每组内计算匹配点的误差并排序,然后在每组中分别采样若干个匹配点组成估算模型参数需要的匹配点。实验结果表明,GSSAC方法可以稳定地获得高精度的检测结果。

基于函数拟合的SIFT误匹配点剔除算法

针对RANSAC算法在剔除SIFT误匹配点实验中存在耗时长、误匹配等问题,提出了基于函数拟合的SIFT误匹配点剔除算法。首先采用SIFT算法进行待匹配图像与匹配图像的匹配工作,对匹配后的待匹配图像关键点采用迭代最小二乘拟合法构建函数模型,然后与匹配图像特征关键点进行拟合,最后计算两者的误差,当误差大于给定阈值时,确认该点为误匹配点,对其进行剔除。实验结果表明,采用基于函数拟合剔除误匹配点在时间上比RANSAC算法平均节省了2 s,正确匹配率提高11.75%,并且较多地保留了正确匹配点。

RANSAC算法在剔除图像配准中误匹配点的应用

在遥感图像中存在很多相似地物、地貌,SIFT算法本身只利用了特征点的局部邻域梯度信息,通过SIFT算法提取到的特征点存在很多误匹配点,通过RANSAC算法剔除误匹配点,可以提高配准的精度。

基于匹配点相似度引导采样的图像多平面检测

针对实际广泛存在的具有深度变化的多平面场景,提出一种基于匹配点引导采样的多平面检测算法。根据平面结构中匹配点的相似度改进匹配点的采样规则,通过对匹配点的残差信息进行排序和加权分析,获取场景中各个平面结构对应的单应矩阵,从而实现了场景中多平面区域的准确检测。实验结果表明,与现有典型的算法相比,提出的算法可获得较高的平面检测准确率。