技术领域
[0001] 本发明涉及园林立体测绘技术领域，具体地说，涉及一种用于园林的3d立体测绘方法。
相关背景技术
[0002] 为了对园林更好的设计和管理，一般通过对园林进行立体测绘，生成园林对应的立体模型；
[0003] 目前对园林立体测绘生成立体模型时，图像数据的来源多数是通过无人机在园林上空飞行航拍，但是园林为了美观一般会对树木的位置进行规定种植，有些树木设计的位置较为靠近，导致树木之间枝干交叉，枝干表面的树叶对树木枝干内部造成视野阻挡，使得无人机在航拍时树木内部被交叉的枝干遮挡，无法获取树木内部的图像数据，造成立体模型出现空白处和树木内部枝干的数据缺失，在观察园林立体模型时，无法将树木进行单独拆分，空间体验感较差，因此，提出一种用于园林的3d立体测绘方法。
具体实施方式
[0031] 下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
[0032] 请参阅图1‑图4所示，提供了一种用于园林的3d立体测绘方法，包括以下步骤：
[0033] S1、收集园林地理数据，根据园林地理数据控制无人机在高空进行拍摄，获取园林高空图像数据；
[0034] 所述S1通过向用户发送卫星地图数据，并使用户在卫星地图数据中进行划分范围，将划分范围内的区域作为园林地理数据采集。步骤如下：
[0035] 获取卫星地图数据：使用相应的卫星地图服务或数据源，获取高分辨率的卫星影像数据；
[0036] 定位和选择采集区域：通过卫星地图数据，定位并选择需要进行园林地理数据采集的区域；
[0037] 划定采集范围：根据用户需求，通过交互界面或指定坐标系统，使用卫星地图数据来绘制或勾勒出园林地理数据采集的范围；
[0038] 采集地理数据：在划定的范围内，使用各种地理采集设备(如GPS定位仪、测量仪器等)，按照需要采集园林地理数据，如植被类型、建筑物位置等。
[0039] 所述S1首先获取无人机高空拍摄范围和低空拍摄范围，然后将高空拍摄范围和低空拍摄范围结合园林地理数据通过路径分析算法规划一条可对园林覆盖并同时适用于高空和低空的拍摄飞行路径。步骤如下：
[0040] 获取高空和低空拍摄范围：使用卫星地图数据或相关无人机测绘软件，获取高空和低空拍摄范围的地理数据；
[0041] 组织园林地理数据：整理和准备园林地理数据，包括植被分布、建筑物位置等信息；
[0042] 确定起点和终点：设置无人机起飞点和降落点作为路径的起点和终点；
[0043] 创建网络图：使用园林地理数据，将地理区域转化为网络图的节点和边。节点代表可飞行的位置，边代表路径连接；
[0044] 计算节点之间的距离：根据实际情况，可以根据经纬度或欧几里得距离计算节点之间的距离；
[0045] 设置路径约束条件：根据无人机规格和限制条件，设置最大飞行高度、最小飞行高度、飞行速度等约束条件；
[0046] 运用路径分析算法：根据目标函数，利用路径分析算法(如Dijkstra算法)来寻找最佳路径。算法会考虑权重1(飞行路径长度)和权重2(园林覆盖率)，以找到最优的飞行路径；
[0047] 优化路径方案：通过迭代和优化过程，调整节点之间的连接，以找到满足约束条件和最优目标函数的最佳路径方案。
[0048] S2、控制无人机随着S1中高空拍摄的飞行路径，调整为低空飞行重复飞行路径进行拍摄，获取园林低空图像数据，将园林高空图像数据和低空图像数据多角度配准并进行三维模型数据转换，形成园林的立体模型；
[0049] 所述S2形成园林的立体模型的步骤如下：
[0050] S2.1、通过物联网将拍摄飞行路径发送至无人机，并控制无人机先以高空姿态在飞行路径中飞行拍摄，然后再以低空姿态在飞行路径中飞行拍摄，获取园林高空图像数据和低空图像数据；步骤如下：
[0051] 系统规划与设计：设计一个物联网系统，包括无人机、传感器、服务器和云平台等组件，实现飞行路径的发送与控制；
[0052] 确定通信方式：选择适当的通信方式，Wi‑Fi、蜂窝网络或专用网络，用于无人机与服务器或云平台之间的通信；
[0053] 飞行路径规划与生成：按照前面提到的路径规划步骤，生成适用于高空和低空的拍摄飞行路径。将路径数据编码为可识别的格式JSON或XML；
[0054] 飞行控制与传输：将飞行路径数据通过物联网传输至无人机。无人机接收路径数据后，根据指令控制飞行器在规定的高空和低空飞行路径中飞行；
[0055] 图像数据拍摄与传输：根据飞行路径，无人机在飞行过程中进行图像数据的拍摄。拍摄到的高空图像数据和低空图像数据会保存在无人机的存储设备中；
[0056] 数据传回与处理：完成拍摄任务后，无人机通过物联网将图像数据传回服务器或云平台。服务器或云平台可以对图像数据进行处理，如图像拼接、处理缺陷等，以得到完整的园林高空图像数据和低空图像数据。
[0057] S2.2、将S2.1获取的高空图像数据和低空图像数据进行数据统一，数据统一包括数据清理、数据融合和配准校正，确保各种数据源能够无缝衔接并共享相同的坐标系统，然后根据统一的高空图像数据和低空图像数据使用建模软件进行立体模型的构建。步骤如下：
[0058] 数据清理：对高空图像数据和低空图像数据进行清理，包括去除噪点、调整图像亮度和对比度等，确保图像质量良好；
[0059] 数据融合：根据应用需求，将高空图像数据和低空图像数据进行融合。可以采用图像融合算法，如多波段融合或多尺度融合算法，将两个不同视角的图像进行融合，以获得更全面和丰富的信息；
[0060] 配准校正：由于高空图像数据和低空图像数据来源于不同的视角和拍摄条件，需要进行图像配准校正以保证它们在同一坐标系统下对齐。可以使用图像配准算法特征匹配、Hough变换等，来实现图像的配准校正；
[0061] 确定坐标系统：选择适当的坐标系统，并将高空图像数据和低空图像数据映射到相同的坐标系统中，确保它们可以无缝衔接并共享相同的空间参考；
[0062] 立体模型构建：使用建模软件(如AutodeskAutoCAD、TrimbleSketchUp)根据统一的高空图像数据和低空图像数据进行立体模型的构建。可以根据图像数据进行建筑物、植被等要素的建模，并通过贴图等技术将纹理信息应用于模型中，以获得更真实的效果。
[0063] S3、在园林地理数据中提取树木范围，并将树木范围的每个位置在立体模型内进行模型空白处检测，将检测到空白处需要补充的树木在园林地理数据内进行标识；
[0064] 所述S3将检测到空白处需要补充的树木位置在园林地理数据内进行标识的步骤如下：
[0065] S3.1、在卫星地图数据中对园林地理数据内进行树木位置提取，获取园林中每个树木的地理位置；步骤如下：
[0066] 目标检测与分割：利用图像处理和计算机视觉算法，对卫星地图数据进行树木目标检测和分割。包括基于像素的分割算法(如基于阈值、基于边缘、基于区域等)和基于深度学习的目标检测算法(如YOLO、FasterR‑CNN等)；
[0067] 提取树木位置：根据树木目标的检测和分割结果，提取每个树木的地理位置信息。可以利用树木的像素坐标和卫星地图的地理坐标系统进行转换，得到树木的地理位置。
[0068] S3.2、将S3.1获取的每个树木的地理位置结合立体模型进行空白处检测，若是检测到该树木在立体模型内存在空白处需要进行补充，即在园林地理数据中进行位置标识，反之，若是未检测到该树木在立体模型内存在空白处需要进行补充，即切换检测目标，对下一个树木进行检测。步骤如下：
[0069] 空白处检测与位置标识：将每个树木的地理位置与立体模型进行对应。通过计算树木的地理位置在立体模型上的投影点，判断该投影点是否位于立体模型上。若在对应位置检测到空白处，则需在园林地理数据中进行位置标识，并进行补充；
[0070] 补充空白处：对于在立体模型上检测到空白处的树木，进行补充处理。可以通过将树木的位置信息与园林地理数据进行匹配，然后在立体模型上生成或补充相应的树木对象，使其与实际地理位置一致；
[0071] 切换检测目标：如果在立体模型上未检测到空白处，即树木在模型内完整存在，则可以切换到下一个树木进行检测。重复空白处检测与位置标识和补充空白处，直到检测完所有树木的位置。
[0072] S4、获取遥控汽车拍摄图像的覆盖范围，将覆盖范围结合园林地理数据内标识的树木位置进行底部拍摄位置分析，导航遥控汽车前往定点拍摄的位置对树木底部进行拍摄；
[0073] 所述S4用于在遥控汽车顶部安装摄像头，并使摄像头的镜头方向垂直向上，并对摄像头在树木底部进行拍摄测试，取最小值的拍摄范围作为遥控汽车拍摄图像的覆盖范围。步骤如下：
[0074] 摄像头安装：将摄像头安装在遥控汽车的顶部，并将摄像头的镜头方向调整为垂直向上；
[0075] 摄像头测试：在树木底部进行摄像头测试，探测摄像头的拍摄范围。通过控制遥控汽车，使摄像头拍摄树木底部的图像。测试时可以使用树木底部边缘与摄像头画面边缘对齐来确定拍摄范围；
[0076] 计算拍摄范围：根据摄像头测试的图像和位置信息，计算拍摄范围的最小值。可以根据树木底部在图像中的位置和大小推断拍摄范围，或者计算树木底部到摄像头的最小距离，以确定最小的拍摄范围。
[0077] 所述S4导航遥控汽车前往定点拍摄的位置对树木底部进行拍摄的步骤如下：
[0078] S4.1、遥控汽车拍摄图像的覆盖范围结合园林地理数据内表示的树木位置通过路径分析算法进行底部拍摄位置分析，获取遥控汽车定点拍摄的位置；步骤如下：
[0079] 确定遥控汽车路径：根据遥控汽车的特性和路径规划要求，确定遥控汽车的行进路径，包括起点和终点以及经过的关键位置；
[0080] 底部拍摄位置分析：基于园林地理数据、树木位置等，利用路径分析算法来确定遥控汽车的底部拍摄位置。根据拍摄要求(如拍摄角度、拍摄范围等)，通过算法评估各个位置的可行性和适宜性，选取最佳的拍摄位置；
[0081] 路径分析算法：选择Dijkstra算法来进行遥控汽车底部拍摄位置的分析，在路径分析过程中，将考虑树木位置和遥控汽车行驶的限制条件，以找到最佳的拍摄位置；
[0082] 输出拍摄位置：根据路径分析算法的结果，输出遥控汽车底部拍摄的定点位置，这些位置会基于树木位置和路径分析结果，确保拍摄覆盖范围和拍摄要求的满足。
[0083] S4.2、通过物联网将定点拍摄的位置发送至遥控汽车，从而导航遥控汽车抵达定点拍摄的位置，对树木底部完成拍摄，获取树木底部图像。步骤如下：
[0084] 获取定点拍摄位置：将经过路径分析算法得到的定点拍摄位置通过物联网发送给遥控汽车，确保汽车获取到目标拍摄位置的坐标信息；
[0085] 定位与导航：遥控汽车使用定位系统GPS获取当前位置，并利用如A*算法根据目标拍摄位置进行路径规划和导航，确保汽车能够准确地抵达指定位置，A*算法具体如下：
[0086] 将起点加入开放列表，并设置其代价为0，然后重复步骤直到达到目标点或者开放列表为空，步骤：从开放列表中选取具有最小代价的节点作为当前节点，将当前节点从开放列表中移入封闭列表，对当前节点的邻居节点进行检查，如果邻居节点不在开放列表中，将其添加到开放列表，并计算其代价，如果邻居节点已经在开放列表中，检查从当前节点到邻居节点的路径是否比原路径更优，如果是则更新邻居节点的代价和路径信息；
[0087] 如果开放列表为空，表示无法找到路径；否则，从目标节点回溯到起点，得到最终的路径；
[0088] A*算法的关键在于使用启发式函数，这个函数用于评估从当前节点到目标节点的估计代价。A算法根据每个节点的代价和启发式函数的值选择下一个要探索的节点，从而在搜索过程中更倾向于选择离目标更近、代价更小的路径；
[0089] 拍摄树木底部图像：一旦遥控汽车抵达指定位置，启动拍摄设备(如摄像头)进行树木底部图像的拍摄；
[0090] 图像传输与处理：将拍摄的图像数据通过物联网传输回服务器或云平台。服务器或云平台可以对图像数据进行处理和存储，如图像识别、图像拼接等。
[0091] S5、获取园林每种树木经典图像数据；
[0092] 所述S5通过向用户发送树木采集图像网络窗口，使用户上传园林规划图中树木完整枝干的经典图像数据。步骤如下：
[0093] 设计图像上传窗口：设计一个用户界面或网络窗口，使用户能够上传园林规划图中树木完整枝干的经典图像数据。窗口应具备图像上传功能，并可以接收用户上传的图像数据；
[0094] 向用户发送窗口：通过网页链接向用户发送树木采集图像网络窗口。用户可以通过该窗口上传图像数据；
[0095] 用户上传图像数据：用户使用树木采集图像网络窗口上传园林规划图中树木完整枝干的经典图像数据。用户可以选择单个或多个图像进行上传，确保图像中树木的枝干完整可见；
[0096] 图像数据接收与存储：在服务器或云平台上接收和存储用户上传的图像数据。可以使用数据库或文件存储等方式，确保数据的保存和管理。
[0097] 然后在高空图像数据和低空图像数据中提取树木表面图像数据，并将树木表面图像数据和树木底部图像数据结合树木经典图像数据进行内部枝干模拟生成，并将生成的枝干数据发送至立体模型完成空白处填充；所述S5通过AI图像生成技术对树木内部枝干完成模拟生成。步骤如下：
[0098] 树木图像数据获取：从高空图像数据和低空图像数据中提取树木的表面图像数据和底部图像数据。可以使用图像分割和目标检测算法，提取树木的轮廓和表面信息；
[0099] 树木内部枝干的模拟生成：利用AI图像生成技术，通过树木的经典图像数据作为训练样本，训练模型来生成树木内部枝干的图像数据。可以使用生成对抗网络(GAN)方法，生成逼真的枝干图像；
[0100] 枝干数据与立体模型的空白处填充：将生成的枝干图像数据与立体模型中的空白处进行匹配和填充。根据枝干图像数据的特征，例如形状、大小和位置等，将生成的枝干数据应用于立体模型中对应的位置，以完成空白处的填充。
[0101] 以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
