CN108053409A - 一种遥感影像分割基准库自动构建方法及其系统 - Google Patents
一种遥感影像分割基准库自动构建方法及其系统 Download PDFInfo
- Publication number
- CN108053409A CN108053409A CN201711304825.2A CN201711304825A CN108053409A CN 108053409 A CN108053409 A CN 108053409A CN 201711304825 A CN201711304825 A CN 201711304825A CN 108053409 A CN108053409 A CN 108053409A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing image
- image blocks
- image
- screening
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/10024—Color image
-
- 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
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及遥感影像分割领域,公开遥感影像分割基准库自动构建方法,该遥感影像分割基准库自动构建方法包括:步骤1,对众源矢量数据进行筛选,以去除地物面积小于预设面积的地物;步骤2,将遥感影像和筛选后的众源矢量数据进行配准叠加得到A;步骤3,将A中遥感影像裁剪为多个预设像素大小的小范围影像块,并将小范围影像块设为单元,通过影像坐标判断众源矢量数据是否位于影像块范围内,并生成了与原影像块同等大小的掩膜;步骤4,将所述掩膜和原始图像相结合,得到遥感影像分割基准库。该方法克服了现有技术中的手工标注构建基准库不仅效率低,同时规模也较小的问题,实现了遥感影像分割基准库自动构建。
Description
技术领域
本发明涉及遥感影像分割,具体地,涉及遥感影像分割基准库自动构建方法及其系统。
背景技术
遥感影像分割是实现图像信息自动提取,中高层影像分析和理解的基础,具有重要的意义。传统的遥感分割技术通常是利用人工设计的特征提取器与阈值半自动提取目标信息,明显的缺陷在于人工设计特征的不确定性与局限性。随着高分遥感数据的普及以及基于深度学习的图像识别模型高精度识别率,如何有效的结合深度学习模型与遥感数据进行地物识别是目前遥感领域一直研究的热点问题。
然而,一个多样性强、大规模的基准库是深度学习模型高精度识别的基础。由于受遥感影像空间尺度、地物与地物以及背景之间复杂的空间关系、光照、成像角度等因素的影响,怎样高效地构建一个大规模,多样性强的遥感影像分割基准库成为亟待解决的问题。现有常用的遥感影像基准数据库,如UC-Merced、AID、RSI-CB256与RSI-CB128以及检测基准库如SpaceNet,但大规模的遥感影像分割基准库却一直缺乏。最大的瓶颈在于基于手工标注构建基准库不仅效率低,同时规模也较小。如何克服上述的问题,实现遥感影像分割基准库自动构建成为亟需解决的问题。
发明内容
本发明的目的是提供一种遥感影像分割基准库自动构建方法,该方法克服了现有技术中的手工标注构建基准库不仅效率低,同时规模也较小的问题,实现了遥感影像分割基准库自动构建。
为了实现上述目的,本发明提供遥感影像分割基准库自动构建方法,该遥感影像分割基准库自动构建方法包括:步骤1,对众源矢量数据进行筛选,以去除地物面积小于预设面积的地物;步骤2,将遥感影像和筛选后的众源矢量数据进行配准叠加得到A;步骤3,将A中遥感影像裁剪为多个预设像素大小的小范围影像块,并将小范围影像块设为单元,通过影像坐标判断众源矢量数据是否位于影像块范围内,并生成了与原影像块同等大小的掩膜;步骤4,将所述掩膜和原始图像相结合,得到遥感影像分割基准库。
优选地,在步骤3中,成了与原影像块同等大小的掩膜的方法包括:
分别读取位于小范围影像块范围内的众源矢量数据的属性信息,并以不同的颜色表示不同的目标类别进行区分,最后生成与原影像块同等大小的掩膜。
优选地,在步骤3中,所述掩膜通过不同颜色代表不同的地物类别,且地物的位置信息以像素坐标为基准。
优选地,在步骤1中,对众源矢量数据进行筛选的方法包括:
人工筛选和算法筛选,所述人工筛选筛选标注错误的地物类,算法筛选筛选面积小于预设面积的地物。
优选地,在步骤3中,将A中遥感影像裁剪为多个预设像素大小的小范围影像块,并将小范围影像块设为单元之后,遍历每一个小范围影像块,并将地理坐标转换为图像像素坐标。
本发明提供一种遥感影像分割基准库自动构建系统,该遥感影像分割基准库自动构建系统包括:
对众源矢量数据进行筛选,以去除地物面积小于预设面积的地物的装置;
将遥感影像和筛选后的众源矢量数据进行配准叠加得到A的装置;
将A中遥感影像裁剪为多个预设像素大小的小范围影像块,并将小范围影像块设为单元,通过影像坐标判断众源矢量数据是否位于影像块范围内,并生成了与原影像块同等大小的掩膜的装置;
将所述掩膜和原始图像相结合,得到遥感影像分割基准库的装置。
优选地,分别读取位于小范围影像块范围内的众源矢量数据的属性信息,并以不同的颜色表示不同的目标类别进行区分,最后生成与原影像块同等大小的掩膜的装置。
优选地,所述掩膜通过不同颜色代表不同的地物类别,且地物的位置信息以像素坐标为基准的装置。
优选地,人工筛选的装置和算法筛选的装置,所述人工筛选筛选标注错误的地物类,算法筛选筛选面积小于预设面积的地物。
优选地,将A中遥感影像裁剪为多个预设像素大小的小范围影像块,并将小范围影像块设为单元之后,遍历每一个小范围影像块,并将地理坐标转换为图像像素坐标的装置。
通过上述技术方案,可高效地构建一个大规模的基准库,并且可以快速高效的利用众源数据构建高分辨率遥感影像分类基准库。
本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明,但并不构成对本发明的限制。在附图中:
图1是说明本发明的一种遥感影像分割基准库自动构建方法的流程图;
图2a是说明本发明的遥感影像和筛选后的众源矢量数据进行配准叠加的效果图;
图2b是说明本发明的遥感影像和筛选后的众源矢量数据进行配准叠加的效果图;
图3a是说明本发明的A裁剪为第1个预设像素大小的小范围影像块的效果图;
图3b是说明本发明的A裁剪为第2个预设像素大小的小范围影像块的效果图;
图3c是说明本发明的A裁剪为第3个预设像素大小的小范围影像块的效果图;以及
图3d是说明本发明的A裁剪为第4个预设像素大小的小范围影像块的效果图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
本发明提供一种遥感影像分割基准库自动构建方法,该遥感影像分割基准库自动构建方法包括:
步骤1,对众源矢量数据进行筛选,以去除地物面积小于预设面积的地物;
步骤2,将遥感影像和筛选后的众源矢量数据进行配准叠加得到A;
步骤3,将A裁剪为多个预设像素大小的小范围影像块,并将小范围影像块为单元,通过影像坐标判断众源矢量数据是否位于影像块范围内,并生成了与原影像块同等大小的掩膜;
步骤4,将所述掩膜和原始图像相结合,得到遥感影像分割基准库。
通过上述技术方案,可高效地构建一个大规模的基准库,并且可以快速高效的利用众源数据构建高分辨率遥感影像分类基准库。
在本发明的一种具体实施方式中,在步骤3中,成了与原影像块同等大小的掩膜的方法可以包括:
分别读取位于小范围影像块范围内的众源矢量数据的属性信息,并以不同的颜色表示不同的目标类别进行区分,最后生成与原影像块同等大小的掩膜。
矢量数据的筛选主要分为人工筛选与算法筛选,人工筛选包括筛选标注错误地物类,主体不明显地物类;算法筛选包括筛选面积过小地物。其中算法筛选用到的公式为:
Area<4m2。
根据所采用的遥感影像空间分辨率(为0.25m),将面积阈值设置为4m2,即去除约小于64个像素建筑目标(包含不同长宽像素量),以此去除面积过小的建筑。
在该种实施方式中,在步骤3中,所述掩膜通过不同颜色代表不同的地物类别,且地物的位置信息以像素坐标为基准。
在本发明的一种具体实施方式中,在步骤1中,对众源矢量数据进行筛选的方法可以包括:
人工筛选和算法筛选,所述人工筛选筛选标注错误的地物类,算法筛选筛选面积小于预设面积的地物。
在本发明的一种具体实施方式中,在步骤3中,将A裁剪为多个预设像素大小的小范围影像块,并将小范围影像块为单元之后,遍历每一个小范围影像块,并将地理坐标转换为图像像素坐标。
本发明还提供一种遥感影像分割基准库自动构建系统,该遥感影像分割基准库自动构建系统包括:
对众源矢量数据进行筛选,以去除地物面积小于预设面积的地物的装置;
将遥感影像和筛选后的众源矢量数据进行配准叠加得到A的装置;
将A中遥感影像裁剪为多个预设像素大小的小范围影像块,并将小范围影像块设为单元,通过影像坐标判断众源矢量数据是否位于影像块范围内,并生成了与原影像块同等大小的掩膜的装置;
将所述掩膜和原始图像相结合,得到遥感影像分割基准库的装置。
在本发明的一种具体实施方式中,分别读取位于小范围影像块范围内的众源矢量数据的属性信息,并以不同的颜色表示不同的目标类别进行区分,最后生成与原影像块同等大小的掩膜的装置。
在该种实施方式中,所述掩膜通过不同颜色代表不同的地物类别,且地物的位置信息以像素坐标为基准的装置。
在该种实施方式中,人工筛选的装置和算法筛选的装置,所述人工筛选筛选标注错误的地物类,算法筛选筛选面积小于预设面积的地物。
在本发明的一种具体实施方式中,将A中遥感影像裁剪为多个预设像素大小的小范围影像块,并将小范围影像块设为单元之后,遍历每一个小范围影像块,并将地理坐标转换为图像像素坐标的装置。
以裁剪后的影像块为单元,遍历每幅影像块,将地理坐标转换为图像像素坐标,通过影像坐标作为众源矢量数据是否位于影像块范围内的判别条件。分别读取位于影像块范围内的众源矢量数据属性信息,并以不同的颜色表示不同的目标类别进行区分,最后生成与原影像块同等大小的掩膜。该掩膜以不同颜色代表了不同的地物类别,黑色为背景,地物的位置信息以像素坐标为基准。因此该掩膜详细记录了地物类别与位置信息与轮廓边缘。
以上结合附图详细描述了本发明的优选实施方式,但是,本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种简单变型,这些简单变型均属于本发明的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本发明对各种可能的组合方式不再另行说明。
此外,本发明的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明的思想,其同样应当视为本发明所公开的内容。
Claims (10)
1.一种遥感影像分割基准库自动构建方法,其特征在于,该遥感影像分割基准库自动构建方法包括:
步骤1,对众源矢量数据进行筛选,以去除地物面积小于预设面积的地物;
步骤2,将遥感影像和筛选后的众源矢量数据进行配准叠加得到A;
步骤3,将A中遥感影像裁剪为多个预设像素大小的小范围影像块,并将小范围影像块设为单元,通过影像坐标判断众源矢量数据是否位于影像块范围内,并生成了与原影像块同等大小的掩膜;
步骤4,将所述掩膜和原始图像相结合,得到遥感影像分割基准库。
2.根据权利要求1所述的遥感影像分割基准库自动构建方法,其特征在于,在步骤3中,成了与原影像块同等大小的掩膜的方法包括:
分别读取位于小范围影像块范围内的众源矢量数据的属性信息,并以不同的颜色表示不同的目标类别进行区分,最后生成与原影像块同等大小的掩膜。
3.根据权利要求2所述的遥感影像分割基准库自动构建方法,其特征在于,在步骤3中,所述掩膜通过不同颜色代表不同的地物类别,且地物的位置信息以像素坐标为基准。
4.根据权利要求1所述的遥感影像分割基准库自动构建方法,其特征在于,在步骤1中,对众源矢量数据进行筛选的方法包括:
人工筛选和算法筛选,所述人工筛选筛选标注错误的地物类,算法筛选筛选面积小于预设面积的地物。
5.根据权利要求1所述的遥感影像分割基准库自动构建方法,其特征在于,在步骤3中,将A中遥感影像裁剪为多个预设像素大小的小范围影像块,并将小范围影像块设为单元之后,遍历每一个小范围影像块,并将地理坐标转换为图像像素坐标。
6.一种遥感影像分割基准库自动构建系统,其特征在于,该遥感影像分割基准库自动构建系统包括:
对众源矢量数据进行筛选,以去除地物面积小于预设面积的地物的装置;
将遥感影像和筛选后的众源矢量数据进行配准叠加得到A的装置;
将A中遥感影像裁剪为多个预设像素大小的小范围影像块,并将小范围影像块设为单元,通过影像坐标判断众源矢量数据是否位于影像块范围内,并生成了与原影像块同等大小的掩膜的装置;
将所述掩膜和原始图像相结合,得到遥感影像分割基准库的装置。
7.根据权利要求6所述的遥感影像分割基准库自动构建系统,其特征在于,分别读取位于小范围影像块范围内的众源矢量数据的属性信息,并以不同的颜色表示不同的目标类别进行区分,最后生成与原影像块同等大小的掩膜的装置。
8.根据权利要求7所述的遥感影像分割基准库自动构建系统,其特征在于,所述掩膜通过不同颜色代表不同的地物类别,且地物的位置信息以像素坐标为基准的装置。
9.根据权利要求6所述的遥感影像分割基准库自动构建系统,其特征在于,人工筛选的装置和算法筛选的装置,所述人工筛选筛选标注错误的地物类,算法筛选筛选面积小于预设面积的地物。
10.根据权利要求1所述的遥感影像分割基准库自动构建系统,其特征在于,将A中遥感影像裁剪为多个预设像素大小的小范围影像块,并将小范围影像块设为单元之后,遍历每一个小范围影像块,并将地理坐标转换为图像像素坐标的装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711304825.2A CN108053409B (zh) | 2017-12-11 | 2017-12-11 | 一种遥感影像分割基准库自动构建方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711304825.2A CN108053409B (zh) | 2017-12-11 | 2017-12-11 | 一种遥感影像分割基准库自动构建方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108053409A true CN108053409A (zh) | 2018-05-18 |
CN108053409B CN108053409B (zh) | 2022-05-13 |
Family
ID=62122974
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711304825.2A Active CN108053409B (zh) | 2017-12-11 | 2017-12-11 | 一种遥感影像分割基准库自动构建方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108053409B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652932A (zh) * | 2020-04-20 | 2020-09-11 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种遥感图像地理定位的矢量验证方法、装置及设备 |
CN117112820A (zh) * | 2023-10-19 | 2023-11-24 | 北京观微科技有限公司 | 遥感影像确定方法、装置及电子设备 |
CN117788982A (zh) * | 2024-02-26 | 2024-03-29 | 中国铁路设计集团有限公司 | 基于铁路工程地形图成果的大规模深度学习数据集制作方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102928847A (zh) * | 2012-11-12 | 2013-02-13 | 中国热带农业科学院橡胶研究所 | 一种从遥感影像中提取橡胶林对应像元像素值的方法 |
CN104574394A (zh) * | 2014-12-31 | 2015-04-29 | 北京航天宏图信息技术有限责任公司 | 遥感影像数据处理方法和装置 |
CN104680542A (zh) * | 2015-03-15 | 2015-06-03 | 西安电子科技大学 | 基于在线学习的遥感影像变化检测方法 |
US9152881B2 (en) * | 2012-09-13 | 2015-10-06 | Los Alamos National Security, Llc | Image fusion using sparse overcomplete feature dictionaries |
CN105551028A (zh) * | 2015-12-09 | 2016-05-04 | 中山大学 | 一种基于遥感影像的地理空间数据动态更新的方法及系统 |
CN105654462A (zh) * | 2015-10-13 | 2016-06-08 | 湖南优象科技有限公司 | 一种基于影像配准的建筑物高程提取方法 |
CN105787937A (zh) * | 2016-02-25 | 2016-07-20 | 武汉大学 | 一种基于osm的高分辨遥感影像道路变化检测方法 |
CN106056605A (zh) * | 2016-05-26 | 2016-10-26 | 西安空间无线电技术研究所 | 一种基于图像匹配的在轨高精度图像定位方法 |
CN106649607A (zh) * | 2016-11-28 | 2017-05-10 | 中国科学院自动化研究所 | 基于矢量掩膜的遥感图像在线目标识别与监测方法及系统 |
CN106778547A (zh) * | 2016-11-29 | 2017-05-31 | 中南大学 | 遥感影像地物分类基准库的构建方法及装置 |
CN107145872A (zh) * | 2017-05-12 | 2017-09-08 | 河海大学 | 基于gis缓冲区分析的荒漠河岸林空间分布获取方法 |
US20170310892A1 (en) * | 2012-11-21 | 2017-10-26 | Thales | Method of 3d panoramic mosaicing of a scene |
-
2017
- 2017-12-11 CN CN201711304825.2A patent/CN108053409B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9152881B2 (en) * | 2012-09-13 | 2015-10-06 | Los Alamos National Security, Llc | Image fusion using sparse overcomplete feature dictionaries |
CN102928847A (zh) * | 2012-11-12 | 2013-02-13 | 中国热带农业科学院橡胶研究所 | 一种从遥感影像中提取橡胶林对应像元像素值的方法 |
US20170310892A1 (en) * | 2012-11-21 | 2017-10-26 | Thales | Method of 3d panoramic mosaicing of a scene |
CN104574394A (zh) * | 2014-12-31 | 2015-04-29 | 北京航天宏图信息技术有限责任公司 | 遥感影像数据处理方法和装置 |
CN104680542A (zh) * | 2015-03-15 | 2015-06-03 | 西安电子科技大学 | 基于在线学习的遥感影像变化检测方法 |
CN105654462A (zh) * | 2015-10-13 | 2016-06-08 | 湖南优象科技有限公司 | 一种基于影像配准的建筑物高程提取方法 |
CN105551028A (zh) * | 2015-12-09 | 2016-05-04 | 中山大学 | 一种基于遥感影像的地理空间数据动态更新的方法及系统 |
CN105787937A (zh) * | 2016-02-25 | 2016-07-20 | 武汉大学 | 一种基于osm的高分辨遥感影像道路变化检测方法 |
CN106056605A (zh) * | 2016-05-26 | 2016-10-26 | 西安空间无线电技术研究所 | 一种基于图像匹配的在轨高精度图像定位方法 |
CN106649607A (zh) * | 2016-11-28 | 2017-05-10 | 中国科学院自动化研究所 | 基于矢量掩膜的遥感图像在线目标识别与监测方法及系统 |
CN106778547A (zh) * | 2016-11-29 | 2017-05-31 | 中南大学 | 遥感影像地物分类基准库的构建方法及装置 |
CN107145872A (zh) * | 2017-05-12 | 2017-09-08 | 河海大学 | 基于gis缓冲区分析的荒漠河岸林空间分布获取方法 |
Non-Patent Citations (2)
Title |
---|
JON ATLI BENEDIKTSSON 等: "Classification and feature extraction for remote sensing images from urban areas based on morphological transformations", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
赵珍珍: "高分辨率遥感影像与矢量数据结合的变化检测方法研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652932A (zh) * | 2020-04-20 | 2020-09-11 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种遥感图像地理定位的矢量验证方法、装置及设备 |
CN111652932B (zh) * | 2020-04-20 | 2023-05-02 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种遥感图像地理定位的矢量验证方法、装置及设备 |
CN117112820A (zh) * | 2023-10-19 | 2023-11-24 | 北京观微科技有限公司 | 遥感影像确定方法、装置及电子设备 |
CN117112820B (zh) * | 2023-10-19 | 2024-01-23 | 北京观微科技有限公司 | 遥感影像确定方法、装置及电子设备 |
CN117788982A (zh) * | 2024-02-26 | 2024-03-29 | 中国铁路设计集团有限公司 | 基于铁路工程地形图成果的大规模深度学习数据集制作方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108053409B (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108364010B (zh) | 一种车牌识别方法、装置、设备及计算机可读存储介质 | |
Wang et al. | Tiny object detection in aerial images | |
JP6259928B2 (ja) | 車線データの処理方法、装置、記憶媒体及び機器 | |
CN106650640B (zh) | 一种基于激光雷达点云局部结构特征的负障碍物检测方法 | |
Wu et al. | Rapid localization and extraction of street light poles in mobile LiDAR point clouds: A supervoxel-based approach | |
CN107516077A (zh) | 基于激光点云和影像数据融合的交通标牌信息提取方法 | |
CN109993086B (zh) | 人脸检测方法、装置、系统及终端设备 | |
CN104794421B (zh) | 一种qr码定位及识别方法 | |
CN101915573B (zh) | 一种基于标记物的关键点检测的定位测量方法 | |
CN108053409A (zh) | 一种遥感影像分割基准库自动构建方法及其系统 | |
CN105574527A (zh) | 一种基于局部特征学习的快速物体检测方法 | |
CN102739911A (zh) | 图像处理装置及图像处理方法 | |
CN111160328A (zh) | 一种基于语义分割技术的交通标线自动提取的方法 | |
JP2009163682A (ja) | 画像識別装置及びプログラム | |
CN111243003A (zh) | 车载双目摄像机及其检测道路限高杆的方法、装置 | |
CN116452852A (zh) | 一种高精度矢量地图的自动生成方法 | |
JP4762026B2 (ja) | 道路標識データベース構築装置 | |
CN107133964B (zh) | 一种基于Kinect的抠像方法 | |
JP6550305B2 (ja) | 道路データ生成装置、道路データ生成方法、及びプログラム | |
CN105046264B (zh) | 一种基于可见光与激光雷达图像的稀疏地物分类与标示方法 | |
CN106780541A (zh) | 一种改进的背景减除方法 | |
CN115131360A (zh) | 一种基于3d点云语义分割的道路坑洞检测方法及装置 | |
Wolf et al. | Applicability of neural networks for image classification on object detection in mobile mapping 3d point clouds | |
CN107895152A (zh) | 一种在轨云缝快速检测方法 | |
Beumier et al. | Deriving a DTM from a DSM by uniform regions and context |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |