CN107516100A - 一种基于高程形态学建筑物指数的影像建筑物提取方法 - Google Patents
一种基于高程形态学建筑物指数的影像建筑物提取方法 Download PDFInfo
- Publication number
- CN107516100A CN107516100A CN201710773822.7A CN201710773822A CN107516100A CN 107516100 A CN107516100 A CN 107516100A CN 201710773822 A CN201710773822 A CN 201710773822A CN 107516100 A CN107516100 A CN 107516100A
- Authority
- CN
- China
- Prior art keywords
- mrow
- building
- image
- morphology
- elevation
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
Abstract
本发明公开了一种基于高程形态学建筑物指数的影像建筑物提取方法，包括以下步骤：A：影像预处理，对需要进行建筑物提取的影像进行预处理以便生成输入影像dsm；B：根据输入影像dsm构建高程形态学建筑物指数DMBI，采用建筑物属性与形态学运算之间的关系构建高程形态学建筑物指数DMBI，得到高程形态学建筑物指数DMBI特征影像，C：将高程形态学建筑物指数DMBI进行阀值分类，用于区分建筑物和其他地物从而提取建筑物。采用本发明可以更好的将建筑物提取。
Description
技术领域
本发明属于遥感影像信息提取技术，具体涉及一种基于高程形态学建筑物指数的影像建筑物提取方法。
背景技术
在高分影像中地物的空间、纹理等信息得到增强，但光谱信息减弱。高分影像建筑物自动提取面临着较大的困难。首先，在于遥感影像是二维的而现实中建筑物是三维的；其次，建筑物这一类别特征复杂。不同年代、不同材质的建筑物在影像中表现出不同的颜色纹理，很难找到统一的模型进行建筑物提取；再者建筑物材料的不同、传感器的不同、阳光的强弱等因素都会造成光谱的差异，即出现“同物异谱”和“同谱异物”现象；最后，建筑本身或其他地物都会形成阴影，与部分建筑光谱特征相似，造成干扰。总之，以上因素决定了建筑物提取特征要比水体、道路等地物更困难。高分影像的建筑物提取技术还在不断的探索提升中。主要方法可以分为以下两类。
第一类是基于像元分类的方法。基于像元的信息提取方法通常分为非监督分类和监督分类，根据事先是否已知道类别的先验知识来划分的。非监督分类在分类前没有任何先验知识，仅依据地物在影像中的光谱特征进行分类，包括K-MEANS算法、ISODATE算法、K-MEANS改进算法等。而监督分类在分类前需要提取各种已知分类类别的训练样本，然后再选择判别函数或判别规则进行分类，主要包括最小距离法、最大似然法、BP神经网络、决策树、规则集等。这些基于像素的信息提取方法自提出来，便经过了许多研究学者的进一步研究和改进，促进了建筑物提取技术的发展进步。然而，自从ICONOS、QUICKBIRD等高分辨率影像广泛应用，传统基于像素的方法就面临了一些挑战，针对情况，一些学者考虑结合地物的空间特征来实现建筑物的提取。XIA L提出了一种利用形状信息用于监督分类的改进方法，提高了提取结果的精度。Sanghamitra在图像分类中提出一种全局优化算法(遗传算法)。SALIE和KARATHAN ASSI基于像素的信息提取方法的基础上，结合上下文和纹理信息来进行分类，得到较好的分类结果，提高了分类的精度。
由于基于像素的提取方法没有考虑象元之间的相关性，没有充分利用空间信息。很难解决“同物异谱”和“同谱异物”问题，可以通过光谱信息结合形状纹理等辅助能够提高精度，然而，在很多情况下，只有图像被分割为同质对象时，图像分析的结果才有意义。所以就出现了第二类基于对象的提取方法。面向对象的方法的主体思想是对图像分割得到的小区域进行处理。Atz M与于2000年提出区域合并分割技术并被引入eCognition，这一研究在图像处理进程中有重要的意义。自此面向对象图像分析方法开始受到人们的关注和欢迎。王贺等人对SEaTH分割阈值算法进行了优化并应用于研究区，实验证明改进后的方法筛选出的特征在提取地物上更为有效。2001年Hofmallne对高分辨率影像中的非正式居民地进行面向对象的分类识别，综合利用了对象的光谱、纹理、形状信息。得到的分类结果有较高的精度。JIN X提出了一种利用结构信息、上下文信息和光谱信息3种信息整合自动提取建筑物的方法。谭衢霖应用模糊逻辑分类器结合光谱、空间、纹理和上下文特征等知识规则进行建筑物分类。Hackelford和Davis对面向像元与像素的两种类型的分类方法进行了对比。黄昕等提出了一个基于SVM的集成方法，该方法将面向对象和基于像素的方法结合起来实现建筑物和其它地物的分类。李刚等利用改进的像素级和对象级遥感影像的分类方法来区分不同的地物。
随着研究的进展，一些学者提出了建筑物指数提取方法，它能反映符合建筑物的特征的程度，然后可以基于像素或对象进行阈值提取就可以了。提高了建筑物提取的自动化程度。2003年Zhaetal.提出了通过利用3个相关波段：红波段、近红外波段、中红外波段之间的运算得到了一种识别建筑物区域的建筑物指数NDBI，在后续的研究中，很多学者对其表达式进行了改进，从而出现了Bc、IBI、NBI等新的建筑物指数。然而无人机影像波段单一，没有近红外、中红外波段，所以不能实现以上指数。2008年Martino Pesaresi通过各向异性的旋转不变量的纹理特征得到的一个强大的建成区的存在指数PanTex；2009年S.LHOMME所提出的DRV方法已经被应用于IKONOS和QUICKBIRD影像的城区，结果表明，尽管有一些局限性，但我们建筑物提取方法的精度还是较高的；2011年黄昕等人将形态学运用到图像提取中，提出了形态学建筑物指数(MBI)，以GeoEye影像为例做了提取实验；2014年胡荣明等人认为MBI存在一定的不足，比如同质区域内部存在很多噪声，会影像提取精度。所以胡荣明等在MBI的基础上提出了增强形态学建筑物指数(EMBI)。
建筑物指数能够较高精度且自动化较高地提取建筑物，其中，MBI算法取得了较高的建筑物提取精度，但MBI算法结果存在不足：道路和裸地混淆现象严重，稳定性较差。为解决这一问题，提高建筑物提取的精度，挖掘无人机影像中比光谱特征更具稳定性的特征来构建建筑物指数，实现无人机影像建筑物高精度提取。
发明内容
本发明针对现有技术的以上技术缺陷提供了一种基于高程形态学建筑物指数的影像建筑物提取方法，通过对航片影像的密集匹配得到输入影像，然后对输入影像进行形态学计算构建高程形态学建筑物指数DMBI，最后对高程形态学建筑物指数DMBI进行阀值分类提取建筑物。该方法比光谱特征更具稳定性的特征来构建建筑物指数，实现无人机影像或者其他具有高度特征的影像建筑物高精度提取。
本发明的目的是通过以下技术方案实现的：
基于高程形态学建筑物指数的影像建筑物提取方法，该方法包括以下步骤：
A：影像预处理，对需要进行建筑物提取的影像进行预处理以便生成输入影像dsm；
B：根据输入影像dsm构建高程形态学建筑物指数DMBI，采用建筑物属性与形态学运算之间的关系构建高程形态学建筑物指数DMBI，得到高程形态学建筑物指数DMBI特征影像，其具体过程如下：
B1：构造结构元素的选取：选取线性结构的元素作为结构元素，定义为SE＝strel(‘line’,dir,s)，其中，‘line’为结构元素的类型且为线性，dir为结构元素的方向,s为结构元素的大小；
B2：通过输入影像dsm和形态学开运算重建影像OBR做差值得到顶帽重建影像THR，用于突出高的建筑物：
式(1)中是以原始影像的腐蚀操作作为标记图像，以原始影像作为掩膜图像进行的重建操作；
B3：通过计算多方向的THR均值来实现建筑物对象的全面识别：
B4：进行粒度测定，计算不同尺度之间的THR均值得到不同大小区间的特征：
B5：计算多尺度的DMP的平均值作为DMBI特征，平均值在保证不同大小的建筑物的完整性上最稳定，DMBI值越大，表明越有可能是建筑物：
C：将高程形态学建筑物指数DMBI进行阀值分类，用于区分建筑物和其他地物从而提取建筑物。
所述步骤A具体包括以下步骤：
A1：对影像进行畸变改正，用于弥补因像机拍摄而导致边缘变形的问题；
A2：将畸变改正处理后的影像进行空中三角测量加密，然后对空中三角测量加密点进行密集匹配生成输入影像dsm。
所述步骤A通过Pix4d进行操作的。
与现有技术相比，本发明基于高程形态学建筑物指数的影像建筑物提取方法至少具有以下有益效果：
通过对航片影像的畸变改正和空中三角测量加密点的密集匹配得到输入影像dsm，然后对输入影像dsm进行形态学计算构建高程形态学建筑物指数DMBI，最后对高程形态学建筑物指数DMBI进行阀值分类提取建筑物，DMBI值越大，表明越有可能是建筑物。该方法利用高度特征构造更加稳定且提取精度较高的适用于无人机影像或者其他具有高度特征的影像的建筑物指数，提高了自动化程度，利用比光谱特征更具稳定性的高度特征来构建建筑物指数，提取精度更高，实现无人机影像或者其他具有高度特征的影像建筑物高精度提取。从很大程度上解决了光谱特征的异物同谱和同谱异物现象，例如道路的光谱跟建筑物相似就会错分为建筑，从而严重影响准确性的问题。
附图说明
图1为本发明基于高程形态学建筑物指数的影像建筑物提取方法的流程图；
图2为本发明基于高程形态学建筑物指数的影像建筑物提取图像与现有技术形态学建筑物指数(MBI)建筑物提取图像对比图。
具体实施方式
下面结合附图和实施例对本发明作进一步详述，以下实施例只是描述性的，不是限定性的，不能以此限定本发明的保护范围。
使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
结合图1对本发明基于高程形态学建筑物指数的影像建筑物提取方法进行进一步说明。本实施例以无人机影像进行说明，该方法具体包括以下步骤：
A：影像预处理，对需要进行建筑物提取的影像进行预处理以便生成输入影像dsm；
所述步骤A具体包括以下步骤：
A1：对影像进行畸变改正，用于弥补因像机拍摄而导致边缘变形的问题，无人机航拍当中像机受风力和风向的影响或者像机本身的原因，拍摄的图像中会有畸变，而且越是边缘的地方畸变越严重，畸变需要纠正，以便进行下一步；
A2：将畸变改正处理后的影像进行空中三角测量加密，然后对空中三角测量加密点进行密集匹配生成输入影像dsm。无人机航拍的影像是一张张的照片，互相会有重叠且重叠较多，必须通过软件处理把一张张照片进行拼接，拼接到准确的位置，在拼接过程中需要找到每个位置在航拍影像中的点，点的正确位置就需要通过空中三角测量加密，图1中的密集匹配指的就是进行空中三角测量加密点的匹配。
所述步骤A通过Pix4d进行操作，通过Pix4d进行操作密集匹配之后得到输入影像dsm。
步骤A之后进行步骤B：根据输入影像dsm构建高程形态学建筑物指数DMBI，采用建筑物属性与形态学运算之间的关系构建高程形态学建筑物指数DMBI，得到高程形态学建筑物指数DMBI特征影像，其具体过程如下：
B1：构造结构元素的选取：选取线性结构的元素作为结构元素，定义为SE＝strel(‘line’，dir，s)，其中，‘line’为结构元素的类型且为线性，dir为结构元素的方向,s为结构元素的大小；通常大多数形态学运算都采用圆盘类的结构元素，但是圆盘类的结构性元素没有考虑到对象的方向性信息，方向性信息对于区分光谱和高度相似的对象是必不可少的，因此本发明采用线性结构的元素作为结构元素。其中：dir可以取角度差相同的一系列的方向度数，s可以取差值相同的一系列数值。
B2：通过输入影像dsm和形态学开运算重建影像OBR做差值得到顶帽重建影像THR，用于突出高的建筑物：
式(1)中是以原始影像的腐蚀操作作为标记图像，以原始影像作为掩膜图像进行的重建操作；开重建操作通过标记图像和掩膜图像计算；开重建能够平滑图像中小于结构体的明亮细节信息并同时保持总体特征稳定。通过dsm影像和重建影像做差值得到顶帽重建影像THR，THR能够检测出高的结构，将高的结构突出，去掉矮的结构，它能够反映出与周围结构的高度差。
B3：通过计算多方向的THR均值来实现建筑物对象的全面识别：
公式(2)为各方向的THR均值，每个方向都检测出不同的对象，取多方向的均值来实现建筑物对象的全面识别。各向同性强的地物能够被更多的方向检测出来，这类地物顶帽重建的各方向均值会较大。
B4：进行粒度测定，计算不同尺度之间的THR均值得到不同大小区间的特征：
公式(3)为多尺度之间THR均值做差值，不同大小的结构元素THR方向均值的差值，识别大小位于s和S+ΔS之间比周围高的特征，分别得到不同大小结构元素的特征；
B5：计算多尺度的DMP的平均值作为DMBI特征，平均值在保证不同大小的建筑物的完整性上最稳定，DMBI值越大，表明越有可能是建筑物：
由于不同大小的建筑物的DMP值不同，将多尺度的DMP的平均值作为DMBI特征，平均值在保证不同大小的建筑物的完整性上最稳定。DMBI值越大，表明越有可能是建筑物。
C：将高程形态学建筑物指数DMBI进行阀值分类，用于区分建筑物和其他地物从而提取建筑物。阈值根据影像特点调节，根据最矮的建筑的值而定，DMBI大于某一值确定为建筑物，小于这一值的为其他地物，大于较矮的建筑就能把建筑提取出来。
图2为本发明提取建筑物与现有技术形态学建筑物指数(MBI)建筑物提取图像对比图，通过对比建筑物提取影像可以看出本发明的方法更加准确。
为了更加准确的评价建筑物提取的结果，将本发明提取建筑物与现有技术形态学建筑物指数(MBI)建筑物提取图像对比，采用遥感分类评价采用的混淆矩阵对其进行评价，精度评定结果如表1所示，Correctness表示准确性，Completeness表示完整性，Quality表示提取建筑物影像质量。
表1评定结果
需要特别说明的是，图2(A)MBI、图2(A’)DMBI、图2(B)MBI、图2(B’)DMBI均为定性说明本发明方法的示意图像，并非用于定量分析之需要，因此将原带有彩色背景的图像替换为黑白图片进行描述，并不影响本发明的精度评定结果。
以上，仅为本发明较佳的具体实施方式，但发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。
Claims (3)
1.一种基于高程形态学建筑物指数的影像建筑物提取方法，其特征在于，该方法包括以下步骤：
A：影像预处理，对需要进行建筑物提取的影像进行预处理以便生成输入影像dsm；
B：根据输入影像dsm构建高程形态学建筑物指数DMBI，采用建筑物属性与形态学运算之间的关系构建高程形态学建筑物指数DMBI，得到高程形态学建筑物指数DMBI特征影像，其具体过程如下：
B1：构造结构元素的选取：选取线性结构的元素作为结构元素，定义为SE＝strel(‘line’,dir,s)，其中，‘line’为结构元素的类型且为线性，dir为结构元素的方向,s为结构元素的大小；
B2：通过输入影像dsm和形态学开运算重建影像OBR做差值得到顶帽重建影像THR，用于突出高的建筑物：
<mrow>
<msup>
<mi>THR</mi>
<mi>s</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>d</mi>
<mi>s</mi>
<mi>m</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>d</mi>
<mi>s</mi>
<mi>m</mi>
<mo>-</mo>
<msubsup>
<mi>&gamma;</mi>
<mrow>
<mi>R</mi>
<mi>E</mi>
</mrow>
<mi>S</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>d</mi>
<mi>s</mi>
<mi>m</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
式(1)中是以原始影像的腐蚀操作作为标记图像，以原始影像作为掩膜图像进行的重建操作；
B3：通过计算多方向的THR均值来实现建筑物对象的全面识别：
<mrow>
<msup>
<mover>
<mrow>
<mi>T</mi>
<mi>H</mi>
<mi>R</mi>
</mrow>
<mo>&OverBar;</mo>
</mover>
<mi>S</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>d</mi>
<mi>s</mi>
<mi>m</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mrow>
<mi>m</mi>
<mi>e</mi>
<mi>a</mi>
<mi>n</mi>
</mrow>
<mrow>
<mi>d</mi>
<mi>i</mi>
<mi>r</mi>
</mrow>
</munder>
<mrow>
<mo>(</mo>
<msup>
<mi>THR</mi>
<mrow>
<mi>s</mi>
<mo>.</mo>
<mi>d</mi>
<mi>i</mi>
<mi>r</mi>
</mrow>
</msup>
<mo>(</mo>
<mrow>
<mi>d</mi>
<mi>s</mi>
<mi>m</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
B4：进行粒度测定，计算不同尺度之间的THR均值得到不同大小区间的特征：
<mrow>
<msubsup>
<mi>THR</mi>
<mrow>
<mi>D</mi>
<mi>M</mi>
<mi>P</mi>
</mrow>
<mi>s</mi>
</msubsup>
<mo>=</mo>
<mo>|</mo>
<msup>
<mover>
<mrow>
<mi>T</mi>
<mi>H</mi>
<mi>R</mi>
</mrow>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mi>S</mi>
<mo>+</mo>
<mi>&Delta;</mi>
<mi>S</mi>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mi>d</mi>
<mi>s</mi>
<mi>m</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msup>
<mover>
<mrow>
<mi>T</mi>
<mi>H</mi>
<mi>R</mi>
</mrow>
<mo>&OverBar;</mo>
</mover>
<mi>S</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>d</mi>
<mi>s</mi>
<mi>m</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
B5：计算多尺度的DMP的平均值作为DMBI特征，平均值在保证不同大小的建筑物的完整性上最稳定，DMBI值越大，表明越有可能是建筑物：
<mrow>
<mi>D</mi>
<mi>M</mi>
<mi>B</mi>
<mi>I</mi>
<mo>=</mo>
<munder>
<mrow>
<mi>m</mi>
<mi>e</mi>
<mi>a</mi>
<mi>n</mi>
</mrow>
<mi>s</mi>
</munder>
<mrow>
<mo>(</mo>
<msub>
<mi>THR</mi>
<mrow>
<mi>D</mi>
<mi>M</mi>
<mi>P</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
C：将高程形态学建筑物指数DMBI进行阀值分类，用于区分建筑物和其他地物从而提取建筑物。
2.根据权利要求1所述的基于高程形态学建筑物指数的影像建筑物提取方法，其特征在于，所述步骤A具体包括以下步骤：
A1：对影像进行畸变改正，用于弥补因像机拍摄而导致边缘变形的问题；
A2：将畸变改正处理后的影像进行空中三角测量加密，然后对空中三角测量加密点进行密集匹配生成输入影像dsm。
3.根据权利要求1所述的基于高程形态学建筑物指数的影像建筑物提取方法，其特征在于，所述步骤A通过Pix4d进行操作的。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710773822.7A CN107516100A (zh) | 2017-08-31 | 2017-08-31 | 一种基于高程形态学建筑物指数的影像建筑物提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710773822.7A CN107516100A (zh) | 2017-08-31 | 2017-08-31 | 一种基于高程形态学建筑物指数的影像建筑物提取方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107516100A true CN107516100A (zh) | 2017-12-26 |
Family
ID=60724784
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710773822.7A Pending CN107516100A (zh) | 2017-08-31 | 2017-08-31 | 一种基于高程形态学建筑物指数的影像建筑物提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107516100A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108596103A (zh) * | 2018-04-26 | 2018-09-28 | 吉林大学 | 基于最佳光谱指数选择的高分辨率卫星遥感影像建筑物提取方法 |
| CN110543872A (zh) * | 2019-09-12 | 2019-12-06 | 云南省水利水电勘测设计研究院 | 一种基于全卷积神经网络的无人机影像建筑物屋顶提取方法 |
| CN111144335A (zh) * | 2019-12-30 | 2020-05-12 | 自然资源部国土卫星遥感应用中心 | 一种构建建筑物深度学习模型的方法及装置 |
| CN113203399A (zh) * | 2021-04-16 | 2021-08-03 | 青岛地质工程勘察院(青岛地质勘查开发局) | 一种地下空间资源量分析方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103839267A (zh) * | 2014-02-27 | 2014-06-04 | 西安科技大学 | 一种基于形态学建筑物指数的建筑物提取方法 |
| CN103984947A (zh) * | 2014-05-30 | 2014-08-13 | 武汉大学 | 基于形态学房屋指数的高分辨率遥感影像房屋提取方法 |
-
2017
- 2017-08-31 CN CN201710773822.7A patent/CN107516100A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103839267A (zh) * | 2014-02-27 | 2014-06-04 | 西安科技大学 | 一种基于形态学建筑物指数的建筑物提取方法 |
| CN103984947A (zh) * | 2014-05-30 | 2014-08-13 | 武汉大学 | 基于形态学房屋指数的高分辨率遥感影像房屋提取方法 |
Non-Patent Citations (1)
| Title |
|---|
| 陈浩等: "高分辨率遥感图像灾区建筑物检测", 《数据采集与处理》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108596103A (zh) * | 2018-04-26 | 2018-09-28 | 吉林大学 | 基于最佳光谱指数选择的高分辨率卫星遥感影像建筑物提取方法 |
| CN108596103B (zh) * | 2018-04-26 | 2021-03-19 | 吉林大学 | 基于最佳光谱指数选择的高分辨遥感影像建筑物提取方法 |
| CN110543872A (zh) * | 2019-09-12 | 2019-12-06 | 云南省水利水电勘测设计研究院 | 一种基于全卷积神经网络的无人机影像建筑物屋顶提取方法 |
| CN110543872B (zh) * | 2019-09-12 | 2023-04-18 | 云南省水利水电勘测设计研究院 | 一种基于全卷积神经网络的无人机影像建筑物屋顶提取方法 |
| CN111144335A (zh) * | 2019-12-30 | 2020-05-12 | 自然资源部国土卫星遥感应用中心 | 一种构建建筑物深度学习模型的方法及装置 |
| CN113203399A (zh) * | 2021-04-16 | 2021-08-03 | 青岛地质工程勘察院(青岛地质勘查开发局) | 一种地下空间资源量分析方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105809138B (zh) | 一种基于分块识别的道路警告标志检测与识别方法 | |
| CN103559500B (zh) | 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 | |
| CN108875608B (zh) | 一种基于深度学习的机动车交通信号识别方法 | |
| Zhang et al. | CNN based suburban building detection using monocular high resolution Google Earth images | |
| CN104050471B (zh) | 一种自然场景文字检测方法及系统 | |
| CN107516100A (zh) | 一种基于高程形态学建筑物指数的影像建筑物提取方法 | |
| CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
| CN111259828B (zh) | 基于高分辨率遥感图像多特征的识别方法 | |
| CN104574375A (zh) | 结合彩色和深度信息的图像显著性检测方法 | |
| CN104850850A (zh) | 一种结合形状和颜色的双目立体视觉图像特征提取方法 | |
| CN103839267B (zh) | 一种基于形态学建筑物指数的建筑物提取方法 | |
| CN104778721A (zh) | 一种双目图像中显著性目标的距离测量方法 | |
| CN103971128A (zh) | 一种面向无人驾驶车的交通标志识别方法 | |
| Shahab et al. | How salient is scene text? | |
| WO2018076138A1 (zh) | 基于大尺度高分辨率高光谱图像的目标探测方法及装置 | |
| CN102147867B (zh) | 一种基于主体的国画图像和书法图像的识别方法 | |
| Mostafa et al. | Shadow identification in high resolution satellite images in the presence of water regions | |
| CN106294705A (zh) | 一种批量遥感影像预处理方法 | |
| CN107992856B (zh) | 城市场景下的高分遥感建筑物阴影检测方法 | |
| Wang et al. | An overview of 3d object detection | |
| Li et al. | An object-based river extraction method via optimized transductive support vector machine for multi-spectral remote-sensing images | |
| CN105678318A (zh) | 交通标牌的匹配方法及装置 | |
| CN113159043A (zh) | 基于语义信息的特征点匹配方法及系统 | |
| CN110516648B (zh) | 基于无人机遥感和模式识别的苎麻株数识别方法 | |
| CN114581773A (zh) | 基于图卷积网络的多模态遥感数据分类方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| SE01 | Entry into force of request for 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: 20171226 |