CN110555409A - 一种城市道路网中多行道的识别与合并方法 - Google Patents
一种城市道路网中多行道的识别与合并方法 Download PDFInfo
- Publication number
- CN110555409A CN110555409A CN201910828510.0A CN201910828510A CN110555409A CN 110555409 A CN110555409 A CN 110555409A CN 201910828510 A CN201910828510 A CN 201910828510A CN 110555409 A CN110555409 A CN 110555409A
- Authority
- CN
- China
- Prior art keywords
- road
- meshes
- network
- sections
- self
- 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
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
- G06V30/42—Document-oriented image-based pattern recognition based on the type of document
- G06V30/422—Technical drawings; Geographical maps
Abstract
本发明公开了一种城市道路网中多行道的识别与合并方法,使用道路围成的最小闭合道路网眼为识别主体,用几何形态指标描述其特征,通过自组织映射网络识别城市道路网中的多行道网眼,并依据道路的连续性提取多行道道路。而且,在识别结果的基础上,对多行道建立合并的缓冲区以实现多行道的合并,将矢量的缓冲区转为栅格并进行细化处理,从而实现多行道的简化。实验表明,本发明提出的多行道识别合并方法可以较全面地提取出道路网中的多行道并可对其有效合并化简。
Description
技术领域
本发明属于地图综合技术领域,具体涉及一种城市道路网中多行道的识别与合并方法。
背景技术
地图综合是将大比例尺地图缩编为小比例尺地图的过程,是地图学的核心问题。多行道是城市道路网中具有多条车道的道路,往往具有更高的道路等级,承担了城市交通中的主要流量。对城市道路网中的多行道进行识别与合并化简具有重要的实际意义。多行道的识别与合并化简可以在自动制图综合中实现道路网重要结构的选取和概括;在多尺度空间数据库的构建中构建不同尺度道路数据之间的关系,并可以帮助在更新数据库时消除数据间的差异;识别化简的结果可以作为影像识别与纠正的依据。
现有技术中,多行道识别方法根据其识别主体的不同可分为线、面两大类。使用线状道路识别多行道通常先对道路的拓扑关系进行处理,然后检测道路间的平行关系进行识别;使用道路围成的道路网眼进行识别通常对道路网眼的几何形态进行描述,通过阈值选择或者选取典型的多条直线道路相互平行的样本运用监督学习方法进行识别。这两类方法一般都需要选取样本或者对描述道路特征的参数进行阈值限制,对于一些不典型的多行道,如水系山地中可能出现的弯曲的多行道、在接近道路交叉口中多行道出现发散等情况,可能会出现漏识别。
发明内容
本发明针对现有技术中漏识别多行道的不足,提出一种城市道路网中多行道的识别与合并方法,利用多行道网眼的形态特征对多行道网眼进行识别,并利用缓冲区的合并进行多行道的化简。
本发明主要通过以下技术方案实现:一种城市道路网中多行道的识别与合并方法,包括以下步骤:
步骤1:多行道网眼的识别,具体是指利用多行道网眼的形态特征和自组织映射网络识别多行道网眼;
步骤2:多行道的提取,具体是指从多行道网眼中提取种子路段并建立缓冲区;
步骤3:多行道的合并,具体是指利用合并的缓冲区转化为格栅矢量得到合并的多行道。
为了优化本发明创造,进一步地,所述的步骤1具体包括以下步骤:
步骤1.1:从道路线要素所封闭区域生成的面要素类作为道路网眼;
步骤1.2:计算道路网眼要素的面积A和周长P;
步骤1.3:生成封闭道路网眼要素的按面积量算的最小外接矩形与凸包;
步骤1.4:计算周长mbr_P、长轴长度mbr_L、短轴长度mbr_W,并计算凸包的面积convex_A;
步骤1.5:计算道路网眼的紧实度、延展度、平行度、凸度并作为该道路网眼的参数向量;
步骤1.6:在道路网中选取部分区域的道路网眼作为网络输入;
步骤1.7:将步骤1.6中选取好的道路网眼的参数向量作为样本向量输入到自组织映射网络中进行聚类,标记多行道道路网眼在自组织映射网络输出层神经元的位置,即为多行道道路网眼输出的神经元位置;
步骤1.8:将步骤1.6中选取部分区域后剩余的其他区域的道路网眼作为网络输入;
步骤1.9:将步骤1.8中其他区域的道路网眼的参数向量输入到步骤1.7聚类好的自组织映射网络中,得到其他区域的道路网眼在自组织映射网络输出层神经元的位置,若该神经元位置和步骤1.7中标记的多行道道路网眼输出的神经元位置相同,则为多行道网眼。
为了优化本发明创造,进一步地,所述的步骤1.5中,通过4*PI*A/P^2计算道路网眼的紧实度;通过mbr_W/mbr_L计算道路网眼的延展度;通过P/mbr_P计算道路网眼的平行度;通过A/convex_A计算道路网眼的凸度。
为了优化本发明创造,进一步地,所述的步骤1.7中自组织映射网络的聚类具体包括以下步骤:
步骤A1:对所有样本向量和所有待分类向量分别进行归一化处理;
步骤A2:定义自组织映射网络输入层神经元数为4,输出层神经元取4行4列共计16个,神经元权值向量维度为4,初始化为样本向量的平均值加(-0.5,0.5)的随机小数,进行自组织映射网络的聚类;聚类后样本网眼被分为16类,标记与多行道道路网眼对应的神经元;
步骤A3,将待分类向量输入到聚类好的自组织映射网络中,找出步骤A2中标记的神经元所输出的道路网眼,这些道路网眼就是多行道网眼。
为了优化本发明创造,进一步地,所述的步骤2具体包括以下步骤:
步骤2.1:从多行道网眼中提取其边大于50米的路段,标记为多行道并保存为种子路段;步骤2.2:在道路网中搜索与种子路段端点相接并且两路段夹角大于150度的路段,对搜索到的路段以20米的距离建立缓冲区,若缓冲区内有其他长度大于500米的路段存在,且该路段有80%的部分落在缓冲区内,则将被搜索到的路段和原种子路段合并,标记为多行道并添加到新的种子路段中,删除原种子路段;
步骤2.3:重复步骤2.1、步骤2.2直到没有新的路段被搜索到为止。
为了优化本发明创造,进一步地,所述的步骤3具体包括以下步骤:
步骤3.1:对步骤2中提取的多行道以20米的缓冲距建立矢量缓冲区,若矢量缓冲区有重叠则将其合并;
步骤3.2:将步骤3.1中生成的矢量缓冲区转化为栅格,像元大小取默认值的十分之一;
步骤3.3:将栅格化的矢量缓冲区细化为1像素相连的栅格,以在后续处理中得到线状道路;
步骤3.4:将步骤3.3中的栅格转化为矢量,得到合并的多行道。
本发明的有益效果:
(1)本发明中自组织映射网络自动对道路网眼进行分类,对网络对应多行道的神经元进行标记后网络可以识别出新输入的道路网眼的类型,按照道路网眼的特点和道路的连续性即可进行多行道的选取,采用对多行道缓冲区栅格细化的方法即可得到合并化简的多行道。
(2)本发明的识别方法可以有效地识别出道路网中的多行道,在识别具有较高准确性的同时,可以识别出形状弯曲的非典型多行道,识别结果比较全面,多行道合并化简结果保持了原多行道的特征,符合传统制图综合及空间认知的一般规律。
(3)本发明中使用道路网眼进行识别,包含了一定的道路空间分布的信息,且通过道路网眼判断道路是否平行在实现上更加简单。
(4)本发明中通过自组织映射网络的方法识别多行道道路网眼,可以在具有不同道路特征的城市中识别出多行道而不需要改变阈值或选取样本。
附图说明
图1是本发明的系统结构示意图。
图2是自组织映射网络的结构图。
图3是武汉OSM道路数据图。
图4是使用自组织网络识别出的多行道道路网眼示意图。
图5是提取出的多行道示意图,为多线道路,对应步骤2的结果。
图6是多行道合并化简结果图,为单线道路,对应步骤3的结果。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1:
一种城市道路网中多行道的识别与合并方法,包括以下步骤:
步骤1:多行道网眼的识别,具体是指利用多行道网眼的形态特征和自组织映射网络识别多行道网眼;
步骤2:多行道的提取,具体是指从多行道网眼中提取种子路段并建立缓冲区;
步骤3:多行道的合并,具体是指利用合并的缓冲区转化为格栅矢量得到合并的多行道。
本实施例中使用道路网眼进行识别。道路网眼为道路纵横交错构成的最小闭合区域,相比线状道路,面状的道路网眼包含了更多的信息。道路网眼可以看作是道路线的小型场,包含了一定的道路空间分布的信息,且通过道路网眼判断道路是否平行在实现上更加简单。
本实施中使用自组织映射网络识别多行道道路网眼。自组织映射网络是一种聚类方法,可以自动地对道路网眼进行分类。通过自组织映射网络的方法可以在具有不同道路特征的城市中识别出多行道而不需要改变阈值或选取样本。
上述的城市道路网中多行道的识别与合并方法,使用道路围成的最小闭合道路网眼为识别主体,用几何形态指标描述其形态特征,通过自组织映射网络识别城市道路网中的多行道网眼,并依据道路的连续性提取多行道道路。而且,在识别结果的基础上,对多行道建立合并的缓冲区以实现多行道的合并,将矢量的缓冲区转为栅格并进行细化处理,从而实现多行道的简化。实验表明,本发明提出的多行道识别合并方法可以较全面地提取出道路网中的多行道并可对其有效合并化简。
实施例2:
本实施例在实施例1的基础上进一步优化,使用武汉的OSM道路网作为实验数据进行说明。具体是指,在武汉OSM道路数据图中截取一个部分如图3所示进行说明。
首先,如图1所示,先通过几何指标特征描述和自组织映射网络识别进行多行道的识别,然后通过多行道缓冲区的建立、缓冲区矢量转栅格、栅格缓冲区细化进行多行道的合并化简。其中,自组织映射网络的结构图如图2所示。
实验过程中自组织映射网络、多行道的提取等相关算法基于VS2012集成开发环境,采用C#语言编程实现,多行道的合并则使用ArcMap10.2实现。
自组织映射网络的设置经反复实验发现输出层设置为4*4个神经元,权值初始化采用输入向量均值叠加(-0.5,0.5)的随机小数的效果好,通过对识别出的道路网眼进行分析并结合实验确定了多行道提取和合并时的相关阈值。
本发明流程如下:
步骤1:多行道网眼的识别;具体包括以下步骤:
步骤1.1:从道路线要素所封闭区域生成的面要素类作为道路网眼;
步骤1.2:计算道路网眼要素的面积(A)和周长(P);
步骤1.3:生成封闭道路网眼要素的按面积量算的最小外接矩形与凸包;
步骤1.4:计算最小外接矩形的周长(mbr_P)、长轴长度(mbr_L)、短轴长度(mbr_W),计算凸包面积(convex_A);
步骤1.5:计算道路网眼的紧实度,4*PI*A/P^2;延展度,mbr_W/mbr_L;平行度,P/mbr_P;凸度,A/convex_A;并将其作为道路网眼参数;其中,PI就是π,P^2”是指P的平方;
步骤1.6:在道路网中选取部分区域的道路网眼作为网络输入;
步骤1.7:将选取好的道路网眼参数向量作为样本向量输入到自组织映射网络中,标记多行道道路网眼输出的神经元位置;
步骤1.7中,自组织映射网络聚类步骤如下:
步骤A1:对所有样本向量和所有待分类向量分别进行归一化处理;其中,待分类向量为所有向量中除去样本向量的其他向量;
步骤A2:定义自组织映射网络输入层神经元数为4,输出层神经元取4行4列共计16个,神经元权值向量维度为4,初始化为样本向量的平均值加(-0.5,0.5)的随机小数,聚类后样本网眼被分为16类,标记多行道道路网眼对应的神经元;
步骤A3:将待分类向量输入到聚类好的自组织映射网络中,找出步骤A2中标记神经元输出的道路网眼,这些道路网眼是多行道道路网眼;
步骤1.8:将道路网中其他区域的道路网眼输入到步骤1.7聚类好的自组织映射网络中,得到其他道路网眼在自组织映射网络输出层神经元的位置;若位置和1.7中标记的位置相同,则为多行道网眼。
经过步骤1,在图3中识别的多行道网眼示意图如图4所示。
步骤2:多行道的提取;具体包括以下步骤:
步骤2.1:从多行道网眼中提取其边大于50米的标记为多行道并保存为种子路段;
步骤2.2:在道路网中搜索与种子路段端点相接并且两路段夹角大于150度的路段,对搜索到的路段以20米的距离建立缓冲区,若缓冲区内有其他长度大于500米的路段存在,且路段有80%的部分落在缓冲区内,则将被搜索到的路段和原种子路段合并,标记为多行道并添加到种子路段中,删除原种子路段;
步骤2.3:重复步骤2.1、2.2,直到没有新的路段被搜索到为止。
经过步骤2,提取出的多行道为未合并化简的多线道路,选取图4中局部区域并放大后如图5所示。
步骤3,多行道的合并;具体包括以下步骤:
步骤3.1:对2中提取出的多行道以20米的缓冲距建立缓冲区,若缓冲区有重叠将其合并;
步骤3.2:将3.1中生成的矢量缓冲区转化为栅格,像元大小取默认值的十分之一;
步骤3.3:将步骤3.2中栅格化的缓冲区细化为1像素相连的栅格,以在后续处理中得到线状道路;
步骤3.4:将步骤3.3中的结果转化为矢量,得到合并的多行道。
经过步骤3,合并后的多线道路为合并化简后的单线道路,此时与图5中对应的区域放大后如图6所示。
步骤2与步骤3中均有建立缓冲区的操作,且分别是针对多行道提取步骤、多行道合并步骤进行缓冲区的建立。
自组织映射网络自动对道路网眼进行分类,对网络对应多行道的神经元进行标记后网络可以识别出新输入的道路网眼的类型。按照道路网眼的特点和道路的连续性即可进行多行道的选取,采用对多行道缓冲区栅格细化的方法即可得到合并化简的多行道。
本实施例的其他部分与实施例1相同,故不再赘述。
以上所述,仅是本发明的较佳实施例,并非对本发明做任何形式上的限制,凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化,均落入本发明的保护范围之内。
Claims (6)
1.一种城市道路网中多行道的识别与合并方法,其特征在于,包括以下步骤:
步骤1:多行道网眼的识别,具体是指利用多行道网眼的形态特征和自组织映射网络识别多行道网眼;
步骤2:多行道的提取,具体是指从多行道网眼中提取种子路段并建立缓冲区;
步骤3:多行道的合并,具体是指利用合并的缓冲区转化为格栅矢量得到合并的多行道。
2.根据权利要求1所述的一种城市道路网中多行道的识别与合并方法,其特征在于,所述的步骤1具体包括以下步骤:
步骤1.1:从道路线要素所封闭区域生成的面要素类作为道路网眼;
步骤1.2:计算道路网眼要素的面积A和周长P;
步骤1.3:生成封闭道路网眼要素的按面积量算的最小外接矩形与凸包;
步骤1.4:计算周长mbr_P、长轴长度mbr_L、短轴长度mbr_W,并计算凸包的面积convex_A;
步骤1.5:计算道路网眼的紧实度、延展度、平行度、凸度并作为该道路网眼的参数向量;
步骤1.6:在道路网中选取部分区域的道路网眼作为网络输入;
步骤1.7:将步骤1.6中选取好的道路网眼的参数向量作为样本向量输入到自组织映射网络中进行聚类,标记多行道道路网眼在自组织映射网络输出层神经元的位置,即为多行道道路网眼输出的神经元位置;
步骤1.8:将步骤1.6中选取部分区域后剩余的其他区域的道路网眼作为网络输入;
步骤1.9:将步骤1.8中其他区域的道路网眼的参数向量输入到步骤1.7聚类好的自组织映射网络中,得到其他区域的道路网眼在自组织映射网络输出层神经元的位置,若该神经元位置和步骤1.7中标记的多行道道路网眼输出的神经元位置相同,则为多行道网眼。
3.根据权利要求2所述的一种城市道路网中多行道的识别与合并方法,其特征在于,所述的步骤1.5中,通过4*PI*A/P^2计算道路网眼的紧实度;通过mbr_W/mbr_L计算道路网眼的延展度;通过P/mbr_P计算道路网眼的平行度;通过A/convex_A计算道路网眼的凸度。
4.根据权利要求2所述的一种城市道路网中多行道的识别与合并方法,其特征在于,所述的步骤1.7中自组织映射网络的聚类具体包括以下步骤:
步骤A1:对所有样本向量和所有待分类向量分别进行归一化处理;
步骤A2:定义自组织映射网络输入层神经元数为4,输出层神经元为4行4列共计16个,神经元权值向量维度为4,初始化为样本向量的平均值加(-0.5,0.5)的随机小数,进行自组织映射网络的聚类;聚类后样本网眼被分为16类,标记与多行道道路网眼对应的神经元;
步骤A3,将待分类向量输入到聚类好的自组织映射网络中,找出步骤A2中标记的神经元所输出的道路网眼,这些道路网眼就是多行道网眼。
5.根据权利要求1所述的一种城市道路网中多行道的识别与合并方法,其特征在于,所述的步骤2具体包括以下步骤:
步骤2.1:从多行道网眼中提取其边大于50米的路段,标记为多行道并保存为种子路段;步骤2.2:在道路网中搜索与种子路段端点相接并且两路段夹角大于150度的路段,对搜索到的路段以20米的距离建立缓冲区,若缓冲区内有其他长度大于500米的路段存在且该路段有80%的部分落在缓冲区内,则将被搜索到的路段和原种子路段合并,标记为多行道并添加到新的种子路段中,删除原种子路段;
步骤2.3:重复步骤2.1、步骤2.2直到没有新的路段被搜索到为止。
6.根据权利要求1所述的一种城市道路网中多行道的识别与合并方法,其特征在于,所述的步骤3具体包括以下步骤:
步骤3.1:对步骤2中提取的多行道以20米的缓冲距建立矢量缓冲区,若矢量缓冲区有重叠则将其合并;
步骤3.2:将步骤3.1中生成的矢量缓冲区转化为栅格,像元大小取默认值的十分之一;
步骤3.3:将栅格化的矢量缓冲区细化为1像素相连的栅格,以在后续处理中得到线状道路;
步骤3.4:将步骤3.3中的栅格转化为矢量,得到合并的多行道。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910828510.0A CN110555409A (zh) | 2019-09-03 | 2019-09-03 | 一种城市道路网中多行道的识别与合并方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910828510.0A CN110555409A (zh) | 2019-09-03 | 2019-09-03 | 一种城市道路网中多行道的识别与合并方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110555409A true CN110555409A (zh) | 2019-12-10 |
Family
ID=68738859
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910828510.0A Pending CN110555409A (zh) | 2019-09-03 | 2019-09-03 | 一种城市道路网中多行道的识别与合并方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110555409A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101469991A (zh) * | 2007-12-26 | 2009-07-01 | 南京理工大学 | 全天时结构化道路多行道线检测方法 |
CN108629036A (zh) * | 2018-05-10 | 2018-10-09 | 中国人民解放军战略支援部队信息工程大学 | 一种道路缩编方法及装置 |
CN109447160A (zh) * | 2018-10-31 | 2019-03-08 | 武汉大学 | 一种影像和矢量道路交叉点自动匹配的方法 |
-
2019
- 2019-09-03 CN CN201910828510.0A patent/CN110555409A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101469991A (zh) * | 2007-12-26 | 2009-07-01 | 南京理工大学 | 全天时结构化道路多行道线检测方法 |
CN108629036A (zh) * | 2018-05-10 | 2018-10-09 | 中国人民解放军战略支援部队信息工程大学 | 一种道路缩编方法及装置 |
CN109447160A (zh) * | 2018-10-31 | 2019-03-08 | 武汉大学 | 一种影像和矢量道路交叉点自动匹配的方法 |
Non-Patent Citations (2)
Title |
---|
张圆等: "使用自组织映射网络识别城市道路主要结构", 《测绘与空间地理信息》 * |
王振华等: "众源 GPS 浮动车数据中城市道路中心线分级提取的栅格化方法", 《测绘通道》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Road extraction in remote sensing data: A survey | |
CN106778605B (zh) | 导航数据辅助下的遥感影像道路网自动提取方法 | |
Lian et al. | Road extraction methods in high-resolution remote sensing images: A comprehensive review | |
CN108986122B (zh) | 室内泊车引导地图智能重构方法 | |
CN110889449A (zh) | 一种增强边缘的、多尺度的遥感影像建筑物语义特征提取方法 | |
CN109948477B (zh) | 一种提取图片中道路网络拓扑点的方法 | |
CN110135354B (zh) | 一种基于实景三维模型的变化检测方法 | |
CN110533048A (zh) | 基于全景区域场景感知的组合语义层次连接模型的实现方法及系统 | |
CN109241846A (zh) | 遥感影像的时空变化估测方法、装置与存储介质 | |
CN111028255A (zh) | 基于先验信息与深度学习的农田区域预筛选方法及装置 | |
CN112347970A (zh) | 一种基于图卷积神经网络的遥感影像地物识别方法 | |
Li et al. | A complex junction recognition method based on GoogLeNet model | |
CN110956207B (zh) | 一种光学遥感影像全要素变化检测方法 | |
CN114694038A (zh) | 基于深度学习的高分辨率遥感影像分类方法及系统 | |
CN109993803A (zh) | 城市色调的智能分析与评价方法 | |
CN113724279A (zh) | 路网自动划分交通小区的系统、方法、设备及存储介质 | |
CN111860204A (zh) | 基于语义分割技术的多时相遥感影像变化检测方法和介质 | |
CN110084107A (zh) | 一种基于改进mrf的高分辨率遥感影像道路提取方法及装置 | |
CN116778146A (zh) | 基于多模态数据的道路信息提取方法及装置 | |
CN114548298A (zh) | 模型训练、交通信息处理方法、装置、设备和存储介质 | |
CN115393587A (zh) | 基于融合卷积神经网络的高速公路沥青路面病害感知方法 | |
CN113505670A (zh) | 基于多尺度cam和超像素的遥感图像弱监督建筑提取方法 | |
Cai et al. | A comparative study of deep learning approaches to rooftop detection in aerial images | |
Yadav | A multi-constraint combined method for road extraction from airborne laser scanning data | |
CN116662468A (zh) | 基于地理对象空间模式特征的城市功能区识别方法及系统 |
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: 20191210 |
|
RJ01 | Rejection of invention patent application after publication |