CN112347926B - 基于建筑形态分布的高分辨率影像城中村检测方法 - Google Patents
基于建筑形态分布的高分辨率影像城中村检测方法 Download PDFInfo
- Publication number
- CN112347926B CN112347926B CN202011230894.5A CN202011230894A CN112347926B CN 112347926 B CN112347926 B CN 112347926B CN 202011230894 A CN202011230894 A CN 202011230894A CN 112347926 B CN112347926 B CN 112347926B
- Authority
- CN
- China
- Prior art keywords
- building
- villages
- confidence
- classification
- city
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 43
- 238000001514 detection method Methods 0.000 title claims description 9
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000010801 machine learning Methods 0.000 claims abstract description 12
- 238000001228 spectrum Methods 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 9
- 230000000877 morphologic effect Effects 0.000 claims description 8
- 238000007637 random forest analysis Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- 235000000391 Lepidium draba Nutrition 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000011179 visual inspection Methods 0.000 claims 1
- 238000013461 design Methods 0.000 abstract description 3
- 238000012937 correction Methods 0.000 abstract description 2
- 238000007726 management method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 241001584785 Anavitrinella pampinaria Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于建筑形态分布的高分辨率影像城中村检测方法,该方法从城中村的建筑空间分布建筑覆盖率高、个数多、面积小、间距近等特点出发,设计典型的建筑形态分布参数描述城中村的物理特点,并根据机器学习输出的分类概率,有针对性地对低置信度分类结果进行检查修正,以有限的人工干预提升最终产品制图精度。本发明相对于传统的光谱和纹理特征,建筑形态分布特征具有较高的语义信息,能够更好地描述复杂的城中村场景,实现准确的城中村提取,并适用于大范围的城中村遥感制图应用。
Description
技术领域
本发明属于摄影测量与遥感领域,特别是涉及一种基于建筑形态分布的高分辨率影像城中村检测方法。
背景技术
城中村是中国在快速城市化进程中的特殊产物。城中村内部建筑分布拥挤,缺乏公共基础设施,再加上混杂的人口,容易引发环境卫生问题。因此,及时有效的城中村制图信息对城市管理非常必要,它能帮助城市管理人员制定合理的城市规划方案。然而,许多中国城市依然缺乏细致的城中村信息,传统的数据获取方法主要是实地测绘与调研,耗费巨大的人力与时间。
随着遥感技术的发展,高分辨率影像已经广泛应用于城市基本地物要素的监测,但是,国内利用遥感影像进行城中村的研究还相对较少,现有的城中村研究主要集中在社会科学领域,且多是局部案例分析,缺乏大范围、连续的城中村空间分布信息。同时,国外有一些针对贫民窟(slum)或者非正式居民区(informal settlement)提取的相关研究,而贫民窟与城中村在物理外观上具有一定的相似之处。该类场景识别的机器学习方法主要依赖于影像的光谱和纹理等底层特征信息,比如常用的灰度共生矩阵测度(gray-level co-occurrence matrix,GLCM),但是这些底层特征物理意义不明确,难以描述大范围复杂的城中村场景。因此,在城中村检测的任务中,需要设计具有高层语义信息的特征来实现更有效的城中村场景表达。实际上,虽然城中村内光谱信息各异,但是城中村拥有一些共性特点。一般而言,城中村内部的建筑分布拥挤而密集,居住环境较差。这种建筑形态分布模式是城中村比较普遍的特点,为城中村的场景语义推断提供了线索。
此外,在大范围的遥感制图实践中,为了提升制图产品的精度,需要修正制图过程中存在的一些错误,以满足后续应用的需求。然而,该检查过程往往缺乏针对性,耗费大量时间。实际上,如果能考虑机器学习输出的分类置信度,有针对性地对低置信度分类结果进行检查修正,将会以有限的人工干预提升整体的精度。
发明内容
有鉴于此,本发明旨在克服上述现有技术中存在的缺陷,提供一种基于建筑形态分布的高分辨率影像城中村检测方法,以解决现有的光谱、纹理等底层影像特征不足以描述复杂的城中村场景的问题,该方法从城中村的物理特点出发,通过描述建筑的空间分布模式来进行城中村场景特征表达,实现城中村的准确提取。
为达到上述目的,本发明的技术方案是这样实现的:
一种基于建筑形态分布的高分辨率影像城中村检测方法,该方法包括以下步骤:
步骤一:获取目标区域高分辨率卫星遥感影像和对应的道路矢量数据,影像空间分辨率在0.5至2米之间,至少包含可见光三个波段,能够支撑单个建筑物的识别。
步骤二:利用道路矢量数据将影像分割成大小不一的街区,作为城中村检测的基本单元,每个街区内部的土地利用和功能属性相对一致,比如每个街区内都是居民区、水体、森林等土地利用状态,而不存在不同土地功能的混淆。
街区是现代城市管理的基本单元,一般被多条道路包围形成,没有固定大小,但是内部的土地利用和功能属性相对一致。因此,街区具有天然的语义信息。以街区为基本单元进行城中村检测,能够缓解场景描述时的语义混淆情况,保持较好的边缘范围信息。并且,街区层次的城中村制图产品也更适用于城市规划与管理。
步骤三:采用多方向、多尺度形态学差分谱进行建筑特征提取。具体的,采用多尺度和多方向的线性结构元素对影像进行白顶帽变换(WTH),生成差分形态学特征(DMP)来表征不同尺度和方向上的建筑分布,多方向、多尺度形态学差分谱(MP)定义如下:
其中,DMP_WTH是基于白顶帽变换WTH生成的差分形态学特征;s和d分别表示WTH变换中线性结构元素的尺寸和方向;Ns和Nd分别表示尺寸和方向的总数。
步骤四:基于建筑提取结果,在街区范围内计算典型的建筑形态分布参数,以描述城中村的物理特点,城中村由于缺乏有效、规范的城市管理,形成了区别于现代城市的独特物理景观。一般而言,城中村的普遍景观特点表现为:建筑覆盖率高、建筑个数多、建筑面积小、建筑间距近。从这些物理特点出发,本发明设计采用几个典型的建筑形态分布参数,具体包括建筑覆盖率(PLAND)、建筑个数密度(PD)、建筑平均面积(MPA)和建筑平均间距(MNND)。建筑形态分布参数定义如下:
其中,ai表示第i个斑块的面积,n表示斑块个数,A表示场景面积,hj表示第j个斑块到其最邻近斑块的距离。
与传统的光谱、纹理特征相比,这些典型的建筑形态分布参数物理意义明确,具有高层次的语义信息,能够更好地描述复杂的城中村场景,进行场景语义推断。
步骤五:采集训练样本并联合建筑形态分布特征输入到随机森林分类器中进行模型训练和分类。
步骤六:根据机器学习输出的分类概率,对低置信度分类结果参照高分辨率影像进行检查修正,以有限的人工干预提升最终的城中村产品制图精度,适用于大范围的遥感制图应用。在大范围的遥感制图实践中,为了提升制图产品的精度,需要修正制图过程中存在的一些错误,以满足后续应用的需求。本发明根据机器学习的输出结果评估分类置信度,对不同置信度下的分类结果分别进行精度评价,以城中村制图应用为导向,对其中的低置信度分类结果进行检查修正。
分类置信度表示为:
其中R(x)指街区x分类结果的置信度,TreeNumber指随机森林分类器中决策树的棵数,votek指第k个类别的投票数,也就是本发明中识别成城中村(k=1)或非城中村(k=2)的投票数。
该策略能够参考机器学习输出的概率(高置信度:R(x)>0.9,低置信度:0.5<R(x)<0.9),达到以有限的人工干预提升最后制图精度的目的,在大规模的遥感应用中是一种实际可操作的人机交互策略。
相对于现有技术,本发明的有益效果是:
本方法设计采用的建筑形态分布参数具有高层次的语义信息,物理意义明确,易于理解,能够更好地描述城中村场景的根本形态特点,实现准确的城中村检测。此外,本方法根据机器学习输出的分类置信度,有针对性地对低置信度结果进行检查修正。该方法是一种有效的人机交互方式,能够以有限的人工干预生产更加准确的城中村制图产品,适用于大范围的城中村提取与制图。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
在附图中:
图1为本发明所述的一种基于建筑形态分布的高分辨率影像城中村检测方法的流程图;
图2为本发明所述的一种基于建筑形态分布的高分辨率影像城中村检测方法的影像与街区分割示意图;
图3为本发明所述的一种基于建筑形态分布的高分辨率影像城中村检测方法的城中村与非城中村的样本特征图;
图4为本发明所述的一种基于建筑形态分布的高分辨率影像城中村检测方法的城中村制图结果。
具体实施方式
除有定义外,以下实施例中所用的技术术语具有与本发明所属领域技术人员普遍理解的相同含义。
本发明从城中村的物理特点出发,设计采用建筑形态分布参数描述复杂的城中村场景,并根据机器学习输出的分类置信度,进行有效的人机交互,实现大范围的城中村提取与制图。为了更好地理解本发明的技术方案,下面结合附图和具体实例对本发明作进一步详细说明:
(1)数据获取:获取目标区域的高分辨率卫星遥感影像和对应的道路矢量数据,影像空间分辨率最好在2米左右,至少包含可见光三个波段,能够支撑单个建筑物的识别。本发明以广州城市核心建成区为例,获取了高分二号遥感影像,空间分辨率为2米,道路矢量数据从开源地图OpenStreetMap上获取。
(2)街区分割:利用道路矢量数据将影像分割成大小不一的街区作为基本的城中村检测单元。街区是现代城市管理的基本单元,一般被多条道路包围形成,没有固定大小,但是内部的土地利用和功能属性相对一致,因此,街区具有天然的语义信息。在实际应用中,道路矢量数据可能会有所缺失,一般需要参考卫星影像进行检查,对不一致的地方进行必要的修正。影像与街区分割图如图2所示。
(3)建筑特征提取:采用多方向、多尺度形态学差分谱进行建筑特征提取。具体的,采用多尺度和多方向的线性结构元素对影像进行白顶帽变换(WTH),生成差分形态学特征(DMP)来表征不同尺度和方向上的建筑分布,多方向、多尺度形态学差分谱(MP)定义如下:
其中,DMP_WTH是基于白顶帽变换WTH生成的差分形态学特征;s和d分别表示WTH变换中线性结构元素的尺寸和方向;Ns和Nd分别表示尺寸和方向的总数。
(4)建筑形态分布参数计算:基于建筑提取结果,在街区范围内计算典型的建筑形态分布参数,以描述城中村的物理特点,具体包括建筑覆盖率(PLAND)、建筑个数密度(PD)、建筑平均面积(MPA)和建筑平均间距(MNND)。建筑形态分布参数定义如下:
其中,ai表示第i个斑块的面积,n表示斑块个数,A表示场景面积,hj表示第j个斑块到其最邻近斑块的距离。城中村与非城中村的样本特征分布如图3所示。可以看出来,建筑形态分布参数在城中村与非城中村场景下具有比较明显的差异,尤其是城中村的建筑覆盖率(PLAND),建筑个数密度(PD)显著高于非城中村,而城中村的建筑平均间距(MNND)显著低于非城中村,这与城中村的物理特点是相符的。此外,建筑平均面积(MPA)的差别较小,这是因为一些非城中村区域包含了一些没有建筑的自然区域,如绿地、公园等。
(5)模型训练与分类:采集训练样本并联合建筑形态分布特征输入到随机森林(RF)分类器中进行模型训练和分类。本发明中分别随机选择了40个城中村和非城中村街区作为训练样本,这些样本均匀地分布在整个研究区,并且空间分离,确保其空间独立性。随后,将训练样本与街区景观特征联合输入到RF分类器中进行城中村的识别。
(6)人机交互机制:根据机器学习输出的分类概率,有针对性地对低置信度分类结果进行检查修正,以有限的人工干预提升最终的城中村产品制图精度。分类置信度表示为:
其中R(x)指街区x分类结果的置信度,TreeNumber指随机森林分类器中决策树的棵数,本发明中设为100棵,votek指第k个类别的投票数,也就是本发明中识别成城中村(k=1)或非城中村(k=2)的投票数。根据R(x)的数值,将所有街区的分类结果置信度分成高置信度(R(x)>0.9)和低置信度(0.5<R(x)<0.9),并有针对性地对低置信度分类结果进行检查修正,提升整体的城中村制图精度。城中村制图结果如图4所示。本发明方法一共检测出330个城中村街区,占地面积2525公顷。可以看出来,广州面临着比较严重的城中村问题,城中村广泛分布于城市的各个区域。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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保护范围之内。
Claims (5)
1.一种基于建筑形态分布的高分辨率影像城中村检测方法,其特征在于:该方法包括以下步骤:
步骤一:获取目标区域高分辨率卫星遥感影像和对应的道路矢量数据;
步骤二:将影像分割成若干街区作为城中村检测的基本单元;
步骤三:采用多方向、多尺度形态学差分谱进行建筑特征提取;
步骤四:基于建筑提取结果,在街区范围内计算典型的建筑形态分布参数,具体包括建筑覆盖率、建筑个数密度、建筑平均面积和建筑平均间距;
步骤五:采集训练样本并联合建筑形态分布特征输入到随机森林分类器中进行模型训练和分类;
步骤六:根据机器学习输出的分类概率,对低置信度分类结果进行检查修正;
步骤四中,采用建筑形态分布参数作为城中村的场景特征表达;
采用几个典型的建筑形态分布参数,包括建筑覆盖率(PLAND)、建筑个数密度(PD)、建筑平均面积(MPA)和建筑平均间距(MNND)来描述建筑的空间分布特点;
建筑形态分布参数定义如下:
其中,ai表示第i个斑块的面积,n表示斑块个数,A表示场景面积,hj表示第j个斑块到其最邻近斑块的距离。
2.根据权利要求1所述的基于建筑形态分布的高分辨率影像城中村检测方法,其特征在于:在步骤一中,影像空间分辨率在0.5至2米之间,至少包含可见光三个波段。
3.根据权利要求1所述的基于建筑形态分布的高分辨率影像城中村检测方法,其特征在于:步骤二中,采用道路矢量将影像分割成街区作为城中村的基本检测单元,每个街区内部的土地利用和功能属性相对一致。
5.根据权利要求1所述的基于建筑形态分布的高分辨率影像城中村检测方法,其特征在于:步骤六中,根据机器学习输出的分类概率,对低置信度分类结果参照高分辨率影像进行目视检查,如果分类错误,则修正分类结果;
根据机器学习的输出结果评估分类置信度,对不同置信度下的分类结果分别进行精度评价,以城中村制图应用为导向,对其中的低置信度分类结果进行检查修正;
分类置信度表示为:
其中R(x)指街区x分类结果的置信度,TreeNumber指随机森林分类器中决策树的棵数,votek指第k个类别的投票数,即识别成城中村(k=1)或非城中村(k=2)的投票数,根据R(x)的数值,将所有街区的分类结果置信度分成高置信度(R(x)>0.9)和低置信度(0.5<R(x)<0.9),并对低置信度分类结果参照高分辨率影像进行人工检查修正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011230894.5A CN112347926B (zh) | 2020-11-06 | 2020-11-06 | 基于建筑形态分布的高分辨率影像城中村检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011230894.5A CN112347926B (zh) | 2020-11-06 | 2020-11-06 | 基于建筑形态分布的高分辨率影像城中村检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112347926A CN112347926A (zh) | 2021-02-09 |
CN112347926B true CN112347926B (zh) | 2023-05-23 |
Family
ID=74429532
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011230894.5A Active CN112347926B (zh) | 2020-11-06 | 2020-11-06 | 基于建筑形态分布的高分辨率影像城中村检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112347926B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117315455A (zh) * | 2023-01-31 | 2023-12-29 | 重庆市地理信息和遥感应用中心(重庆市测绘产品质量检验测试中心) | 顾及云信息表征指数与几何形态特征的遥感云检测方法 |
CN117787813B (zh) * | 2024-02-23 | 2024-05-31 | 中国农业科学院农业资源与农业区划研究所 | 基于细粒度特征约束的城中村识别方法、装置及电子设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109447994A (zh) * | 2018-11-05 | 2019-03-08 | 陕西师范大学 | 结合完全残差与特征融合的遥感图像分割方法 |
CN109767785A (zh) * | 2019-03-06 | 2019-05-17 | 河北工业大学 | 基于卷积神经网络的环境噪声识别分类方法 |
CN109886103A (zh) * | 2019-01-14 | 2019-06-14 | 中山大学 | 城市贫困分布测度方法 |
CN109948737A (zh) * | 2019-04-08 | 2019-06-28 | 河南大学 | 基于大数据和机器学习的贫困空间分类识别方法和装置 |
CN110570470A (zh) * | 2019-09-06 | 2019-12-13 | 南京大学 | 基于多源遥感数据的幽灵社区识别及住房空置率估算方法 |
CN110633895A (zh) * | 2019-08-19 | 2019-12-31 | 江苏省基础地理信息中心 | 一种基于地理信息的特色小镇评价方法 |
CN110726677A (zh) * | 2019-10-18 | 2020-01-24 | 中国科学院地理科学与资源研究所 | 一种污染场地遥感探测与空间热区识别系统和方法 |
CN111598048A (zh) * | 2020-05-31 | 2020-08-28 | 中国科学院地理科学与资源研究所 | 一种融合高分遥感影像和街景影像的城中村识别方法 |
-
2020
- 2020-11-06 CN CN202011230894.5A patent/CN112347926B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109447994A (zh) * | 2018-11-05 | 2019-03-08 | 陕西师范大学 | 结合完全残差与特征融合的遥感图像分割方法 |
CN109886103A (zh) * | 2019-01-14 | 2019-06-14 | 中山大学 | 城市贫困分布测度方法 |
CN109767785A (zh) * | 2019-03-06 | 2019-05-17 | 河北工业大学 | 基于卷积神经网络的环境噪声识别分类方法 |
CN109948737A (zh) * | 2019-04-08 | 2019-06-28 | 河南大学 | 基于大数据和机器学习的贫困空间分类识别方法和装置 |
CN110633895A (zh) * | 2019-08-19 | 2019-12-31 | 江苏省基础地理信息中心 | 一种基于地理信息的特色小镇评价方法 |
CN110570470A (zh) * | 2019-09-06 | 2019-12-13 | 南京大学 | 基于多源遥感数据的幽灵社区识别及住房空置率估算方法 |
CN110726677A (zh) * | 2019-10-18 | 2020-01-24 | 中国科学院地理科学与资源研究所 | 一种污染场地遥感探测与空间热区识别系统和方法 |
CN111598048A (zh) * | 2020-05-31 | 2020-08-28 | 中国科学院地理科学与资源研究所 | 一种融合高分遥感影像和街景影像的城中村识别方法 |
Non-Patent Citations (3)
Title |
---|
"半城市化地区住区形态及空间分布特征-以厦门市集美区为例";刘江;《地理科学进展》;20100515;参见正文第3-4章 * |
"基于高分辨率遥感影像的城中村提取方法研究";刘辉;《中国博士学位论文全文数据库基础科学辑》;20190115;参见正文第2章、第4章 * |
"高分辨率遥感影像城市典型目标提取及街区功能分类方法研究";王理政;《中国优秀硕士学位论文全文数据库基础科学辑》;20180115;参见正文第4章 * |
Also Published As
Publication number | Publication date |
---|---|
CN112347926A (zh) | 2021-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112381861B (zh) | 一种基于地基激光雷达的林地点云数据配准和分割方法 | |
CN104881865B (zh) | 基于无人机图像分析的森林病虫害监测预警方法及其系统 | |
CN111598048B (zh) | 一种融合高分遥感影像和街景影像的城中村识别方法 | |
CN114092832B (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
CN103914678B (zh) | 基于纹理与植被指数的撂荒地遥感识别方法 | |
CN111597949B (zh) | 一种基于npp-viirs夜间灯光数据的城市建成区提取方法 | |
CN103208011B (zh) | 基于均值漂移和组稀疏编码的高光谱图像空谱域分类方法 | |
CN104463168B (zh) | 一种基于遥感影像的空废宅基地信息自动提取方法 | |
CN112347926B (zh) | 基于建筑形态分布的高分辨率影像城中村检测方法 | |
CN108898096B (zh) | 一种面向高分影像的信息快速精确提取方法 | |
CN110675421B (zh) | 基于少量标注框的深度图像协同分割方法 | |
CN111160199A (zh) | 一种基于高分辨率遥感影像的公路灾害信息检测方法 | |
CN104615977A (zh) | 综合关键季相特征和模糊分类技术的冬小麦遥感识别方法 | |
CN102184423B (zh) | 一种全自动的区域不透水面遥感信息精确提取方法 | |
Guo et al. | Urban impervious surface extraction based on multi-features and random forest | |
CN112347927B (zh) | 基于卷积神经网络概率决策融合的高分影像建筑提取方法 | |
CN109871812A (zh) | 一种基于神经网络的多时相遥感影像城市植被提取方法 | |
CN114596489A (zh) | 一种高精度人类居住指数的多源遥感城市建成区提取方法 | |
CN113671599A (zh) | 一种基于全球气候模式的登陆气旋识别方法 | |
CN107657246A (zh) | 一种基于多尺度滤波建筑指数的遥感影像建筑物检测方法 | |
Xu et al. | Issues and challenges of remote sensing-based local climate zone mapping for high-density cities | |
CN116503750A (zh) | 融合目标检测和视觉注意机制的大范围遥感影像农村街区式居民地提取方法及系统 | |
Zhou et al. | Mapping urban landscape heterogeneity: agreement between visual interpretation and digital classification approaches | |
CN116206210A (zh) | 一种基于NAS-Swin的遥感影像农业大棚提取方法 | |
CN115457386A (zh) | 一种村庄用地信息化生成方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20210209 Assignee: STARGIS (TIANJIN) TECHNOLOGY DEVELOPMENT Co.,Ltd. Assignor: Tianjin survey and Design Institute Group Co.,Ltd. Contract record no.: X2023980054279 Denomination of invention: A high-resolution image detection method for urban villages based on architectural form distribution Granted publication date: 20230523 License type: Common License Record date: 20231227 |