建筑物边界约束的航空影像DSM优化

针对航空影像密集匹配生成点云数据边界模糊的问题,提出了一种基于DSM灰度影像矢量边界与DEM无约束D-三角网嵌套生成具有精确边界的建筑物表面模型的方法。通过逐点内插法建立实验区点云数据的DSM深度影像图;根据计算机视觉中的边缘检测算子,提取深度影像中建筑物的准确边界;建立DEM的无约束D-三角网,将准确建筑物边界作为硬边界嵌入三角网中,最终将建筑物三角网和地面点三角网拼合,生成"纯净"建筑物表面模型。实验结果表明,优化后的建筑物高度和平面信息无精度损失,该方法有较强实用性。

基于全卷积神经网络的无人机影像建筑物提取

针对无人机影像建筑物自动提取时精度低、边缘精细化程度不足导致水利移民征地过程中建筑物面积统计不准确的问题,为提高无人机影像建筑物自动提取精度,利用基于跳层连接的全卷积神经网络进行无人机影像建筑物自动提取,结合无人机数据生产过程中产生的DSM对建筑物初步提取结果进行后处理,得到更加精细化建筑物的边缘。结果显示,利用基于跳层连接的全卷积神经网络进行无人机影像建筑物提取,平均Kappa系数为0.90,平均查准率为0.93;当前常用的分类模型Deeplab网络,Kappa系数为0.67,查准率0.70;Segnet网络的Kappa系数为0.75,查准率为0.79。相较于Deeplab网络Kappa系数提高了0.23,查准率提高了0.23;相较于Segnet网络,Kappa系数提高了0.15,查准率提高了0.14。利用DSM对初步提取结果进行后处理,处理后Kappa系数为0.92,查准率为0.94。对比初步提取结果,Kappa系数提高了0.02,查准率提高了0.01。结果表明,结合DSM与全卷积神经网络的无人机影像建筑物提取方法具有更优越的提取精度。