CN111539297A - 一种高分辨率遥感影像道路信息半自动提取方法 - Google Patents
一种高分辨率遥感影像道路信息半自动提取方法 Download PDFInfo
- Publication number
- CN111539297A CN111539297A CN202010310015.3A CN202010310015A CN111539297A CN 111539297 A CN111539297 A CN 111539297A CN 202010310015 A CN202010310015 A CN 202010310015A CN 111539297 A CN111539297 A CN 111539297A
- Authority
- CN
- China
- Prior art keywords
- template
- road
- remote sensing
- sensing image
- initial
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 21
- 230000009191 jumping Effects 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 2
- 238000011524 similarity measure Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06V20/176—Urban or other man-made structures
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及遥感影像信息提取领域，尤其涉及一种高分辨率遥感影像道路信息半自动提取方法，其不同之处在于，包括以下步骤：步骤1、图层输入；步骤2、获取道路初始模板；步骤3、获取基准模板；步骤4、获取最相似模板；步骤5、判断最相似模板与初始模板的相似度差值是否小于设定阈值：若是则跳转至步骤6，否则跳转至步骤7；步骤6、更新初始模板，并跳转至步骤3；步骤7、获取新基准模板；步骤8、计算新基准模板与初始模板的相似度，得到相似度差值；步骤9、判断相似度差值是否小于设定阈值：若是则跳转至步骤6，否则结束流程。本发明解决了遥感影像的道路信息提取中自动化提取精度不高，而纯人工的提取效率低下的问题。
Description
技术领域
本发明涉及遥感影像信息提取领域，尤其涉及一种高分辨率遥感影像道路信息半自动提取方法。
背景技术
高分辨率影像上信息量丰富，地物细节特征明显，能够为使用者提供详细的地物要素信息或感兴趣目标信息。利用高分辨率遥感影像进行地图数据采集与制作是目前地图生产的主要途径，也是很多商业地图公司、测绘生产单位所采用的方法。对于高分辨率遥感影像信息提取来说，最大的问题在于自动化提取精度不高，需要大量人工后期检查，而纯人工的信息提取又效率低下，高分辨率影像的提取与实际应用还存在着非常大的差距。
道路要素是地图中最主要的地物要素，高分辨率遥感影像道路呈现的特征总结为以下几点：
几何特征：①道路呈长条带状；②道路的弯曲度是有限的，不会突然改变方向；③道路的宽度基本保持不变。
辐射特征：①道路具有相似的灰度值、相似的纹理特征；②道路与周围的地物具有较大的对比度，或暗或亮。
拓扑特征：①道路不会无端中断；②道路相互相交而形成道路网。
功能特征：①道路具有连接居民地的功能。
上下文特征：①立交桥或高速路会投影形成阴影；②道路往往被周边的树木、房屋等其他相对较高的地物遮蔽，道路上有车辆，反过来，车辆、行树、房屋等出现也会预示着有道路的存在。
高分辨率遥感影像中按照道路的特征划分，可以分为高速公路、城市街道、乡村道路。由于不同的类型的道路特征比较明显，导致在提取的过程中需针对特定的道路类型，针对性地进行处理。因此，传统的人工目视解译方法成本高、制作周期长，而全自动提取的后期处理工作量较大，可能会存在错误、遗漏的提取。如何更好地进行道路信息的快速、精确化提取，是需要迫切解决的问题。
鉴于此，为了克服现有技术缺点，提供一种高分辨率遥感影像道路信息半自动提取方法成为本领域亟待解决的问题。
发明内容
本发明的目的在于克服现有技术的缺点，提供一种高分辨率遥感影像道路信息半自动提取方法，解决了遥感影像的道路信息提取中自动化提取精度不高，而纯人工的提取效率低下的问题。
为解决以上技术问题，本发明的技术方案为：一种高分辨率遥感影像道路信息半自动提取方法，其不同之处在于，包括以下步骤：
步骤1、图层输入；
步骤2、获取道路初始模板；
步骤3、根据初始模板，获取基准模板；
步骤4、根据步骤3中得到的基准模板，获取最相似模板；
步骤5、判断步骤4中得到的最相似模板与初始模板的相似度差值是否小于设定阈值：若是则跳转至步骤6，否则跳转至步骤7；
步骤6、更新初始模板，并跳转至步骤3；
步骤7、获取新基准模板；
步骤8、计算所述步骤7中得到的新基准模板与初始模板的相似度，得到相似度差值；
步骤9、判断步骤8中得到的相似度差值是否小于设定阈值：若是则跳转至步骤6，否则结束流程。
按以上方案，所述步骤1包括以下子步骤：
步骤11、输入道路影像图层；
步骤12、输入一个空的矢量线图层，用于存放后续生成的道路要素。
按以上方案，所述步骤2包括以下子步骤：
步骤21、在道路上人工选取两个种子点，第一种子点p表示初始模板位置，第二种子点表示初始模板方向；
步骤22、在第一种子点p两侧生成两条与所述步骤21中两个种子点的连接线相平行的平行线，交互获取道路宽度w；
步骤23、根据第一种子点p生成道路初始模板；
步骤24、获取初始模板区域的灰度值，并计算灰度共生矩阵的纹理特征值，根据初始模板的特征值得到设定阈值。
按以上方案，所述道路初始模板具体为：以第一种子点p为中心点，宽度为w、长度为2w，方向与选取种子点连接线平行的矩形。
按以上方案，所述设定阈值的计算公式为：
其中，v为设定阈值，T代表初始模板，Stdv为灰度共生矩阵纹理标准差，Entropy为灰度共生矩阵纹理熵，Mean为灰度共生矩阵纹理均值，dAlpha为系数。
按以上方案，所述步骤3具体包括：将所述初始模板向其宽边方向移动一个模板长度的距离，得到基准模板。
按以上方案，所述步骤4包括以下子步骤：
步骤41、沿所述基准模板第一条宽边中点分别逆时针和顺时针旋转，每一次旋转一个固定值，生成新的N个目标模板；
步骤42、分别计算N个目标模板、1个基准模板与初始模板的相似度，得到相似度差值u；
步骤43、选择所述相似度差值u最小的模板，作为最相似模板。
按以上方案，所述相似度差值u的计算公式为：
其中，S代表N个目标模板和1个基准模板，T代表初始模板，Stdv为灰度共生矩阵纹理标准差，Entropy为灰度共生矩阵纹理熵，Mean为灰度共生矩阵纹理均值。
按以上方案，所述步骤6具体包括：将最相似模板的道路信息存储在所述步骤12中的矢量线图层中，并将当前最相似模板更新为初始模板。
按以上方案，所述步骤7具体包括：将初始模板沿中心线方向平移2倍的模板长度，得到新基准模板。
本发明的有益效果如下：
1)、解决了遥感影像的道路信息提取中自动化提取精度不高、纯人工的提取效率低下的问题；
2)、通过局部匹配来减少模板内车辆、树木阴影等影响，并对有噪声干扰较大的地方停止搜索，提高了信息提取的精确度；
3)、对于不同的道路类型(高速公路、城市街道、乡村道路)都可进行信息提取。
附图说明
图1为本发明实施例的流程示意图；
图2为本发明实施例的提取效果图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下将通过具体实施方式结合参考附图，以乡村道路为实施例对本发明的技术方案进行进一步详细说明。应当理解，下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
本发明所涉及的相关概念如下：
A、矩形模板：
影像上某个点p，定义一个函数T(a,w,p)，函数表示以p点为中心，宽度为w，长度为2w的矩形模板，从水平方向开始，以a为间隔旋转角度，形成一组矩形模板，得到一组值{T(a0,w,p),T(a1,w,p),…,T(an,w,p)}，用这些值来描述矩形模板的纹理特征。
B、灰度共生矩阵的纹理特征值：
灰度共生矩阵，指的是一种通过研究灰度的空间相关特性来描述纹理的常用方法。由于纹理是由灰度分布在空间位置上反复出现而形成的，因而在图像空间中相隔某距离的两像素之间会存在一定的灰度关系，即图像中灰度的空间相关特性。
为了简便，本发明用灰度共生矩阵纹理标准差Stdv、灰度共生矩阵纹理熵Entropy、灰度共生矩阵纹理均值Mean三个参数来描述模板的纹理特征：
C、相似度测度：
本发明利用灰度共生矩阵的纹理特征(标准差、熵、均值)组成的表达式进行相似度的计算：
S代表N个目标模板和1个基准模板、T代表初始模板。在匹配过程中，u值越小，与初始模板的相似度越高。
请参考图1，本发明为一种高分辨率遥感影像道路信息半自动提取方法，其不同之处在于：包括以下步骤：
1)图层输入：
11)输入乡村道路影像图层；
12)输入一个空的矢量线图层，用来存放后续生成的乡村道路要素；
2)获取道路初始匹配模板：
21)在乡村道路上人工选取两个种子点；
22)在第一个种子点两侧生成两条与上述两个种子点连接线相平行的平行线，交互获取道路宽度w；
23)生成初始模板，第一个种子点为中心点，宽度为w、长度为2w，方向与选取种子点连接线平行的矩形；
24)根据初始模板，获取初始设定阈值：
其中，v为设定阈值，T代表初始模板，Stdv为灰度共生矩阵纹理标准差，Entropy为灰度共生矩阵纹理熵，Mean为灰度共生矩阵纹理均值，dAlpha为系数。
3)获取基准模板：
将初始模板向其宽边方向移动一个模板长度的距离2w，得到基准模板；
4)获取最相似模板：
41)沿基准模板第一条宽边中点分别逆时针和顺时针旋转各40度，每一次旋转5度，生成新的16个目标模板；
42)根据灰度共生矩阵的纹理特征值，以相似度测度来分别计算17个模板(16个目标模板与1个基准模板)与初始模板相似度，得到17个相似度差值u；
其中，S代表16个目标模板和1个基准模板，T代表初始模板，Stdv为灰度共生矩阵纹理标准差，Entropy为灰度共生矩阵纹理熵，Mean为灰度共生矩阵纹理均值。
43)选择相似度差值u最小的模板，作为对应初始模板的最相似模板；
5)判断最相似模板是否满足设定阈值(相似度差值u是否小于设定阈值v)：若满足则跳转至步骤6，不满足则跳转至步骤7；
6)将最相似模板的道路信息(边线、中线)存储在步骤12的矢量线图层中，并将当前最相似模板更新为初始模板，并跳转至步骤3；
7)将初始模板沿中心线方向平移2倍的模板长度，得到新基准模板；
8)计算新基准模板与初始模板相似度，得到相似度差值；相似度差值计算公式同步骤42中的计算公式；
9)判断相似度是否满足设定阈值(相似度差值u是否小于设定阈值v)，若满足则跳转至步骤6，否则结束流程；设定阈值v的计算公式同步骤24中的计算公式。
本发明实施例中，乡村道路车流量较少，车辆对道路提取的影响较小，阴影、树木等噪声是影响乡村道路提取的主要因素。对于无噪声、少量阴影干扰的情况，道路提取的效果较好，不需人工干预处理，但是在大量阴影的干扰下，道路提取会停止搜索，需要人工处理。最终的提取效果如图2所示。
以上内容是结合具体的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
Claims (10)
1.一种高分辨率遥感影像道路信息半自动提取方法，其特征在于，包括以下步骤：
步骤1、图层输入；
步骤2、获取道路初始模板；
步骤3、根据初始模板，获取基准模板；
步骤4、根据步骤3中得到的基准模板，获取最相似模板；
步骤5、判断步骤4中得到的最相似模板与初始模板的相似度差值是否小于设定阈值：若是则跳转至步骤6，否则跳转至步骤7；
步骤6、更新初始模板，并跳转至步骤3；
步骤7、获取新基准模板；
步骤8、计算所述步骤7中得到的新基准模板与初始模板的相似度，得到相似度差值；
步骤9、判断步骤8中得到的相似度差值是否小于设定阈值：若是则跳转至步骤6，否则结束流程。
2.根据权利要求1所述的高分辨率遥感影像道路信息半自动提取方法，其特征在于：所述步骤1包括以下子步骤：
步骤11、输入道路影像图层；
步骤12、输入一个空的矢量线图层，用于存放后续生成的道路要素。
3.根据权利要求1所述的高分辨率遥感影像道路信息半自动提取方法，其特征在于：所述步骤2包括以下子步骤：
步骤21、在道路上人工选取两个种子点，第一种子点p表示初始模板位置，第二种子点表示初始模板方向；
步骤22、在第一种子点p两侧生成两条与所述步骤21中两个种子点的连接线相平行的平行线，交互获取道路宽度w；
步骤23、根据第一种子点p生成道路初始模板；
步骤24、获取初始模板区域的灰度值，并计算灰度共生矩阵的纹理特征值，根据初始模板的特征值得到设定阈值。
4.根据权利要求3所述的高分辨率遥感影像道路信息半自动提取方法，其特征在于：所述道路初始模板具体为：以第一种子点p为中心点，宽度为w、长度为2w，方向与选取种子点连接线平行的矩形。
5.根据权利要求3所述的高分辨率遥感影像道路信息半自动提取方法，其特征在于：所述设定阈值的计算公式为：
其中，v为设定阈值，T代表初始模板，Stdv为灰度共生矩阵纹理标准差，Entropy为灰度共生矩阵纹理熵，Mean为灰度共生矩阵纹理均值，dAlpha为系数。
6.根据权利要求1所述的高分辨率遥感影像道路信息半自动提取方法，其特征在于：所述步骤3具体包括：将所述初始模板向其宽边方向移动一个模板长度的距离，得到基准模板。
7.根据权利要求1所述的高分辨率遥感影像道路信息半自动提取方法，其特征在于：所述步骤4包括以下子步骤：
步骤41、沿所述基准模板第一条宽边中点分别逆时针和顺时针旋转，每一次旋转一个固定值，生成新的N个目标模板；
步骤42、分别计算N个目标模板、1个基准模板与初始模板的相似度，得到N+1个相似度差值u；
步骤43、选择所述相似度差值u最小的模板，作为最相似模板。
8.根据权利要求7所述的高分辨率遥感影像道路信息半自动提取方法，其特征在于：所述相似度差值u的计算公式为：
其中，S代表N个目标模板和1个基准模板，T代表初始模板，Stdv为灰度共生矩阵纹理标准差，Entropy为灰度共生矩阵纹理熵，Mean为灰度共生矩阵纹理均值。
9.根据权利要求2所述的高分辨率遥感影像道路信息半自动提取方法，其特征在于：所述步骤6具体包括：将最相似模板的道路信息存储在所述步骤12中的矢量线图层中，并将当前最相似模板更新为初始模板。
10.根据权利要求1所述的高分辨率遥感影像道路信息半自动提取方法，其特征在于：所述步骤7具体包括：将初始模板沿中心线方向平移2倍的模板长度，得到新基准模板。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010310015.3A CN111539297B (zh) | 2020-04-20 | 2020-04-20 | 一种高分辨率遥感影像道路信息半自动提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010310015.3A CN111539297B (zh) | 2020-04-20 | 2020-04-20 | 一种高分辨率遥感影像道路信息半自动提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111539297A true CN111539297A (zh) | 2020-08-14 |
| CN111539297B CN111539297B (zh) | 2023-08-08 |
Family
ID=71975213
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010310015.3A Active CN111539297B (zh) | 2020-04-20 | 2020-04-20 | 一种高分辨率遥感影像道路信息半自动提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111539297B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111815741A (zh) * | 2020-08-27 | 2020-10-23 | 杭州今奥信息科技股份有限公司 | 一种基于影像纹理识别的道路绘制方法及其系统 |
| CN113158726A (zh) * | 2020-12-30 | 2021-07-23 | 交通运输部科学研究院 | 一种基于遥感影像识别农村公路路面类型的方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102156882A (zh) * | 2011-04-14 | 2011-08-17 | 西北工业大学 | 一种基于高分辨遥感图像的机场目标检测方法 |
| CN106778605A (zh) * | 2016-12-14 | 2017-05-31 | 武汉大学 | 导航数据辅助下的遥感影像道路网自动提取方法 |
| WO2018039646A1 (en) * | 2016-08-26 | 2018-03-01 | Netradyne Inc. | Recording video of an operator and a surrounding visual field |
| CN107958183A (zh) * | 2017-12-02 | 2018-04-24 | 中国地质大学（北京） | 一种高分辨率遥感图像的城市路网信息自动提取方法 |
| CN110543885A (zh) * | 2019-08-13 | 2019-12-06 | 武汉大学 | 一种交互式提取高分辨率遥感影像道路并生成路网的方法 |
-
2020
- 2020-04-20 CN CN202010310015.3A patent/CN111539297B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102156882A (zh) * | 2011-04-14 | 2011-08-17 | 西北工业大学 | 一种基于高分辨遥感图像的机场目标检测方法 |
| WO2018039646A1 (en) * | 2016-08-26 | 2018-03-01 | Netradyne Inc. | Recording video of an operator and a surrounding visual field |
| CN106778605A (zh) * | 2016-12-14 | 2017-05-31 | 武汉大学 | 导航数据辅助下的遥感影像道路网自动提取方法 |
| CN107958183A (zh) * | 2017-12-02 | 2018-04-24 | 中国地质大学（北京） | 一种高分辨率遥感图像的城市路网信息自动提取方法 |
| CN110543885A (zh) * | 2019-08-13 | 2019-12-06 | 武汉大学 | 一种交互式提取高分辨率遥感影像道路并生成路网的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 左娟;李勇军;: "结合纹理与形状特征的高分辨率遥感影像道路提取" * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111815741A (zh) * | 2020-08-27 | 2020-10-23 | 杭州今奥信息科技股份有限公司 | 一种基于影像纹理识别的道路绘制方法及其系统 |
| CN111815741B (zh) * | 2020-08-27 | 2021-01-05 | 杭州今奥信息科技股份有限公司 | 一种基于影像纹理识别的道路绘制方法及其系统 |
| CN113158726A (zh) * | 2020-12-30 | 2021-07-23 | 交通运输部科学研究院 | 一种基于遥感影像识别农村公路路面类型的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111539297B (zh) | 2023-08-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110738252B (zh) | 空间自相关的机器学习卫星降水数据降尺度方法、系统 | |
| CN112287807B (zh) | 一种基于多分支金字塔神经网络的遥感影像道路提取方法 | |
| CN110263717B (zh) | 一种融入街景影像的土地利用类别确定方法 | |
| CN109840553B (zh) | 耕地作物类型的提取方法及系统、存储介质、电子设备 | |
| CN113505842B (zh) | 一种适用于大尺度区域遥感影像城市建筑物自动提取方法 | |
| CN110596008B (zh) | 基于地块的中国洪积平原农业区土壤养分数字制图方法 | |
| CN111145157B (zh) | 基于高分辨率遥感影像的路网数据自动化质量检查方法 | |
| CN111539297B (zh) | 一种高分辨率遥感影像道路信息半自动提取方法 | |
| CN111695088A (zh) | 卫星降水空间降尺度最优回归窗口筛选方法与装置 | |
| CN111598048A (zh) | 一种融合高分遥感影像和街景影像的城中村识别方法 | |
| CN113313296A (zh) | 一种基于rusle的区域土壤侵蚀定量评价方法 | |
| CN111242223B (zh) | 一种基于街景影像多特征融合的街道空间品质评价方法 | |
| CN114120101A (zh) | 一种土壤水分多尺度综合感知方法 | |
| Zhang et al. | Impervious surface extraction from high-resolution satellite image using pixel-and object-based hybrid analysis | |
| CN114661744A (zh) | 一种基于深度学习的地形数据库更新方法及系统 | |
| CN111382715A (zh) | 一种地形图中地物要素的提取方法 | |
| CN117409168B (zh) | 实时动态渲染的洪水预报及洪灾模拟方法和系统 | |
| CN108038086B (zh) | 一种基于像素尺度的dem数据误差评价与校正方法 | |
| Sujud et al. | A global dynamic runoff application and dataset based on the assimilation of GPM, SMAP, and GCN250 curve number datasets | |
| Bescoby | Detecting Roman land boundaries in aerial photographs using Radon transforms | |
| Lu et al. | Gre and beyond: A global road extraction dataset | |
| CN116310802A (zh) | 一种基于多尺度融合模型的宅基地变化监测方法和装置 | |
| CN114299389B (zh) | 一种融合时空信息的Savitzky-Golay滤波降噪并行方法 | |
| CN115223000A (zh) | 面向耕地资源监测的深度学习样本制作方法 | |
| CN111429509A (zh) | 一种目标物高度的集中测算方法 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: A1100, Wuhan Zhongdi science and technology park complex building, 598 Guanshan Avenue, Donghu New Technology Development Zone, Wuhan City, Hubei Province, 430000 Applicant after: WUHAN ZONDY CYBER TECHNOLOGY Co.,Ltd. Address before: 430073 building C, Huazhong Software Park, No.1 Guanshan 1st Road, Hongshan District, Wuhan City, Hubei Province Applicant before: WUHAN ZONDY CYBER TECHNOLOGY Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A semi-automatic method for extracting road information from high-resolution remote sensing images Granted publication date: 20230808 Pledgee: Guanggu Branch of Wuhan Rural Commercial Bank Co.,Ltd. Pledgor: WUHAN ZONDY CYBER TECHNOLOGY CO.,LTD. Registration number: Y2024980009510 |