【技术实现步骤摘要】
本专利技术涉及遥感图像处理，具体为一种针对遥感场景的快速表面重建方法。
技术介绍
1、自然场景的三维空间建模，以及基于空间建模先验的场景视图合成一直是信息技术围绕人类交互体验的重要努力方向。在过去的几十年里面，研究者们一直尝试将自然真实场景转化为有效的数字资产，但这并非一件易事，尤其对于遥感图像而言。
2、随着无人机和卫星技术的不断进步，机载和卫星图像的可获得性显著提升，进而引发了一系列摄影测量管道，如pix4d、micmac和sure。尽管彼此之间成像模型不同，但这些传统管道通常遵循共同的方法。在给定相机参数的情况下，它们首先进行立体匹配，从输入图像中计算密集的点云。随后，基于该点云进行表面重建。然而，对生成的点云的过度依赖通常会导致表面缺陷或噪声问题。
3、相较于基于显式表示(如体素、点云、网格)的传统方法，最近，神经渲染领域的研究基于使用隐式函数来表示场景，称为神经辐射场(nerf)，能够从2d图像直接学习连续的3d几何结构，并在视图合成任务上取得了极好的表现。目前，一些学者已经试图将nerf技术应用于机载和卫星图像领域。尽管这些尝试展示了nerf在遥感方面的潜在优势，但它们普遍面临一个共同问题：基于复杂的mlp框架学习所有几何和颜色细节，导致训练时间过长。在单个gpu设备上，通常需要几小时进行每个场景的优化，甚至需要一整天进行预训练。
4、现有的nerf训练加速方法采用基于体素网格与小型mlp存储场景数据，或者在此基础上使用符号距离场(sdf)对场景建模。然而，他们的3d表面重建结果无
技术实现思路
1、本专利技术的目的是：针对现有表面重建方法，需要额外的掩模输入以确保表面重建的质量，进而导致重建效率低的问题，提出一种针对遥感场景的快速表面重建方法。
2、本专利技术为了解决上述技术问题采取的技术方案是：
3、一种针对遥感场景的快速表面重建方法，包括以下步骤：
4、步骤一：确定重建区域，之后，获取重建区域的遥感图像，并利用运动恢复结构算法对遥感图像进行处理，得到相机内外参数和相机拍摄位置，之后利用多视图立体匹配算法对遥感图像进行处理，得到重建点云prec；
5、步骤二：利用重建点云prec以及相机拍摄位置构建重建区域的边界框，并在重建区域内初始化两个体素网格vsdf与vfeat，所述体素网格vsdf用于存储符号距离函数值，即sdf值，所述体素网格vfeat用于存储特征值；
6、步骤三：针对体素网格vsdf，将体素网格中间层的sdf赋值为0，并将中间层相邻两个层中，上层赋值为正，下层赋值为负；
7、步骤四：在遥感图像中任选一个像素pixel，利用相机内外参数构造射线p(t,v)，并利用射线p(t,v)对像素pixel进行穿透，之后，对射线p(t,v)进行采样，得到像素pixel对应的采样点集合p＝{p(ti,v)||i＝0,1,2,…,n-1}，其中，n为采样点的总数，i表示第i个采样点，射线p(t,v)为一个三维矢量函数，即p(t,v)＝o+tv，o表示摄像机的空间坐标，v表示射线的方向，t表示射线的深度；
8、步骤五：对采样点集合p中的采样点进行过滤，使得采样点集合p中的采样点ti满足p1＝{p(ti)|tnear≤ti≤tfar}，其中，tnear与tfar分别代表重建区域的边界框的上下界，之后，针对采样点集合p1中的采样点p(ti)，使其满足0<ψs(f(p(ti)))<1，进而得到采样点集合p2，其中，ψs表示累计不透明度，f(·)表示sdf值计算函数；
9、步骤六：针对p2中一个采样点，获取该采样点的位置p以及相机位姿v，之后利用三线插值得到该采样点的sdf值以及特征值之后，计算该采样点位置p法向量值然后，将p、v、输入到mlp神经网络1，得到该采样点的初始颜色c0，最后，将p、v、c0、输入到mlp神经网络2，得到该采样点最终颜色值c，其中，
10、步骤七：重复步骤六，得到p2中所有采样点对应的最终颜色值c，{c(ti,v)|i＝0,1,2,…,k}，其中k≤n；
11、步骤八：对采样点集合p2进行权重估计，得到采样点集合p2中每个采样点的颜色权重w(ti)，之后根据每个采样点的颜色权重w(ti)以及最终颜色值c进行加权求和，得到像素pixel对应的重建颜色cvolume_rendering；
12、步骤九：利用重建颜色cvolume_rendering与c0构造颜色损失函数lrgb，进而得到总损失函数ltotal，ltotal表示为：
13、
14、其中，lz表示z轴限制，lpc表示点云限制，lws表示权重限制，表示vsdf中的正则化参数，表示vfeat中的正则化参数，表示vsdf中的梯度正则化参数，λz表示lz的权重，λpc表示lpc的权重，λws表示lws的权重，λtv表示正则化参数与的权重，λgrad表示梯度正则化参数的权重。
15、步骤十：重复步骤四至步骤九，当总损失函数ltotal满足预设要求时，得到优化后的vsdf，即完成表面重建。
16、进一步的，所述重建区域的边界框包括机载图像边界框和卫星图像边界框。
17、进一步的，所述机载图像边界框的获取步骤为：
18、首先，对重建点云prec进行异常值过滤，得到点云区域roipoints，之后，将地心地固坐标系转换为站心坐标系，然后将相机拍摄位置投影到站心坐标系的xy平面上，进而得到最小外接矩形，并将最小外接矩形定义为相机位置区域roicam，之后沿z轴旋转整个空间，使最小外接矩形的边缘平行于x轴或y轴，最后，基于点云区域roipoints和相机位置区域roicam，并利用线性插值，得到最终确定的精确点云区域roifinal，roifinal表示为：
19、roifinal＝min(roicam,roipoints)+λ|roipoints-roicam|
20、其中，roicam表示包含所有相机位置的区域，roipoints表示包含所有过滤点的区域，λ表示roipoints和roicam之间的比例系数，λ为0.5。
21、进一步的，所述机载图像边界框中每个体素的大小表示为：
22、
23、其中，dx、dy、dz表示边界框沿x、y、z轴的长度，m表示体素总数。
24、进一步的，所述卫星图像边界框的获取步骤为：
25、利用rpc模型得到地理坐标到图像坐标的投影，地理坐标到图像坐标的投影表示为：
26、p:p(lat,lon,alt)＝(row,line)
27、其中，(lat,lon,alt)分别表示地理坐标中的经度、维度、海拔，(row，line)表示图像坐标中的行、列；
本文档来自技高网...【技术保护点】
1.一种针对遥感场景的快速表面重建方法，其特征在于包括以下步骤：
2.根据权利要求1所述的一种针对遥感场景的快速表面重建方法，其特征在于所述重建区域的边界框包括机载图像边界框和卫星图像边界框。
3.根据权利要求2所述的一种针对遥感场景的快速表面重建方法，其特征在于所述机载图像边界框的获取步骤为：
4.根据权利要求3所述的一种针对遥感场景的快速表面重建方法，其特征在于所述机载图像边界框中每个体素的大小表示为：
5.根据权利要求4所述的一种针对遥感场景的快速表面重建方法，其特征在于所述卫星图像边界框的获取步骤为：
6.根据权利要求5所述的一种针对遥感场景的快速表面重建方法，其特征在于所述采样点集合P2中每个采样点表示为：
7.根据权利要求6所述的一种针对遥感场景的快速表面重建方法，其特征在于所述颜色权重w(ti)表示为：
8.根据权利要求7所述的一种针对遥感场景的快速表面重建方法，其特征在于所述重建颜色Cvolume_rendering表示为：
9.根据权利要求8所述的一种针对遥感场景的快
10.根据权利要求9所述的一种针对遥感场景的快速表面重建方法，其特征在于所述Lrgb表示为：
...【技术特征摘要】
1.一种针对遥感场景的快速表面重建方法，其特征在于包括以下步骤：
2.根据权利要求1所述的一种针对遥感场景的快速表面重建方法，其特征在于所述重建区域的边界框包括机载图像边界框和卫星图像边界框。
3.根据权利要求2所述的一种针对遥感场景的快速表面重建方法，其特征在于所述机载图像边界框的获取步骤为：
4.根据权利要求3所述的一种针对遥感场景的快速表面重建方法，其特征在于所述机载图像边界框中每个体素的大小表示为：
5.根据权利要求4所述的一种针对遥感场景的快速表面重建方法，其特征在于所述卫星图像边界框的获取步骤为：
<...【专利技术属性】
技术研发人员：闫奕名，周巍昆，孙博，张博文，宿南，冯收，赵春晖，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。