CN108805150B - 一种基于格网地形特征的空域可通行性分析方法 - Google Patents

一种基于格网地形特征的空域可通行性分析方法 Download PDF

Info

Publication number
CN108805150B
CN108805150B CN201710312132.1A CN201710312132A CN108805150B CN 108805150 B CN108805150 B CN 108805150B CN 201710312132 A CN201710312132 A CN 201710312132A CN 108805150 B CN108805150 B CN 108805150B
Authority
CN
China
Prior art keywords
terrain
airspace
trafficability
grid
triangle
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
Application number
CN201710312132.1A
Other languages
English (en)
Other versions
CN108805150A (zh
Inventor
邓秀剑
冯琦
周挺
张仟新
许宇
钟斌青
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.)
China Aeronautical Radio Electronics Research Institute
Original Assignee
China Aeronautical Radio Electronics Research Institute
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 China Aeronautical Radio Electronics Research Institute filed Critical China Aeronautical Radio Electronics Research Institute
Priority to CN201710312132.1A priority Critical patent/CN108805150B/zh
Publication of CN108805150A publication Critical patent/CN108805150A/zh
Application granted granted Critical
Publication of CN108805150B publication Critical patent/CN108805150B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/048—Fuzzy inferencing
    • 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
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Fuzzy Systems (AREA)
  • Automation & Control Theory (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Traffic Control Systems (AREA)
  • Complex Calculations (AREA)

Abstract

本发明给出一种基于格网地形特征的空域可通行性分析方法，对格网数字高程模型做了三角剖分，并在剖分好的三角片上设计选取了能够表征三角片空间性质的特征，完成了三角片特征向量的提取；利用CLARA方法对地形样本包含的所有三角片的特征向量进行聚类，得到能够代表地形样本的特征矩阵；采用BP神经网络在得到的地形特征矩阵的基础上实现了地形分类；结合威胁程度数据采用模糊数学方法建立模糊推理系统，完成对战场区域可通行性的计算。

Description

一种基于格网地形特征的空域可通行性分析方法
技术领域
本发明属于地形挖掘领域，主要涉及到地形的分析识别和可通行性分析，可用于战场空域的可通行性分析。
背景技术
可通行性是衡量交通工具穿越某些区域的能力的指标。它描述的是某些运动实体和所行经的区域之间的关系。
某区域是否具有可通达性，以及区域可通行性的程度，取决于移动实体的移动特征和相关的地形属性。传统的威胁评估和航路规划大多是对威胁目标(导弹、高炮、雷达)进行单一的分析，而在现实场景中，地形的影响也是不可忽视的重要因素(地形跟踪、地形回避)，由于战场威胁密集，地形环境复杂，完全规避威胁，达到预期作战目的很难做到。简单地通过威胁的类型、大小及所在位置，而不考虑威胁所在地形的影响来设定不可通行区域的做法显然是不符合实际的。目前尚未有将地形特征与威胁信息结合进行战场区域战机可通行性的研究成果。
综上，有必要对地形数据实施数据挖掘工作，研究地形类型的识别、区域威胁等信息，并将地形类型信息与威胁信息有效结合起来，对战场低空域的可通行性进行研究分析和评估，使得机组在看到虚拟视景的同时尽早获得足够的地形及威胁直观语义(平坦、多峰、起伏、险要等)，选择通行性较好的区域进行飞行，以达到避开危险的目的。
发明内容
本发明要解决的技术问题就在于：提出了一种基于格网地形的战场空域可通行性分析方法，将地形特征与威胁信息结合进行战场区域的可通行性分析计算。
为解决上述技术问题，本发明采用以下技术方案：
一种基于格网地形特征的空域可通行性分析方法，其步骤为：
(1)三角剖分：对地形的规则格网进行三角剖分；所述规则格网为机载地形高程矩阵
Figure GDA0001400360290000021
采用所述高程矩阵的主对角线对规则格网进行剖分，得到三角片集合；
(2)特征提取：在三角片集合中的每个三角片上提取法向量与垂直向量的夹角θ、三角片质心高程h以及三角片面积s三个特征，并根据上述的三个特征得到每个三角片的特征向量T＝(θ,h,s)，并得到所有三角片的特征向量集合
Figure GDA0001400360290000022
(3)特征约减：对步骤(2)得到所有三角片的特征向量集合
Figure GDA0001400360290000023
进行约减和聚类处理，之后得到简化地形特征向量集合T′＝{T1′,…,Tk′}；
(4)地形识别：通过所述的简化地形特征向量集合T′＝{T1′,…,Tk′}训练BP神经网络，所述的BP神经网络用于给出地形类型的判断结果；
(5)可通行性分析：采集目标空域的地形数据，从所述地形数据中提取地形特征，根据所述的BP神经网络判断提取的地形特征，给出的地形类型的判断结果；
(6)根据地形类型以及空域威胁程度判断表来得出可通行性分析结果。
进一步的，经过步骤(4)得到地形类型后，结合威胁评估系统给出的空域威胁程度搭建模糊推理系统，计算得到空域可通行性结果。
作为本发明的进一步改进，所述步骤(1)的具体流程为：
(1.1)读取机载地形高程矩阵
Figure GDA0001400360290000031
所述矩阵由规则排列的n×n的高程值组成；
(1.2)利用对角线将步骤(1.1)得到的高程矩阵中的每一个小矩形剖分成2个三角片。
作为本发明的进一步改进，所述步骤(2)的具体流程为：
(2.1)计算从步骤(1.2)得到的三角片的法向量与垂直向量的夹角θ；
(2.2)计算从步骤(1.2)得到的三角片的质心高程值h；
(2.3)计算从步骤(1.2)得到的三角片的面积s；
(2.4)根据步骤(2.1)-(2.3)得到所有三角片的特征向量集合
Figure GDA0001400360290000032
作为本发明的进一步改进，所述步骤(3)的具体流程为：
(3.1)从步骤(2.4)得到的特征向量集合T中任意选取5个样本，每个样本包含40+2m个特征向量(m为特征分类个数,一般为3)；
(3.2)根据步骤(3.1)得到的样本，分别计算出每个样本的类簇中心集合Θ′＝{Θi′}，
Figure GDA0001400360290000033
(3.3)使用步骤(3.2)得到的Θ′中的每一个类簇中心向量序列Θi′对地形特征向量集合进行分类，取得代价函数最小值的作为地形的最终特征类簇中心向量序列Θ。
作为本发明的进一步改进，所述步骤(3.2)的具体流程为：
(3.2.1)根据步骤(3.1)得到的任一样本，随机选取3个特征向量作为初始的类簇中心点(medoid)，样本中的其他点根据与三个中心点的最小欧氏距离分配到中心点所属类簇中，并记录分配完毕的所有非中心点到各自中心点的欧式距离之和为代价函数；
(3.2.2)选取样本中的任一非类簇中心向量
Figure GDA0001400360290000041
代替Θi′中的
Figure GDA0001400360290000042
并对样本的特征向量进行再分配，记录分配完毕的所有非中心向量到各自中心向量的欧式距离之和为代价函数
Figure GDA0001400360290000043
(3.2.3)重复步骤(3.2.2)，得到代价函数集合
Figure GDA0001400360290000044
使用取得代价函数最小值
Figure GDA0001400360290000045
的类簇中心向量序列作为样本的最终类簇中心向量序列Θi′。
(3.2.4)重复步骤(3.2.2)-(3.2.3)，得到备选类簇中心向量序列集合Θ′＝{Θi′}。
作为本发明的进一步改进，所述步骤(4)的具体流程为：
(4.1)根据步骤(3)得到4类已知地形的特征类簇中心向量序列；
(4.2)使用步骤(4.1)得到的特征向量序列训练BP网络；
(4.3)采用步骤(4.2)中训练好的BP网络处理未知地形的特征类簇中心向量序列，得到该地形的分类结果。
作为本发明的进一步改进，所述步骤(5)的具体流程为：
(5.1)确定平坦(FL)、丘陵(LM)、山地(HI)、陡峭(ST)4类地形的类型隶属度函数：
(5.2)划分威胁程度等级，确定各个等级的威胁程度隶属函数；
(5.3)划分可通行性等级，确定各个等级的通行性隶属函数；
(5.4)根据步骤(5.1)-(5.3)得到的地形类型(TE)和威胁程度(TH)建立得到可通行性(TRA)的推理规则：
Figure GDA0001400360290000051
(5.5)根据步骤(5.2)计算地形的类型隶属度，结合威胁评估系统给出的威胁程度计算威胁程度等级隶属度，使用Mamdani模糊蕴含规则计算得到空域的可通行性值。
作为本发明的进一步改进，所述步骤(5.1)的具体流程为：
(5.1.1)利用25×25的矩形块遍历地形区域，得到矩形块中最小高程值和最大高程值得差值E的范围；
(5.1.2)建立平坦地形隶属度函数：
Figure GDA0001400360290000052
(5.1.3)建立丘陵地形隶属度函数：
Figure GDA0001400360290000061
(5.1.4)建立山地地形隶属度函数：
Figure GDA0001400360290000062
(5.1.5)建立陡峭地形隶属度函数：
Figure GDA0001400360290000063
作为本发明的进一步改进，所述步骤(5.2)的具体流程为：
(5.2.1)划分威胁程度等级为{小(SML),中(MID),大(LAR)}3个等级；
(5.2.2)根据威胁程度n∈[0,10]建立威胁程度为“小”的隶属度函数：
μSML＝1-0.25n，0≤n≤4
(5.2.3)建立威胁程度为“中”的隶属度函数：
Figure GDA0001400360290000064
(5.2.4)建立威胁程度为“大”的隶属度函数：
μLAR＝0.25n-1.5,6≤n≤10
作为本发明的进一步改进，所述步骤(5.3)的具体流程为：
(5.3.1)划分可通行性的等级为{极差ebad，差bad，中等nor，好good，极好egood}；
(5.3.2)根据可通行性的好坏程度t∈[0,1]，建立可通行性程度为极差的隶属度函数：
μEBAD＝1-4t,0≤t≤0.25
(5.3.3)根据可通行性的好坏程度t∈[0,1]，建立可通行性程度为差的隶属度函数：
Figure GDA0001400360290000071
(5.3.4)根据可通行性的好坏程度t∈[0,1]，建立可通行性程度为中等的隶属度函数：
Figure GDA0001400360290000072
(5.3.5)根据可通行性的好坏程度t∈[0,1]，建立可通行性程度为好的隶属度函数：
Figure GDA0001400360290000073
(5.3.6)根据可通行性的好坏程度t∈[0,1]，建立可通行性程度为极好的隶属度函数：
μEGOOD＝4t-3,0.75≤t≤1
有益效果
本发明给出一种基于格网地形特征的空域可通行性分析方法，对格网数字高程模型做了三角剖分，并在剖分好的三角片上设计选取了能够表征三角片空间性质的特征，完成了三角片特征向量的提取；利用CLARA方法对地形样本包含的所有三角片的特征向量进行聚类，得到能够代表地形样本的特征矩阵；采用BP神经网络在得到的地形特征矩阵的基础上实现了地形分类；结合威胁程度数据采用模糊数学方法建立模糊推理系统，完成对战场区域可通行性的计算。
附图说明
图1是本发明基于格网地形特征的空域可通行性分析方法的流程示意图。
图2是本发明在具体应用实例中进行可通行性模糊推理计算的示意图。
具体实施方式
下面结合附图和实施例对本发明进一步说明，本发明包括但不仅限于下述实施例。
步骤1、三角剖分。对组成地形的规则格网进行三角剖分；所述规则格网为机载地形高程矩阵
Figure GDA0001400360290000081
采用矩阵主对角线对规则格网进行剖分，得到三角片集合；具体按如下步骤进行：
1.1读取机载地形高程矩阵
Figure GDA0001400360290000082
所述矩阵由规则排列的n×n的高程值组成；
1.2利用对角线将步骤(1.1)得到的高程矩阵中的每一个小矩形剖分成2个三角片。
步骤2、特征提取。在三角片上提取法向量与垂直向量的夹角θ、三角片质心高程h、三角片面积s三个特征，得到三角片的特征向量T＝(θ,h,s)；具体按如下步骤进行：
2.1计算从步骤1.2得到的三角片的法向量与垂直向量的夹角θ；
2.2计算从步骤1.2得到的三角片的质心高程值h；
2.3计算从步骤1.2得到的三角片的面积s；
步骤3、特征约减。由步骤2得到所有三角片的特征向量集合
Figure GDA0001400360290000083
对该集合进行约减聚类，计算得到地形特征集合T′＝{T1′,…,Tk′}。具体按如下步骤进行：
3.1从步骤2.4得到的特征向量集合T中任意选取5个样本，每个样本包含40+2×3个特征向量；
3.2根据步骤3.1得到的任一样本，随机选取3个特征向量作为初始的类簇中心点(medoid)，样本中的其他点根据与三个中心点的最小欧氏距离分配到中心点所属类簇中，并记录分配完毕的所有非中心点到各自中心点的欧式距离之和为代价函数；
3.3选取样本中的任一非类簇中心向量
Figure GDA0001400360290000091
代替Θi′中的
Figure GDA0001400360290000092
并对样本的特征向量进行再分配，记录分配完毕的所有非中心向量到各自中心向量的欧式距离之和为代价函数
Figure GDA0001400360290000093
3.4重复步骤3.3，得到代价函数集合
Figure GDA0001400360290000094
使用取得代价函数最小值
Figure GDA0001400360290000095
的类簇中心向量序列作为样本的最终类簇中心向量序列Θi′。
3.5重复步骤3.3、3.4，得到备选类簇中心向量序列集合Θ′＝{Θi′}。
3.6使用步骤3.5得到的Θ′中的每一个类簇中心向量序列Θi′对地形特征向量集合进行分类，取得代价函数最小值的作为地形的最终特征类簇中心向量序列Θ。
步骤4、地形识别。通过提取类型已知的地形特征集合训练BP网络，使用经过第三步的约减得到的T′确定地形类型；具体按如下步骤进行：
4.1根据步骤3得到4类已知地形的特征类簇中心向量序列；
4.2使用步骤4.1得到的特征向量序列训练BP网络；
4.3采用步骤4.2中训练好的BP网络处理未知地形的特征类簇中心向量序列，得到该地形的分类结果。
步骤5、可通行性分析。经过步骤4得到地形类型后，结合威胁评估系统给出的空域威胁程度搭建模糊推理系统，计算得到空域可通行性结果。具体按如下步骤进行：
5.1确定平坦(FL)、丘陵(LM)、山地(HI)、陡峭(ST)4类地形的类型隶属度函数：
5.2划分威胁程度等级，确定各个等级的威胁程度隶属函数；
5.3划分可通行性等级，确定各个等级的通行性隶属函数；
5.4根据步骤5.1-5.3得到的地形类型(TE)和威胁程度(TH)建立得到可通行性(TRA)的推理规则
5.5根据步骤5.2计算地形的类型隶属度，结合威胁评估系统给出的威胁程度计算威胁程度等级隶属度，使用Mamdani模糊蕴含规则计算得到空域的可通行性值。
本发明的效果可以通过以下仿真实验进一步说明：
想定一块战场区域，其中区域的威胁程度为5。根据步骤2、3得到其最终特征类簇中心向量序列Θ
Figure GDA0001400360290000101
根据步骤4训练得到的模板，处理Θ，识别出该地形区域为山地。
根据步骤5.1确定该地形的高程差为560。
根据步骤5.2-5.5得到的模糊推理系统推理得到该区域的可通行性为0.531.
以上仅是本发明的优选实施方式，本发明的保护范围并不局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (2)

1.一种基于格网地形特征的空域可通行性分析方法，其步骤为：
(1)三角剖分：对地形的规则格网进行三角剖分；所述规则格网为机载地形高程矩阵
Figure FDA0001287431400000011
采用所述高程矩阵的主对角线对规则格网进行剖分，得到三角片集合；
(2)特征提取：在三角片集合中的每个三角片上提取法向量与垂直向量的夹角θ、三角片质心高程h以及三角片面积s三个特征，并根据上述的三个特征得到每个三角片的特征向量T＝(θ,h,s)，并得到所有三角片的特征向量集合
Figure FDA0001287431400000012
(3)特征约减：对步骤(2)得到所有三角片的特征向量集合
Figure FDA0001287431400000013
进行约减和聚类处理，之后得到简化地形特征向量集合T′＝{T1′,…,T′k}；
(4)地形识别：通过所述的简化地形特征向量集合T′＝{T1′,…,T′k}训练BP神经网络，所述的BP神经网络用于给出地形类型的判断结果；
(5)可通行性分析：采集目标空域的地形数据，从所述地形数据中提取地形特征，根据所述的BP神经网络判断提取的地形特征，给出地形类型的判断结果；
(6)根据地形类型以及空域威胁程度判断表来得出可通行性分析结果。
2.根据权利要求1所述的一种基于格网地形特征的空域可通行性分析方法，其特征在于：经过步骤(4)得到地形类型后，结合威胁评估系统给出的空域威胁程度搭建模糊推理系统，计算得到空域可通行性结果。
CN201710312132.1A 2017-05-05 2017-05-05 一种基于格网地形特征的空域可通行性分析方法 Active CN108805150B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710312132.1A CN108805150B (zh) 2017-05-05 2017-05-05 一种基于格网地形特征的空域可通行性分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710312132.1A CN108805150B (zh) 2017-05-05 2017-05-05 一种基于格网地形特征的空域可通行性分析方法

Publications (2)

Publication Number Publication Date
CN108805150A CN108805150A (zh) 2018-11-13
CN108805150B true CN108805150B (zh) 2021-12-21

Family

ID=64054849

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710312132.1A Active CN108805150B (zh) 2017-05-05 2017-05-05 一种基于格网地形特征的空域可通行性分析方法

Country Status (1)

Country Link
CN (1) CN108805150B (zh)

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9141113B1 (en) * 2012-04-26 2015-09-22 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration Probabilistic surface characterization for safe landing hazard detection and avoidance (HDA)
CN103645480B (zh) * 2013-12-04 2015-11-18 北京理工大学 基于激光雷达和图像数据融合的地形地貌特征构建方法
CN105844972B (zh) * 2016-05-24 2018-05-18 南京航空航天大学 一种直升机前视地形告警方法

Also Published As

Publication number Publication date
CN108805150A (zh) 2018-11-13

Similar Documents

Publication Publication Date Title
Chen et al. Distribution line pole detection and counting based on YOLO using UAV inspection line video
CN104635203B (zh) 一种基于粒子滤波算法的无线电干扰源测向定位方法
CN110119438A (zh) 基于主动学习的机载LiDAR点云滤波方法
CN106446922B (zh) 一种人群异常行为分析方法
JP6197659B2 (ja) 検出制御装置、プログラム及び検出システム
CN109325935A (zh) 一种基于无人机图像的输电线路检测方法
CN101893704A (zh) 一种基于粗糙集的雷达辐射源信号识别方法
CN104077605A (zh) 一种基于颜色拓扑结构的行人搜索识别方法
CN110348478B (zh) 一种基于形状分类与组合的室外点云场景中树木提取方法
CN108562885B (zh) 一种高压输电线路机载LiDAR点云提取方法
CN111079859A (zh) 一种无源多站多目标测向交叉定位与虚假点去除方法
Chen et al. Plant leaf segmentation for estimating phenotypic traits
Li et al. The application of Yolov4 and a new pedestrian clustering algorithm to implement social distance monitoring during the COVID-19 pandemic
CN106033613B (zh) 目标跟踪方法及装置
CN102722702A (zh) 多特征融合的粒子滤波视频目标跟踪方法
CN113781431A (zh) 基于城市点云数据的绿视率计算方法
Torres et al. A deep learning model for identifying mountain summits in digital elevation model data
CN106845389A (zh) 一种基于方向‑集群性模型的人群逃散事件检测方法及系统
CN106454241B (zh) 一种基于监控视频与社交网络数据的灰霾来源确定方法
Torres et al. Mountain summit detection with Deep Learning: evaluation and comparison with heuristic methods
CN108805150B (zh) 一种基于格网地形特征的空域可通行性分析方法
CN110458111B (zh) 基于LightGBM的车载激光点云电力线的快速提取方法
CN109740504A (zh) 一种基于遥感影像提取海域资源的方法
CN108981728A (zh) 一种智能车辆导航地图建立方法
CN107194431A (zh) 机载LiDAR点云数据分类技术

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