CN111753031A - 地图区域的整合方法、装置、存储介质和电子设备 - Google Patents
地图区域的整合方法、装置、存储介质和电子设备 Download PDFInfo
- Publication number
- CN111753031A CN111753031A CN201911233063.0A CN201911233063A CN111753031A CN 111753031 A CN111753031 A CN 111753031A CN 201911233063 A CN201911233063 A CN 201911233063A CN 111753031 A CN111753031 A CN 111753031A
- Authority
- CN
- China
- Prior art keywords
- coordinate point
- map
- area
- tile image
- point 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
Links
- 230000010354 integration Effects 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000013528 artificial neural network Methods 0.000 claims abstract description 58
- 238000004590 computer program Methods 0.000 claims description 5
- 230000007547 defect Effects 0.000 abstract description 6
- 238000013507 mapping Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 18
- 238000012545 processing Methods 0.000 description 10
- 244000269722 Thea sinensis Species 0.000 description 7
- 235000013339 cereals Nutrition 0.000 description 7
- 235000013399 edible fruits Nutrition 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 239000002420 orchard Substances 0.000 description 2
- 240000004178 Anthoxanthum odoratum Species 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种地图区域的整合方法、装置、存储介质和电子设备,涉及地图测绘领域。该方法包括:获取地图以及包围出一个目标区域的边界坐标点集合;根据边界坐标点集合在地图上确定出至少覆盖目标区域的瓦片影像集合;通过神经网络识别每个瓦片影像中符合预设特征的区域,并将所有符合预设特征的区域合并成一个整合区域集合。由于神经网络在识别图像中符合预设特征的区域时具有快速准确的优点,通过神经网络识别每个瓦片影像中符合预设特征的区域,并将所有符合预设特征的区域合并成一个整合区域集合,能够实现将地图上的目标区域快速准确地识别整合出来,避免了通过人工实现整合地块时存在的缺点,故而能够高效准确地整合地块。
Description
技术领域
本申请涉及地图测绘领域,具体而言,涉及一种地图区域的整合方法、装置、存储介质和电子设备。
背景技术
随着科技的发展与社会的进步,各个行业的自动化程度越来越高,传统的体力劳动逐渐被自动化设备取代,进而提高了整个社会的生产力。
在地图测绘领域,现有的对地图的指定区域中符合预设特征的地块(例如,茶园区域的茶道,果园区域中的果林等)进行划分整合(即地块整合)还是通过人工实现的。例如,通过人工打点和人工标注两种方式实现地块整合,人工打点是指通过人手持测绘杆沿着地块边界跑动以整合地块,人工标注是指使用地图标注工具在线标注地块以整合地块。而通过人工实现整合地块存在着整合效率低下,不准确的缺点。
发明内容
本申请的目的包括,例如,提供了一种地图区域的整合方法、装置、存储介质和电子设备,其能够高效准确地整合地块。
本申请的实施例可以这样实现:
第一方面,实施例提供一种地图区域的整合方法,所述方法包括:获取地图以及边界坐标点集合;所述边界坐标点集合在所述地图上包围出一个目标区域;根据所述边界坐标点集合在所述地图上确定出至少覆盖所述目标区域的瓦片影像集合;所述瓦片影像集合包含至少一个瓦片影像;通过神经网络识别每个瓦片影像中符合预设特征的区域,并将所有符合预设特征的区域合并成一个整合区域集合。
在可选的实施方式中,根据所述边界坐标点集合在所述地图上确定出至少覆盖所述目标区域的瓦片影像集合的步骤包括:将所述边界坐标点集合的坐标系转换至墨卡托坐标系,得到与所述边界坐标点集合对应的第一待处理坐标点集合;根据所述第一待处理坐标点集合在所述地图上确定出预设地图级别的瓦片影像集合,并且所述瓦片影像集合至少覆盖所述第一待处理坐标点集合包围的区域。
在可选的实施方式中,根据所述边界坐标点集合在所述地图上确定出至少覆盖所述目标区域的瓦片影像集合的步骤包括:获取所述边界坐标点集合对应的最小外接矩形;根据所述最小外接矩形在所述地图上确定出预设地图级别的瓦片影像集合,并且所述瓦片影像集合至少覆盖所述最小外接矩形。
在可选的实施方式中,通过神经网络识别每个瓦片影像中符合预设特征的区域,并将所有符合预设特征的区域合并成一个整合区域集合的步骤包括:将每个瓦片影像输入至训练好的神经网络中,并获取所述神经网络输出的每个瓦片影像对应的像素坐标点集合;所述像素坐标点集合包围的区域表征符合预设特征的区域;根据所有瓦片影像对应的像素坐标点集合确定整合区域集合。
在可选的实施方式中,根据所有瓦片影像对应的像素坐标点集合确定整合区域集合的步骤包括:将所有瓦片影像对应的像素坐标点集合的坐标系转换至经纬度坐标系,得到与所述所有瓦片影像对应的像素坐标点集合对应的第二待处理坐标点集合;根据所述第二待处理坐标点集合确定去重坐标点集合;所述去重坐标点集合中任一坐标点的相邻两个坐标点的经纬度的差值大于或等于预设值;根据所述去重坐标点集合确定整合区域集合。
在可选的实施方式中,根据所述去重坐标点集合确定整合区域集合的步骤包括:根据所述去重坐标点集合确定平滑坐标点集合;所述平滑坐标点集合中任一坐标点与其相邻的两个坐标点形成的夹角小于预设角度值;根据所述平滑坐标点集合确定整合区域集合。
在可选的实施方式中,根据所述去重坐标点集合确定整合区域集合的步骤包括:根据所述去重坐标点集合确定平滑坐标点集合;所述平滑坐标点集合中任一坐标点与目标线段之间的距离大于预设距离,所述目标线段为所述任一坐标点相邻的两个坐标点形成的线段;根据所述平滑坐标点集合确定整合区域集合。
第二方面,实施例提供一种地图区域的整合装置,包括:获取模块,用于获取地图以及边界坐标点集合;所述边界坐标点集合在所述地图上包围出一个目标区域;整合模块,用于根据所述边界坐标点集合在所述地图上确定出至少覆盖所述目标区域的瓦片影像集合;所述瓦片影像集合包含至少一个瓦片影像;所述整合模块,还用于通过神经网络识别每个瓦片影像中符合预设特征的区域,并将所有符合预设特征的区域合并成一个整合区域集合。
在可选的实施方式中,所述整合模块用于将所述边界坐标点集合的坐标系转换至墨卡托坐标系,得到与所述边界坐标点集合对应的第一待处理坐标点集合;以及用于根据所述第一待处理坐标点集合在所述地图上确定出预设地图级别的瓦片影像集合,并且所述瓦片影像集合至少覆盖所述第一待处理坐标点集合包围的区域。
在可选的实施方式中,所述整合模块用于获取所述边界坐标点集合对应的最小外接矩形;以及用于根据所述最小外接矩形在所述地图上确定出预设地图级别的瓦片影像集合,并且所述瓦片影像集合至少覆盖所述最小外接矩形。
在可选的实施方式中,所述整合模块用于将每个瓦片影像输入至训练好的神经网络中,并获取所述神经网络输出的每个瓦片影像对应的像素坐标点集合;所述像素坐标点集合包围的区域表征符合预设特征的区域;以及用于根据所有瓦片影像对应的像素坐标点集合确定整合区域集合。
在可选的实施方式中,所述整合模块用于将所有瓦片影像对应的像素坐标点集合的坐标系转换至经纬度坐标系,得到与所述所有瓦片影像对应的像素坐标点集合对应的第二待处理坐标点集合;以及用于根据所述第二待处理坐标点集合确定去重坐标点集合;所述去重坐标点集合中任一坐标点的相邻两个坐标点的经纬度的差值大于或等于预设值;以及用于根据所述去重坐标点集合确定整合区域集合。
在可选的实施方式中,所述整合模块用于根据所述去重坐标点集合确定平滑坐标点集合;所述平滑坐标点集合中任一坐标点与其相邻的两个坐标点形成的夹角小于预设角度值;以及用于根据所述平滑坐标点集合确定整合区域集合。
在可选的实施方式中,所述整合模块用于根据所述去重坐标点集合确定平滑坐标点集合;所述平滑坐标点集合中任一坐标点与目标线段之间的距离大于预设距离,所述目标线段为所述任一坐标点相邻的两个坐标点形成的线段;以及用于根据所述平滑坐标点集合确定整合区域集合。
第三方面,实施例提供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时实现上述的地图区域的整合方法。
第四方面,实施例提供一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当所述电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述处理器执行所述机器可读指令,以执行上述的地图区域的整合方法。
本申请实施例的有益效果包括,例如:由于神经网络在识别图像中符合预设特征的区域时具有快速准确的优点,本申请实施例在整合地块时,通过神经网络识别每个瓦片影像中符合预设特征的区域,并将所有符合预设特征的区域合并成一个整合区域集合,能够实现将地图上的目标区域快速准确地识别整合出来,避免了通过人工实现整合地块时存在的整合效率低下,不准确的缺点,故而本申请实施例能够高效准确地整合地块。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的电子设备的一种结构框图;
图2为本申请实施例提供的地图区域的整合方法的一种流程图;
图3为谷物种植基地的地图A的示意图;
图4为图3所示地图A对应的瓦片影像地图的示意图;
图5为图3所示地图A在第一地图级别对应的瓦片影像集合的示意图;
图6为图3所示地图A在经过地图区域的整合后的整合区域示意图;
图7为本申请实施例提供的地图区域的整合方法的另一种流程图;
图8为本申请实施例提供的地图区域的整合方法的另一种流程图;
图9为图5所示地图A第一待处理坐标点集合对应的最小外接矩形的示意图;
图10为本申请实施例提供的地图区域的整合方法的另一种流程图;
图11为图3所示地图A的瓦片影像在经过神经网络识别后输出的像素坐标点的示意图;
图12为图10所示像素坐标点对应的整合区域集合的示意图;
图13为本申请实施例提供的地图区域的整合方法的另一种流程图;
图14为对去重坐标点集合围成的区域进行平滑处理的一种示意图;
图15为对去重坐标点集合围成的区域进行平滑处理的另一种示意图;
图16为本申请实施例提供的地图区域的整合装置的一种功能模块图。
图标:100-电子设备;110-存储器;120-处理器;130-总线;140-通信接口;200-地图区域的整合装置;210-获取模块;220-整合模块。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
此外,若出现术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
需要说明的是,在不冲突的情况下,本申请的实施例中的特征可以相互结合。
在实现本申请实施例的技术方案的过程中,本申请发明人发现:
现有的对地图的指定区域中符合预设特征的地块(例如,茶园区域的茶道,果园区域中的果林等)进行划分整合(即地块整合,将指定区域中所有符合预设特征的地块标记出来)还是通过人工实现的。例如,通过人工打点和人工标注两种方式实现地块整合,人工打点是指通过人手持测绘杆沿着地块边界跑动以整合地块,人工标注是指使用地图标注工具在线标注地块以整合地块。而在人工实现地块整合的过程中,不仅需要耗费大量的人力物力,而且常常会出现打点或标注误差以及需要耗费大量时间才能完成对一个区域的地块整合。
因此,现有的通过人工实现整合地块存在着整合效率低下,不准确的缺点。
为了改善上述缺陷,本申请实施例提出一种地图区域的整合方法、装置、存储介质和电子设备,其能够高效准确地整合地块。需要说明的是,以上现有技术中的方案所存在的缺陷,均是发明人在经过实践并仔细研究后得出的结果,因此,上述问题的发现过程以及下文中本申请实施例针对上述问题所提出的解决方案,都应该是发明人在本申请过程中对本申请做出的贡献。
请参照图1,为本申请实施例所提供的电子设备100的一种结构框图。该电子设备100可以包括存储器110、处理器120、总线130和通信接口140,该存储器110、处理器120和通信接口140相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条总线130或信号线实现电性连接。处理器120可以处理与地图区域的整合有关的信息和/或数据,以执行本申请中描述的一个或多个功能。例如,处理器120可以通过网络获取地图以及边界坐标点集合,并根据上述数据进行地图区域的整合,进而实现本申请提供的地图区域的整合方法。
存储器110可以是但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。
处理器120可以是一种集成电路芯片,具有信号处理能力。该处理器120可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(Digital Signal Processing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以理解,图1所示的结构仅为示意,该电子设备100还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。在实际应用中,该电子设备100可以是服务器、手机、平板电脑、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer,UMPC)、手持计算机、上网本、个人数字助理(personal digital assistant,PDA)、可穿戴电子设备、虚拟现实设备等电子设备,因此本申请实施例对电子设备100不做限制。
为了便于理解,本申请以下实施例将以图1所示的电子设备100为例,结合附图,对本申请实施例提供的地图区域的整合方法进行具体阐述。
请参照图2,图2示出了本申请实施例提供的地图区域的整合方法的一种流程图。该地图区域的整合方法可以应用于上述的电子设备100,该地图区域的整合方法可以包括以下步骤:
S100,获取地图以及边界坐标点集合;边界坐标点集合在地图上包围出一个目标区域。
在一些可能的实施例中,以图3所示的谷物种植基地的地图A为例,当需要对该谷物种植基地的地图A上某一区域进行地块整合时,可以在该地图A上圈画出对应的目标区域(即图3中的实线围成的区域S),电子设备100可以获取该谷物种植基地地图A以及该目标区域(即区域S)边界上的边界坐标点集合,进而可以理解,该边界坐标点集合表示在地图上包围出一个目标区域。
需要说明的是,上述的地图以及边界坐标点集合可以是预先存储在电子设备的存储介质中的地图以及边界坐标点集合数据,或者是电子设备实时地从其他终端(例如,服务器、云平台、移动终端等)获取的地图以及边界坐标点集合数据,因此,本申请实施例对于地图以及边界坐标点集合的获取方式不做限定。
例如,在一种可能的应用中,地图可以是预先存储在电子设备的存储介质中的,而边界坐标点集合可以是电子设备实时地从移动终端获取的,也即是说,用户可以操作移动终端将边界坐标点集合发送至该电子设备,然后该电子设备即可获取到地图以及边界坐标点集合。其中,该移动终端可以预先设置有相应的地块整合程序,在地块整合程序运行时,该移动终端可以通过显示屏显示地图,并当用户在显示屏上对该地图圈画出一个目标区域时,该移动终端可以生成对应的边界坐标点集合(即该边界坐标点集合在地图上包围出一个目标区域),并将该边界坐标点集合发送至电子设备。
S110,根据边界坐标点集合在地图上确定出至少覆盖目标区域的瓦片影像集合;瓦片影像集合包含至少一个瓦片影像。
请参照图4,为图3所示地图A对应的瓦片影像地图的示意图,现有的一张地图根据地图级别(也表示地图的缩放级别)通常对应有多层次的瓦片影像地图,如图4中的地图A,该地图A在第一地图级别对应有4张瓦片影像,分别为瓦片影像1-4,相应的,对于瓦片影像1,其在第二地图级别同样可以对应有若干张瓦片影像,以此类推,地图A在不同的地图级别,均对应有多个瓦片影像。
在一些可能的实施例中,以图5(为图3所示地图A在第一地图级别对应的瓦片影像集合的示意图)为例,目标区域即为实线围成的区域S,在获取到地图A以及边界坐标点集合后,电子设备100可以根据边界坐标点集合的坐标,在地图A上确定出至少覆盖区域S的瓦片影像集合。由于瓦片影像1-4恰好覆盖区域S,故确定出的瓦片影像集合至少包括瓦片影像1-4。
为了便于理解,本文仅在图4的基础上解释本申请提供的地图区域的整合方法,而实际上,本申请提供的地图区域的整合方法可以基于某一指定地图级别下的多张瓦片影像进行地图区域的整合,也可以基于多个地图级别下的多张瓦片影像进行地图区域的整合,本申请对此不作限定。
S120,通过神经网络识别每个瓦片影像中符合预设特征的区域,并将所有符合预设特征的区域合并成一个整合区域集合。
在一些可能的实施例中,电子设备100的存储介质中可以预先存储有训练好的神经网络,该神经网络在训练后可以用于高效、准确地识别出符合预设特征的区域,例如,当该神经网络用于识别出图像中的茶园区域的茶道以及果园区域中的果林时,可以将一张图像输入给该神经网络,然后由该神经网络输出标记出茶道以及果林区域的该图像。
进而,电子设备100在确定出至少覆盖目标区域的瓦片影像集合后,可以将每张瓦片影像作为输入数据输入给该神经网络,由该神经网络对每张图像进行识别,以识别出每张图像中符合预设特征的区域(例如,茶园区域的茶道区域,果园区域中的果林区域等),在识别出所有瓦片影像中符合预设特征的区域后,可以将所有符合预设特征的区域合并成一个整合区域集合,以达到地块整合的目的。
继续以图5所示的应用场景为例,假设神经网络用于识别出每张图像中符合谷物(例如,小麦、水稻、玉米等)特征的区域,电子设备100在确定出的瓦片影像集合至少包括瓦片影像1-4后,可以分别将瓦片影像1-4输入至预先训练好的神经网络中,然后获取每张瓦片影像对应的输出数据,该输出数据可以表征符合预设特征的区域,最后将所有的输出数据合并成一个整合区域集合,以实现对谷物地块的整合,如图6(为图3所示地图A在经过地图区域的整合后的整合区域示意图)所示,也即是将目标区域中所有谷物地块标记出来。
应理解,由于神经网络可以用于高效、准确地识别出符合预设特征的区域,具有快速准确识别图像中符合预设特征的区域的优点,本申请实施例在整合地块时,通过神经网络识别每个瓦片影像中符合预设特征的区域,并将所有符合预设特征的区域合并成一个整合区域集合,能够实现将地图上的目标区域快速准确地识别整合出来,避免了通过人工实现整合地块时存在的整合效率低下,不准确的缺点,故而本申请实施例能够高效准确地整合地块。
进一步的,在图1的基础上,下面给出一种完整方案可能的实现方式,具体请参照图7,图7示出了本申请实施例提供的地图区域的整合方法的另一种流程图。需要说明的是,本申请实施例提供的地图区域的整合方法并不以图7以及以下的具体顺序为限制,应当理解,在其它实施例中,本申请实施例提供的地图区域的整合方法其中部分步骤的顺序可以根据实际需要相互交换,或者其中的部分步骤也可以省略或删除。下面将对图7所示的具体流程进行详细阐述。
对于如何根据边界坐标点集合在地图上确定出至少覆盖目标区域的瓦片影像集合,S110可以包括:
S110A,将边界坐标点集合的坐标系转换至墨卡托坐标系,得到与边界坐标点集合对应的第一待处理坐标点集合。
在一些可能的实施例中,当该边界坐标点集合的坐标系不为墨卡托坐标系时,将边界坐标点集合的坐标系转换至墨卡托坐标系,得到对应的第一待处理坐标点集合。可以理解的是,在S110A中,当该边界坐标点集合的坐标系已经是墨卡托坐标系时,可以直接将该边界坐标点集合作为第一待处理坐标点集合。
S110B,根据第一待处理坐标点集合在地图上确定出预设地图级别的瓦片影像集合,并且瓦片影像集合至少覆盖第一待处理坐标点集合包围的区域。
在一些可能的实施例中,在得到与边界坐标点集合对应的第一待处理坐标点集合后,继续以图5所示的地图为例,假设第一待处理坐标点集合包围的区域为区域S,预设地图级别为第一地图级别,则可以根据第一待处理坐标点集合中每个坐标点的坐标在地图A上确定出至少覆盖区域S的第一地图级别中的瓦片影像集合,换句话说可以根据第一待处理坐标点集合中每个坐标点的坐标在地图A上确定出第一地图级别的瓦片影像集合,并且该瓦片影像集合至少覆盖区域S,故所确定出的瓦片影像集合至少包括瓦片影像1-4。
其中,可以根据墨卡托投影原理,计算第一待处理坐标点集合在第一地图级别中所覆盖的经纬网格的最大及最小行列号,然后根据最大及最小行列号及第一地图级别确定出瓦片影像集合,该瓦片影像集合至少覆盖第一待处理坐标点集合所包围的区域。
应理解,由于仅在一个预设地图级别上根据第一待处理坐标点集合在地图上确定出至少覆盖第一待处理坐标点集合包围区域的瓦片影像集合,本申请能够避免在多个地图级别上确定出瓦片影像集合时存在的处理数据量大的问题。
在实际应用中,该预设地图级别可以是第十二级,经发明人多次实验后发现,在第十二级地图级别下的瓦片影像的清晰度不仅能够使得神经网络准确地识别出符合预设特征的区域,也可以避免瓦片影像的清晰度太高导致神经网络的处理时间过长,即将预设地图级别设置为第十二级可以提高神经网络的处理效率以及准确率。
对于如何根据第一待处理坐标点集合在地图上确定出至少覆盖第一待处理坐标点集合包围区域的预设地图级别的瓦片影像集合,在图7的基础上,请参照图8,S110B可以包括:
S110B-1,获取第一待处理坐标点集合对应的最小外接矩形。
在一些可能的实施例中,请参照图9,实线围成的区域S为第一待处理坐标点集合包围的区域,该区域S对应的最小外接矩形即为图中实线围成的区域G。
S110B-2,根据最小外接矩形在地图上确定出预设地图级别的瓦片影像集合,并且瓦片影像集合至少覆盖最小外接矩形。
请继续参照图9,在获取到最小外接矩形(即区域G)后,可以根据区域G在地图上确定出至少覆盖区域G的预设地图级别的瓦片影像集合,由于瓦片影像1-4至少能够覆盖区域G,故所确定出的瓦片影像集合至少包括瓦片影像1-4。
应理解,由于通过获取第一待处理坐标点集合对应的最小外接矩形的方式获取预设地图级别的瓦片影像集合,简化了瓦片影像集合的获取方式,进而能够提高整合地块的处理效率。
还需要补充的是,为了便于从神经网络输出的数据中准确获取到与输入的瓦片影像对应的数据,在通过神经网络识别每个瓦片影像中符合预设特征的区域,并将所有符合预设特征的区域合并成一个整合区域集合之前,本申请提供的方法还可以包括:
为上述的瓦片影像集合生成指定ID以及对应的任务名称,该任务名称可以包括年月日、下划线、特定随机数中的至少一项。
在另一种可能的实施例中,对于如何根据边界坐标点集合在地图上确定出至少覆盖目标区域的瓦片影像集合,在图7的基础上,请参照图10,S110可以包括:
S110a,获取边界坐标点集合对应的最小外接矩形。
在一些可能的实施例中,请参照图9,实线围成的区域S为边界坐标点集合包围的区域,该区域S对应的最小外接矩形即为图中实线围成的区域G。
S110b,根据最小外接矩形在地图上确定出预设地图级别的瓦片影像集合,并且瓦片影像集合至少覆盖最小外接矩形。
请继续参照图9,假设预设地图级别为第一地图级别,在获取到最小外接矩形(即区域G)后,可以根据区域G在地图上确定出至少覆盖区域G的预设地图级别的瓦片影像集合,由于瓦片影像1-4的地图级别为第一地图级别,且至少能够覆盖区域G,故所确定出的瓦片影像集合至少包括瓦片影像1-4。
应理解,由于通过获取边界坐标点集合对应的最小外接矩形的方式获取预设地图级别的瓦片影像集合,简化了瓦片影像集合的获取方式,进而能够提高整合地块的处理效率。
请再参照图7,对于如何通过神经网络识别每个瓦片影像中符合预设特征的区域,并将所有符合预设特征的区域合并成一个整合区域集合,S120可以包括:
S120A,将每个瓦片影像输入至训练好的神经网络中,并获取神经网络输出的每个瓦片影像对应的像素坐标点集合;像素坐标点集合包围的区域表征符合预设特征的区域。
在一些可能的实施例中,为了适应模块开发的需求以及对数据进行灵活处理,训练好的神经网络可以仅用于在识别出瓦片影像中符合预设特征的区域时,只输出对应的像素坐标点集合,并且该像素坐标点集合包围的区域表征符合预设特征的区域。
电子设备100在将每个瓦片影像输入至训练好的神经网络后,可以获取到神经网络输出的每个瓦片影像对应的像素坐标点集合,如图11(为图3所示地图A的瓦片影像在经过神经网络识别后输出的像素坐标点的示意图)中的瓦片影像1-4中的所有的点。此时,像素坐标点集合包围的区域即表征符合预设特征的区域。
可以理解的是,在获取到每个瓦片影像对应的像素坐标点集合时,对于相邻的瓦片影像对应的两个像素坐标点集合,其可能存在坐标重合的像素坐标点,例如瓦片影像1和瓦片影像2对应的两个像素坐标点集合中,在瓦片影像1和瓦片影像2的共同边上,可能存在有坐标相同的像素坐标点。
还需要补充的是,在实际应用中,由于电子设备100的存储介质空间有限,当神经网络输出的每个瓦片影像对应的像素坐标点集合数据量太大时,可能存储不下,在获取神经网络输出的每个瓦片影像对应的像素坐标点集合时,该步骤可以包括:
获取神经网络反馈的处理结果数据,所述处理结果数据包括识别字段;
当所述识别字段为真时,从所述处理结果数据的存储坐标字段指向的存储空间中获取每个瓦片影像对应的像素坐标点集合;
当所述识别字段为假时,从运行所述神经网络的设备的存储介质中获取每个瓦片影像对应的像素坐标点集合。其中,上述神经网络既可以在本申请提供的电子设备100上运行,也可以在与电子设备100通信的其他设备上运行,本申请对此不做限定。
应理解,当神经网络输出的每个瓦片影像对应的像素坐标点集合数据量太大时,运行所述神经网络的设备可以将该数据存储至其他存储空间中,并将反馈的识别字段设置为真,进而能够确保电子设备100能够正确获取到神经网络输出的每个瓦片影像对应的像素坐标点集合。
S120B,根据所有瓦片影像对应的像素坐标点集合确定整合区域集合。
在一些可能的实施例中,继续以图11为例,可以合并所有坐标相同的像素坐标点,以及还可以将所有瓦片影像对应的像素坐标点集合进行合并,将所有像素坐标点集合包围的区域中相连的区域进行合并,进而得到图12(为图11所示像素坐标点对应的整合区域集合的示意图),以还原实际的地块整合情况。
在实际应用中,还可以先将所有的瓦片影像进行组合成一张大的图像,然后将该图像输入至上述训练好的神经网络中,以识别出该图像中所有符合预设特征的区域,最后将所有符合预设特征的区域合并成一个整合区域集合。
对于如何根据所有瓦片影像对应的像素坐标点集合确定整合区域集合,在图7的基础上,请参照图13,S120B可以包括:
S120B-1,将所有瓦片影像对应的像素坐标点集合的坐标系转换至经纬度坐标系,得到与所有瓦片影像对应的像素坐标点集合对应的第二待处理坐标点集合。
由于像素坐标点的坐标系为像素坐标系,像素坐标系难以进行空间算法运算分析,为了简化算法,提高分析效率,可以将所有瓦片影像对应的像素坐标点集合的坐标系转换至经纬度坐标系,得到与所有瓦片影像对应的像素坐标点集合对应的第二待处理坐标点集合(该第二待处理坐标点集合即包括了所有像素坐标点集合中的像素坐标点)。
S120B-2,根据第二待处理坐标点集合确定去重坐标点集合;去重坐标点集合中任一坐标点的相邻两个坐标点的经纬度的差值大于或等于预设值。
在一些可能的实施例中,由于获得的第二待处理坐标点集合非常密集,为了提高分析效率,可以对第二待处理坐标点集合进行去重。例如,可以遍历第二待处理坐标点集合中的每个坐标点,将满足相邻两个坐标点的经纬度的差值小于预设值(该预设值可以是0.000000001)的坐标点进行去除,直到第二待处理坐标点集合中任一坐标点的相邻两个坐标点的经纬度的差值大于或等于预设值。
S120B-3,根据去重坐标点集合确定整合区域集合。
在一些可能的实施例中,所得到的去重坐标点集合可以包围出至少一个区域,可以将所有被包围出的区域确定为整合区域集合,进而实现地块整合。
为了对去重坐标点集合围成的区域进行平滑处理,在一种可能的实施例中,S120B-3可以包括:根据去重坐标点集合确定平滑坐标点集合;平滑坐标点集合中任一坐标点与其相邻的两个坐标点形成的夹角小于预设角度值。以及根据平滑坐标点集合确定整合区域集合。
假设该预设角度值是90°,请参照图14,坐标点A与其相邻的两个坐标点B、C形成的夹角为α,当该α大于或等于90°时,则去除坐标点A。进而可以遍历去重坐标点集合中的每个坐标点,将满足与其相邻的两个坐标点形成的夹角大于或等于预设角度值的坐标点进行去除,直到去重坐标点集合中任一坐标点与其相邻的两个坐标点形成的夹角小于预设角度值。然后根据平滑坐标点集合确定整合区域集合,该步骤可以参考S120B-3,在此不再赘述。
应理解,由于通过去除与其相邻的两个坐标点形成的夹角大于或等于预设角度值的坐标点,进而实现去重坐标点集合围成的区域趋于平滑,并减少了去重坐标点集合中坐标点的个数,进而提高了整合地块的效率和准确程度。
在另一种可能的实施例中,对于如何根据去重坐标点集合确定整合区域集合,S120B-3可以包括:根据去重坐标点集合确定平滑坐标点集合;平滑坐标点集合中任一坐标点与目标线段之间的距离大于预设距离,目标线段为任一坐标点相邻的两个坐标点形成的线段。以及根据平滑坐标点集合确定整合区域集合。
假设距离是1m,请参照图15,与坐标点A相邻的两个坐标点B、C形成的线段为BC,A与BC之间的距离为AD,当AD小于或等于1m时,则去除坐标点A。进而可以遍历去重坐标点集合中的每个坐标点,将满足与目标线段之间的距离小于或等于预设距离的坐标点进行去除,直到去重坐标点集合中任一坐标点与其相邻的两个坐标点形成的夹角小于预设角度值。然后根据平滑坐标点集合确定整合区域集合,该步骤可以参考S120B-3,在此不再赘述。
应理解,由于通过去除与目标线段之间的距离小于或等于预设距离的坐标点,进而实现去重坐标点集合围成的区域趋于平滑,并减少了去重坐标点集合中坐标点的个数,进而提高了整合地块的效率和准确程度。
为了执行上述实施例及各个可能的方式中的相应步骤,下面给出一种地图区域的整合装置的实现方式,请参阅图16,图16示出了本申请实施例提供的地图区域的整合装置的一种功能模块图。需要说明的是,本实施例所提供的地图区域的整合装置200,其基本原理及产生的技术效果和上述实施例相同,为简要描述,本实施例部分未提及之处,可参考上述的实施例中相应内容。该地图区域的整合装置200包括:获取模块210、整合模块220。
可选地,上述模块可以软件或固件(Firmware)的形式存储于存储器中或固化于本申请提供的电子设备100的操作系统(Operating System,OS)中,并可由电子设备100中的处理器执行。同时,执行上述模块所需的数据、程序的代码等可以存储在存储器中。
获取模块210可以用于获取地图以及边界坐标点集合;边界坐标点集合在地图上包围出一个目标区域。
可以理解的是,获取模块210可以用于支持电子设备100执行上述S100等,和/或用于本文所描述的技术的其他过程。
整合模块220可以用于根据边界坐标点集合在地图上确定出至少覆盖目标区域的瓦片影像集合;瓦片影像集合包含至少一个瓦片影像;以及用于通过神经网络识别每个瓦片影像中符合预设特征的区域,并将所有符合预设特征的区域合并成一个整合区域集合。
可以理解的是,整合模块220可以用于支持电子设备100执行上述S110、S120等,和/或用于本文所描述的技术的其他过程。
整合模块220可以用于将边界坐标点集合的坐标系转换至墨卡托坐标系,得到与边界坐标点集合对应的第一待处理坐标点集合;以及用于根据第一待处理坐标点集合在地图上确定出预设地图级别的瓦片影像集合,并且瓦片影像集合至少覆盖第一待处理坐标点集合包围的区域。
可以理解的是,整合模块220可以用于支持电子设备100执行上述S110A、S110B等,和/或用于本文所描述的技术的其他过程。
对于如何根据第一待处理坐标点集合在地图上确定出至少覆盖第一待处理坐标点集合包围区域的预设地图级别的瓦片影像集合,整合模块220可以用于获取第一待处理坐标点集合对应的最小外接矩形;以及用于根据最小外接矩形在地图上确定出预设地图级别的瓦片影像集合,并且瓦片影像集合至少覆盖最小外接矩形。
可以理解的是,整合模块220可以用于支持电子设备100执行上述S110B-1、S110B-2等,和/或用于本文所描述的技术的其他过程。
对于如何根据边界坐标点集合在地图上确定出至少覆盖目标区域的瓦片影像集合,整合模块220可以用于获取边界坐标点集合对应的最小外接矩形;以及用于根据最小外接矩形在地图上确定出预设地图级别的瓦片影像集合,并且瓦片影像集合至少覆盖最小外接矩形。
可以理解的是,整合模块220可以用于支持电子设备100执行上述S110a、S110b等,和/或用于本文所描述的技术的其他过程。
对于如何通过神经网络识别每个瓦片影像中符合预设特征的区域,并将所有符合预设特征的区域合并成一个整合区域集合,整合模块220可以用于将每个瓦片影像输入至训练好的神经网络中,并获取神经网络输出的每个瓦片影像对应的像素坐标点集合;像素坐标点集合包围的区域表征符合预设特征的区域;以及用于根据所有瓦片影像对应的像素坐标点集合确定整合区域集合。
可以理解的是,整合模块220可以用于支持电子设备100执行上述S120A、S120B等,和/或用于本文所描述的技术的其他过程。
对于如何根据所有瓦片影像对应的像素坐标点集合确定整合区域集合,整合模块220可以用于将所有瓦片影像对应的像素坐标点集合的坐标系转换至经纬度坐标系,得到与所有瓦片影像对应的像素坐标点集合对应的第二待处理坐标点集合;以及用于根据第二待处理坐标点集合确定去重坐标点集合;去重坐标点集合中任一坐标点的相邻两个坐标点的经纬度的差值大于或等于预设值;以及用于根据去重坐标点集合确定整合区域集合。
可以理解的是,整合模块220可以用于支持电子设备100执行上述S120B-1、S120B-2、S120B-3等,和/或用于本文所描述的技术的其他过程。
基于上述方法实施例,本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述地图区域的整合方法的步骤。
具体地,该存储介质可以为通用的存储介质,如移动磁盘、硬盘等,该存储介质上的计算机程序被运行时,能够执行上述地图区域的整合方法,从而解决现有的整合地块方法存在着整合效率低下,不准确的问题,达到高效准确地整合地块。
综上所述,本申请实施例提供了一种地图区域的整合方法、装置、存储介质和电子设备,该方法包括:获取地图以及边界坐标点集合;边界坐标点集合在地图上包围出一个目标区域;根据边界坐标点集合在地图上确定出至少覆盖目标区域的瓦片影像集合;瓦片影像集合包含至少一个瓦片影像;通过神经网络识别每个瓦片影像中符合预设特征的区域,并将所有符合预设特征的区域合并成一个整合区域集合。由于神经网络在识别图像中符合预设特征的区域时具有快速准确的优点,本申请实施例在整合地块时,通过神经网络识别每个瓦片影像中符合预设特征的区域,并将所有符合预设特征的区域合并成一个整合区域集合,能够实现将地图上的目标区域快速准确地识别整合出来,避免了通过人工实现整合地块时存在的整合效率低下,不准确的缺点,故而本申请实施例能够高效准确地整合地块。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (12)
1.一种地图区域的整合方法,其特征在于,所述方法包括:
获取地图以及边界坐标点集合;所述边界坐标点集合在所述地图上包围出一个目标区域;
根据所述边界坐标点集合在所述地图上确定出至少覆盖所述目标区域的瓦片影像集合;所述瓦片影像集合包含至少一个瓦片影像;
通过神经网络识别每个瓦片影像中符合预设特征的区域,并将所有符合预设特征的区域合并成一个整合区域集合。
2.根据权利要求1所述的方法,其特征在于,根据所述边界坐标点集合在所述地图上确定出至少覆盖所述目标区域的瓦片影像集合的步骤包括:
将所述边界坐标点集合的坐标系转换至墨卡托坐标系,得到与所述边界坐标点集合对应的第一待处理坐标点集合;
根据所述第一待处理坐标点集合在所述地图上确定出预设地图级别的瓦片影像集合,并且所述瓦片影像集合至少覆盖所述第一待处理坐标点集合包围的区域。
3.根据权利要求1所述的方法,其特征在于,根据所述边界坐标点集合在所述地图上确定出至少覆盖所述目标区域的瓦片影像集合的步骤包括:
获取所述边界坐标点集合对应的最小外接矩形;
根据所述最小外接矩形在所述地图上确定出预设地图级别的瓦片影像集合,并且所述瓦片影像集合至少覆盖所述最小外接矩形。
4.根据权利要求1所述的方法,其特征在于,通过神经网络识别每个瓦片影像中符合预设特征的区域,并将所有符合预设特征的区域合并成一个整合区域集合的步骤包括:
将每个瓦片影像输入至训练好的神经网络中,并获取所述神经网络输出的每个瓦片影像对应的像素坐标点集合;所述像素坐标点集合包围的区域表征符合预设特征的区域;
根据所有瓦片影像对应的像素坐标点集合确定整合区域集合。
5.根据权利要求4所述的方法,其特征在于,根据所有瓦片影像对应的像素坐标点集合确定整合区域集合的步骤包括:
将所有瓦片影像对应的像素坐标点集合的坐标系转换至经纬度坐标系,得到与所述所有瓦片影像对应的像素坐标点集合对应的第二待处理坐标点集合;
根据所述第二待处理坐标点集合确定去重坐标点集合;所述去重坐标点集合中任一坐标点的相邻两个坐标点的经纬度的差值大于或等于预设值;
根据所述去重坐标点集合确定整合区域集合。
6.根据权利要求5所述的方法,其特征在于,根据所述去重坐标点集合确定整合区域集合的步骤包括:
根据所述去重坐标点集合确定平滑坐标点集合;所述平滑坐标点集合中任一坐标点与其相邻的两个坐标点形成的夹角小于预设角度值;
根据所述平滑坐标点集合确定整合区域集合。
7.根据权利要求5所述的方法,其特征在于,根据所述去重坐标点集合确定整合区域集合的步骤包括:
根据所述去重坐标点集合确定平滑坐标点集合;所述平滑坐标点集合中任一坐标点与目标线段之间的距离大于预设距离,所述目标线段为所述任一坐标点相邻的两个坐标点形成的线段;
根据所述平滑坐标点集合确定整合区域集合。
8.一种地图区域的整合装置,其特征在于,包括:
获取模块,用于获取地图以及边界坐标点集合;所述边界坐标点集合在所述地图上包围出一个目标区域;
整合模块,用于根据所述边界坐标点集合在所述地图上确定出至少覆盖所述目标区域的瓦片影像集合;所述瓦片影像集合包含至少一个瓦片影像;
所述整合模块,还用于通过神经网络识别每个瓦片影像中符合预设特征的区域,并将所有符合预设特征的区域合并成一个整合区域集合。
9.根据权利要求8所述的装置,其特征在于,所述整合模块用于将所述边界坐标点集合的坐标系转换至墨卡托坐标系,得到与所述边界坐标点集合对应的第一待处理坐标点集合;
以及用于根据所述第一待处理坐标点集合在所述地图上确定出预设地图级别的瓦片影像集合,并且所述瓦片影像集合至少覆盖所述第一待处理坐标点集合包围的区域。
10.根据权利要求8所述的装置,其特征在于,所述整合模块用于获取所述边界坐标点集合对应的最小外接矩形;
以及用于根据所述最小外接矩形在所述地图上确定出预设地图级别的瓦片影像集合,并且所述瓦片影像集合至少覆盖所述最小外接矩形。
11.一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时实现如权利要求1-7中任一项所述的地图区域的整合方法。
12.一种电子设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当所述电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述处理器执行所述机器可读指令,以执行如权利要求1-7中任一项所述的地图区域的整合方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911233063.0A CN111753031A (zh) | 2019-12-05 | 2019-12-05 | 地图区域的整合方法、装置、存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911233063.0A CN111753031A (zh) | 2019-12-05 | 2019-12-05 | 地图区域的整合方法、装置、存储介质和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111753031A true CN111753031A (zh) | 2020-10-09 |
Family
ID=72672956
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911233063.0A Pending CN111753031A (zh) | 2019-12-05 | 2019-12-05 | 地图区域的整合方法、装置、存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111753031A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112395380A (zh) * | 2020-11-20 | 2021-02-23 | 上海莉莉丝网络科技有限公司 | 游戏地图内动态区域边界的合并方法、合并系统及计算机可读存储介质 |
CN112652063A (zh) * | 2020-11-20 | 2021-04-13 | 上海莉莉丝网络科技有限公司 | 游戏地图内动态区域边界的生成方法、系统及计算机可读存储介质 |
CN113988701A (zh) * | 2021-11-15 | 2022-01-28 | 广州极飞科技股份有限公司 | 地势分析方法、装置及电子设备 |
CN114360255A (zh) * | 2022-03-21 | 2022-04-15 | 北京闪马智建科技有限公司 | 一种流量确定方法、装置、存储介质及电子装置 |
CN115102832A (zh) * | 2022-01-18 | 2022-09-23 | 浪潮思科网络科技有限公司 | 一种针对园区网的站点创建方法、装置、设备及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004030462A (ja) * | 2002-06-27 | 2004-01-29 | Starlabo Corp | 画像処理方法、画像処理装置、画像処理プログラム及びそれを記録したコンピュータ読み取り可能な記録媒体 |
JP2004226730A (ja) * | 2003-01-23 | 2004-08-12 | Denso Corp | 地図データ作成方法及び装置、地図データ記録媒体、地図データ利用装置、地図データ作成プログラム |
CN106204734A (zh) * | 2015-04-30 | 2016-12-07 | 浙江宇视科技有限公司 | 基于多源地图整合的地图生成方法及装置 |
CN107480274A (zh) * | 2017-08-21 | 2017-12-15 | 北京小度信息科技有限公司 | 区域边界信息处理方法和装置 |
CN108228746A (zh) * | 2017-12-20 | 2018-06-29 | 中国电子科技集团公司电子科学研究院 | 瓦片地图服务的调用方法、装置、存储介质及服务器 |
CN108536863A (zh) * | 2018-04-20 | 2018-09-14 | 曜宇航空科技(上海)有限公司 | 一种基于无人机的地图中选定区域更新方法及系统 |
CN108537182A (zh) * | 2018-04-13 | 2018-09-14 | 中国中医科学院中药研究所 | 基于无人机遥感数据的中药材种植面积自动统计方法 |
CN110502594A (zh) * | 2019-07-10 | 2019-11-26 | 武汉数趣信息科技有限公司 | 一种遥感影像地图瓦片实时融合与在线更新方法 |
-
2019
- 2019-12-05 CN CN201911233063.0A patent/CN111753031A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004030462A (ja) * | 2002-06-27 | 2004-01-29 | Starlabo Corp | 画像処理方法、画像処理装置、画像処理プログラム及びそれを記録したコンピュータ読み取り可能な記録媒体 |
JP2004226730A (ja) * | 2003-01-23 | 2004-08-12 | Denso Corp | 地図データ作成方法及び装置、地図データ記録媒体、地図データ利用装置、地図データ作成プログラム |
CN106204734A (zh) * | 2015-04-30 | 2016-12-07 | 浙江宇视科技有限公司 | 基于多源地图整合的地图生成方法及装置 |
CN107480274A (zh) * | 2017-08-21 | 2017-12-15 | 北京小度信息科技有限公司 | 区域边界信息处理方法和装置 |
CN108228746A (zh) * | 2017-12-20 | 2018-06-29 | 中国电子科技集团公司电子科学研究院 | 瓦片地图服务的调用方法、装置、存储介质及服务器 |
CN108537182A (zh) * | 2018-04-13 | 2018-09-14 | 中国中医科学院中药研究所 | 基于无人机遥感数据的中药材种植面积自动统计方法 |
CN108536863A (zh) * | 2018-04-20 | 2018-09-14 | 曜宇航空科技(上海)有限公司 | 一种基于无人机的地图中选定区域更新方法及系统 |
CN110502594A (zh) * | 2019-07-10 | 2019-11-26 | 武汉数趣信息科技有限公司 | 一种遥感影像地图瓦片实时融合与在线更新方法 |
Non-Patent Citations (1)
Title |
---|
陆楠等: "基于全球剖分模型的分发数据预处理与制备方法", 《地理与地理信息科学》, vol. 29, no. 3, 31 May 2013 (2013-05-31), pages 3 - 4 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112395380A (zh) * | 2020-11-20 | 2021-02-23 | 上海莉莉丝网络科技有限公司 | 游戏地图内动态区域边界的合并方法、合并系统及计算机可读存储介质 |
CN112652063A (zh) * | 2020-11-20 | 2021-04-13 | 上海莉莉丝网络科技有限公司 | 游戏地图内动态区域边界的生成方法、系统及计算机可读存储介质 |
CN112395380B (zh) * | 2020-11-20 | 2022-03-22 | 上海莉莉丝网络科技有限公司 | 游戏地图内动态区域边界的合并方法、合并系统及计算机可读存储介质 |
CN112652063B (zh) * | 2020-11-20 | 2022-09-20 | 上海莉莉丝网络科技有限公司 | 游戏地图内动态区域边界的生成方法、系统及计算机可读存储介质 |
CN113988701A (zh) * | 2021-11-15 | 2022-01-28 | 广州极飞科技股份有限公司 | 地势分析方法、装置及电子设备 |
CN115102832A (zh) * | 2022-01-18 | 2022-09-23 | 浪潮思科网络科技有限公司 | 一种针对园区网的站点创建方法、装置、设备及介质 |
CN114360255A (zh) * | 2022-03-21 | 2022-04-15 | 北京闪马智建科技有限公司 | 一种流量确定方法、装置、存储介质及电子装置 |
CN114360255B (zh) * | 2022-03-21 | 2022-08-30 | 北京闪马智建科技有限公司 | 一种流量确定方法、装置、存储介质及电子装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111753031A (zh) | 地图区域的整合方法、装置、存储介质和电子设备 | |
EP2975555B1 (en) | Method and apparatus for displaying a point of interest | |
US11790632B2 (en) | Method and apparatus for sample labeling, and method and apparatus for identifying damage classification | |
CN107291874B (zh) | 地图点位聚合方法及装置 | |
CN110287831B (zh) | 一种基于地标的控制点的获取方法、装置和电子设备 | |
CN107564329B (zh) | 一种车辆查找方法及终端 | |
EP3311554A1 (en) | System and method for determining location | |
CN110619807B (zh) | 生成全局热力图的方法和装置 | |
CN110597940A (zh) | 基于微信的自然资源外业核查方法及系统、服务器及介质 | |
CN111914046B (zh) | 标的坐落图的生成方法、装置及计算机设备 | |
CN116681959B (zh) | 基于机器学习的锋线识别方法、装置、存储介质及终端 | |
CN111750838A (zh) | 农业用地规划图的生成方法、装置、设备及存储介质 | |
CN108536695B (zh) | 一种地理位置信息点的聚合方法以及装置 | |
CN108287337B (zh) | 一种激光雷达设备、系统、存储介质及数据实时处理方法 | |
US8467990B2 (en) | Method for setting the geolocation of a non-GPS enabled device | |
CN109345947B (zh) | 基于数据关联性分析的工作区域划分方法及终端设备 | |
CN115017242B (zh) | 地理围栏的生成方法和装置、存储介质及处理器 | |
CN110807112A (zh) | 基于地图的数据展示方法和装置 | |
CN115759504A (zh) | 一种路径规划方法、装置、电子设备及存储介质 | |
CN112329596B (zh) | 目标物定损方法、装置、电子设备及计算机可读存储介质 | |
CN110163657B (zh) | 基于流形学习算法的保险产品推荐方法及相关设备 | |
CN114323585A (zh) | 批量计算调制传递函数的方法、电子设备及存储介质 | |
CN111177071B (zh) | Flickr平台的图片下载方法及装置 | |
US20210103726A1 (en) | Building footprint | |
WO2019104553A1 (en) | Systems and methods for evaluating performance of models |
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: 510000 Block C, 115 Gaopu Road, Tianhe District, Guangzhou City, Guangdong Province Applicant after: XAG Co., Ltd. Address before: 510000 Block C, 115 Gaopu Road, Tianhe District, Guangzhou City, Guangdong Province Applicant before: Guangzhou Xaircraft Technology Co.,Ltd. |