Классификация фотограмметрических облаков точек, полученных по стереопарам космических снимков в ЦФС PHOTOMOD, для решения градостроительных задач

Дистанционное зондирование Земли

УДК:

528.8:004.8

DOI:

10.22389/0016-7126-2025-1018-4-40-47

1 Василенко Д.В.

2 Пермяков Р.В.

Год:

2025

№:

1018

Страницы:

40-47

Фирма «Ракурс»

1,

2,

Аннотация:

Один из наиболее важных инструментов градостроительства – это трехмерное цифровое моделирование. Развитие фотограмметрических методов позволяет использовать для построения 3D-моделей данные аэро-, а также космической съемки без необходимости проведения наземной топографической съемки. Дальнейшая обработка полученных моделей требует информации о классе объектов (земля, здание, растительность и т. д.). Для этого могут быть использованы алгоритмы машинного обучения. В работе исследовано практическое применение алгоритмов машинного обучения к облакам точек, полученных фотограмметрическим методом в программе PHOTOMOD 8.0 по данным классической и разновременной космической стереосъемки урбанизированных территорий в пределах Москвы, Нижнего Новгорода, Калининграда и Сеула. Проведена оценка этих алгоритмов. Выявлены закономерности в результатах автоматической классификации фотограмметрических облаков точек по данным классической и разновременной космической стереосъемки урбанизированных территорий

Ключевые слова:

аэросъемка, глубокое обучение, искусственные нейронные сети, лазерное сканирование, машинное обучение, облако точек, фотограмметрия

Список литературы:

1. Василенко Д. В. Разработка алгоритма классификации плотных облаков точек на примере городской застройки // Вестник СГУГиТ. – 2024. – Т. 29. – № 6. – С. 44–52. DOI: 10.33764/2411-1759-2024-29-6-44-52.

2. Захарова Л. П., Копытов А. А., Петрова Е. В., Птушкин С. В. Создание фотограмметрической модели города Москвы по материалам беспилотных летательных аппаратов // Геопрофи. – 2022. – № 6. – С. 14–19.

3. Пермяков Р.В. Фотограмметрическая обработка и применение разновременных стереопар космических снимков // Геодезия и картография. – 2021. – № 8. – С. 36-44. DOI: 10.22389/0016-7126-2021-974-8-36-44.

4. 3D-модель Нижнего Новгоpода // Геопpофи. – 2024. – № 4. – С. 13.

5. Furukawa Y., Ponce J. (2010) Accurate, dense, and robust multi-view stereopsis // IEEE Transactions on Pattern Analysis and Machine Intelligence. 32, 8, pp. 1362–1376. DOI: 10.1109/TPAMI.2009.161.

6. Gehrig S., Eberli F., Meyer T. (2009) A real-time low-power stereo vision engine using semi-global matching // Proceedings of Computer Vision Systems. pp. 134–143. DOI: 10.1007/978-3-642-04667-4_14.

7. Hirschmuller H. (2008) Stereo processing by semi-global matching and mutual information // IEEE Transactions on Pattern Analysis and Machine Intelligence. 30 (2), pp. 328–341. DOI: 10.1109/TPAMI.2007.1166.

8. Hirschmüller H., Buder M., Ernst I. (2012) Memory Efficient Semi-Global Matching // ISPRS Annals of Photogrammetry, Remote Sensing and Spatial Information Sciences. I–3, pp. 371–376. DOI: 10.5194/isprsannals-I-3-371-2012.

9. Hu Q., Yang B., Xie L., Rosa S., Guo Y., Wang Z., Trigoni N., Markham A. (2020) RandLA–Net: Efficient Semantic Segmentation of Large-Scale Point Clouds // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. pp. 11105–11114. DOI: 10.1109/cvpr42600.2020.01112.

10. Li Y., Bu R., Sun M., Wu W., Di X., Chen B. (2018) PointCNN: convolution on X-transformed points // Neural Information Processing Systems. pp. 828–838.

11. Riegler G., Ulusoy A. O., Geiger A. (2016) OctNet: learning deep 3D representations at high resolutions // 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). pp. 6620–6629. DOI: 10.1109/CVPR.2017.701.

12. Saouli A., Babahenini M. C., Medjram S. (2018) Accurate, dense and shading-aware multi-view stereo reconstruction using metaheuritic optimization // Multimedia Tools and Applications. 78, pp. 15053–15077. DOI: 10.1007/s11042-018-6904-6.

13. Schenk T., Csatho B. (2002) Fusion of lidar data and aerial imagery for a more complete surface description // International Archives of Photogrammetry and Remote Sensing. 34, pp. 310–317.

14. Tao G., Yasuoka Y. (2002) Combining high resolution satellite imagery and airborne laser scanning data for generating bare ground DEM in urban areas // Proceedings of International Workshop on Visualization and Animation of Groundscape. International Archives of Photogrammetry. Remote Sensing and Spatial Information Science. 34, pp. 310–317.

15. Thomas H., Tsai Y.-H. H., Barfoot T. D., Zhang J. (2024) KPConvX: modernizing kernel point convolution with kernel attention // 2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). pp. 5525–5535. DOI: 10.1109/CVPR52733.2024.00528.

16. Thomas H., Qi C. R., Deschaud J.-E., Marcotegui B., Goulette F., Guibas L. (2019) KPConv: flexible and deformable convolution for point clouds // Proceedings of the IEEE International Conference on Computer Vision. pp. 6410–6419. DOI: 10.1109/iccv.2019.00651.

17. Qi C., Su H., Mo K., Guibas L. J. (2016) PointNet: deep learning on point sets for 3D classification and segmentation // 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). pp. 77–85. DOI: 10.1109/CVPR.2017.16.

18. Qi C., Yi L., Su H., Guibas L. J. (2017) PointNet++: deep hierarchical feature learning on point sets in a metric Space // Advances in Neural Information Processing Systems. pp. 5105–5114.

Образец цитирования:

Василенко Д.В.,

Пермяков Р.В.,

Классификация фотограмметрических облаков точек, полученных по стереопарам космических снимков в ЦФС PHOTOMOD, для решения градостроительных задач // Геодезия и картография. – 2025. – № 4. – С. 40-47. DOI: 10.22389/0016-7126-2025-1018-4-40-47

СТАТЬЯ

Поступила в редакцию: 18.12.2024

Принята к публикации: 28.03.2025

Опубликована: 20.05.2025