从RGB无人机数据中增强建筑点云重建,使用基于机器学习的图像翻译.
Elisabeth Johanna Dippold1, Fuan Tsai1,2
1Department of Civil Engineering, National Central University, 300, Zhongda Rd., Zhongli, Taoyuan 32001, Taiwan.
Sensors (Basel, Switzerland)
|April 13, 2024
概括
本研究介绍了一种两阶段的框架,通过使用生成对抗网络 (GAN) 将RGB图像转换为色红外 (CIR) 来改进3D点云重建. 这种方法有效地减少了植被噪音,并增强了3D模型,而不需要昂贵的多谱传感器.
科学领域:
- 摄影测量和遥感技术
- 计算机视觉 计算机视觉
- 地理空间数据处理.
背景情况:
- 动态特征,如植被显著影响3D点云重建的准确性.
- 近红外 (NIR) 数据有助于植被检测,但需要资源密集型传感器.
- 现有的方法在植物干扰和缺乏NIR数据方面扎.
研究的目的:
- 为增强3D点云生成开发一个两阶段框架.
- 在3D重建中减少植被造成的噪音.
- 为了克服植物识别NIR数据缺失的局限性.
主要方法:
- 交叉传感器图像到图像RGB到色红外线 (CIR) 翻译使用生成对抗网络 (GAN).
- 使用来自人工生成的NIR频段的NDVI来进行植被分类和移除.
- 功能检测,匹配,姿势估计和三角化用于稀疏的3D点云生成.
主要成果:
- 在交叉传感器验证中准确度高 (0.9466) 在类别智能验证中性能强 (0.9024).
- 生成的NIR频段显示与原始卫星NIR数据一致.
- 成功将RGB转换为CIR用于NDVI计算,使植被细分和分类成为可能.
结论:
- 拟议的框架有效地将RGB转换为CIR,使NDVI计算和植被细分成为可能.
- 人工生成的NDVI有助于减少来自植被的噪音,提高3D模型质量.
- 该方法可以提高3D点云重建性能,而不需要专门的多谱传感器.
