True Orthoimage Generation Using Airborne LiDAR Data with Generative Adversarial Network-Based Deep Learning Model
CONTENIDO PARA USUARIOS REGISTRADOS
Inicia sesión para disfrutar este recurso. Si aún no estás afiliado a BibloRed, haz clic en el botón.
Acceder- Autor
- Año de publicación 2021
- Idioma Inglés
- Publicado por Revista VirtualPRO,
- Descripción
- La ortoimagen, que es geométricamente equivalente a un mapa, es uno de los productos geoespaciales importantes. El desplazamiento y la oclusión en las imágenes ópticas están causados por la proyección en perspectiva, la inclinación de la cámara y el relieve del objeto. Un modelo digital de superficie (MDS) es un dato esencial para generar ortoimágenes reales que corrijan el desplazamiento y recuperen las zonas de oclusión. Los datos de detección y alcance de luz (LiDAR) recogidos por un sistema de escáner láser aerotransportado (ALS) son una fuente importante de DSM. Los métodos tradicionales requieren procedimientos sofisticados para producir una ortoimagen real. La mayoría de los métodos utilizan coordenadas 3D del MDS e imágenes multivista con áreas solapadas para ortorrectificar el desplazamiento y detectar y recuperar las áreas de oclusión. Los datos de nubes de puntos LiDAR no sólo proporcionan coordenadas 3D, sino también información sobre la intensidad reflejada por las superficies de los objetos en el espacio georreferenciado ortoproyectado. Este trabajo propone la generación de ortoimágenes reales basadas en una red generativa adversarial (GAN) de aprendizaje profundo (DL) con el modelo Pix2Pix utilizando la intensidad y el DSM de los datos LiDAR. La principal ventaja de utilizar datos LiDAR es que los datos son ortoimágenes verdaderas libres de oclusión en términos de geometría de proyección, excepto en el caso de baja calidad de imagen. Se realizaron experimentos intensivos utilizando los conjuntos de datos de referencia proporcionados por la Sociedad Internacional de Fotogrametría y Teledetección (ISPRS). Los resultados demuestran que el enfoque propuesto podría tener la capacidad de generar ortoimágenes verdaderas de forma eficiente directamente a partir de datos LiDAR. Sin embargo, es crucial encontrar un preprocesamiento adecuado para mejorar la calidad de la intensidad de los datos LiDAR y producir ortoimágenes verdaderas de mayor calidad.
-
Citación recomendada (normas APA)
- Hindawi, "True Orthoimage Generation Using Airborne LiDAR Data with Generative Adversarial Network-Based Deep Learning Model", -:Revista VirtualPRO,, 2021. Consultado en línea en la Biblioteca Digital de Bogotá (https://www.bibliotecadigitaldebogota.gov.co/resources/3667085/), el día 2024-04-24.
