【技术实现步骤摘要】
本专利技术涉及三维重建领域，更具体地说，它涉及一种基于大数据的城市空间三维重建方法及系统。
技术介绍
1、随着大数据技术的发展，城市空间的三维重建已经成为城市规划、建筑设计和环境监测等领域的关键技术。三维重建通过收集大量的图像数据和点云数据，将城市中的建筑物、道路等元素精确地还原为数字模型。
2、现有的三维重建技术通常依赖于大量的点云数据或者大量高清的图片，才能够得到较好的建模效果，然而，基于数据量来进行建模的方式存在明显的边际效应，为了提升建模效果而采集的数据不仅配准困难，且提升的建模效果十分有限，成本却十分高昂；但是，不采集此类数据则会导致建模精度和效果不佳的问题。
技术实现思路
1、本专利技术提供一种基于大数据的城市空间三维重建方法及系统，解决
技术介绍
中提出的问题。
2、第一方面，本专利技术提供了一种基于大数据的城市空间三维重建方法，包括：
3、步骤s101：采集目标城市空间若干多角度光谱图像和对应的光谱图像的拍摄信息；拍摄信息包括：相机主点坐标、光学坐标和焦距；
4、步骤s102：对光谱图像预处理，以得到预处理后的光谱图像；提取预处理后的光谱图像中的特征点，将特征点映射为图网络中的节点，基于节点构建图网络；
5、步骤s103：采集广域数据训练改进的对抗神经网络，该对抗神经网络包括判别器a、生成器a、判别器b和随机遮挡模块；广域数据包括训练空间的图网络和泛空间的图网络及点云数据；其中，泛空间的点云数据作为判别器a的真
6、步骤s104：使用目标空间的图网络替代预设的随机遮挡模块，目标空间的图网络根据判别器b输出图网络的评估值反向更新，更新后的目标空间的图网络输入生成器a，得到目标空间的点云数据；
7、步骤s105：基于目标空间的点云数据对目标空间进行建模。
8、进一步的，对光谱图像预处理，以得到预处理后的光谱图像，包括：
9、选择垂直俯拍的光谱图像作为基准，在光谱图像中设定若干配准点，通过的配准点将非基准光谱图像匹配并校正，得到多视角光谱图像集；
10、在每个光谱图像中通过提取特征边缘，检测提取特征点，并获取特征点二维坐标；统计特征点在多视角光谱图像集中出现的次数，去除低于次数阈值的特征点；
11、通过特征点的二维坐标在不同光谱图像中位置获得视差信息，基于特征点的二维坐标、视差信息和光谱图像的拍摄信息，将特征点的二维坐标转换为三维坐标。
12、进一步的，基于节点构建图网络，包括：
13、特征点的映射为图网络的节点；两节点之间存在特征边缘，则将该特征边缘映射为图网络的边；节点的初始特征为特征点的特征向量，特征向量包括特征点的坐标、颜色和反射率数据。
14、进一步的，目标空间的图网络根据判别器b输出图网络的评估值反向更新，包括：
15、计算每个节点对其他的节点的权重，构建权重矩阵；
16、对权重矩阵进行聚类分析，基于权重因子阈值将特征点区分为高权重特征点和低权重特征点，并基于高权重特征点和低权重特征点对图网络划分高权重区域和低权重区域；
17、在低权重区域中插入新节点，并在新节点和与新节点相近的高权重特征点之间构建边；
18、判别器b对目标空间的图网络输出评估值，若评估值低于评估阈值，则调整节点的位置。
19、进一步的，调整节点的位置，包括：
20、根据判别器b对图网络的评估值定义图网络的反向优化因子；
21、计算反向优化因子对每个新节点的位置的偏导数；
22、根据偏导数的方向，沿使判别器b对图网络的评估值减小的方向移动新节点；
23、通过迭代调整新节点的位置，直至判别器b对图网络的评估值大于评估阈值。
24、进一步的，对图网络中的节点标号，并构建生成器矩阵；生成器矩阵的大小为d×k；其中，生成器矩阵的每一行均表示一个特征点的坐标和特征；
25、统计特征点的边数，设定生成器矩阵的每一行的维度为k；
26、依次填充特征点的坐标、颜色、反射率和边关系；
27、设定标识符标识坐标、颜色、反射率和边关系；
28、若特征点的坐标、颜色、反射率和边关系填充维度不及k维，则特征点标号和特征点权重均使用掩码填充，标识符不变，拓展边关系至k维；
29、若特征点的数量≤d个，则拓展生成器矩阵行数量至d维，拓展的行数量均使用掩码填充。
30、进一步的，随机遮挡模块，包括：
31、随机遮挡模块在训练空间的图网络中随机选择一个或多个位置和面积均随机的区域进行遮挡；遮挡区域包括对选定区域内的图网络节点和边进行遮挡，遮挡后的节点和边将从图网络中移除。
32、进一步的，基于目标空间的点云数据对目标空间进行建模，包括：
33、将目标空间的点云数据转换为三维模型；将点云数据中的颜色和反射率信息映射到三维模型的表面；得到目标空间的三维模型。
34、第二方面，本专利技术提供一种基于大数据的城市空间三维重建系统，包括：
35、数据采集模块：采集目标城市空间若干多角度光谱图像和对应的光谱图像的拍摄信息；
36、图网络构建模块：对拍摄的光谱图像预处理并提取特征点，构建图网络，将光谱图像中的特征点映射为图网络中的节点；
37、模型训练模块：采集广域数据训练改进的对抗神经网络，该对抗神经网络包括判别器a、生成器a、判别器b和随机遮挡模块；
38、点云生成模块：使用目标空间的图网络替代预设的随机遮挡模块，目标空间的图网络根据判别器b输出图网络的评估值反向更新，更新后的目标空间的图网络输入生成器a，得到目标空间的点云数据；
39、三维重建模块：基于目标空间的点云数据对目标空间进行建模。
40、第三方面，本专利技术提供一种计算机设备，包括：
41、一个或多个处理器；
42、存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现所述的方法。
43、本专利技术的有益效果在于：通过改进的对抗神经网络与图网络的协同工作，实现了在目标空间数据不完全的情况下，实现了生成高质量、结构合理的三维模型；通过引入随机遮挡模块和图网络反向更新机制，大幅减少了数据需求和建模成本，使得该方案在实际应用中更加合理且具有广泛的适应性。
本文档来自技高网...【技术保护点】
1.一种基于大数据的城市空间三维重建方法，其特征在于，包括：
2.根据权利要求1所述的一种基于大数据的城市空间三维重建方法，其特征在于，对光谱图像预处理，以得到预处理后的光谱图像，包括：
3.根据权利要求1所述的一种基于大数据的城市空间三维重建方法，其特征在于，基于节点构建图网络，包括：
4.根据权利要求1所述的一种基于大数据的城市空间三维重建方法，其特征在于，目标空间的图网络根据判别器B输出图网络的评估值反向更新，包括：
5.根据权利要求4所述的一种基于大数据的城市空间三维重建方法，其特征在于，调整节点的位置，包括：
6.根据权利要求4所述的一种基于大数据的城市空间三维重建方法，其特征在于，对图网络中的节点标号，并构建生成器矩阵；生成器矩阵的大小为D×K；其中，生成器矩阵的每一行均表示一个特征点的坐标和特征；
7.根据权利要求1所述的一种基于大数据的城市空间三维重建方法，其特征在于，随机遮挡模块，包括：
8.根据权利要求1所述的一种基于大数据的城市空间三维重建方法，其特征在于，基于目标空间的点云
9.一种基于大数据的城市空间三维重建系统，其特征在于，使用如权利要求1至8中任一项所述的方法，包括：
10.一种计算设备，其特征在于，包括：
...【技术特征摘要】
1.一种基于大数据的城市空间三维重建方法，其特征在于，包括：
2.根据权利要求1所述的一种基于大数据的城市空间三维重建方法，其特征在于，对光谱图像预处理，以得到预处理后的光谱图像，包括：
3.根据权利要求1所述的一种基于大数据的城市空间三维重建方法，其特征在于，基于节点构建图网络，包括：
4.根据权利要求1所述的一种基于大数据的城市空间三维重建方法，其特征在于，目标空间的图网络根据判别器b输出图网络的评估值反向更新，包括：
5.根据权利要求4所述的一种基于大数据的城市空间三维重建方法，其特征在于，调整节点的位置，包括：
6.根据权...
【专利技术属性】
技术研发人员：欧世芬，董敬明，陈亮，林晖，庄嘉慧，高挺，张宇晗，
申请(专利权)人：福州市规划设计研究院集团有限公司，
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。