CN106447510A - 一种梯田信息提取方法和系统 - Google Patents
一种梯田信息提取方法和系统 Download PDFInfo
- Publication number
- CN106447510A CN106447510A CN201610783181.9A CN201610783181A CN106447510A CN 106447510 A CN106447510 A CN 106447510A CN 201610783181 A CN201610783181 A CN 201610783181A CN 106447510 A CN106447510 A CN 106447510A
- Authority
- CN
- China
- Prior art keywords
- image
- terraced fields
- window
- square
- edge
- 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
- 238000000034 method Methods 0.000 title claims abstract description 115
- 238000005457 optimization Methods 0.000 claims abstract description 31
- 238000003708 edge detection Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims description 65
- 238000001514 detection method Methods 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 23
- 239000000284 extract Substances 0.000 claims description 18
- 150000003839 salts Chemical class 0.000 claims description 16
- 238000005520 cutting process Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 11
- 239000002689 soil Substances 0.000 abstract description 8
- 238000012544 monitoring process Methods 0.000 abstract 1
- 230000001629 suppression Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 230000009977 dual effect Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000000717 retained effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 239000003643 water by type Substances 0.000 description 2
- 206010016807 Fluid retention Diseases 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004162 soil erosion Methods 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Agronomy & Crop Science (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Husbandry (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种梯田信息提取方法和系统,具体包括对高分遥感影像内进行边缘检测,获得仅在梯田提取兴趣区域包含边缘线的待处理图像;将待处理图像进行分割,分割为多个边长为预设尺寸的正方形窗口;对每个正方形窗口所包含的有效边缘线进行统计,将得到的有效边缘线数量作为正方形窗口的特征值;对每个正方形窗口的特征值与预设的特征阈值进行对比,将特征值与特征阈值相匹配的正方形窗口作为梯田窗口,保留梯田窗口,去除其他正方形窗口;对仅保留有梯田窗口的待处理图像进行形态优化,得到平滑连续的包括梯田信息的处理后图像。从而使有关管理部门针对该梯田信息开展水土保持综合治理项目的监督、管理工作。
Description
技术领域
本发明涉及卫星遥感技术领域,特别是涉及一种梯田信息提取方法和系统。
背景技术
梯田是在丘陵山坡地上沿等高线方向修筑的条状阶台式或波浪式断面的田地,是治理坡耕地水土流失的有效措施,蓄水、保土、增产效果十分显著。详细确定某一定区域内的梯田信息一直是水土保持工作关注的重要问题,有助于管理部门开展水土保持综合治理项目监督、管理工作的开展。
发明内容
有鉴于此,本发明提供了一种梯田信息提取方法和系统,用于确定一定区域内的梯田信息,以便管理部门能够快速、大范围获取区域内的梯田信息,针对该梯田信息开展水土保持综合治理项目监督、管理工作。
为了解决上述问题,本发明公开一种梯田信息提取方法,可选的,具体包括步骤:
对高分遥感影像内进行边缘检测,获得仅在梯田提取兴趣区域处包含边缘线的待处理图像;
将待处理图像进行分割,分割为多个边长为预设尺寸的正方形窗口;
对每个所述正方形窗口所包含的有效边缘线进行统计,将得到的有效边缘线数量作为所述正方形窗口的特征值;
对每个所述正方形窗口的特征值与预设的特征阈值进行对比,将特征值与所述特征阈值相匹配的正方形窗口作为梯田窗口,保留所述梯田窗口,去除其他正方形窗口;
对仅保留有所述梯田窗口的待处理图像进行形态优化,得到平滑连续的包括梯田信息的处理后图像。
可选的,所述对高分遥感影像内进行边缘检测,获得仅在梯田提取兴趣区域包含边缘线的待处理图像,包括:
利用canny算子对所述高分遥感影像进行边缘线检测,获得包含边缘线的线条图像;
将所述线条图像与本底资料进行叠加;
根据所述本底资料的信息去除非梯田提取兴趣区域的边缘线,得到仅在所述梯田提取兴趣区域处包含所述边缘线的待处理图像。
可选的,所述的对仅保留有所述梯田窗口的待处理图像进行形态优化,得到平滑连续的包括梯田信息的处理后图像,包括:
对所述待处理图像进行椒盐现象处理;
对进行椒盐现象处理后的待处理图像的图像边缘进行优化,得到所述处理后图像。
可选的,所述对进行椒盐现象处理后的待处理图像的图像边缘进行优化,得到所述处理后图像,包括:
对所述图像边缘进行腐蚀和膨胀,得到所述处理后图像。
可选的,所述特征阈值的获取方法包括:
在叠加有耕地信息的高分遥感图像上随机选取样本区域,所述样本区域内的不同种类梯田的梯田面积占所述样区域的总面积的30~60%;
按与所述正方形窗口相同的规格对所述样本区域进行窗口划分,得到多个标准样本窗口;
对包含梯田的标准样本窗口和不包含梯田的标准样本窗内有效边缘线的数量分别进行统计,根据特征阈值确定方法,获取特征阈值。
一种梯田信息提取系统,具体包括:
边缘检测模块,用于对高分遥感影像内进行边缘检测,获得仅在梯田提取兴趣区域处包含边缘线的待处理图像;
窗口分割模块,用于将待处理图像进行分割,分割为多个边长为预设尺寸的正方形窗口;
有效边缘线统计模块,用于对每个所述正方形窗口所包含的有效边缘线进行统计,将得到的有效边缘线数量作为所述正方形窗口的特征值;
图像切割模块,用于对每个所述正方形窗口的特征值与预设的特征阈值进行对比,将特征值与所述特征阈值相匹配的正方形窗口作为梯田窗口,保留所述梯田窗口,去除其他正方形窗口;
图像优化模块,用于对仅保留有所述梯田窗口的待处理图像进行形态优化,得到平滑连续的包括梯田信息的处理后图像。
可选的,所述边缘检测模块包括:
边缘线检测单元,用于利用canny算子对所述高分遥感影像进行边缘线检测,获得包含边缘线的线条图像;
图像叠加单元,用于将所述线条图像与本底资料进行叠加;
区域切割单元,用于根据所述本底资料的信息去除非梯田提取兴趣区域的边缘线,得到仅在所述梯田提取兴趣区域处包含所述边缘线的待处理图像。
可选的,所述图像优化模块包括:
第一图像处理单元,用于对所述待处理图像进行椒盐现象处理;
第二图像处理单元,用于对进行椒盐现象处理后的待处理图像的图像边缘进行优化,得到所述处理后图像。
可选的,所述第二图像处理单元用于对所述图像边缘进行腐蚀和膨胀,得到所述处理后图像。
可选的,还包括特征阈值获取模块,所述特征阈值获取模块包括:
样本区域选取单元,用于在叠加有耕地信息的高分遥感图像上随机选取样本区域,所述样本区域内的不同种类梯田的梯田面积占所述样区域的总面积的30~60%;
窗口分割单元,用于按与所述正方形窗口相同的规格对所述样本区域进行窗口划分,得到多个标准样本窗口;
有效边缘线统计单元,用于对包含梯田的标准样本窗口和不包含梯田的标准样本窗内的有效边缘线的数量分别进行统计,根据特征阈值确定方法,获取特征阈值。
从上述技术方案可以看出,本发明提供了一种梯田信息提取方法和系统,具体包括对高分遥感影像内进行边缘检测,获得仅在梯田提取兴趣区域处包含边缘线的待处理图像;将待处理图像进行分割,分割为多个边长为预设尺寸的正方形窗口;对每个正方形窗口所包含的有效边缘线进行统计,将得到的有效边缘线数量作为正方形窗口的特征值;对每个正方形窗口的特征值与预设的特征阈值进行对比,将特征值与特征阈值相匹配的正方形窗口作为梯田窗口,保留梯田窗口,去除其他正方形窗口;对仅保留有梯田窗口的待处理图像进行形态优化,得到平滑连续的包括梯田信息的处理后图像。从而使有关管理部门能够根据本技术方案得到的处理后图像确定一定区域内的梯田信息,并针对该梯田信息开展水土保持综合治理项目的监督、管理工作。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的一种梯田信息提取方法实施例的步骤流程图;
图2为本发明提供的边缘线的提取结果示意图;
图3为本发明提供的椒盐现象处理前的图像;
图3a为本发明提供的椒盐现象处理后的图像;
图4为本发明提供的边缘优化处理前的图像;
图4a为本发明提供的边缘优化处理后的图像;
图5为本发明提供的标准样本窗口划分示意图;
图5a为本发明提供的阈值选取示意图;
图6为本发明提供的一种梯田信息提取系统实施例的结构框图;
图7为本发明提供的另一种梯田信息提取系统的结构框图。
具体实施方式
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。
实施例一
图1为本发明提供的一种梯田信息提取方法实施例的步骤流程图。
参照图1所示,本实施例提供的梯田信息提取方法用于对卫星获取的高分遥感影像内的梯田信息进行统计,具体可以包括如下步骤:
S101:对高分遥感影像进行边缘检测,获得包括边缘线的待处理图像。
高分遥感影像即利用卫星遥感技术获取到的影像资料,通过对高分遥感影像内的边缘检测,得到仅在梯田提取兴趣区处包含边缘线的待处理图像,将梯田不可能存在的区域予以排出,可以有效提高处理效率。具体的边缘检测方法包括如下子步骤:
S1011:利用canny算子对高分遥感影像进行边缘线检测。
经过反复实验后,确定Canny算子为最适宜边缘特征统计算法的边缘检测手段。Canny边缘检测算法是高斯函数的一阶导数,是对信噪比与定位精度之乘积的最优化逼近算子,其实现原理包括:高斯滤波图象平滑,一阶偏导有限差分梯度的幅值和方向计算,梯度非极大幅值抑制和双阈值算法检测与边缘连接。具体的检测过程如下所述。
①平滑图像:
Canny算法首先用二维高斯函数的一阶导数对高分遥感影像进行平滑,设二维高斯函数见(0-1):
其梯度矢量见(0-2):
用分解的方法提高速度,把G的2个滤波卷积模板分解为2个一维的行列滤波器见(0-3)和(0-4):
式中,k为常数,e为高斯滤波器参数,它控制着平滑程度。对于e小的滤波器,虽然定位精度高,但信噪比低;e大的情况则相反,因此要根据需要适当的选取高斯滤波器参数e。
②计算梯度的幅值和方向:
传统Canny算法采用2×2邻域一阶偏导的有限差分来计算平滑后的数据阵列I(x,y)的梯度幅值和梯度方向。其中,x和y方向偏导数的2个阵列Px[i,j]和Py[i,j]分别见式(0-5)和(0-6):
Px[i,j]=(I[i,j+1]-I[i,j]+I[i+1,j+1]-I[i+1,j]) (0-5)
Py[i,j]=(I[i,j]-I[i+1,j]+I[i+1,j+1]-I[i+1,j]) (0-6)
像素的梯度幅值和梯度方向用直角坐标到极坐标的坐标转化公式来计算,用二阶范数来计算梯度幅值见式(0-7):
梯度方向见(0-8):
③对梯度幅值进行非极大值抑制:
为了精确定位边缘线,必须细化梯度幅值图像M[i,j]中的屋脊带,只保留幅值局部变化最大的点,这一过程就是非极大值抑制。在非极大值抑制过程中,Canny算法使用3×3大小,包含8方向的邻域对梯度幅值阵列M[i,j]的所有像素沿梯度方向进行梯度幅值的插值。在每一个点上,邻域的中心像素M[i,j]与沿梯度方向的2个梯度幅值的插值结果进行比较,Y[i,j]是像素邻域中心处沿着梯度方向的扇形区域,非极大值抑制在此区域进行。如果邻域中心点的幅值M[i,j]不比梯度方向上的2个插值结果大,则将M[i,j]对应的边缘标志位赋值为0,这一过程把M[i,j]宽屋脊带细化为一个像素宽,并且保留了屋脊的梯度幅值。非极大值抑制(nonmaxima suppression,NMS)过程的数学表示见(0-9):
N[i,j]=NMS(M[i,j],Y[i,j]) (0-9)
④检测和连接边缘:
双阈值算法是对经过非极大值抑制和梯度直方图分类的子图像N[i,j]分别使用高、低2个阈值fh和fl分割得到2个阈值边缘图像Th[i,j]和Tl[i,j]。由于图像Th[i,j]是由高阈值得到,因此它应该不含有假边缘线,但Th[i,j]可能在轮廓上有间断。因此双阈值算法要在Th[i,j]中把边缘线连接成轮廓,当达到轮廓端点时,该算法就在由低阈值得到的边缘图像Tl[i,j]的8邻域位置寻找可以连接到轮廓上的边缘线,这样,利用递归跟踪的算法不断地在Tl[i,j]中搜集边缘线,直到将Th[i,j]中所有的间隙都连接起来为止。
最后对高分遥感影像进行二值化处理,即边缘线赋值为1,背景值赋值为0,从而得到包含边缘线的线条图像。
S1012:将线条图像与本底资料进行叠加。
所谓本底资料是提前获取到的高分遥感影像所处区域的土地利用类型资料,其中包括耕地、园地、林地、草地、城镇村及工矿用地、交通运输用地、水域及水利设施用地和其他用地等土地利用类型,其中耕地是梯田最可能存在的区域,作为梯田提取兴趣区域,其他土地利用类型梯田存在可能性小,即将存在梯田可能性小的信息标注在线条图像中。
S1013:去除非梯田提取兴趣区域的边缘线,得到仅在梯田提取兴趣区域存在边缘线的待处理图像。
即利用线条图像中所标注的信息对边缘检测结果进行裁剪,缩小算法提取的目标范围,以提高检测效率。提取结果示意图见2所示。
S102:将待处理图像进行分割为多个边长为预设尺寸的正方形窗口。
即将经过剪裁得到的待处理图像进行分割,分割为n*n个正方形窗口,每个正方形窗口的边长为预设尺寸,该预设尺寸的具体数据以每个窗口中能够包含合理数量的边缘线为原则。
S103:统计每个正方形窗口的特征值。
具体为对每个正方形窗口中包含有效边缘线的数量进行统计,将统计得到的有效边缘线数量作为该正方形窗口的特征值。该特征值为判断该正方形窗口是否包含梯田的判断依据。
S104:将特征值与预设的特征阈值相匹配的正方形窗口作为梯田窗口予以保留,去除其他正方形窗口。
在得到每个正方形窗口的特征值后,将每个特征值分别于预设的特征阈值进行比较,如果某个正方形窗口的特征值与特征阈值相匹配,则将该正方形窗口作为梯田窗口予以保留;特征值与特征阈值不相匹配的正方形窗口则为非梯田窗口,去除掉非梯田窗口。从而得到仅保留梯田窗口的待处理图像。这里的梯田窗口的含义是指该窗口中的地面为梯田。
上述特征阈值根据预先选择的样本区域中标准样本窗口中的有效边缘线数确定,该标准样本窗口的面积与上述的正方形窗口面积相同。
S105:对包含梯田窗口的待处理图像进行形态优化,得到包含梯田信息的处理后图像。
具体为经过上述步骤处理得到的仅保留梯田窗口的待处理图像进行形态优化,得到符合梯田地物形态特征。具体处理过程包括椒盐现象处理和边缘优化。
在进行椒盐现象处理时,通过将待处理图像中每个正方形窗口的上、下、左、右、左上、左下、右上和右下八个方向上的窗口的属性进行对比,如果上述八个窗口中有五个以上窗口与该正方形窗口的属性不同,则重置该正方形窗口的属性,图3为处理前的图像,图3a为处理后的图像。
边缘优化是指将待处理图像的图像边缘进行优化,具体是指通过腐蚀和膨胀的方法将边缘的锯齿去除,最终得到平滑连续、并包含梯田信息的处理后图像,其中,图4为边缘优化前的图像,图4a为边缘优化处理后的图像。
从上述技术方案可以看出,本实施例特提供了一种梯田信息提取方法,具体包括对高分遥感影像内进行边缘检测,获得仅在梯田提取兴趣区域处包含边缘线的待处理图像;将待处理图像进行分割,分割为多个边长为预设尺寸的正方形窗口;对每个正方形窗口所包含的有效边缘线进行统计,将得到的有效边缘线数量作为正方形窗口的特征值;对每个正方形窗口的特征值与预设的特征阈值进行对比,将特征值与特征阈值相匹配的正方形窗口作为梯田窗口,保留梯田窗口,去除其他正方形窗口;对仅保留有梯田窗口的待处理图像进行形态优化,得到平滑连续的包括梯田信息的处理后图像。从而使有关管理部门能够根据本技术方案得到的处理后图像确定一定区域内的梯田信息,并针对该梯田信息开展水土保持综合治理项目的监督、管理工作。
另外,本实施例中的特征阈值可以根据以下的方法步骤获取。
首先,将高分遥感图像上叠加耕地信息,然后将叠加有耕地信息的高分遥感图像随机选取样本区域。样本区域的大小视所选窗口大小变化,且单个区域内梯田面积应占样本区域的面积的30~60%,选择样本区域中尽量包含不同种类的梯田,且至少选择三个样本区域,这里仅以一个样本区域进行说明。
样本区域中所包含的梯田类型的不同对提前结果产生的影响主要有:样本区域内梯田纹理越清晰,梯田提取结果越好;样本区域内梯田类型越单一,对该类型梯田的提取效果也好;样本区域内某一类梯田数量越多,
对该类型梯田的提取结果越好,具体见表1所示。
表1
然后,对样本区域进行窗口划分,得到多个标准样本窗口,参见图5所示。标准样本窗口的尺寸要与上述的正方形窗口的尺寸相同。每个标准梯田窗口中至少要包含1~2个完整田面及相邻部分田面,即2~4个有效边缘线。
最后,对包含梯田窗口和不包含梯田的标准样本窗口内有效边缘线分别进行统计,将得到的有效边缘线的数量根据特征阈值确定方法,计算获得特征阈值。
其中,在具体选取特征阈值时,对全部梯田窗口(WT)和非梯田窗口(WN)内的有效线条数分别进行特征值的计算,参照图5a所示,分别求出两种窗口内线条数目的最大值(max)、最小值(min)、平均值(ave)和标准差(Standard deviation)。
特征阈值(n)的取值或取值范围按照公式(0-10)进行计算:
令WTn1=(WTave-WTsd),WTn2=(WTave+WTsd)
WNn1=(WNave-WNsd),WNn2=(WNave+WNsd)
则:n1=WTave
n2∈[WTn1,WTn2] (0-10)
n3∈[WTn1,WTn2],当WTn1≥WNn2时
n3∈[WNn2,WTn2],当WTn1<WNn2时
n4∈[WTave,WTn2]
式中:
n1,n2,n3,n4为四个特征值;
WTave:梯田窗口有效线条数平均值、WTsd:梯田窗口有效线条数标准差;
WNave:非梯田窗口有效线条数平均值、WNsd:非梯田窗口有效线条数标准差;
WTn1和WTn2:表示距离WTave左右各一个WTsd距离的值;WNn1和WNn2:表示距离WNave左右各一个WNsd距离的值;n1,n2,n3,n4为四个初步特征阈值。
特征阈值确定:由(0-10)可以得出四个初步的特征值n1~n4,用于算法的窗口属性的判定。将特征值分别带入全图的窗口属性判定,显示结果并由人为判断最适宜的特征阈值。
需要说明的是,对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本发明实施例所必须的。
实施例二
图6为本发明提供的一种梯田信息提取系统实施例的结构框图。
参照图6所示,本实施例提供的梯田信息提取系统用于对卫星获取的高分遥感影像内的梯田信息进行统计,具体包括边缘检测模块10、窗口分割模块20、有效边缘线统计模块30、图像切割模块40和图像优化模块50。
边缘检测模块10用于对高分遥感影像进行边缘检测,获得包括边缘线的待处理图像。
高分遥感影像即利用卫星遥感技术获取到的影像资料,通过对高分遥感影像内的边缘检测,得到仅在梯田提取兴趣区域处包含边缘线的待处理图像,因为梯田最可能存在于耕地区域内,其他土地利用类型其他土地利用类型梯田存在可能性小,因此将梯田存在可能性小的的区域予以排出,可以有效提高处理效率。具体来说,该模块包括边缘线检测单元、图像叠加单元和区域切割单元。
边缘线检测单元用于利用canny算子对高分遥感影像进行边缘线检测。
经过反复实验后,确定Canny算子为最适宜边缘特征统计算法的边缘检测手段。Canny边缘检测算法是高斯函数的一阶导数,是对信噪比与定位精度之乘积的最优化逼近算子,其实现原理包括:高斯滤波图象平滑,一阶偏导有限差分梯度的幅值和方向计算,梯度非极大幅值抑制和双阈值算法检测与边缘连接。边缘线检测单元的具体检测过程如下所述。
①平滑图像:
Canny算法首先用二维高斯函数的一阶导数对高分遥感影像进行平滑,设二维高斯函数见(0-1):
梯度矢量见(0-2):
用分解的方法提高速度,把G的2个滤波卷积模板分解为2个一维的行列滤波器见(0-3)和(0-4):
式中,k为常数,e为高斯滤波器参数,它控制着平滑程度。对于e小的滤波器,虽然定位精度高,但信噪比低;e大的情况则相反,因此要根据需要适当的选取高斯滤波器参数e。
②计算梯度的幅值和方向:
传统Canny算法采用2×2邻域一阶偏导的有限差分来计算平滑后的数据阵列I(x,y)的梯度幅值和梯度方向。其中,x和y方向偏导数的2个阵列Px[i,j]和Py[i,j]分别见式(0-5)和(0-6):
Px[i,j]=(I[i,j+1]-I[i,j]+I[i+1,j+1]-I[i+1,j]) (0-15)
Py[i,j]=(I[i,j]-I[i+1,j]+I[i+1,j+1]-I[i+1,j]) (0-16)
像素的梯度幅值和梯度方向用直角坐标到极坐标的坐标转化公式来计算,用二阶范数来计算梯度幅值见式(0-7):
梯度方向见(0-8):
③对梯度幅值进行非极大值抑制:
为了精确定位边缘线,必须细化梯度幅值图像M[i,j]中的屋脊带,只保留幅值局部变化最大的点,这一过程就是非极大值抑制。在非极大值抑制过程中,Canny算法使用3×3大小,包含8方向的邻域对梯度幅值阵列M[i,j]的所有像素沿梯度方向进行梯度幅值的插值。在每一个点上,邻域的中心像素M[i,j]与沿梯度方向的2个梯度幅值的插值结果进行比较,Y[i,j]是像素邻域中心处沿着梯度方向的扇形区域,非极大值抑制在此区域进行。如果邻域中心点的幅值M[i,j]不比梯度方向上的2个插值结果大,则将M[i,j]对应的边缘标志位赋值为0,这一过程把M[i,j]宽屋脊带细化为一个像素宽,并且保留了屋脊的梯度幅值。非极大值抑制(nonmaxima suppression,NMS)过程的数学表示见(0-9):
N[i,j]=NMS(M[i,j],Y[i,j]) (0-19)
④检测和连接边缘:
双阈值算法是对经过非极大值抑制和梯度直方图分类的子图像N[i,j]分别使用高、低2个阈值fh和fl分割得到2个阈值边缘图像Th[i,j]和Tl[i,j]。由于图像Th[i,j]是由高阈值得到,因此它应该不含有假边缘线,但Th[i,j]可能在轮廓上有间断。因此双阈值算法要在Th[i,j]中把边缘线连接成轮廓,当达到轮廓端点时,该算法就在由低阈值得到的边缘图像Tl[i,j]的8邻域位置寻找可以连接到轮廓上的边缘线,这样,利用递归跟踪的算法不断地在Tl[i,j]中搜集边缘线,直到将Th[i,j]中所有的间隙都连接起来为止。
最后对高分遥感影像进行二值化处理,即边缘线赋值为1,背景值赋值为0,从而得到包含边缘线的线条图像。
图像叠加单元用于将线条图像与本底资料进行叠加。
所谓本底资料是提前获取到的高分遥感影像所处区域的土地利用类型资料,其中包括耕地、园地、林地、草地、城镇村及工矿用地、交通运输用地、水域及水利设施用地和其他用地等土地利用类型,其中耕地是梯田最可能存在的区域,作为梯田提取兴趣区域,其他土地利用类型梯田存在可能性小,即将存在梯田可能性小的信息标注在线条图像中。
区域切割单元用于去除非梯田提取兴趣区域的边缘线,得到仅在梯田提取兴趣区域存在边缘线的待处理图像。
即利用线条图像中所标注的信息对边缘检测结果进行裁剪,缩小算法提取的目标范围,以提高检测效率。提取结果示意图见2所示。
窗口分割模块20用于将待处理图像进行分割为多个边长为预设尺寸的正方形窗口。
即将经过剪裁得到的待处理图像进行分割,分割为n*n个正方形窗口,每个正方形窗口的边长为预设尺寸,该预设尺寸的具体数据以每个窗口中能够包含合理数量的边缘线为原则。
边缘线统计模块30用于统计每个正方形窗口的特征值。
具体为对每个正方形窗口中包含有效边缘线的数量进行统计,将统计得到的有效边缘线数量作为该正方形窗口的特征值。该特征值为判断该正方形窗口是否包含梯田的判断依据。
图像切割模块40用于将特征值与预设的特征阈值相匹配的正方形窗口作为梯田窗口予以保留,去除其他正方形窗口。
在得到每个正方形窗口的特征值后,将每个特征值分别于预设的特征阈值进行比较,如果某个正方形窗口的特征值与特征阈值相匹配,则将该正方形窗口作为梯田窗口予以保留;特征值与特征阈值不相匹配的正方形窗口则为非梯田窗口,去除掉非梯田窗口。从而得到仅保留梯田窗口的待处理图像。这里的梯田窗口的含义是指该窗口中的地面为梯田。
上述特征阈值根据预先选择的样本区域中标准样本窗口中的有效线条数并依据特征阈值确定方法计算获得,该标准样本窗口的面积与上述的正方形窗口面积相同。
图像优化模块50用于对包含梯田窗口的待处理图像进行形态优化,得到包含梯田信息的处理后图像。
具体为经过上述步骤处理得到的仅保留梯田窗口的待处理图像进行形态优化,得到符合梯田地物形态特征的处理后图像。具体包括第一图像处理单元和第二图像处理单元。
第一图像处理单元用于对待处理图像进行椒盐现象处理,在进行椒盐现象处理时,通过将待处理图像中每个正方形窗口的上、下、左、右、左上、左下、右上和右下八个方向上的窗口的属性进行对比,如果上述八个窗口中有五个以上窗口与该正方形窗口的属性不同,则重置该正方形窗口的属性,图3为处理前的图像,图3a为处理后的图像。
第二图像处理单元用于对待处理图像进行边缘优化,具体是指通过腐蚀和膨胀的方法将边缘的锯齿去除,最终得到平滑连续、并包含梯田信息的处理后图像,其中,图4为边缘优化前的图像,图4a为边缘优化处理后的图像。
从上述技术方案可以看出,本实施例特提供了一种梯田信息提取系统,具体包括对高分遥感影像内进行边缘检测,获得仅在梯田提取兴趣区域处包含边缘线的待处理图像;将待处理图像进行分割,分割为多个边长为预设尺寸的正方形窗口;对每个正方形窗口所包含的有效边缘线进行统计,将得到的有效边缘线数量作为正方形窗口的特征值;对每个正方形窗口的特征值与预设的特征阈值进行对比,将特征值与特征阈值相匹配的正方形窗口作为梯田窗口,保留梯田窗口,去除其他正方形窗口;对仅保留有梯田窗口的待处理图像进行形态优化,得到平滑连续的包括梯田信息的处理后图像。从而使有关管理部门能够根据本技术方案得到的处理后图像确定一定区域内的梯田信息,并应用该梯田信息开展水土保持综合治理项目监督、管理工作的开展。
另外,本实施例中的特征阈值可以通过人为方式设置阈值,还可以增设用于确定特征阈值的特征阈值获取模块60,参照图7所示。特征阈值获取模块60包括样本区域选取单元61、窗口分割单元62和有效边边缘线统计单元63。
样本区域选取单元61用于将高分遥感图像上叠加耕地信息,然后将叠加有耕地信息的高分遥感图像随机选取样本区域。样本区域的大小视所选窗口大小变化,且单个区域内梯田面积应占样本区域的面积的30~60%,选择样本区域中尽量包含不同种类的梯田,且至少选择三个样本区域,这里仅以一个样本区域进行说明。
样本区域中所包含的梯田类型的不同对提前结果产生的影响主要有:样本区域内梯田纹理越清晰,梯田提取结果越好;样本区域内梯田类型越单一,对该类型梯田的提取效果也好;样本区域内某一类梯田数量越多,对该类型梯田的提取结果越好,具体见表1所示。
窗口分割单元62用于对样本区域进行窗口划分,得到多个标准样本窗口,参见图5所示。标准样本窗口的尺寸要与上述的正方形窗口的尺寸相同。每个标准梯田窗口中至少要包含1~2个完整田面及相邻部分田面,即2~4个有效边缘线。。
有效边缘线统计单元63用于对包含梯田的标准样本窗口和不包含梯田的标准样本窗内的有效边缘的数量分别进行统计,根据特征阈值确定方法,获取特征阈值。。
其中,在具体选取特征阈值时,对全部梯田窗口(WT)和非梯田窗口(WN)内的有效线条数分别进行特征值的计算,参照图5a所示,分别求出两种窗口内线条数目的最大值(max)、最小值(min)、平均值(ave)和标准差(Standard deviation)。
特征阈值(n)的取值或取值范围按照公式(0-10)进行计算:
令WTn1=(WTave-WTsd),WTn2=(WTave+WTsd)
WNn1=(WNave-WNsd),WNn2=(WNave+WNsd)
则:n1=WTave
n2∈[WTn1,WTn2] (0-20)
n3∈[WTn1,WTn2],当WTn1≥WNn2时
n3∈[WNn2,WTn2],当WTn1<WNn2时
n4∈[WTave,WTn2]
式中:
n1,n2,n3,n4为四个特征值;
WTave:梯田窗口有效线条数平均值、WTsd:梯田窗口有效线条数标准差;
WNave:非梯田窗口有效线条数平均值、WNsd:非梯田窗口有效线条数标准差;
WTn1和WTn2:表示距离WTave左右各一个WTsd距离的值;WNn1和WNn2:表示距离WNave左右各一个WNsd距离的值;n1,n2,n3,n4为四个初步特征阈值。
特征阈值确定:由(0-10)可以得出四个初步的特征值n1~n4,用于算法的窗口属性的判定。将特征值分别带入全图的窗口属性判定,显示结果并由人为判断最适宜的特征阈值。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者终端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、物品或者终端设备所固有的要素。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、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的技术方案进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种梯田信息提取方法,其特征在于,具体包括步骤:
对高分遥感影像内进行边缘检测,获得仅在梯田提取兴趣区域包含边缘线的待处理图像;
将待处理图像进行分割,分割为多个边长为预设尺寸的正方形窗口;
对每个所述正方形窗口所包含的有效边缘线进行统计,将得到的有效边缘线数量作为所述正方形窗口的特征值;
对每个所述正方形窗口的特征值与预设的特征阈值进行对比,将特征值与所述特征阈值相匹配的正方形窗口作为梯田窗口,保留所述梯田窗口,去除其他正方形窗口;
对仅保留有所述梯田窗口的待处理图像进行形态优化,得到平滑连续的包括梯田信息的处理后图像。
2.如权利要求1所述的梯田信息提取方法,其特征在于,所述对高分遥感影像内进行边缘检测,获得仅在梯田提取兴趣区域包含边缘线的待处理图像,包括:
利用canny算子对所述高分遥感影像进行边缘线检测,获得包含边缘线的线条图像;
将所述线条图像与本底资料进行叠加;
根据所述本底资料的信息去除非梯田提取兴趣区域的边缘线,得到仅在所述梯田提取兴趣区域处包含所述边缘线的待处理图像。
3.如权利要求1所述的梯田信息提取方法,其特征在于,所述的对仅保留有所述梯田窗口的待处理图像进行形态优化,得到平滑连续的包括梯田信息的处理后图像,包括:
对所述待处理图像进行椒盐现象处理;
对进行椒盐现象处理后的待处理图像的图像边缘进行优化,得到所述处理后图像。
4.如权利要求3所述的梯田信息提取方法,其特征在于,所述对进行椒盐现象处理后的待处理图像的图像边缘进行优化,得到所述处理后图像,包括:
对所述图像边缘进行腐蚀和膨胀,得到所述处理后图像。
5.如权利要求1~4任一项所述的梯田信息提取方法,其特征在于,所述特征阈值的获取方法包括:
在叠加有耕地信息的高分遥感图像上随机选取样本区域,所述样本区域内的不同种类梯田的梯田面积占所述样区域的总面积的30~60%;
按与所述正方形窗口相同的规格对所述样本区域进行窗口划分,得到多个标准样本窗口;
对标准样本窗口中包含梯田的标准样本窗口和不包含梯田的标准样本窗内的有效边缘的数量分别进行统计,根据特征阈值确定方法,获取特征阈值。
6.一种梯田信息提取系统,其特征在于,具体包括:
边缘检测模块,用于对高分遥感影像内进行边缘检测,获得仅在梯田提取兴趣区域处包含边缘线的待处理图像;
窗口分割模块,用于将待处理图像进行分割,分割为多个边长为预设尺寸的正方形窗口;
有效边缘线统计模块,用于对每个所述正方形窗口所包含的有效边缘线进行统计,将得到的有效边缘线数量作为所述正方形窗口的特征值;
图像切割模块,用于对每个所述正方形窗口的特征值与预设的特征阈值进行对比,将特征值与所述特征阈值相匹配的正方形窗口作为梯田窗口,保留所述梯田窗口,去除其他正方形窗口;
图像优化模块,用于对仅保留有所述梯田窗口的待处理图像进行形态优化,得到平滑连续的包括梯田信息的处理后图像。
7.如权利要求6所述的梯田信息提取系统,其特征在于,所述边缘检测模块包括:
边缘线检测单元,用于利用canny算子对所述高分遥感影像进行边缘线检测,获得包含边缘线的线条图像;
图像叠加单元,用于将所述线条图像与本底资料进行叠加;
区域切割单元,用于根据所述本底资料的信息去除非梯田提取兴趣区域的边缘线,得到仅在所述梯田提取兴趣区域处包含所述边缘线的待处理图像。
8.如权利要求6所述的梯田信息提取系统,其特征在于,所述图像优化模块包括:
第一图像处理单元,用于对所述待处理图像进行椒盐现象处理;
第二图像处理单元,用于对进行椒盐现象处理后的待处理图像的图像边缘进行优化,得到所述处理后图像。
9.如权利要求8所述的梯田信息提取系统,其特征在于,所述第二图像处理单元用于对所述图像边缘进行腐蚀和膨胀,得到所述处理后图像。
10.如权利要求6~9任一项所述的梯田信息提取系统,其特征在于,还包括特征阈值获取模块,所述特征阈值获取模块包括:
样本区域选取单元,用于在叠加有耕地信息的高分遥感图像上随机选取样本区域,所述样本区域内的不同种类梯田的梯田面积占所述样区域的总面积的30~60%;
窗口分割单元,用于按与所述正方形窗口相同的规格对所述样本区域进行窗口划分,得到多个标准样本窗口;
有效边缘线统计单元,用于对包含梯田的标准样本窗口和不包含梯田的标准样本窗内的有效边缘线的数量分别进行统计,根据特征阈值确定方法,获取特征阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610783181.9A CN106447510A (zh) | 2016-08-30 | 2016-08-30 | 一种梯田信息提取方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610783181.9A CN106447510A (zh) | 2016-08-30 | 2016-08-30 | 一种梯田信息提取方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106447510A true CN106447510A (zh) | 2017-02-22 |
Family
ID=58090385
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610783181.9A Pending CN106447510A (zh) | 2016-08-30 | 2016-08-30 | 一种梯田信息提取方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106447510A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107067384A (zh) * | 2017-04-12 | 2017-08-18 | 南京师范大学 | 一种基于射线法的黄土高原梯田提取方法 |
CN107358616A (zh) * | 2017-06-30 | 2017-11-17 | 西安电子科技大学 | 基于各向异性形态学方向比率的sar图像边缘检测方法 |
CN110211128A (zh) * | 2019-05-06 | 2019-09-06 | 南京泛在地理信息产业研究院有限公司 | 基于遥感影像和dem的黄土高原梯田提取方法 |
CN113221788A (zh) * | 2021-05-21 | 2021-08-06 | 广东省科学院广州地理研究所 | 一种田块垄作特征提取方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101359371A (zh) * | 2008-07-30 | 2009-02-04 | 上海同盛工程建设配套管理有限公司 | 基于数字高程模型的建筑物自动提取的方法 |
CN101520896A (zh) * | 2009-03-30 | 2009-09-02 | 中国电子科技集团公司第十研究所 | 利用光学遥感影像自动检测云层干扰舰船目标的方法 |
CN103984946A (zh) * | 2014-05-23 | 2014-08-13 | 北京联合大学 | 一种基于K-means的高分辨率遥感地图道路提取方法 |
CN104182754B (zh) * | 2014-08-19 | 2015-08-19 | 山东临沂烟草有限公司 | 一种基于高分辨率遥感影像的农村居民点信息提取方法 |
CN105488787A (zh) * | 2015-11-24 | 2016-04-13 | 江苏科技大学 | 基于几何活动轮廓模型的遥感图像海岸线检测方法 |
-
2016
- 2016-08-30 CN CN201610783181.9A patent/CN106447510A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101359371A (zh) * | 2008-07-30 | 2009-02-04 | 上海同盛工程建设配套管理有限公司 | 基于数字高程模型的建筑物自动提取的方法 |
CN101520896A (zh) * | 2009-03-30 | 2009-09-02 | 中国电子科技集团公司第十研究所 | 利用光学遥感影像自动检测云层干扰舰船目标的方法 |
CN103984946A (zh) * | 2014-05-23 | 2014-08-13 | 北京联合大学 | 一种基于K-means的高分辨率遥感地图道路提取方法 |
CN104182754B (zh) * | 2014-08-19 | 2015-08-19 | 山东临沂烟草有限公司 | 一种基于高分辨率遥感影像的农村居民点信息提取方法 |
CN105488787A (zh) * | 2015-11-24 | 2016-04-13 | 江苏科技大学 | 基于几何活动轮廓模型的遥感图像海岸线检测方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107067384A (zh) * | 2017-04-12 | 2017-08-18 | 南京师范大学 | 一种基于射线法的黄土高原梯田提取方法 |
CN107067384B (zh) * | 2017-04-12 | 2019-08-16 | 南京师范大学 | 一种基于射线法的黄土高原梯田提取方法 |
CN107358616A (zh) * | 2017-06-30 | 2017-11-17 | 西安电子科技大学 | 基于各向异性形态学方向比率的sar图像边缘检测方法 |
CN107358616B (zh) * | 2017-06-30 | 2020-04-14 | 西安电子科技大学 | 基于各向异性形态学方向比率的sar图像边缘检测方法 |
CN110211128A (zh) * | 2019-05-06 | 2019-09-06 | 南京泛在地理信息产业研究院有限公司 | 基于遥感影像和dem的黄土高原梯田提取方法 |
CN110211128B (zh) * | 2019-05-06 | 2023-02-17 | 南京泛在地理信息产业研究院有限公司 | 基于遥感影像和dem的黄土高原梯田提取方法 |
CN113221788A (zh) * | 2021-05-21 | 2021-08-06 | 广东省科学院广州地理研究所 | 一种田块垄作特征提取方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8488845B1 (en) | Semi-automatic extraction of linear features from image data | |
CN106447510A (zh) | 一种梯田信息提取方法和系统 | |
CN103714538B (zh) | 道路边缘检测方法、装置及车辆 | |
CN104463164B (zh) | 一种基于伞骨法与冠高比的树木冠层结构信息提取方法 | |
CN106384081A (zh) | 一种基于高分辨率遥感影像的坡耕地提取方法和系统 | |
CN107958183A (zh) | 一种高分辨率遥感图像的城市路网信息自动提取方法 | |
CN102103202A (zh) | 一种融合影像的机载激光雷达数据半监督分类方法 | |
CN107644452A (zh) | 机载LiDAR点云屋顶面片分割方法及系统 | |
CN107679498A (zh) | 一种机载激光点云城区道路识别方法 | |
CN103714549B (zh) | 基于快速局部匹配的立体图像对象分割方法 | |
EP3341753B1 (en) | Method for identifying individual trees in airborne lidar data and corresponding computer program product | |
CN103559493A (zh) | 一种线状地物的提取方法 | |
CN103206957B (zh) | 车辆自主导航的车道线检测与跟踪方法 | |
CN104899329B (zh) | 一种采用最小外矩形框进行宗地四至查找的方法 | |
CN104820991A (zh) | 一种基于代价矩阵的多重软约束立体匹配方法 | |
KR100857529B1 (ko) | 라이다 자료로부터 건물 경계의 추출방법 | |
CN104850853B (zh) | 城市快速提取方法及装置 | |
CN113379919A (zh) | 一种基于无人机rgb相机的植被冠层高度快速提取方法 | |
CN109766824A (zh) | 基于模糊证据理论的主被动遥感数据融合分类方法 | |
CN115205690A (zh) | 基于mls点云数据的行道树单体化提取方法及装置 | |
CN113593040B (zh) | 一种堤防护坡植被异常生长病害识别方法及系统 | |
CN103824259A (zh) | 一种基于视觉区域比重平衡法则的图像构图美化方法和系统 | |
CN109241369B (zh) | 基于网格延展法的降雨等值线构建方法 | |
Johansen et al. | Object-based monitoring of gully extent and volume in north Australia using LiDAR data | |
Al-Muqdadi et al. | Automated watershed evaluation of flat terrain |
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: 20170222 |