CN109164444A - 一种基于遥感数据的自然景观重构方法 - Google Patents
一种基于遥感数据的自然景观重构方法 Download PDFInfo
- Publication number
- CN109164444A CN109164444A CN201811023877.7A CN201811023877A CN109164444A CN 109164444 A CN109164444 A CN 109164444A CN 201811023877 A CN201811023877 A CN 201811023877A CN 109164444 A CN109164444 A CN 109164444A
- Authority
- CN
- China
- Prior art keywords
- natural landscape
- ndvi
- remote sensing
- vegetation
- reconstructing method
- 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 46
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 claims abstract description 18
- 238000012937 correction Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 11
- 238000007476 Maximum Likelihood Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- BVPWJMCABCPUQY-UHFFFAOYSA-N 4-amino-5-chloro-2-methoxy-N-[1-(phenylmethyl)-4-piperidinyl]benzamide Chemical compound COC1=CC(N)=C(Cl)C=C1C(=O)NC1CCN(CC=2C=CC=CC=2)CC1 BVPWJMCABCPUQY-UHFFFAOYSA-N 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000010287 polarization Effects 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 238000002310 reflectometry Methods 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 2
- 238000007619 statistical method Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 claims description 2
- 239000004744 fabric Substances 0.000 claims 1
- 230000001151 other effect Effects 0.000 claims 1
- 230000004069 differentiation Effects 0.000 abstract 1
- 230000001737 promoting effect Effects 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010348 incorporation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000470 constituent Substances 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000007654 immersion Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 238000012144 step-by-step procedure Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于遥感数据的自然景观重构方法，涉及遥感、VR/AR领域，利用卫星或航飞的高分辨率遥感影像进行地物判别，然后经过地物识别；模型设计与编码；地物模型匹配；自然景观重建的步骤后，与构建的模型库匹配后进行自然景观重构。本发明可操作性强、可推广性强，为旅游景观展示、自然风景区宣传展示等提供技术支撑，提高了自然景观在VR/AR中的真实度和体感度。
Description
技术领域
本发明涉及遥感、VR/AR领域，具体通过地物识别、植被高度测算和精细模型库构建为基础，通过地物识别与模型库的对应关系来进行自然景观重构的方法；即一种基于遥感数据的自然景观重构方法。
背景技术
在VR/AR尤其是在旅游等景观数字化过程中，要么只是沿着固定点拍摄的高清图像，缺乏自由度和后续分析的价值；要么是人工纯手工建模，缺乏真实感；要么利用比较新的倾斜摄影技术构建场景，缺乏细节，只可远观的尴尬。随着人们对沉浸感、真实感等需求的不断增强，急需一套自然景观重构方法，既可满足景观的真实感，又满足空间分析等后续应用价值，还具有接近自然丰富生动的形象。
发明内容
本发明的目的在于提供一种基于遥感数据的自然景观重构方法，提高自然景观数字化和重构的技术手段和应用效果，解决当前缺乏真实感、精细度查、后续应用价值低等问题。
为了实现上述目的，本发明的技术方案是：
一种基于遥感数据的自然景观重构方法，该方法的步骤是：
S1、地物识别——首先进行遥感影像处理，然后进行自动遥感解译与人工遥感解译结合进行地物识别；
S2、模型设计与编码——按照地物种类进行编码，并制作地物模型库；
S3，地物识别结果与地物模型匹配；
S4，根据模型匹配结果进行自然景观重建；将匹配后的地物模型构建真实的自然景观，并结合植被高度，以及日照、天气、光影进行实景景观模拟。
进一步的，在所述步骤S1中，所述地物识别是利用专业遥感图像处理软件对遥感影像进行大气校正、几何校正的数据处理工作；所述遥感影像包括卫星遥感影像、航空遥感影像、无人机遥感影像；所述卫星遥感影像首先进行辐射定标处理，然后进行大气校正、几何校正后得到地物识别结果，所述航空遥感影像、无人机遥感影像经几何校正、正射校正后得到地物识别结果。
进一步的，在所述步骤S1中，所述地物识别是指利用ENVI或易康或GIS软件进行自动识别和人工判读两种地物识别方法，再通过植被高度或植被覆盖范围计算，生成地物识别分布图和植被长势图，最后对结果进行优化处理；
根据归一化植被指数NDVI来计算植被覆盖，具体计算公式如下：
NDVI＝(NIR-RED)/(NIR+RED)
其中，NIR、RED分别代表植被在近红外波段和红光波段上的反射率，NDVI为归一化植被指数，NDVI转化为植被覆盖度的公式如下：
fNDVI＝(NDVI-NDVImin)/(NDVImax-NDVImin)
fNDVI为植被覆盖度，NDVImax、NDVImin分别为最大和最小归一化植被指数；
利用全极化干涉雷达提取植被高度；
利用聚类分析、剔除方法去除小的碎屑多边形，将小的同类多边形进行合并，使地物识别效果更好。
进一步的，所述自动识别是指以不同影像地物在特征空间中类别特征的差别为依据的一种无先验(已知)类别标准的图像分类，是以集群为理论基础，通过计算机对图像进行集聚统计分析的方法；根据待分类样本特征参数的统计特征，建立决策规则来进行分类，而不需事先知道类别特征；所述自动识别的算法有回归分析、趋势分析、等混合距离法、集群分析、主成分分析和图形识别。
进一步的，所述人工识别(也称监督分类(supervised classification)，又称训练场地法，)是指根据已知训练区提供的样本，通过选择特征参数，求出特征参数作为决策规则，建立判别函数以对各待分类影像进行的图像分类；判别准则若满足分类精度要求，则此准则成立；反之，需重新建立分类的决策规则，直至满足分类精度要求为止；
所述人工识别采用最大似然分类法对地物进行判别，在两类或多类判决中，用统计方法根据最大似然比贝叶斯判决准则法建立非线性判别函数集，假定各类分布函数为正态分布，并选择训练区，计算各待分类样区的归属概率而进行分类。
进一步的，在所述步骤S2中，地物模型制作是指利用3D Studio Max或Maya或Rhino或Solidworks三维模型制作软件进行制作和设计。
进一步的，在所述步骤S3中，对S2得到的分类结果利用地物编码及空间位置关系进行地物匹配。
进一步的，在所述步骤S4中，对识别的地物通过地物模型及其高度进行自然景观重构。
与现有技术相比，本发明具有的优点和积极效果是：
本发明提出一种基于遥感数据的自然景观重构方法，为VR/AR真实场景构建提供技术支撑，提高了自然景观重建的技术水平和场景体验度；间接拓宽了自然景观重建的应用领域；本方法降低了自然景观重建成本，便于推广应用；本方法对于自然景观构建相关项目或研究具有很高的应用价值；本方法技术融合多种先进技术，技术水平先进。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的分步流程图；
图2为本发明的整体流程图。
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，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
如图1、图2所示，本发明的基于遥感数据的自然景观重构方法，该方法的步骤是：
S1、地物识别——首先进行遥感影像处理，然后进行自动遥感解译与人工遥感解译结合进行地物识别；
S2、模型设计与编码——按照地物种类进行编码，并制作地物模型库；
S3，地物识别结果与地物模型匹配；
S4，根据模型匹配结果进行自然景观重建；将匹配后的地物模型构建真实的自然景观，并结合植被高度，以及日照、天气、光影进行实景景观模拟。
在所述步骤S1中，所述地物识别是利用专业遥感图像处理软件对遥感影像进行大气校正、几何校正的数据处理工作；所述遥感影像包括卫星遥感影像、航空遥感影像、无人机遥感影像；所述卫星遥感影像首先进行辐射定标处理，然后进行大气校正、几何校正后得到地物识别结果，所述航空遥感影像、无人机遥感影像经几何校正、正射校正后得到地物识别结果。
在所述步骤S1中，所述地物识别是指利用ENVI或易康或GIS软件进行自动识别和人工判读两种地物识别方法，再通过植被高度或植被覆盖范围计算，生成地物识别分布图和植被长势图，最后对结果进行优化处理；
根据归一化植被指数NDVI来计算植被覆盖，具体计算公式如下：
NDVI＝(NIR-RED)/(NIR+RED)
其中，NIR、RED分别代表植被在近红外波段和红光波段上的反射率，NDVI为归一化植被指数，NDVI转化为植被覆盖度的公式如下：
fNDVI＝(NDVI-NDVImin)/(NDVImax-NDVImin)
fNDVI为植被覆盖度，NDVImax、NDVImin分别为最大和最小归一化植被指数；
利用全极化干涉雷达提取植被高度；
利用聚类分析、剔除方法去除小的碎屑多边形，将小的同类多边形进行合并，使地物识别效果更好。
所述自动识别是指以不同影像地物在特征空间中类别特征的差别为依据的一种无先验(已知)类别标准的图像分类，是以集群为理论基础，通过计算机对图像进行集聚统计分析的方法；根据待分类样本特征参数的统计特征，建立决策规则来进行分类，而不需事先知道类别特征；所述自动识别的算法有回归分析、趋势分析、等混合距离法、集群分析、主成分分析和图形识别。
所述人工识别(也称监督分类(supervised classification)，又称训练场地法，)是指根据已知训练区提供的样本，通过选择特征参数，求出特征参数作为决策规则，建立判别函数以对各待分类影像进行的图像分类；判别准则若满足分类精度要求，则此准则成立；反之，需重新建立分类的决策规则，直至满足分类精度要求为止；
所述人工识别采用最大似然分类法对地物进行判别，在两类或多类判决中，用统计方法根据最大似然比贝叶斯判决准则法建立非线性判别函数集，假定各类分布函数为正态分布，并选择训练区，计算各待分类样区的归属概率而进行分类。
在所述步骤S2中，地物模型制作是指利用3D Studio Max或Maya或Rhino或Solidworks三维模型制作软件进行制作和设计。在所述步骤S3中，对S2得到的分类结果利用地物编码及空间位置关系进行地物匹配。在所述步骤S4中，对识别的地物通过地物模型及其高度进行自然景观重构。
本发明提出一种基于遥感数据的自然景观重构方法，以遥感数据为数据源，以光学遥感和雷达遥感数据相结合为基础，进行地物识别、植被高度估算、地物模型库构建等，为VR/AR真实场景构建提供技术支撑，提高了自然景观重建的技术水平和场景体验度；间接拓宽了自然景观重建的应用领域；本方法降低了自然景观重建成本，便于推广应用；本方法对于自然景观构建相关项目或研究具有很高的应用价值；本方法技术融合多种先进技术，技术水平先进。
Claims (8)
1.一种基于遥感数据的自然景观重构方法，其特征在于：该方法的步骤是：
S1、地物识别，首先进行遥感影像处理，然后进行自动遥感解译与人工遥感解译结合进行地物识别；S2、模型设计与编码，按照地物种类进行编码，并制作地物模型库；S3，地物识别结果与地物模型匹配；S4，根据模型匹配结果进行自然景观重建；将匹配后的地物模型构建真实的自然景观，并结合植被高度，以及日照、天气、光影进行实景景观模拟。
2.如权利要求1所述的自然景观重构方法，其特征在于：在所述步骤S1中，所述地物识别是利用专业遥感图像处理软件对遥感影像进行大气校正、几何校正的数据处理工作；所述遥感影像包括卫星遥感影像、航空遥感影像、无人机遥感影像；所述卫星遥感影像首先进行辐射定标处理，然后进行大气校正、几何校正后得到地物识别结果，所述航空遥感影像、无人机遥感影像经几何校正、正射校正后得到地物识别结果。
3.如权利要求2所述的自然景观重构方法，其特征在于：在所述步骤S1中，所述地物识别是指利用ENVI或易康或GIS软件进行自动识别和人工判读两种地物识别方法，再通过植被高度或植被覆盖范围计算，生成地物识别分布图和植被长势图，最后对结果进行优化处理；
根据归一化植被指数NDVI来计算植被覆盖，具体计算公式如下：
NDVI＝(NIR-RED)/(NIR+RED)
其中，NIR、RED分别代表植被在近红外波段和红光波段上的反射率，NDVI为归一化植被指数，NDVI转化为植被覆盖度的公式如下：
fNDVI＝(NDVI-NDVImin)/(NDVImax-NDVImin)
fNDVI为植被覆盖度，NDVImax、NDVImin分别为最大和最小归一化植被指数；
利用全极化干涉雷达提取植被高度；
利用聚类分析、剔除方法去除小的碎屑多边形，将小的同类多边形进行合并，使地物识别效果更好。
4.如权利要求3所述的自然景观重构方法，其特征在于：所述自动识别是指以不同影像地物在特征空间中类别特征的差别为依据的一种无先验(已知)类别标准的图像分类，是以集群为理论基础，通过计算机对图像进行集聚统计分析的方法；根据待分类样本特征参数的统计特征，建立决策规则来进行分类，而不需事先知道类别特征；所述自动识别的算法有回归分析、趋势分析、等混合距离法、集群分析、主成分分析和图形识别。
5.如权利要求3所述的自然景观重构方法，其特征在于：所述人工识别(也称监督分类(supervised classification)，又称训练场地法，)是指根据已知训练区提供的样本，通过选择特征参数，求出特征参数作为决策规则，建立判别函数以对各待分类影像进行的图像分类；判别准则若满足分类精度要求，则此准则成立；反之，需重新建立分类的决策规则，直至满足分类精度要求为止；
所述人工识别采用最大似然分类法对地物进行判别，在两类或多类判决中，用统计方法根据最大似然比贝叶斯判决准则法建立非线性判别函数集，假定各类分布函数为正态分布，并选择训练区，计算各待分类样区的归属概率而进行分类。
6.如权利要求1所述的自然景观重构方法，其特征在于：在所述步骤S2中，地物模型制作是指利用3D Studio Max或Maya或Rhino或Solidworks三维模型制作软件进行制作和设计。
7.如权利要求1所述的自然景观重构方法，其特征在于：在所述步骤S3中，对S2得到的分类结果利用地物编码及空间位置关系进行地物匹配。
8.如权利要求1所述的自然景观重构方法，其特征在于：在所述步骤S4中，对识别的地物通过地物模型及其高度进行自然景观重构。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811023877.7A CN109164444A (zh) | 2018-09-04 | 2018-09-04 | 一种基于遥感数据的自然景观重构方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811023877.7A CN109164444A (zh) | 2018-09-04 | 2018-09-04 | 一种基于遥感数据的自然景观重构方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109164444A true CN109164444A (zh) | 2019-01-08 |
Family
ID=64894024
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811023877.7A Pending CN109164444A (zh) | 2018-09-04 | 2018-09-04 | 一种基于遥感数据的自然景观重构方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109164444A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110618144A (zh) * | 2019-09-26 | 2019-12-27 | 中国水利水电科学研究院 | 一种快速测定黄土塬区泉眼位置的方法 |
| CN111402162A (zh) * | 2020-03-13 | 2020-07-10 | 北京华云星地通科技有限公司 | 卫星遥感图像的晴空数据集处理方法 |
| CN112395518A (zh) * | 2020-11-30 | 2021-02-23 | 浙江神韵文化科技有限公司 | 基于互联网的智能虚拟旅游系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005057129A1 (de) * | 2003-12-15 | 2005-06-23 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Verfahren und vorrichtung zur mindestens teilweise automatisierten auswertung von fernerkundungsdaten |
| CN102521273A (zh) * | 2011-11-23 | 2012-06-27 | 中国科学院地理科学与资源研究所 | 一种高分辨率遥感的多功能城市用地空间信息生成方法 |
| US20160307073A1 (en) * | 2015-04-20 | 2016-10-20 | Los Alamos National Security, Llc | Change detection and change monitoring of natural and man-made features in multispectral and hyperspectral satellite imagery |
| 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 |
| CN107909607A (zh) * | 2017-12-11 | 2018-04-13 | 河北省科学院地理科学研究所 | 一种年度区域植被覆盖度计算方法 |
| CN108168521A (zh) * | 2017-12-14 | 2018-06-15 | 福建农林大学 | 一种基于无人机实现景观三维可视化的方法 |
-
2018
- 2018-09-04 CN CN201811023877.7A patent/CN109164444A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005057129A1 (de) * | 2003-12-15 | 2005-06-23 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Verfahren und vorrichtung zur mindestens teilweise automatisierten auswertung von fernerkundungsdaten |
| CN102521273A (zh) * | 2011-11-23 | 2012-06-27 | 中国科学院地理科学与资源研究所 | 一种高分辨率遥感的多功能城市用地空间信息生成方法 |
| US20160307073A1 (en) * | 2015-04-20 | 2016-10-20 | Los Alamos National Security, Llc | Change detection and change monitoring of natural and man-made features in multispectral and hyperspectral satellite imagery |
| 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 |
| CN107909607A (zh) * | 2017-12-11 | 2018-04-13 | 河北省科学院地理科学研究所 | 一种年度区域植被覆盖度计算方法 |
| CN108168521A (zh) * | 2017-12-14 | 2018-06-15 | 福建农林大学 | 一种基于无人机实现景观三维可视化的方法 |
Non-Patent Citations (10)
| Title |
|---|
| 刘颂: "基于遥感影像的三维地形景观模拟技术初探", 《系统仿真技术》 * |
| 吴卿 等: "《基于高分辨率遥感影像的水土保持生态建设监测方法研究》", 30 April 2009, 黄河水利出版社 * |
| 周杨等: "利用高分辨率航天遥感影像实现城市3维可视化", 《测绘学院学报》 * |
| 张晓浩 等: "基于机载激光雷达的海岸带三维景观仿真模拟", 《热带海洋学报》 * |
| 张训华等: "《海洋地质调查技术》", 31 December 2017, 海洋出版社 * |
| 曹宇 等: "基于多项植被指数的景观生态类型遥感解译与分类", 《自然资源学报》 * |
| 李德仁 等: "《摄影测量与遥感概论》", 31 January 2001, 测绘出版社 * |
| 游雄 等: "《地形建模原理与精度评估方法》", 31 December 2014, 测绘出版社 * |
| 程效军等: "基于数字摄影测量技术的三维建模", 《同济大学学报(自然科学版)》 * |
| 蒋云志等: "基于遥感技术的旅游自然景观全貌设计", 《山地学报》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110618144A (zh) * | 2019-09-26 | 2019-12-27 | 中国水利水电科学研究院 | 一种快速测定黄土塬区泉眼位置的方法 |
| CN111402162A (zh) * | 2020-03-13 | 2020-07-10 | 北京华云星地通科技有限公司 | 卫星遥感图像的晴空数据集处理方法 |
| CN111402162B (zh) * | 2020-03-13 | 2023-11-07 | 北京华云星地通科技有限公司 | 卫星遥感图像的晴空数据集处理方法 |
| CN112395518A (zh) * | 2020-11-30 | 2021-02-23 | 浙江神韵文化科技有限公司 | 基于互联网的智能虚拟旅游系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108573276B (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
| CN105069746B (zh) | 基于局部仿射和颜色迁移技术的视频实时人脸替换方法及其系统 | |
| Majeed et al. | Apple tree trunk and branch segmentation for automatic trellis training using convolutional neural network based semantic segmentation | |
| CN103971115B (zh) | 一种基于NDVI和PanTex指数的新增建设用地图斑自动提取方法 | |
| CN108710863A (zh) | 基于深度学习的无人机航拍场景语义分割方法及系统 | |
| CN102013017B (zh) | 一种高分辨率遥感图像场景粗分类方法 | |
| CN108629287A (zh) | 一种遥感影像地物分类方法 | |
| CN107403434B (zh) | 基于两阶段聚类的sar图像语义分割方法 | |
| CN103914705B (zh) | 一种基于多目标免疫克隆的高光谱图像分类和波段选择的方法 | |
| CN110309780A (zh) | 基于bfd-iga-svm模型的高分辨率影像房屋信息快速监督识别 | |
| Ma et al. | Automatic branch detection of jujube trees based on 3D reconstruction for dormant pruning using the deep learning-based method | |
| CN103871100A (zh) | 基于点云与数据驱动的树木模型重建方法 | |
| CN109164444A (zh) | 一种基于遥感数据的自然景观重构方法 | |
| CN111814563B (zh) | 一种种植结构的分类方法及装置 | |
| CN112950780A (zh) | 一种基于遥感影像的网络地图智能生成方法及系统 | |
| CN111429490A (zh) | 一种基于标定球的农林作物三维点云配准方法 | |
| Risse et al. | Software to convert terrestrial LiDAR scans of natural environments into photorealistic meshes | |
| CN112288645A (zh) | 一种颅骨面貌复原模型构建方法及复原方法与系统 | |
| CN114049621A (zh) | 一种基于Mask R-CNN的棉花顶尖识别检测方法 | |
| CN103020931B (zh) | 基于方向波域隐马尔可夫树模型的多源图像融合方法 | |
| Fan et al. | UAV image crop classification based on deep learning with spatial and spectral features | |
| CN116824485A (zh) | 一种基于深度学习的开放场景伪装人员小目标检测方法 | |
| CN114494586B (zh) | 晶格投影的深度学习网络阔叶树枝叶分离与骨架重建方法 | |
| CN104408731A (zh) | 基于区域图和统计相似性编码的sar图像分割方法 | |
| Xi et al. | High-Confidence Sample Generation Technology and Application for Global Land-Cover Classification |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190108 |
|
| RJ01 | Rejection of invention patent application after publication |