-
摘要: 多细节层次的三维城市模型是数字城市和智慧社会的关键空间数据基础设施，从基于稀疏点线特征的交互式半自动化建模到基于密集点云的自动化智能化建模已经成为国际学术界和工业界的热点前沿。由于立体城市空间结构的复杂性，多类型、多站点和多时相的点云数据融合处理是三维城市建模的基本途径，其基本思想是将具有不同视角、密度、精度、尺度、细节、时间历元等特征的多点云数据进行一致性融合表达与集成处理，建立可直接面向计算分析的智能化表达的多点云模型。归纳总结了多点云数据的主要特点，针对时空基准与精度、尺度、语义3个层面的一致性处理，分析了多点云数据融合的主要发展趋势，并凝练了面向三维城市建模的多点云数据融合关键问题。Abstract: Three-dimensional city models in multiple levels of details consists of the fundamental geospatial data infrastructure for digital city and wisdom society, feature based interactive modeling using sparse point or line features and automatic modeling based on dense point clouds have triggered interests in both academic and industrial communities. Because of the complexity of spatial structure of three-dimensional cities, fusion of multi-source, multi-view and multi-temporal point clouds is a critical issue of three-dimensional city modeling. The basic idea is to integrate multiple point clouds data, which have different characteristics such as angle of view, density, accuracy, scale, level of detail, time stamps, into the same coherent representation. This paper first summarizes the main characterstics of ubiquitous point clouds data, and then analyzes the major trend of multiple point clouds data fusion methods from three aspects, time-space datum and precision, scale, and semantics. Finally, critical issues of multiple point clouds data fusion for 3D city modeling are given.
-
变化是地理实体、现象的基本特征之一。有些变化是自然灾害所致，例如地质灾害、沙尘暴、风暴等引起的地表、自然资源和环境的变化；而有些变化则是因为人类活动造成的，例如城市扩张所致的土地覆盖和土地利用的变化。变化检测是通过对地理实体或现象进行多次观测以检测和提取发生在地理实体或现象中变化信息的技术手段，即通过不同时间的观测来识别物体或现象状态差异的过程[1]。卫星遥感以其观测范围大、同一地区周期性重访等特点，可为低代价、高时效的环境监测提供及时、准确、一致的地球表面信息[2]，为地表地理现象的变化检测提供技术支撑，因此广泛应用于地表信息的变化检测中。
地理实体或现象的变化信息可为自然资源管理、灾害监测、生态环境保护和可持续发展提供科学依据。光学遥感影像变化检测在众多领域中都有广泛的应用需求。归纳起来，光学遥感变化检测过程可以被看作是一个从多时相遥感数据开始，经过数据预处理、变化检测、精度评价的影像处理链。如图 1所示，其中多时相数据是指对同一地理范围在不同时间进行多次观测所得的光学遥感影像，是变化检测的数据基础。预处理包括多时相遥感影像的几何校正、辐射校正、配准处理等。变化检测是将多时相遥感影像作为输入，利用变化检测算法从影像中检测变化信息的关键过程。精度评估是对变化检测结果的精度进行评价的过程。
1977年，Weismiller等[3]提出影像差分方法，这是最早的变化检测算法，标志着光学遥感影像变化检测研究的开始。40年来，研究人员对变化检测进行了长期的研究，围绕变化检测处理链的各环节，发表了众多研究成果，亦从不同方面对变化检测方法进行了一定的总结[2, 4]。
为了比较全面地回顾几十年来光学卫星遥感变化检测领域的研究进展，总结光学遥感影像变化检测的成果并探讨未来有待解决的问题，本文试图从变化检测方法、面临的挑战和应用领域等多个方面，从不同的角度对光学遥感影像变化检测的进展进行回顾和总结，并展望光学遥感影像变化检测技术的未来研究发展趋势。
1 光学遥感影像变换检测的主要方法分类
由于光学遥感卫星的传感器不同，影像的光谱分辨率、空间分辨率等各不相同。40年来，研究者针对不同的光学遥感影像开发了多种变化检测方法。本文从处理单元、算法、是否需要先验知识3个方面对这些方法进行系统总结，如图 2所示。
1) 变化检测处理单元
像元是光学遥感变化检测的基本处理单元。40年来研究者发表了许多像元级光学遥感影像变化检测方法[5-8]。亚像元因可以构造更加精细分辨率的影像图以弥补空间分辨率的不足，但无法精细反映地表覆盖的问题，因此在亚像元级进行变化检测是近年来研究者关注的方向之一[9-10]。随着光学遥感影像空间分辨率的提高，越来越多的高分辨率影像在各领域得到应用。高分辨率影像一方面承载了更加丰富的地表信息，另一方面，也导致同一地物的光谱特征离散化问题，降低了基于像元变化检测的精度。因此，面向对象的变化检测方法在土地覆盖/利用、灾害监测评估和城市扩张等许多领域得到有效应用[11-14]。
2) 变化检测算法
Menz[15]提出并系统分析了从变化检测到变化建模的发展历程，通过对1970-2013年期间发表在《Remote Sensing of Environment》《Photogrammetric Engineering & Remote Sensing》《International Journal of Remote Sensing》和《IEEE Transactions on Geoscience and Remote Sensing》等期刊中的变化检测文献进行总结，把遥感影像变化检测方法归纳为代数法(algebra)、变换法(transformation)、分类法(classification)和目视解译法(visualisation)。此外，随着智能技术的发展和深入应用，智能深度学习算法逐渐进入遥感影像变化检测领域[16-17]。
3) 先验知识
根据变化检测算法是否需要基于先验知识，光学遥感影像变化检测的方法可分为非监督、监督和基于上下文的变化检测[2]。非监督变化检测算法无需研究区域的先验知识，通常用于产生研究区域的变化和非变化的二值图[18-19]。传统的监督法通常使用分类后比较逻辑进行变化检测。而上下文信息在影像理解和分析中扮演了一个重要的角色，在遥感影像变化检测的影像对比或分类阶段都可以利用空间上下文信息[20-22]。
2 变化检测算法进展
40年来，国内外学者们提出或发展了数以千计的变化检测方法。这些方法在土地利用/覆盖、城市扩张、灾害监测、生态环境保护、湿地变化监测、森林砍伐和荒漠化等众多领域中得到广泛应用。前文已通过对40年来的变化检测方法进行回顾，把光学遥感影像变化检测的方法总结为代数法、变换法、分类法、目视解译法和深度学习法等5种类型。本节拟从方法提出的时间(年代)、数量和应用领域3个维度，进一步分析国内外光学遥感影像变化检测方法的发展。
为了分析国际上光学遥感影像变化检测方法的进展，本文以变化检测和应用领域为检索条件，对1970-2018年期间发表在遥感领域的国际重要期刊《Remote Sensing of Environment》《Photogrammetric Engineering & Remote Sensing》《Remote Sensing》《International Journal of Remote Sensing》《IEEE Transactions on Geoscience and Remote Sensing》和《IEEE Transactions on Geoscience and Remote Sensing Letters》上的研究论文进行了检索。根据检索结果，对不同类型的算法在年代、数量和应用等3个不同的维度上的进展进行了分析，图 3所示为时间+应用所构成的矩阵。
![]()
图 3 光学遥感影像变化检测的不同方法发展矩阵Figure 3. Development Matrices of Different Change Detection Methods图 3中，横坐标代表光学遥感影像变化检测的应用领域，包括土地利用、城市扩张、农田变化等7大领域及其他应用领域与纯算法，纵坐标代表年份，每10 a为一个年代间隔。从数量上看，光学遥感影像变化检测方法随年代的变化而增加。年代越近，算法越多，年代越久远，算法数量也越少。从应用领域也可以看出，随着光学遥感影像变化检测研究的逐步深入，应用领域也在逐渐扩大，从最初的生态环境保护等少数领域逐渐扩展到土地利用、城市扩张、农田变化、地质灾害监测、生态环境保护、湿地监测、森林防护及其他领域。从方法类型看，随着年代的变化，变化检测方法的类型也在增加，特别是2000年以来，深度学习开始逐步在遥感影像变化检测中应用。可见，国际上光学遥感影像变化检测方法研究的深度、广度及应用领域的广度均随时间的推进而增强。
为研究变化检测在中国的发展趋势，本文以“变化检测”为检索关键词，分别以主题、篇名和关键词为检索项对1970年以来的中文核心期刊和工程索引源刊进行了检索，并对检索结果进行分析，得到以主题为检索项的分析结果构成的应用领域——年代方法发展矩阵(图 4)，以及以篇名或关键词为检索项所检索文献分析结果构成的应用领域——年代方法发展矩阵(图 5)。
![]()
图 4 以主题为检索项的文献分析结果的方法发展矩阵Figure 4. Development Matrices of Change Detection Methods in Literatures Queried by in Theme Item将图 4和图 5与图 3比较可发现，中国关于光学遥感影像变化检测方法的研究起步较晚，20世纪90年代后才陆续有研究方法发表；国内期刊发表的文献数量无论从年代还是应用领域来看都晚于少于国际同行。但从数量、类型和应用领域的发展趋势上看，国内与国际上的研究基本保持一致。不过，深度学习在变化检测中的应用，在国内尚处在方法探索中，鲜有该主题文献报道。
![]()
图 5 以篇名或关键词为检索项文献分析结果的方法发展矩阵Figure 5. Development Matrices of Change Detection Methods in Literatures Queried in Title or Keywords Item3 光学遥感影像变化检测面临的挑战
研究人员在光学遥感影像变化检测方法上投入了大量的精力，40年间取得了丰富的成果。然而，光学遥感影像变化检测的挑战依然存在。这是因为，一方面方法仅为变化检测处理链(图 1)中的一个环节，处理链中每个环节对变化检测结果都十分重要；另一方面，变化检测方法也有许多需要进一步完善之处。概括起来，光学影像变化检测在数据源、算法的适用性、结果标记和可靠性等方面仍然存在挑战。
1) 数据的不确定性
多时相遥感影像是光学遥感影像变化检测的数据源。然而，数据源的不确定性仍然是变化检测面临的挑战之一。一方面，观测现象存在不确定性；另一方面，成像传感器也存在诸多问题，如对地面变化的观测能力有限，成像过程中存在固有的噪声，不同传感器影像间不够兼容[2]。观测现象的不确定性和传感器问题将直接导致观测所得多时相遥感数据的不确定性，使变化检测过程变得复杂和不确定，多时相遥感影像变化检测结果的精度也因此难以保证。
2) 算法的普适性不高
传感器和变化检测过程的不确定性以及多时相观测中的物候、土壤湿度、太阳入射角等问题，不仅导致了多时相光学遥感影像的空间分辨率、光谱分辨率、辐射分辨率和时间分辨率差异，还会导致噪声和畸变(包括几何、辐射)。这就要求在设计或选择变化检测方法时仔细考虑影像的变化和现象的特征，很难有单一算法可以处理所有类型的变化检测问题。不同的应用需要不同类型的传感器，不同传感器的数据要求不同的方法，不同的方法在不同的数据中需要不同的参数。以上种种使得变化检测方法的适应性或普适性普遍不高。
3) 变化结果的科学标记问题
传统上，变化检测更多的是一种二值检测，即利用多时相遥感影像借助变化检测方法产生变化和未变化两种类型的二值图。阈值选择问题是这一过程中一个极具挑战性的问题。同时，随着变化检测应用的深入，很多应用不仅需要检测变和未变的问题，更重要的是要知道变成了什么，即研究变化过程或变化轨迹问题[15]，这也为变化检测的研究提出了新的要求。
4) 变化检测的可靠性
传感器的不确定性导致数据源的不确定性。同时，变化检测过程，例如多时相遥感影像的几何配准(包括像元级和对象级)、辐射匹配也存在不确定性。这些不确定性为变化检测结果的可靠性带来了挑战。为了抑制数据源和变化检测过程的不确定性，提高变化检测算法和结果的可靠性，近年来，我们针对多方法融合[23]和利用上下文构建空间谱[24]的方法展开了研究。但可靠性变化检测中仍然存在不确定性有效抑制、方法适应性和可靠性量化评估等诸多挑战。
4 总结与展望
光学遥感影像变化检测的理论、方法和技术无疑是光学遥感影像信息处理与分析的基础研究之一。自20世纪70年代开始，研究人员在光学遥感影像变化检测技术方面做了大量的研究工作。特别是在变化检测方法方面，研究人员针对不同传感器、空间分辨率，光谱分辨率、时间分辨率和地表覆盖类型的影像，从亚像元、像元和对象3个处理层次开发了若干监督、非监督及上下文信息辅助的变化检测方法。后来的研究人员则在继承前人研究的基础上对一些方法不断改进和扩展，使得变化检测方法得到了蓬勃的发展。但在应对数据源的不确定性、算法普适性、结果的科学标记和可靠性变化检测等关键问题上仍然存在挑战，光学遥感影像变化检测的一些方法有待进一步发展。
光学遥感影像变化检测有待研究的新方向包括以下方面：①深度学习：通过深度学习方法的引入，提高变化检测方法的智能化、自动化程度与精度。②可靠性：随着变化检测应用的深入，精度不再是人们的唯一关注，变化检测方法和结果的可靠性是重要发展方向。③融合：数据来源的增加，数据源和变化检测过程的不确定性等，使单一方法难以解决各种类型的变化检测，数据融合和方法的融合，是变化检测的新的趋势。
-
![]()
图 2 基于特征的多点云数据配准流程
Figure 2. Feature-based Multiple Point Clouds Data Registration Process
表 1 多点云特征
Table 1 Multiple Point Clouds Features
项目 航空影像匹配 机载激光扫描 车载激光扫描 地面激光扫描 适用范围 城镇等易于提取影像匹配特征的建成区域 块状或条带状较大区域
(≥1 km2)城镇建成区域可通车道路沿途条带状区域 重要建筑单体/群及周围场景的较小区域 点密度
/(点·m-2)≈400，地物线特征更为密集(常用无人机倾斜摄影) 1~20，均匀分布(常用航空平台) ≥100，距离测站越近越密集 ≥100，距离测站越近越密集 主要误差来源 影像质量、匹配误差、底层遮挡 导航传递误差、几何校正残差 地物视线遮挡、GPS信号失锁 地物视线遮挡、玻璃镜面反射 数据精度 受影像质量和匹配精度影响 ≤15 cm且高程精度优于平面精度 厘米级 毫米级 优势信息 高密度、特征内涵 高效率、穿透性 较高效率与精度 高精度、多结构细节 融合需求 拓扑噪声处理、穿透顶部覆盖的地面数据 复杂精细化建筑的结构细节信息 城镇外区域数据 更高的作业效率、大范围的整体场景建模 
下载: 导出CSV
-
[1] 朱庆, 林珲.数码城市地理信息系统:虚拟城市环境中的三维城市模型初探[M].武汉:武汉大学出版社, 2004 Zhu Qing, Lin Hui. Digital City Geographic Information System:A Preliminary Exploration of 3D Urban Model in Virtual Urban Environment[M]. Wuhan:Wuhan University Press, 2004
[2] Zhang Jixian, Lin Xiangguo. Advances in Fusion of Optical Imagery and LiDAR Point Cloud Applied to Photogrammetry and Remote Sensing[J]. International Journal of Image & Data Fusion, 2016, 8(1):1-31 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=361b79296e97ae8ec33d535bb5c335a6
[3] Matthew B, Andrea T, Leem S, et al. A Survey of Surface Reconstruction from Point Clouds[J]. Computer Graphics Forum, 2016, 36(1):301-329 doi: 10.1111/cgf.12802/pdf
[4] George V, Maximilian C, Franz R. Contextual Segment-Based Classification of Airborne Laser Scanner Data[J]. ISPRS Journal of Photogrammetry & Remote Sensing, 2017, 128:354-371 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=dd7c9ba561ebe7b2eac2488441db9aca
[5] 杨必胜, 梁福逊, 黄荣刚.三维激光扫描点云数据处理研究进展、挑战与趋势[J].测绘学报, 2017, 46(10):1509-1516 doi: 10.11947/j.AGCS.2017.20170351 Yang Bisheng, Liang Fuxun, Huang Ronggang. Challenges and Perspectives of 3D LiDAR Point Cloud Processing[J]. Acta Geodaetica et Cartographica Sinica, 2017, 46(10):1509-1516 doi: 10.11947/j.AGCS.2017.20170351
[6] Wu Bo, Tang Shengjun. Review of Geometric Fusion of Remote Sensing Imagery and Laser Scanning Data[J]. International Journal of Image & Data Fusion, 2015, 6(2):97-114 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=1a85b365bdfb3f08bd01886e69bd2aa2
[7] Longley P A, Goodchild M F, Maguire D J, et al. Geographic Information Systems and Science[M]. New York:Wiley, 2001
[8] 张云菲.多源道路网与兴趣点的一致性整合方法[D].武汉: 武汉大学, 2015 http://cdmd.cnki.com.cn/Article/CDMD-10486-1015306200.htm Zhang Yunfei. Methods for Congruent Conflation of Multi-source Road Networks and POIs[D]. Wuhan: Wuhan University, 2015 http://cdmd.cnki.com.cn/Article/CDMD-10486-1015306200.htm
[9] Poux F, Hallot P, Neuville R, et al. Smart Point Cloud: Definition and Remaining Challenges[C]. The 11th 3D Geoinfo Conference, Athens, Greece, 2016 http://adsabs.harvard.edu/abs/2016ISPAnIV21..119P
[10] 王家耀.时空大数据时代的地图学[J].测绘学报, 2017, 46(10):1226-1237 doi: 10.11947/j.AGCS.2017.20170308 Wang Jiayao. Cartography in the Age of Spatio-temporal Big Data[J]. Acta Geodaetica et Cartographica Sinica, 2017, 46(10):1226-1237 doi: 10.11947/j.AGCS.2017.20170308
[11] Huising E J, Lmgomes P. Errors and Accuracy Estimates of Laser Data Acquired by Various Laser Scanning Systems for Topographic Applications[J]. ISPRS Journal of Photogrammetry & Remote Sensing, 1998, 53(5):245-261 doi: 10.1016-S0924-2716(98)00013-6/
[12] 贺磊, 余春平, 李广云.激光扫描数据的多站配准方法[J].测绘科学技术学报, 2008, 25(6):410-413 http://d.old.wanfangdata.com.cn/Periodical/chxyxb200806006 He Lei, Yu Chunping, Li Guangyun. Method of Laser Scanning Data Matching[J]. Journal of Geomatics Science and Technology, 2008, 25(6):410-413 http://d.old.wanfangdata.com.cn/Periodical/chxyxb200806006
[13] 蓝秋萍, 田青红, 李子宽, 等.利用球目标的多测站点云自动配准[J].测绘地理信息, 2018, 43(6), doi: 10.14188/j.2095-6045.2017120 Lan Qiuping, Tian Qinghong, Li Zikuan, et al. Automatic Registration of Multi-site Point Cloud with Ball Target[J]. Journal of Geomatics, 2018, 43(6), doi: 10.14188/j.2095-6045.2017120
[14] 朱庆, 陈崇泰, 胡翰, 等.顾及纹理特征的航空影像自适应密集匹配方法[J].测绘学报, 2017, 46(1):62-72 http://d.old.wanfangdata.com.cn/Periodical/chxb201701008 Zhu Qing, Chen Chongtai, Hu Han, et al. An Adaptive Dense Matching Method for Airborne Images Using Texture Information[J]. Acta Geodaetica et Cartographica Sinica, 2017, 46(1):62-72 http://d.old.wanfangdata.com.cn/Periodical/chxb201701008
[15] Stevenm S, Brian C, James D, et al. A Comparison and Evaluation of Multi-view Stereo Reconstruction Algorithms[C]. 2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition, New York, USA, 2006 https://ieeexplore.ieee.org/document/1640800
[16] Yannick V, Florent L, Pierre A. LOD Generation for Urban Scenes[J]. ACM Transactions on Grap-hics, 2015, 34(3):1-14 http://dl.acm.org/citation.cfm?id=2732527
[17] Yan L, Tan J, Liu H, et al. Automatic Registration of TLS-TLS and TLS-MLS Point Clouds Using a Genetic Algorithm[J].Sensors (Basel), 2017, 17(9), DOI: 10.3390/s17091979
[18] Paulj B, Neild M. A Method for Registration of 3-D Shapes[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1992, 14(2):239-256 doi: 10.1109/34.121791
[19] Chen Yang, Gérard M. Object Modelling by Registration of Multiple Range Images[J]. Image & Vision Computing, 1992, 10(3):145-155 doi: 10.1016-0262-8856(92)90066-C/
[20] 王永波, 汪云甲, 佘雯雯, 等.直线特征约束下利用Plücker坐标描述的LiDAR点云无初值配准方法[J].武汉大学学报·信息科学版, 2018, 42(9):1376-1384 http://ch.whu.edu.cn/CN/abstract/abstract6200.shtml Wang Yongbo, Wang Yunjia, She Wenwen, et al. A Linear Features Constrained, Plücker Coordinates Based, Closed-form Registration Approach for Terrestrial LiDAR Point Cloud[J]. Geomatics and Information Science of Wuhan University, 2018, 42(9):1376-1384 http://ch.whu.edu.cn/CN/abstract/abstract6200.shtml
[21] 张继贤, 林祥国, 梁欣廉.点云信息提取研究进展和展望[J].测绘学报, 2017, 46(10):1460-1469 doi: 10.11947/j.AGCS.2017.20170345 Zhang Jixian, Lin Xiangguo, Liang Xinlian.Advances and Prospects of Information Extraction from Point Clouds[J]. Acta Geodaetica et Cartographica Sinica, 2017, 46(10):1460-1469 doi: 10.11947/j.AGCS.2017.20170345
[22] Radubogdan R, Nico B, Zoltancsaba M, et al. Aligning Point Cloud Views Using Persistent Feature Histograms[C]. IEEE International Conference on Robotics and Automation, Nice, France, 2013 https://ieeexplore.ieee.org/document/4650967
[23] Aparajithan S, Shan Jie. Building Boundary Tracing and Regularization from Airborne LiDAR Point Clouds[J]. Photogrammetric Engineering & Remote Sensing, 2007, 73(7):805-812 http://d.old.wanfangdata.com.cn/NSTLQK/NSTL_QKJJ022178597/
[24] 冯筠, 崔磊, 贺小伟.从二维到三维:医学影像分析及器官三维重建[M].北京:科学出版社, 2016 Feng Yun, Cui Lei, He Xiaowei. From 2D to 3D:Medical Image Analysis and Organ 3D Reconstruction[M]. Beijing:Science Press, 2016
[25] Gross H, Thoennessen U. Extraction of Lines from Laser Point Clouds[J]. International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, 2006, 36(3):86-93 http://d.old.wanfangdata.com.cn/Periodical/whchkjdxxb201702017
[26] 叶勤, 姚亚会, 桂坡坡.基于极线及共面约束条件的Kinect点云配准方法[J].武汉大学学报·信息科学版, 2017, 42(9):1271-1277 http://ch.whu.edu.cn/CN/abstract/abstract5828.shtml Ye Qin, Yao Yahui, Gui Popo. Kinect Point Cloud Registration Method Based on Epipolar and Point-to-Plane Constraint[J]. Geomatics and Information Science of Wuhan University, 2017, 42(9):1271-1277 http://ch.whu.edu.cn/CN/abstract/abstract5828.shtml
[27] Yang Bisheng, Zang Yufu. Automated Registration of Dense Terrestrial Laser-Scanning Point Clouds Using Curves[J]. ISPRS Journal of Photogrammetry & Remote Sensing, 2014, 95(3):109-121 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=115852479a75a32adf6b563c641bb8b3
[28] Dror A, Niloyj M, Daniel C O. 4-Points Congruent Sets for Robust Pairwise Surface Registration[J]. ACM Transactions on Graphics, 2008, 27(3):1-10 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=12281035d76b1864126cb58842753f3e
[29] Jan B, Norbert H. Efficient Integration of Aerial and Terrestrial Laser Data[J]. Uni Stuttgart-Universitätsbibliothek, 2007, 36(3):192-197
[30] Armin G, Devrim A. Least Squares 3D Surface and Curve Matching[J]. ISPRS Journal of Photogrammetry & Remote Sensing, 2005, 59(3):151-174 http://d.old.wanfangdata.com.cn/NSTLQK/NSTL_QKJJ0256702/
[31] Teo T A, Huang S H. Surface-Based Registration of Airborne and Terrestrial Mobile LiDAR Point Clouds[J]. Remote Sensing, 2014, 6(12):12686-12707 doi: 10.3390/rs61212686
[32] Song Wenbo, Jamesm K, Timothyl H, et al. Relaxation-Based Point Feature Matching for Vector Map Conflation[J]. Transactions in GIS, 2011, 15(1):43-60 doi: 10.1111/j.1467-9671.2010.01243.x/citedby
[33] Wang Hongtao, Zhang Wuming, Chen Yiming, et al. Semantic Decomposition and Reconstruction of Compound Buildings with Symmetric Roofs from LiDAR Data and Aerial Imagery[J]. Remote Sen-sing, 2015, 7(10):13945-13974 doi: 10.3390/rs71013945
[34] Yang Bisheng, Xu Wenxue, Dong Zhen. Automated Extraction of Building Outlines from Airborne Laser Scanning Point Clouds[J]. IEEE Geoscience & Remote Sensing Letters, 2013, 10(6):1399-1403 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=add3dbd1b41ec36d62092559ad378663
[35] Julge K, Ellmann A. Combining Airborne and Terrestrial Laser Scanning Technologies for Measuring Complex Structures[M].The 10th International Conference Environmental Engineering, Vilnius, Lithuania, 2014
[36] Yang Bisheng, Dong Zhen, Liang Fuxun, et al. Automatic Registration of Large-Scale Urban Scene Point Clouds Based on Semantic Feature Points[J]. ISPRS Journal of Photogrammetry & Remote Sensing, 2016, 113:43-58 http://www.sciencedirect.com/science/article/pii/S092427161500266X
[37] Zhang K, Yan J, Chen S C. Automatic Construction of Building Footprints from Airborne LiDAR Data[J]. IEEE Transactions on Geoscience & Remote Sensing, 2006, 44(9):2523-2533 http://ieeexplore.ieee.org/document/1677762/
[38] Nicolas M, Dror A, Niloyj M. Super 4PCS Fast Global Point Cloud Registration via Smart Indexing[J]. Computer Graphics Forum, 2015, 33(5):205-215 doi: 10.1111/cgf.12446/pdf
[39] Zhu Jihua, Meng Deyu, Li Zhongyu, et al. Robust Registration of Partially Overlapping Point Sets via Genetic Algorithm with Growth Operator[J]. IET Image Processing, 2014, 8(10):582-590 doi: 10.1049/iet-ipr.2013.0545
[40] Brunnstrom K, Stoddart A J. Genetic Algorithms for Free-Form Surface Matching[C]. International Conference on Pattern Recognition, Vienna, Austria, 1996 https://ieeexplore.ieee.org/document/547653
[41] Jeanjosé J, Christian R. Registration of 3-D Images by Genetic Optimization[J]. Pattern Recognition Letters, 1995, 16(8):823-841 doi: 10.1016/0167-8655(95)00051-H
[42] 童礼华, 程亮, 李满春, 等.建筑轮廓的车载和航空LiDAR数据配准[J].测绘学报, 2013, 42(5):699-706 http://d.old.wanfangdata.com.cn/Periodical/chxb201305010 Tong Lihua, Cheng Liang, Li Manchun, et al. Re-gistration of Vehicle and Airborne LiDAR with Building Contours[J]. Acta Geodaetica et Cartographica Sinica, 2013, 42(5):699-706 http://d.old.wanfangdata.com.cn/Periodical/chxb201305010
[43] Moskal L M, Erdody T, Kato A, et al. LiDAR Applications in Precision Forestry[C]. Proceedings of SilviLaser, Texas, USA, 2009
[44] Norbert H, Mathias R. Dense Multi-stereo Matching for High Quality Digital Elevation Models[J]. Photogrammetrie-Fernerkundung-Geoinformation, 2012, 2012(4):331-343 doi: 10.1127/1432-8364/2012/0121
[45] 曹鸿.基于空-地LiDAR数据的建筑物三维重建研究[D].焦作: 河南理工大学, 2014 Cao Hong. Research on Buildings' Three-dimensional Reconstruction Based on Air Borne and Vehicle Borne LiDAR Data[D]. Jiaozuo: Henan Polytechnic University, 2014
[46] 张志超.融合机载与地面LiDAR数据的建筑物三维重建研究[D].武汉: 武汉大学, 2010 http://cdmd.cnki.com.cn/Article/CDMD-10486-2010166549.htm Zhang Zhichao. Airborne and Terrestrial LiDAR Data Fusion for 3D Building Reconstruction[D]. Wuhan: Wuhan University, 2010 http://cdmd.cnki.com.cn/Article/CDMD-10486-2010166549.htm
[47] Jorge H, Beatriz M. Filtering of Artifacts and Pavement Segmentation from Mobile LiDAR Data[C]//Bretar F, Pierrot-Deseilligny M, Vosselman G.Laser Scanning 2009, IAPRS, 2013, 38(3/W8): 329-333 https://hal.archives-ouvertes.fr/hal-00833573
[48] Yang Bisheng, Zang Yufu, Dong Zhen, et al. An Automated Method to Register Airborne and Terrestrial Laser Scanning Point Clouds[J]. ISPRS Journal of Photogrammetry & Remote Sensing, 2015, 109:62-76 http://www.sciencedirect.com/science/article/pii/S0924271615001975
[49] 陈西江, 花向红, 章光, 等.利用误差熵评价光斑中点云不确定性[J].武汉大学学报·信息科学版, 2017, 42(6):864-868 http://ch.whu.edu.cn/CN/abstract/abstract5765.shtml Chen Xijiang, Hua Xianghong, Zhang Guang, et al. Using Error Entropy to Evaluate Point Cloud Uncertainty Influenced by Spot[J]. Geomatics and Information Science of Wuhan University, 2017, 42(6):864-868 http://ch.whu.edu.cn/CN/abstract/abstract5765.shtml
[50] 闫利, 胡晓斌, 谢洪.车载LiDAR海量点云数据管理与可视化研究[J].武汉大学学报·信息科学版, 2017, 42(8):1131-1136 http://ch.whu.edu.cn/CN/abstract/abstract5807.shtml Yan Li, Hu Xiaobin, Xie Hong. Data Management and Visualization of Mobile Laser Scanning Point Cloud[J]. Geomatics and Information Science of Wuhan University, 2017, 42(8):1131-1136 http://ch.whu.edu.cn/CN/abstract/abstract5807.shtml
[51] Hirschmüller H. Stereo Processing by Semiglobal Matching and Mutual Information[J]. IEEE Tran-sactions on Pattern Analysis & Machine Intelligence, 2008, 30(2):328-341 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=a421d471d0be0685e68e0814145cef2e
[52] Mandlburger G, Wenzel K, Spitzer A, et al.Improved Topographic Models via Concurrent Airborne LiDAR and Dense Image Matching[C]. ISPRS Annals of the Photogrammetry, Remote Sen-sing and Spatial Information Sciences, Wuhan, China, 2017 https://www.isprs-ann-photogramm-remote-sens-spatial-inf-sci.net/IV-2-W4/259/2017/
[53] Huang Hui, Wu Shihao, Gong Minglun, et al. Edge-Aware Point Set Resampling[J]. ACM Tran-sactions on Graphics, 2013, 32(1):1-12 http://d.old.wanfangdata.com.cn/NSTLQK/NSTL_QKJJ0229651945/
[54] 李立雪, 李永强, 王力, 等.车载联合机载LiDAR点云数据的建筑物立面精细分割[J].测绘科学技术学报, 2017, 34(2):181-186 http://d.old.wanfangdata.com.cn/Periodical/chxyxb201702013 Li Lixue, Li Yongqiang, Wang Li, et al. Fine Segmentation of Building Facade Combined Mobile LiDAR with Airborne LiDAR Point Cloud Data[J]. Journal of Geomatics Science and Technology, 2017, 34(2):181-186 http://d.old.wanfangdata.com.cn/Periodical/chxyxb201702013
[55] 李永强, 牛路标, 李立雪, 等. LiDAR点云的建筑物立面空洞修复[J].测绘科学, 2017, 42(10):191-195 http://d.old.wanfangdata.com.cn/Periodical/chkx201710033 Li Yongqiang, Niu Lubiao, Li Lixue, et al. HoleFilling of Building Facade Based on LiDAR Point Cloud[J]. Science of Surveying and Mapping, 2017, 42(10):191-195 http://d.old.wanfangdata.com.cn/Periodical/chkx201710033
[56] 黄荣刚, 杨必胜, 李健平, 等.利用目标区域拓扑关系图提取建筑物点云[J].武汉大学学报·信息科学版, 2017, 42(4):475-481 http://ch.whu.edu.cn/CN/abstract/abstract5705.shtml Huang Ronggang, Yang Bisheng, Li Jianping, et al. Building Points Detection from Airborne LiDAR Point Clouds Using Topological Relationship Graph Within Each Object Region[J]. Geomatics and Information Science of Wuhan University, 2017, 42(4):475-481 http://ch.whu.edu.cn/CN/abstract/abstract5705.shtml
[57] 李乐林, 江万寿, 李朝奎.一种顾及地形复杂度的LiDAR点云多尺度滤波方法[J].测绘科学, 2016, 41(11):130-136 http://d.old.wanfangdata.com.cn/Periodical/chkx201611025 Li Lelin, Jiang Wanshou, Li Chaokui. A Multi-scale Filtering Method for LiDAR Point Clouds Conside-ring Terrain Complexity[J]. Science of Surveying and Mapping, 2016, 41(11):130-136 http://d.old.wanfangdata.com.cn/Periodical/chkx201611025
[58] 吴惠丰, 唐健林, 龙盈.机载LiDAR点云生成多尺度DEM方法[J].测绘科学, 2017, 42(5):131-135 http://d.old.wanfangdata.com.cn/Periodical/chkx201705023 Wu Huifeng, Tang Jianlin, Long Ying. Multi-scale DEM Generation Method Based on Airborne LiDAR Point Cloud[J]. Science of Surveying and Mapping, 2017, 42(5):131-135 http://d.old.wanfangdata.com.cn/Periodical/chkx201705023
[59] 朱俊锋, 胡翔云, 张祖勋, 等.多尺度点云噪声检测的密度分析法[J].测绘学报, 2015, 44(3):282-291 http://d.old.wanfangdata.com.cn/Periodical/chxb201503008 Zhu Junfeng, Hu Xiangyun, Zhang Zuxun, et al. Hierarchical Outlier Detection for Point Cloud Data Using a Density Analysis Method[J]. Acta Geodaetica et Cartographica Sinica, 2015, 44(3):282-291 http://d.old.wanfangdata.com.cn/Periodical/chxb201503008
[60] Gerhard G, Lutz P. CityGML-Interoperable Semantic 3D City Models[J]. ISPRS Journal of Photogrammetry & Remote Sensing, 2012, 71:12-33 http://d.old.wanfangdata.com.cn/NSTLQK/NSTL_QKJJ0227415010/
[61] Gong Jun, Zhu Qing, Zhong Ruofei, et al. An Efficient Point Cloud Management Method Based on a 3D R-Tree[J].Photogrammetric Engineering & Remote Sensing, 2012, 74(4):373-381 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=0ba7fd65dec9bf110f7e3fda1bf4e7dd
[62] 龚俊, 柯胜男, 朱庆, 等.一种八叉树和三维R树集成的激光点云数据管理方法[J].测绘学报, 2012, 41(4):597-604 http://www.cnki.com.cn/Article/CJFDTOTAL-CHXB201204023.htm Gong Jun, Ke Shengnan, Zhu Qing, et al. An Efficient Management Method for Point Cloud Data Based on Octree and 3D R-tree[J]. Acta Geodaetica et Cartographica Sinica, 2012, 41(4):597-604 http://www.cnki.com.cn/Article/CJFDTOTAL-CHXB201204023.htm
[63] 应申, 郭仁忠, 靳凤攒, 等.利用CityGML模型自动构建三维封闭建筑体[J].武汉大学学报·信息科学版, 2018, 43(5):732-738 http://ch.whu.edu.cn/CN/abstract/abstract6047.shtml Ying Shen, Guo Renzhong, Jin Fengzan, et al. Auto-Construction of 3D Colsed Buildings from CityGML LoD3[J]. Geomatics and Information Science of Wuhan University, 2018, 43(5):732-738 http://ch.whu.edu.cn/CN/abstract/abstract6047.shtml
[64] 朱庆.三维GIS及其在智慧城市中的应用[J].地球信息科学学报, 2014, 16(2):151-157 http://d.old.wanfangdata.com.cn/Periodical/dqxxkx201402001 Zhu Qing. Analysis of 3D GIS and the Application in Intelligent City[J]. Journal of Geo-Information Science, 2014, 16(2):151-157 http://d.old.wanfangdata.com.cn/Periodical/dqxxkx201402001
[65] 冯帅.影像匹配点云与机载激光点云的比较[J].地理空间信息, 2014, 12(6):82-83 http://d.old.wanfangdata.com.cn/Periodical/dlkjxx201406031 Feng Shuai. Comparison of Image Matching Point Clouds with LiDAR Point Clouds[J]. Geospatial Information, 2014, 12(6):82-83 http://d.old.wanfangdata.com.cn/Periodical/dlkjxx201406031
[66] Markus G, Xiao Jing. Fusion of Airborne Laser-Scanning Point Clouds and Images for Supervised and Unsupervised Scene Classification[J].ISPRS Journal of Photogrammetry & Remote Sensing, 2014, 87(1):78-92 http://www.sciencedirect.com/science/article/pii/S0924271613002335
[67] Zhou Yingqun, Xu Ling, Wang Bingfang, et al. Modified Sequential Therapy Regimen Versus Conventional Triple Therapy for Helicobacter Pylori Eradication in Duodenal Ulcer Patients in China:A Multicenter Clinical Comparative Study[J]. Gastroen-terology Research and Practice, 2012, 2012(5):1-8 http://pubmedcentralcanada.ca/pmcc/articles/PMC3329148/
[68] Poullis C. A Framework for Automatic Modeling from Point Cloud Data[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2013, 35(11):2563-2575 doi: 10.1109/TPAMI.2013.64
[69] Zhang Jianfeng, Nie Jun. Transformation of Complex Internal Structures of Poly(Ethylene Oxide)/Chitosan Oligosaccharide Electrospun Nanofibers[J]. Polymer International, 2015, 61(1):135-140 doi: 10.1002/pi.3159/pdf
[70] Qi C R, Su H, Mo K C, et al. PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation[C]. IEEE Conference on Computer Vision and Pattern Recognition, Honolulu, Hawaii, USA, 2017 http://ieeexplore.ieee.org/document/8099499/
[71] Angela D, Daniel R, Martin B, et al. ScanComplete: Large-Scale Scene Completion and Semantic Segmentation for 3D Scans[C]. IEEE Conference on Computer Vision and Pattern Recognition, Honolulu, Hawaii, USA, 2017 http://adsabs.harvard.edu/abs/2017arXiv171210215D
[72] Zhu Qing, Li Yuan, Hu Han, et al. Robust Point Cloud Classification Based on Multi-level Semantic Relationships for Urban Scenes[J]. ISPRS Journal of Photogrammetry & Remote Sensing, 2017, 129:86-102 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=e30ab1552c8b370927f503ffcbbff64a
[73] 李德仁, 姚远, 邵振峰.智慧城市的概念、支撑技术及应用[J].工程研究——跨学科视野中的工程, 2012, 4(4):313-323 http://d.old.wanfangdata.com.cn/Periodical/gcyj201204003 Li Deren, Yao Yuan, Shao Zhenfeng. The Concept, Supporting Technologies and Applications of Smart City[J]. Journal of Engineering Studies, 2012, 4(4):313-323 http://d.old.wanfangdata.com.cn/Periodical/gcyj201204003
[74] Maros B, Christoph V, Audrey R, et al. Large-Scale Semantic 3D Reconstruction: An Adaptive Multi-resolution Model for Multi-class Volumetric Labeling[C]. IEEE Conference on Computer Vision and Pattern Recognition, Las Vegas, NV, United States, 2016 https://ieeexplore.ieee.org/document/7780715
[75] Ken O, Hugo L, Filip B, et al. Modeling a 3D City Model and Its Levels of Detail as a True 4D Model[J]. ISPRS International Journal of Geo-Information, 2015, 4(3):1055-1075 doi: 10.3390/ijgi4031055
[76] Li Yangyan, Bu Rui, Sun Mingchao, et al. Point-CNN[C]. IEEE Conference on Computer Vision and Pattern Recognition, Salt Lake City, USA, 2018
[77] Liu Fangyu, Li Shuaipeng, Zhang Liqiang, et al. 3DCNN-DQN-RNN: A Deep Reinforcement Learning Framework for Semantic Parsing of Large-scale 3D Point Clouds[C]. IEEE Conference on Computer Vision and Pattern Recognition, Honolulu, Hawaii, USA, 2017 https://www.computer.org/csdl/proceedings/iccv/2017/1032/00/1032f679-abs.html
-
期刊类型引用(19)
1. 田青林，陆冬华，李瑶，裴承凯. 基于密集混合注意力网络的遥感影像建筑物变化检测. 光学学报. 2025(06): 306-316 . 
百度学术
2. 马惠，刘波，杜世宏. 多任务学习孪生网络的遥感影像多类变化检测. 自然资源遥感. 2024(01): 77-85 . 百度学术
3. 刘海红，李延龙，李亚刚，刘鑫. 基于改进型PSPNet模型的高分辨率遥感影像建筑物变化检测方法研究. 经纬天地. 2024(02): 1-4+22 . 百度学术
4. 史嘉诚，刘伟，尹鹏程，曹兆峰，王云凯，单浩宇，张启华. 矢量边界约束下基于深度学习和高分影像的土地利用矢量图斑变化检测方法. 遥感技术与应用. 2024(03): 753-763 . 百度学术
5. 张钰屏，刘籽琳，陈天其. 遥感影像变化检测研究进展. 电脑与信息技术. 2023(02): 15-18 . 百度学术
6. 薄树奎，荆永菊. 基于单类分类的航空遥感影像变化检测. 郑州航空工业管理学院学报. 2023(02): 74-78 . 百度学术
7. 于杰，李大成，和栋材，杨毅. 基于深度玻尔兹曼机的遥感影像变化检测方法. 无线电工程. 2023(12): 2905-2913 . 百度学术
8. 张慧芳，张鹏林，晁剑. 使用多尺度模糊融合的高分影像变化检测. 武汉大学学报(信息科学版). 2022(02): 296-303 . 百度学术
9. 刘双群. 基于高分辨率影像的违法用地变化检测方法研究. 测绘技术装备. 2022(01): 33-36 . 百度学术
10. 付晓燕，岳彩荣，蒋之富. 基于高分影像的林地变化检测和自动分割算法探讨. 山东林业科技. 2022(06): 67-71 . 百度学术
11. 任秋如，杨文忠，汪传建，魏文钰，钱芸芸. 遥感影像变化检测综述. 计算机应用. 2021(08): 2294-2305 . 百度学术
12. 高振宇，刘亮，潘浩，马御棠，黄修乾，耿浩，刘靖，徐崇斌，孙晓敏. 基于改进语义分割网络的输电走廊遥感变化检测. 航天返回与遥感. 2021(04): 120-128 . 百度学术
13. 朱节中，陈永，柯福阳，张果荣. 基于Siam-UNet++的高分辨率遥感影像建筑物变化检测. 计算机应用研究. 2021(11): 3460-3465 . 百度学术
14. 李恒，臧卓，唐宪. 基于遥感影像的林地变化检测方法. 中南林业调查规划. 2021(04): 33-39+67 . 百度学术
15. 冯林艳，谭炳香，王晓慧，陈新云，曾伟生，戚曌. 基于分布函数的对象级森林变化快速检测. 国土资源遥感. 2020(02): 73-80 . 百度学术
16. 晁剑，张慧芳，许长军，张鹏林. 双时相影像联合不确定性对变化检测精度的影响机理探索. 应用科学学报. 2020(06): 916-923 . 百度学术
17. 季欣然，黄亮，陈朋弟. 结合变化向量分析和直觉模糊聚类的遥感影像变化检测方法. 全球定位系统. 2020(06): 100-106 . 百度学术
18. 田青林，秦凯，陈俊，李瑶，陈雪娇. 基于注意力金字塔网络的航空影像建筑物变化检测. 光学学报. 2020(21): 47-56 . 百度学术
19. 程梦真，惠文华，李延金，魏家旺. 利用影像相关分析的遥感变化检测. 测绘通报. 2019(10): 67-71 . 百度学术
其他类型引用(33)
计量
- 文章访问数: 2506
- HTML全文浏览量: 396
- PDF下载量: 791
- 被引次数: 52
