基于低空遥感影像的多视密集点云生成方法及系统的制作方法
【专利摘要】本发明提供基于低空遥感影像的多视密集点云生成方法及系统，主要用于低空遥感影像的密集点云生成，包括：首先，通过基于面元的多视立体匹配方式生成准密集的种子点；然后以物方面元为基准对PMVS生成的准密集匹配的种子点进行扩散及优化，最后进行异常值过滤。本发明相比原有的多视立体匹配方法，点云密度更高，提供了更清晰地表达地物的细节特征的技术方案。
【专利说明】
基于低空遥感影像的多视密集点云生成方法及系统
技术领域
[0001] 本发明属于摄影测量及遥感影像多视立体匹配技术领域，设及基于低空遥感影像 的多视密集点云生成方法及系统。
【背景技术】
[0002] 随着激光扫描和影像匹配技术的迅速发展，Ξ维信息引起了越来越多的重视。Ξ 维信息的应用已经由简单的获取数字高程模型和数字表面模型扩展到了如考古、地形监 巧。、面部几何和运动捕捉、文化遗产保护、森林和农作物建模W及理疗等其他领域。近年来 随着摄影测量和计算机视觉技术的进步，基于影像的Ξ维建模技术已经成为了激光扫描技 术的一个主要的竞争者。同激光扫描技术相比，基于影像的Ξ维重建技术的优势在于：
[0003] 1)数据来源广泛，所有相机拍摄的影像均可W用于Ξ维重建，包括卫星影像，数码 相机、手机或平板电脑拍摄的照片甚至是视频流中截取的任意帖图像。无论相机是否经过 标定。
[0004] 2)成本低廉。
[0005] 3)基于影像的Ξ维重建生成的点云具有激光扫描点云不具备的颜色信息。
[0006] 在摄影测量与计算机视觉领域，基于影像的Ξ维重建方法可W分为密集匹配和多 视立体匹配两类。
[0007] 二十世纪屯十年代，Remondino等首先提出应用两张相片对应像素采用摄影测量 前方交会的方法计算地面点坐标。此后40年，立体匹配一直是摄影测量与遥感领域最受关 注的问题之一。随着硬件和影像匹配技术的革新，基于摄影测量的Ξ维建模可W在一个可 W接受的时间内完成。一些学者关注如何利用摄影测量技术来生成稀疏的种子点，还有一 些学者则专注于如何利用两张相邻相片质检的极线约束来实现逐像素基本的密集匹配。然 而，基于基线约束的密集匹配方法仍不能解决两视匹配在噪声点和遮挡区域存在误匹配的 问题。
[000引随着一序列低成本的开源软件系统的出现，多视立体匹配已经成为计算机视觉领 域最受欢迎的方法之一。多视立体匹配可W通过应用多张相片的荣誉信息来弱化遮挡和噪 声的影响。在2006年Middlebury提出的一个多视立体重建的公共实验平台中证明，多视立 体重建技术对于单独的对象或小范围场景的建模结果可W媳美激光扫描。然而，对于大场 景的重建，虽然提出了很多方法用于提高点云的密度和精度，但其结果仍不能代替激光扫 描点云数据。一般认为，平台高度在lOOOmW下的航空遥感称为低空遥感。由于低空遥感影 像具有地面分辨率高、响应速度快、云下飞行等特点，在大场景的Ξ维重建中得到了广泛关 注。
【发明内容】
[0009]针对现有技术的缺点，本发明的目的是提供一种基于低空遥感影像的大场景多视 密集Ξ维点云生成方法及系统。
[0010] 本发明的技术方案提供一种基于低空遥感影像的多视密集点云生成方法，包括W 下步骤：
[0011] 步骤1，通过基于面元的多视立体方式生成种子点，得到种子点的Ξ维坐标(Χ，Υ, 2)，面元的法向量(曰，6，(3)，种子点的颜色(1?，6,8);
[0012] 步骤2,进行基于物方面元的点云扩散，包括对于每个种子点分别执行W下步骤进 行扩散，
[0013] 步骤2.1，将种子点投影到影像集合中的每张影像上，得到对应投影像点坐标；
[0014] 步骤2.2,从影像集合中，选择投影像点与影像中屯、点距离最短的影像k为参考影 像；
[0015] 步骤2.3,从参考影像上取出一个预设大小的影像窗口，设影像窗口中有效像素为 μ X μ个，将影像窗口中每个像素投影到物方面元上得到μ X μ个物点，添加到集合0P中，集合 0Ρ中的每条记录数据包括物点坐标(Χ，Υ，Ζ)，物方面元法向量(a，b，c)，参考影像编号k;
[0016] 步骤3,采用基于面元的多片几何约束方式优化点云，包括对集合OP中每个物点分 别执行W下步骤进行优化，
[0017] 步骤3.1，根据投影关系，将物点投影到参考影像中，求得参考影像对应像点坐标 (xoc, yoc)；
[001引步骤3.2，w投影点(x0c，y0c)为中屯、建立参考影像窗口 rwk;
[0019] 步骤3.3, W物点为物方面元中屯、，根据当前的局部切平面法向量，将参考影像窗 口rwk投影到物方面元上求得对应物点坐标;第一次执行步骤3.3时，W步骤2.3中所得(a， b，c)为局部切平面法向量，之后执行步骤3.3时，采用上一次迭代执行步骤3.7时所得新的 (a，b，c);
[0020] 步骤3.4,将物方面元上的物点投影到影像集合中除参考影像外的其他各影像i 上，分别得到对应的影像窗口 Wl ;
[0021] 步骤3.5,如果影像窗口Wi在某影像i的范围内，Wi与参考影像窗口rwk的相关系数 大于预设阔值，则将该影像i添加到捜索影像的集合中；
[0022] 步骤3.6，针对参考影像窗口 rwk中的每个像素，分别与捜索影像集合中每张捜索 影像窗口中的对应像素建立误差方程；
[0023] 步骤3.7，根据误差方程进行最小二乘方法平差，得到改正后的面元法向量;根据 预设改正值阔值和次数阔值判断是否达到迭代结束条件，是则进入步骤3.8，否则将所得改 正后的面元法向量作为新的(a，b，C )，返回步骤3.3进行迭代；
[0024] 步骤3.8,平差结束后，将平差得到的结果添加到优化后的点云集合中；
[0025] 步骤4,异常值过滤，包括根据密度约束来过滤点云中的异常值。
[0026] 而且，步骤3.6中，针对参考影像窗口rwk中的每个像素，分别与捜索影像集合中每 张捜索影像窗口中的对应像素建立误差方程如下，
[0027]
[002引其中，VP为投影误差;hoi^u为捜索影像巧I惨考影像的福射崎变系数;gi(Xi，yi)为 面元上的投影点投影到捜索影像i上的像点重采样后的像素亮度值;go(xo，yo)为参考影像 上影像窗口中的点重采样后的像素亮度值。
[0029] 本发明还相应提供一种基于低空遥感影像的多视密集点云生成系统，包括W下模 块：
[0030] 第一模块，用于通过基于面元的多视立体方式生成种子点，得到种子点的Ξ维坐 标(Χ,Υ,Ζ)，面元的法向量(a，b，c)，种子点的颜色(R，G，B);
[0031] 第二模块，用于进行基于物方面元的点云扩散，包括对于每个种子点分别执行W 下步骤进行扩散，
[0032] 步骤2.1，将种子点投影到影像集合中的每张影像上，得到对应投影像点坐标；
[0033] 步骤2.2,从影像集合中，选择投影像点与影像中屯、点距离最短的影像k为参考影 像；
[0034] 步骤2.3，从参考影像上取出一个预设大小的影像窗口，设影像窗口中有效像素为 μ X μ个，将影像窗口中每个像素投影到物方面元上得到μ X μ个物点，添加到集合0P中，集合 0Ρ中的每条记录数据包括物点坐标(Χ，Υ，Ζ)，物方面元法向量(a，b，c)，参考影像编号k;
[0035] 第Ξ模块，用于采用基于面元的多片几何约束方式优化点云，包括对集合OP中每 个物点分别执行W下步骤进行优化，
[0036] 步骤3.1，根据投影关系，将物点投影到参考影像中，求得参考影像对应像点坐标 (xoc, yoc)；
[0037] 步骤3.2，W投影点(x〇c，y〇c)为中屯、建立参考影像窗口 rwk;
[0038] 步骤3.3, W物点为物方面元中屯、，根据当前的局部切平面法向量，将参考影像窗 口rwk投影到物方面元上求得对应物点坐标;第一次执行步骤3.3时，W步骤2.3中所得(a， b，c)为局部切平面法向量，之后执行步骤3.3时，采用上一次迭代执行步骤3.7时所得新的 (a，b，c);
[0039] 步骤3.4,将物方面元上的物点投影到影像集合中除参考影像外的其他各影像i 上，分别得到对应的影像窗口 Wl ;
[0040] 步骤3.5,如果影像窗口Wi在某影像i的范围内，Wi与参考影像窗口rwk的相关系数 大于预设阔值，则将该影像i添加到捜索影像的集合中；
[0041 ]步骤3.6，针对参考影像窗口 rwk中的每个像素，分别与捜索影像集合中每张捜索 影像窗口中的对应像素建立误差方程；
[0042] 步骤3.7，根据误差方程进行最小二乘方法平差，得到改正后的面元法向量;根据 预设改正值阔值和次数阔值判断是否达到迭代结束条件，是则进入步骤3.8，否则将所得改 正后的面元法向量作为新的(a，b，C )，返回步骤3.3进行迭代；
[0043] 步骤3.8,平差结束后，将平差得到的结果添加到优化后的点云集合中；
[0044] 第四模块，用于异常值过滤，包括根据密度约束来过滤点云中的异常值。
[0045] 而且，步骤3.6中，针对参考影像窗口rwk中的每个像素，分别与捜索影像集合中每 张捜索影像窗口中的对应像素建立误差方程如下，
[0046]
[0047] 其中，VP为投影误差;h〇i、hi功捜索影像巧I惨考影像的福射崎变系数;gi(xi，yi) 为面元上的投影点投影到捜索影像i上的像点重采样后的像素亮度值;go(xo，yo)为参考影 像上影像窗口中的点重采样后的像素亮度值。
[0048] 本发明的技术方案是根据物方面元的投影关系，对PMVS生成的点云进行扩散，再 利用多片几何约束方法优化扩散后的点云结果，最后根据密度约束来过滤点云中的异常 值。本发明利用多视立体匹配与密集匹配的优势，用多视立体匹配的方法生成了密集的点 云数据，提高了多视立体匹配的点云密度，能够更清晰地表达地物的细节特征。
【附图说明】
[0049] 图1为本发明实施例的概略分步示意图，其中图la为pmvs面元示意图，图化为面元 扩散示意图，图1C为面元优化示意图。
[0050] 图2为本发明实施例中影像窗口与物方面元的投影关系图。
【具体实施方式】
[0051] 为了更好地理解本发明的技术方案，下面结合附图对本发明做进一步的详细说 明。本发明的实施例是W-组五张低空遥感影像生成Ξ维点云，参照图1，本发明实施例的 步骤如下：
[0052] 步骤1，通过基于面元的多视立体(PMVS,patch-based multi view stereo)方法 生成种子点。
[0053] 如图la,实施例首先输入影像相关参数，根据影像的内、外方位元素计算影像的P 矩阵(投影矩阵），通过影像及其对应的P矩阵可应用现有的PMVS方法生成初始的种子点云。 PMVS生成的种子点云数据包括:种子点的Ξ维坐标(X，Y，Z)，面元的法向量(a，b，C)，种子点 的颜色(R，G，B)。
[0054] 步骤2，基于物方面元的点云扩散，实现包括W下步骤，
[0055] 如图Ib，参照图2中的投影关系对点云进行扩散，扩散点云数量的多少与扩散面元 的大小有关，如扩散面元的大小为μΧμ个像素，理论上点云的数目最多可W扩散μΧμ倍。
[0056] 本发明所提出种子点的扩散方法是W(xk，yk)为中屯、，从参考影像中取出一个固定 μΧμ大小的影像窗口 rk，将影像窗口中每个采样像素投影到PMVS的面元(patch)上得到μΧ μ个点的物点坐标，将所求得的物点坐标添加到扩散后的点云集合OP中。集合OP中的每条记 录数据包括物点坐标(Χ，Υ，Ζ)(投影计算求得），物方面元法向量(a，b，c)(与对应种子点法 向量相同），参考影像编号k(与对应种子点参考影像编号相同）。
[0057] 具体对于每个种子点的扩散步骤如下：
[0058] 步骤2.1，将种子点投影到影像集合I中的每张影像i上，得到对应投影像点坐标 (xi,yi)(iei ,1 = 1,2,··· ,η)；
[0059] 步骤2.2,从影像集合I中，选择投影像点与影像中屯、点距离最短的影像k化ei)作 为参考影像，即：
[0060]
(巧 [0061 ](町7〇与(祉，7〇为像点坐标，巧01^为影像编号；
[0062] 步骤2.3，从参考影像上取出一个预设大小的影像窗口，设影像窗口中有效像素为 μ X μ个，将影像窗口中每个像素投影到物方面元上得到μ X μ个物点，添加到扩散后的物点 集合中：
[0063] 具体实施时，本领域技术人员可自行预设影像窗口的大小。实施例W (xk，yk)为中 屯、，采样间隔为2个像素，从参考影像上取出一个17X17个像素大小的影像窗口 η，将影像 窗口中每个采样像素投影到物方面元上得到81个点的物点坐标，将所求得的物点坐标添加 到扩散后的点云集合0Ρ中。点云集合0Ρ中原始为空，集合0Ρ中的每条记录数据包括物点坐 标(Χ，Υ，Ζ)(投影计算求得），物方面元法向量(a，b，c)(与对应种子点法向量相同），参考影 像编号k(与对应种子点参考影像编号相同）。
[0064] 步骤3,应用基于面元的多片几何约束(patch-based MPGC)匹配方法对集合0P中 每个物点逐个优化。
[0065] 如图Ic，实施步骤中对每个物点进行迭代优化的具体实现步骤如下：
[0066] 步骤3.1，根据投影关系，将物点投影到参考影像中，按公式(2)-(5)求得参考影像 对应像点坐标(xoc，yOc);
[0067]
[0071] 式(2)中，R为参考影像的旋转矩阵，（Xc，Yc，Zc)为物点的在物空间坐标系中的坐标 值，O(s0，YsO，ZsO )为参考影像外方位元素中的线元素，化UOc，kvoc，kwoc )为中间变量；
[0072] 式(3)中，R-i(3)为参考影像旋转矩阵逆矩阵的第Ξ行，时为参考影像主距，λ为物 点投影到参考影像的投影系数；
[007：3 ]式(4 )中，（UOC，VOC，WOC )为像点(XOc，yoc)在像空间辅助系中的坐标；
[0074] 式(5)中，（X日c，y日C)为物点佑,Yc，Zc)投影到参考影像上的像点坐标，R-1(1)、R-1(2) 为参考影像旋转矩阵逆矩阵的第一、二行。
[0075] 步骤3.2，W投影点为中屯、建立参考影像窗口 rwk:
[0076] W(x〇c，y〇c)为中屯、，一个像素为采样间隔，从参考影像上取出一个vXv个像素 (V 可由用户预设，一般V为7、9或11)的影像窗口，可记为rwk，计算窗口内每个像素的像点坐标 (x〇，y〇)，实施例W毫米为单位进行计算，也可W采用像素为单位计算。
[0077] 步骤3.3，将参考影像窗口 rwk投影到物方面元上求得对应物点坐标：
[0078] W物点P(Xc, Yc，Zc)为物方面元中屯、，第一次执行步骤3.3时，W步骤2.3中记录的 (a，b，c)为局部切平面法向量，面元方程按公式(6)计算，之后执行步骤3.3时，采用上一次 迭代执行步骤3.7时计算改正后的面元法向量所得新的(a，b，c)。并将参考影像窗口按公式 (7)-(9)投影到物方面元P上求得对应物点坐标(Χ，Υ，Ζ):
[0079] a(Y-Yc)+b(Y-Yc)+c(Z-Zc) =0 (6)
[0080]
[00削式(7)中，（u0，v0，w0)为影像窗口中各点的像空间辅助坐标；
[0084] 式(8)中，λ表示影像窗口投影到P上的投影系数；
[0085] 式(9)中，祐o，Ys〇，Zs〇)为参考影像外方位元素中的线元素。
[0086] 步骤3.4,将面元P上的每个点投影到影像集合中除参考影像外的其他影像i上得 到对应的影像窗口wi(i = l，2,…，η, i辛k);按公式（10)-(13),分别计算P上每个投影点投 影到各捜索影像i上的像点坐标(xi，yi)，得到各捜索影像i上的相应影像窗口 wi:
[0087]
[0091] 式（10)中，Ri为影像i的旋转矩阵，Rri为影像i旋转矩阵的逆矩阵，（Xsi，Ysi，Zsi)为 影像i外方位元素中的线元素，化Ui，kvi，kwi)为中间变量；
[0092] 式（11)中，心1(3)为影像i旋转矩阵逆矩阵的第Ξ行，fi为影像i主距，λι为Ξ维点 投影到影像i的投影系数；
[oow]式（12)中，（Ui，Vi，Wi)为P上的投影点投影到影像让像点（Xi，yi)的像空间辅助坐 标；
[0094]式（13)中，（Xi，yi)为影像让的像点坐标，Ri-i(l)、Ri-i(2)为影像i旋转矩阵逆矩阵 的第一、二行。
[0095] 步骤3.5,如果影像窗口wi在某影像i的范围内，wi与参考影像窗口rwk的相关系数 大于预设阔值(具体实施时本领域技术人员可自行预设阔值，实施例设为0.6)，则将该影像 i添加到捜索影像的集合SI中，为便于标记期间，各捜索影像仍采用原影像编号i;
[0096] 步骤3.6，针对参考影像窗口 rwk中的每个像素，分别与捜索影像集合SI中每张捜 索影像窗口中的对应像素建立误差方程(14):
[0097]
(14)
[009引式（14)中，VP为投影误差;hoi^u为捜索影像巧I惨考影像的福射崎变系数;gi(Xi， yi)为P上的投影点投影到捜索影像i上的像点重采样后的像素亮度值;g0(x0，y0)为参考影 像上影像窗口中的点重采样后的像素亮度值。
[0099] 步骤3.7,根据误差方程应用最小二乘方法平差，可W计算改正后的面元法向量， 所得新的(a，b，c)。具体实施时可根据精度要求预设改正值阔值和次数阔值，实施例中设改 正值阔值为10-5，即当所有改正值小于10-5时，停止迭代，如果不满足停止迭代条件，则将所 得改正后的面元法向量作为新的（a，b，c)，返回步骤3.3进行迭代，重复步骤3.3-3.7。最小 二乘方法为现有技术，本发明不予寶述。
[0100] 步骤3.8,平差结束后，将平差得到的结果添加到优化后的点云集合中：
[0101] 将迭代完成后的结果记录为txt文档，文档内容可提供全面的结果，包括：改正后 物点坐标(Χ，Υ，Ζ)、改正后面元法向量(a，b，c)、物点颜色(R，G，B)。具体实施时，可根据投影 公式计算改正后的Ξ维点坐标。
[0102] 步骤4，根据密度约束过滤异常值：
[0103] 根据点云的密度约束过滤异常值。实施例中，若W某点为中屯、，Im2范围内的点数 小于点云的平均密度，则将该点视为异常值并过滤。
[0104] 具体实施时，本发明所提供方法可基于软件技术实现自动运行流程，也可采用模 块化方式实现相应系统。本发明还相应提供一种基于低空遥感影像的多视密集点云生成系 统，包括W下模块：
[0105] 第一模块，用于通过基于面元的多视立体方式生成种子点，得到种子点的Ξ维坐 标(Χ，Υ，Ζ)，面元的法向量(a，b，c)，种子点的颜色(R，G，B);
[0106] 第二模块，用于进行基于物方面元的点云扩散；
[0107] 第Ξ模块，用于采用基于面元的多片几何约束方式优化点云；
[0108] 第四模块，用于异常值过滤，包括根据密度约束来过滤点云中的异常值。
[0109 ]各模块具体实现可参见相应步骤，本发明不予寶述。
[0110] W下通过仿真实验来验证本发明的有效性：
[0111] 仿真实验采用两组五张航向/旁向重叠的城市区域低空遥感影像(西北大学校区 和阳江地区），并得到准确的内外方位元素，相邻影像间的重叠度均大于80%，标准影像大 小分别为 3888 X 2592 和8206 X 6078。
[0112] 评价指标:对Ξ维模型中的点云密度和精度两个方面进行评价。
[0113] (1)点云密度:统计完整的Ξ维模型中每平方米中所含Ξ维点的数量。
[0114] (2)点云精度：点云精度估计基于化i在2012年提出的精度验证方法，方法中，设Mj 是属于PMVS模型中第j个平面上物点的集合，平面j的方程为ajX+bjY+cjZ+dj = 0，Mj集合中物 点坐标设为(Xij，Yij，2門（i = 1，2，· · ·，mj)，mj是Mj集合中物点坐标的个数，η是模型表面的个 数，j = l，2，···，!!，点云的平均误差可W按照公式（15)来计算：
[0115]
(巧
[0116] 仿真结果:根据评价指标，仿真实验的实验数据如下表所示：
[0117] 表1:点云密度评价 [011 引
[0121] 从实验结果对比图与PMVS的点云对比结果可W看出，相对于PMVS方法，本发明生 成的点云密度有明显的提升，包含了更丰富的细节信息，如更清晰的建筑轮廓和篮球场附 近停靠的车辆。从表1的实验结果可W看出，本发明生成点云的密度取决于影像的空间分辨 率，在空间分辨率足够高的情况下，本发明生成的点云模型在密度上可W媳美激光扫描。从 表2的精度评价结果中可W看出，本发明得到的实验结果存在很少的异常值，对于低空遥感 影像的重建，本发明重建的点云的均误差很小，其结果是十分可靠的。
[0122] 综上所述，本发明具有如下的优点：
[0123] (1)采用PMVS方法生成准密集的种子点，相对于传统的由特征匹配生成的种子点， 该方法生成的种子点更密集、更均匀；
[0124] (2)利用物方面元的几何性质扩散种子点云，大大提高了多视立体方法重建点云 的密度；
[0125] (3)采用基于面元的多片几何约束匹配方法逐点优化物点坐标，利用多片的冗余 测量降低了噪声和遮挡的影响，生成点云的精度对于低空遥感影像重建结果是十分可靠 的。
[01%]与传统的多视立体重建方法相比，本发明的方法都具有很明显的优势，既有很高 的点云密度，又有较高的匹配精度，是一种可行的影响匹配方法。
[0127] W上内容是结合最佳实施方案对本发明说做的进一步详细说明，不能认定本发明 的具体实施只限于运些说明。本领域的技术人员应该理解，在不脱离由所附权利要求书限 定的情况下，可w在细节上进行各种修改，都应当视为属于本发明的保护范围。
【主权项】
1. 一种基于低空遥感影像的多视密集点云生成方法，其特征在于，包括以下步骤： 步骤1，通过基于面元的多视立体方式生成种子点，得到种子点的三维坐标(x，Y，z)，面 元的法向量(a，b，c)，种子点的颜色(R，G，B); 步骤2,进行基于物方面元的点云扩散，包括对于每个种子点分别执行以下步骤进行扩 散， 步骤2.1，将种子点投影到影像集合中的每张影像上，得到对应投影像点坐标； 步骤2.2,从影像集合中，选择投影像点与影像中心点距离最短的影像k为参考影像； 步骤2.3，从参考影像上取出一个预设大小的影像窗口，设影像窗口中有效像素为μ X μ 个，将影像窗口中每个像素投影到物方面元上得到μ X μ个物点，添加到集合op中，集合op中 的每条记录数据包括物点坐标(X，Y，Z)，物方面元法向量(a，b，c)，参考影像编号k; 步骤3,采用基于面元的多片几何约束方式优化点云，包括对集合OP中每个物点分别执 行以下步骤进行优化， 步骤3.1，根据投影关系，将物点投影到参考影像中，求得参考影像对应像点坐标(xo。， y〇c)； 步骤3.2，以投影点(xo。，yo。)为中心建立参考影像窗口rwk; 步骤3.3,以物点为物方面元中心，根据当前的局部切平面法向量，将参考影像窗口rwk 投影到物方面元上求得对应物点坐标;第一次执行步骤3.3时，以步骤2.3中所得(a，b，c)为 局部切平面法向量，之后执行步骤3.3时，采用上一次迭代执行步骤3.7时所得新的（a，b， c); 步骤3.4,将物方面元上的物点投影到影像集合中除参考影像外的其他各影像i上，分 别得到对应的影像窗口 w1; 步骤3.5,如果影像窗口wi在某影像i的范围内，wi与参考影像窗口rwk的相关系数大于 预设阈值，则将该影像i添加到搜索影像的集合中； 步骤3.6，针对参考影像窗口 rwk中的每个像素，分别与搜索影像集合中每张搜索影像窗 口中的对应像素建立误差方程； 步骤3.7,根据误差方程进行最小二乘方法平差，得到改正后的面元法向量;根据预设 改正值阈值和次数阈值判断是否达到迭代结束条件，是则进入步骤3.8，否则将所得改正后 的面元法向量作为新的(a，b，c)，返回步骤3.3进行迭代； 步骤3.8,平差结束后，将平差得到的结果添加到优化后的点云集合中； 步骤4，异常值过滤，包括根据密度约束来过滤点云中的异常值。2. 根据权利要求1所述基于低空遥感影像的多视密集点云生成方法，其特征在于:步骤 3.6中，针对参考影像窗口rwk中的每个像素，分别与搜索影像集合中每张搜索影像窗口中 的对应像素建立误差方程如下，其中，vp为投影误差;h^hu为搜索影像i到参考影像的辐射畸变系数;gl(Xl，yi)为面元 上的投影点投影到搜索影像i上的像点重采样后的像素亮度值;goUhyo)为参考影像上影 像窗口中的点重采样后的像素亮度值。3. -种基于低空遥感影像的多视密集点云生成系统，其特征在于，包括以下模块： 第一模块，用于通过基于面元的多视立体方式生成种子点，得到种子点的三维坐标(X， ￥，2)，面元的法向量(&，13，(3)，种子点的颜色(1?，6,8); 第二模块，用于进行基于物方面元的点云扩散，包括对于每个种子点分别执行以下步 骤进行扩散， 步骤2.1，将种子点投影到影像集合中的每张影像上，得到对应投影像点坐标； 步骤2.2,从影像集合中，选择投影像点与影像中心点距离最短的影像k为参考影像； 步骤2.3，从参考影像上取出一个预设大小的影像窗口，设影像窗口中有效像素为μ X μ 个，将影像窗口中每个像素投影到物方面元上得到μ x μ个物点，添加到集合〇Ρ中，集合〇Ρ中 的每条记录数据包括物点坐标(X，Y，Z)，物方面元法向量(a，b，c)，参考影像编号k; 第三模块，用于采用基于面元的多片几何约束方式优化点云，包括对集合OP中每个物 点分别执行以下步骤进行优化， 步骤3.1，根据投影关系，将物点投影到参考影像中，求得参考影像对应像点坐标(xo。， y〇c)； 步骤3.2，以投影点(xo。，yo。)为中心建立参考影像窗口rwk; 步骤3.3,以物点为物方面元中心，根据当前的局部切平面法向量，将参考影像窗口rwk 投影到物方面元上求得对应物点坐标;第一次执行步骤3.3时，以步骤2.3中所得(a，b，c)为 局部切平面法向量，之后执行步骤3.3时，采用上一次迭代执行步骤3.7时所得新的（a，b， c); 步骤3.4,将物方面元上的物点投影到影像集合中除参考影像外的其他各影像i上，分 别得到对应的影像窗口 w1; 步骤3.5,如果影像窗口wi在某影像i的范围内，wi与参考影像窗口rwk的相关系数大于 预设阈值，则将该影像i添加到搜索影像的集合中； 步骤3.6，针对参考影像窗口 rwk中的每个像素，分别与搜索影像集合中每张搜索影像窗 口中的对应像素建立误差方程； 步骤3.7,根据误差方程进行最小二乘方法平差，得到改正后的面元法向量;根据预设 改正值阈值和次数阈值判断是否达到迭代结束条件，是则进入步骤3.8，否则将所得改正后 的面元法向量作为新的(a，b，c)，返回步骤3.3进行迭代； 步骤3.8,平差结束后，将平差得到的结果添加到优化后的点云集合中； 第四模块，用于异常值过滤，包括根据密度约束来过滤点云中的异常值。4.根据权利要求1所述基于低空遥感影像的多视密集点云生成系统，其特征在于:步骤 3.6中，针对参考影像窗口rwk中的每个像素，分别与搜索影像集合中每张搜索影像窗口中 的对应像素建立误差方程如下，其中，vp为投影误差;h^hu为搜索影像i到参考影像的辐射畸变系数;gl(Xl，yi)为面元 上的投影点投影到搜索影像i上的像点重采样后的像素亮度值;goUhyo)为参考影像上影 像窗口中的点重采样后的像素亮度值。
【文档编号】G06T15/00GK105825543SQ201610199944
【公开日】2016年8月3日
【申请日】2016年3月31日
【发明人】邵振峰, 杨楠, 李德仁, 李从敏
【申请人】武汉大学