CN110097629A - 一种基于草图检索的云景构建方法 - Google Patents

一种基于草图检索的云景构建方法 Download PDF

Info

Publication number
CN110097629A
CN110097629A CN201910218266.6A CN201910218266A CN110097629A CN 110097629 A CN110097629 A CN 110097629A CN 201910218266 A CN201910218266 A CN 201910218266A CN 110097629 A CN110097629 A CN 110097629A
Authority
CN
China
Prior art keywords
cloud
cumulus
image
model
data set
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
Application number
CN201910218266.6A
Other languages
English (en)
Inventor
梁晓辉
岑运池
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.)
Beihang University
Original Assignee
Beihang University
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 Beihang University filed Critical Beihang University
Priority to CN201910218266.6A priority Critical patent/CN110097629A/zh
Publication of CN110097629A publication Critical patent/CN110097629A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Computer Graphics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于草图检索的云景构建方法，首先，对自然图像进行预处理，提取出其中无遮挡的单朵积云，构造积云图像数据集；其次，对积云图像作像素分离，并基于多次前向散射模型建模细节积云，生成积云模型数据集；再次，提取数据集中积云外轮廓，并计算其傅里叶描述子，作为数据集中积云的形状特征；然后，计算用户所输入草图的傅里叶描述子，并以曼哈顿距离为度量检索数据集中最相似的积云图像；最后，对检索到的积云图像所对应的积云模型，在云的内部进行采样，生成粒子模型并进行绘制。本发明采用基于草图的检索方式构建积云场景，能为用户提供快速、便捷的积云场景构建方法。

Description

一种基于草图检索的云景构建方法
技术领域
本发明属于计算机图形学领域，特别云建模领域，具体涉及一种基于草图检索的云景构建方法。
背景技术
云是自然场景的重要组成元素。在电影制作、三维游戏场景设计等众多应用中，都需要生成外形多样的真实积云场景。与其他固定外形的对象不同，其形成、发展和消散的过程极其复杂，难以直接获取其三维模型。在计算机图形学领域，积云建模方法可以分为三类，基于过程的方法、基于物理的方法和数据驱动的方法。基于过程的方法主要利用噪声纹理、粒子系统和交互式手段对云进行建模，建模人员需要繁琐地调整参数来构造云的形状；基于物理的方法通过求解简化的Novier-Stokes方程，模拟云生成的物理过程，这种方法耗时大，多适用于中小尺度的场景构建；数据驱动的方法主要对气象观测数据进行分析并构建与输入数据在形状特征、属性构成及场景规模等方面都有一定相关性的积云模型，目前，建模云常见的气象数据主要有三类：自然图像、卫星云图和数值模拟数据。其中，自然图像和卫星云图都是二维的图像，属于观测数据，而数值模拟数据通常是规则体数据。自然图像和卫星云图资源丰富，容易获得，基于这些图像的建模过程可以视作从二维到三维的重建过程。相比之下，数值模拟数据则相对匮乏，基于这些数据的云建模是三维到三维的过程，通常做法是将其转换为云的规则体表示，或者转换为云的粒子表示。上述对于积云场景的建模方法均可以建模出形状逼真的三维云模型，然而这些方法在实际的操作中，需要用户对于各个建模方法的具体步骤和原理有很强的了解，且需要大量人为的参数调整，对于电影制作人员和三维游戏场景设计人员等行业外人员，此项任务非常繁重且困难。
在基于草图的云景生成领域，主要是通过用户绘制草图，通过对用户输入的二维轮廓，采用基于物理的方法来直接生成积云三维体数据。这些方法首先对输入的二维轮廓生成大致的三维形状，然后采用加入噪声扰动或者模拟流体生成的形式对积云三维体数据的细节进行增强。如Stiver等人提出的云景构建方法，为用户提供了一个交互式的接口用于输入二维草图，然后采用基于过程的方法生成云体的三维密度分布。这些方法虽然能交互式地生成用户所需要的云景三维模型，然而在基于过程的云景建模过程中，用户仍需要调整很多参数，即依然需要用户对云景建模过程有所了解。Dobashi等人提出一种基于物理模拟的积云模型生成方法，该方法以用户输入的二维积云外轮廓作为约束，通过对数值仿真参数的调节，使得模拟的三维积云外形趋近于用户输入的积云外轮廓。由于该方法采用基于物理仿真的方法构建三维体数据，故对用户所输入的草图有较高要求，需要所输入的二维形状接近真实的积云形状。Suzuki等人对上述方法进行了改进，首先基于流体仿真构建一个形态各异的积云体数据库，用户通过绘制所需要积云的二维外轮廓，在数据库中检索匹配的积云三维体数据。由于该方法直接对三维模型进行检索，需要对积云模型进行压缩处理。在积云模型数据库较大时，检索效率将会下降。且对于经过压缩处理后的积云三维模型进行检索，容易造成检索失败的情况。
发明内容
本发明要解决的技术问题为：克服现有技术的不足，提供一种基于草图检索的云景构建方法，能够为用户提供快速、便捷的积云场景构建方法。
本发明解决上述的技术问题采用的技术方案为：一种基于草图检索的云景构建方法，实现步骤如下：
步骤(1)、自然图像预处理，提取出其中无遮挡的单朵积云，构成积云图像数据集；
步骤(2)、积云模型数据集生成，利用积云像素和天空像素的不同色彩饱和度，采用阈值方法划分自然图像像素为积云像素和天空像素，基于多次前向散射模型建模积云，生成积云模型数据集；
步骤(3)、积云模型特征提取，利用边缘检测算子提取数据集中积云图像外轮廓，并计算其形状描述子，作为对应积云模型的特征表示；
步骤(4)、草图检索，计算用户所输入草图的傅里叶描述子，并以曼哈顿距离为度量检索数据集中最相似的积云图像；
步骤(5)、粒子采样及绘制，利用步骤(4)检索出的积云模型，构建积云内部距离场，并在积云内部进行粒子采样，对生成的粒子模型进行绘制。
进一步的，所述步骤(1)中自然图像预处理的具体内容如下：
步骤(A1)、对于输入的自然图像，标记出其中地面像素或非积云、天空像素的位置，对处于最上方的上述像素所在位置以下区域进行剔除；
步骤(A2)、对于剔除后的自然图像，交互地提取出其中无遮挡的单朵积云部分，构成积云图像数据集。
进一步的，所述步骤(2)中积云模型数据集生成的步骤具体如下：
步骤(B1)、自然图像中，积云像素一般为灰色或白色，饱和度较高，通过计算每个像素的饱和度，可用阈值方法将自然图像像素分成积云像素和天空像素；；
步骤(B2)、对于分离出来的积云像素及天空像素，采用多次前向散射模型，建模出细节积云模型，与相应积云图像一起构成积云模型数据集。
进一步的，所述步骤(3)中积云模型特征提取的具体步骤如下：
步骤(C1)、对于积云像素，利用图像边缘检测算子，获取积云的外轮廓，并将每个外轮廓作为一朵积云；
步骤(C2)、对于检测出的积云外轮廓，计算其傅里叶描述子，作为该积云的形状特征。
进一步的，所述步骤(4)中草图检索的具体步骤如下：
步骤(D1)、用户输入所需要积云模型的外轮廓草图，计算输入草图的傅里叶描述子；
步骤(D2)、以曼哈顿距离为度量标准，在积云模型数据集中检索与输入草图最相似的积云图像，返回该积云图像所对应的积云模型。
进一步的，所述步骤(5)中粒子采样及绘制的具体步骤如下：
步骤(E1)、利用步骤(4)检索到的积云模型，构建积云内部距离场；
步骤(E2)、在云的内部网格节点处产生云粒子，粒子的半径正比于网格间距，然后采用多次前向散射模型对积云的粒子模型进行绘制；
本发明与现有技术相比的优点在于：本发明通过构建积云模型数据库，并且给用户提供便捷的草图检索的方式，构建积云场景。与之前的基于草图检索的云景构建方法相比，本发明的方法以自然图像作为积云模型数据库的索引，以达到更高效及更鲁棒的检索结果，能够为用户提供快速、便捷的积云场景构建方法。
附图说明
图1为一种基于草图检索的云景构建方法流程图。
具体实施方式
下面结合实例对本发明作进一步详细描述：
如图1所示，本发明一种基于草图检索的云景构建方法，包括五个主要步骤：自然图像预处理，提取出自然图像中无遮挡的单朵积云，构成积云图像数据集；积云模型数据集生成，采用阈值方法将积云图像像素区分为云和天空像素，并基于多次前向散射模型建模积云，生成积云模型数据集；积云模型特征提取，提取数据集中积云图像外轮廓，并计算其形状描述子，作为对应积云模型的特征表示；草图检索，计算用户所输入草图的傅里叶描述子，并以曼哈顿距离为度量检索数据集中最相似的积云图像；粒子采样及绘制，对检索的积云模型内部进行采样，生成粒子，并进行绘制。
本发明具体实现如下：
步骤一：自然图像预处理，提取出自然图像中无遮挡的单朵积云，构成积云图像数据集；
自然图像通常是由数码相机或智能手机从地面朝上拍摄。这些捕获的图像中的物体通常非常杂乱，捕获的积云通常存在比较严重的遮挡情况。并且由于积云距离地面较近，故单张自然图像中通常只能捕获到少数积云，很难捕获到完整的积云场景。
为了解决上述问题，首先搜集不同途径、不同时间、不同地点所获取的自然图像，进一步的，预先对搜集到的自然图像进行预处理。首先，由于自然图像中通常会包含地面等非积云和积云、天空像素。故先标记出其中地面像素和积云、天空像素的位置，然后剔除地面区域，只保留积云和天空像素区域，经过标记之后的自然图像只包含积云像素和天空像素。
进一步的，对于经过标记及剔除后的自然图像，交互式地提取出其中无遮挡的单朵积云部分。其中，所提取出的子图为矩形，并且包含完整的单朵无遮挡积云，以及周围部分天空像素。该步骤称为对自然图像的标准化过程。经过对自然图像进行标准化后，构成单朵积云图像数据集，该数据集中仅包含完整的未遮挡的单朵积云。
步骤二：积云模型数据集生成，采用阈值方法将积云图像像素区分为云和天空像素，并基于多次前向散射模型建模积云，生成积云模型数据集；
自然图像中，积云像素一般偏向白色或者灰色，其色彩饱和度较低，故可通过计算每个像素的色彩饱和度来区分积云像素和天空像素。像素p的色彩饱和度C(p)计算公式如下：
C(p)＝(Imax(p)-Imin(p))/Imax(p) (1)
其中Imax(p)为像素p的R,G,B三个通道强度的最大值，Imin(p)为像素p的R,G,B三个通道强度的最小值。若C(p)小于某阈值εc，则标记该像素点为积云像素点，否则标记该像素点为天空像素点。阈值εc由用户交互式地根据每张自然图像的像素分布情况指定。
在区分积云像素和天空像素后，可将自然图像转换成为一张二值图像，其中灰度值为255的区域为积云像素区域，灰度值为0的区域为天空像素区域。
当积云像素及天空像素被提取出来后，为了得到三维积云模型，本发明利用Yuan等人提出的基于多次前向散射模型的积云建模方法，重建积云三维模型，该方法能得到与输入的自然图像非常相似的三维积云模型，并且该模型具有丰富的表面细节。对于每个被分离出来的积云，获得其相应的积云模型，与对应的积云图像一起，组成积云模型数据集的一组数据。
步骤三：积云模型特征提取，提取数据集中积云图像外轮廓，并计算其形状描述子，作为对应积云模型的特征表示；
形状特征是图像特征中非常重要的一种，形状描述子主要可以分为两类，基于轮廓和基于区域的方法。傅里叶描述子以其便捷性及鲁棒性，被广泛应用于形状匹配及检索中。本发明采用基于中心距离的傅里叶描述子作为对图像的特征描述。
首先，根据图像边缘检测算子，提取出积云像素区域的外轮廓，每个外轮廓视为单朵积云。对于提取出的外轮廓，对其中的点进行等间距采样，并组成边界点集(x(t),y(t)),t＝0,1,…,N-1，其中N为采样后的边界点数。进一步的，中心距离函数通过边界点集到该形状的中心点的欧式距离表示：
r(t)＝([x(t)-x0]2+[y(t)-yc]2)2 (2)
其中，
然后，计算中心距离函数r(t)的离散傅里叶变换：
其中，an为中心距离函数r(t)的离散傅里叶变换后的傅里叶系数。根据傅里叶变换理论，若要获得旋转、缩放和起始点无关的形状描述子，需要进一步对an作如下操作：
bn＝an/a0 (6)
经过上述操作所获得的标准化后的傅里叶系数bn即为该形状的特征描述子，且具备旋转、缩放和起始点无关性。
对于步骤二中所构建的积云模型数据集中每一张积云图像，均提取其外轮廓，并计算其傅里叶形状描述子，作为形状特征的表述。
步骤四：草图检索，计算用户所输入草图的傅里叶描述子，并以曼哈顿距离为度量检索数据集中最相似的积云图像；
用户通过绘制二维草图来检索需要的积云三维模型。本发明采用一种基于图像检索的方式来进行积云模型检索，避免了直接检索三维模型对检索效率及准确率的影响。
用户首先输入一张二维草图，该草图为所需要积云三维模型的二维外轮廓。进一步，与步骤三中的方法一致，提取该草图的傅里叶形状描述子。然后，本发明采用曼哈顿距离作为傅里叶描述子的距离表述：
其中，为用户草图S的傅里叶描述子，为第i张积云图像Ii的傅里叶描述子。最终，曼哈顿距离最小的一组草图-积云图像匹配作为最佳匹配被返回，与该积云图像对应的积云三维模型即为检索结果。
步骤五：粒子采样及绘制，对生成的积云模型内部进行采样，生成粒子，并进行绘制；
对于步骤四所检索到的积云模型，首先获取积云模型的包围盒，进行离散化并生成规则网格。对于某个网格点，若其在积云内部，则在该网格点处生成一个云粒子，粒子的半径与网格间距成正比，并对粒子中心位置进行适当扰动，则可获得积云模型的粒子系统表示。最后，采用Harris等人的方法对积云场景进行绘制。
总之，实验表明，本发明提出的方法能够为用户提供快速、便捷的积云场景构建方法。
公式符号定义：
p：图像像素值；
C(p)：像素p的色彩饱和度；
R,G,B：图像红，绿，蓝三个通道对应的像素值；
Imax(p)：像素p的R,G,B三个通道强度的最大值；
Imin(p)：像素p的R,G,B三个通道强度的最小值；
εc：人为设定的阈值；
N：采样后的边界点数；
(x(t),y(t))：x(t)为图像横轴坐标，y(t)为图像纵轴坐标，图像的左上角为坐标原点；
r(t)：中心距函数；
xc：轮廓横轴中点；
yc：轮廓纵轴中点；
an：中心距离函数r(t)的离散傅里叶变换后的傅里叶系数；
bn：标准化后的傅里叶系数，即该形状的特征描述子；
disImg(S,Ii)：草图S和积云图像Ii；
用户草图S的傅里叶描述子；
第i张积云图像Ii的傅里叶描述子。
本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
以上所述仅是本发明的优选实施方式，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的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.一种基于草图检索的云景构建方法，其特征在于，包括步骤如下：
步骤(1)：通过人工收集积云图像，并提取出积云图像中无遮挡的单朵积云，构成积云图像数据集；
步骤(2)：对步骤(1)的无遮挡的单朵积云，采用阈值方法将积云图像像素区分为云和天空像素，并基于多次前向散射模型建模积云，生成积云模型数据集，每一个积云模型均对应着步骤(1)构建的积云图像数据集中的一张积云图像；
步骤(3)：提取步骤(1)的积云图像数据集中积云图像外轮廓，并计算积云图像外轮廓的形状描述子，作为对应积云模型的特征表示；
步骤(4)：使用步骤(3)的形状描述子计算方法，计算用户所输入草图的傅里叶描述子，并以曼哈顿距离为度量检索数据集中最相似的积云图像；
步骤(5)：对步骤(4)检索出的最相似的积云图像所对应的积云模型内部进行粒子采样，生成粒子，并进行绘制。
2.根据权利要求1所述一种基于草图检索的云景构建方法，其特征在于：所述步骤(2)积云模型数据集生成的步骤具体如下：
步骤(B1)、对步骤(1)获取的无遮挡的单朵积云图像像素的三个通道计算像素饱和度，并根据饱和度采用阈值法将图像分离成积云像素和天空背景像素；
步骤(B2)、对于分离出来的积云像素及天空像素，采用多次前向散射模型，建模出细节积云三维模型，与相应积云图像一起构成积云模型数据集，每一个积云三维模型都对应积云模型数据集中的一张积云图像。
3.根据权利要求1所述一种基于草图检索的云景构建方法，其特征在于：所述步骤(3)中积云模型特征提取的步骤如下：
步骤(C1)、针对步骤(1)得到的积云图像数据集中的每一张积云图像，利用图像边缘检测算子，获取积云的外轮廓，并将每个外轮廓作为一朵积云；
步骤(C2)、对于检测出的积云外轮廓，计算其傅里叶描述子，作为对应积云模型的特征表示。
4.根据权利要求1所述一种基于草图检索的云景构建方法，其特征在于：所述步骤(4)中草图检索的步骤如下：
步骤(D1)、使用步骤(3)的形状描述子计算方法，用户输入所需要积云模型的外轮廓草图，计算输入草图的傅里叶描述子；
步骤(D2)、以曼哈顿距离为度量标准，在积云模型数据集中检索与输入草图最相似的积云图像，返回该积云图像所对应的积云模型。
5.根据权利要求1所述一种基于草图检索的云景构建方法，其特征在于：所述步骤(5)中粒子采样及绘制的步骤如下：
步骤(E1)利用步骤(4)检索到的积云模型，构建积云内部距离场；
步骤(E2)在云的内部进行采样，形成云的粒子模型，并采用多次前向散射模型对积云的粒子模型进行绘制。
CN201910218266.6A 2019-03-21 2019-03-21 一种基于草图检索的云景构建方法 Pending CN110097629A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910218266.6A CN110097629A (zh) 2019-03-21 2019-03-21 一种基于草图检索的云景构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910218266.6A CN110097629A (zh) 2019-03-21 2019-03-21 一种基于草图检索的云景构建方法

Publications (1)

Publication Number Publication Date
CN110097629A true CN110097629A (zh) 2019-08-06

Family

ID=67442960

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910218266.6A Pending CN110097629A (zh) 2019-03-21 2019-03-21 一种基于草图检索的云景构建方法

Country Status (1)

Country Link
CN (1) CN110097629A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113140033A (zh) * 2021-03-29 2021-07-20 北京航空航天大学 基于可微渲染的单张积云图像重建方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104299263A (zh) * 2014-09-14 2015-01-21 北京航空航天大学 一种基于单幅图像建模云场景的方法
CN107564095A (zh) * 2017-08-08 2018-01-09 北京航空航天大学 一种基于单幅自然图像重建积云三维形状的方法
CN107689079A (zh) * 2017-08-28 2018-02-13 北京航空航天大学 一种卫星云图与自然图像结合的云景重建方法
CN108829701A (zh) * 2018-04-25 2018-11-16 鹰霆（天津）科技有限公司 一种基于草图的3d模型检索方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104299263A (zh) * 2014-09-14 2015-01-21 北京航空航天大学 一种基于单幅图像建模云场景的方法
CN107564095A (zh) * 2017-08-08 2018-01-09 北京航空航天大学 一种基于单幅自然图像重建积云三维形状的方法
CN107689079A (zh) * 2017-08-28 2018-02-13 北京航空航天大学 一种卫星云图与自然图像结合的云景重建方法
CN108829701A (zh) * 2018-04-25 2018-11-16 鹰霆（天津）科技有限公司 一种基于草图的3d模型检索方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
JUNPING CHEN等: "Sketch-based Cloud Model Retrieval for Cumulus Cloud Scene Construction", 《PROCEEDINGS OF THE 2ND INTERNATIONAL CONFERENCE ON DIGITAL SIGNAL PROCESSING》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113140033A (zh) * 2021-03-29 2021-07-20 北京航空航天大学 基于可微渲染的单张积云图像重建方法

Similar Documents

Publication Publication Date Title
Yang et al. An individual tree segmentation method based on watershed algorithm and three-dimensional spatial distribution analysis from airborne LiDAR point clouds
WO2017173918A1 (zh) 一种三维虚拟场景的生成方法及装置
CN104134234B (zh) 一种全自动的基于单幅图像的三维场景构建方法
CN107689079B (zh) 一种卫星云图与自然图像结合的云景重建方法
CN105139379B (zh) 基于分类分层的机载Lidar点云建筑物顶面渐进提取方法
CN107944459A (zh) 一种rgb‑d物体识别方法
CN109829425B (zh) 一种农田景观小尺度地物分类方法及系统
CN104166988B (zh) 一种融入稀疏匹配信息的立体图像同步分割方法
Alidoost et al. Knowledge based 3D building model recognition using convolutional neural networks from LiDAR and aerial imageries
CN110889840A (zh) 面向地物目标的高分6号遥感卫星数据的有效性检测方法
CN114842262A (zh) 融合线路通道正射影像的激光点云地物自动识别方法
Rashidi et al. Ground filtering LiDAR data based on multi-scale analysis of height difference threshold
JP5464739B2 (ja) 画像領域分割装置、画像領域分割方法および画像領域分割プログラム
CN113989685B (zh) 基于超级体元的机载多光谱LiDAR数据土地覆盖分类的方法
Lin et al. Research on denoising and segmentation algorithm application of pigs’ point cloud based on DBSCAN and PointNet
Zheng et al. Single shot multibox detector for urban plantation single tree detection and location with high-resolution remote sensing imagery
CN112884884A (zh) 一种候选区域生成方法及系统
CN110097629A (zh) 一种基于草图检索的云景构建方法
CN106340038B (zh) 一种基于单目图像中物体的深度次序推理方法
Erdem et al. Reproducible Extraction of Building Footprints from Airborne LiDAR Data: A Demo Paper
Tang et al. Accuracy test of point-based and object-based urban building feature classification and extraction applying airborne LiDAR data
Milan An integrated framework for road detection in dense urban area from high-resolution satellite imagery and Lidar data
Prince et al. Multifeature fusion for automatic building change detection in wide-area imagery
KR20150086816A (ko) 스크리블 기반 영상 처리장치 및 이를 이용한 다중 서술자 추출방법
Liu et al. Identification of Damaged Building Regions from High-Resolution Images Using Superpixel-Based Gradient and Autocorrelation Analysis

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190806