CN106408574B - 基于动态链式图模型的震害遥感影像分割方法及其系统 - Google Patents
基于动态链式图模型的震害遥感影像分割方法及其系统 Download PDFInfo
- Publication number
- CN106408574B CN106408574B CN201610805042.1A CN201610805042A CN106408574B CN 106408574 B CN106408574 B CN 106408574B CN 201610805042 A CN201610805042 A CN 201610805042A CN 106408574 B CN106408574 B CN 106408574B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing image
- earthquake
- segmentation
- region
- 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.)
- Active
Links
Classifications
-
- 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
Landscapes
- Geophysics And Detection Of Objects (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于动态链式图模型的震害遥感影像分割方法及其系统,其中,该方法,包括初始分割多光谱震害遥感影像,得到多光谱震害遥感影像的初始分割区域;计算所有初始分割区域间的异质度;根据分割区域间的异质度以及分割区域间的相邻关系,构建链式图模型;所述链式图模型包括相互链接的区域邻接图和最近邻图;以最近邻图中的边长作为主键来构建基于红黑树的优先队列,按照异质性最低最优先的规则进行基于红黑树的优先队列动态合并,最终得到与震害地物相匹配的多光谱震害遥感影像分割结果。本发明有效避免复杂震害遥感影像分割中错误分割,提高分割正确率,使分割结果与震害地物更加匹配。
Description
技术领域
本发明属于遥感影像处理技术领域,尤其涉及一种基于动态链式图模型的震害遥感影像分割方法及其系统。
背景技术
地震灾害频发,为人类带来极大的损失。面对恶劣的地震灾害,如何快速、准确的提取其中的灾情信息,为灾害评估、抗震救灾、灾后重建等提供可靠的信息支撑具有重要意义。
高分辨率对地观测技术的发展为地震灾害监测提供了数据保障。目前,基于高分数据的灾情判读主要是目视判断和人工解译,自动化程度不高,从而效率低,主观性强。影像分割是实现自动灾情信息提取的关键步骤。
尽管基于区域合并的影像分割方法相对于其它方法具有显著的优势,但是在面对数据量大、复杂性高的遥感震害影像时,仍然存在一些不足:(1)算法效率低;(2)合并判据缺乏鲁棒性;(3)区域合并顺序紊乱,容易出现错误分割,难以保证最小的整体分割误差;(4)边界定位误差大,导致分割结果与震害地物不匹配。
发明内容
为了解决现有技术的缺点,本发明提供一种基于动态链式图模型的震害遥感影像分割方法及其系统。本发明能够有效避免复杂震害遥感影像分割中的错误分割,降低边界定位误差,提高分割正确率,使分割结果与震害地物更加匹配。
为实现上述目的,本发明采用以下技术方案:
一种基于动态链式图模型的震害遥感影像分割方法,包括:
初始分割多光谱震害遥感影像,得到多光谱震害遥感影像的初始分割区域;
计算所有初始分割区域间的异质度;
根据分割区域间的异质度以及分割区域间的相邻关系,构建链式图模型;所述链式图模型包括相互链接的区域邻接图和最近邻图;
以最近邻图中的边长作为主键来构建基于红黑树的优先队列,按照异质性最低最优先的规则进行基于红黑树的优先队列动态合并,最终得到与震害地物相匹配的多光谱震害遥感影像分割结果。
利用鲁棒性多光谱形态梯度算法计算所有初始分割区域间的异质度。
本发明能够有效避免复杂震害遥感影像分割中的错误分割,降低边界定位误差,提高分割正确率,使分割结果与震害地物更加匹配;本发明适用于航空和卫星高分辨率光学遥感影像,能够为进一步进行地震灾害评估和风险评价提供信息支撑。
本发明充分利用高分辨率震害遥感影像的丰富的空间特征和光谱特征,具有鲁棒性的特点;通过动态合并的方式,减弱错误合并情况的发生;基于动态链式图模型和红黑树,效率高。
采用Mean Shift算法对震害遥感影像进行初始分割。其中,Mean Shift算法是一个迭代的过程,本发明能够通过一个迭代的过程对影像进行初始分割,获得具有同质性的初始分割区域,为避免复杂震害遥感影像分割中的错误分割,降低边界定位误差以及提高分割正确率提供了初始条件。
该方法还包括对震害遥感影像进行预处理,得到多光谱震害遥感影像;其具体过程为:首先将震害遥感影像数据转换为地理坐标投影和正射校正,然后进行自动数据融合,得到多光谱震害遥感影像。这样能够充分利用到多光谱震害遥感影像丰富的空间特征和光谱特征,提高分割正确率,使分割结果与震害地物更加匹配。
每个初始分割区域设置有一个唯一的编号。
构建链式图模型的具体过程为:
根据初始分割区域的唯一的编号,将初始分割区域及初始分割区域内的图像信息存储到区域邻接图中;
遍历区域邻接图的每条边以及每条边对应的节点,以及判断每条边对应的节点是否互为最相似节点,若是,则将对应的边存储至最近邻图中。
在区域邻接图的基础之上,检查区域邻接图中存在的互为最相似对象的节点,这样的节点构成闭合环。为了操作的快速性,这些闭合环通过最近邻图表示。区域邻接图和最近邻图是相互链接的,这样保证了程序可以快速访问、修改任一元素。
构建基于红黑树的优先队列的具体过程为:
建立一棵空红黑树;
遍历最近邻图,将最近邻图的所有边插入到空红黑树,得到填充后的红黑树;
优先队列的队首指向填充后的红黑树的最左端。
本发明的合并操作所直接执行的数据结构并非区域邻接图和最近邻图,而是合并优先级队列,该队列具有以下三个特征:1)长度逐渐变小;2)最前端主键最小;3)能够快速动态的插入和删除节点。由于本发明采用了动态合并的策略来使得合并误差最小,对应的优先级队列也是动态可变的。为了保证队列效率,本发明采用了红黑树结构来表示优先级队列,借助红黑树的优越性能保证算法的高效性。
一种基于动态链式图模型的震害遥感影像分割系统,包括:
初始分割模块,其用于初始分割多光谱震害遥感影像,得到多光谱震害遥感影像的初始分割区域;
异质度计算模块,其用于计算所有初始分割区域间的异质度;
链式图模型构建模块,其用于根据分割区域间的异质度以及分割区域间的相邻关系,构建链式图模型;所述链式图模型包括相互链接的区域邻接图和最近邻图;
优先队列动态合并模块,其用于以最近邻图中的边长作为主键来构建基于红黑树的优先队列,按照异质性最低最优先的规则进行基于红黑树的优先队列动态合并,最终得到与震害地物相匹配的多光谱震害遥感影像分割结果。
该系统还包括预处理模块,其用于对震害遥感影像进行预处理,得到多光谱震害遥感影像。
该系统还包括编号设置模块,其用于对每个初始分割区域设置一个唯一的编号。
所述链式图模型构建模块,包括:
区域邻接图构建模块,其用于根据初始分割区域的唯一的编号,将初始分割区域及分割区域内的图像信息存储到区域邻接图中;
最近邻图构建模块,其用于遍历区域邻接图的每条边以及每条边对应的节点,以及判断每条边对应的节点是否互为最相似节点,若是,则将对应的边存储至最近邻图中。
本发明的有益效果为:
(1)本发明能够有效避免复杂震害遥感影像分割中的错误分割,降低边界定位误差,提高分割正确率,使分割结果与震害地物更加匹配;本发明适用于航空和卫星高分辨率光学遥感影像,能够为进一步进行地震灾害评估和风险评价提供信息支撑。
(2)本发明充分利用高分辨率震害遥感影像的丰富的空间特征和光谱特征,具有鲁棒性的特点;通过动态合并的方式,减弱错误合并情况的发生;基于动态链式图模型和红黑树,效率高。
附图说明
图1是本发明的基于动态链式图模型的震害遥感影像分割方法流程图;
图2是本发明的计算初始分割区域间的异质度流程图;
图3(a)是初始分割结果;
图3(b)是区域邻接图RAG数据结构;
图3(c)是最近邻图NNG数据结构;
图4是链式图模型结构示意图;
图5为基于红黑树的优先队列动态合并流程图;
图6(a)是一幅高分辨率震害遥感影像,
图6(b)是图6(a)采用本发明的该方法的分割结果;
图7是本发明的基于动态链式图模型的震害遥感影像分割系统;
图8是本发明的链式图模型构建模块结构示意图。
具体实施方式
下面结合附图与实施例对本发明做进一步说明:
图1是本发明的基于动态链式图模型的震害遥感影像分割方法流程图。如图1所示的本基于动态链式图模型的震害遥感影像分割方法,包括以下步骤(1)~步骤(4)这四个步骤。
步骤(1)初始分割多光谱震害遥感影像,得到多光谱震害遥感影像的初始分割区域。
在步骤(1)中,采用Mean Shift算法对震害遥感影像进行初始分割。其中,MeanShift算法是一个迭代的过程,本发明能够通过一个迭代的过程对影像进行初始分割,获得具有同质性的初始分割区域,为避免复杂震害遥感影像分割中的错误分割,降低边界定位误差以及提高分割正确率提供了初始条件。
步骤(1)中,采用Mean Shift算法对震害遥感影像进行初始分割是一个迭代的过程,每一次迭代的具体步骤为:
步骤(1.1):计算Mean Shift向量;
给定带宽h=[hs,hr],hs是空间域带宽,hr是光谱域带宽,其中,hs和hr均为大于0;对图像特征空间中的中每一个点xi,求xi点的漂移量mh,g(x):
其中,x是当前像素的特征矢量,g(x)是核函数,n是窗口的内像素数目,n为大于0的整数。
步骤(1.2):根据上式计算得到的漂移量mh,g(x)的移动核窗口:
xs+1=xs+mh,g(x)
其中,s表示迭代的次数,s为大于或等于0的整数。
步骤(2)计算所有初始分割区域间的异质度。
利用鲁棒性多光谱形态梯度算法计算所有初始分割区域间的异质度。
下面以鲁棒性多光谱形态梯度算法来详细说明计算所有初始分割区域间的异质度的过程:
如图2所示,为了能够顾及影像结构的上下文信息,对于灰度影像窗口w(1≤w≤5)内的一个结构g,采用形态学梯度度量元素的相似性。若χ=[X1,X2,...,Xn]为结构g中的一系列光谱向量,那么该结构对应的多光谱形态学梯度表示为:
针对震害影像,为了提高鲁棒性,减弱噪声干扰,本发明通过提出s(3≤s≤8)个离群点的方式,构造鲁棒性的形态学梯度
其中RS为被排除的向量对。
栅格影像扫描,计算区域间异质性:
假设p和q是影像中两个相邻的区域,其异质性的计算公式为:
其中l表示计算长度,l大于0;δ(Op,Oq)表示获取区域p和q的公共边。
步骤(3)根据分割区域间的异质度以及分割区域间的相邻关系,构建链式图模型;所述链式图模型包括相互链接的区域邻接图和最近邻图。
每个初始分割区域设置有一个唯一的编号。
其中,构建链式图模型的具体过程为:
根据初始分割区域的唯一的编号,将初始分割区域及初始分割区域内的图像信息存储到区域邻接图RAG中,记为G=(V,E)。V是邻接图中的节点集,与每个区域对应,相邻区域通过边连接;E是邻接图中的边集,边的长短记录了区域间的异质度大小tab;
遍历区域邻接图的每条边etab和对应的节点ab,以及判断ab是否互为最相似节点,即e为最短边。若互为最相似节点,则将对应的边加入到最近邻图。最近邻图通过链表存储着指向E的指针,当最近邻图或邻接图发生变化时,能够迅速的更新另一方。
将图3(a)所示的初始分割结果,转换为图3(b)所示的区域邻接图RAG数据结构存储,区域邻接图RAG中的节点表示原始的区域,区域邻接图RAG中的边表示区域之间的异质性。在区域邻接图RAG的基础之上,检查存在的互为最相似对象的节点,这样的节点构成闭合环,为了操作的快速性,这些闭合环通过最近邻图NNG表示,如图3(c)所示。这样的数据结构,如图4所示,区域邻接图RAG和最近邻图NNG是相互链接的,这样保证了程序可以快速访问、修改任一元素。
步骤(4)以最近邻图中的边长作为主键来构建基于红黑树的优先队列,按照异质性最低最优先的规则进行基于红黑树的优先队列动态合并,最终得到与震害地物相匹配的多光谱震害遥感影像分割结果。
其中,构建基于红黑树的优先队列的具体过程为:
建立一棵空红黑树;
遍历最近邻图,将最近邻图的所有边插入到空红黑树,得到填充后的红黑树;
优先队列的队首指向填充后的红黑树的最左端。
本发明的合并操作所直接执行的数据结构并非区域邻接图和最近邻图,而是合并优先级队列,该队列具有以下三个特征:1)长度逐渐变小;2)最前端主键最小;3)能够快速动态的插入和删除节点。由于本发明采用了动态合并的策略来使得合并误差最小,对应的优先级队列也是动态可变的。为了保证队列效率,本发明采用了红黑树结构来表示优先级队列,借助红黑树的优越性能保证算法的高效性。
该方法还包括对震害遥感影像进行预处理,得到多光谱震害遥感影像;其具体过程为:首先将震害遥感影像数据转换为地理坐标投影和正射校正,然后进行自动数据融合,得到多光谱震害遥感影像。这样能够充分利用到多光谱震害遥感影像丰富的空间特征和光谱特征,提高分割正确率,使分割结果与震害地物更加匹配。
图5为本发明的基于红黑树的优先队列动态合并的流程图,该过程是迭代执行的。该过程中动态的获取优先级队列最前端的闭合环进行合并。
将初始分割多光谱震害遥感影像得到具有同质性的初始分割区域存储中分割区域集合S中;
根据分割区域间的异质度以及分割区域间的相邻关系,构建链式图模型;所述链式图模型包括相互链接的区域邻接图RAG和最近邻图NNG;
遍历区域邻接图的边,得到局部最形似对来构建基于红黑树的优先队列;
选取于优先队列最前端的对象对Pair,进行合并操作,通过记录合并过程的链表ML记录合并过程。如果m、k是真实场景中的两个对象,那么m和k任一波段满足异质性准则,即合并断言(merge predicate)准则:
其中,Q是所设置的尺度参数,为常数;α是图像的量化范围,α大于0;|R|m||表示区域m的均值,|R|k||表示区域k的均值,δ1=δ2=0.00001。
更新局部的NNG与相应节点;
当两个区域发生合并时,修改对应的局部NNG,显然,区域合并后,原有的闭合环被打破,随即动态的判断更新局部的邻域关系。如果相应的区域又产生了最相似对,那么在NNG要构造出新的闭合环;
重复上述步骤,进行新的合并,直到停止合并;
通过ML更新RAG,映射到栅格影像,得到最终分割结果。
图6(a)为一幅高分辨率震害遥感影像,影像中典型地物目标包括草地、林地、裸露山体、水体以及典型震害——滑坡,图6(b)为图6(a)对应的分割结果,可见各种地物得到了较完整的分割,在此基础上可以展开后续的影像分类与目标提取工作。
图7是本发明的基于动态链式图模型的震害遥感影像分割系统。如图7所示的基于动态链式图模型的震害遥感影像分割系统包括:
初始分割模块,其用于初始分割多光谱震害遥感影像,得到多光谱震害遥感影像的初始分割区域;
异质度计算模块,其用于计算所有初始分割区域间的异质度;
链式图模型构建模块,其用于根据分割区域间的异质度以及分割区域间的相邻关系,构建链式图模型;所述链式图模型包括相互链接的区域邻接图和最近邻图;
优先队列动态合并模块,其用于以最近邻图中的边长作为主键来构建基于红黑树的优先队列,按照异质性最低最优先的规则进行基于红黑树的优先队列动态合并,最终得到与震害地物相匹配的多光谱震害遥感影像分割结果。
该系统还包括预处理模块,其用于对震害遥感影像进行预处理,得到多光谱震害遥感影像。
本发明能够有效避免复杂震害遥感影像分割中的错误分割,降低边界定位误差,提高分割正确率,使分割结果与震害地物更加匹配;本发明适用于航空和卫星高分辨率光学遥感影像,能够为进一步进行地震灾害评估、风险评价等提供信息支撑。
本发明充分利用高分辨率震害遥感影像的丰富的空间特征和光谱特征,具有鲁棒性的特点;通过动态合并的方式,减弱错误合并情况的发生;基于动态链式图模型和红黑树,效率高。
该系统还包括编号设置模块,其用于对每个初始分割区域设置一个唯一的编号。
图8是本发明的链式图模型构建模块结构示意图。如图8所示的链式图模型构建模块包括:
区域邻接图构建模块,其用于根据初始分割区域的唯一的编号,将初始分割区域及分割区域内的图像信息存储到区域邻接图中;
最近邻图构建模块,其用于遍历区域邻接图的每条边以及每条边对应的节点,以及判断每条边对应的节点是否互为最相似节点,若是,则将对应的边存储至最近邻图中。
本发明在区域邻接图的基础之上,检查区域邻接图中存在的互为最相似对象的节点,这样的节点构成闭合环。为了操作的快速性,这些闭合环通过最近邻图表示。区域邻接图和最近邻图是相互链接的,这样保证了程序可以快速访问、修改任一元素。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (5)
1.一种基于动态链式图模型的震害遥感影像分割方法,其特征在于,包括:
初始分割多光谱震害遥感影像,得到多光谱震害遥感影像的初始分割区域;
计算所有初始分割区域间的异质度;根据分割区域间的异质度以及分割区域间的相邻关系,构建链式图模型;
所述链式图模型包括相互链接的区域邻接图和最近邻图;
以最近邻图中的边长作为主键来构建基于红黑树的优先队列,按照异质度最低最优先的规则进行基于红黑树的优先队列动态合并,最终得到与震害地物相匹配的多光谱震害遥感影像分割结果;
每个初始分割区域设置有一个唯一的编号;
构建链式图模型的具体过程为:
根据初始分割区域的唯一的编号,将初始分割区域及初始分割区域内的图像信息存储到区域邻接图中;
遍历区域邻接图的每条边以及每条边对应的节点,以及判断每条边对应的节点是否互为最相似节点,若是,则将对应的边存储至最近邻图中;
构建基于红黑树的优先队列的具体过程为:
建立一棵空红黑树;
遍历最近邻图,将最近邻图的所有边插入到空红黑树,得到填充后的红黑树;
优先队列的队首指向填充后的红黑树的最左端;
在区域邻接图的基础之上,检查区域邻接图中存在的互为最相似的节点,这样的节点构成闭合环;为了操作的快速性,这些闭合环通过最近邻图表示;区域邻接图和最近邻图是相互链接的,这样保证了程序的快速访问和修改任一元素。
2.如权利要求1所述的一种基于动态链式图模型的震害遥感影像分割方法,其特征在于,采用Mean Shift算法对震害遥感影像进行初始分割。
3.如权利要求1所述的一种基于动态链式图模型的震害遥感影像分割方法,其特征在于,该方法还包括对震害遥感影像进行预处理,得到多光谱震害遥感影像;其具体过程为:首先将震害遥感影像数据转换为地理坐标投影和正射校正,然后进行自动数据融合,得到多光谱震害遥感影像。
4.一种基于动态链式图模型的震害遥感影像分割系统,其特征在于,包括:
初始分割模块,其用于初始分割多光谱震害遥感影像,得到多光谱震害遥感影像的初始分割区域;
异质度计算模块,其用于计算所有初始分割区域间的异质度;
链式图模型构建模块,其用于根据分割区域间的异质度以及分割区域间的相邻关系,构建链式图模型;所述链式图模型包括相互链接的区域邻接图和最近邻图;
优先队列动态合并模块,其用于以最近邻图中的边长作为主键来构建基于红黑树的优先队列,按照异质度最低最优先的规则进行基于红黑树的优先队列动态合并,最终得到与震害地物相匹配的多光谱震害遥感影像分割结果;
该系统还包括编号设置模块,其用于对每个初始分割区域设置一个唯一的编号;
所述链式图模型构建模块,包括:
区域邻接图构建模块,其用于根据初始分割区域的唯一的编号,将初始分割区域及分割区域内的图像信息存储到区域邻接图中;
最近邻图构建模块,其用于遍历区域邻接图的每条边以及每条边对应的节点,以及判断每条边对应的节点是否互为最相似节点,若是,则将对应的边存储至最近邻图中;
在所述优先队列动态合并模块中,构建基于红黑树的优先队列的具体过程为:建立一棵空红黑树;
遍历最近邻图,将最近邻图的所有边插入到空红黑树,得到填充后的红黑树;
优先队列的队首指向填充后的红黑树的最左端;
在区域邻接图的基础之上,检查区域邻接图中存在的互为最相似的节点,这样的节点构成闭合环;为了操作的快速性,这些闭合环通过最近邻图表示;区域邻接图和最近邻图是相互链接的,这样保证了程序的快速访问和修改任一元素。
5.如权利要求4所述的一种基于动态链式图模型的震害遥感影像分割系统,其特征在于,该系统还包括预处理模块,其用于对震害遥感影像进行预处理,得到多光谱震害遥感影像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610805042.1A CN106408574B (zh) | 2016-09-06 | 2016-09-06 | 基于动态链式图模型的震害遥感影像分割方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610805042.1A CN106408574B (zh) | 2016-09-06 | 2016-09-06 | 基于动态链式图模型的震害遥感影像分割方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106408574A CN106408574A (zh) | 2017-02-15 |
CN106408574B true CN106408574B (zh) | 2019-03-26 |
Family
ID=57999816
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610805042.1A Active CN106408574B (zh) | 2016-09-06 | 2016-09-06 | 基于动态链式图模型的震害遥感影像分割方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106408574B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109918449B (zh) * | 2019-03-16 | 2021-04-06 | 中国农业科学院农业资源与农业区划研究所 | 一种基于物联网的农业灾害信息遥感提取方法及系统 |
CN113240685B (zh) * | 2021-04-29 | 2023-06-13 | 平安科技(深圳)有限公司 | 图像层次化超像素分割方法、系统、电子设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101408941A (zh) * | 2008-10-20 | 2009-04-15 | 中国科学院遥感应用研究所 | 遥感图像多尺度分割及分割结果的层次结构表示方法 |
CN105574887A (zh) * | 2016-02-29 | 2016-05-11 | 民政部国家减灾中心 | 高分辨率遥感影像快速分割方法 |
-
2016
- 2016-09-06 CN CN201610805042.1A patent/CN106408574B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101408941A (zh) * | 2008-10-20 | 2009-04-15 | 中国科学院遥感应用研究所 | 遥感图像多尺度分割及分割结果的层次结构表示方法 |
CN105574887A (zh) * | 2016-02-29 | 2016-05-11 | 民政部国家减灾中心 | 高分辨率遥感影像快速分割方法 |
Non-Patent Citations (3)
Title |
---|
Seismic remote sensing image segmentation based on spectral histogram and dynamic region merging;Peng Wang et al;《MIPPR2015:Remote Sensing Image Processing,Geographic Information Systems,and Other Applications》;20151214;全文 |
基于优化合并的高分辨率遥感影像分割算法;苏腾飞等;《地球信息科学学报》;20160731;第18卷(第7期);摘要、第2.3节及图1-2 |
高分辨率遥感森林植被分类提取研究;李伟涛;《中国博士学位论文全文数据库农业科技辑》;20160815(第8期);摘要、第3章、第4章及图3-6、图4-4 |
Also Published As
Publication number | Publication date |
---|---|
CN106408574A (zh) | 2017-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lafarge et al. | Creating large-scale city models from 3D-point clouds: a robust approach with hybrid representation | |
Gamba et al. | Improving urban road extraction in high-resolution images exploiting directional filtering, perceptual grouping, and simple topological concepts | |
CN107665498B (zh) | 基于典型示例挖掘的全卷积网络飞机检测方法 | |
Tong et al. | Use of shadows for detection of earthquake-induced collapsed buildings in high-resolution satellite imagery | |
Vu et al. | Multi-scale solution for building extraction from LiDAR and image data | |
EP3022686B1 (en) | Automatic generation of multi-scale descriptors from overhead imagery through manipulation of alpha-tree data structures | |
CN111126202A (zh) | 基于空洞特征金字塔网络的光学遥感图像目标检测方法 | |
Wolf et al. | Automatic extraction and delineation of single trees from remote sensing data | |
CN109919944A (zh) | 一种复杂场景建筑物变化检测的联合超像素图割优化方法 | |
Lin et al. | Estimating aboveground biomass of urban forest trees with dual-source UAV acquired point clouds | |
CN115564926B (zh) | 基于影像建筑物结构学习的三维面片模型构建方法 | |
CN111652241B (zh) | 融合影像特征与密集匹配点云特征的建筑物轮廓提取方法 | |
CN103426200A (zh) | 基于无人机航拍序列图像的树木三维重建方法 | |
CN106295657A (zh) | 一种视频数据结构化过程中提取人体高度特征的方法 | |
Condorelli et al. | A comparison between 3D reconstruction using nerf neural networks and mvs algorithms on cultural heritage images | |
CN106408574B (zh) | 基于动态链式图模型的震害遥感影像分割方法及其系统 | |
CN114494385A (zh) | 一种输水隧洞病害可视化预警方法 | |
Yang et al. | Superpixel image segmentation-based particle size distribution analysis of fragmented rock | |
Zhang et al. | Building footprint and height information extraction from airborne LiDAR and aerial imagery | |
Tejeswari et al. | Building footprint extraction from space-borne imagery using deep neural networks | |
Jiang et al. | Object-oriented building extraction by DSM and very highresolution orthoimages | |
CN114494999B (zh) | 一种双分支联合型目标密集预测方法及系统 | |
Xu | [Retracted] Application of Remote Sensing Image Data Scene Generation Method in Smart City | |
CN109190506A (zh) | 一种基于核稀疏和空间约束的高光谱目标检测方法 | |
Jung et al. | Progressive modeling of 3D building rooftops from airborne Lidar and imagery |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |