CN109829074A - 目标区域正射影像检索方法、存储介质、电子设备 - Google Patents
目标区域正射影像检索方法、存储介质、电子设备 Download PDFInfo
- Publication number
- CN109829074A CN109829074A CN201910059071.1A CN201910059071A CN109829074A CN 109829074 A CN109829074 A CN 109829074A CN 201910059071 A CN201910059071 A CN 201910059071A CN 109829074 A CN109829074 A CN 109829074A
- Authority
- CN
- China
- Prior art keywords
- orthography
- image
- grid
- target area
- cloud
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000004590 computer program Methods 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 238000012545 processing Methods 0.000 abstract description 5
- 230000003247 decreasing effect Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001983 electron spin resonance imaging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Image Processing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
本发明提供目标区域正射影像检索方法,包括步骤影像网格化、建立正射影像的几何对象、候选影像生成、筛选最优影像、检索输出。本发明还涉及存储介质、电子设备;本发明通过对云检二值图中云量的计算筛选出最优影像,实现快速从给定目标区域的大量正射影像中检索出能够覆盖目标区域的、较低冗余的、并且云量相对较低的影像集,并支持各种分辨率的全色以及多光谱正射影像的检索,大幅减少实际生产中检索正射影像的时间。本发明构思巧妙,逻辑严谨,便于遥感影像图像处理系统推广应用。
Description
技术领域
本发明属于遥感图像处理技术领域,具体涉及基于云检二值图的目标区域正射影像检索方法、存储介质、电子设备。
背景技术
遥感影像被广泛的应用于陆地观测领域,以资源三号、高分一号、高分二号为代表,国产光学遥感卫星各项设计指标已逐渐达到国际先进水平,对地观测系统日趋完善,卫星影像的数据量迅速增加,市场化程度逐年提高。
遥感影像镶嵌是对一幅或若干幅遥感影像图像通过几何镶嵌、色调调整、去重叠等处理,镶嵌到一幅大的背景图像中的影像处理方法。在影像镶嵌之前,首先需要从大量影像中检索出符合要求的影像,其中很重要的一个指标是正射影像的云量。传统的方式都是人工通过目视影像快视图来选择影像,这种方法非常耗时耗力,如何快速从海量影像中检索出覆盖目标区域的,且云量较低、冗余度较小的影像集,成为目前尚未很好解决的问题。
对此,目前急需一种新型的针对遥感影像的基于云检二值图的目标区域正射影像检索方法。
发明内容
为了克服现有技术的不足,本发明提出的一种目标区域正射影像检索方法,通过对云检二值图中云量的计算筛选出最优影像,实现快速从给定目标区域的大量正射影像中检索出能够覆盖目标区域的、较低冗余的、并且云量相对较低的影像集,并支持各种分辨率的全色以及多光谱正射影像的检索,大幅减少实际生产中检索正射影像的时间。
本发明提供目标区域正射影像检索方法,包括以下步骤:
S1、影像网格化,获取待检索的目标区域,并将目标区域网格化,得到目标区域的若干网格;
S2、建立正射影像的几何对象,对若干正射影像进行解析,根据所述正射影像的云检二值图获取影像范围四个角点的地理坐标以及影像的云量,并根据所述四个角点构建所述正射影像的几何对象;
S3、候选影像生成,遍历所述网格,将能够完全覆盖所述网格的所述正射影像作为所述网格的候选影像;
S4、筛选最优影像,通过计算得到若干所述候选影像在所述网格区域内的云量,筛选出所述候选影像在所述网格区域内云量最低的影像作为所述网格的最优影像,并将所述最优影像加至最优影像集内;
S5、检索输出,遍历完待检索的目标区域的所有网格后,输出最优影像集内的若干所述最优影像。
进一步地,在步骤S4中,若同一网格存在多个最优影像,则计算候选影像中整景云量最低的影像作为最终输出的到最优影像集的最优影像。
进一步地,在步骤S4中,若同一网格的多个最优影像的整景云量也相同,则在多个最优影像中选择最先检索到的影像作为最终输出到最优影像集的最优影像。
进一步地,所述网格的面积为所述正射影像面积的1/36-1/25。
进一步地,在步骤S4中,若目标区域全部落在网格内,通过获取所述网格所在的地理坐标范围的影像行列号范围,然后遍历影像行列号范围内的像素值,即可得到所述网格范围内的云量。
进一步地,在步骤S4中,若所述网格内存在部分正射影像区域,获取所述网格所在区域的行列号,将所述网格内非正射影像的部分区域作为云区处理。
进一步地,在步骤S4中,若所述网格内目标区域的面积占比大于面积阈值,则将正射影像在所述网格内的云量作为所述候选影像在所述网格区域内的云量。
进一步地,所述面积阈值的取值范围为大于等于0且小于等于90%。
一种电子设备,包括:处理器;
存储器;以及程序,其中所述程序被存储在所述存储器中,并且被配置成由处理器执行,所述程序包括用于执行目标区域正射影像检索方法。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行目标区域正射影像检索方法。
相比现有技术,本发明的有益效果在于:
本发明提供目标区域正射影像检索方法,包括步骤影像网格化、建立正射影像的几何对象、候选影像生成、筛选最优影像、检索输出。本发明还涉及存储介质、电子设备;本发明通过对云检二值图中云量的计算筛选出最优影像,实现快速从给定目标区域的大量正射影像中检索出能够覆盖目标区域的、较低冗余的、并且云量相对较低的影像集,并支持各种分辨率的全色以及多光谱正射影像的检索,大幅减少实际生产中检索正射影像的时间。本发明构思巧妙,逻辑严谨,便于遥感影像图像处理系统推广应用。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明的目标区域正射影像检索方法流程示意图;
图2为本发明中需要检索的目标区域网格化后的矢量示意图;
图3为本发明中将检索到的正射影像的云检二值图覆盖到目标区域网格上的示意图;
图4为本发明中标签为117的网格检索到正射影像的云检二值图的覆盖示意图;
图5为本发明中正射影像检索过程中同时有两景正射影像符合条件时的示意图。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
目标区域正射影像检索方法,如图1所示,包括以下步骤:
S1、影像网格化,获取待检索的目标区域,并将目标区域网格化,得到目标区域的若干网格;如图2所示,根据输入的矢量框文件,求出目标区域的四至范围,并通过目标区域的四至范围并将目标区域划分成若干网格,其中,优选地,为提高图像处理速度同时确保处理效果准确,网格的长宽值为正射影像长宽值的1/6-1/5,在本实施例中,所述网格的面积为所述正射影像面积的1/36-1/25;需要说明的是,图3-图5中为便于清楚表达,所述网格的面积为所述正射影像面积的比例不在1/36-1/25范围内,不能因此作为不支持的理由;
S2、建立正射影像的几何对象,对若干正射影像进行解析,根据所述正射影像的云检二值图获取影像范围四个角点的地理坐标以及影像的云量,并根据所述四个角点构建所述正射影像的几何对象;例如,根据正射影像的云检二值图获取影像范围四个角点的地理坐标以及影像的云量;根据影像的四个角点,构建所有正射影像的OGRGeometry(几何对象),其中,OGR提供对矢量数据格式的读写支持,支持的文件格式包括:ESRI Shapefiles、S-57、SDTS、PostGIS、Oracle Spatial、Mapinfo mid/mif、Mapinfo TAB。
需要说明的是,OGR包括如下几部分:
Geometry:类Geometry(包括OGRGeometry等类)封装了OpenGIS的矢量数据模型,并提供一些几何操作,WKB(Well KnowsBinary)和WKT(Well Known Text)格式之间的相互转换,以及空间参考系统(投影)。
Spatial Reference:类OGRSpatialReference封装了投影和基准面的定义。
Feature:类OGRFeature封装了一个完整feature的定义,一个完整的feature包括一个geometry和geometry的一系列属性。
Feature Definition:类OGRFeatureDefn里面封装了feature的属性,类型、名称及其默认的空间参考系统等。一个OGRFeatureDefn对象通常与一个层(layer)对应。
Layer:类OGRLayer是一个抽象基类,表示数据源类OGRDataSource里面的一层要素(feature)。
Data Source:类OGRDataSource是一个抽象基类,表示含有OGRLayer对象的一个文件或一个数据库。
Drivers:类OGRSFDriver对应于每一个所支持的矢量文件格式。类OGRSFDriver由类OGRSFDriverRegistrar来注册和管理。
在本实施例中,仅需正射影像需配备对应的云检二值图,由于采用云检二值图,即可支持各种分辨率的全色以及多光谱正射影像的检索,大幅减少实际生产中检索正射影像的时间。
S3、候选影像生成,遍历所述网格,将能够完全覆盖所述网格的所述正射影像作为所述网格的候选影像;如图3所示,图中标签为108网格的候选影像为正射影像1、正射影像3,标签为128网格的候选影像为正射影像1、正射影像2、正射影像3,标签为126网格的候选影像为正射影像2、正射影像3;其中,每个网格可能对应有一景或多景候选影像,也有可能存在一景候选影像也没有的网格。
S4、筛选最优影像,通过计算得到若干所述候选影像在所述网格区域内的云量,筛选出所述候选影像在所述网格区域内云量最低的影像作为所述网格的最优影像,并将所述最优影像加至最优影像集内;例如,求候选影像在网格区域内的云量,取候选影像在网格内云量最低的影像作为该网格选择的最优影像,然后将该影像加入输出影像集内。
在本实施例中,若同一网格存在多个最优影像,则计算候选影像中整景云量最低的影像作为最终输出的到最优影像集的最优影像。优选地,若同一网格的多个最优影像的整景云量也相同,则在多个最优影像中选择最先检索到的影像作为最终输出到最优影像集的最优影像。例如,如果有多景影像云量都是最低的,为避免冗余,首先查询该景影像是否在输出影像集内,判断是否已经为检索到的影像,若在,则取该景;若不在,则取整景影像云量最低的那一景,如果整景影像云量也一样,则取最先获取到的网格云量以及整景云量都最低的影像。
S5、检索输出,遍历完待检索的目标区域的所有网格后,输出最优影像集内的若干所述最优影像。
如图4所示,在步骤S4中,存在以下实施例:
实施例1
若目标区域全部落在网格内,通过获取所述网格所在的地理坐标范围的影像行列号范围,然后遍历影像行列号范围内的像素值,即可得到所述网格范围内的云量;例如,对于标签为117的网格,目标区域全部落在网格内,计算该网格内的云量,首先需要将该网格所在的地理坐标范围的影像行列号范围,然后遍历影像行列号范围内的像素值,即可得到在该网格范围内的云量。
实施例2
若所述网格内存在部分正射影像区域,获取所述网格所在区域的行列号,将所述网格内非正射影像的部分区域作为云区处理;例如,对于标签为106,107的网格,有部分区域不在正射影像范围内(正射影像框内为有效范围,正射影像框外为无效区域),计算出网格的所在区域的行列号后,在统计云量时将有效区域外的无效区域当作为云区处理,增大此网格的云量,避免将此景正射影像作为最优影像。
实施例3
若所述网格内目标区域的面积占比大于面积阈值,则将正射影像在所述网格内的云量作为所述候选影像在所述网格区域内的云量。例如,对于标签为116的网格,有部分网格区域并没有落在目标区域内,网格只覆盖大部分的目标区域,并没有全部覆盖目标区域,此时,将影像在该网格区域的云量作为影像在目标区域内的云量;在具体实施时,面积阈值的取值范围为大于等于0且小于等于90%;当面积阈值为0时,即只要网格中存在目标区域,就需要对该网格进行检索,提高整体边缘的覆盖能力;当面积阈值为90%时,即网格中目标区域占90%以上才对该网格进行检索;对于标签为128的网格,目标区域占网格的面积小于90%,此时,若存在覆盖该网格区域的影像云量为0,则选择该影像,否则不对该网格区域进行影像选择;通过配置面积阈值的取值,可实现对目标区域边缘的检索精度的连续调整,便于使用者根据实际需求自行设置。
如图5所示,在一实施例中,为避免正射影像冗余,若同一网格存在多个最优影像,选择覆盖网格最多的最优影像作为最终输出至最优影像集内的最优影像;例如,对于标签为116,117两个网格的影像选择,在本实施例中首先检索网格116的最优影像,若116网格选择正射影像1,那么再检索117网格的最优影像时,若对于117网格正射影像1和正射影像2都为最优影像时,即正射影像1和正射影像2的云量最低且相同,此时,对于正射影像1的覆盖网格数为1,而正射影像2的覆盖网格数为0,则117网格优先正射影像1,减少冗余图像存储,提高整体运行效率。
一种电子设备,包括:处理器;存储器;以及程序,其中所述程序被存储在所述存储器中,并且被配置成由处理器执行,所述程序包括用于执行基于深度学习的遥感影像林地提方法。一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行目标区域正射影像检索方法。
本发明提供目标区域正射影像检索方法,能够从大批量影像中检索出完全覆盖目标区域的整体云量较少的,冗余量较低的影像集,为实际生产区域镶嵌影像节省了大量人工检索影像的时间。
本申请实施方式提供的影像检索方法适用于各种分辨率的全色、多光谱正射影像的检索。对于某一指定传感器影像,在少量人工参与的情况下,即可实现从海量影像中快速检索出所需要的影像,可满足实际生产的需要
以上,仅为本发明的较佳实施例而已,并非对本发明作任何形式上的限制;凡本行业的普通技术人员均可按说明书附图所示和以上而顺畅地实施本发明;但是,凡熟悉本专业的技术人员在不脱离本发明技术方案范围内,利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化,均为本发明的等效实施例;同时,凡依据本发明的实质技术对以上实施例所作的任何等同变化的更动、修饰与演变等,均仍属于本发明的技术方案的保护范围之内。
Claims (10)
1.目标区域正射影像检索方法,其特征在于,包括以下步骤:
S1、影像网格化,获取待检索的目标区域,并将目标区域网格化,得到目标区域的若干网格;
S2、建立正射影像的几何对象,对若干正射影像进行解析,根据所述正射影像的云检二值图获取影像范围四个角点的地理坐标以及影像的云量,并根据所述四个角点构建所述正射影像的几何对象;
S3、候选影像生成,遍历所述网格,将能够完全覆盖所述网格的所述正射影像作为所述网格的候选影像;
S4、筛选最优影像,通过计算得到若干所述候选影像在所述网格区域内的云量,筛选出所述候选影像在所述网格区域内云量最低的影像作为所述网格的最优影像,并将所述最优影像加至最优影像集内;
S5、检索输出,遍历完待检索的目标区域的所有网格后,输出最优影像集内的若干所述最优影像。
2.如权利要求1所述的目标区域正射影像检索方法,其特征在于:在步骤S4中,若同一网格存在多个最优影像,则计算候选影像中整景云量最低的影像作为最终输出到最优影像集的最优影像。
3.如权利要求2所述的目标区域正射影像检索方法,其特征在于:在步骤S4中,若同一网格的多个最优影像的整景云量也相同,则在多个最优影像中选择最先检索到的影像作为最终输出到最优影像集的最优影像。
4.如权利要求1-3任一项所述的目标区域正射影像检索方法,其特征在于:所述网格的面积为所述正射影像面积的1/36-1/25。
5.如权利要求1-3任一项所述的目标区域正射影像检索方法,其特征在于:在步骤S4中,若目标区域全部落在网格内,通过获取所述网格所在的地理坐标范围的影像行列号范围,然后遍历影像行列号范围内的像素值,即可得到所述网格范围内的云量。
6.如权利要求1-3任一项所述的目标区域正射影像检索方法,其特征在于:在步骤S4中,若所述网格内存在部分正射影像区域,获取所述网格所在区域的行列号,将所述网格内非正射影像的部分区域作为云区处理。
7.如权利要求1-3任一项所述的目标区域正射影像检索方法,其特征在于:在步骤S4中,若所述网格内目标区域的面积占比大于面积阈值,则将正射影像在所述网格内的云量作为所述候选影像在所述网格区域内的云量。
8.如权利要求7所述的目标区域正射影像检索方法,其特征在于:所述面积阈值的取值范围为大于等于0且小于等于90%。
9.一种电子设备,其特征在于包括:处理器;
存储器;以及程序,其中所述程序被存储在所述存储器中,并且被配置成由处理器执行,所述程序包括用于执行如权利要求1所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行如权利要求1所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910059071.1A CN109829074B (zh) | 2019-01-22 | 2019-01-22 | 目标区域正射影像检索方法、存储介质、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910059071.1A CN109829074B (zh) | 2019-01-22 | 2019-01-22 | 目标区域正射影像检索方法、存储介质、电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109829074A true CN109829074A (zh) | 2019-05-31 |
CN109829074B CN109829074B (zh) | 2023-12-01 |
Family
ID=66861794
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910059071.1A Active CN109829074B (zh) | 2019-01-22 | 2019-01-22 | 目标区域正射影像检索方法、存储介质、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109829074B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111754397A (zh) * | 2019-07-09 | 2020-10-09 | 北京市商汤科技开发有限公司 | 一种遥感影像的镶嵌方法、装置、电子设备及存储介质 |
CN112287904A (zh) * | 2020-12-15 | 2021-01-29 | 北京道达天际科技有限公司 | 基于卫星影像的机场目标识别方法和装置 |
CN112529807A (zh) * | 2020-12-15 | 2021-03-19 | 北京道达天际科技有限公司 | 卫星影像的相对辐射校正方法和装置 |
CN117171380A (zh) * | 2023-11-02 | 2023-12-05 | 北京观微科技有限公司 | 遥感影像确定方法、装置、电子设备及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107291801A (zh) * | 2017-05-12 | 2017-10-24 | 北京四维新世纪信息技术有限公司 | 一种基于格网补偿的单时相全覆盖遥感数据检索方法 |
-
2019
- 2019-01-22 CN CN201910059071.1A patent/CN109829074B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107291801A (zh) * | 2017-05-12 | 2017-10-24 | 北京四维新世纪信息技术有限公司 | 一种基于格网补偿的单时相全覆盖遥感数据检索方法 |
Non-Patent Citations (1)
Title |
---|
席福彪 等: "基于GeoSOT网格的遥感影像云量信息精细描述模型", 《地理信息世界》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111754397A (zh) * | 2019-07-09 | 2020-10-09 | 北京市商汤科技开发有限公司 | 一种遥感影像的镶嵌方法、装置、电子设备及存储介质 |
CN112287904A (zh) * | 2020-12-15 | 2021-01-29 | 北京道达天际科技有限公司 | 基于卫星影像的机场目标识别方法和装置 |
CN112529807A (zh) * | 2020-12-15 | 2021-03-19 | 北京道达天际科技有限公司 | 卫星影像的相对辐射校正方法和装置 |
CN112287904B (zh) * | 2020-12-15 | 2021-04-02 | 北京道达天际科技有限公司 | 基于卫星影像的机场目标识别方法和装置 |
CN112529807B (zh) * | 2020-12-15 | 2022-11-08 | 北京道达天际科技股份有限公司 | 卫星影像的相对辐射校正方法和装置 |
CN117171380A (zh) * | 2023-11-02 | 2023-12-05 | 北京观微科技有限公司 | 遥感影像确定方法、装置、电子设备及存储介质 |
CN117171380B (zh) * | 2023-11-02 | 2024-01-23 | 北京观微科技有限公司 | 遥感影像确定方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109829074B (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109829074A (zh) | 目标区域正射影像检索方法、存储介质、电子设备 | |
Jin et al. | Stem–leaf segmentation and phenotypic trait extraction of individual maize using terrestrial LiDAR data | |
Zhang et al. | Object-oriented method for urban vegetation mapping using IKONOS imagery | |
CN105551028B (zh) | 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 | |
CN103218787B (zh) | 多源异构遥感影像控制点自动采集方法 | |
CN107392091A (zh) | 一种农业人工智能作物检测方法、移动终端和计算机可读介质 | |
Zhang et al. | Estimation of forest leaf area index using height and canopy cover information extracted from unmanned aerial vehicle stereo imagery | |
Gao et al. | Object-based classification with features extracted by a semi-automatic feature extraction algorithm–SEaTH | |
CN107808116A (zh) | 一种基于深度多层特征融合学习的小麦麦蜘蛛检测方法 | |
CN108195736B (zh) | 一种三维激光点云提取植被冠层间隙率的方法 | |
CN111582234A (zh) | 基于uav和深度学习的大范围油茶林果智能检测与计数方法 | |
Costa et al. | Combining per-pixel and object-based classifications for mapping land cover over large areas | |
Li et al. | A comparison of deep learning methods for airborne lidar point clouds classification | |
CN111222539B (zh) | 基于多源多时相遥感影像优化和扩充监督分类样本的方法 | |
CN110070488A (zh) | 一种基于卷积神经网络的多角度遥感影像森林高度提取方法 | |
Zhou et al. | Individual tree crown segmentation based on aerial image using superpixel and topological features | |
CN109558801B (zh) | 道路网络提取方法、介质、计算机设备及系统 | |
Gao et al. | Maize seedling information extraction from UAV images based on semi-automatic sample generation and Mask R-CNN model | |
Zhang et al. | Automatic extraction of building geometries based on centroid clustering and contour analysis on oblique images taken by unmanned aerial vehicles | |
CN116739739A (zh) | 一种贷款额度评估方法、装置、电子设备及存储介质 | |
CN116561509A (zh) | 顾及植被类型的城市植被地上生物量精确反演方法及系统 | |
CN109934903B (zh) | 高光信息提取方法、系统、计算机设备及存储介质 | |
CN115760885A (zh) | 基于消费级无人机影像的高郁闭度湿地森林参数提取方法 | |
CN113256567B (zh) | 香蕉叶面积指数检测方法及系统 | |
CN114386828A (zh) | 海岛景观三维指数构建方法 |
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 |