【技术实现步骤摘要】
本专利技术属于计算机视觉与城市卫星图像三维重建，具体涉及一种基于局部梯度下降的建筑物表面视差无监督优化方法。
技术介绍
1、在航天摄影测量研究领域，三维摄影测量已经成为研究热点和未来的研究趋势，这得益于其高覆盖范围、高时效性、高精度和多维度数据获取等方面的优势。因此航天三维摄影测量已经成为环境监测与保护、灾害监测与应急响应以及城市规划与管理等应用的重要技术手段。另外，城市作为人类社会的经济、文化、政治、技术和社会服务中心，对社会的发展和进步具有举足轻重的作用。基于航天摄影测量的城市三维重建，能够为城市规划、智慧城市建设、文化遗产保护以及教育与科研等多个领域提供强大的技术支持和数据保障。
2、基于城市卫星图像的三维重建方法一般包括卫星图像立体校正、立体匹配、三维点云计算、三角网格生成以及纹理映射等步骤。其中，立体匹配能够为三维点云数据提供与其严密对应的视差图，因此立体匹配为整个三维重建流程提供了最直接的三维信息来源，也直接影响了三维模型的精度。对于城市卫星图像三维重建方法的研究多集中于城市卫星图像立体匹配阶段。
3、已经提出的城市卫星图像立体匹配方法可以分成两类，一类是基于神经网络的立体匹配方法，另一类是传统立体匹配方法。得益于深度学习技术在计算机视觉领域的飞速发展，基于神经网络的立体匹配方法受到了良好的启发。首先，基于多尺度卷积神经网络(multi-scale cnn)的立体匹配方法，该方法通过提取多尺度图像特征，并进行匹配代价计算。后来，端到端立体匹配(end-to-end stereo matchin
4、虽然在很多公开的标准数据集中，基于神经网络的立体匹配方法能够取得很优秀的结果，但是由于其对于真实标准数据的依赖以及神经网络较弱的泛化能力，导致很难适用于缺少标准视差结果且参数多样的实际卫星图像。在卫星图像三维重建的实际任务中，传统立体匹配方法则更多的被选用。传统立体匹配方法一般要经历匹配代价计算、匹配代价聚合、视差计算和视差优化四个过程。由于局部匹配代价计算方法搭配基于动态规划的匹配代价聚合方法能够提取局部特征用于匹配代价计算，且具有较低的时间复杂度。因此该类方法能够适应包含复杂、多变的地面场景的大尺寸卫星图像。最为流行的方法包括半全局立体匹配(semi-global matching,sgm)方法、多全局立体匹配(more globalmatching,mgm)方法和双重传播立体匹配(double propagation matching,dpm)方法等。这些方法首先通过固定窗口或自适应窗口的方式计算图像的局部特征，并计算立体图像之间的匹配代价。然后通过动态规划算法聚合一定范围内或者特定路径上的匹配代价，目的是优化建筑物边缘深度不连续区域和建筑物表面弱纹理区域的匹配代价。
5、现有方法虽然在一定程度上能够获得令人满意的结果，但是这种基于动态规划算法的优化算法是全局一致的优化方式，缺乏明确的边缘和区域的引导，很容易引入“星型”和“条纹”误差，因此，为进一步优化城市卫星图像中建筑物边缘和表面的视差误差，同时摆脱对于标准视差结果的依赖，提出一种新的建筑物表面视差优化方法是十分必要的。
技术实现思路
1、本专利技术的目的是为解决城市卫星图像中建筑物边缘和表面存在视差误差的问题，而提出了一种基于局部梯度下降的建筑物表面视差无监督优化方法。
2、本专利技术为解决上述技术问题所采取的技术方案是：
3、一种基于局部梯度下降的建筑物表面视差无监督优化方法，所述方法具体包括以下步骤：
4、步骤一、分别从不同视角采集城市建筑物的左视图和右视图，再根据左视图和右视图得到视差图，并根据城市建筑物卫星图像和视差图中的信息对视差图中的像素点进行超像素分割，得到超像素分割结果；
5、步骤二、初始化迭代次数q＝1；
6、步骤三、初始化超像素数k＝1；
7、步骤四、根据第k个超像素对应的视差图计算单应模型h的参数；
8、步骤五、对第k个超像素对应的视差图进行双边滤波处理，得到双边滤波处理后的视差图；
9、步骤六、根据双边滤波处理后的视差图，重新确定左视图中的像素点(x,y)在右视图中对应的匹配点(x′,y′)，(x,y)和(x′,y′)即为重新确定的匹配点对，根据单应模型参数和重新确定的匹配点对计算像素点(x,y)对应的损失函数；
10、同理，分别得到左视图中的每个像素点对应的损失函数值；
11、步骤七、判断是否满足k＝k；
12、若满足，则执行步骤八；
13、否则，令k＝k+1，返回执行步骤四；
14、步骤八、判断视差图的各像素点对应的损失函数值是否均小于视差阈值εdisp；
15、若视差图中的各像素点对应的损失函数值均小于视差阈值，则上一次迭代获得的视差图即为最终的视差图；
16、若视差图中的各像素点对应的损失函数值未均小于视差阈值，则执行步骤九；
17、步骤九、判断迭代次数q是否等于阈值q；
18、若迭代次数q等于阈值q，则根据各像素点对应的损失函数值更新匹配点(x′,y′)的x′坐标，并根据更新后的坐标来获得最终的视差图；
19、若迭代次数q不等于阈值q，则根据各像素点对应的损失函数值更新匹配点(x′,y′)的x′坐标，并根据更新后的坐标来更新视差图，再令q＝q+1，返回执行步骤三。
20、本专利技术的有益效果是：
21、1、本专利技术联合使用城市卫星图像和视差图像，耦合颜色信息、空间位置信息和视差信息，并将其映射到6维特征空间中。利用6维特征进行的k均值聚类能够准确分割颜色、距离和结构上差异明显的建筑物超像素。而且，本专利技术的超像素分割方法同样适用于基于卫星图像的地物目标分类、识别和地图矢量化等应用中。
22、2、本专利技术以超像素区域为单位，利用局部梯度下降算法迭代优化每个超像素区域内的视差值。本文档来自技高网...
【技术保护点】
1.一种基于局部梯度下降的建筑物表面视差无监督优化方法，其特征在于，所述方法具体包括以下步骤：
2.根据权利要求1所述的一种基于局部梯度下降的建筑物表面视差无监督优化方法，其特征在于，所述步骤一中，根据城市建筑物卫星图像和视差图中的信息对视差图中的像素点进行超像素分割，得到超像素分割结果；具体过程为：
3.根据权利要求2所述的一种基于局部梯度下降的建筑物表面视差无监督优化方法，其特征在于，所述分别计算像素点i对应的向量与确定出的每个种子点对应的向量的综合距离，具体为：
4.根据权利要求1所述的一种基于局部梯度下降的建筑物表面视差无监督优化方法，其特征在于，所述步骤四的具体过程为：
5.根据权利要求1所述的一种基于局部梯度下降的建筑物表面视差无监督优化方法，其特征在于，所述双边滤波处理的具体过程为：
6.根据权利要求5所述的一种基于局部梯度下降的建筑物表面视差无监督优化方法，其特征在于，所述归一化权重为：
7.根据权利要求5所述的一种基于局部梯度下降的建筑物表面视差无监督优化方法，其特征在于，所述空间域权重的计
8.根据权利要求5所述的一种基于局部梯度下降的建筑物表面视差无监督优化方法，其特征在于，所述视差域权重的计算方法如下：
9.根据权利要求1所述的一种基于局部梯度下降的建筑物表面视差无监督优化方法，其特征在于，所述根据单应模型的参数和重新确定的匹配点对计算像素点(x,y)对应的损失函数，具体为：
10.根据权利要求9所述的一种基于局部梯度下降的建筑物表面视差无监督优化方法，其特征在于，所述根据各像素点对应的损失函数值更新匹配点(x′,y′)的x′坐标，并根据更新后的坐标来更新视差图；具体过程为：
...【技术特征摘要】
1.一种基于局部梯度下降的建筑物表面视差无监督优化方法，其特征在于，所述方法具体包括以下步骤：
2.根据权利要求1所述的一种基于局部梯度下降的建筑物表面视差无监督优化方法，其特征在于，所述步骤一中，根据城市建筑物卫星图像和视差图中的信息对视差图中的像素点进行超像素分割，得到超像素分割结果；具体过程为：
3.根据权利要求2所述的一种基于局部梯度下降的建筑物表面视差无监督优化方法，其特征在于，所述分别计算像素点i对应的向量与确定出的每个种子点对应的向量的综合距离，具体为：
4.根据权利要求1所述的一种基于局部梯度下降的建筑物表面视差无监督优化方法，其特征在于，所述步骤四的具体过程为：
5.根据权利要求1所述的一种基于局部梯度下降的建筑物表面视差无监督优化方法，其特征在于，所述双边滤波处理的具体过程为：
6....
【专利技术属性】
技术研发人员：赵礼，周冰倩，王海燕，祝义，宋媚，
申请(专利权)人：江苏师范大学，
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。