CN112183473B - 一种地质曲面视觉语义特征提取方法 - Google Patents
一种地质曲面视觉语义特征提取方法 Download PDFInfo
- Publication number
- CN112183473B CN112183473B CN202011168918.9A CN202011168918A CN112183473B CN 112183473 B CN112183473 B CN 112183473B CN 202011168918 A CN202011168918 A CN 202011168918A CN 112183473 B CN112183473 B CN 112183473B
- Authority
- CN
- China
- Prior art keywords
- point
- data
- points
- curved surface
- valley
- 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.)
- Active
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 19
- 230000000007 visual effect Effects 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 abstract description 18
- 238000002372 labelling Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 7
- 238000003909 pattern recognition Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 230000037303 wrinkles 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
- G06V20/13—Satellite images
-
- 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
- G06T17/05—Geographic models
-
- 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
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- Computer Graphics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Astronomy & Astrophysics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geophysics And Detection Of Objects (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种地质曲面视觉语义特征提取方法,应用于地质曲面数据处理领域,针对现有技术存在的无法提取出主要地质构造形态的问题,本发明的方法先插值得到网格数据点,在此基础上,处理断层要素,然后进行全局邻域梯度搜索,基于得到的各数据点的全局重要程度统计信息;通过调整阈值,得到山谷特征点集合与山脊特征点集合;再将步骤得到的山谷特征点集合与山脊特征点集合,在原始种子数据中进行标注从而输出可视化特征。
Description
技术领域
本发明属于数据处理领域,特别涉及一种地质曲面数据处理技术。
背景技术
模式识别(Pattern recognition),就是通过计算机用数学技术方法来研究模式的自动处理和判读。我们把环境与客体统称为“模式”。随着计算机技术的发展,人类有可能研究复杂的信息处理过程。信息处理过程的一个重要形式是生命体对环境及客体的识别。近年来,模式识别随着人工智能的兴起,在很多领域都取得了突破。在地学人工智能领域,模式识别发挥着日益重要的作用。
特征提取作为模式识别的重要过程,在机器学习、模式识别和图像处理中有很多的应用。特征提取是从一个原始输入数据集合中开始做,然后建构出富含信息而且不冗余的导出值,称为特征值(feature)。特征值可以有效帮助的学习过程和归纳的步骤,在某些情况下可以让人更容易对资料做出较好的诠释。
在地学人工智能的范畴中,特征提取有着重要的内容,尤其涉及到高层的语义特征提取时。语义特征指的是人类通过视觉观察,能够直观表达出来的地质形态,具体到地学领域,常见的山脊线,山谷线,断层,皱褶脊等,就是重要的语义特征,人能够直观认识到特征的形态,并且这种特征是数据中隐含的最重要的内容,因此从原始数据中提取出语义特征,对专业人员进行分析,对地学人工智能的研究具有重要的意义。
当一个算法的输入资料太过于庞大冗余以至于不便处理(如:一样的测量方法但是分别使用英尺和米表示,或是影像中像素的重复性),这些资料可以被转换成化简后的特征集合,也称作特征向量(feature vector),决定这些原始资料子集的步骤称为特征提取。成功的情形下,被选择的特征包含跟输入资料相关的资讯,因此这些被化简后的特征能够被用来做理想的任务,而不使用原始完整的初始资料来做这个任务。
相关现有技术如下:
1、经典的水文分析法
Arcgis是一款有名的地质信息管理软件,内置的山脊线山谷线提取采用了经典的水文分析法来实现。水文分析方法基本思想如下,通过对零值的汇流累积值的栅格的提取就可以得到分水线,也就得到了山脊线。对于山谷线可以利用反地形的特点,可以利用一个较大的数值减去原始的DEM数据得到与原始地形完全相反的地形数据,使得原始的DEM中的山脊变成反地形的山谷,而原始DEM中的山谷在反地形中就变成了山脊。山谷线的提取就可以在反地形中利用提取山脊线的方法进行提取。但是此方法提取出的山脊和山谷位置有些偏差,可以利用正、负地形加以纠正。
水文分析法较适合于规模很大的DEM格式的地图,对大片山脉地理构造进行特征提取,能够得到很好的效果,但不太适合一个小范围,一个层位曲面这种类型的特征提取。
2、图像处理中的脊操作运算
图像处理领域有很多成熟的特征提取算法,常见的Sobel算子,Canny算子,Laplace算子都来自这个领域。地质数据通过插值,使得在每一个网格点都有数据值,类似图像中的像素,因此也可以处理网格上的数据点。
在二维图像中,对固定比例的山脊和山谷有着精准的微分几何定义,让f(x,y)表示二维函数,L是尺度空间中f(x,y)的表示,由f(x,y)通过和下面高斯函数卷积获得
此外,让Lpp和Lqq表示特征值的Hessian矩阵
所述的尺度空间表示L通过将坐标变换(旋转)应用于局部有向导数算子,其中p和q是旋转坐标系统,β是旋转坐标系统和x-y原点坐标系的夹角,表示在旋转坐标系统p方向的一阶导数,分别表示在x方向和y方向的分量,
可以证明混合导数如果选择,则转换后的坐标系中的坐标为零
然后,对f(x,y)固定尺度规模大小t,脊点可以表示为满足下面条件的一组点的形式,其中Lp是p方向上的一阶微分,Lpp是p方向上的二阶微分,Lq是q方向上的一阶微分,Lqq是q方向上的二阶微分
Lp=0,Lpp≤0,|Lpp|≥|Lqq|.
相应地,谷点可以表示为满足下面条件的一组点的形式
Lq=0,Lqq≥0,|Lqq|≥|Lpp|.
在一个(u,v)坐标系统里,其中v方向与图像的梯度方向相同,α表示(u,v)坐标系统和(x,y)坐标系统的夹角,
可以证明,这个山脊和山谷的定义可以等价地写成:
此处令
通过Luu的符号正负确定是山峰还是山谷,Luu<0即山脊和Luu>0即山谷。
3、机器学习分类器的方法
语义特征提取的过程,就是选择山脊点,山谷点,平凡点的过程。对于这样的一个数据点分类的过程,机器学习能够很好的胜任。分类器是机器学习研究的一大热点,通过用大量打标签的训练数据预训练分类器,得到一个拟合效果不错的非线性函数表达,最后我们可以通过输入要预测分类的数据,通过分类器,选择出山脊点,山谷点,达到特征提取的目的。
缺点在于需要大量打了标签的原始数据,更困难在于一个曲面上有十万个点,要提前对每一个点打上标签,加一个预分类的类别(山脊,山谷,平凡点),这个过程如果需要人去做,工作量太大几乎不可能完成,因此预训练数据的准备是个很大的瓶颈。
发明内容
为解决上述技术问题,本发明提供一种地质曲面视觉语义特征提取方法,
本发明采用的技术方案为:一种地质曲面视觉语义特征提取方法,包括:
S1、通过对原始种子数据进行插值,得到规整的曲面网格数据;
S2、对经步骤S1插值处理后的曲面网格数据进行预处理,从而找到断层特征;
S3、确定曲面网格上每一个数据点的属性;
S4、对曲面网格上所有数据点进行全局最大梯度搜索,得到网格上各点的全局重要程度统计信息;
S5、通过调整阈值,得到山谷特征点集合与山脊特征点集合;
S6、将步骤S5得到的山谷特征点集合与山脊特征点集合,在原始种子数据中进行标注。
步骤S1采用克里金插值方法。
步骤S2所述预处理采用离散Laplace方法。
步骤S3所述属性包括:峰值、可能脊点、平凡点、可能谷点、谷底。
步骤S3具体为:比较当前点高程值与邻域八个点高程值之间的大小关系:
若当前点高程值大于或等于这邻域八个点的高程值,则判断当前点为峰值;
若当前点高程值大于这邻域八个点中四个点的高程值,则判断当前点为可能脊点;
若当前点高程值小于这邻域八个点的高程值,则判断当前点为谷底;
若当前点高程值小于这邻域八个点中四个点的高程值,则判断当前点为可能谷点;
其余情况则判断当前点为平凡点。
步骤S4所述全局最大梯度搜索,具体为:将局部极值点作为终止判断条件,统计搜索路径上经过每个网格数据点的次数,以此作为该网格数据点是否为特征点的判断标准进行统计,得到网格上各数据点是否可能为特征点的全局重要程度统计信息。
本发明的有益效果:正如图7所示最后输出结果所反映的,采用本发明方法对实际地质数据处理的结果是符合人对于地质曲面的认识的,符合专家对地质语义特征的定义;本发明的方法在于充分利用了数据中的邻域局部信息和全局的梯度信息,利用最优化理论中的搜索思想尝试找到最合适的路径来上山和下山(山脊搜索和山谷搜索的过程),并且对这个过程进行记录,被记录过次数更多的数据点,也就是多次搜索过程中都遇到的点,有更大可能存在于我们寻找的特征上;本发明的方法具备以下优点:
1、在地质勘探领域,采集到的数据因为种种原因存在着误差需要专业人员去纠正和解释仪器收集到的数据,因此要积累大量的原始数据是有相当困难的,本发明的优势在于不像机器学习的方法需要使用大量的训练数据集来进行训练,而是采用了算法直接对语义特征进行提取;
2、本发明的方法在前期通过Laplace算子分离出了断层,又通过数据属性点的设置,充分利用了局部的邻域信息,基于此,提高了后续全局搜索的效率,得到了更好的结果;
3、本发明得到的山脊山谷信息统计结果,可以通过调整参数的方式,对输出的语义特征进行选择和微调,得到不同的效果,对于满足不同的需求,具有一定灵活性。
附图说明
图1为背景技术中提供的水文分析法过程;
图2为本发明的方案流程图;
图3为本发明实施例提供的网格插值示意图;
图4为本发明实施例提供的断层特征;
图5为本发明实施例提供的潜在的山脊和山谷特征;
其中,图5(a)为潜在的山脊特征,图5(b)为潜在的山谷特征;
图6为本发明实施例提供的原始曲面;
图7为本发明实施例提供的语义特征提取结果等高线图展示。
具体实施方式
为便于本领域技术人员理解本发明的技术内容,下面结合附图对本发明内容进一步阐释。
三维地质数据中存在着丰富的信息,如何抓住这些信息中最重要的部分,而忽略掉次要的部分,从而为地质专家提供更精确的判断依据,更准确的描述数据所反映的事实,正是本技术要解决的问题所在。山脊线,山谷线,断层等语义特征,广泛存在于地质专家所获取的第一手数据当中,如何更好的利用这些数据,从数据中挖掘出有价值的内容,提取出主要地质构造形态,正是本技术要解决的目标。较为精确的捕捉到这些地质语义特征,具有重要的意义,能够更好的帮助地质专家直观的对地质构造进行认识,把握住最主要的地质趋势,同时这些语义特征的提取为后续的进一步研究提供坚实的基础,例如,在三维地质曲面的重构过程中,我们利用提取到的语义特征能够作为一种约束加入到我们的重构过程中,从而发挥出更大的作用。
如图2所示,本发明的方法,包括以下步骤:
S1、原始种子数据插值。最开始得到的原始种子数据点,只有X,Y,Z三个属性,并且存在数据的缺失。为了后续算法流程的正常进行,需要先使用克里金插值方法(一种地质领域非常专业的插值方法)对种子数据进行插值,得到规整的曲面网格数据。
S2、预处理。断层是一种重要的语义特征,但由于断层的特征,使得数据在邻域内出现高程值的跳变,这种急剧的变化为算法带来不可知的结果,因此需要预处理网格数据中的跳变部分,利用经典的离散Laplace变换能够帮助我们完成这一点,并且成功的找到断层特征。
S3、数据点加属性。先利用邻域信息,根据该数据点8个邻域的数据值,进行大小判断和比较,再根据比较的结果,将属性设置为峰值,可能脊点,平凡点,可能谷点,谷底中的一种。
S4、全局最大梯度搜索。这一步是算法的核心步骤,也是运算量最大的地方。全局最大梯度搜索的思想借鉴了最优化理论梯度下降法的精髓,沿着梯度最大的方向进行全局的搜索。不同点在于,最优化理论中,该方法是为了找到一个局部的极值点,而本发明提出的方法则是将局部极值点作为终止判断条件,关键在于统计搜索路径上经过数据点的经过次数,以此作为该数据点重要程度的判断标准进行统计。对网格上所有点进行这个全局最大梯度的搜索过程,进行重要程度信息统计计数,以此作为下一步参数和阈值调整的基础。
S5、参数调整。上一步得到的每一个数据点的全局重要程度统计信息,我们据此可以看到高程值所反映出来的网格数据的主要趋势,通过调整过滤的阈值和控制,我们能够找到更精准的点集来反映某一个特征,山脊或者山谷。
S6、可视化语义特征和结果输出。将上一步过滤出来的特征点,在原始数据中进行标注,从而区别于平凡点,我们能够看出数据所呈现出的整体的趋势,和一些没有注意到的重要信息。
步骤S1具体为:
考虑到原始种子点数据存在缺失,为了得到网格化的规整数据点,我们必须采用插值方法对原始数据进行插值,这样能够在网格上每个点都有高程值,使得后续算法能够进行。
如图3所示,克里金法是通过一组具有高程值(z值)的分散点生成估计表面的高级地统计过程,使用克里金法能更好的对插值网格点周围的种子点进行信息统计,基于这些点的空间自相关性拟合出一个模型,然后进行值预测。克里金方法常用于三维地质建模领域,其准确性和鲁棒性是可靠的。
步骤S2具体为:
数据预处理是为了去掉网格数据中急剧变化的部分,例如,断层的存在会给后续全局搜索带来极大干扰,因此需要提前处理这种影响。
具体过程如下,采用Laplace算子对网格数据进行卷积操作,得到卷积后的信息。选取的离散Laplace算子表达如下,j代表二维平面x方向,k代表二维平面y方向,Z[j,k]代表该点的高程值,我们选取3X3的窗口,得到如表1所示的Z[j,k]:
表1 Laplace卷积核窗口
j-1,k+1 | j,k+1 | j+1,k+1 |
j-1,k | j,k | j+1,k |
j-1,k-1 | j,k-1 | j+1,k-1 |
简化后得到,
表2离散Laplace窗口值
1 | 4 | 1 |
4 | -20 | 4 |
1 | 4 | 1 |
利用Laplace算子进行卷积操作,得到处理后的结果。Laplace算子能够准确得到断层信息,如图4所示,断层由颜色明显的线条所标注出来。
步骤S3具体为:
在上一个步骤中,我们已经找到了断层特征,也即找到了所有的断层点,这些点的属性为断层(fault)。在本专利中,所有网格点的属性一共分为七类,分别为未知点(unknown),底部点(bottom),谷点(valley),平凡点(flat),脊点(ridge),峰点(peek),断层点(fault)。对所有网格数据点加上属性的算法如下描述:
Z当前点表示当前点高程值,Z邻域表示当前点的领域八个点高程值。
步骤S4具体为:
全局最大梯度搜索,有效的向着上山和下山的方向进行山脊信息和山谷信息的统计,是一种对超越局部的全局信息的综合。算法需要执行两次,具体算法描述如下:
通过山脊方向和山谷方向的全局搜索,我们得到了潜在的如图5(a)所示的山脊和如图5(b)所示的山谷特征,图5中对比度较高的线条就是对潜在山脊和山谷的表示。
步骤S5具体为:
上一步骤中得到了潜在的山脊和山谷特征,需要通过阈值的选取,将特征完全过滤出来,阈值不同得到的特征展示效果也不同,为了得到最好的效果,在一个范围内调整阈值R0和V0,达到最好的特征输出效果。算法描述如下,
步骤S6具体为:
将得到的ridges和valleys特征,以及前面得到的fault特征添加到原始的数据上,通过做出等高线图的方式,我们能够对提取到的特征做出定性评价。输出结果如图7所示,图6是原始曲面的3D展示,图7是从曲面提取到的特征,在曲面的等高线图上画出特征的展示,包括山谷特征,山脊特征和断层特征。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (6)
1.一种地质曲面视觉语义特征提取方法,其特征在于,包括:
S1、通过对原始种子数据进行插值,得到规整的曲面网格数据;
S2、对经步骤S1插值处理后的曲面网格数据进行预处理,从而找到断层特征;
S3、确定曲面网格上每一个数据点的属性;
S4、对曲面网格上所有数据点进行全局最大梯度搜索,得到网格上各点的全局重要程度统计信息;步骤S4所述全局最大梯度搜索,具体为:将局部极值点作为终止判断条件,统计搜索路径上经过每个网格数据点的次数,以此作为该网格数据点是否为特征点的判断标准进行统计,得到网格上各数据点是否可能为特征点的全局重要程度统计信息;
S5、通过调整阈值,得到山谷特征点集合与山脊特征点集合;
S6、将步骤S5得到的山谷特征点集合与山脊特征点集合,在原始种子数据中进行标注。
2.根据权利要求1所述的一种地质曲面视觉语义特征提取方法,其特征在于,步骤S3所述属性包括:峰值、可能脊点、平凡点、可能谷点、谷底。
3.根据权利要求2所述的一种地质曲面视觉语义特征提取方法,其特征在于,步骤S3具体为:通过比较当前点高程值与邻域八个点高程值之间的大小关系得到数据点的属性。
4.根据权利要求3所述的一种地质曲面视觉语义特征提取方法,其特征在于,步骤S3具体为:
若当前点高程值大于或等于这邻域八个点的高程值,则判断当前点为峰值;
若当前点高程值大于这邻域八个点中四个点的高程值,则判断当前点为可能脊点;
若当前点高程值小于这邻域八个点的高程值,则判断当前点为谷底;
若当前点高程值小于这邻域八个点中四个点的高程值,则判断当前点为可能谷点;
其余情况则判断当前点为平凡点。
5.根据权利要求4所述的一种地质曲面视觉语义特征提取方法,其特征在于,步骤S1采用克里金插值方法。
6.根据权利要求4所述的一种地质曲面视觉语义特征提取方法,其特征在于,步骤S2所述预处理采用离散Laplace方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011168918.9A CN112183473B (zh) | 2020-10-28 | 2020-10-28 | 一种地质曲面视觉语义特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011168918.9A CN112183473B (zh) | 2020-10-28 | 2020-10-28 | 一种地质曲面视觉语义特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112183473A CN112183473A (zh) | 2021-01-05 |
CN112183473B true CN112183473B (zh) | 2023-03-24 |
Family
ID=73922901
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011168918.9A Active CN112183473B (zh) | 2020-10-28 | 2020-10-28 | 一种地质曲面视觉语义特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112183473B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103106658A (zh) * | 2013-01-23 | 2013-05-15 | 中国人民解放军信息工程大学 | 一种海岛、礁岸线快速提取方法 |
CN106991076A (zh) * | 2017-03-01 | 2017-07-28 | 电子科技大学 | 基于梯度法极值搜索的多峰极值搜索方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
NL8902257A (nl) * | 1989-09-11 | 1991-04-02 | Philips Nv | Werkwijze voor het detecteren van een amplitudo-sprong in een veld van elementen met een meerwaardige amplitudo-verdeling, inrichting geschikt voor het uitvoeren van de werkwijze, alsmede videosysteem voorzien van de inrichting. |
CN102156888B (zh) * | 2011-04-27 | 2013-06-12 | 西安电子科技大学 | 基于特征点局部颜色及分布特征的图像拣出方法 |
CN103136525B (zh) * | 2013-02-28 | 2016-01-20 | 中国科学院光电技术研究所 | 一种利用广义Hough变换的异型扩展目标高精度定位方法 |
CN103177258B (zh) * | 2013-03-29 | 2016-08-17 | 河南理工大学 | 一种根据矢量等高线数据自动提取地性线的方法 |
CN104635262B (zh) * | 2013-11-13 | 2017-06-06 | 中国石油天然气集团公司 | 一种基于增强型矩形网格的正逆断层等值线自动生成方法 |
CN107742298B (zh) * | 2017-09-28 | 2020-03-27 | 北京华航无线电测量研究所 | 一种角反射体自动识别方法 |
-
2020
- 2020-10-28 CN CN202011168918.9A patent/CN112183473B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103106658A (zh) * | 2013-01-23 | 2013-05-15 | 中国人民解放军信息工程大学 | 一种海岛、礁岸线快速提取方法 |
CN106991076A (zh) * | 2017-03-01 | 2017-07-28 | 电子科技大学 | 基于梯度法极值搜索的多峰极值搜索方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112183473A (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111986099B (zh) | 基于融合残差修正的卷积神经网络的耕地监测方法及系统 | |
CN109446992B (zh) | 基于深度学习的遥感影像建筑物提取方法及系统、存储介质、电子设备 | |
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 | |
CN103400151B (zh) | 一体化的光学遥感影像与gis自动配准与水体提取方法 | |
CN109493320B (zh) | 基于深度学习的遥感影像道路提取方法及系统、存储介质、电子设备 | |
Sahar et al. | Using aerial imagery and GIS in automated building footprint extraction and shape recognition for earthquake risk assessment of urban inventories | |
CN105160310A (zh) | 基于3d卷积神经网络的人体行为识别方法 | |
CN112132006A (zh) | 一种面向耕地保护的林地和建筑物智能提取方法 | |
CN113223042B (zh) | 一种遥感影像深度学习样本智能采集方法及设备 | |
CN103020649A (zh) | 一种基于纹理信息的森林类型识别方法 | |
CN113610070A (zh) | 一种基于多源数据融合的滑坡灾害识别方法 | |
CN104103076A (zh) | 一种基于高分辨率遥感影像的核电厂规划限制区遥感监查方法 | |
CN104820826B (zh) | 一种基于数字高程模型的坡形提取与识别方法 | |
CN104318051A (zh) | 基于规则的大范围水体信息遥感自动提取系统及方法 | |
CN109034213B (zh) | 基于相关熵原则的高光谱图像分类方法和系统 | |
CN110363053A (zh) | 一种遥感影像居民地提取方法及装置 | |
Singh et al. | A hybrid approach for information extraction from high resolution satellite imagery | |
CN102609721B (zh) | 遥感影像的聚类方法 | |
Kazimi et al. | Semantic segmentation of manmade landscape structures in digital terrain models | |
CN112183473B (zh) | 一种地质曲面视觉语义特征提取方法 | |
CN107358625A (zh) | 基于SPP Net和感兴趣区域检测的高分辨SAR图像变化检测方法 | |
CN106951873A (zh) | 一种遥感图像目标识别方法 | |
CN115830322A (zh) | 一种基于弱监督网络的建筑物语义分割标签扩充方法 | |
CN113591740B (zh) | 基于深度学习的复杂河流环境下泥沙颗粒识别方法及装置 | |
CN114862883A (zh) | 一种目标边缘提取方法、图像分割方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |