CN112767469B - 一种城市海量建筑高度智能化获取方法 - Google Patents
一种城市海量建筑高度智能化获取方法 Download PDFInfo
- Publication number
- CN112767469B CN112767469B CN202110096517.5A CN202110096517A CN112767469B CN 112767469 B CN112767469 B CN 112767469B CN 202110096517 A CN202110096517 A CN 202110096517A CN 112767469 B CN112767469 B CN 112767469B
- Authority
- CN
- China
- Prior art keywords
- building
- point
- height
- points
- vertical edge
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000012937 correction Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 6
- 230000011218 segmentation Effects 0.000 claims abstract description 6
- 230000004927 fusion Effects 0.000 claims abstract description 4
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 206010063385 Intellectualisation Diseases 0.000 claims 1
- 239000000758 substrate Substances 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- 241000592183 Eidolon Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002349 favourable effect 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
- 230000005855 radiation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及自动化技术领域,公开了一种城市海量建筑高度智能化获取方法,所述方法包括,对遥感影像进行预处理,包括:辐射定标,大气校正,正射校正和遥感影像融合;搭建U‑net架构,并使用公共及私人数据库进行识别训练,获取建筑基底;依托识别的基底,将遥感图分成若干矩形识别框,使每个识别框有且只有一幢建筑;依托自适应阈值分割,对每个识别框进行二值化处理;生成边界线,并根据“斜率”与“长度”确定最终垂直边缘;获取每个建筑的质心坐标,作为“桥梁”,以方便建筑高度链接给其对应的建筑基底;选取代表建筑,计算固定比值RHS;最后,依托获取的垂直边缘长度与RHS,自动求出每幢建筑的高度,以实现城市海量建筑高度的智能化获取。
Description
技术领域
本发明涉及自动化技术领域,具体的是一种城市海量建筑高度智能化获取方法。
背景技术
随着全球经济的快速发展以及城市人口的不断增加,城市被赋予了前所未有的政治、经济和技术权力,从而使城市发展在世界中心舞台起到主导作用。面对目前城市低效的管理方式、拥堵的交通系统、难以发挥实效的应急系统、以及远不完善的环境监测体系,城市必须应用新的措施和能力使城市管理变得更加智能,从而最大限度地优化和利用有限的能源。在此背景下,“城市信息模型”(CIM)应运而生。通过CIM,可以精准映射城市运行状态、挖掘洞悉城市运行规律、模拟仿真城市未来趋势。
对于CIM而言,最基础的任务之一是建立城市建筑三维模型。一个基本的城市建筑三维模型应包括建筑基底、建筑高度、建筑窗墙比三类信息。而本发明仅关注建筑高度这一信息的获取,其相关研究背景综述如下:
在城市尺度获取建筑高度不同于单体尺度,其需兼顾效率与准确性,因此不宜采用大范围的实地测量。一种较为先进的方法为激光雷达技术(LiDAR),其原理在于:通过机载、车载、便携或固定站等形式,安装LiDAR设备,发射激光到地物表面,并捕捉反射后的光线,以形成点云数据;通过后续的数据处理,以获得建筑高度。该方法是目前工程实践中最为常用的方法之一,具有速度快、准确性高的特点。但由于实施费用较为昂贵,多由政府牵头完成,且仅开展于部分大型城市中;此外,由于隐私政策的保护,获取的高度数据并非完全向公众开放。与此相类似,无人机倾斜摄影也可构建城市三维模型,但设备的购买成本也相对较高;此外,无人机的运行范围和飞行管制也是不利因素。
基于开放式遥感影像的研究突破了这些限制。其中,使用较为广泛的方法为“建筑阴影法”,其原理在于:在遥感影像的一定范围内(如:50km×50km),建筑高度与阴影长度的比值(RCS)为一定值;获得该比值及各目标建筑的阴影长度,即可反求出建筑高度。相较于LiDAR而言,购买遥感影像的费用更加低廉,且不存在数据限制问题。但该方法对阴影的清晰度要求较高,阴影之间的相互遮挡会大大降低其准确性;因此,在城市建筑密集区域(高层建筑林立,阴影遮挡颇为常见),该方法适用性较差。
对此,一种改进的方法为“建筑垂直边缘法”。建筑垂直边缘法的使用原理与建筑阴影法类似——建筑高度与建筑垂直边缘(样例见图2)长度之比(RHS)为一定值。较之于建筑阴影法,垂直边缘法不存在相互遮挡问题,因而更适合城市尺度的应用。使用该方法,不仅需要知道具体比值,还需知晓各目标建筑的垂直边缘长度。目前,垂直边缘长度的获取仅依赖遥感影像上的人工测量,整体效率不高。为了改进这一不足,本发明提出一种城市海量建筑高度智能化获取方法,以高效获取建筑高度,进而构建城市建筑三维模型,服务城市信息系统。
发明内容
为解决上述背景技术中提到的不足,本发明的目的在于提供一种城市海量建筑高度智能化获取方法,所述方法包括,对遥感影像进行预处理,包括:辐射定若干矩形识别框,使每个识别框有且只有一幢建筑;依托自适应阈值分割,对每个识别框进行二值化处理;生成边界线,并根据“斜率”与“长度”确定最终垂直边缘;获取每个建筑的质心坐标,作为“桥梁”,以方便建筑高度链接给其对应的建筑基底;选取代表建筑,计算固定比值RHS;最后,依托获取的垂直边缘长度与RHS,自动求出每幢建筑的高度,以实现城市海量建筑高度的智能化获取。
本发明的目的可以通过以下技术方案实现:
一种城市海量建筑高度智能化获取方法,所述方法包括以下步骤:
S1、对遥感影像预处理得到新遥感影像;
S2、建筑基底识别:建筑基底识别采用机器学习,依托U-net架构,通过两类数据库样本进行基底识别训练,通过基底识别训练来识别建筑基底,所述两类数据库样本分别为公共数据库和私人数据库,所述公共数据库需包含已标注好的建筑基底照片,用来使电脑初步具备识别建筑基底的能力,所述私人数据库的建立方法为:首先,将S1中预处理得到的新遥感影像分割成若干512×512pixel大小的图片;接着,随机选取某一数量的图片作为训练样本;最后,对这些训练样本进行像素级标注;
S3、建筑垂直边缘识别:
S31、依托S2中识别出的建筑基底,将所有遥感影像分成若干矩形识别框,每个识别框有且仅有一幢建筑;
S32、提取矩形识别框的灰度直方图;
S33、基于灰度直方图确定自适应阈值;
S34、基于自适应阈值,对每个识别框进行二值化处理,突出建筑边缘;
S35:生成边界线,并筛选出一条作为建筑垂直边缘;
S4、建筑经纬度(X、Y)获取;
S6、计算建筑获取高度Hi。
进一步的,所述S1遥感影像预处理包括:辐射定标,大气校正,正射校正和遥感影像融合。
进一步的,所述S33中的自适应阈值的确定是基于灰度直方图,包括两种情形:若直方图呈“双波峰”,选取中间波谷值作为分隔阈值;若直方图呈“单波峰”,选取灰度区间中一处值作为分割阈值。
进一步的,所述S35中的生成边界线的方法包括如下步骤:
S351:依次生成一系列的边界点;
S352:选取左下角一点为点(1),以点(1)为起点,先顺时针选取3个点,分别为点(1)、点(2)和点(3),对3个点采取“最小二乘法”拟合出一条直线l1;
S353:再加入下一点,即点(4),对4个点采取“最小二乘法”,再拟合出一条直线l2;若l1与l2夹角小于等于15°,则剔除l1,并保留l2;若l1与l2夹角大于15°,则再加入下一点,即点(5),对5个点采取“最小二乘法”,拟合出直线l3,并将l3与l1作比;如果连续两次夹角都大于15°,则终止顺时针方向的搜索,得到边界点m个,m为拟合出当前直线的点数的数量;
S354:仍以点(1)为起点,逆时针依次加入各点,重复S353,直至搜索终止,共得到n个边界点;
S355:对m+n个点采取“最小二乘法”,拟合出最终边界线l1 *;
S356:再以点(2)、点(3)、点(4)等分别为起点,重复S352-S355的步骤,生成剩余所有边界线l2 *,l3 *,l4 *等;
S357:筛选出斜率处于某一范围的所有边界线{li **};
S358:获取S357中所有边界线首尾点的像素坐标,并计算长度;
进一步的,所述{li **}根据长度和斜率最接近大多数的原则,从{li **}中筛选出一条作为建筑垂直边缘,并记录其长度Li。
进一步的,所述S4依托S31中的矩形识别框,直接获取每个识别框中建筑的质心,并获取其像素坐标(x,y),将像素坐标(x,y)带入下式转换为经纬度经纬度(X、Y):
式(a)中,x0是图片左上角像素经度;y0是图片左上角像素纬度;a是像素经度换算比例;b是像素纬度换算比例。
式(d)中,Hi是第i栋建筑的获取高度;Li是第i栋建筑的垂直边缘长度。
本发明的有益效果:
1、本发明实施成本较低。本发明所需数据仅为开放式遥感影像,实施成本远少于LiDAR或倾斜摄影,具有价格优势;
2、本发明覆盖度高。本发明可以较为完整地识别区域所包含建筑,并获取其建筑高度,覆盖面广。
3、本发明准确度较高。本发明可以较为准确地获取建筑高度,有利于后续模型建立的准确性。
4、本发明实施效率较高。本发明可自动获取建筑高度,并通过经纬度自动链接到相应建筑基底上,人工干预少,整体效率较高。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明整体流程图;
图2是本发明建筑垂直边缘示例图;
图3是本发明Unet架构示意图;
图4是本发明矩形识别框图;
图5是本发明二值化处理结果示意图;
图6是本发明建筑边缘三种类型示意图;
图7是本发明建筑垂直边缘生成示意图;
图8是本发明建筑基底识别效果图;
图9是本发明误差分析图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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它实施例,都属于本发明保护的范围。
如图1-图9所示,一种城市海量建筑高度智能化获取方法,其特征在于,所述方法包括以下步骤:
S1、对遥感影像预处理得到新遥感影像;
本次使用的遥感影像为WorldView-3,其全色分辨率为0.3m,多光谱分辨率为1.2m。该影像包含的区域为南京河西新城5km×5km区域。通过ERDAS对其进行辐射定标,大气校正,正射校正和遥感影像融合,最终得到分辨率为0.3m的彩色遥感图。
S2、建筑基底识别:建筑基底识别采用机器学习,依托U-net架构,通过两类数据库样本进行基底识别训练,通过基底识别训练来识别建筑基底,所述两类数据库样本分别为公共数据库和私人数据库,所述公共数据库需包含已标注好的建筑基底照片,用来使电脑初步具备识别建筑基底的能力,所述私人数据库的建立方法为:首先,将S1中预处理得到的新遥感影像分割成若干512×512pixel大小的图片;接着,随机选取某一数量的图片作为训练样本;最后,对这些训练样本进行像素级标注;
使用python语言搭建U-net架构;公共数据库:武汉大学数据库(下载地址:http://gpcv.whu.edu.cn/data/building_dataset.html),选取其中10000张已标注好的照片进行初步训练;私人数据库:将使用的WorldView-3遥感影像分割成1050张512×512pixel的图片,选取其中200张进行像素级标注,标注软件为“精灵标注助手”。
S3、建筑垂直边缘识别:
S31、依托S2中识别出的建筑基底,将所有遥感影像分成若干矩形识别框,每个识别框有且仅有一幢建筑;
S32、提取矩形识别框的灰度直方图;
S33、基于灰度直方图确定自适应阈值;
S34、基于自适应阈值,对每个识别框进行二值化处理,突出建筑边缘,包含类型一(Ⅰ)、类型二(Ⅱ)、类型三(Ⅲ)等;
S35:生成边界线,并筛选出一条作为建筑垂直边缘;
S4、建筑经纬度(X、Y)获取;
S6、计算建筑获取高度Hi。
所述S3中的阈值的确定是基于灰度直方图,包括两种情形:若直方图呈“双波峰”,选取中间波谷值作为分隔阈值;若直方图呈“单波峰”,选取灰度区间80%处的值作为分割阈值。
所述S35中的生成边界线的方法包括如下步骤:
S351:依次生成一系列的边界点;
S352:选取左下角一点为点(1),以点(1)为起点,先顺时针选取3个点,分别为点(1)、点(2)和点(3),对3个点采取“最小二乘法”拟合出一条直线l1;
S353:再加入下一点,即点(4),对4个点采取“最小二乘法”,再拟合出一条直线l2;若l1与l2夹角小于等于15°,则剔除l1,并保留l2;若l1与l2夹角大于15°,则再加入下一点,即点(5),对5个点采取“最小二乘法”,拟合出直线l3,并将l3与l1作比;如果连续两次夹角都大于15°,则终止顺时针方向的搜索,得到边界点m个,m为拟合出当前直线的点数的数量;
S354:仍以点(1)为起点,逆时针依次加入各点,重复S353,直至搜索终止,共得到n个边界点;
S355:对m+n个点采取“最小二乘法”,拟合出最终边界线l1 *;
S356:再以点2、点3、点4等分别为起点,重复S352-S355的步骤,生成剩余所有边界线l2 *,l3 *,l4 *等;
S357:筛选出斜率处于[-1,-0.2]区间内的所有边界线{li **};
S358:使用python包OpenCV获取S357中所有边界线首尾点的像素坐标,并计算长度;
所述{li **}根据长度和斜率最接近大多数的原则,从{li **}中筛选出一条作为建筑垂直边缘,并记录其长度Li。
自适应阈值分割依托python编写代码;“最小二乘法”拟合通过调用python包Scipy。
所述S4依托S31中的矩形识别框,使用python包OpenCV直接获取每个识别框中建筑的质心,并获取其像素坐标(x,y),将像素坐标(x,y)带入下式转换为经纬度经纬度(X、Y):
式(a)中,x0是图片左上角像素经度;y0是图片左上角像素纬度;a是像素经度换算比例;b是像素纬度换算比例,本次取3×10-6;b是像素纬度换算比例,本次取-3×10-6。
式(d)中,Hi是第i栋建筑的获取高度;Li是第i栋建筑的垂直边缘长度。
将Hi代入下式,计算第i栋代表建筑的获取高度Hi与实际高度Hi *之间的相对误差RE:
RE=(Hi-Hi *)/Hi * (e)
47幢(94%)建筑的相对误差在-20%-20%之间;38幢(76%)建筑的相对误差在-10%-10%之间;整体预测效果好。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。
Claims (8)
1.一种城市海量建筑高度智能化获取方法,其特征在于,所述方法包括以下步骤:
S1、对遥感影像预处理得到新遥感影像;
S2、建筑基底识别:建筑基底识别采用机器学习,依托U-net架构,通过两类数据库样本进行基底识别训练,通过基底识别训练来识别建筑基底,所述两类数据库样本分别为公共数据库和私人数据库,所述公共数据库需包含已标注好的建筑基底照片,用来使电脑初步具备识别建筑基底的能力,所述私人数据库的建立方法为:首先,将S1中预处理得到的新遥感影像分割成若干512×512pixel大小的图片;接着,随机选取某一数量的图片作为训练样本;最后,对这些训练样本进行像素级标注;
S3、建筑垂直边缘识别:
S31、依托S2中识别出的建筑基底,将所有遥感影像分成若干矩形识别框,每个识别框有且仅有一幢建筑;
S32、提取矩形识别框的灰度直方图;
S33、基于灰度直方图确定自适应阈值;
S34、基于自适应阈值,对每个识别框进行二值化处理,突出建筑边缘;
S35:生成边界线,并筛选出一条作为建筑垂直边缘;
S4、建筑经纬度(X、Y)获取;
S6、计算建筑获取高度Hi。
2.根据权利要求1所述的一种城市海量建筑高度智能化获取方法,其特征在于,所述S1遥感影像预处理包括:辐射定标,大气校正,正射校正和遥感影像融合。
3.根据权利要求1所述的一种城市海量建筑高度智能化获取方法,其特征在于,所述S33中的自适应阈值的确定是基于灰度直方图,包括两种情形:若直方图呈“双波峰”,选取中间波谷值作为分隔阈值;若直方图呈“单波峰”,选取灰度区间中一处值作为分割阈值。
4.根据权利要求1所述的一种城市海量建筑高度智能化获取方法,其特征在于,所述S35中的生成边界线的方法包括如下步骤:
S351:依次生成一系列的边界点;
S352:选取左下角一点为点(1),以点(1)为起点,先顺时针选取3个点,分别为点(1)、点(2)和点(3),对3个点采取“最小二乘法”拟合出一条直线l1;
S353:再加入下一点,即点(4),对4个点采取“最小二乘法”,再拟合出一条直线l2;若l1与l2夹角小于等于15°,则剔除l1,并保留l2;若l1与l2夹角大于15°,则再加入下一点,即点(5),对5个点采取“最小二乘法”,拟合出直线l3,并将l3与l1作比;如果连续两次夹角都大于15°,则终止顺时针方向的搜索,得到边界点m个,m为拟合出当前直线的点数的数量;
S354:仍以点(1)为起点,逆时针依次加入各点,重复S353,直至搜索终止,共得到n个边界点;
S355:对m+n个点采取“最小二乘法”,拟合出最终边界线l1 *;
S356:再以点(2)、点(3)、点(4)等分别为起点,重复S352-S355的步骤,生成剩余所有边界线l2 *,l3 *,l4 *等;
S357:筛选出斜率处于某一范围的所有边界线{li **};
S358:获取{li **}所有边界线首尾点的像素坐标,并计算长度。
5.根据权利要求4所述的一种城市海量建筑高度智能化获取方法,其特征在于,所述{li **}根据长度和斜率最接近大多数的原则,从{li **}中筛选出一条作为建筑垂直边缘,并记录其长度Li。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110096517.5A CN112767469B (zh) | 2021-01-25 | 2021-01-25 | 一种城市海量建筑高度智能化获取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110096517.5A CN112767469B (zh) | 2021-01-25 | 2021-01-25 | 一种城市海量建筑高度智能化获取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112767469A CN112767469A (zh) | 2021-05-07 |
CN112767469B true CN112767469B (zh) | 2021-09-21 |
Family
ID=75707134
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110096517.5A Active CN112767469B (zh) | 2021-01-25 | 2021-01-25 | 一种城市海量建筑高度智能化获取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112767469B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708587A (zh) * | 2012-04-17 | 2012-10-03 | 中国地质大学(北京) | 一种快速获取三维建筑信息的方法及系统 |
CN102938066A (zh) * | 2012-12-07 | 2013-02-20 | 南京大学 | 一种基于多元数据重建建筑物外轮廓多边形的方法 |
CN107092877A (zh) * | 2017-04-12 | 2017-08-25 | 武汉大学 | 基于建筑物基底矢量的遥感影像屋顶轮廓提取方法 |
CN109583284A (zh) * | 2017-09-29 | 2019-04-05 | 中国科学院遥感与数字地球研究所 | 基于高分辨率sar图像的城市高层建筑物高度提取方法及装置 |
CN110929607A (zh) * | 2019-11-11 | 2020-03-27 | 桂林理工大学 | 一种城市建筑物施工进度的遥感识别方法和系统 |
-
2021
- 2021-01-25 CN CN202110096517.5A patent/CN112767469B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708587A (zh) * | 2012-04-17 | 2012-10-03 | 中国地质大学(北京) | 一种快速获取三维建筑信息的方法及系统 |
CN102938066A (zh) * | 2012-12-07 | 2013-02-20 | 南京大学 | 一种基于多元数据重建建筑物外轮廓多边形的方法 |
CN107092877A (zh) * | 2017-04-12 | 2017-08-25 | 武汉大学 | 基于建筑物基底矢量的遥感影像屋顶轮廓提取方法 |
CN109583284A (zh) * | 2017-09-29 | 2019-04-05 | 中国科学院遥感与数字地球研究所 | 基于高分辨率sar图像的城市高层建筑物高度提取方法及装置 |
CN110929607A (zh) * | 2019-11-11 | 2020-03-27 | 桂林理工大学 | 一种城市建筑物施工进度的遥感识别方法和系统 |
Non-Patent Citations (4)
Title |
---|
"Automatic Extraction of Built-up Areas for Cities in China From GF-3 Image Based on Improved Residual U-Net Network";Juanjuan Li et.al.;《IEEE International Geoscience and Remote Sensing Symposium》;20201231;全文 * |
"从航空影像中自动提取高层建筑物";唐亮;《计算机学报》;20050731;全文 * |
"城市能耗模拟方法的比较研究";李艳霞等;《国际城市规划》;20201231;全文 * |
"基于遥感的建筑物高度快速提取研究综述";钱瑶等;《生态学报》;20150630;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112767469A (zh) | 2021-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109493407B (zh) | 实现激光点云稠密化的方法、装置及计算机设备 | |
US7944547B2 (en) | Method and system of generating 3D images with airborne oblique/vertical imagery, GPS/IMU data, and LIDAR elevation data | |
CN109598794B (zh) | 三维gis动态模型的构建方法 | |
CN112633277A (zh) | 基于深度学习的航道船牌检测、定位及识别方法 | |
Qin et al. | Automated reconstruction of parametric bim for bridge based on terrestrial laser scanning data | |
CN114219819A (zh) | 基于正射影像边界检测的倾斜摄影模型单体化方法 | |
CN106530345A (zh) | 一种同机影像辅助下的建筑物三维激光点云特征提取方法 | |
CN113095316B (zh) | 基于多级融合和角点偏移的图像旋转目标检测方法 | |
CN110852164A (zh) | 一种基于YOLOv3的自动检测违章建筑方法及系统 | |
US8395760B2 (en) | Unified spectral and geospatial information model and the method and system generating it | |
CN112288667A (zh) | 一种基于激光雷达与摄像头融合的三维目标检测方法 | |
CN110660125A (zh) | 用于电力配网系统的三维建模装置 | |
CN115451964A (zh) | 基于多模态混合特征的船舶场景同时建图与定位方法 | |
CN113449692A (zh) | 一种基于无人机的地图车道信息更新方法及其系统 | |
Xu et al. | UAV-based bridge geometric shape measurement using automatic bridge component detection and distributed multi-view reconstruction | |
CN114049462A (zh) | 一种三维模型单体化方法及装置 | |
CN116129064A (zh) | 电子地图生成方法、装置、设备及存储介质 | |
Xu et al. | Building height calculation for an urban area based on street view images and deep learning | |
CN116168246A (zh) | 一种用于铁路工程的弃渣场识别方法、装置、设备及介质 | |
CN117115243B (zh) | 一种基于街景图片的建筑群外立面窗户定位方法及装置 | |
CN113284185A (zh) | 用于遥感目标检测的旋转目标检测方法 | |
CN112767469B (zh) | 一种城市海量建筑高度智能化获取方法 | |
CN115713603A (zh) | 基于建筑空间图谱的多类型街区建筑群形态智能生成方法 | |
Wang et al. | A simple deep learning network for classification of 3D mobile LiDAR point clouds | |
Zhu | A pipeline of 3D scene reconstruction from point clouds |
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 |