CN112215851B - 一种道路网自动构建方法、存储介质及系统 - Google Patents

一种道路网自动构建方法、存储介质及系统 Download PDF

Info

Publication number
CN112215851B
CN112215851B CN202011042925.4A CN202011042925A CN112215851B CN 112215851 B CN112215851 B CN 112215851B CN 202011042925 A CN202011042925 A CN 202011042925A CN 112215851 B CN112215851 B CN 112215851B
Authority
CN
China
Prior art keywords
image
road network
information
threshold value
road
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
Application number
CN202011042925.4A
Other languages
English (en)
Other versions
CN112215851A (zh
Inventor
李宁
田承志
王李管
郭宇航
任高峰
叶海旺
王其洲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202011042925.4A priority Critical patent/CN112215851B/zh
Publication of CN112215851A publication Critical patent/CN112215851A/zh
Application granted granted Critical
Publication of CN112215851B publication Critical patent/CN112215851B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种道路网自动构建方法，其包括步骤，采集指定位置内的图像信息；对采集到的图像信息进行去噪，以初步滤除图像中的干扰信息；将去噪后的图像信息分块，并在每个分块中利用Otsu算法求阈值，然后分别进行阈值分割后合并形成为原图像的二值化图像；将得到的二值图进行Top‑Hat变换，以提取出道路信息。本发明还提供一种存储介质及道路网自动构建系统，本发明提供的道路网自动构建方法、存储介质及系统构建方法简单有效，计算量相对较小，处理逻辑简单高效，构建结果精确性较高，受噪声影响较小，对露天矿的复杂地形以及道路的不规整性具有较好的适应性。

Description

一种道路网自动构建方法、存储介质及系统
技术领域
本发明涉及道路网自动构建领域，尤其涉及一种道路网自动构建方法、存储介质及系统。
背景技术
道路网(road network)指的是在一定区域内，由各种道路组成的相互联络、交织成网状分布的道路系统，其可为各种交通工具提供安全、迅速、经济、舒适的形式条件。而构建道路网的方式，通常是通过无人机航拍摄影技术获取区域内的图像，然后对图像进行一些列处理，从而构建道路网。
目前无人机航拍数据上道路提取的主要方法有：基于光谱和纹理特征提取道路；基于直线和边缘检测提取道路。但是由于无人机航拍数据中影像噪声和“异物同谱”和“同物异谱”现象，以及部分区域的地形状况复杂、道路的不规整性以及光影条件的复杂变化等影响，导致这些方法提取道路信息的效果都不够理想，如在露天矿山等地形复杂多变的区域。
为此，需要一种提高在图像中提取道路精度的方法。
发明内容
有鉴于此，本发明提供一种道路网自动构建方法、存储介质及系统解决传统道路网构建过程中，在复杂地形适应性不佳的问题。
为了达到上述目的，本发明解决技术问题的技术方案是提供一种道路网自动构建方法，其包括步骤：采集指定位置内的图像信息；对采集到的图像信息进行去噪，以初步滤除图像中的干扰信息；将去噪后的图像信息分块，并在每个分块中利用Otsu算法求阈值，然后分别进行阈值分割后合并形成为原图像的二值化图像；将得到的二值图进行Top-Hat变换，以提取出道路信息。
进一步，所述对采集到的图像信息进行去噪，以初步滤除图像中的干扰信息包括步骤：将图像转换为灰度图；对灰度图进行形态学运算以消除噪音点。
进一步，所述将去噪后的图像信息分块，并在每个分块中利用Otsu算法求阈值，然后分别进行阈值分割后合并形成为原图像的二值化图像包括步骤：将图像分为多个小块；对每一个小块分别通过Otsu求取阈值，并根据阈值对每个小块进行图像分割；将阈值分割后的各小块合并，得到二值图。
进一步，所述将得到的二值图进行Top-Hat变换，以提取出道路信息包括步骤：利用一组全方位的线性结构元素对二值图进行Top-Hat变换；对各个方向的变换结果提取噪音；利用最大连通域的方法提取剩余噪音，得到道路提取结果。
进一步，所述线性结构取0度到179度，每一度对应一个的元素结构。
进一步，将去噪后的图像分块为将图像分成16个等面积的小块。
进一步，所述采集指定区域内的图像信息的方式为利用无人机航拍技术获取。
进一步，所述指定区域为露天矿山。
本发明还提供一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行道路网自动构建方法。
本发明还提供一种道路网自动构建系统，其包括处理器和存储器,所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现道路网自动构建方法。
与现有技术相比，本发明所提供的道路网自动构建方法、存储介质及系统具有以下有益效果：
通过采用数学形态学中的多结构元素开、闭运算和Top-Hat等形态变换方法以及改进的Otsu阈值分割算法，构建方法简单有效，计算量相对较小，处理逻辑简单高效，构建结果精确性较高，受噪声影响较小，对露天矿的复杂地形以及道路的不规整性具有较好的适应性，为露天矿道路网的构建提供了一种便捷有效的方法。
以上所述本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形，均应包含在本发明的保护范围内。
附图说明
图1为本发明第一实施例提供的一种道路网自动构建方法的步骤流程示意图；
图2为图1中步骤S2的子步骤流程图；
图3为图1中步骤S3的子步骤流程图；
图4为图1中步骤S4的子步骤流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
请参阅图1，本发明提供的一种道路网自动构建方法，其包括步骤：
S1，采集指定位置内的图像信息；
具体的，利用无人机航拍技术获取指定位置内的图像信息，即以无人驾驶飞机为空中平台，对指定位置内进行拍摄形成图像，并以机载遥感设备获取拍摄到的图像信息，然后利用计算机对图像信息进行处理，制作成图像的过程。
可以理解，指定位置指的是需要提取构建道路网的区域，在本实施例中，指定位置为露天矿山。
S2，对采集到的图像信息进行去噪，以初步滤除图像中的干扰信息；
具体的，在采集到图像后，先对图像进行灰度化处理，即，将采集到的图像信息通过灰度化及加权平均法转化为灰度图。在得到灰度图后，再利用形态学的开、闭运算，初步去除灰度图内的噪音。形态学的开、闭运算是形态学中的两个基本操作，其主要是基于对图像中轮廓的腐蚀及膨胀，从而消除图像中除轮廓之外的噪声。其中，开运算为：先对图像轮廓进行腐蚀，再对图像轮廓进行膨胀操作，从而将与图像轮廓连接在一起的孤立点或毛刺消除；闭运算为：先对图像轮廓进行膨胀，再对图像轮廓进行腐蚀操作，从而消除图像轮廓内部的一些噪声点。
在本实施例中，根据图像特征选取一组具有一定形态的结构元素，利用数学形态学中的开、闭运算依次对图像进行处理，开运算能够去除孤立小噪声亮块，闭运算能够提高图形内部暗块亮度，多结构元素的选用既能保留图像中较多的细节，又能使道路信息更加平滑，涉及的数学形态学公式如下：
设集合X和集合S是两个非空集合，X是待处理的灰度图像，S为结构元素，则：
膨胀定义为：
Figure BDA0002707172520000041
腐蚀定义为：
Figure BDA0002707172520000042
开运算定义为：
Figure BDA0002707172520000043
闭运算定义为：
Figure BDA0002707172520000044
S3，将去噪后的图像信息分块，并在每个分块中利用Otsu算法求阈值，然后分别进行阈值分割后合并形成为原图像的二值化图像；
具体的，在初步对图像进行去噪后，利用Otsu阈值分割算法进行阈值分割，并将灰度图转化为二值图，进一步简化图像。
需要说明的是，传统的Otsu阈值分割算法的原理为：(1)统计灰度级中每个像素在整幅图像中的个数；(2)计算每个像素在整幅图像的概率分布；(3)对灰度级进行遍历搜索，计算当前灰度值下前景背景类间概率；(4)通过目标函数计算出类内与类间方差下对应的阈值。
在本实施例中，对Otsu阈值分割算法进行了改进，具体为：在传统Otsu算法基础上，增加了图像分块处理的步骤，根据待处理图像的尺寸与实际光影变化情况，将待处理图像分为若干小块，对每一小块分别通过最大类间方差法求取阈值，根据每一小块的阈值分别进行图像分割，将阈值分割后的各小块图像合并，即得到待处理图像的二值化图像。改进后的Otsu阈值分割算法对环境光暗条件更加具有适应性，能够在图像中的局部高灰度或低灰度区域中更好地分割出道路信息，更加适用于露天矿影像灰度图的复杂灰度变化情况。
在本实施例中，根据步骤S2中得到的灰度图尺寸及实际光影变化情况，将其分为4*4的16个等面积小块，对每一小块分别通过最大类间方差法求取阈值，根据每一小块的阈值分别进行图像分割，将阈值分割后的各小块图像合并，即得到二值化图像。用传统Otsu算法进行阈值分割的结果与改进Otsu算法进行阈值分割的结果对比可以发现，改进的Otsu算法阈值分割图像右侧的高灰度区域分割效果明显好于传统Otsu算法，完整分割出道路信息的同时，噪声与道路的连接较少，多为孤立噪声，很方便后续的噪声去除处理，而传统的Otsu算法则无法分割出这一高灰度区域的道路信息。改进后的Otsu阈值分割算法对环境光暗条件更加具有适应性，能够在图像中的局部高灰度或低灰度区域中更好地分割出道路信息，更加适用于露天矿影像灰度图的复杂灰度变化情况。
S4，将得到的二值图进行Top-Hat变换，以提取出道路信息；
具体的，在得到二值图后，为了去除二值图中的较大噪声，选用数学形态学的Top-Hat变换作为去除较大噪声的基本方法，Top-Hat变换的数学形态学原理是原图像减去原图像的开运算，即：
设集合X和集合S是两个非空集合，X是待处理的灰度图像，S为结构元素，则：
XTop-Hat＝X-XoS
需说明的是，传统的方形或圆盘结构元素的Top-Hat变换对道路的识别效果很差，而单一的线型结构元素虽有识别效果，但不具有普遍性，且识别效果不佳。
在本实施例中，对传统的Top-Hat变换进行了改进，即，根据道路的线性形态，用一组全方位的线性结构元素对二值图像进行Top-Hat变换，对各个方向的变换结果取交提取出大片噪声。这样既去除了大部分噪声，又对道路形状进行了修整。最后，再用提取最大连通域的方法提取少量噪音，即可得到最终的道路提取结果。
请参阅图2，步骤S2还包括子步骤：
S21，将图像转换为灰度图；
具体的，在获取到拍摄的图像后，将图像转换为灰度图，即将图像转换为256阶的灰度范围，以使得图像中的轮廓更加直观。
S22，对灰度图进行形态学运算以消除噪音点；
具体的，在得到灰度图后，其内通常会存在离散于轮廓周边或位于轮廓上的噪音点，利用形态学的开、闭运算，可将这些噪音点消除。
请参阅图3，步骤S3还包括步骤：
S31，将图像分为多个小块；
具体的，根据图像的尺寸与实际光影变化情况，将图像分割为多个小块。
可以理解，具体的分割方式为，依据图像的实际尺寸及拍摄时图像的光影变化来确定将图像分割为多少个小块。
在本实施例中，将图像分割为4*4的16个等面积小块。
S32，对每一个小块分别通过Otsu求取阈值，并根据阈值对每个小块进行图像分割；
具体的，利用Otsu对每一个小块进行阈值的求取，然后基于阈值进行图像分割。
可以理解，图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等，从数学角度来看，图像分割是将数字图像划分成互不相交的区域的过程，图像分割的过程也是一个标记过程，即把属于同一区域的像素赋予相同的编号。
S33，将阈值分割后的各小块合并，得到二值图；
具体的，经过上述处理后，将多个小块重新拼接合并，以形成图像的二值图。
请参阅图4，步骤S4还包括子步骤：
S41，利用一组全方位的线性结构元素对二值图进行Top-Hat变换；
具体的，由于传统单一的线型结构元素虽有识别效果，但不具有普遍性，且识别效果不佳，所以本实施例中采用一组全方位的线性结构元素对二值图进行Top-Hat变换。
优选地，线性结构元素取0度到179度每一度对应一个的结构元素。
S42，对各个方向的变换结果提取噪音；
具体的，利用步骤S41中的变换，对各个方向的变化结果取交，即可提取出大片噪声。
S43，利用最大连通域的方法提取剩余噪音，得到道路提取结果；
具体的，在提取出大片噪声后，还存在少量噪声，利用最大连通域的方法，即可将少量噪声提取出来，最终得到道路提取结果。
本发明还提供一种存储介质，该存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述方法步骤。存储介质可以包括如软盘、光盘、DVD、硬盘、闪存、U盘、CF卡、SD卡、MMC卡、SM卡、记忆棒(Memory Stick)、XD卡等。
计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备(可以是个人计算机设备、服务器或其他网络设备等)用以执行本发明方法的全部或部分步骤。
本发明还提供一种道路网自动构建系统，该道路网自动构建系统包括处理器和存储器,存储器上存储有计算机程序，计算机程序被处理器执行时，实现道路网自动构建方法。
与现有技术相比，本发明所提供的道路网自动构建方法、存储介质及系统具有以下有益效果：
通过采用数学形态学中的多结构元素开、闭运算和Top-Hat等形态变换方法以及改进的Otsu阈值分割算法，构建方法简单有效，计算量相对较小，处理逻辑简单高效，构建结果精确性较高，受噪声影响较小，对露天矿的复杂地形以及道路的不规整性具有较好的适应性，为露天矿道路网的构建提供了一种便捷有效的方法。
以上所述本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形，均应包含在本发明的保护范围内。

Claims (7)

1.一种道路网自动构建方法，其特征在于，包括步骤：
采集指定位置内的图像信息；
对采集到的图像信息进行去噪，以初步滤除图像中的干扰信息；
将去噪后的图像信息分块，并在每个分块中利用Otsu算法求阈值，然后分别进行阈值分割后合并形成为原图像的二值化图像；
将得到的二值图进行Top-Hat变换，以提取出道路信息;
所述对采集到的图像信息进行去噪，以初步滤除图像中的干扰信息包括步骤：
将图像转换为灰度图；
对灰度图进行形态学运算以消除噪音点;
所述将去噪后的图像信息分块，并在每个分块中利用Otsu算法求阈值，然后分别进行阈值分割后合并形成为原图像的二值化图像包括步骤：
将图像分为多个小块；
对每一个小块分别通过Otsu求取阈值，并根据阈值对每个小块进行图像分割；
将阈值分割后的各小块合并，得到二值图;
所述将得到的二值图进行Top-Hat变换，以提取出道路信息包括步骤：
利用一组全方位的线性结构元素对二值图进行Top-Hat变换；
对各个方向的变换结果提取噪音；
利用最大连通域的方法提取剩余噪音，得到道路提取结果。
2.如权利要求1所述的一种道路网自动构建方法，其特征在于：
所述线性结构取0度到179度，每一度对应一个的元素结构。
3.如权利要求1所述的一种道路网自动构建方法，其特征在于：
将去噪后的图像分块为将图像分成16个等面积的小块。
4.如权利要求1所述的一种道路网自动构建方法，其特征在于：
所述采集指定位置内的图像信息的方式为利用无人机航拍技术获取。
5.如权利要求1所述的一种道路网自动构建方法，其特征在于：
所述指定位置为露天矿山。
6.一种存储介质，其特征在于：
所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1-5中任一项中所述的道路网自动构建方法。
7.一种道路网自动构建系统，其特征在于：
所述道路网自动构建系统包括处理器及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行，实现如权利要求1-5任一项所述的道路网自动构建方法。
CN202011042925.4A 2020-09-28 2020-09-28 一种道路网自动构建方法、存储介质及系统 Active CN112215851B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011042925.4A CN112215851B (zh) 2020-09-28 2020-09-28 一种道路网自动构建方法、存储介质及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011042925.4A CN112215851B (zh) 2020-09-28 2020-09-28 一种道路网自动构建方法、存储介质及系统

Publications (2)

Publication Number Publication Date
CN112215851A CN112215851A (zh) 2021-01-12
CN112215851B true CN112215851B (zh) 2022-06-21

Family

ID=74051429

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011042925.4A Active CN112215851B (zh) 2020-09-28 2020-09-28 一种道路网自动构建方法、存储介质及系统

Country Status (1)

Country Link
CN (1) CN112215851B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101789080A (zh) * 2010-01-21 2010-07-28 上海交通大学 车辆车牌实时定位字符分割的检测方法
CN103020953A (zh) * 2012-11-07 2013-04-03 桂林理工大学 一种指纹图像的分割方法
CN103093231A (zh) * 2012-12-20 2013-05-08 刘冰滨 一种合金中第二相的自动识别与定量分析方法
CN103810709A (zh) * 2014-02-25 2014-05-21 南京理工大学 基于血管的眼底图像与sd-oct投影图像配准方法
CN107862677A (zh) * 2017-10-16 2018-03-30 中铁第四勘察设计院集团有限公司 一种基于梯度类间阈值算法的隧道衬砌裂缝识别方法及系统
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

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103714541B (zh) * 2013-12-24 2015-07-08 华中科技大学 一种利用山体轮廓区域约束识别定位建筑物的方法
WO2016172827A1 (zh) * 2015-04-27 2016-11-03 武汉武大卓越科技有限责任公司 一种逐步求精的路面裂缝检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101789080A (zh) * 2010-01-21 2010-07-28 上海交通大学 车辆车牌实时定位字符分割的检测方法
CN103020953A (zh) * 2012-11-07 2013-04-03 桂林理工大学 一种指纹图像的分割方法
CN103093231A (zh) * 2012-12-20 2013-05-08 刘冰滨 一种合金中第二相的自动识别与定量分析方法
CN103810709A (zh) * 2014-02-25 2014-05-21 南京理工大学 基于血管的眼底图像与sd-oct投影图像配准方法
CN107862677A (zh) * 2017-10-16 2018-03-30 中铁第四勘察设计院集团有限公司 一种基于梯度类间阈值算法的隧道衬砌裂缝识别方法及系统
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

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Application of Contrast Enhancement Bilateral Closing Top-hat Otsu Thresholding(CEBICTOT) Technique on Crack Images;K.S.Sim等;《IEEE》;20081031;第350-353页 *
应用形态学top-hat变换的支票方形印鉴自适应分割;何瑾等;《光学精密工程》;20091031(第10期);第2576-2585页 *
车载红外图像深度估计研究;邹芳喻;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20130615;第I138-1195页 *

Also Published As

Publication number Publication date
CN112215851A (zh) 2021-01-12

Similar Documents

Publication Publication Date Title
Valero et al. Advanced directional mathematical morphology for the detection of the road network in very high resolution remote sensing images
CN108052917B (zh) 一种基于新旧时相变化发现的违章建筑自动识别的方法
CN110544211B (zh) 一种镜头付着物的检测方法、系统、终端和存储介质
CN103020605B (zh) 基于决策层融合的桥梁识别方法
Li et al. Road lane detection with gabor filters
CN114299002A (zh) 一种路面抛洒异常行为智能检测系统与方法
CN110866926B (zh) 一种红外遥感图像快速精细海陆分割方法
CN111353371A (zh) 基于星载sar影像的海岸线提取方法
CN113780110A (zh) 一种图像序列中弱小目标实时检测方法及设备
Rabee et al. License plate detection and recognition in complex scenes using mathematical morphology and support vector machines
CN111310771B (zh) 遥感影像的道路图像提取方法、装置、设备及存储介质
Liu et al. Robust image-based crack detection in concrete structure using multi-scale enhancement and visual features
CN110310263B (zh) 一种基于显著性分析和背景先验的sar图像居民区检测方法
CN116452506A (zh) 一种基于机器学习的井下煤矸石智能视觉识别分选方法
Baluyan et al. Novel approach for rooftop detection using support vector machine
Paravolidakis et al. Coastline extraction from aerial images based on edge detection
CN113177964B (zh) 光学遥感影像大范围地表水提取方法及装置
Ren et al. Effective SAR sea ice image segmentation and touch floe separation using a combined multi-stage approach
CN112215851B (zh) 一种道路网自动构建方法、存储介质及系统
Aytekin et al. Automatic and unsupervised building extraction in complex urban environments from multi spectral satellite imagery
Raikar et al. Automatic building detection from satellite images using internal gray variance and digital surface model
CN117253150A (zh) 一种基于高分辨率遥感图像的船舶轮廓提取方法及系统
CN109241865B (zh) 一种弱对比度交通场景下的车辆检测分割算法
Wu et al. Research on morphological wavelet operator for crack detection of asphalt pavement
CN110544232A (zh) 一种镜头付着物的检测系统、终端和存储介质

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