CN105335697A - 一种基于卫星图像测算古民居相似度方法和装置 - Google Patents
一种基于卫星图像测算古民居相似度方法和装置 Download PDFInfo
- Publication number
- CN105335697A CN105335697A CN201510592954.0A CN201510592954A CN105335697A CN 105335697 A CN105335697 A CN 105335697A CN 201510592954 A CN201510592954 A CN 201510592954A CN 105335697 A CN105335697 A CN 105335697A
- Authority
- CN
- China
- Prior art keywords
- ancient
- houses
- similarity
- ancient houses
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/30—Scenes; Scene-specific elements in albums, collections or shared content, e.g. social network photos or video
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于卫星图像来测算古民居相似度的方法和装置,该方法包括:根据待测算古民居所在村落的经度和维度,获得村落的卫星图像,抽取出古民居目标;按照预设算子生成抽取出的古民居目标的标准化图像;把古民居目标的标准化图像划分成多个行与多个列相交的子区域,对于每个子区域,使用多个互不相关的特征值组成一个多维数组来表征其纹理特征;对于多维数组基于Lebesgue测度进行相似度计算,得出待测算古民居之间的相似度。该装置包括获取模块、标准化模块、划分模块和测算模块。该方法和装置,能够高效地测算出古民居之间的相似度,为古民居的保护和管理提供了便利的数据条件,相比传统人工方法,效率大幅提升。
Description
技术领域
本发明涉及卫星地图应用技术领域,特别涉及一种基于卫星图像测算古民居相似度方法和装置。
背景技术
古民居作为古文物保护中的一部分,承载着乡土中国千百年的历史记忆。众多古建筑中的大部分被列为文物保护单位,被开发、被游览,但令人痛心的是,也有一部分古建筑不堪岁月的风吹雨打和未被重视保护,渐次坍塌荒弃。另一方面,大规模的古民居旅游开发一方面宣传了古民居,使得古民居真正地得到了全社会前所未有的重视与保护,另一方面,巨大的游客量给古民居资源的保护也带来困难。如何更好地保护古民居是古文物保护领域需要长时间关注并解决的问题,而我国古民居种类繁多,数量较大,为了方便管理,需要对众多不同类型不同文化背景下的古民居有较为明确的分类,即需要得知诸多古民居之间的相似度,而目前古民居的分类大多依靠人工走访和统计,效率非常低下。
发明内容
本发明提供一种基于卫星图像测算古民居相似度方法和装置,以解决上述问题。
本发明实施例提供了一种基于卫星图像测算古民居相似度方法,包括步骤:
步骤A,根据待测算古民居所在村落的经度和维度,获得所述村落的卫星图像,抽取出古民居目标;
步骤B,按照预设算子生成抽取出的所述古民居目标的标准化图像;
步骤C,把所述古民居目标的标准化图像划分成多个行与多个列相交的子区域,对于每个子区域,使用多个互不相关的特征值组成一个多维数组来表征其纹理特征;
步骤D,对于所述多维数组基于Lebesgue测度进行相似度计算,得出待测算古民居之间的相似度。
其中,所述步骤A中抽取出古民居目标包括步骤:
使用民居识别算法抽取古民居目标,所述民居识别算法包括灰度特征、面积特征、形状特征和邻里算法。
其中,所述步骤B包括步骤:
对于抽取的所述古民居目标,按照预设的三个算子,生成所有古民居目标的标准化图像,I表示图像像素矩阵,三个算子依次为:
1)旋转算子:检测民居边缘与水平方向夹角θ,逆时针旋转,即I1=im_rotate(I,θ);
2)缩放算子:使用双线性插值算法,把图像缩放到到其一定倍数s,即I2=im_resize(I1,s);
3)裁剪算子:定位所述古民居目标的中心o,按照预先指定的民居长度1与宽度w,裁剪核心区域以消除不规则边界的影响,即I3=im_cut(I2,o,l,w)。
其中,所述步骤C包括步骤:
把所述古民居目标的标准化图像划分成r行与c列相交的子区域,共rc个,对于每个子区域ti,使用五个互不相关的特征值表征其纹理特征,包括熵entropy、相关性correlation、对比度contrast、聚类形状clustershade,信息测度Informationmeasure,组成一个五维的数组(ent,cor,con,cs,im)。
其中,所述步骤D包括步骤:
计算子区域ti的五维数组中每一个维度的相似度K,采用公式:K(x,y)=exp(-||x-y||2/σ2)其中,σ为高斯核函数的均方差;
假设xi和yi是对应子区域的任意两个维度的特征值,t1和t2是任意两个对应子区域,则其相似度计算为:
设g1和g2代表两个古民居目标,则其相似度计算为:
其中,步骤A之后,步骤B之前还包括步骤:
判断抽取的古民居目标是否正确,反馈误识别的古民居目标,提取误识别的古民居目标的纹理特征并将其排除。
本发明还一种基于卫星图像测算古民居相似度装置,包括获取模块、标准化模块、划分模块和测算模块;
获取模块,用于根据待测算古民居所在村落的经度和维度,获得所述村落的卫星图像,抽取出古民居目标;
标准化模块,用于按照预设算子生成抽取出的古民居目标的标准化图像;
划分模块,用于把古民居目标的标准化图像划分成多个行与多个列相交的子区域,对于每个子区域,使用多个互不相关的特征值组成一个多维数组来表征其纹理特征;
测算模块,用于对于所述多维数组基于Lebesgue测度进行相似度计算,得出待测算古民居之间的相似度。
其中,标准化模块,用于:
对于抽取的古民居目标,按照预设的三个算子,生成所有古民居目标的标准化图像,I表示图像像素矩阵,三个算子依次为:
1)旋转算子:检测民居边缘与水平方向夹角θ,逆时针旋转,即I1=im_rotate(I,θ);
2)缩放算子:使用双线性插值算法,把图像缩放到到其一定倍数s,即I2=im_resize(I1,s);
3)裁剪算子:定位所述古民居目标的中心,按照预先指定的民居长度与宽度,裁剪核心区域以消除不规则边界的影响,即I3=im_cut(I,o,l,W)。
其中,划分模块,用于:
把古民居目标的标准化图像划分成r行与c列相交的子区域,共rc个,对于每个子区域ti,使用五个互不相关的特征值表征其纹理特征,包括熵entropy、相关性correlation、对比度contrast、聚类形状clustershade,信息测度Informationmeasure,组成一个五维的数组(ent,cor,con,cs,im)。
其中,测算模块,用于:
计算子区域Ri的五维数组中每一个维度的相似度,采用公式:K(x,y)=exp(-||x-y||2/σ2);
假设xi和yi是对应子区域的任意两个维度的特征值,t1和t2是任意两个对应子区域,则其相似度计算为:
设g1和g2代表两个古民居目标,则其相似度计算为:
本发明实施例提供了一种基于卫星图像测算古民居相似度方法和装置,通过获取的待测算古民居村落的卫星图像,对卫星图像中古民居目标进行标准化处理后,划分为多个子区域,用多维数组表征每个子区域的图像特征,基于Lebesgue测度计算出各古民居目标之间的相似度,根据相似度的高低即可对抽取的古民居目标进行分类,这样,相比于人工走访统计,通过对卫星图像数据进行处理计算得出相似度,效率大大提升。
附图说明
图1为本发明实施例提供的基于卫星图像测算古民居相似度方法的流程示意图;
图2为本发明实施例提供的抽取古民居目标的程序代码页面图;
图3为本发明实施例提供的对古民居目标进行划分的程序代码页面图;
图4为本发明实施例提供的基于相似度对古民居进行分类识别的程序代码页面图;
图5位本发明提供的基于卫星图像测算古民居相似度装置的结构示意图。
具体实施方式
本发明实施例提供了一种基于卫星图像测算古民居相似度方法和装置。
本发明提供的基于卫星图像测算古民居相似度方法包括步骤:
步骤S110,根据待测算古民居所在村落的经度和维度,获得村落的卫星图像,抽取出古民居目标。
可以使用民居识别算法抽取出古民居目标,民居识别算法可以包括但不限于灰度特征、面积特征和形状特征、邻里算法。
步骤S111,按照预设算子生成抽取出的古民居目标的标准化图像。
步骤S112,把古民居目标的标准化图像划分成多个行与多个列相交的子区域,对于每个子区域,使用多个互不相关的特征值组成一个多维数组来表征其纹理特征。
步骤S113,对于多维数组基于Lebesgue测度进行相似度计算,得出待测算古民居之间的相似度。
作为一种优选的实施例,该方法具体可以包括如下步骤:
步骤S210,获取18级卫星图像,根据村落的经度和维度,获得村落的卫星图像,使用民居识别算法抽取出古民居目标。
优选地,可以利用谷歌地图提供的API下载18级谷歌卫星图像。
判断抽取的古民居目标是否正确,反馈误识别的古民居目标,提取误识别的古民居目标的纹理特征并将其排除。
具体地,古民居目标的抽取算法程序代码参见图2所示。
步骤S211,对于抽取的古民居目标,设计三个算子,生成所有目标的标准化图像(大小相同,方向相同);I表示图像像素矩阵,三个算子依次为:
1)旋转算子:检测民居边缘与水平方向夹角θ,逆时针旋转,即I1=im_rotate(I,θ);
2)缩放算子:使用双线性插值算法,把图像缩放到到其一定倍数s,即I2=im_resize(I1,s);
3)裁剪算子:定位民居目标中心,按照预先指定的民居长度与宽度,裁剪核心区域以消除不规则边界的影响,即I3=im_cut(I,o,l,w)
步骤S212,把标准化后的目标图像划分成r行与c列相交的子区域,共rc个,对于每个区域Ri,我们使用五个互不相关的特征值表征其纹理特征,如熵entropy、相关性correlation、对比度contrast、聚类形状clustershade,信息测度Informationmeasure,组成一个五维的数组,如(ent,cor,con,cs,im);
具体地,作为一种可实施方式,目标图像划分算法程序代码参见图3所示。
步骤S213,计算子区域ti的五维数组中每一个维度的相似度K,采用公式:K(x,y)=exp(-||x-y||2/σ2);
假设xi和yi是对应子区域的任意两个维度的特征值,t1和t2是任意两个对应子区域,则其相似度计算为:
设g1和g2代表两个古民居目标,则其相似度计算为:
Lebesgue测度能够满足在维度可变的复杂环境下的变维计算,Lebesgue测度有两个计算定理:
定理1:如果集合A是一些区间Ii的笛卡尔积,即A=I1×I2×...×In则A是可测的,且其测度计算为
定理2:如果集合A是一些不相交区间Ii的并集,即A=I1∪I2∪...∪In,则A是可测的,且其测度计算为
对于一个标准化后的古民居目标,经过划分算法形成rc个划分快,对于每个划分块,使用一个五维的数组表征其纹理特征,即fi=(ent,cor,con,cs,im)因为每个特征值具有不同的离散度,把每一维度映射到一个更高维的希尔伯特空间H中去,假设存在一个映射函数则存在一个核函数K,使得即为两个函数与的相似度;
优选地,采用Gauss核函数进行标准化处理,即
K(x,y)=exp(-||x-y||2/σ2)(3)
因为每个划分块的五维数组是线性无关的,利用公式(3)完成每一个维度的相似度计算,然后利用定理1完成五个维度相似度的融合计算,假设xi和yi是对应划分块的任意两个维度的特征值,t1和t2是任意两个对应划分块,则他们的相似度计算为:
因为每个目标的所有划分块是互不相交的,所以目标的划分块的相似度的融合是满足定理2的,设g1和g2代表两个目标,则其相似度计算为:
利用任意两个目标的相似度计算,就可以完成相应目标的分类与识别。基于古民居目标相似度进行分类计算的程序代码参见图4所示。
本发明还提供一种基于卫星图像测算古民居相似度装置,参见图5所示,包括获取模块、标准化模块、划分模块和测算模块。
获取模块,用于根据待测算古民居所在村落的经度和维度,获得村落的卫星图像,抽取出古民居目标;
标准化模块,用于按照预设算子生成抽取出的古民居目标的标准化图像;
划分模块,用于把古民居目标的标准化图像划分成多个行与多个列相交的子区域,对于每个子区域,使用多个互不相关的特征值组成一个多维数组来表征其纹理特征;
测算模块,用于对于多维数组基于Lebesgue测度进行相似度计算,得出待测算古民居之间的相似度。
其中,优选地,标准化模块用于:
对于抽取的所述古民居目标,按照预设的三个算子,生成所有古民居目标的标准化图像,I表示图像像素矩阵,三个算子依次为:
1)旋转算子:检测民居边缘与水平方向夹角θ,逆时针旋转,即I1=im_rotate(I,θ);
2)缩放算子:使用双线性插值算法,把图像缩放到到其一定倍数s,即I2=im_resize(I1,s);
3)裁剪算子:定位所述古民居目标的中心,按照预先指定的民居长度与宽度,裁剪核心区域以消除不规则边界的影响,即I3=im_cut(I,o,l,w)。
优选地,划分模块用于:
把古民居目标的标准化图像划分成r行与c列相交的子区域,共rc个,对于每个子区域ti,使用五个互不相关的特征值表征其纹理特征,包括熵entropy、相关性correlation、对比度contrast、聚类形状clustershade,信息测度Informationmeasure,组成一个五维的数组(ent,cor,con,cs,im)。
优选地,测算模块用于:
计算子区域Ri的五维数组中每一个维度的相似度,采用公式:
K(x,y)=exp(-||x-y||2/σ2);
假设xi和yi是对应子区域的任意两个维度的特征值,t1和t2是任意两个对应子区域,则其相似度计算为:
设g1和g2代表两个古民居目标,则其相似度计算为:
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个······”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同因素。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (10)
1.一种基于卫星图像测算古民居相似度方法,其特征在于,包括步骤:
步骤A,根据待测算古民居所在村落的经度和维度,获得所述村落的卫星图像,抽取出古民居目标;
步骤B,按照预设算子生成抽取出的所述古民居目标的标准化图像;
步骤C,把所述古民居目标的标准化图像划分成多个行与多个列相交的子区域,对于每个子区域,使用多个互不相关的特征值组成一个多维数组来表征其纹理特征;
步骤D,对于所述多维数组基于Lebesgue测度进行相似度计算,得出待测算古民居之间的相似度。
2.根据权利要求1所述的基于卫星图像测算古民居相似度方法,其特征在于,所述步骤A中抽取出古民居目标包括步骤:
使用民居识别算法抽取古民居目标,所述民居识别算法包括灰度特征、面积特征、形状特征和邻里算法。
3.根据权利要求1所述的基于卫星图像测算古民居相似度方法,其特征在于,所述步骤B包括步骤:
对于抽取的所述古民居目标,按照预设的三个算子,生成所有古民居目标的标准化图像,I表示图像像素矩阵,三个算子依次为:
1)旋转算子:检测民居边缘与水平方向夹角θ,逆时针旋转,即I1=im_rotate(I,θ);
2)缩放算子:使用双线性插值算法,把图像缩放到到其一定倍数s,即I2=im_resize(I1,s);
3)裁剪算子:定位所述古民居目标的中心o,按照预先指定的民居长度l与宽度w,裁剪核心区域以消除不规则边界的影响,即I3=im_cut(I2,o,l,w)。
4.根据权利要求1所述的基于卫星图像测算古民居相似度方法,其特征在于,所述步骤C包括步骤:
把所述古民居目标的标准化图像划分成r行与c列相交的子区域,共rc个,对于每个子区域ti,使用五个互不相关的特征值表征其纹理特征,包括熵entropy、相关性correlation、对比度contrast、聚类形状clustershade,信息测度Informationmeasure,组成一个五维的数组(ent,cor,con,cs,im)。
5.根据权利要求4所述的基于卫星图像测算古民居相似度方法,其特征在于,所述步骤D包括步骤:
计算子区域ti的五维数组中每一个维度的相似度K,采用公式:K(x,y)=exp(-||x-y||2/σ2),其中,σ为高斯核函数的均方差;
假设xi和yi是对应子区域的任意两个维度的特征值,t1和t2是任意两个对应子区域,则其相似度计算为:
设g1和g2代表两个古民居目标,则其相似度计算为:
6.根据权利要求1所述的基于卫星图像测算古民居相似度方法,其特征在于,所述步骤A之后,步骤B之前还包括步骤:
判断抽取的古民居目标是否正确,反馈误识别的古民居目标,提取误识别的古民居目标的纹理特征并将其排除。
7.一种基于卫星图像测算古民居相似度装置,其特征在于,包括获取模块、标准化模块、划分模块和测算模块;
所述获取模块,用于根据待测算古民居所在村落的经度和维度,获得所述村落的卫星图像,抽取出古民居目标;
所述标准化模块,用于按照预设算子生成抽取出的所述古民居目标的标准化图像;
所述划分模块,用于把所述古民居目标的标准化图像划分成多个行与多个列相交的子区域,对于每个子区域,使用多个互不相关的特征值组成一个多维数组来表征其纹理特征;
所述测算模块,用于对于所述多维数组基于Lebesgue测度进行相似度计算,得出待测算古民居之间的相似度。
8.根据权利要求7所述的基于卫星图像测算古民居相似度装置,其特征在于,所述标准化模块,用于:
对于抽取的所述古民居目标,按照预设的三个算子,生成所有古民居目标的标准化图像,I表示图像像素矩阵,三个算子依次为:
1)旋转算子:检测民居边缘与水平方向夹角θ,逆时针旋转,即I1=im_rotate(I,θ);
2)缩放算子:使用双线性插值算法,把图像缩放到到其一定倍数s,即I2=im_resize(I1,s);
3)裁剪算子:定位所述古民居目标的中心,按照预先指定的民居长度与宽度,裁剪核心区域以消除不规则边界的影响,即I3=im_cut(I,o,l,w)。
9.根据权利要求7所述的基于卫星图像测算古民居相似度装置,其特征在于,所述划分模块,用于:
把所述古民居目标的标准化图像划分成r行与c列相交的子区域,共rc个,对于每个子区域ti,使用五个互不相关的特征值表征其纹理特征,包括熵entropy、相关性correlation、对比度contrast、聚类形状clustershade,信息测度Informationmeasure,组成一个五维的数组(ent,cor,con,cs,im)。
10.根据权利要求9述的基于卫星图像测算古民居相似度装置,其特征在于,所述测算模块,用于:
计算子区域Ri的五维数组中每一个维度的相似度,采用公式:K(x,y)=exp(-||x-y||2/σ2);
假设xi和yi是对应子区域的任意两个维度的特征值,t1和t2是任意两个对应子区域,则其相似度计算为:
设g1和g2代表两个古民居目标,则其相似度计算为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510592954.0A CN105335697A (zh) | 2015-09-18 | 2015-09-18 | 一种基于卫星图像测算古民居相似度方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510592954.0A CN105335697A (zh) | 2015-09-18 | 2015-09-18 | 一种基于卫星图像测算古民居相似度方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105335697A true CN105335697A (zh) | 2016-02-17 |
Family
ID=55286213
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510592954.0A Pending CN105335697A (zh) | 2015-09-18 | 2015-09-18 | 一种基于卫星图像测算古民居相似度方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105335697A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108737423A (zh) * | 2018-05-24 | 2018-11-02 | 国家计算机网络与信息安全管理中心 | 基于网页关键内容相似性分析的钓鱼网站发现方法及系统 |
CN109873713A (zh) * | 2018-12-28 | 2019-06-11 | 华中科技大学 | 用于位置服务的无中心化服务集群系统及故障检测方法 |
CN110287843A (zh) * | 2019-06-18 | 2019-09-27 | 清华大学深圳研究生院 | 一种文物指纹区域选定方法 |
CN111707239A (zh) * | 2020-07-09 | 2020-09-25 | 厦门大学 | 一种基于倾斜摄影实现村落历史建筑保护范围检测的方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030174905A1 (en) * | 1998-09-09 | 2003-09-18 | Craver Scott A. | Linearized data structure ordering images based on their attributes |
CN101299243A (zh) * | 2008-06-27 | 2008-11-05 | 西安电子科技大学 | 基于免疫谱聚类的图像分割方法 |
CN103530647A (zh) * | 2013-10-10 | 2014-01-22 | 哈尔滨工程大学 | 基于分数傅里叶变换的纹理分类方法 |
CN103559500A (zh) * | 2013-10-15 | 2014-02-05 | 北京航空航天大学 | 一种基于光谱与纹理特征的多光谱遥感图像地物分类方法 |
CN104331698A (zh) * | 2014-11-19 | 2015-02-04 | 中国农业科学院农业资源与农业区划研究所 | 一种遥感图像城区提取方法 |
CN104463200A (zh) * | 2014-11-27 | 2015-03-25 | 西安空间无线电技术研究所 | 一种基于规则挖掘的卫星遥感图像分类方法 |
-
2015
- 2015-09-18 CN CN201510592954.0A patent/CN105335697A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030174905A1 (en) * | 1998-09-09 | 2003-09-18 | Craver Scott A. | Linearized data structure ordering images based on their attributes |
CN101299243A (zh) * | 2008-06-27 | 2008-11-05 | 西安电子科技大学 | 基于免疫谱聚类的图像分割方法 |
CN103530647A (zh) * | 2013-10-10 | 2014-01-22 | 哈尔滨工程大学 | 基于分数傅里叶变换的纹理分类方法 |
CN103559500A (zh) * | 2013-10-15 | 2014-02-05 | 北京航空航天大学 | 一种基于光谱与纹理特征的多光谱遥感图像地物分类方法 |
CN104331698A (zh) * | 2014-11-19 | 2015-02-04 | 中国农业科学院农业资源与农业区划研究所 | 一种遥感图像城区提取方法 |
CN104463200A (zh) * | 2014-11-27 | 2015-03-25 | 西安空间无线电技术研究所 | 一种基于规则挖掘的卫星遥感图像分类方法 |
Non-Patent Citations (2)
Title |
---|
沈来信 等: "Satellite Objects Extraction and Classification Based on Similarity Measure", 《IEEE》 * |
王雪飞: "卫星图像的村落民居Lebesgue测度η值研究", 《计算机工程与应用》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108737423A (zh) * | 2018-05-24 | 2018-11-02 | 国家计算机网络与信息安全管理中心 | 基于网页关键内容相似性分析的钓鱼网站发现方法及系统 |
CN109873713A (zh) * | 2018-12-28 | 2019-06-11 | 华中科技大学 | 用于位置服务的无中心化服务集群系统及故障检测方法 |
CN109873713B (zh) * | 2018-12-28 | 2020-07-10 | 华中科技大学 | 用于位置服务的无中心化服务集群系统及故障检测方法 |
CN110287843A (zh) * | 2019-06-18 | 2019-09-27 | 清华大学深圳研究生院 | 一种文物指纹区域选定方法 |
CN110287843B (zh) * | 2019-06-18 | 2022-01-25 | 清华大学深圳研究生院 | 一种文物指纹区域选定方法 |
CN111707239A (zh) * | 2020-07-09 | 2020-09-25 | 厦门大学 | 一种基于倾斜摄影实现村落历史建筑保护范围检测的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103247041B (zh) | 一种基于局部采样的多几何特征点云数据的分割方法 | |
Ecker et al. | Bayesian modeling and inference for geometrically anisotropic spatial data | |
Raposo | Scale-specific automated line simplification by vertex clustering on a hexagonal tessellation | |
CN105335697A (zh) | 一种基于卫星图像测算古民居相似度方法和装置 | |
Yang et al. | Analyzing big time series data in solar engineering using features and PCA | |
Chen | Logistic models of fractal dimension growth of urban morphology | |
Holland et al. | Extreme value laws in dynamical systems under physical observables | |
Koh et al. | A diagnostic suite to assess NWP performance | |
CN102938075A (zh) | 最大风半径和台风眼尺寸建模的相关向量机方法 | |
Oesting et al. | Spatial modeling of drought events using max-stable processes | |
CN109102529A (zh) | 基于深度卷积神经网络的端对端高光谱图像变化检测方法 | |
Peters | Quadtree-and octree-based approach for point data selection in 2D or 3D | |
Chen et al. | A total error-based multiquadric method for surface modeling of digital elevation models | |
Lin et al. | Noise filtering, trajectory compression and trajectory segmentation on GPS data | |
CN104156768A (zh) | 一种模糊c均值聚类小数据量识别混沌的方法 | |
Yang et al. | Extracting buildings from airborne laser scanning point clouds using a marked point process | |
Chen et al. | Surface modeling of DEMs based on a sequential adjustment method | |
Sahu et al. | Segmental variability of precipitation in the Mahanadi River basin from 1901 to 2017 | |
CN106651821A (zh) | 一种基于二阶矩保持传播算法的拓扑地图融合方法及系统 | |
Zhang et al. | Novel shape indices for vector landscape pattern analysis | |
Wang et al. | A new method for measuring topological structure similarity between complex trajectories | |
Xie et al. | Investigating long-term trends of climate change and their spatial variations caused by regional and local environments through data mining | |
Higgins et al. | Using deep learning for an analysis of atmospheric rivers in a high‐resolution large ensemble climate data set | |
Cao et al. | A study on temperature interpolation methods based on GIS | |
Wang et al. | A segmentation method for point cloud based on local sample and statistic inference |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160217 |