一种基于深度学习的三维模型植被区域轻量化处理方法技术

本发明专利技术涉及地理信息系统数据处理领域，其具体公开了一种基于深度学习的三维模型植被区域轻量化处理方法，包括以下步骤：步骤1、训练用于植被检测的深度学习网络模型参数；步骤2、读入实景三维模型数据生成真正射影像TDOM；步骤3、采用深度学习图像分割方法，在TDOM上检测出植被区域；步骤4、搜索三维模型所有三角形的顶点，判断顶点是否落在植被区域内并做标记；步骤5、采用带标记的二次误差测度算法简化三维模型的植被区域。本发明专利技术的一种基于深度学习的三维模型植被区域轻量化处理方法，能够精准地对城市实景三维模型中植被区域进行模型简化，有效减小城市级实景三维模型中的冗余数据，提高数据的调度处理效率。提高数据的调度处理效率。提高数据的调度处理效率。

【技术实现步骤摘要】
一种基于深度学习的三维模型植被区域轻量化处理方法


[0001]本专利技术涉及地理信息系统数据处理领域，尤其涉及一种基于深度学习的三维模型植被区域轻量化处理方法。

技术介绍

[0002]基于倾斜摄影测量的三维重建技术通过海量的影像数据生成真三维模型，真实地还原地物信息，已经成为城市级实景三维建设的重要手段之一。为了保证视觉效果，城市三维场景的建模精度通常较高，精细的城市级三维模型往往达到了TB级的数据量。但是，巨大的数据量不仅降低了调度效率，还给图形渲染造成了极大的压力，减小模型数据量已成为三维可视化中亟待解决的问题之一。
[0003]三维模型的主要数据为三维网格和二维纹理贴图，目前构成三维网格的基本图元主要是三角形。通常使用简化算法删除一定的三角形来简化三维模型，其中Garland等提出的基于边折叠的QEM算法以高简化质量、低复杂度得到广泛应用和改进。但是在进行简化处理时，目前的简化算法难免造成三维模型的精度恶化，甚至导致模型的形状发生较大变化。
[0004]在城市实景三维模型中，植被的重要性不高，但是由于植被表面不平整，实景三维模型里有大量密集的三角形用于表达植被，于是模型中存在大量无意义的三角形数据。因此，精准地对植被区域进行模型简化，将会有效减小城市级实景三维模型中的冗余数据，提高数据的调度处理效率。

技术实现思路

[0005]本专利技术旨在至少解决上述所提及的技术问题之一，提供一种基于深度学习的三维模型植被区域轻量化处理方法，能够精准地对城市实景三维模型中植被区域进行模型简化，有效减小城市级实景三维模型中的冗余数据，提高数据的调度处理效率。
[0006]为了实现上述目的，本专利技术采用的技术方案为：一种基于深度学习的三维模型植被区域轻量化处理方法，包括以下步骤：
[0007]步骤1、训练用于植被检测的深度学习网络模型参数；
[0008]步骤2、读入实景三维模型数据生成真正射影像TDOM；
[0009]步骤3、利用步骤S1训练得到的用于植被检测的深度学习网络模型参数，采用深度学习图像分割方法，在真正射影像TDOM上检测出植被区域；
[0010]步骤4、搜索三维模型所有三角形的顶点，判断顶点是否落在植被区域内并做标记；
[0011]步骤5、采用带标记的二次误差测度算法简化实景三维模型的植被区域。
[0012]优选的，所述步骤1中，训练用于植被检测的深度学习网络模型参数包括以下步骤：
[0013](1)收集植被类地物的真正射影像TDOM素材切片并标注植被区域，以制作训练集；
[0014](2)对训练集图像进行数据增强处理；
[0015](3)构建深度学习网络模型并进行迭代训练，以得到模型参数。
[0016]优选的，通过对训练集图像进行随机亮度、饱和度、清晰度、旋转、剪切、翻转、加高斯噪声的处理，以进行数据增强处理。
[0017]优选的，所述步骤2中生成真正射影像TDOM的具体实现方式包括：读入实景三维模型进行数据加载，将相机视点设置为模型的中心正上方，然后将相机视角设置为垂直向下，投影方式为正射投影，再进行离屏渲染并把渲染结果保存为图片文件。
[0018]优选的，所述步骤3中，使用步骤1训练得到的深度学习网络模型参数检测步骤2中真正射影像TDOM上的植被区域，以对真正射影像TDOM进行分割，然后对分割结果做二值化处理，植被区域标记为1，其它标记为0。
[0019]优选的，所述步骤4中，实景三维模型中三角形的顶点坐标为(X,Y,Z)，如果(X,Y)落在植被区域内并且顶点所在边为非边界边则标记该顶点为1，否则为标记0。
[0020]优选的，所述步骤5中，如果三角形的边的两个顶点均标记1，则计算其折叠代价Δ(e)，否则把该边的折叠代价Δ(e)设为最大值MAX，根据折叠代价大小进行排序，优先删减折叠代价最小的边，在删减边之后把新顶点的标记1，然后更新局部模型的拓扑信息，迭代简化直至设定简化率或者折叠误差小于设定阈值，最后输出简化模型。
[0021]有益效果是：与现有技术相比，本专利技术的一种基于深度学习的三维模型植被区域轻量化处理方法基于深度学习图像分割技术检测真正射影像TDOM上的植被区域，然后对模型中的植被三角网格进行特定的折叠简化，在不影响视觉效果和主体精度情况下有效减少了城市级实景三维模型中的冗余数据量，从而提高了数据的调度处理效率，并且简化区域和未处理区域过渡自然，视觉上不存在处理边界痕迹。
附图说明
[0022]以下结合附图对本专利技术的具体实施方式作进一步的详细说明，其中：
[0023]图1为本专利技术的一种基于深度学习的三维模型植被区域轻量化处理方法的流程图；
[0024]图2为为基于深度学习图像分割的植被检测的输入和输出示意图；
[0025]图3为带标记1的的边折叠简化操作示意图；
[0026]图4为本专利技术处理方法处理前后的对比示意图。
具体实施方式
[0027]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术的一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。
[0028]需要说明的是，当组件被称为“固定于”另一个组件，它可以直接在另一个组件上或者也可以存在居中的组件。当一个组件被认为是“连接”另一个组件，它可以是直接连接到另一个组件或者可能同时存在居中组件。当一个组件被认为是“设置于”另一个组件，它可以是直接设置在另一个组件上或者可能同时存在居中组件，当部件被称为“设置在中部”，不仅仅是设置在正中间位置，只要不是设置在两端部都属于中部所限定的范围内。本
文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
[0029]除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同。本文中在本专利技术的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本专利技术。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
[0030]目前通常使用普通可见光的无人机测绘系统采集影像数据，不具备近红外波段的光谱信息，传统方法通过可见光波段反射信息构建植被指数来识别植被。在实际应用中，植被指数分类方法容易受到地表颜色、大气辐射、双向反射等因素影响，分类的准确率不高，通用性不强。随着卷积神经网络在图像处理领域的不断发展，基于深度学习的图像分割方法可以通过数据集进行训练以适用于多种场景，准确率明显高于传统方法，其中U
‑
Net具有分割效果优异、计算效率高的优点。经过多年的不断改进，Huimin Huang等人在2020年提出的UNet3+网络结合了多尺度特征，进一步引入了分类引导模块，模型参数更少，但可以产生更准确的位置感知和边界感知的分割图。...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的三维模型植被区域轻量化处理方法，其特征在于，包括以下步骤：步骤1、训练用于植被检测的深度学习网络模型参数；步骤2、读入实景三维模型数据生成真正射影像TDOM；步骤3、利用步骤S1训练得到的用于植被检测的深度学习网络模型参数，采用深度学习图像分割方法，在真正射影像TDOM上检测出植被区域；步骤4、搜索实景三维模型所有三角形的顶点，判断顶点是否落在植被区域内并做标记；步骤5、采用带标记的二次误差测度算法简化实景三维模型的植被区域。2.根据权利要求1所述的一种基于深度学习的三维模型植被区域轻量化处理方法，其特征在于，所述步骤1中，训练用于植被检测的深度学习网络模型参数包括以下步骤：(1)收集植被类地物的真正射影像TDOM素材切片并标注植被区域，以制作训练集；(2)对训练集图像进行数据增强处理；(3)构建深度学习网络模型并进行迭代训练，以得到模型参数。3.根据权利要求2所述的一种基于深度学习的三维模型植被区域轻量化处理方法，其特征在于，通过对训练集图像进行随机亮度、饱和度、清晰度、旋转、剪切、翻转、加高斯噪声的处理，以进行数据增强处理。4.根据权利要求1所述的一种基于深度学习的三维模型植被区域轻量化处理方法，其特征在于，所述步骤2中生成真正射影像TDO...

【专利技术属性】
技术研发人员：陈瑞波，刘润东，梅树红，梁冬生，潘婵玲，陈家兴，何丽娟，王朝厅，吴帅，
申请(专利权)人：广西壮族自治区自然资源遥感院，
类型：发明
国别省市：