CN109344473A - 一种基于形态特征的对口河识别方法 - Google Patents
一种基于形态特征的对口河识别方法 Download PDFInfo
- Publication number
- CN109344473A CN109344473A CN201811085455.2A CN201811085455A CN109344473A CN 109344473 A CN109344473 A CN 109344473A CN 201811085455 A CN201811085455 A CN 201811085455A CN 109344473 A CN109344473 A CN 109344473A
- Authority
- CN
- China
- Prior art keywords
- river
- counterpart
- point
- rivers
- angle
- 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
- 230000000877 morphologic effect Effects 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 title claims abstract description 17
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 17
- 239000000284 extract Substances 0.000 claims description 6
- 229910052738 indium Inorganic materials 0.000 claims description 5
- 229910052745 lead Inorganic materials 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001002 morphogenetic effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于形态特征的对口河识别方法,具体包括步骤:首先,基于研究区矢量水系图,结合研究区域的DEM数据,计算河流流向;其次,提取组成河流交汇角的两直线河段,并计算河流交汇角;最后记录所形成河流交汇角为平角的两河流,生成对口河图层。本发明能在已有的矢量水系网图上,通过计算流向、提取直线边、计算河流交汇角等环节,快速实现对口河的自动提取。本发明与现有技术相比,既提高了识别效率,又可有效避免人工操作时的误判和漏判。
Description
技术领域
本发明涉及地理信息技术和水文学领域,尤其涉及一种基于形态特征的对口河识别方法。
背景技术
河流是作用于地球表层的最广泛和活跃的外营力,是陆地水循环的主要路径。水系是不同等级的河流在流域内构成的河道系统。除了受自然环境的控制,水系形态特征的形成还受到地质构造的影响,从而在平面图形上会呈现出特有的具有展部排列规律的排列。前人已有大量研究表明水系样式、河流阶地、河谷形态等都会对褶皱和断裂等构造活动做出积极响应。通过对水系密度和形态特征等水系特性的分析,能够间接的实现对地质构造和地壳运动的解析。
对口河的基本特征表现为两条河流从两边向一个中心处汇流,且这两条河流近似在一条直线上。现阶段基于形态特征对特定河流的识别大多都是由解译人员人工完成的,解译人员在关于水系的专题地图上,借助自身的专业知识和判读经验,对水系的形态特征做出区分判断,进而识别出特定河流。相比之下,借助计算机自动化通过识别水系形态特征来识别特定河流的研究还有待进一步发展。
发明内容
发明目的:本发明针对现有技术存在的问题,提供一种基于形态特征的对口河识别方法,本发明从对口河的形态特征出发,通过计算河流流向、计算河流交汇角等环节,形成一种高效的对口河自动识别方法。
技术方案:本发明所述的基于形态特征的对口河识别方法包括:
(1)基于研究区域的水系矢量线图层和DEM数据,计算每条河流的流向,并将流向信息存储到集合ToID={ti|i=0,1,2......nr-1},ti表示河流ri流向的河流序号子集合,nr为河流个数;
(2)根据集合ToID,获取流入任一河流ri的所有河流,并将其存储到集合Fi中,i∈0,1,2......nr-1;若集合Fi中元素小于2,则执行步骤(6),否则执行步骤(3);
(3)从集合Fi中获取两条未计算过河流交汇角的河流ra和河流rb,并计算其河流交汇角θ;
(4)当|θ-180|小于用户设置的理想角度与实际角度之间的最大角度差阈值时,判定河流ra和河流rb为对口河,否则判定为非对口河;
(5)循环执行(3)到(4),直至集合Fi中任意两条河流都被处理;
(6)循环执行(2)到(5),直至所有河流都被处理;
(7)将所有的对口河生成对口河图层。
进一步的,步骤(1)具体包括:
(1-1)读取研究区域水系矢量线图层中河流线数据到集合R={ri|i=0,1,2......nr-1}中,i表示河流序号;
(1-2)获取集合R中所有河流的两个端点,并存储到集合P={pj={rIDj,Hj}|j=0,1,2......np-1}中,pj表示第j个点,np为点个数,rIDj表示第j个点所属河流序号,Hj第j个点的高程属性;
(1-3)根据研究区域的DEM数据对集合P中每一个点的高程属性赋值;
(1-4)获取集合P中任意一条河流ri的两个端点pjm和pjn,并按照下式从中选出出口端点pto,i,i∈0,1,2......nr-1;
(1-5)根据集合P和集合R,获取包含点pto,i但点pto,i不为其出口端点的所有河流,并将这些河流的序号存储到子集合ti中;
(1-6)循环执行步骤(1-4)到(1-5),直至所有河流被处理,将所有子集合ti组合形成集合ToID={ti|i=0,1,2......nr-1}。
进一步的,步骤(2)具体包括:
(2-1)读取一条河流ri,i∈0,1,2......nr-1,对于河流ri,获取ToID中包含序号i的所有河流序号子集合,并将子集合对应的河流放入集合Fi中;
(2-2)若集合Fi中元素的个数小于2,则执行步骤(6);否则,执行步骤(3)。
进一步的,步骤(3)具体包括:
(3-1)从集合Fi中获取两条未计算过河流交汇角的河流ra和河流rb;
(3-2)获取河流ra的出口端点,标记为O,并将点O放入空的直线河段集合Pa中,设置k=2;
(3-3)以点O为起点方向,提取河流ra的第k个点放入集合Pa中;
(3-4)计算当前集合Pa所形成的子河段的直线近似度Sa;
(3-5)若Sa小于或等于用户设置的最大直线近似度阈值,且河流ra的端点还未放入集合Pa中,则将k=k+1,返回执行步骤(3-3);否则,执行步骤(3-6);
(3-6)从集合Pa中删除最后加入的点;
(3-7)若当前集合Pa所形成的子河段的实际长度La小于最短平直河段长度阈值LT,则执行步骤(5);否则,执行步骤(3-8);
(3-8)对于河流rb,按照步骤(3-2)到(3-6)执行,从而得到河流rb的直线河段集合Pb;
(3-9)分别提取集合Pa、Pb所形成的子河段的终点ae、be;
(3-10)根据终点ae、be按照下式计算方向向量na和nb;
式中(O.x,O.y)为起点O的坐标,(ae.x,ae.y)、(be.x,be.y)分别为终点ae、be的坐标;
(3-11)采用下式计算河流交汇角θ:
式中,(na.x,na.y)为向量na的坐标值,(nb.x,nb.y)为向量nb的坐标值。
进一步的,步骤(3-4)中直线近似度Sa的计算公式为:
式中,ae为Pa所形成的子河段的终点,||O-ae||表示Pa所形成的子河段的实际长度,Len(O,ae)表示点O与ae之间的理想直线长度。
有益效果:本发明与现有技术相比,其显著优点是:本发明从对口河的形态特征出发,通过计算河流流向、计算河流交汇角等环节,形成一种高效的对口河自动识别方法,既提高了识别效率,又可有效避免人工操作时的误判和漏判。
附图说明
图1是本实施例中采用的实验数据图;
图2是本发明提供的基于形态特征的对口河自动识别方法的流程图;
图3是所有河流的端点示意图;
图4是本发明中计算夹角的流程图;
图5是本发明中河流交汇角的示意图。
图6是本实施例中提取的对口河示意图。
具体实施方式
下面对本发明技术方案进行详细说明,本实例的实验数据采用的是庐山地区的水系数据(图1)。区内水系类型丰富,且构造运动对其形态形成的影响作用较为明显。下面结合附图,并通过描述一个具体的实施例,来进一步说明。
如图2所示,本实施例提供的基于形态特征的对口河识别方法具体包括以下步骤:
(1)基于研究区域的水系矢量线图层和DEM数据,计算每条河流的流向,并将流向信息存储到集合ToID={ti|i=0,1,2......nr-1},ti表示河流ri流向的河流序号子集合,nr为河流个数。本实施例中,nr=196。
(1-1)读取研究区域水系矢量线图层中河流线数据到集合R={ri|i=0,1,2......nr-1}中,i表示河流序号;
(1-2)获取集合R中所有河流的两个端点,并存储到集合P={pj={rIDj,Hj}|j=0,1,2......np-1}中,pj表示第j个点,np为点个数,rIDj表示第j个点所属河流序号,Hj第j个点的高程属性;本实施例中,集合P如图3所示,np=398;
(1-3)根据研究区域的DEM数据对集合P中每一个点的高程属性赋值;
(1-4)获取集合P中任意一条河流ri的两个端点pjm和pjn,并按照下式从中选出出口端点pto,i,i∈0,1,2......nr-1;
例如,河流r0两端点分别为p0和p1,因为H0<H1,所以河流r0的出口端点pto,0=p1;
(1-5)根据集合P和集合R,获取包含点pto,i但点pto,i不为其出口端点的所有河流,并将这些河流的序号存储到子集合ti中;例如,河流r0的出口端点为p1,不存在符合条件的河流,所以t0中不赋值;河流r3的出口端点为p7,只有一条河流要素r2满足条件,所有只将序号2存储到集合t3中;
(1-6)循环执行步骤(1-4)到(1-5),直至所有河流被处理,将所有子集合ti组合形成集合ToID={ti|i=0,1,2......nr-1}。
(2)根据集合ToID,获取流入任一河流ri的所有河流,并将其存储到集合Fi中,i∈0,1,2......nr-1。若集合Fi中元素小于2,则执行步骤(6),否则执行步骤(3)。
该步骤具体包括:
(2-1)读取一条河流ri,i∈0,1,2......nr-1,对于河流ri,获取ToID中包含序号i的所有的河流序号子集合,并将子集合对应的河流放入集合Fi中;例如,包含序号1的河流序号子集合有t6和t17,则将序号6和17放入集合F1中;
(2-2)若集合Fi中元素的个数小于2,则执行步骤(6);否则,执行步骤(3)。
(3)从集合Fi中获取两条未计算过河流交汇角的河流ra和河流rb,并计算其河流交汇角θ。
如图4所示,该步骤具体包括:
(3-1)从集合Fi中获取两条未计算过河流交汇角的河流ra和河流rb;例如,选取r6和r17;
(3-2)获取河流ra的出口端点,标记为O,并将点O放入空的直线河段集合Pa中,设置k=2;本实施例中,河流r6的出口端点即点O为(39393875.0,3278630.0);
(3-3)以点O为起点方向,提取河流ra的第k个点放入集合Pa中;
(3-4)计算当前集合Pa所形成的子河段的直线近似度Sa:
式中,ae为Pa所形成的子河段的终点,||O-ae||表示Pa所形成的子河段的实际长度,Len(O,ae)表示点O与ae之间的理想直线长度
(3-5)若Sa小于或等于用户设置的最大直线近似度阈值,且河流ra的端点还未放入集合Pa中,则将k=k+1,返回执行步骤(3-3);否则,执行步骤(3-6);本实施例中,设置的最大直线近似度阈值ST=1.05;
(3-6)从集合Pa中删除最后加入的点;本实施例中,河流r6第17次循环提取点放入集合Pa后直线近似度Sa=1.069>ST,集合Pa中删除最后加入的点(39393820.3,3278470.7);
(3-7)若当前集合Pa所形成的子河段的实际长度La小于最短平直河段长度阈值LT,则执行步骤(5);否则,执行步骤(3-8);本实施例中,用户设置的最短平直河段长度LT=100m;
(3-8)对于河流rb,按照步骤(3-2)到(3-6)执行,从而得到河流rb的直线河段集合Pb;
(3-9)分别提取集合Pa、Pb所形成的子河段的终点ae、be;本实施例中,本实施例中,当河流ra为r6,河流要素rb为r17时,终点ae=(39393848.1,3278497.7),be=(39394270.4,3278060.2),如图5所示;
(3-10)根据终点ae、be按照下式计算方向向量na和nb;
式中(O.x,O.y)为起点O的坐标,(ae.x,ae.y)、(be.x,be.y)分别为终点ae、be的坐标;本实施例中,当河流ra为r6,河流要素rb为r17时,na=(-26.8,-132.3),nb=(395.4,-569.8);
(3-11)采用下式计算河流交汇角θ:
式中,(na.x,na.y)为向量na的坐标值,(nb.x,nb.y)为向量nb的坐标值。本实施例中,当河流ra为r6,河流要素rb为r17时,θ=46.2°。
(4)当|θ-180|小于用户设置的理想角度与实际角度之间的最大角度差阈值时,判定河流ra和河流rb为对口河,否则判定为非对口河。本实施例中,用户设置的理想角度与实际角度之间的最大角度差阈值AT=15°,河流r6和r17的河流交汇角θ为46.2°,因为|46.2°-180°|>15°,所以河流r6和r17不是对口河;
(5)循环执行(3)到(4),直至集合Fi中任意两条河流被处理。
(6)循环执行(2)到(5),直至所有河流都被处理。
(7)将所有的对口河生成对口河图层。如图6所示。
以上所揭露的仅为本发明一种较佳实施例而已,不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (5)
1.一种基于形态特征的对口河识别方法,其特征在于该方法包括:
(1)基于研究区域的水系矢量线图层和DEM数据,计算每条河流的流向,并将流向信息存储到集合ToID={ti|i=0,1,2......nr-1},ti表示河流ri流向的河流序号子集合,nr为河流个数;
(2)根据集合ToID,获取流入任一河流ri的所有河流,并将其存储到集合Fi中,i∈0,1,2......nr-1;若集合Fi中元素小于2,则执行步骤(6),否则执行步骤(3);(3)从集合Fi中获取两条未计算过河流交汇角的河流ra和河流rb,并计算其河流交汇角θ;
(4)当|θ-180|小于用户设置的理想角度与实际角度之间的最大角度差阈值时,判定河流ra和河流rb为对口河,否则判定为非对口河;
(5)循环执行(3)到(4),直至集合Fi中任意两条河流都被处理;
(6)循环执行(2)到(5),直至所有河流都被处理;
(7)将所有的对口河生成对口河图层。
2.根据权利要求1所述的基于形态特征的对口河识别方法,其特征在于:步骤(1)具体包括:
(1-1)读取研究区域水系矢量线图层中河流线数据到集合R={ri|i=0,1,2......nr-1}中,i表示河流序号;
(1-2)获取集合R中所有河流的两个端点,并存储到集合P={pj={rIDj,Hj}|j=0,1,2......np-1}中,pj表示第j个点,np为点个数,rIDj表示第j个点所属河流序号,Hj第j个点的高程属性;
(1-3)根据研究区域的DEM数据对集合P中每一个点的高程属性赋值;
(1-4)获取集合P中任意一条河流ri的两个端点pjm和pjn,并按照下式从中选出出口端点pto,i,i∈0,1,2......nr-1;
(1-5)根据集合P和集合R,获取包含点pto,i但点pto,i不为其出口端点的所有河流,并将这些河流的序号存储到子集合ti中;
(1-6)循环执行步骤(1-4)到(1-5),直至所有河流被处理,将所有子集合ti组合形成集合ToID={ti|i=0,1,2......nr-1}。
3.根据权利要求1所述的基于形态特征的对口河识别方法,其特征在于:步骤(2)具体包括:
(2-1)读取一条河流ri,i∈0,1,2......nr-1,对于河流ri,获取ToID中包含序号i的所有河流序号子集合,并将子集合对应的河流放入集合Fi中;
(2-2)若集合Fi中元素的个数小于2,则执行步骤(6);否则,执行步骤(3)。
4.根据权利要求1所述的基于形态特征的对口河识别方法,其特征在于:步骤(3)具体包括:
(3-1)从集合Fi中获取两条未计算过河流交汇角的河流ra和河流rb;
(3-2)获取河流ra的出口端点,标记为O,并将点O放入空的直线河段集合Pa中,设置k=2;
(3-3)以点O为起点方向,提取河流ra的第k个点放入集合Pa中;
(3-4)计算当前集合Pa所形成的子河段的直线近似度Sa;
(3-5)若Sa小于或等于用户设置的最大直线近似度阈值,且河流ra的端点还未放入集合Pa中,则将k=k+1,返回执行步骤(3-3);否则,执行步骤(3-6);
(3-6)从集合Pa中删除最后加入的点;
(3-7)若当前集合Pa所形成的子河段的实际长度La小于最短平直河段长度阈值LT,则执行步骤(5);否则,执行步骤(3-8);
(3-8)对于河流rb,按照步骤(3-2)到(3-6)执行,从而得到河流rb的直线河段集合Pb;
(3-9)分别提取集合Pa、Pb所形成的子河段的终点ae、be;
(3-10)根据终点ae、be按照下式计算方向向量na和nb;
式中(O.x,O.y)为起点O的坐标,(ae.x,ae.y)、(be.x,be.y)分别为终点ae、be的坐标;
(3-11)采用下式计算河流交汇角θ:
式中,(na.x,na.y)为向量na的坐标值,(nb.x,nb.y)为向量nb的坐标值。
5.根据权利要求4所述的基于形态特征的对口河识别方法,其特征在于:步骤(3-4)中直线近似度Sa的计算公式为:
式中,ae为Pa所形成的子河段的终点,||O-ae||表示Pa所形成的子河段的实际长度,Len(O,ae)表示点O与ae之间的理想直线长度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811085455.2A CN109344473B (zh) | 2018-09-18 | 2018-09-18 | 一种基于形态特征的对口河识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811085455.2A CN109344473B (zh) | 2018-09-18 | 2018-09-18 | 一种基于形态特征的对口河识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109344473A true CN109344473A (zh) | 2019-02-15 |
CN109344473B CN109344473B (zh) | 2023-01-31 |
Family
ID=65305853
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811085455.2A Active CN109344473B (zh) | 2018-09-18 | 2018-09-18 | 一种基于形态特征的对口河识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109344473B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934890A (zh) * | 2019-03-08 | 2019-06-25 | 南京泛在地理信息产业研究院有限公司 | 一种河曲包络线自动提取方法 |
CN110222601A (zh) * | 2019-05-22 | 2019-09-10 | 南京泛在地理信息产业研究院有限公司 | 一种河流袭夺自动识别方法 |
CN111680424A (zh) * | 2020-06-11 | 2020-09-18 | 南京师范大学 | 一种基于χ图形态特征的河流袭夺自动判别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105138722A (zh) * | 2015-07-14 | 2015-12-09 | 南京师范大学 | 基于数字河湖网络的平原河网区流域集水单元划分方法 |
CN107180450A (zh) * | 2017-06-06 | 2017-09-19 | 广西师范学院 | 一种基于dem的河谷横断面形态的算法 |
CN107301263A (zh) * | 2017-04-05 | 2017-10-27 | 华东师范大学 | 一种基于单幅图像的河流网络过程式生成方法 |
CN107977635A (zh) * | 2017-12-08 | 2018-05-01 | 南京师范大学 | 一种格状水系识别方法 |
CN108319902A (zh) * | 2018-01-19 | 2018-07-24 | 中国科学院南京土壤研究所 | 一种河曲自动提取方法 |
-
2018
- 2018-09-18 CN CN201811085455.2A patent/CN109344473B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105138722A (zh) * | 2015-07-14 | 2015-12-09 | 南京师范大学 | 基于数字河湖网络的平原河网区流域集水单元划分方法 |
CN107301263A (zh) * | 2017-04-05 | 2017-10-27 | 华东师范大学 | 一种基于单幅图像的河流网络过程式生成方法 |
CN107180450A (zh) * | 2017-06-06 | 2017-09-19 | 广西师范学院 | 一种基于dem的河谷横断面形态的算法 |
CN107977635A (zh) * | 2017-12-08 | 2018-05-01 | 南京师范大学 | 一种格状水系识别方法 |
CN108319902A (zh) * | 2018-01-19 | 2018-07-24 | 中国科学院南京土壤研究所 | 一种河曲自动提取方法 |
Non-Patent Citations (1)
Title |
---|
吴雪荣 等: ""基于席尔宾斯基垫片的GIS矢量数据置乱方法"", 《测绘科学》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934890A (zh) * | 2019-03-08 | 2019-06-25 | 南京泛在地理信息产业研究院有限公司 | 一种河曲包络线自动提取方法 |
CN109934890B (zh) * | 2019-03-08 | 2023-04-07 | 南京泛在地理信息产业研究院有限公司 | 一种河曲包络线自动提取方法 |
CN110222601A (zh) * | 2019-05-22 | 2019-09-10 | 南京泛在地理信息产业研究院有限公司 | 一种河流袭夺自动识别方法 |
CN110222601B (zh) * | 2019-05-22 | 2020-12-29 | 南京泛在地理信息产业研究院有限公司 | 一种河流袭夺自动识别方法 |
CN111680424A (zh) * | 2020-06-11 | 2020-09-18 | 南京师范大学 | 一种基于χ图形态特征的河流袭夺自动判别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109344473B (zh) | 2023-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109344473A (zh) | 一种基于形态特征的对口河识别方法 | |
CN106203430A (zh) | 一种基于前景聚集度和背景先验的显著性物体检测方法 | |
CN110321813A (zh) | 基于行人分割的跨域行人重识别方法 | |
CN110046572A (zh) | 一种基于深度学习的地标建筑物识别与检测方法 | |
CN105931241B (zh) | 一种自然场景图像的自动标注方法 | |
CN105447504A (zh) | 一种交通模式行为识别方法及相应的识别模型构建方法 | |
Xu et al. | Leaf instance segmentation and counting based on deep object detection and segmentation networks | |
CN107292259A (zh) | 基于AdaRank的深度特征和传统特征的集成方法 | |
CN112767413B (zh) | 综合区域连通和共生知识约束的遥感影像深度语义分割方法 | |
Guo et al. | Urban impervious surface extraction based on multi-features and random forest | |
CN105139379A (zh) | 基于分类分层的机载Lidar点云建筑物顶面渐进提取方法 | |
CN109117745A (zh) | 一种基于建筑信息模型的云端人脸识别与定位方法 | |
Acar et al. | Assessment of road network planning by using GIS-based multi-criteria evaluation for conversion of coppice forest to high forest | |
CN102279929A (zh) | 一种基于对象语义树模型的遥感人造地物目标识别方法 | |
CN105787289A (zh) | 一种河流特征数据分类系统及其分类方法 | |
CN107330734A (zh) | 基于Co‑location模式和本体的商业地址选择方法 | |
CN109102538A (zh) | 利用等值线数据提取槽脊特征点与槽脊特征线的方法、天气图分析方法 | |
CN113223042A (zh) | 一种遥感影像深度学习样本智能采集方法及设备 | |
CN107832753B (zh) | 一种基于四值权重与多重分类的人脸特征提取方法 | |
CN114495170A (zh) | 一种基于局部抑制自注意力的行人重识别方法及系统 | |
CN116340563A (zh) | 图形匹配的城市场景地理位置定位方法 | |
Han et al. | A method of the coverage ratio of street trees based on deep learning | |
CN113342873B (zh) | 一种基于城市形态与汇聚模式的人口分析单元划分方法 | |
CN110111561A (zh) | 一种基于som-pam聚类算法的路网动态划分方法 | |
CN102184524B (zh) | 基于规范切的邻域学习文化基因图像分割方法 |
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 |