[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN117433513B - 一种地形测绘的地图构建方法及系统 - Google Patents

一种地形测绘的地图构建方法及系统 Download PDF

Info

Publication number
CN117433513B
CN117433513B CN202311769742.6A CN202311769742A CN117433513B CN 117433513 B CN117433513 B CN 117433513B CN 202311769742 A CN202311769742 A CN 202311769742A CN 117433513 B CN117433513 B CN 117433513B
Authority
CN
China
Prior art keywords
data
remote sensing
map
measurement data
ground measurement
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202311769742.6A
Other languages
English (en)
Other versions
CN117433513A (zh
Inventor
高守军
李晨鸿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yunnan Miaoquan Surveying And Mapping Engineering Co ltd
Original Assignee
Yunnan Miaoquan Surveying And Mapping Engineering Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Yunnan Miaoquan Surveying And Mapping Engineering Co ltd filed Critical Yunnan Miaoquan Surveying And Mapping Engineering Co ltd
Priority to CN202311769742.6A priority Critical patent/CN117433513B/zh
Publication of CN117433513A publication Critical patent/CN117433513A/zh
Application granted granted Critical
Publication of CN117433513B publication Critical patent/CN117433513B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3833—Creation or updating of map data characterised by the source of data
    • G01C21/3841—Data obtained from two or more sources, e.g. probe vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3807—Creation or updating of map data characterised by the type of data
    • G01C21/3826—Terrain data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C7/00—Tracing profiles
    • G01C7/02—Tracing profiles of land surfaces
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/176—Urban or other man-made structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/182—Network patterns, e.g. roads or rivers

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Geometry (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Graphics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Image Processing (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明涉及地图构建技术领域，具体地说，涉及一种地形测绘的地图构建方法及系统。其包括以下步骤：S1、获取待测绘地区的高空遥感数据和地面测量数据；S2、将遥感数据和地面测量数据进行数据融合，融合后的测量数据基于插值算法构建数字高程模型，利用卷积神经网络结合遥感影像数据对上述数字高程模型进行优化训练，改进数字高程模型；S3、基于改进后的数字高程模型，通过地图制图软件进行地图构建。利用高空遥感数据和地面测量数据的融合建立数字高程模型，并通过卷积神经网络结合遥感影像数据优化数字高程模型，从而使得数字高程模型更加准确，同时减少实地测量的时间和成本，提高了地图构建的精确度和可靠性。

Description

一种地形测绘的地图构建方法及系统
技术领域
本发明涉及地图构建技术领域，具体地说，涉及一种地形测绘的地图构建方法及系统。
背景技术
地形测绘是指利用测量仪器和技术，获取地表形态、高程、坡度等地形数据，并通过地图构建的方式呈现出来，地形测绘需要进行大量的实地测量，获取数据的难度较大，尤其是在地形复杂的地区，数据获取的成本和时间都很高，且传统的地形测绘方法通常只能提供基本的地形特征，如高程和坡度等，可能会导致地图信息的缺失，从而影响地图的应用。
传统的地形测绘方法中，在存在特定复杂地形、地貌变化剧烈的地区，仍然可能存在精度限制，导致地图中地形特征的不准确表示，从而影响地图的应用，因此，提供一种地形测绘的地图构建方法及系统。
发明内容
本发明的目的在于提供一种地形测绘的地图构建方法及系统，以解决上述背景技术中提出的传统的地形测绘方法中，在存在特定复杂地形、地貌变化剧烈的地区，仍然可能存在精度限制，导致地图中地形特征的不准确表示，从而影响地图的应用的问题。
为实现上述目的，本发明目的在于提供了一种地形测绘的地图构建方法，包括以下步骤：
S1、获取待测绘地区的高空遥感数据和地面测量数据，其中，高空遥感数据包括影像数据、激光雷达数据；
地面测量数据包括精确位置数据和高程信息数据；
S2、将遥感数据和地面测量数据进行数据融合，融合后的测量数据基于插值算法构建数字高程模型，利用卷积神经网络结合遥感影像数据对上述数字高程模型进行优化训练，改进数字高程模型；
S3、基于改进后的数字高程模型，通过地图制图软件进行地图构建。
作为本技术方案的进一步改进，所述S1中，通过高空遥感数据和地面测量数据，获得待测绘地区的地形数据信息；
其中，高空遥感数据包括地表的二维地理信息，二维地理信息至少包括地物分布、地表纹理信息、道路网络和河流分布；
地面测量数据包括待测绘地区地形的三维信息，三维信息至少包括地形起伏、山脉高度和建筑物高度。
作为本技术方案的进一步改进，所述S2中，数据融合的具体步骤为：
S2.1、通过图像处理技术提取遥感数据中包含的地物特征和纹理特征；通过数据处理技术提取地面测量数据中包含的地物属性和地形特征；
S2.2、将遥感数据和地面测量数据进行坐标转换，将遥感数据和地面测量数据的坐标系统一；
S2.3、确定已知坐标的控制点，通过最小二乘法建立配准模型，利用配准模型，对遥感数据进行重采样，使其与地面测量数据在空间位置上对齐；
S2.4、基于像素融合算法模型，对遥感数据和地面测量数据进行数据融合，生成综合遥感数据和地面测量数据的新的测绘数据。
作为本技术方案的进一步改进，所述S2.4中，像素融合算法模型具体为：
F(x，y)＝wA·A(x，y)+wB·B(x，y)；
其中，F(x，y)表示在空间坐标(x，y)处的融合后的数据值；A(x，y)表示遥感数据在空间坐标(x，y)处的值；B(x，y)表示地面测量数据在空间坐标(x，y)处的值；wA表示遥感数据的权重；wB表示地面测量数据的权重。
作为本技术方案的进一步改进，为了提升对地形的辨识度和分类精度，将纹理信息引入所述像素融合算法模型中，对像素融合算法模型进行优化，则具体优化后的像素融合算法模型为：
其中，表示遥感数据纹理特征的权重；tA(x，y)表示遥感数据的纹理特征向量在空间坐标(x，y)处的值；wtB表示地面测量数据纹理特征的权重；tB(x，y)表示地面测量数据的纹理特征向量在空间坐标(x，y)处的值；
其中，对于遥感数据和地面测量数据，使用灰度共生矩阵提取纹理信息，灰度共生矩阵用于描述像素之间的空间关系，从而反映地形的纹理特征，不同的纹理特征向量可以提供不同的空间信息，从而进一步提高模型的精度和鲁棒性；
进一步地，灰度共生矩阵提取纹理信息方法具体为：
对于一个N×N的图像，假设灰度级别数为G，选择一个特定的偏移量和角度来定义相邻像素的空间关系，灰度共生矩P的元素P(i，j|d，θ)统计了图像中在距离d处，角度为θ的两个像素灰度级别为i和j的共生次数：
具体的，给定一个图像I，定义距离为d，角度为θ，灰度级别为G，则灰度共生矩阵P的元素P(i，j|d，θ)具体为：
P(i，j|d，θ)＝∑x∑yδ(I(x，y))＝i，I(d cosθ，y+d sinθ)＝j；
其中，δ表示克罗内克函数，用于判断条件是否为真。
作为本技术方案的进一步改进，所述S2中，所述插值算法为：
其中：
其中，z(u)表示未知坐标点u处的高程值；n表示已知坐标点的数量；zi表示已知坐标点i处的高程值；λi(u)表示权重系数；wi(u)表示已知坐标点i与未知坐标点u之间的权重函数；
则数字高程模型具体函数模型为：
上述数字高程模型是根据已知点的高程值和权重系数对未知位置的高程值进行估计的过程。
作为本技术方案的进一步改进，利用卷积神经网络结合遥感影像数据对上述数字高程模型进行优化训练，优化后的所述数字高程模型为：
其中，wi(u，M)表示根据卷积神经网络结合遥感影像数据M计算得出的权重系数；卷积神经网络能够自动学习遥感影像数据中的地表特征，这些特征无法直接从原始融合数据中提取，通过卷积层的多层特征提取，网络能够学习到更加抽象的地表特征，并将它们与已知的高程数据进行融合，以更精确地反映地球表面的地形特征。
作为本技术方案的进一步改进，在卷积神经网络中，所述权重系数wi(u，M)具体为：
wi(u，M)＝f(∑j Mij·zj)；
其中，Mij表示遥感影像数据M中第i个特征图中的第j个像素值；i表示卷积神经网络中的第i个特征图索引；zj表示与特征图像素值Mij对应的已知高程数据；f表示激活函数；∑j表示对所有满足特定条件的j进行求和；j表示特征图中的像素索引。
作为本技术方案的进一步改进，所述S3中，改进后的所述数字高程模型用于为地图制图软件提供地形数据和空间数据，用于在地图中重建真实的三维地貌，为地图构建过程中的空间分析提供支持；
其中，地图制图软件为GIS、ArcGIS、QGIS和MapInfo中的任意一种。
另一方面，本发明提供了一种地形测绘的地图构建系统，用于实现上述所述的地形测绘的地图构建方法，包括数据获取模块、数据融合模块、优化训练模块、制图模块；
所述数据获取模块用于获取高空遥感数据和地面测量数据并将其传输给数据融合模块；
所述数据融合模块基于优化后的像素融合算法模型对遥感数据和地面测量数据进行数据融合，生成综合遥感数据和地面测量数据的新的测绘数据；
所述优化训练模块基于新的测绘数据建立数字高程模型，并利用卷积神经网络结合遥感影像数据对上述数字高程模型进行优化训练，得到优化后的数字高程模型；
所述制图模块基于优化后的数字高程模型为地图制图软件提供地形数据和空间数据，为地图构建过程中的空间分析提供支持，且所述制图模块用于将制图模块构建的地图数据，输出生成的二维地图或三维实景地图，并将其保存或导出为特定格式的地图文件。
与现有技术相比，本发明的有益效果：
1、该地形测绘的地图构建方法及系统中，利用高空遥感数据和地面测量数据的融合建立数字高程模型，并通过卷积神经网络结合遥感影像数据优化数字高程模型，从而使得数字高程模型更加准确，同时减少实地测量的时间和成本，从而提高地图制作的效率，提高了地图构建的精确度和可靠性。
2、该地形测绘的地图构建方法及系统中，在数据融合过程中，将纹理信息引入所述像素融合算法模型中，以提升对地形的辨识度和分类精度，可以更好地呈现地形的细节信息，从而提高地形可视化效果，使用户能够更好地了解地形特征。
附图说明
图1为本发明的整体方法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1：
请参阅图1所示，本实施例提供了一种地形测绘的地图构建方法，包括以下步骤：
S1、获取待测绘地区的高空遥感数据和地面测量数据，其中，高空遥感数据包括影像数据、激光雷达数据；在本实施例中，通过高空遥感数据和地面测量数据，获得待测绘地区的地形数据信息，并通过航空摄影、卫星遥感方式实现对待测绘地区高空遥感数据的获取，高空遥感数据包括影像数据、激光雷达数据，这些数据可以提供地表的二维地理信息，二维地理信息至少包括地物分布、地表纹理信息、道路网络和河流分布；
在遇到特定复杂地形、地貌变化剧烈的地区时，将高空遥感数据与地面实地测量相结合，其中，地面测量数据包括精确位置数据和高程信息数据，利用全站仪、GPS等测量设备对待测绘地区进行实地测量，获取待测绘地区的地表特征的精确位置数据和高程信息数据，用于为特定复杂地形、地貌变化剧烈的地区提供三维信息，三维信息至少包括地形起伏、山脉高度、建筑物高度，同时，三维信息可以更清晰地描述地貌特征，包括地势的高低变化、山脉的分布等，有助于制作更真实、精准的地形地图。
S2、将遥感数据和地面测量数据进行数据融合，融合后的测量数据基于插值算法构建数字高程模型，利用卷积神经网络结合遥感影像数据对上述数字高程模型进行优化训练，改进数字高程模型；在地图构建中，使用数字高程模型为地图构建提供地形数据和空间数据，用于在地图中重建真实的三维地貌，为地图构建过程中的空间分析提供支持。
在本实施例中，数据融合的具体步骤为：
S2.1、通过图像处理技术提取遥感数据中包含的地物特征和纹理特征；通过数据处理技术提取地面测量数据中包含的地物属性和地形特征；
遥感数据包含丰富的空间信息，通过图像处理技术提取出地物特征、纹理特征，地面测量数据则包含丰富的属性信息，通过数据处理技术提取出地物属性、地形特征，这些特征信息可以为后续的数据融合提供重要的参考依据；
在特征提取之后进行坐标统一和数据配准，在进行特征提取之后，遥感数据和地面测量数据已经被预处理过，去除了大量的冗余信息，此时再进行坐标统一和数据配准，可以减少数据处理的时间和计算量，提高数据处理效率。
S2.2、将遥感数据和地面测量数据进行坐标转换，使遥感数据地理坐标转换为直角坐标或者将地面测量数据的直角坐标转换为地理坐标，将遥感数据和地面测量数据的坐标系统一；
遥感数据的坐标系是地理坐标系，而地面测量数据的坐标系是直角坐标系，因此，需要将遥感数据的地理坐标转换为直角坐标，或者将地面测量数据的直角坐标转换为地理坐标，以便进行数据配准。
S2.3、确定已知坐标的控制点，通过最小二乘法建立配准模型，利用配准模型，对遥感数据进行重采样；其中，配准模型具体为：
其中，x′和y′表示遥感影像中的像素坐标；x和y是地面测量数据中的坐标；a，b，c，d，e，f表示待定的参数，表示平移、旋转和缩放等几何变换的关系；具体的，利用最小二乘法估计出参数a，b，c，d，e，f，使得残差平方和最小化，最小二乘法可以通过最小化残差平方和的方式来求解参数，以使得模型拟合得到的坐标与实际坐标之间的差异最小化；建立好配准模型后，可以利用该模型对整个遥感影像进行重采样处理；
选择在遥感影像和地面测量数据中都已知坐标的控制点；然后，利用这些控制点之间的坐标差异，通过最小二乘法，计算出遥感影像与地面测量数据之间的变换关系和几何差异；最后，根据计算出的变换关系和几何差异，对整个遥感影像进行重采样，使其与地面测量数据匹配；
重采样后的遥感数据将具有更高的空间精度和一致性，可以更好地与地面测量数据进行融合和分析，使其与地面测量数据在空间位置上对齐；这个过程可以通过变换坐标系、调整坐标变换参数等方式实现；其中，配准模型用于描述遥感数据和地面测量数据之间的几何关系，包括平移、旋转、缩放等参数。
S2.4、基于像素融合算法模型，对遥感数据和地面测量数据进行数据融合，生成综合遥感数据和地面测量数据的新的测绘数据，将融合后的数据进行后处理，后处理方式包括去除噪声、增强边缘；经过后处理之后输出新的测绘数据。
其中，像素融合算法模型具体为：
F(x，y)＝wA·A(x，y)+wB·B(x，y)；
其中，F(x，y)表示在空间坐标(x，y)处的融合后的数据值；A(x，y)表示遥感数据在空间坐标(x，y)处的值；B(x，y)表示地面测量数据在空间坐标(x，y)处的值；wA表示遥感数据的权重；wB表示地面测量数据的权重。
为了提升对地形的辨识度和分类精度，将纹理信息引入像素融合算法模型中，对像素融合算法模型进行优化，则具体优化后的像素融合算法模型为：
其中，表示遥感数据纹理特征的权重；tA(x，y)表示遥感数据的纹理特征向量在空间坐标(x，y)处的值；/>表示地面测量数据纹理特征的权重；tB(x，y)表示地面测量数据的纹理特征向量在空间坐标(x，y)处的值；
其中，对于遥感数据和地面测量数据，使用灰度共生矩阵提取纹理信息，灰度共生矩阵用于描述像素之间的空间关系，从而反映地形的纹理特征，不同的纹理特征向量提供不同的空间信息，从而进一步提高模型的精度和鲁棒性；
进一步地，灰度共生矩阵提取纹理信息方法具体为：
对于一个N×N的图像，假设灰度级别数为G，选择一个特定的偏移量和角度来定义相邻像素的空间关系，灰度共生矩P的元素P(i，j|d，θ)统计了图像中在距离d处，角度为θ的两个像素灰度级别为i和j的共生次数：
具体地，给定一个图像I，定义距离为d，角度为θ，灰度级别为G，则灰度共生矩阵P的元素P(i，j|d，θ)具体为：
P(i，j|d，θ)＝∑x∑yδ(I(x，y))＝i，I(d cosθ，y+d sinθ)＝j；
其中，δ表示克罗内克函数，用于判断条件是否为真。
S2中，插值算法为：
其中：
其中，z(u)表示未知坐标点u处的高程值；n表示已知坐标点的数量；zi表示已知坐标点i处的高程值；λi(u)表示权重系数；wi(u)表示已知坐标点i与未知坐标点u之间的权重函数；
则数字高程模型具体函数模型为：
上述数字高程模型是根据已知点的高程值和权重系数对未知位置的高程值进行估计的过程。
原始的数字高程模型虽然已经包含了遥感数据和地面测量数据，但是这些数据存在噪声、不完整性或不准确性，而卷积神经网络结合遥感影像数据能够通过学习遥感影像数据中的地表特征，从而提取更多地形信息，并将其与已知高程数据进行关联，进一步提高数字高程模型的精确度和可靠性；因此，利用卷积神经网络结合遥感影像数据对上述数字高程模型进行优化训练，优化后的数字高程模型为：
其中，wi(u，M)表示根据卷积神经网络结合遥感影像数据M计算得出的权重系数；卷积神经网络能够自动学习遥感影像数据中的地表特征，这些特征无法直接从原始融合数据中提取，通过卷积层的多层特征提取，网络能够学习到更加抽象的地表特征，并将它们与已知的高程数据进行融合，以更精确地反映地球表面的地形特征，可以更好地提取遥感影像数据中的地表特征，并与已知高程数据进行关联，从而得到更精确的数字高程模型，这样的模型能够更好地反映出地球表面的地形特征，为创建精细的三维地图提供更可靠的基础。
遥感影像数据能够可以提供高分辨率的地表信息，包括地表覆盖、地貌特征等，能够生成精细的地图，用于城市规划、土地利用规划、自然资源管理等方面；同时，利用遥感影像数据优化数字高程模型，可以建立精确的三维地图，不仅可以提供更直观的空间信息，还可以为城市规划、交通规划等提供重要的参考依据。
在卷积神经网络中，权重系数wi(u，M)具体为：
wi(u，M)＝f(∑jMij·zj)；
其中，Mij表示遥感影像数据M中第i个特征图中的第j个像素值；i表示卷积神经网络中的第i个特征图索引；zj表示与特征图像素值Mij对应的已知高程数据；f表示激活函数；∑j表示对所有满足特定条件的j进行求和；j表示特征图中的像素索引。
S3、基于改进后的数字高程模型，通过地图制图软件进行地图构建。
绘制二维地理信息图层，二维地理信息图层至少包括道路网络、地物分布、河流分布，构建二维实景地图；
基于三角网格的地形建模算法，结合三维可视化技术，构建具有立体效果的三维实景地图。
在本实施例中，改进后的数字高程模型用于为地图制图软件提供地形数据和空间数据；
其中，地形数据包括地形起伏、山脉高度以及建筑物高度等信息，这些数据可以用于在地图中精确标注地物位置和高度，使地图更加准确、可靠；
空间数据包括地表的三维信息，至少包括地形的起伏、山脉的高度，用于在地图中重建真实的三维地貌，使地图呈现更加真实、立体的效果；
地形数据和空间数据为地图构建过程中的空间分析提供支持，通过对数字高程模型的分析，可以进行地形分析、坡度分析、流域分析等，为地图构建提供更多的空间信息和分析结果；
其中，地图制图软件为GIS、ArcGIS、QGIS和MapInfo中的任意一种。
另一方面，本发明提供了一种地形测绘的地图构建系统，用于实现上述所述的地形测绘的地图构建方法，包括数据获取模块、数据融合模块、优化训练模块、制图模块；
所述数据获取模块用于获取高空遥感数据和地面测量数据并将其传输给数据融合模块；
所述数据融合模块基于优化后的像素融合算法模型对遥感数据和地面测量数据进行数据融合，生成综合遥感数据和地面测量数据的新的测绘数据；
所述优化训练模块基于新的测绘数据建立数字高程模型，并利用卷积神经网络结合遥感影像数据对上述数字高程模型进行优化训练，得到优化后的数字高程模型；
所述制图模块基于优化后的数字高程模型为地图制图软件提供地形数据和空间数据，为地图构建过程中的空间分析提供支持，且所述制图模块用于将制图模块构建的地图数据，输出生成的二维地图或三维实景地图，并将其保存或导出为特定格式的地图文件。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (7)

1.一种地形测绘的地图构建方法，其特征在于，包括以下步骤：
S1、获取待测绘地区的高空遥感数据和地面测量数据，其中，高空遥感数据包括影像数据、激光雷达数据；
地面测量数据包括精确位置数据和高程信息数据；
S2、将遥感数据和地面测量数据进行数据融合，融合后的测量数据基于插值算法构建数字高程模型，利用卷积神经网络结合遥感影像数据对上述数字高程模型进行优化训练，改进数字高程模型；
S3、基于改进后的数字高程模型，通过地图制图软件进行地图构建；
所述S2中，数据融合的具体步骤为：
S2.1、通过图像处理技术提取遥感数据中包含的地物特征和纹理特征；通过数据处理技术提取地面测量数据中包含的地物属性和地形特征；
S2.2、将遥感数据和地面测量数据进行坐标转换，将遥感数据和地面测量数据的坐标系统一；
S2.3、确定已知坐标的控制点，通过最小二乘法建立配准模型，利用配准模型，对遥感数据进行重采样，使其与地面测量数据在空间位置上对齐；
S2.4、基于像素融合算法模型，对遥感数据和地面测量数据进行数据融合，生成综合遥感数据和地面测量数据的新的测绘数据；
S2.4中，像素融合算法模型具体为：
F(x，y)＝wA·A(x，y)+wB·B(x，y)；
其中，F(x，y)表示在空间坐标(x，y)处的融合后的数据值；A(x，y)表示遥感数据在空间坐标(x，y)处的值；B(x，y)表示地面测量数据在空间坐标(x，y)处的值；wA表示遥感数据的权重；wB表示地面测量数据的权重；
将纹理信息引入所述像素融合算法模型中，对像素融合算法模型进行优化，则具体优化后的像素融合算法模型为：
其中，表示遥感数据纹理特征的权重；tA(x，y)表示遥感数据的纹理特征向量在空间坐标(x，y)处的值；/>表示地面测量数据纹理特征的权重；tB(x，y)表示地面测量数据的纹理特征向量在空间坐标(x，y)处的值。
2.根据权利要求1所述的地形测绘的地图构建方法，其特征在于：所述S1中，通过高空遥感数据和地面测量数据，获得待测绘地区的地形数据信息；
其中，高空遥感数据包括地表的二维地理信息，二维地理信息至少包括地物分布、地表纹理信息、道路网络和河流分布；
地面测量数据包括待测绘地区地形的三维信息，三维信息至少包括地形起伏、山脉高度和建筑物高度。
3.根据权利要求1所述的地形测绘的地图构建方法，其特征在于：所述S2中，所述插值算法为：
其中：
其中，z(u)表示未知坐标点u处的高程值；n表示已知坐标点的数量；zi表示已知坐标点i处的高程值；λi(u)表示权重系数；wi(u)表示已知坐标点i与未知坐标点u之间的权重函数；
则数字高程模型具体函数模型为：
4.根据权利要求3所述的地形测绘的地图构建方法，其特征在于：利用卷积神经网络结合遥感影像数据对上述数字高程模型进行优化训练，优化后的所述数字高程模型为：
其中，wi(u，M)表示根据卷积神经网络结合遥感影像数据M计算得出的权重系数。
5.根据权利要求4所述的地形测绘的地图构建方法，其特征在于：在卷积神经网络中，所述权重系数wi(u，M)具体为：
wi(u，M)＝f(∑jMij·zj)；
其中，Mij表示遥感影像数据M中第i个特征图中的第j个像素值；i表示卷积神经网络中的第i个特征图索引；zj表示与特征图像素值Mij对应的已知高程数据；f表示激活函数；∑j表示对所有满足特定条件的j进行求和；j表示特征图中的像素索引。
6.根据权利要求5所述的地形测绘的地图构建方法，其特征在于：所述S3中，改进后的所述数字高程模型用于为地图制图软件提供地形数据和空间数据，为地图构建过程中的空间分析提供支持。
7.一种地形测绘的地图构建系统，用于实现如权利要求6所述的地形测绘的地图构建方法，其特征在于：包括数据获取模块、数据融合模块、优化训练模块、制图模块；
所述数据获取模块用于获取高空遥感数据和地面测量数据并将其传输给数据融合模块；
所述数据融合模块基于优化后的像素融合算法模型对遥感数据和地面测量数据进行数据融合，生成综合遥感数据和地面测量数据的新的测绘数据；
所述优化训练模块基于新的测绘数据建立数字高程模型，并利用卷积神经网络结合遥感影像数据对上述数字高程模型进行优化训练，得到优化后的数字高程模型；
所述制图模块基于优化后的数字高程模型为地图制图软件提供地形数据和空间数据，为地图构建过程中的空间分析提供支持，且所述制图模块用于将制图模块构建的地图数据，输出生成的二维地图或三维实景地图，并将其保存或导出为特定格式的地图文件。
CN202311769742.6A 2023-12-21 2023-12-21 一种地形测绘的地图构建方法及系统 Active CN117433513B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311769742.6A CN117433513B (zh) 2023-12-21 2023-12-21 一种地形测绘的地图构建方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311769742.6A CN117433513B (zh) 2023-12-21 2023-12-21 一种地形测绘的地图构建方法及系统

Publications (2)

Publication Number Publication Date
CN117433513A CN117433513A (zh) 2024-01-23
CN117433513B true CN117433513B (zh) 2024-03-08

Family

ID=89558740

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311769742.6A Active CN117433513B (zh) 2023-12-21 2023-12-21 一种地形测绘的地图构建方法及系统

Country Status (1)

Country Link
CN (1) CN117433513B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118298264A (zh) * 2024-02-28 2024-07-05 武昌首义学院 多源卫星情报数据与三维仿真空间数据融合方法及系统
CN117827326B (zh) * 2024-02-29 2024-07-30 苏州青宸科技有限公司 一种遥感测绘数据精度增强方法及系统
CN118211767B (zh) * 2024-05-22 2024-08-06 山东慧宇航空遥感技术有限公司 应用于城乡规划的场景建模方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112651919A (zh) * 2021-01-26 2021-04-13 南京超辰信息科技有限公司 一种遥感图像测绘及处理系统
CN112991288A (zh) * 2021-03-09 2021-06-18 东南大学 基于丰度图像锐化重构的高光谱遥感图像融合方法
CN113436090A (zh) * 2021-06-16 2021-09-24 中国电子科技集团公司第五十四研究所 一种遥感影像光谱和纹理特征融合提取方法
CN115342779A (zh) * 2022-07-11 2022-11-15 兰州市勘察测绘研究院 一种基于测绘模型图的城市地面及地下形态的测绘方法
CN116486282A (zh) * 2023-05-29 2023-07-25 自然资源部陕西基础地理信息中心(自然资源部陕西测绘资料档案馆) 一种基于深度学习的数字高程模型制作方法及系统、电子设备、存储介质
CN116777964A (zh) * 2023-08-18 2023-09-19 上海航天空间技术有限公司 基于纹理显著性赋权的遥感影像融合方法及系统
CN116778104A (zh) * 2023-08-16 2023-09-19 江西省国土资源测绘工程总院有限公司 一种动态遥感监测的测绘方法及系统
CN117218539A (zh) * 2023-09-18 2023-12-12 杨邦会 一种基于多种植被指数的遥感监测森林蓄积量方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112651919A (zh) * 2021-01-26 2021-04-13 南京超辰信息科技有限公司 一种遥感图像测绘及处理系统
CN112991288A (zh) * 2021-03-09 2021-06-18 东南大学 基于丰度图像锐化重构的高光谱遥感图像融合方法
CN113436090A (zh) * 2021-06-16 2021-09-24 中国电子科技集团公司第五十四研究所 一种遥感影像光谱和纹理特征融合提取方法
CN115342779A (zh) * 2022-07-11 2022-11-15 兰州市勘察测绘研究院 一种基于测绘模型图的城市地面及地下形态的测绘方法
CN116486282A (zh) * 2023-05-29 2023-07-25 自然资源部陕西基础地理信息中心(自然资源部陕西测绘资料档案馆) 一种基于深度学习的数字高程模型制作方法及系统、电子设备、存储介质
CN116778104A (zh) * 2023-08-16 2023-09-19 江西省国土资源测绘工程总院有限公司 一种动态遥感监测的测绘方法及系统
CN116777964A (zh) * 2023-08-18 2023-09-19 上海航天空间技术有限公司 基于纹理显著性赋权的遥感影像融合方法及系统
CN117218539A (zh) * 2023-09-18 2023-12-12 杨邦会 一种基于多种植被指数的遥感监测森林蓄积量方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
土地利用调查中SPOT遥感影像数据处理方法;覃忠健;阮子超;曾丽云;;江西测绘;20100325(01);全文 *
地形地质GIS三维可视化及应用;申永利;赵煜;彭俊芳;郑贵洲;;地理空间信息;20110828(04);全文 *
基于DEM的遥感数据复原方法研究;胡文英;角媛梅;;国土资源遥感;20070320(01);全文 *
基于卷积神经网络的数字高程分辨率提高方法;谢洪亮;《地理空间信息》;20200116;第18卷(第1期);28-31 *
遥感影像融合关键技术探讨;杨玉静;;北京测绘;20100625(02);全文 *

Also Published As

Publication number Publication date
CN117433513A (zh) 2024-01-23

Similar Documents

Publication Publication Date Title
CN117433513B (zh) 一种地形测绘的地图构建方法及系统
CN102506824B (zh) 一种城市低空无人机系统生成数字正射影像图的方法
Yan et al. Integration of 3D objects and terrain for 3D modelling supporting the digital twin
CN104931022A (zh) 基于星载激光测高数据的卫星影像立体区域网平差方法
CN109801371B (zh) 一种基于Cesium的网络三维电子地图构建方法
Kaufmann et al. Spatio-temporal analysis of the dynamic behaviour of the Hochebenkar rock glaciers (Oetztal Alps, Austria) by means of digital photogrammetric methods
Khayyal et al. Creation and spatial analysis of 3D city modeling based on GIS data
CN117496103A (zh) 一种融合无人机倾斜摄影点云与地形图高程信息的多山地形区域dem生产的技术方法
Pfeifer et al. LiDAR data filtering and digital terrain model generation
Al-Rousan System calibration, geometric accuracy testing and validation of DEM and orthoimage data extracted from SPOT stereo-pairs using commercially available image processing systems
Hu et al. Building modeling from LiDAR and aerial imagery
CN115984490A (zh) 风场特性的建模分析方法、系统、无人机设备及存储介质
CN115342779B (zh) 一种基于测绘模型图的城市地面及地下形态的测绘方法
Zhu A pipeline of 3D scene reconstruction from point clouds
Hassan et al. Cadastral mapping accuracy assessment using various surveying techniques and high-resolution satellites images
Rau et al. Geometrical building modeling and its application to the ortho-rectification for aerial images
Yanan et al. DEM extraction and accuracy assessment based on ZY-3 stereo images
Lalak et al. The analysis of the accuracy of digital terrain model (Dtm) obtained from high resolution geoeye-1 satellite imagery
Wang Semi-automated generation of high-accuracy digital terrain models along roads using mobile laser scanning data
Eckert 3D-Building height extraction from stereo IKONOS data
Parker et al. A Tampa Bay bathymetric/topographic digital elevation model with internally consistent shorelines for various datums
Saptari et al. The Use of iPad LiDAR to Build a Digital Elevation Model in Defining Customary Zones (Case Study of Panglipuran, Bali)
Parker et al. Blending bathymetry with topography: The Tampa Bay demonstration project
Ejikeme et al. EVALUATION OF THE SPATIAL AND GEOMETRIC QUALITY OF UAV-DERIVED DEM PRODUCT IN NNAMDI AZIKIWE UNIVERSITY AWKA, NIGERIA
Oniga et al. 3D Modeling of Urban Area Based on Oblique UAS Images—An End-to-End Pipeline. Remote Sens. 2022, 14, 422

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant