CN106295562A - 一种高分辨率遥感影像道路信息提取方法 - Google Patents
一种高分辨率遥感影像道路信息提取方法 Download PDFInfo
- Publication number
- CN106295562A CN106295562A CN201610647160.4A CN201610647160A CN106295562A CN 106295562 A CN106295562 A CN 106295562A CN 201610647160 A CN201610647160 A CN 201610647160A CN 106295562 A CN106295562 A CN 106295562A
- Authority
- CN
- China
- Prior art keywords
- image
- road
- remote sensing
- area
- information extracting
- 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
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Abstract
本发明公开了一种高分辨率遥感影像道路信息提取方法,包括如下步骤:图像预处理:采用增强、滤波的方法,以达到增强道路图像与背景图像差异的目的;道路图像分割方法:对传统区域生长算法进行了改进,加入生长后二次聚类的方法,把分布在图像中的复杂小板块尽可能地去除,使与道路相连的地物尽可能分隔开;分析并识别图像:采用数学形态学的方法,用具有一定形态的结构元素去度量和提取图像中的对应形状,以达到对图像分析和识别的目的,在图像处理过程中将RGB图像转换成HSV图像,对区域生长算法进行改进使其更适合于道路的提取,极大地提高了道路分割的质量,对城市道路的提取具有很高的精度,尤其适合提取城市主道路。
Description
技术领域
本发明涉及道路信息提取技术领域,具体涉及一种高分辨率遥感影像道路信息提取方法。
背景技术
与低、中分辨率的遥感影像相比,高分辨率影像上的地物特征更加清晰、细节更加明显。如何快速获取这些信息,用以更新地理信息数据库,已成为高分辨率遥感技术应用亟待解决的问题。其中如何科学、有效地提取道路信息,是目前的热点和难点,有待深入的研究。
近年来,随着IKONOS,QuickBird,SPOT-5等高空间分辨率遥感卫星的相继发射,高分辨率遥感卫星数据的处理与应用逐步成为遥感应用领域的研究热点。作为非常重要的基础地理信息,遥感影像中道路信息的自动实时监测可有效提高规划、路网维护、导航及交通分析等信息化管理的水平。但由于高空间分辨率遥感影像中道路类型众多,空间结构复杂,同时,受路面障碍物(如车辆等)及阴影等图像噪音,以及道路与楼房或居民地光谱特征近似等问题的影响,在高分辨率遥感影像上进行道路提取一直被认为是一项具有相当难度的工作。
目前高分辨率影像上道路提取方法可分为两个方面:一是基于直线和边缘的道路提取方法,如文献;二是利用多光谱分类方法提取面状道路信息,如文献。但是由于受影像噪声和“异物同谱”和“同物异谱”现象以及复杂的路面状况的影响,单独使用这两种方法提取道路信息的效果都不十分理想。
在实现道路的提取方面,一些现有方法尽管都取得了一定的成果,但是分析发现各种方法都有自身的不足,亟待提高和改进。本文在研究前人文献的基础上,认真研究、试验,总结各种方法的优劣,提出了一种改进的区域生长算法、数学形态学与形状特征相结合自动提取道路的方法,试验结果表明本方法简单、有效、精确度高。
发明内容
针对以上问题,本发明提供了一种高分辨率遥感影像道路信息提取方法,在图像处理过程中将RGB图像转换成HSV图像,对区域生长算法进行改进使其更适合于道路的提取,极大地提高了道路分割的质量,对城市道路的提取具有很高的精度,尤其适合提取城市主道路,可以有效解决背景技术中的问题。
为了实现上述目的,本发明采用的技术方案如下:一种高分辨率遥感影像道路信息提取方法,包括如下步骤:
S1、图像预处理:采用增强、滤波的方法,以达到增强道路图像与背景图像差异的目的;
S2、道路图像分割方法:对传统区域生长算法进行了改进,加入生长后二次聚类的方法,把分布在图像中的复杂小板块尽可能地去除,使与道路相连的地物尽可能分隔开;
S3、分析并识别图像:采用数学形态学的方法,用具有一定形态的结构元素去度量和提取图像中的对应形状,以达到对图像分析和识别的目的。
根据上述技术方案,所述步骤S1,在图像处理的过程中,将RGB颜色空间影像转换成HSV颜色空间影像,提高后续影像分割的质量。
根据上述技术方案,所述步骤S2中的二次聚类的方法为:
选取初始种子和阈值,将该种子点与周围8领域点进行比较,逐个判断符合条件的点,然后以该点为新的种子点,继续进行判断,在分类过程中进行归类运算,对各连通区域用区域的均值进行重新赋值,将连通区域像素个数小于某个设定像素个数的族群自动聚集到像素个数多的族群。
根据上述技术方案,所述步骤S3中,运用数学形态学的方向膨胀算法解决道路的断线连接问题,腐蚀算法消除图形内部的斑点,开运算消除细小物体,识别分离物体和平滑物体的边界,闭运算填平缝隙、弥合孔洞和裂缝,去除图像上的小孔和凹部,使断线连接;该数学形态学的公式如下:
设集合A和B是两个非空集合,A是待处理的二值图像,B为结构元素,则:
膨胀定义为:
A⊕B={x丨[(B)x∩A]≠Φ} (1)
腐蚀定义为:
开运算定义为:
A·B=(AΘB)⊕B (3)
闭运算定义为:
A·B=(A⊕B)ΘB (4)。
根据上述技术方案,所述步骤S3中,图像中的对应形状特征描述如下:
(1)面积S:经过二值化处理后的图像有很多碎小斑块,通过计算分隔后区域的面积,设置一定的阈值,去除这些碎小的斑块;
(2)紧凑度:描述物体的形状和圆的近似度;公式如下:
C=4πS/P^2 (5)
其中:π为圆周率,S为区域的面积,P为区域的周长,紧凑度的范围为(0,1],圆的紧凑度为1,正方形的紧凑度为π;
(3)矩形度:用目标图像面积和包围该图像的最小矩形面积之比作为目标矩形度的一种度量数,即:
R=S0/SR (6)
其中:S0为目标图像的面积,SR为包围该图像的最小矩形的面积,R的大小表示目标物体和矩形的接近程度,矩形度的范围为(0,1];
(4)长宽比:反映物体的细长程度,提取出具有明显长度特征的区域,检测出道路的直线部分,公式如下:
M=LR/W (7)
其中:LR为最小外接矩形的长,W为最小外接矩形的宽。
本发明的有益效果:
本发明采用真空平板玻璃作为原料,通过夹胶工艺,制成夹胶真空平板玻璃,并添加夹胶玻璃胶片,对无机玻璃有很强的粘结力,具有坚韧、透明、耐温、耐寒、粘结强度大、断裂伸长率高、耐湿性好等特性,该工艺生产效率得到大大的提高,铲平性能优良,生产工艺操作方便,成本较低。
附图说明
图1为本发明具体实施例的流程图;
图2为本发明具体实施例的原始图像;
图3为本发明具体实施例的面积、紧凑度和开运算结果图像;
图4为本发明具体实施例的综合提取结果图像;
图5为本发明具体实施例的阴影部分道路图像;
图6为本发明具体实施例的形态学和形状特征处理后结果图像;
图7为本发明具体实施例的最终结果图像。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例:
参照图1,本发明提供一种高分辨率遥感影像道路信息提取方法,包括如下步骤:
步骤S1、图像预处理:采用增强、滤波的方法,以达到增强道路图像与背景图像差异的目的;在图像处理的过程中,将RGB颜色空间影像转换成HSV颜色空间影像,提高后续影像分割的质量;
步骤S2、道路图像分割方法:
在遥感影像信息提取中,常常伴有“同物异谱”和“同谱异物”现象的存在,对遥感影像的准确分类有很大的影响,如何准确分割出道路,使道路信息尽可能保留,而非道路信息尽可能去除,对后续的道路信息准确提取十分重要。
经过大量的算法试验研究,本文总结了边缘检测方法、直方图阈值分割法、遗传算法阈值分割、自适应阈值分割法、模糊聚类阈值分割法和K均值聚类分割方法等的试验结果,对于道路的分割效果均不理想。
本发明对传统区域生长算法进行了改进,加入生长后二次聚类的方法,把分布在图像中的复杂小板块尽可能地去除,使与道路相连的地物尽可能分隔开;有利于后续道路的提取工作,其二次聚类的方法如下:
选取初始种子和阈值,将该种子点与周围8领域点进行比较,逐个判断符合条件的点,然后以该点为新的种子点,继续进行判断,在分类过程中进行归类运算,对各连通区域用区域的均值进行重新赋值,将连通区域像素个数小于某个设定像素个数的族群自动聚集到像素个数多的族群。
S3、分析并识别图像:采用数学形态学的方法,用具有一定形态的结构元素去度量和提取图像中的对应形状,以达到对图像分析和识别的目的;
运用数学形态学的方向膨胀算法解决道路的断线连接问题,腐蚀算法消除图形内部的斑点,开运算消除细小物体,识别分离物体和平滑物体的边界,闭运算填平缝隙、弥合孔洞和裂缝,去除图像上的小孔和凹部,使断线连接;该数学形态学的公式如下:
设集合A和B是两个非空集合,A是待处理的二值图像,B为结构元素,则:
膨胀定义为:
A⊕B={x丨[(B)x∩A]≠Φ} (1)
腐蚀定义为:
开运算定义为:
A·B=(AΘB)⊕B (3)
闭运算定义为:
A·B=(A⊕B)ΘB (4)
根据上述技术方案,所述步骤S3中,图像中的对应形状特征描述如下:
(1)面积S:经过二值化处理后的图像有很多碎小斑块,通过计算分隔后区域的面积,设置一定的阈值,去除这些碎小的斑块;
(2)紧凑度:描述物体的形状和圆的近似度;公式如下:
C=4πS/P^2 (5)
其中:π为圆周率,S为区域的面积,P为区域的周长,紧凑度的范围为(0,1],圆的紧凑度为1,正方形的紧凑度为π;
(3)矩形度:用目标图像面积和包围该图像的最小矩形面积之比作为目标矩形度的一种度量数,即:
R=S0/SR (6)
其中:S0为目标图像的面积,SR为包围该图像的最小矩形的面积,R的大小表示目标物体和矩形的接近程度,矩形度的范围为(0,1];
(4)长宽比:反映物体的细长程度,提取出具有明显长度特征的区域,检测出道路的直线部分,公式如下:
M=LR/W (7)
其中:LR为最小外接矩形的长,W为最小外接矩形的宽。
针对上述实施例,本发明对道路图像作进一步处理:
选取长沙市芙蓉区IKONOS1m分辨率的多波段融合影像,选取其中的512像素×512像素区域(如图2),该区域道路环境复杂,包含了植被、阴影、车辆、居民点等地物,路面灰度差异明显,对道路提取影响较大,能很好地验证本文方法的有效性。
如图3为经过面积(阈值为50)、紧凑度(阈值为0.28)和形态学开运算处理后的影像。图4为经过以上分析,综合考虑矩形度(阈值0.45)、长宽比,阈值2.5多种特征,最后处理的结果。观察以上道路图我们发现,由于受到原图阴影的影响,道路在提取的过程中存在大面积的缺失区域,对阴影进行处理,提取出的道路阴影结果如图5,继续处理,将图5提取出的结果与图4提取的结果进行叠加,再次进行形态学和形状处理后的结果(图6),观察图6发现边缘锯齿比较严重,有少量斑块参杂其中,于是经过形态学填充和平滑进一步处理后得到最终结果(图7),有效地平滑了道路边缘及前期形态学处理中变形的问题。
另外,本发明提供一种针对图像的匀色方法:
(1)卫星遥感镶嵌图像物理匀色方法
由于单幅卫星图像只能覆盖某一地面范围,在做大尺度、大范围的地球遥感数据分析时,需要将不同时间,甚至不同卫星传感器的小块的图像在空间上进行拼接,形成大范围的整体图像,从而镶嵌成一幅完整的图像。由于这些小块的数据一般是在不同时间、不同大气条件、不同观测角度甚至是采用不同遥感器获取的,因此其色调会有很大差别,造成接缝处色调的突变。为了消除不同块数据色调的差别和接缝处的色调突变,一般都要对镶嵌的图像进行匀色。传统匀色利用的是数学方式,比如对不同小块图像实行直方图均衡,Wallis滤波等。利用这些方式得到的镶嵌图像从色调上看是均一无缝的,但实际上已经失去了作为遥感物理观测的使用价值,只能作为空间信息的判读(纹理、形状、结构等),严重地影响了遥感图像的应用价值。本项目的目的是通过分析研究镶嵌图像中色调差别的主要物理原因:遥感器的定标系数和光谱差异、大气状况差异、观测角度差异以及观测日期及时间差异等,采用物理模型方法尝试改正图像间的色调差异,在达到匀色的效果同时使得镶嵌图像具有定量遥感分析的价值。
(2)多源遥感影像辐射归一化方法
遥感图像拼接时不同小块图像间的色调不匀主要是由于以下4种原因造成的:
(1)获取图像采用了不同遥感器,而不同遥感器辐射响应率(定标系数)和光谱响应率存在差异
(2)图像是在不同大气状况下或/和大气光学路径条件下获取的;
(3)图像是在不同太阳和遥感器几何位置组合(高度角、方位角)条件下获取的,而且地面目标存在方向性(BRDF特性);
(4)图像是在不同的日期或者同一日期的不同时间获取的,而地面目标类型或状态发生了时间变化(如农作物生长);
由于影响遥感影像拼接匀色的因素众多,本研究将针对其中影响的辐射特性,尝试采用物理模型方法,将不同来源的遥感图像的辐射参数进行归一化处理,从而实现镶嵌图像匀色,并保持处理后影像灰度值的物理意义。
主要内容包括下述几个方面:
1.传感器定标处理对匀色的影响及归一化
2.不同传感器成像波段差异对匀色的影响及归一化
3.地面目标BRDF特性对匀色的影响及归一化
4.大气影响、太阳-传感器几何位置、获取时间等其他因素的影响及剔除方法
5.利用高分一号、资源三号等遥感影像开展模型试验。
基于上述,本发明的优点在于,本发明采用真空平板玻璃作为原料,通过夹胶工艺,制成夹胶真空平板玻璃,并添加夹胶玻璃胶片,对无机玻璃有很强的粘结力,具有坚韧、透明、耐温、耐寒、粘结强度大、断裂伸长率高、耐湿性好等特性,该工艺生产效率得到大大的提高,铲平性能优良,生产工艺操作方便,成本较低。
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作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种高分辨率遥感影像道路信息提取方法,其特征在于,包括如下步骤:
S1、图像预处理:采用增强、滤波的方法,以达到增强道路图像与背景图像差异的目的;
S2、道路图像分割方法:对传统区域生长算法进行了改进,加入生长后二次聚类的方法,把分布在图像中的复杂小板块尽可能地去除,使与道路相连的地物尽可能分隔开;
S3、分析并识别图像:采用数学形态学的方法,用具有一定形态的结构元素去度量和提取图像中的对应形状,以达到对图像分析和识别的目的。
2.根据权利要求1所述的一种高分辨率遥感影像道路信息提取方法,其特征在于,所述步骤S1,在图像处理的过程中,将RGB颜色空间影像转换成HSV颜色空间影像,提高后续影像分割的质量。
3.根据权利要求1所述的一种高分辨率遥感影像道路信息提取方法,其特征在于,所述步骤S2中的二次聚类的方法为:
选取初始种子和阈值,将该种子点与周围8领域点进行比较,逐个判断符合条件的点,然后以该点为新的种子点,继续进行判断,在分类过程中进行归类运算,对各连通区域用区域的均值进行重新赋值,将连通区域像素个数小于某个设定像素个数的族群自动聚集到像素个数多的族群。
4.根据权利要求1所述的一种高分辨率遥感影像道路信息提取方法,其特征在于,所述步骤S3中,运用数学形态学的方向膨胀算法解决道路的断线连接问题,腐蚀算法消除图形内部的斑点,开运算消除细小物体,识别分离物体和平滑物体的边界,闭运算填平缝隙、弥合孔洞和裂缝,去除图像上的小孔和凹部,使断线连接;该数学形态学的公式如下:
设集合A和B是两个非空集合,A是待处理的二值图像,B为结构元素,则:
膨胀定义为:
A⊕B={x丨[(B)x∩A]≠Φ} (1)
腐蚀定义为:
开运算定义为:
A·B=(AΘB)⊕B (3)
闭运算定义为:
A·B=(A⊕B)ΘB (4)。
5.根据权利要求1所述的一种高分辨率遥感影像道路信息提取方法,其特征在于,所述步骤S3中,图像中的对应形状特征描述如下:
(1)面积S:经过二值化处理后的图像有很多碎小斑块,通过计算分隔后区域的面积,设置一定的阈值,去除这些碎小的斑块;
(2)紧凑度:描述物体的形状和圆的近似度;公式如下:
C=4πS/P^2 (5)
其中:π为圆周率,S为区域的面积,P为区域的周长,紧凑度的范围为(0,1],圆的紧凑度为1,正方形的紧凑度为π;
(3)矩形度:用目标图像面积和包围该图像的最小矩形面积之比作为目标矩形度的一种度量数,即:
R=S0/SR (6)
其中:S0为目标图像的面积,SR为包围该图像的最小矩形的面积,R的大小表示目标物体和矩形的接近程度,矩形度的范围为(0,1];
(4)长宽比:反映物体的细长程度,提取出具有明显长度特征的区域,检测出道路的直线部分,公式如下:
M=LR/W (7)
其中:LR为最小外接矩形的长,W为最小外接矩形的宽。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610647160.4A CN106295562A (zh) | 2016-08-09 | 2016-08-09 | 一种高分辨率遥感影像道路信息提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610647160.4A CN106295562A (zh) | 2016-08-09 | 2016-08-09 | 一种高分辨率遥感影像道路信息提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106295562A true CN106295562A (zh) | 2017-01-04 |
Family
ID=57667224
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610647160.4A Pending CN106295562A (zh) | 2016-08-09 | 2016-08-09 | 一种高分辨率遥感影像道路信息提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106295562A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106964563A (zh) * | 2017-04-28 | 2017-07-21 | 福州大学 | 一种塑料瓶分拣方法 |
CN107480679A (zh) * | 2017-04-20 | 2017-12-15 | 北京工业大学 | 基于卷积神经网络的分类和连通区域分析的路网提取方法 |
CN108229270A (zh) * | 2017-01-12 | 2018-06-29 | 北京市商汤科技开发有限公司 | 用于从遥感图像中识别道路的方法、装置和电子设备 |
CN109063718A (zh) * | 2018-03-22 | 2018-12-21 | 中国地质大学(武汉) | 基于惯性矩的紧凑度密度峰值聚类的多线道路提取方法 |
CN109493320A (zh) * | 2018-10-11 | 2019-03-19 | 苏州中科天启遥感科技有限公司 | 基于深度学习的遥感影像道路提取方法及系统、存储介质、电子设备 |
CN109522787A (zh) * | 2018-09-30 | 2019-03-26 | 广州地理研究所 | 一种基于遥感数据的细小道路识别方法 |
CN110415185A (zh) * | 2019-07-02 | 2019-11-05 | 长江大学 | 一种改进的Wallis阴影自动补偿方法及装置 |
CN110427979A (zh) * | 2019-07-10 | 2019-11-08 | 广东工业大学 | 基于K-Means聚类算法的道路水坑识别方法 |
CN110470308A (zh) * | 2019-09-06 | 2019-11-19 | 北京云迹科技有限公司 | 一种避障系统及方法 |
CN110472472A (zh) * | 2019-05-30 | 2019-11-19 | 北京市遥感信息研究所 | 基于sar遥感图像的机场检测方法与装置 |
CN111310771A (zh) * | 2020-03-11 | 2020-06-19 | 中煤航测遥感集团有限公司 | 遥感影像的道路图像提取方法、装置、设备及存储介质 |
CN111570327A (zh) * | 2020-04-09 | 2020-08-25 | 广州视源电子科技股份有限公司 | Led显示屏的印刷线路板的分类方法、装置及设备 |
CN111709901A (zh) * | 2020-05-22 | 2020-09-25 | 哈尔滨工业大学 | 基于FCM聚类匹配+Wallis滤波的无重多/高光谱遥感图像匀色方法 |
CN112232303A (zh) * | 2020-11-16 | 2021-01-15 | 内蒙古自治区农牧业科学院 | 一种基于高分遥感影像的草原道路信息提取方法 |
CN113408457A (zh) * | 2021-06-29 | 2021-09-17 | 西南交通大学 | 一种联合高分影像和视频图像的道路信息智能提取方法 |
CN113496182A (zh) * | 2020-04-08 | 2021-10-12 | 北京京东叁佰陆拾度电子商务有限公司 | 基于遥感影像的道路提取方法及装置、存储介质及设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609706A (zh) * | 2011-01-25 | 2012-07-25 | 龚建华 | 高分辨率遥感影像道路信息提取系统 |
-
2016
- 2016-08-09 CN CN201610647160.4A patent/CN106295562A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609706A (zh) * | 2011-01-25 | 2012-07-25 | 龚建华 | 高分辨率遥感影像道路信息提取系统 |
Non-Patent Citations (1)
Title |
---|
周安发 等: "一种高分辨率遥感影像道路信息提取方法", 《遥感技术与应用》 * |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229270A (zh) * | 2017-01-12 | 2018-06-29 | 北京市商汤科技开发有限公司 | 用于从遥感图像中识别道路的方法、装置和电子设备 |
CN107480679A (zh) * | 2017-04-20 | 2017-12-15 | 北京工业大学 | 基于卷积神经网络的分类和连通区域分析的路网提取方法 |
CN107480679B (zh) * | 2017-04-20 | 2021-08-17 | 北京工业大学 | 基于卷积神经网络的分类和连通区域分析的路网提取方法 |
CN106964563A (zh) * | 2017-04-28 | 2017-07-21 | 福州大学 | 一种塑料瓶分拣方法 |
CN106964563B (zh) * | 2017-04-28 | 2019-02-22 | 福州大学 | 一种塑料瓶分拣方法 |
CN109063718A (zh) * | 2018-03-22 | 2018-12-21 | 中国地质大学(武汉) | 基于惯性矩的紧凑度密度峰值聚类的多线道路提取方法 |
CN109063718B (zh) * | 2018-03-22 | 2021-05-28 | 中国地质大学(武汉) | 基于惯性矩的紧凑度密度峰值聚类的多线道路提取方法 |
CN109522787A (zh) * | 2018-09-30 | 2019-03-26 | 广州地理研究所 | 一种基于遥感数据的细小道路识别方法 |
CN109493320A (zh) * | 2018-10-11 | 2019-03-19 | 苏州中科天启遥感科技有限公司 | 基于深度学习的遥感影像道路提取方法及系统、存储介质、电子设备 |
CN110472472B (zh) * | 2019-05-30 | 2022-04-19 | 北京市遥感信息研究所 | 基于sar遥感图像的机场检测方法与装置 |
CN110472472A (zh) * | 2019-05-30 | 2019-11-19 | 北京市遥感信息研究所 | 基于sar遥感图像的机场检测方法与装置 |
CN110415185A (zh) * | 2019-07-02 | 2019-11-05 | 长江大学 | 一种改进的Wallis阴影自动补偿方法及装置 |
CN110415185B (zh) * | 2019-07-02 | 2023-03-17 | 长江大学 | 一种改进的Wallis阴影自动补偿方法及装置 |
CN110427979A (zh) * | 2019-07-10 | 2019-11-08 | 广东工业大学 | 基于K-Means聚类算法的道路水坑识别方法 |
CN110427979B (zh) * | 2019-07-10 | 2022-11-04 | 广东工业大学 | 基于K-Means聚类算法的道路水坑识别方法 |
CN110470308A (zh) * | 2019-09-06 | 2019-11-19 | 北京云迹科技有限公司 | 一种避障系统及方法 |
CN111310771B (zh) * | 2020-03-11 | 2023-07-04 | 中煤航测遥感集团有限公司 | 遥感影像的道路图像提取方法、装置、设备及存储介质 |
CN111310771A (zh) * | 2020-03-11 | 2020-06-19 | 中煤航测遥感集团有限公司 | 遥感影像的道路图像提取方法、装置、设备及存储介质 |
CN113496182A (zh) * | 2020-04-08 | 2021-10-12 | 北京京东叁佰陆拾度电子商务有限公司 | 基于遥感影像的道路提取方法及装置、存储介质及设备 |
CN111570327A (zh) * | 2020-04-09 | 2020-08-25 | 广州视源电子科技股份有限公司 | Led显示屏的印刷线路板的分类方法、装置及设备 |
CN111709901A (zh) * | 2020-05-22 | 2020-09-25 | 哈尔滨工业大学 | 基于FCM聚类匹配+Wallis滤波的无重多/高光谱遥感图像匀色方法 |
CN111709901B (zh) * | 2020-05-22 | 2023-04-28 | 哈尔滨工业大学 | 基于FCM聚类匹配+Wallis滤波的无重多/高光谱遥感图像匀色方法 |
CN112232303A (zh) * | 2020-11-16 | 2021-01-15 | 内蒙古自治区农牧业科学院 | 一种基于高分遥感影像的草原道路信息提取方法 |
CN112232303B (zh) * | 2020-11-16 | 2023-12-19 | 内蒙古自治区农牧业科学院 | 一种基于高分遥感影像的草原道路信息提取方法 |
CN113408457A (zh) * | 2021-06-29 | 2021-09-17 | 西南交通大学 | 一种联合高分影像和视频图像的道路信息智能提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106295562A (zh) | 一种高分辨率遥感影像道路信息提取方法 | |
CN107610114B (zh) | 基于支持向量机的光学卫星遥感影像云雪雾检测方法 | |
CN106780091B (zh) | 基于植被指数时空间统计特征的农业灾害信息遥感提取方法 | |
US8594375B1 (en) | Advanced cloud cover assessment | |
Salehi et al. | Automatic moving vehicles information extraction from single-pass WorldView-2 imagery | |
CN107067405B (zh) | 基于尺度优选的遥感影像分割方法 | |
CN110263717A (zh) | 一种融入街景影像的土地利用类别确定方法 | |
CN101403795A (zh) | 估算城区树覆盖率的遥感测量方法及其遥感测量系统 | |
CN111027446B (zh) | 一种高分辨率影像的海岸线自动提取方法 | |
CN103984946A (zh) | 一种基于K-means的高分辨率遥感地图道路提取方法 | |
CN109829423B (zh) | 一种结冰湖泊红外成像检测方法 | |
Yang et al. | Fully constrained linear spectral unmixing based global shadow compensation for high resolution satellite imagery of urban areas | |
CN111476723B (zh) | 一种Landsat-7扫描线纠正器失效的遥感图像丢失像素恢复方法 | |
JP4747122B2 (ja) | 特定領域自動抽出システム、特定領域自動抽出方法、および、プログラム | |
Liu et al. | Vehicle detection from aerial color imagery and airborne LiDAR data | |
Chaloeivoot et al. | Building detection from terrestrial images | |
CN102231190B (zh) | 冲洪积扇信息的自动提取方法 | |
CN103778625A (zh) | 基于遥感图像变化检测算法的地物智能搜索技术 | |
CN110175638B (zh) | 一种扬尘源监测方法 | |
Taherzadeh et al. | Using hyperspectral remote sensing data in urban mapping over Kuala Lumpur | |
CN111487643B (zh) | 一种基于激光雷达点云和近红外影像的建筑物检测方法 | |
Huang et al. | Multi-feature combined for building shadow detection in GF-2 Images | |
CN109165590A (zh) | 利用稀疏形态成分的高分辨率遥感图像道路提取方法 | |
CN106204596A (zh) | 一种基于高斯拟合函数与模糊混合估计的全色波段遥感影像云检测方法 | |
Jin et al. | Automated road pavement marking detection from high resolution aerial images based on multi-resolution image analysis and anisotropic Gaussian filtering |
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 |
Application publication date: 20170104 |
|
RJ01 | Rejection of invention patent application after publication |