CN106875481A - 一种三维可视化遥感影像地表分类模型的制作方法 - Google Patents

一种三维可视化遥感影像地表分类模型的制作方法 Download PDF

Info

Publication number
CN106875481A
CN106875481A CN201611271114.5A CN201611271114A CN106875481A CN 106875481 A CN106875481 A CN 106875481A CN 201611271114 A CN201611271114 A CN 201611271114A CN 106875481 A CN106875481 A CN 106875481A
Authority
CN
China
Prior art keywords
remote sensing
classification
sensing image
region
segmentation
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.)
Granted
Application number
CN201611271114.5A
Other languages
English (en)
Other versions
CN106875481B (zh
Inventor
胡煜
王
王一
李宇光
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Space Star Technology (beijing) Co Ltd
Original Assignee
Space Star Technology (beijing) Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Space Star Technology (beijing) Co Ltd filed Critical Space Star Technology (beijing) Co Ltd
Priority to CN201611271114.5A priority Critical patent/CN106875481B/zh
Publication of CN106875481A publication Critical patent/CN106875481A/zh
Application granted granted Critical
Publication of CN106875481B publication Critical patent/CN106875481B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30184—Infrastructure

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Remote Sensing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Graphics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Processing (AREA)

Abstract

一种三维可视化遥感影像地表分类模型的制作方法：选定研究区域，获取覆盖所述研究区域的遥感影像数据；对所述遥感影像进行预处理，获得预处理后的遥感图像；进行地表覆盖分类信息的计算机自动提取，生成自动分类的地表分类图；获取覆盖所述研究区域的数字高程模型DEM数据；结合数字高程模型DEM，对所述地表分类图进行人工修正；采用DEM数据融合处理技术，将所述DEM数据与地表分类图数据进行融合处理，生成三维可视化遥感影像地表分类模型；本发明将平面遥感图像与DEM相结合，高精度多源数据融合，在建立的地表分类识别与判读专家参与下，基于精确的分类识别方法，建立三维可视化遥感影像地表分类模型，实现快速精准分类及达到三维可视化的效果。

Description

一种三维可视化遥感影像地表分类模型的制作方法
技术领域
本技术适用于地理信息系统制图领域，具体说是一种三维可视化遥感影像地表分类模型的制作方法。
背景技术
随着数字城市、数字国土和数字地球等一系列地理信息系统的实施与发展，遥感图像以其所含的丰富信息量和直观的表达，为人类从多视角与多尺度认识地球提供新的方法与新手段，Landsat TM影像具较高空间分辨率、波谱分辨率、极为丰富的信息量和较高定位精度，能满足有关农、林、水、土、地质、地理、测绘、区域规划、环境监测等专题分析和编制1∶10万或更大比例尺专题图，修测中小比例尺地图的要求。但传统的遥感影像图，在目视判读中多造成错觉，特别是没有遥感背景知识的人往往把河流看成山脊、把山脊看成河流，应用起来给人们造成很大的麻烦。而以数字高程模型(DEM)为高程的三维遥感影像虽有很大的优越性，但在描述二维信息方面很不方便。
发明内容
针对现有的缺陷或不足，本发明提供了一种三维可视化遥感影像地表分类模型的制作方法，其特征在于，包括下列步骤：
步骤1，选定研究区域，获取覆盖所述研究区域的遥感影像数据；
步骤2，对所述遥感影像进行预处理，获得预处理后的遥感图像；
步骤3，进行地表覆盖分类信息的计算机自动提取，生成自动分类的地表分类图；
步骤4，获取覆盖所述研究区域的数字高程模型DEM数据；
步骤5，结合数字高程模型DEM，对所述地表分类图进行人工修正；
步骤6，采用DEM数据融合处理技术，将所述DEM数据与地表分类图数据进行融合处理，生成三维可视化遥感影像地表分类模型；
优选地，其中，所述步骤1，获取的遥感影像数据为T M影像。
优选地，其中，所述步骤2，对所述遥感影像进行预处理包括：几何校正、图像增强、图像镶嵌。
优选地，其中，所述步骤3，对遥感图像进行地表覆盖分类信息的计算机自动提取，具体为：
步骤3-1，针对研究区域范围，设置分割尺度，对所述遥感影像进行影像分割，得到多个待分类区域；
步骤3-2，提取各待分类区域的光谱、形状、纹理特征信息；
步骤3-3，采集所述遥感影像中所具有的全部地表类型作为影像分类的依据，将每一类型的样本采集数据输入到分割矢量结果中，并对样本点所在区域的属性进行属性标注；
步骤3-4，选择分类算法和相应参数，执行遥感影像的地表自动分类。
优选地，其中，所述步骤3-1，所述分割尺度的确定根据地形的复杂程度来确定的，影像分割的尺度决定着分割的图斑的细化程度，分割尺度越小则图斑分割得越精细，在地形相对单一的地域采用的大分割尺度,反之则设置小的分割尺度。
优选地，其中，所述步骤3-4，采用的分类算法为：针对每个分割后的待分类区域i，分别求取其与各已知地表类型的样本区域j之间的相关性C，全部地表类型为n类，其中，
其中，Xi为待分类区域i的光谱特征值，为待分类区域i的光谱特征平均值，Xj为样本区域j的光谱特征值，为样本区域j的光谱特征平均值，Si为待分类区域i的像素面积，Sj为样本区域j的像素面积，a为调节参数。
对于每一个待分类区域i，分别计算得到其与n个类型的样本区域j之间的n个相关性数值，选取所述n个相关性数值中数值最大且大于0的相关性所对应地表类型，将该待分类区域i归类于所述地表类型；如果其所有n个相关性数值都小于0，则把该待分类区域i设置为未知分类。
对于每一个待分类区域i，分别计算得到其与n个类型的样本区域j之间的n个相关性数值，选取所述n个相关性数值中数值最大且大于0的相关性所对应地表类型，将该待分类区域i归类于所述地表类型；如果其所有n个相关性数值都小于0，则把该待分类区域i设置为未知分类。
优选地，其中，所述步骤3-2，所述光谱特征包括亮度、饱和度或色调，所述形状特征包括协方差、像素面积、周长、长宽比、宽度、高度和密度。
优选地，其中，所述步骤5，结合数字高程模型DEM，对所述地表分类图进行人工修正，具体包括：参考DEM中的地表高程信息以及遥感影像中地表形状、纹理特征，对未知分类的待分类区域进行人工地表分类，并对计算机自动分类的地表分类进行进一步的人工修正，修正操作包括：修改分类属性，剔除小图斑，修改图斑边界，合并相邻同属性的图斑等。
本发明将平面遥感图像与DEM相结合，高精度多源数据融合，在建立的地表分类识别与判读专家参与下，基于精确的分类识别方法，建立三维可视化遥感影像地表分类模型，实现快速精准分类及达到三维可视化的效果。
附图说明
图1本发明所提出的方法流程图。
具体实施方式
为了更好地理解本发明，下面结合附图参考实施例的描述，对本发明的方法进行进一步的说明。
为了全面理解本发明，在以下详细描述中提到了众多具体细节。但是本领域技术人员应该理解，本发明可以无需这些具体细节而实现。在实施例中，不详细描述公知的方法、过程、组件，以免不必要地使实施例繁琐。
参见图1所示，本发明的一种三维可视化遥感影像地表分类模型的制作方法，其特征在于，包括下列步骤：
步骤1，选定研究区域，获取覆盖所述研究区域的遥感影像数据；
步骤2，对所述遥感影像进行预处理，获得预处理后的遥感图像；
步骤3，进行地表覆盖分类信息的计算机自动提取，生成自动分类的地表分类图；
步骤4，获取覆盖所述研究区域的数字高程模型DEM数据；
步骤5，结合数字高程模型DEM，对所述地表分类图进行人工修正；
步骤6，采用DEM数据融合处理技术，将所述DEM数据与地表分类图数据进行融合处理，生成三维可视化遥感影像地表分类模型；
优选地，其中，所述步骤1，获取的遥感影像数据为T M影像。
优选地，其中，所述步骤2，对所述遥感影像进行预处理包括：几何校正、图像增强、图像镶嵌。
优选地，其中，所述步骤3，对遥感图像进行地表覆盖分类信息的计算机自动提取，具体为：
步骤3-1，针对研究区域范围，设置分割尺度，对所述遥感影像进行影像分割，得到多个待分类区域；
步骤3-2，提取各待分类区域的光谱、形状、纹理特征信息；
步骤3-3，采集所述遥感影像中所具有的全部地表类型作为影像分类的依据，将每一类型的样本采集数据输入到分割矢量结果中，并对样本点所在区域的属性进行属性标注；
步骤3-4，选择分类算法和相应参数，执行遥感影像的地表自动分类。
优选地，其中，所述步骤3-1，所述分割尺度的确定根据地形的复杂程度来确定的，影像分割的尺度决定着分割的图斑的细化程度，分割尺度越小则图斑分割得越精细，在地形相对单一的地域采用的大分割尺度,反之则设置小的分割尺度。
优选地，其中，所述步骤3-4，采用的分类算法为：针对每个分割后的待分类区域i，分别求取其与各已知地表类型的样本区域j之间的相关性C，全部地表类型为n类，其中，
其中，Xi为待分类区域i的光谱特征值，为待分类区域i的光谱特征平均值，Xj为样本区域j的光谱特征值，为样本区域j的光谱特征平均值，Si为待分类区域i的像素面积，Sj为样本区域j的像素面积，a为调节参数。
对于每一个待分类区域i，分别计算得到其与n个类型的样本区域j之间的n个相关性数值，选取所述n个相关性数值中数值最大且大于0的相关性所对应地表类型，将该待分类区域i归类于所述地表类型；如果其所有n个相关性数值都小于0，则把该待分类区域i设置为未知分类。
对于每一个待分类区域i，分别计算得到其与n个类型的样本区域j之间的n个相关性数值，选取所述n个相关性数值中数值最大且大于0的相关性所对应地表类型，将该待分类区域i归类于所述地表类型；如果其所有n个相关性数值都小于0，则把该待分类区域i设置为未知分类。
优选地，其中，所述步骤3-2，所述光谱特征包括亮度、饱和度或色调，所述形状特征包括协方差、像素面积、周长、长宽比、宽度、高度和密度。
优选地，其中，所述步骤5，结合数字高程模型DEM，对所述地表分类图进行人工修正，具体包括：参考DEM中的地表高程信息以及遥感影像中地表形状、纹理特征，对未知分类的待分类区域进行人工地表分类，并对计算机自动分类的地表分类进行进一步的人工修正，修正操作包括：修改分类属性，剔除小图斑，修改图斑边界，合并相邻同属性的图斑等。
可见，本发明将平面遥感图像与DEM相结合，高精度多源数据融合，在建立的地表分类识别与判读专家参与下，基于精确的分类识别方法，建立三维可视化遥感影像地表分类模型，实现快速精准分类及达到三维可视化的效果。
这里只说明了本发明的优选实施例，但其意并非限制本发明的范围、适用性和配置。相反，对实施例的详细说明可使本领域技术人员得以实施。应能理解，在不偏离所附权利要求书确定的本发明精神和范围情况下，可对一些细节做适当变更和修改。

Claims (8)

1.一种三维可视化遥感影像地表分类模型的制作方法，其特征在于：
步骤1，选定研究区域，获取覆盖所述研究区域的遥感影像数据；
步骤2，对所述遥感影像进行预处理，获得预处理后的遥感图像；
步骤3，进行地表覆盖分类信息的计算机自动提取，生成自动分类的地表分类图；
步骤4，获取覆盖所述研究区域的数字高程模型DEM数据；
步骤5，结合数字高程模型DEM，对所述地表分类图进行人工修正；
步骤6，采用DEM数据融合处理技术，将所述DEM数据与地表分类图数据进行融合处理，生成三维可视化遥感影像地表分类模型。
2.根据权利要求1所述的方法，其中，所述步骤1，获取的遥感影像数据为TM影像。
3.根据权利要求1所述的方法，其中，所述步骤2，对所述遥感影像进行预处理包括：几何校正、图像增强、图像镶嵌。
4.根据权利要求1所述的方法，其中，所述步骤3，对遥感图像进行地表覆盖分类信息的计算机自动提取，具体为：
步骤3-1，针对研究区域范围，设置分割尺度，对所述遥感影像进行影像分割，得到多个待分类区域；
步骤3-2，提取各待分类区域的光谱、形状、纹理特征信息；
步骤3-3，采集所述遥感影像中所具有的全部地表类型作为影像分类的依据，将每一类型的样本采集数据输入到分割矢量结果中，并对样本点所在区域的属性进行属性标注；
步骤3-4，选择分类算法和相应参数，执行遥感影像的地表自动分类。
5.根据权利要求1所述的方法，其中，所述步骤3-1，所述分割尺度的确定根据地形的复杂程度来确定的，影像分割的尺度决定着分割的图斑的细化程度，分割尺度越小则图斑分割得越精细，在地形相对单一的地域采用的大分割尺度，反之则设置小的分割尺度。
6.根据权利要求1所述的方法，其中，所述步骤3-4，采用的分类算法为：针对每个分割后的待分类区域i，分别求取其与各已知地表类型的样本区域j之间的相关性C，全部地表类型为n类，其中，
其中，Xi为待分类区域i的光谱特征值，为待分类区域i的光谱特征平均值，Xj为样本区域j的光谱特征值，为样本区域j的光谱特征平均值，Si为待分类区域i的像素面积，Sj为样本区域j的像素面积，a为调节参数。
7.根据权利要求1或6所述的方法，其中，所述步骤3-2，所述光谱特征包括亮度、饱和度或色调，所述形状特征包括协方差、像素面积、周长、长宽比、宽度、高度和密度。
8.根据权利要求4所述的方法，其中，所述步骤5，结合数字高程模型DEM，对所述地表分类图进行人工修正，具体包括：参考DEM中的地表高程信息以及遥感影像中地表形状、纹理特征，对未知分类的待分类区域进行人工地表分类，并对计算机自动分类的地表分类进行进一步的人工修正，修正操作包括：修改分类属性，剔除小图斑，修改图斑边界，合并相邻同属性的图斑等。
CN201611271114.5A 2016-12-30 2016-12-30 一种三维可视化遥感影像地表分类模型的制作方法 Active CN106875481B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611271114.5A CN106875481B (zh) 2016-12-30 2016-12-30 一种三维可视化遥感影像地表分类模型的制作方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611271114.5A CN106875481B (zh) 2016-12-30 2016-12-30 一种三维可视化遥感影像地表分类模型的制作方法

Publications (2)

Publication Number Publication Date
CN106875481A true CN106875481A (zh) 2017-06-20
CN106875481B CN106875481B (zh) 2019-04-02

Family

ID=59165603

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611271114.5A Active CN106875481B (zh) 2016-12-30 2016-12-30 一种三维可视化遥感影像地表分类模型的制作方法

Country Status (1)

Country Link
CN (1) CN106875481B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107861129A (zh) * 2017-10-31 2018-03-30 中国铁路设计集团有限公司 一种山地地貌遥感提取方法
CN109712223A (zh) * 2017-10-26 2019-05-03 北京大学 一种基于纹理合成的三维模型自动上色方法
CN109872389A (zh) * 2017-12-01 2019-06-11 核工业北京地质研究院 一种基于三维地表模型的遥感地质构造解译方法
CN110136219A (zh) * 2019-04-17 2019-08-16 太原理工大学 一种基于多源数据融合的二三维地图展示方法
CN113450456A (zh) * 2021-06-28 2021-09-28 中国水利水电科学研究院 高可识别度的dem制作方法
CN113689352A (zh) * 2021-08-25 2021-11-23 闫殿武 一种遥感影像图制品及其制作方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090252424A1 (en) * 2008-04-03 2009-10-08 Hitachi, Ltd. Computer-aided image interpretation method and device
CN101930547A (zh) * 2010-06-24 2010-12-29 北京师范大学 一种基于面向对象的无监督分类的遥感影像自动分类方法
CN101950361A (zh) * 2010-09-06 2011-01-19 中国科学院遥感应用研究所 一种基于光谱匹配度的遥感影像专题信息自适应提取方法
CN102063720A (zh) * 2011-01-06 2011-05-18 西安电子科技大学 基于Treelets的遥感图像变化检测方法
CN103093233A (zh) * 2012-12-03 2013-05-08 中国环境科学研究院 一种基于面向对象的高分辨率遥感影像森林分类方法
CN104751166A (zh) * 2013-12-30 2015-07-01 中国科学院深圳先进技术研究院 基于光谱角和欧氏距离的遥感影像分类方法
CN105528793A (zh) * 2016-01-12 2016-04-27 北京建筑大学 一种高空间分辨率遥感影像的分割方法及系统
CN105989322A (zh) * 2015-01-27 2016-10-05 同济大学 一种基于高分辨率遥感影像的多指标融合滑坡检测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090252424A1 (en) * 2008-04-03 2009-10-08 Hitachi, Ltd. Computer-aided image interpretation method and device
CN101930547A (zh) * 2010-06-24 2010-12-29 北京师范大学 一种基于面向对象的无监督分类的遥感影像自动分类方法
CN101950361A (zh) * 2010-09-06 2011-01-19 中国科学院遥感应用研究所 一种基于光谱匹配度的遥感影像专题信息自适应提取方法
CN102063720A (zh) * 2011-01-06 2011-05-18 西安电子科技大学 基于Treelets的遥感图像变化检测方法
CN103093233A (zh) * 2012-12-03 2013-05-08 中国环境科学研究院 一种基于面向对象的高分辨率遥感影像森林分类方法
CN104751166A (zh) * 2013-12-30 2015-07-01 中国科学院深圳先进技术研究院 基于光谱角和欧氏距离的遥感影像分类方法
CN105989322A (zh) * 2015-01-27 2016-10-05 同济大学 一种基于高分辨率遥感影像的多指标融合滑坡检测方法
CN105528793A (zh) * 2016-01-12 2016-04-27 北京建筑大学 一种高空间分辨率遥感影像的分割方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李小曼 等: "DEM支持的黄土丘陵沟壑区地被遥感分类方法", 《水土保持研究》 *
林栋 等: "高分辨率遥感影像多特征协同地物分类方法", 《测绘科学技术学报 》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109712223A (zh) * 2017-10-26 2019-05-03 北京大学 一种基于纹理合成的三维模型自动上色方法
CN109712223B (zh) * 2017-10-26 2020-11-03 北京大学 一种基于纹理合成的三维模型自动上色方法
CN107861129A (zh) * 2017-10-31 2018-03-30 中国铁路设计集团有限公司 一种山地地貌遥感提取方法
CN109872389A (zh) * 2017-12-01 2019-06-11 核工业北京地质研究院 一种基于三维地表模型的遥感地质构造解译方法
CN110136219A (zh) * 2019-04-17 2019-08-16 太原理工大学 一种基于多源数据融合的二三维地图展示方法
CN113450456A (zh) * 2021-06-28 2021-09-28 中国水利水电科学研究院 高可识别度的dem制作方法
CN113450456B (zh) * 2021-06-28 2023-10-03 中国水利水电科学研究院 高可识别度的dem制作方法
CN113689352A (zh) * 2021-08-25 2021-11-23 闫殿武 一种遥感影像图制品及其制作方法

Also Published As

Publication number Publication date
CN106875481B (zh) 2019-04-02

Similar Documents

Publication Publication Date Title
CN106875481A (zh) 一种三维可视化遥感影像地表分类模型的制作方法
CN101840581B (zh) 一种从卫星遥感影像中提取建筑物轮廓的方法
Woodcock et al. Mapping forest vegetation using Landsat TM imagery and a canopy reflectance model
Pedergnana et al. Classification of remote sensing optical and LiDAR data using extended attribute profiles
Kavzoglu et al. Parameter-based performance analysis of object-based image analysis using aerial and Quikbird-2 images
Jasiewicz et al. Landscape similarity, retrieval, and machine mapping of physiographic units
CN103218787B (zh) 多源异构遥感影像控制点自动采集方法
CN103646246A (zh) 一种基于决策树模型的多光谱遥感影像河流信息提取方法
CN107657207B (zh) 一种基于遥感影像的林地分类方法
CN109840553A (zh) 耕地作物类型的提取方法及系统、存储介质、电子设备
CN107330422A (zh) 一种基于高精度数字高程模型对半干旱地区进行微地形分类的方法
CN104318051B (zh) 基于规则的大范围水体信息遥感自动提取系统及方法
US11170215B1 (en) System and method for discriminating and demarcating targets of interest in a physical scene
Iovan et al. Detection, characterization, and modeling vegetation in urban areas from high-resolution aerial imagery
Munyati Optimising multiresolution segmentation: Delineating savannah vegetation boundaries in the Kruger National Park, South Africa, using Sentinel 2 MSI imagery
Ge et al. Deep residual network-based fusion framework for hyperspectral and LiDAR data
CN104462526A (zh) 面向高分辨率遥感影像的多人在线协同快速矢量化方法
Bin et al. Parcel-based change detection in land-use maps by adopting the holistic feature
CN101403796A (zh) 城区地面不透水性程度分析制图方法
CN105205801A (zh) 基于变化检测的围填海信息提取方法及装置
CN109635828A (zh) 一种生态保护红线区典型地理国情要素提取系统及方法
Kim et al. Generation of a DTM and building detection based on an MPF through integrating airborne lidar data and aerial images
Brandtberg et al. High-spatial-resolution remote sensing
CN114463621A (zh) 现代沉积源-汇系统遥感定量分析方法及装置
Hirschmugl Derivation of forest parameters from UltracamD data

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 101399 No. 2 East Airport Road, Shunyi Airport Economic Core Area, Beijing (1st, 5th and 7th floors of Industrial Park 1A-4)

Applicant after: Zhongke Star Map Co., Ltd.

Address before: 101399 Building 1A-4, National Geographic Information Technology Industrial Park, Guomen Business District, Shunyi District, Beijing

Applicant before: Space Star Technology (Beijing) Co., Ltd.

GR01 Patent grant
GR01 Patent grant