论文阅读——IEEE--古镇村落的历史建筑群的三维UAV建模采样

本文主要是介绍论文阅读——IEEE--古镇村落的历史建筑群的三维UAV建模采样,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

论文阅读——IEEE——Unmanned Aerial Vehicle and Ground Remote Sensing Applied in 3D Reconstruction of HistoricalBuilding Groups in Ancient Villages

2018 Fifth International Workshop on Earth Observation and Remote Sensing Applications

古镇村落的历史建筑群的三维UAV建模采样

主要测算方法:AV-AT三角测量,PCP照片控制点刚性配准图像

主要改进效果:获取完整的无人机近镜头地面RS图像,弥补了传统无人机RS方法无法获取完整图像、对建模结果造成缺陷的不足。

A.照片控制点(PCP)测量

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-H6jMWWUw-1649257465530)(https://raw.githubusercontent.com/shiyi-ale/Image/main/img2022/image-20220406221826874.png?token=AUBB5LL4AZNRWPCO2T7SHKTCJWV3W)]

高精度的pcp为低空和地面RS图像,提供了定位和地理参考,大大提高了AT的精度。地面控制点(GCP)由CORS测 量,详细点由全站根据GCP测量。PCP被设置在GCP和细节点上 ,以完成PCP的测量。

B.低空RS图像采集

主要内容依靠GNSS定位

C.地面RS图像采集

内容同上

PROCESS OF RS IMAGE AND 3D REAL REMODELLING

大致为:使用三角测量(AT)计算出的每幅图像的精确外部定位(EO)

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-K5hFiRmz-1649257465532)(https://raw.githubusercontent.com/shiyi-ale/Image/main/img2022/image-20220406222403909.png?token=AUBB5LM4UM7OZXKBYJXM54TCJWV4Q)]

地面RS图像的数据处理

对地面已经测量得出的图像进行三角测量AT(AV-AT)解,AV-AT对地面RS图像进行相同的特征点拼接约束调整,生成具有一定灵活性的地面RS图像三角测量网络,相同特征像素投影线形成与真实对象相似的几何模型,实现相对定向(RO),将PCP坐标输入RO结果,进行刚性配准AT(RRAT)解;在RO结果中,输入像素控制点的坐标,对RO结果的像素控制点的坐标进行处理,求解RR-AT;通过空间相似变换系数的计算,将地面几何模型转化为投影坐标系, 求解地面RS图像的EO,实现绝对定向(AO)

流程图如下:

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-RzCg7bAE-1649257465532)(https://raw.githubusercontent.com/shiyi-ale/Image/main/img2022/image-20220406222403909.png?token=AUBB5LM4UM7OZXKBYJXM54TCJWV4Q)]

空间相似变换公式

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-BaBQEvLb-1649257465533)(https://raw.githubusercontent.com/shiyi-ale/Image/main/img2022/image-20220406222647676.png?token=AUBB5LLXFIYY3FC23C423KTCJWV46)]

B.低空RS图像的AT处理

主要低空介入原建模图像方法:基于位置和姿态信息,在图像支持的空间坐标系中对齐,初步计算低空RS图像的拍摄位置和姿态,根据相邻图像之间的重叠关系,进行特征点提取和图像匹配,建立低空RS图像之间的空间转换关系,在无人机获取低空RS图像时进行切除计算和束调整,校正摄像机的位置和姿态。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-PBNhlf7p-1649257465534)(https://raw.githubusercontent.com/shiyi-ale/Image/main/img2022/image-20220406223506401.png?token=AUBB5LPT67P2WWWLQRX2PSTCJWV5U)]

C.块合并(BM)

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-W6GYrXOM-1649257465534)(https://raw.githubusercontent.com/shiyi-ale/Image/main/img2022/image-20220406223705337.png?token=AUBB5LNKTQ7MLKPUGCIERODCJWV54)]

emmm就是地面与低空RS的结合,没什么好说的,主要是SR-AT,主要功能应该context capture软件能够实现

D. 3D real remodeling

多视点图像密集匹配基于真实图像生成高密度色点云,软件优化,三角网络分析,彩色纹理映射

(img-36dQjfCU-1649257465535)(https://raw.githubusercontent.com/shiyi-ale/Image/main/img2022/image-20220406223854069.png?token=AUBB5LN52ICDYOIGYESFJ23CJWV6I)]

个人阅读观后感

主要是对于实践应用的生产过程的改进,相对于传统建模方法集成了地面以及低空的两个数据集,大大提高了建模精度

但是呢,从2022年的角度上来看,远不能达到本科要求

相对来说只能作为一种实践思路,不单纯的进行低空取RS集,使得建模精确度更高

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-SWgYAtnc-1649257465536)(https://raw.githubusercontent.com/shiyi-ale/Image/main/img2022/image-20220406224039620.png?token=AUBB5LMAYN54FIWUAA4CUXLCJWV7K)]

这篇关于论文阅读——IEEE--古镇村落的历史建筑群的三维UAV建模采样的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/230501

相关文章

hdu1240、hdu1253(三维搜索题)

1、从后往前输入,(x,y,z); 2、从下往上输入,(y , z, x); 3、从左往右输入,(z,x,y); hdu1240代码如下: #include<iostream>#include<algorithm>#include<string>#include<stack>#include<queue>#include<map>#include<stdio.h>#inc

hdu4826(三维DP)

这是一个百度之星的资格赛第四题 题目链接:http://acm.hdu.edu.cn/contests/contest_showproblem.php?pid=1004&cid=500 题意:从左上角的点到右上角的点,每个点只能走一遍,走的方向有三个:向上,向下,向右,求最大值。 咋一看像搜索题,先暴搜,TLE,然后剪枝,还是TLE.然后我就改方法,用DP来做,这题和普通dp相比,多个个向上

JAVA智听未来一站式有声阅读平台听书系统小程序源码

智听未来,一站式有声阅读平台听书系统 🌟&nbsp;开篇:遇见未来,从“智听”开始 在这个快节奏的时代,你是否渴望在忙碌的间隙,找到一片属于自己的宁静角落?是否梦想着能随时随地,沉浸在知识的海洋,或是故事的奇幻世界里?今天,就让我带你一起探索“智听未来”——这一站式有声阅读平台听书系统,它正悄悄改变着我们的阅读方式,让未来触手可及! 📚&nbsp;第一站:海量资源,应有尽有 走进“智听

AI hospital 论文Idea

一、Benchmarking Large Language Models on Communicative Medical Coaching: A Dataset and a Novel System论文地址含代码 大多数现有模型和工具主要迎合以患者为中心的服务。这项工作深入探讨了LLMs在提高医疗专业人员的沟通能力。目标是构建一个模拟实践环境,人类医生(即医学学习者)可以在其中与患者代理进行医学

基于UE5和ROS2的激光雷达+深度RGBD相机小车的仿真指南(五):Blender锥桶建模

前言 本系列教程旨在使用UE5配置一个具备激光雷达+深度摄像机的仿真小车,并使用通过跨平台的方式进行ROS2和UE5仿真的通讯,达到小车自主导航的目的。本教程默认有ROS2导航及其gazebo仿真相关方面基础,Nav2相关的学习教程可以参考本人的其他博客Nav2代价地图实现和原理–Nav2源码解读之CostMap2D(上)-CSDN博客往期教程: 第一期:基于UE5和ROS2的激光雷达+深度RG

论文翻译:arxiv-2024 Benchmark Data Contamination of Large Language Models: A Survey

Benchmark Data Contamination of Large Language Models: A Survey https://arxiv.org/abs/2406.04244 大规模语言模型的基准数据污染:一项综述 文章目录 大规模语言模型的基准数据污染:一项综述摘要1 引言 摘要 大规模语言模型(LLMs),如GPT-4、Claude-3和Gemini的快

论文阅读笔记: Segment Anything

文章目录 Segment Anything摘要引言任务模型数据引擎数据集负责任的人工智能 Segment Anything Model图像编码器提示编码器mask解码器解决歧义损失和训练 Segment Anything 论文地址: https://arxiv.org/abs/2304.02643 代码地址:https://github.com/facebookresear

数学建模笔记—— 非线性规划

数学建模笔记—— 非线性规划 非线性规划1. 模型原理1.1 非线性规划的标准型1.2 非线性规划求解的Matlab函数 2. 典型例题3. matlab代码求解3.1 例1 一个简单示例3.2 例2 选址问题1. 第一问 线性规划2. 第二问 非线性规划 非线性规划 非线性规划是一种求解目标函数或约束条件中有一个或几个非线性函数的最优化问题的方法。运筹学的一个重要分支。2

查看提交历史 —— Git 学习笔记 11

查看提交历史 查看提交历史 不带任何选项的git log-p选项--stat 选项--pretty=oneline选项--pretty=format选项git log常用选项列表参考资料 在提交了若干更新,又或者克隆了某个项目之后,你也许想回顾下提交历史。 完成这个任务最简单而又有效的 工具是 git log 命令。 接下来的例子会用一个用于演示的 simplegit

论文翻译:ICLR-2024 PROVING TEST SET CONTAMINATION IN BLACK BOX LANGUAGE MODELS

PROVING TEST SET CONTAMINATION IN BLACK BOX LANGUAGE MODELS https://openreview.net/forum?id=KS8mIvetg2 验证测试集污染在黑盒语言模型中 文章目录 验证测试集污染在黑盒语言模型中摘要1 引言 摘要 大型语言模型是在大量互联网数据上训练的,这引发了人们的担忧和猜测,即它们可能已