CN111259771A - 基于图像特征分解的高空间分辨率遥感图像找矿方法 - Google Patents
基于图像特征分解的高空间分辨率遥感图像找矿方法 Download PDFInfo
- Publication number
- CN111259771A CN111259771A CN202010032245.8A CN202010032245A CN111259771A CN 111259771 A CN111259771 A CN 111259771A CN 202010032245 A CN202010032245 A CN 202010032245A CN 111259771 A CN111259771 A CN 111259771A
- Authority
- CN
- China
- Prior art keywords
- image
- space
- data
- time
- remote sensing
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C15/00—Surveying instruments or accessories not provided for in groups G01C1/00 - G01C13/00
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V11/00—Prospecting or detecting by methods combining techniques covered by two or more of main groups G01V1/00 - G01V9/00
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Astronomy & Astrophysics (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Radar, Positioning & Navigation (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Image Processing (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开了基于图像特征分解的高空间分辨率遥感图像找矿方法,包括以下步骤:采集数据、数据筛选、构建时空数据集、构建三维GIS时空信息模型、提取要素、确定交集异常区、确定勘查靶区的具体位置和上传云端;本发明通过遥感技术采集影像及数据,采集后的影像数据先通过数据筛选取出冗余,使图像信息更清楚有效,然后通过影像和时空数据的融合构件时空数据集,该时空数据集完整全面,方便分析,且通过建模的手段构建三维GIS时空信息模型,使矿区地物更加清楚明了,并配合时空坐标的输入,为接下来的定位提供便利,同时,确定勘查靶区后确定其具体时空坐标,并应用到实际中,从而得到勘查靶区的具体位置,定位更加精确。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及基于图像特征分解的高空间分辨率遥感图像找矿方法。
背景技术
遥感技术是地质勘查的一项必要手段,传统的遥感找矿方法一般基于中低空间分辨率、多光谱或高光谱的影像数据,研究方法大致分为四种:一是凭借经验,单纯的目视解译,从而确定靶区,这种方法通常适用于有多年经验的遥感地质工作者;二是对多光谱遥感影像进行地质构造、蚀变信息提取,综合分析区域的成矿地质条件,进而确定找矿靶区,这种方法通常适用于对地质成矿理论及工作比较熟悉的人员;三是对影像进行计算机图像处理,主要采用一些图像增强的方法来进行地质信息的提取,这种方法通常是不懂地质的人员根据计算机解译信息判别成矿特征的做法,其结果通常不被地质工作人员所接受和采纳;四是运用数学统计方法综合分析各种遥感、地质资料,从而进行综合评判,该方法适用性较强,综合性高,是目前遥感技术找矿所普遍采用的一种技术方法;
然而,现有的遥感找矿技术主要是利用计算机解译图像信息,图像信息不叫冗杂,难以快速处理,而且图像信息比较零碎,从业人员根据图像分析比较困难,且通过计算机信息自动提取片面的划定找矿靶区,无异于大海捞针,没有空间坐标,即使图像确定了靶区位置也无法精确找到,使的遥感技术无法真正为找矿勘查服务,因此,本发明提出基于图像特征分解的高空间分辨率遥感图像找矿方法,以解决现有技术中的不足之处。
发明内容
针对上述问题,本发明的目的在于提出基于图像特征分解的高空间分辨率遥感图像找矿方法,该方法得到的图像信息更清楚有效,且时空数据集完整全面,同时方便定位为找矿勘查提供便利。
为实现本发明的目的,本发明通过以下技术方案实现:基于图像特征分解的高空间分辨率遥感图像找矿方法,包括以下步骤:
步骤一:采集数据
利用全球导航卫星系统GNSS、天地一体化遥感RS、三位地理信息系统3DGIS采集指定矿区的遥感影像,并通过光纤光栅数据采集仪、分布式光纤数据采集仪采集网络及指定矿区位置处公用系统中的网络时空数据;
步骤二:数据筛选
利用空间完整性以及云覆盖量对步骤一中遥感影像和网络时空数据进行筛选,首先,根据指定矿区区域范围确定Path和Row的具体数值范围,再对这些具体数值范围进行初步筛选,保证每Path和Row均包含一景影像,得到将该选定区域全覆盖的数据集合,然后对Path和Row相同的数据按其云覆盖量具体数值进行比较,在比较的过程中,删除两两比较中云覆盖量更大的数据,最终得到每Path、Row中云覆盖量最低的数据集合;
步骤三:构建时空数据集
将步骤二中得到的数据集合以GNSS接收系统的秒脉冲信号为统一基准,在可信建模中将遥感影像和时空数据进行融合,对遥感影像数据进行时间戳配准,构成时空影像,将时间戳标识配准下的时空影像构成向量Ti=[t1;t2;…;tn],设时空影像融合时间tM,且tM∈Ti,则第i个时空影像向量数据在tM时刻的状态向量估计结果为对应的协方差矩阵PM(tM),最终构成时空数据集;
步骤四:构建三维GIS时空信息模型
对步骤三中时空数据集进行处理并基于影像自动化进行三维模型构建,将数据3D可视化,并通过符号化来增强显视效果,特别增强矿区地物的分布特征、颜色特征、纹理特征,然后,对整体模型进行精修重建,使地物要素完整,得到GIS空间模型,接着利用GML进行时空数据矢量化,形成点、线、面,由点、线、面组成具体时空数据坐标,构建矢量化模型,将GIS空间模型和矢量化模型融合,再利用矿区地物特征对应的矢量面,对总体模型进行切割,从而对内部各要素实现单体化,构建矿区完整的三维GIS时空信息模型;
步骤五:提取要素
在步骤四的三维GIS时空信息模型中,先提取矿区地物图像的颜色特征,利用ENVI软件将高空间分辨率的RGB图像直接转换为HLS图像,并提取颜色特征,然后提取矿区地物图像的纹理特征,通过ENVI软件的滤波功能进行沿总体走向的方向滤波,并将其滤波提取的纹理结果置于ARCGIS进行密度分析,确定图像的纹理粗糙度,接着对矿区地物图像进行光谱二阶导数的求取,在ENVI IDL中编写二阶导数运算算法,增强光谱吸收、反射的特征值。
步骤六:确定交集异常区
对步骤五中所提取的三要素特征进行综合分析,使用overlay的逻辑叠加分析方法,将三种要素特征由矢量数据转换为栅格数据,转换图像为[0,1]二值图像,异常区域value=1,其他图像区域value=0,应用乘法对图像进行运算,其结果即为三种特征的交集异常区,该交集位置即为遥感找矿勘查靶区;
步骤七:确定勘查靶区的具体位置
将步骤六得到的遥感找矿勘查靶区具体位置具体分析,带入三维GIS时空信息模型中,并单体化标注出来,然后由点、线、面分析确定其具体时空坐标,并应用到实际中,从而得到勘查靶区的具体位置;
步骤八:上传云端
利用WebGIS应用软件提供的便捷式导入机制,导入步骤五中的三维GIS时空信息模型,并标注步骤七得到的勘查靶区,实现数据无缝对接、属性无损集成,然后通过WebGIS应用软件提供数据查询统计、时空数据分析、时空数据共享等通用功能,并传输到云端服务器,以供用户访问使用。
进一步改进在于:所述步骤二中,保证每Path和Row均包含一景影像的同时,剔除每Path和Row包含多景影像或者不足一景影像的数值。
进一步改进在于:所述步骤三中,当引入时空影像的共享因子β表示在tM融合时间的数据置信水平,则向量TM对应的置信度向量为BM=[βM(t1);βM(t2);…;βM(tn)]。
进一步改进在于:所述步骤四中,采用ContextCapture对步骤三中时空数据集进行处理并基于影像自动化进行三维模型构建,软件建模对象为静态物体。
进一步改进在于:所述步骤五中,二阶导数的算法在IDL中主要写为:deriv(deriv(reform(float(slice[*,S]))),S代表光谱spectral,具体的是在ENVI IDL中输入二阶导数公式y"=d2 y/dx2,并编程完成对图像的二阶导数计算。
进一步改进在于:所述步骤七中,单体化标注具体为将遥感找矿勘查靶区设定为单独的模块要素,并具有从整体模型中剥离的且数据不会丢失的功能。
进一步改进在于:所述步骤八中,在传输到云端服务器之前,将模型进行数据规格化,并对其校验。
本发明的有益效果为:本发明通过遥感技术采集影像及数据,采集后的影像数据先通过数据筛选取出冗余,使图像信息更清楚有效,然后通过影像和时空数据的融合构件时空数据集,该时空数据集完整全面,方便分析,且通过建模的手段构建三维GIS时空信息模型,使矿区地物更加清楚明了,并配合时空坐标的输入,为接下来的定位提供便利,同时,利用对矿区地物图像的特征要素分析确定交集异常区,从而确定勘查靶区,这时候,带入三维GIS时空信息模型中,由点、线、面分析确定其具体时空坐标,并应用到实际中,从而得到勘查靶区的具体位置,定位更加精确,为找矿勘查提供便利,另外,模型上传到云端,便于查询使用,方便数据共享。
附图说明
图1为本发明流程示意图。
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,都属于本发明保护的范围。
根据图1所示,本实施例提供了基于图像特征分解的高空间分辨率遥感图像找矿方法,包括以下步骤:
步骤一:采集数据
利用全球导航卫星系统GNSS、天地一体化遥感RS、三位地理信息系统3DGIS采集指定矿区的遥感影像,并通过光纤光栅数据采集仪、分布式光纤数据采集仪采集网络及指定矿区位置处公用系统中的网络时空数据;
步骤二:数据筛选
利用空间完整性以及云覆盖量对步骤一中遥感影像和网络时空数据进行筛选,首先,根据指定矿区区域范围确定Path和Row的具体数值范围,再对这些具体数值范围进行初步筛选,保证每Path和Row均包含一景影像,剔除每Path和Row包含多景影像或者不足一景影像的数值,得到将该选定区域全覆盖的数据集合,然后对Path和Row相同的数据按其云覆盖量具体数值进行比较,在比较的过程中,删除两两比较中云覆盖量更大的数据,最终得到每Path、Row中云覆盖量最低的数据集合;
步骤三:构建时空数据集
将步骤二中得到的数据集合以GNSS接收系统的秒脉冲信号为统一基准,在可信建模中将遥感影像和时空数据进行融合,对遥感影像数据进行时间戳配准,构成时空影像,将时间戳标识配准下的时空影像构成向量Ti=[t1;t2;…;tn],设时空影像融合时间tM,且tM∈Ti,则第i个时空影像向量数据在tM时刻的状态向量估计结果为对应的协方差矩阵PM(tM),当引入时空影像的共享因子β表示在tM融合时间的数据置信水平,则向量TM对应的置信度向量为BM=[βM(t1);βM(t2);…;βM(tn)],最终构成时空数据集;
步骤四:构建三维GIS时空信息模型
采用ContextCapture对步骤三中时空数据集进行处理并基于影像自动化进行三维模型构建,软件建模对象为静态物体,将数据3D可视化,并通过符号化来增强显视效果,特别增强矿区地物的分布特征、颜色特征、纹理特征,然后,对整体模型进行精修重建,使地物要素完整,得到GIS空间模型,接着利用GML进行时空数据矢量化,形成点、线、面,由点、线、面组成具体时空数据坐标,构建矢量化模型,将GIS空间模型和矢量化模型融合,再利用矿区地物特征对应的矢量面,对总体模型进行切割,从而对内部各要素实现单体化,构建矿区完整的三维GIS时空信息模型;
步骤五:提取要素
在步骤四的三维GIS时空信息模型中,先提取矿区地物图像的颜色特征,利用ENVI软件将高空间分辨率的RGB图像直接转换为HLS图像,并提取颜色特征,然后提取矿区地物图像的纹理特征,通过ENVI软件的滤波功能进行沿总体走向的方向滤波,并将其滤波提取的纹理结果置于ARCGIS进行密度分析,确定图像的纹理粗糙度,接着对矿区地物图像进行光谱二阶导数的求取,在ENVI IDL中编写二阶导数运算算法,二阶导数的算法在IDL中主要写为:deriv(deriv(reform(float(slice[*,S]))),S代表光谱spectral,具体的是在ENVIIDL中输入二阶导数公式y"=d2 y/dx2,并编程完成对图像的二阶导数计算,增强光谱吸收、反射的特征值。
步骤六:确定交集异常区
对步骤五中所提取的三要素特征进行综合分析,使用overlay的逻辑叠加分析方法,将三种要素特征由矢量数据转换为栅格数据,转换图像为[0,1]二值图像,异常区域value=1,其他图像区域value=0,应用乘法对图像进行运算,其结果即为三种特征的交集异常区,该交集位置即为遥感找矿勘查靶区;
步骤七:确定勘查靶区的具体位置
将步骤六得到的遥感找矿勘查靶区具体位置具体分析,带入三维GIS时空信息模型中,并单体化标注出来,具体为将遥感找矿勘查靶区设定为单独的模块要素,并具有从整体模型中剥离的且数据不会丢失的功能,然后由点、线、面分析确定其具体时空坐标,并应用到实际中,从而得到勘查靶区的具体位置;
步骤八:上传云端
利用WebGIS应用软件提供的便捷式导入机制,导入步骤五中的三维GIS时空信息模型,并标注步骤七得到的勘查靶区,实现数据无缝对接、属性无损集成,然后通过WebGIS应用软件提供数据查询统计、时空数据分析、时空数据共享等通用功能,接着将模型进行数据规格化,并对其校验,校验后传输到云端服务器,以供用户访问使用。
本发明通过遥感技术采集影像及数据,采集后的影像数据先通过数据筛选取出冗余,使图像信息更清楚有效,然后通过影像和时空数据的融合构件时空数据集,该时空数据集完整全面,方便分析,且通过建模的手段构建三维GIS时空信息模型,使矿区地物更加清楚明了,并配合时空坐标的输入,为接下来的定位提供便利,同时,利用对矿区地物图像的特征要素分析确定交集异常区,从而确定勘查靶区,这时候,带入三维GIS时空信息模型中,由点、线、面分析确定其具体时空坐标,并应用到实际中,从而得到勘查靶区的具体位置,定位更加精确,为找矿勘查提供便利,另外,模型上传到云端,便于查询使用,方便数据共享。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.基于图像特征分解的高空间分辨率遥感图像找矿方法,其特征在于,包括以下步骤:
步骤一:采集数据
利用全球导航卫星系统GNSS、天地一体化遥感RS、三位地理信息系统3DGIS采集指定矿区的遥感影像,并通过光纤光栅数据采集仪、分布式光纤数据采集仪采集网络及指定矿区位置处公用系统中的网络时空数据;
步骤二:数据筛选
利用空间完整性以及云覆盖量对步骤一中遥感影像和网络时空数据进行筛选,首先,根据指定矿区区域范围确定Path和Row的具体数值范围,再对这些具体数值范围进行初步筛选,保证每Path和Row均包含一景影像,得到将该选定区域全覆盖的数据集合,然后对Path和Row相同的数据按其云覆盖量具体数值进行比较,在比较的过程中,删除两两比较中云覆盖量更大的数据,最终得到每Path、Row中云覆盖量最低的数据集合;
步骤三:构建时空数据集
将步骤二中得到的数据集合以GNSS接收系统的秒脉冲信号为统一基准,在可信建模中将遥感影像和时空数据进行融合,对遥感影像数据进行时间戳配准,构成时空影像,将时间戳标识配准下的时空影像构成向量Ti=[t1;t2;…;tn],设时空影像融合时间tM,且tM∈Ti,则第i个时空影像向量数据在tM时刻的状态向量估计结果为 对应的协方差矩阵PM(tM),最终构成时空数据集;
步骤四:构建三维GIS时空信息模型
对步骤三中时空数据集进行处理并基于影像自动化进行三维模型构建,将数据3D可视化,并通过符号化来增强显视效果,特别增强矿区地物的分布特征、颜色特征、纹理特征,然后,对整体模型进行精修重建,使地物要素完整,得到GIS空间模型,接着利用GML进行时空数据矢量化,形成点、线、面,由点、线、面组成具体时空数据坐标,构建矢量化模型,将GIS空间模型和矢量化模型融合,再利用矿区地物特征对应的矢量面,对总体模型进行切割,从而对内部各要素实现单体化,构建矿区完整的三维GIS时空信息模型;
步骤五:提取要素
在步骤四的三维GIS时空信息模型中,先提取矿区地物图像的颜色特征,利用ENVI软件将高空间分辨率的RGB图像直接转换为HLS图像,并提取颜色特征,然后提取矿区地物图像的纹理特征,通过ENVI软件的滤波功能进行沿总体走向的方向滤波,并将其滤波提取的纹理结果置于ARCGIS进行密度分析,确定图像的纹理粗糙度,接着对矿区地物图像进行光谱二阶导数的求取,在ENVI IDL中编写二阶导数运算算法,增强光谱吸收、反射的特征值。
步骤六:确定交集异常区
对步骤五中所提取的三要素特征进行综合分析,使用overlay的逻辑叠加分析方法,将三种要素特征由矢量数据转换为栅格数据,转换图像为[0,1]二值图像,异常区域value=1,其他图像区域value=0,应用乘法对图像进行运算,其结果即为三种特征的交集异常区,该交集位置即为遥感找矿勘查靶区;
步骤七:确定勘查靶区的具体位置
将步骤六得到的遥感找矿勘查靶区具体位置具体分析,带入三维GIS时空信息模型中,并单体化标注出来,然后由点、线、面分析确定其具体时空坐标,并应用到实际中,从而得到勘查靶区的具体位置;
步骤八:上传云端
利用WebGIS应用软件提供的便捷式导入机制,导入步骤五中的三维GIS时空信息模型,并标注步骤七得到的勘查靶区,实现数据无缝对接、属性无损集成,然后通过WebGIS应用软件提供数据查询统计、时空数据分析、时空数据共享等通用功能,并传输到云端服务器,以供用户访问使用。
2.根据权利要求1所述的基于图像特征分解的高空间分辨率遥感图像找矿方法,其特征在于:所述步骤二中,保证每Path和Row均包含一景影像的同时,剔除每Path和Row包含多景影像或者不足一景影像的数值。
3.根据权利要求1所述的基于图像特征分解的高空间分辨率遥感图像找矿方法,其特征在于:所述步骤三中,当引入时空影像的共享因子β表示在tM融合时间的数据置信水平,则向量TM对应的置信度向量为BM=[βM(t1);βM(t2);…;βM(tn)]。
4.根据权利要求1所述的基于图像特征分解的高空间分辨率遥感图像找矿方法,其特征在于:所述步骤四中,采用ContextCapture对步骤三中时空数据集进行处理并基于影像自动化进行三维模型构建,软件建模对象为静态物体。
5.根据权利要求1所述的基于图像特征分解的高空间分辨率遥感图像找矿方法,其特征在于:所述步骤五中,二阶导数的算法在IDL中主要写为:deriv(deriv(reform(float(slice[*,S]))),S代表光谱spectral,具体的是在ENVI IDL中输入二阶导数公式y"=d2y/dx2,并编程完成对图像的二阶导数计算。
6.根据权利要求1所述的基于图像特征分解的高空间分辨率遥感图像找矿方法,其特征在于:所述步骤七中,单体化标注具体为将遥感找矿勘查靶区设定为单独的模块要素,并具有从整体模型中剥离的且数据不会丢失的功能。
7.根据权利要求1所述的基于图像特征分解的高空间分辨率遥感图像找矿方法,其特征在于:所述步骤八中,在传输到云端服务器之前,将模型进行数据规格化,并对其校验。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010032245.8A CN111259771A (zh) | 2020-01-13 | 2020-01-13 | 基于图像特征分解的高空间分辨率遥感图像找矿方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010032245.8A CN111259771A (zh) | 2020-01-13 | 2020-01-13 | 基于图像特征分解的高空间分辨率遥感图像找矿方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111259771A true CN111259771A (zh) | 2020-06-09 |
Family
ID=70950445
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010032245.8A Pending CN111259771A (zh) | 2020-01-13 | 2020-01-13 | 基于图像特征分解的高空间分辨率遥感图像找矿方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111259771A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111967440A (zh) * | 2020-09-04 | 2020-11-20 | 郑州轻工业大学 | 一种农作物病害的综合识别处理方法 |
CN112084930A (zh) * | 2020-09-04 | 2020-12-15 | 厦门大学 | 一种全视野数字病理切片的病灶区域分类方法及其系统 |
CN113820321A (zh) * | 2021-09-23 | 2021-12-21 | 广州利科科技有限公司 | 路桥路面裂缝检测系统及其检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105469068A (zh) * | 2015-12-04 | 2016-04-06 | 成都理工大学 | 基于图像特征分解的高空间分辨率遥感图像找矿方法 |
CN109146876A (zh) * | 2018-09-14 | 2019-01-04 | 四川省安全科学技术研究院 | 一种基于高分遥感影像的矿山环境变化检测方法 |
CN109410327A (zh) * | 2018-10-09 | 2019-03-01 | 鼎宸建设管理有限公司 | 一种基于bim和gis的三维城市建模方法 |
CN110503722A (zh) * | 2019-08-22 | 2019-11-26 | 华东师范大学 | 高精度室内外时空数据重构及其处理方法 |
CN110532340A (zh) * | 2019-09-03 | 2019-12-03 | 华东师范大学 | 空间信息时空元数据构建方法 |
-
2020
- 2020-01-13 CN CN202010032245.8A patent/CN111259771A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105469068A (zh) * | 2015-12-04 | 2016-04-06 | 成都理工大学 | 基于图像特征分解的高空间分辨率遥感图像找矿方法 |
CN109146876A (zh) * | 2018-09-14 | 2019-01-04 | 四川省安全科学技术研究院 | 一种基于高分遥感影像的矿山环境变化检测方法 |
CN109410327A (zh) * | 2018-10-09 | 2019-03-01 | 鼎宸建设管理有限公司 | 一种基于bim和gis的三维城市建模方法 |
CN110503722A (zh) * | 2019-08-22 | 2019-11-26 | 华东师范大学 | 高精度室内外时空数据重构及其处理方法 |
CN110532340A (zh) * | 2019-09-03 | 2019-12-03 | 华东师范大学 | 空间信息时空元数据构建方法 |
Non-Patent Citations (1)
Title |
---|
栾佳萍等: "基于Landsat 8 的全球精选遥感数据集汇聚方法", 《遥感技术与应用》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111967440A (zh) * | 2020-09-04 | 2020-11-20 | 郑州轻工业大学 | 一种农作物病害的综合识别处理方法 |
CN112084930A (zh) * | 2020-09-04 | 2020-12-15 | 厦门大学 | 一种全视野数字病理切片的病灶区域分类方法及其系统 |
CN111967440B (zh) * | 2020-09-04 | 2023-10-27 | 郑州轻工业大学 | 一种农作物病害的综合识别处理方法 |
CN113820321A (zh) * | 2021-09-23 | 2021-12-21 | 广州利科科技有限公司 | 路桥路面裂缝检测系统及其检测方法 |
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 | |
Battulwar et al. | A state-of-the-art review of automated extraction of rock mass discontinuity characteristics using three-dimensional surface models | |
US8615133B2 (en) | Process for enhancing images based on user input | |
Treitz et al. | Remote sensing for mapping and monitoring land-cover and land-use change—an introduction | |
CN116504032B (zh) | 一种基于实景三维的滑坡危险性监测预警方法及系统 | |
Ahn et al. | Delineation of soil variability using geostatistics and fuzzy clustering analyses of hyperspectral data | |
CN111259771A (zh) | 基于图像特征分解的高空间分辨率遥感图像找矿方法 | |
Brook et al. | Modelling and monitoring urban built environment via multi-source integrated and fused remote sensing data | |
US20080205790A1 (en) | Iterative region-based automated control point generation | |
Zhao et al. | Combining ICESat-2 photons and Google Earth Satellite images for building height extraction | |
Sillero et al. | Free GIS for herpetologists: free data sources on Internet and comparison analysis of proprietary and free/open source software | |
Vaz et al. | Tectonic lineament mapping of the Thaumasia Plateau, Mars: Comparing results from photointerpretation and a semi-automatic approach | |
Song et al. | Development of comprehensive accuracy assessment indexes for building footprint extraction | |
CN114386497A (zh) | 面向铀成矿构造的航空高光谱和伽玛能谱数据融合方法 | |
Tao et al. | Simulation-based building change detection from multiangle SAR images and digital surface models | |
Dawson et al. | Mapping and monitoring of the land use/cover changes in the wider area of Itanos, Crete, using very high resolution EO imagery with specific interest in archaeological sites | |
Gong | Integrated analysis of spatial data from multiple sources: an overview | |
CN112597936B (zh) | 基于面向对象分层分割的建筑垃圾分离方法及相关产品 | |
Lobo et al. | Fine-scale mapping of a grassland from digitized aerial photography: An approach using image segmentation and discriminant analysis | |
Sui et al. | Processing of multitemporal data and change detection | |
Brandmeier | Remote sensing of Carhuarazo volcanic complex using ASTER imagery in Southern Peru to detect alteration zones and volcanic structures–a combined approach of image processing in ENVI and ArcGIS/ArcScene | |
Richards et al. | Image classification methodologies | |
Zhang et al. | OCFMD: An Automatic Optimal Clustering Method of Discontinuity Orientation Based on Fisher Mixed Distribution | |
Ouchra et al. | Comparing Unsupervised Land Use Classification of Landsat 8 OLI Data Using K-means and LVQ Algorithms in Google Earth Engine: A Case Study of Casablanca. | |
Silván-Cárdenas et al. | Extraction of buildings footprint from lidar altimetry data with the hermite transform |
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: 20200609 |
|
RJ01 | Rejection of invention patent application after publication |