CN113643242A - 一种基于遥感数据的断头路定位及重要性分级方法 - Google Patents

一种基于遥感数据的断头路定位及重要性分级方法 Download PDF

Info

Publication number
CN113643242A
CN113643242A CN202110824000.3A CN202110824000A CN113643242A CN 113643242 A CN113643242 A CN 113643242A CN 202110824000 A CN202110824000 A CN 202110824000A CN 113643242 A CN113643242 A CN 113643242A
Authority
CN
China
Prior art keywords
road
broken
remote sensing
area
index
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
Application number
CN202110824000.3A
Other languages
English (en)
Inventor
戚浩平
吴艳艳
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN202110824000.3A priority Critical patent/CN113643242A/zh
Publication of CN113643242A publication Critical patent/CN113643242A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • 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
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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

Landscapes

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

Abstract

本发明公开了一种基于遥感数据的断头路定位及重要性分级方法，充分考虑了断头路的重要目标线索指引作用，利用矢量路网精确定位断头路位置后，以断头路位置作为重要目标的潜在区域，对其关联区域进行地表参数提取与分析，实现对断头路重要性分级以及关联区域场景的估计，符合城市建设、交通规划等部门的应用需求，具有重要的现实意义。

Description

一种基于遥感数据的断头路定位及重要性分级方法
技术领域
本发明属于遥感技术领域，特别涉及了一种断头路定位及重要性分级方法。
背景技术
断头路是一种特殊的道路形态，具有特殊的道路位置特征，具备重要目标线索指引作用。遥感的根本目的就是获取信息，随着信息化时代的到来，如何快速、准确的识别人工地物对于空间地理信息库的建设具有重要意义。典型的人工地物包括桥梁、大坝、机场、港口、隧道等重要目标，而这些典型人工地物都离不开断头路这一特殊的道路形态。至今为止，国内外很多学者提出了许多道路检测的算法，但是对于断头路的识别及应用研究较少。
目前，对于断头路的研究仅限于将机场掩体视为断头路，通过提取机场区域的完整矢量路网，利用八邻域方法确定掩体位置。而断头路的重要目标线索指引作用并未被重视。从现有研究来看，主要利用图像分割、感兴趣区域检测、特征提取等关键技术，从大幅影像中提取待识别目标的主要特征，通过对多种特征的综合分析，实现对重要目标的识别与检测，但是这类目标识别算法针对性较强，效率较低，适用性较差。
因此，充分考虑断头路的重要目标线索指引作用，实现对断头路的定位和重要性分级，符合城市建设、交通规划等部门的应用需求，具有重要的现实意义。
发明内容
为了解决上述背景技术提到的技术问题，本发明提出了一种基于遥感数据的断头路定位及重要性分级方法，充分考虑断头路的重要目标线索指引作用，利用矢量路网精确定位断头路位置后，以断头路位置作为重要目标的潜在区域，对其关联区域进行地表参数提取与分析，实现对断头路重要性分级以及关联区域场景的估计。
为了实现上述技术目的，本发明的技术方案为：
一种基于遥感数据的断头路定位及重要性分级方法，包括以下步骤：
(1)采集矢量路网数据，多光谱遥感数据和数字高程模型数据；首先，以矢量路网数据为基准，对多光谱遥感数据进行配准；然后，以多光谱遥感数据覆盖范围为工作区，对矢量路网数据进行裁剪，得到工作区内矢量路网；
(2)对工作区内矢量路网进行栅格化处理，得到栅格化路网；利用八邻域法对栅格化路网进行全局检测，确定所有断头路的位置；
(3)计算地表属性参数，包括各类地物遥感指数信息以及地势信息，所述地势信息包括坡度和高程；
(4)确定步骤(2)得到的断头路的道路走向，根据断头路的位置和断头路的道路走向确定断头路的关联区域，统计每个断头路的关联区域内的地表属性参数；
(5)根据断头路关联区域的地势信息确定该区域的地貌及坡度类型；根据断头路关联区域内的不同地物占比，确定该区域的土地利用类型；然后，对断头路进行重要性分级，估计断头路关联区域的场景类型。
进一步地，步骤(2)的具体过程如下：
(2.1)获取多光谱遥感影像数据的行列数，创建像素值为0的与多光谱遥感影像数据具有相同行列数的单波段空白图像；
(2.2)将矢量路网数据与创建的单波段空白图像叠加；重叠区域若存在路网，则将对应的空白图像中的像素值设置为255，否则仍为0；遍历整个单波段空白图像后得到栅格化后的路网图像P；
(2.3)构建3×3的算子，遍历栅格路网图像P，以待检测点为中心，计算相邻8个像素的像素值之和；如果相邻8个像素的像素值之和为255且该点不在图像P的边界上，则该中心点为断头路，构建断头路坐标点集R。
进一步地，在步骤(3)中，利用多光谱遥感数据计算水体指数、植被指数、建筑用地指数、裸土指数和不透水地表指数，得到对应的遥感指数结果图；利用数字高程模型数据计算坡度，得到对应的坡度图。
进一步地，得到遥感指数结果图的方法如下：
(3.1)读取多光谱遥感影像数据，将6个波段存储为蓝光波段影像b1、绿光波段影像b2、红光波段影像b3、近红外波段影像b4、中红外波段1影像b5、中红外波段2影像b6；
(3.2)利用归一化水体指数(b2-b4)/(b2+b4)对多光谱遥感影像数据进行计算，得到水体指数结果图；
利用归一化植被指数(b4-b3)/(b3+b4)对多光谱遥感影像数据进行计算，得到植被指数结果图；
利用比值建筑用地指数kt1/kt2对多光谱遥感影像数据进行计算，得到建筑用地指数结果图，其中：
kt1＝0.326*b1+0.509*b2+0.56*b3+0.567*b4，
kt2＝-0.311*b1-0.356*b2-0.325*b3+0.819*b4；
利用不透水地表指数((b4+b5+b6)-(b1+b2+b3))/((b4+b5+b6)+(b1+b2+b3))对多光谱遥感影像数据进行计算，得到不透水地表指数结果图；
利用归一化裸土指数(b4-b5)/(b4+b5)对多光谱遥感影像数据进行计算，得到裸土指数结果图。
进一步地，得到坡度图的方法如下：
(3a)获取多光谱遥感影像数据的投影信息，对数字高程模型数据进行投影转换，得到转换后的数字高程模型数据DEM1；
(3b)建立3×3算子，遍历DEM1的所有像元，根据式(1)计算中心像元的东西向变化率Swe，根据式(2)计算中心像元的南北向变化率Ssn，根据式(3)计算中心像元的坡度值S，得到坡度图：
Figure BDA0003172951320000041
Figure BDA0003172951320000042
Figure BDA0003172951320000043
其中，e1、e3表示DEM1中中心像元左右相邻像素的像素值，e2、e4表示DEM1中中心像元上下相邻像素的像素值；
(3c)将得到的坡度图和数字高程模型数据重采样至与多光谱遥感影像数据相同大小。
进一步地，在步骤(4)中，确定断头路的道路走向的方法如下：
利用步骤(2)得到的栅格化路网，以步骤(2)得到的断头路为中心点，检测距中心点为5像素的正方形边界上像素值不为0的像素点A；根据像素点A以及断头路位置坐标，计算两点连线的方位角β，以(45°,135°]为下，(135°,255°]为右，(225°,315°]为上以及(0°,45°]为左，将断头路的道路走向分为影像中的上下左右四个方向。
进一步地，在步骤(4)中，确定断头路的关联区域的方法如下：
如果断头路的道路走向为向上，则以断头点为正方形下边线的中心点，设置边长为n的正方形窗口；如果断头路的道路走向为向下，则以断头点为正方形的上边线的中心点，设置边长为n的正方形窗口；如果断头路的道路走向为向左，则以断头点为正方形右边线的中心点，设置边长为n的正方形窗口；如果断头路的道路走向为向右，则以断头点为正方形左边线的中心点，设置边长为n的正方形窗口。
进一步地，在步骤(4)中，统计断头路的关联区域内的地表属性参数的过程如下：
(4.1)设置水体指数结果图阈值TW，植被指数结果图阈值TV，不透水地表指数结果图设置上、下阈值TNS1、TNS2，建筑用地指数结果图阈值TR，裸土指数结果图设置阈值TS；
(4.2)设置步骤(4)中正方形窗口内像素数为n2；统计窗口内水体指数结果图中像素值大于TW的像素数NW，植被指数结果图中像素值大于TV的像素数NV，不透水地表指数结果图中像素值大于TNS1且小于TNS2的像素数Nns，建筑用地指数结果图中像素值小于TR的像素数Nr，裸土指数结果图中像素值小于TS的像素数Ns；
(4.3)计算窗口内每种地物的占比Ratioi：
Figure BDA0003172951320000051
其中，Ni表示属于地物i的像素数，i＝W,V,ns,r,s；
(4.4)统计断头路关联区域内高程和坡度的最大值、最小值和均值。
进一步地，步骤(5)的具体过程如下：
(5.1)根据断头路关联区域内高程的最大值、最小值和均值，对断头路场景进行地貌类型划分，确定场景地貌类型为平原、丘陵、山区；根据断头路关联区域内坡度的最大值、最小值和均值，对断头路场景进行坡度划分，确定场景坡度类型为平坡、缓坡、斜坡；
(5.2)根据断头路关联区域内每种地物占比，确定场景土地利用类型为植被覆盖或水域覆盖为主的农业用地或生态用地、全部或部分为建筑区覆盖的建筑用地、大面积裸土覆盖的未利用土地；
(5.3)根据断头路关联区域的地貌类型、坡度类型和土地利用类型对断头路进行重要性分级，并估计断头路关联区域的场景类型。
采用上述技术方案带来的有益效果：
(1)本发明利用矢量路网数据检测并定位断头路的位置；利用多光谱遥感影像根据不同地物遥感指数计算公式计算对应指数结果图，利用DEM数据计算高程及坡度信息；利用断头路的重要目标线索指引作用，通过对断头路关联区域的地表信息进行综合分析，对断头路进行重要性分级，并实现断头路关联区域场景的估计，基本实现了自动化，具有较好的稳定性及重要的现实意义。
(2)本发明利用矢量路网数据进行断头路的检测与定位，定位结果只受矢量路网数据影响，结果准确；本发明利用栅格化后的路网图像确定断头路的关联区域并对断头路关联区域的地表参数进行综合分析，从而实现对断头路的重要性分级及关联区域场景估计，无需进行全局性的特征识别分析，提高了检测效率，缩短了用时。
附图说明
图1是本发明的方法流程图；
图2是实施例中待检测区域遥感影像图；
图3是实施例中栅格路网图；
图4是实施例中断头路位置检测结果图；
图5是实施例中水体指数、植被指数、归一化裸土指数、不透水地表指数、比值建筑用地指数、坡度计算结果图；
图6是实施例中断头路关联区域场景估计结果图。
具体实施方式
以下将结合附图，对本发明的技术方案进行详细说明。
本发明设计了一种基于遥感数据的断头路定位及重要性分级方法，如图1所示，步骤如下：
步骤1、数据准备：采集矢量路网数据，多光谱遥感数据(包含红绿蓝波段、近红外波段及两个中红外波段)，数字高程模型(DEM)数据。
步骤2、基于矢量路网的断头路检测与定位，具体实施步骤如下：
步骤2.1，矢量路网数据栅格化。以多光谱遥感数据(见图2)覆盖范围为工作区，对矢量路网数据进行裁剪，得到工作区内矢量路网，然后对工作区内矢量路网进行栅格化处理，得到栅格路网结果图P，如图3所示；
步骤2.2，断头路检测与定位。利用八邻域法对栅格路网P进行逐像元计算，检测并定位断头路的位置，得到断头路位置检测结果，如图4所示；
步骤3、地表属性参数计算，具体实施步骤如下：
地表属性参数包括各类地物遥感指数信息，坡度、高程等地势信息。
步骤3.1，基于多光谱遥感影像数据的遥感指数结果图计算。根据归一化水体指数、归一化植被指数、比值建筑用地指数、归一化裸土指数、不透水地表指数进行相关地物遥感指数计算，得到相应的地物遥感指数结果图，如图5中的(a)-(e)所示；
步骤3.2，基于DEM数据的坡度图计算。利用DEM数据逐像元计算其东西向及南北向的高程变化率，从而得到每个像元的坡度值，生成坡度图后重采样得到坡度图，如图5中的(f)所示。
步骤4、断头路关联区域确定及关联区域内地表参数统计，具体实施步骤如下：
步骤4.1，确定断头路的道路走向：以断头路为中心点，检测栅格路网P中，距中心点为5像素的正方形边界上的像素值不为0的像素点A，计算中心点与A点的方位角β；根据计算得到的方位角β，(45°,135°]为下、(135°,225°]为右、(225°,315°]为上、(315°,360°]及[0°,45°]为左，将断头路的道路走向分为影像中的上下左右四个方向；
步骤4.2，确定断头路关联区域：以断头点的位置为起点，根据断头路道路走向在其延伸方向上设置边长为n的正方形窗口，即为断头路的关联区域；
步骤4.3，计算断头路关联区域内不同地物占比：统计正方形窗口内水体指数结果图中像素值大于0的像素数NW，植被指数结果图中像素值大于0.3的像素数NV，不透水地表指数结果图中像素值大于0且小于0.6的像素数Nns，建筑用地指数结果图中像素值小于-5的像素数Nr，裸土指数结果图中像素值小于0的像素数Ns，根据统计得到的不同地物的像素数计算正方形窗口内每种地物的占比Ratioi；
步骤4.4，计算断头路关联区域的地势信息：根据重采样后的DEM数据统计断头路关联区域内高程的最大值、最小值和均值，根据重采样后的坡度图统计断头路关联区域内坡度的最大值、最小值和均值。
步骤5、断头路重要性分级及关联区域场景估计，具体实施步骤如下：
步骤5.1，设置高程阈值TDEM1＝200m，TDEM2＝500m对断头路关联区域场景进行地貌类型划分，关联区域内高程均值小于TDEM1的地貌为平原、高程均值大于TDEM1且小于TDEM2的地貌为丘陵、高程均值大于TDEM2的地貌为山区；设置坡度阈值TSlope1＝5°，TSlope2＝15°对断头路关联区域场景进行坡度划分，关联区域内坡度均值小于TSlope1的为平坡、坡度均值大于TSlope1且小于TSlope2的为缓坡、坡度均值大于TSlope2的为斜坡；
步骤5.2，根据断头路关联区域内每种地物占比Ratioi，确定场景土地利用类型。建筑用地占比大于20％或者不透水地表占比大于50％的断头路关联区域确定为建筑用地；植被占比大于80％的断头路关联区域确定为大面积植被覆盖区农业用地或生态用地；水体占比大于80％的断头路关联区域确定为大面积水域覆盖区农业用地或生态用地；裸土占比大于80％的断头路关联区域确定为未利用土地；
步骤5.3，根据断头路关联区域的地貌类型、坡度类型和土地利用类型对断头路进行重要性分级，并估计断头路关联区域场景类型。如，裸土及植被占比大于15％且位于平坡区域的建筑用地重要性低，估计为居民区；水体占比大于30％的建筑用地重要性高，估计为港口；不透水地表占比约10％且位于平坡区域的大面积植被覆盖区重要性较高，估计为隧道口，等等。得到断头路重要性分级及关联区域场景估计结果，如图6所示。
实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (9)

1.一种基于遥感数据的断头路定位及重要性分级方法，其特征在于，包括以下步骤：
(1)采集矢量路网数据，多光谱遥感数据和数字高程模型数据；首先，以矢量路网数据为基准，对多光谱遥感数据进行配准；然后，以多光谱遥感数据覆盖范围为工作区，对矢量路网数据进行裁剪，得到工作区内矢量路网；
(2)对工作区内矢量路网进行栅格化处理，得到栅格化路网；利用八邻域法对栅格化路网进行全局检测，确定所有断头路的位置；
(3)计算地表属性参数，包括各类地物遥感指数信息以及地势信息，所述地势信息包括坡度和高程；
(4)确定步骤(2)得到的断头路的道路走向，根据断头路的位置和断头路的道路走向确定断头路的关联区域，统计每个断头路的关联区域内的地表属性参数；
(5)根据断头路关联区域的地势信息确定该区域的地貌及坡度类型；根据断头路关联区域内的不同地物占比，确定该区域的土地利用类型；然后，对断头路进行重要性分级，估计断头路关联区域的场景类型。
2.根据权利要求1所述基于遥感数据的断头路定位及重要性分级方法，其特征在于，步骤(2)的具体过程如下：
(2.1)获取多光谱遥感影像数据的行列数，创建像素值为0的与多光谱遥感影像数据具有相同行列数的单波段空白图像；
(2.2)将矢量路网数据与创建的单波段空白图像叠加；重叠区域若存在路网，则将对应的空白图像中的像素值设置为255，否则仍为0；遍历整个单波段空白图像后得到栅格化后的路网图像P；
(2.3)构建3×3的算子，遍历栅格路网图像P，以待检测点为中心，计算相邻8个像素的像素值之和；如果相邻8个像素的像素值之和为255且该点不在图像P的边界上，则该中心点为断头路，构建断头路坐标点集R。
3.根据权利要求1所述基于遥感数据的断头路定位及重要性分级方法，其特征在于，在步骤(3)中，利用多光谱遥感数据计算水体指数、植被指数、建筑用地指数、裸土指数和不透水地表指数，得到对应的遥感指数结果图；利用数字高程模型数据计算坡度，得到对应的坡度图。
4.根据权利要求3所述基于遥感数据的断头路定位及重要性分级方法，其特征在于，得到遥感指数结果图的方法如下：
(3.1)读取多光谱遥感影像数据，将6个波段存储为蓝光波段影像b1、绿光波段影像b2、红光波段影像b3、近红外波段影像b4、中红外波段1影像b5、中红外波段2影像b6；
(3.2)利用归一化水体指数(b2-b4)/(b2+b4)对多光谱遥感影像数据进行计算，得到水体指数结果图；
利用归一化植被指数(b4-b3)/(b3+b4)对多光谱遥感影像数据进行计算，得到植被指数结果图；
利用比值建筑用地指数kt1/kt2对多光谱遥感影像数据进行计算，得到建筑用地指数结果图，其中：
kt1＝0.326*b1+0.509*b2+0.56*b3+0.567*b4，
kt2＝-0.311*b1-0.356*b2-0.325*b3+0.819*b4；
利用不透水地表指数((b4+b5+b6)-(b1+b2+b3))/((b4+b5+b6)+(b1+b2+b3))对多光谱遥感影像数据进行计算，得到不透水地表指数结果图；
利用归一化裸土指数(b4-b5)/(b4+b5)对多光谱遥感影像数据进行计算，得到裸土指数结果图。
5.根据权利要求3所述基于遥感数据的断头路定位及重要性分级方法，其特征在于，得到坡度图的方法如下：
(3a)获取多光谱遥感影像数据的投影信息，对数字高程模型数据进行投影转换，得到转换后的数字高程模型数据DEM1；
(3b)建立3×3算子，遍历DEM1的所有像元，根据式(1)计算中心像元的东西向变化率Swe，根据式(2)计算中心像元的南北向变化率Ssn，根据式(3)计算中心像元的坡度值S，得到坡度图：
Figure FDA0003172951310000031
Figure FDA0003172951310000032
Figure FDA0003172951310000033
其中，e1、e3表示DEM1中中心像元左右相邻像素的像素值，e2、e4表示DEM1中中心像元上下相邻像素的像素值；
(3c)将得到的坡度图和数字高程模型数据重采样至与多光谱遥感影像数据相同大小。
6.根据权利要求1所述基于遥感数据的断头路定位及重要性分级方法，其特征在于，在步骤(4)中，确定断头路的道路走向的方法如下：
利用步骤(2)得到的栅格化路网，以步骤(2)得到的断头路为中心点，检测距中心点为5像素的正方形边界上像素值不为0的像素点A；根据像素点A以及断头路位置坐标，计算两点连线的方位角β，以(45°,135°]为下，(135°,255°]为右，(225°,315°]为上以及(0°,45°]为左，将断头路的道路走向分为影像中的上下左右四个方向。
7.根据权利要求6所述基于遥感数据的断头路定位及重要性分级方法，其特征在于，在步骤(4)中，确定断头路的关联区域的方法如下：
如果断头路的道路走向为向上，则以断头点为正方形下边线的中心点，设置边长为n的正方形窗口；如果断头路的道路走向为向下，则以断头点为正方形的上边线的中心点，设置边长为n的正方形窗口；如果断头路的道路走向为向左，则以断头点为正方形右边线的中心点，设置边长为n的正方形窗口；如果断头路的道路走向为向右，则以断头点为正方形左边线的中心点，设置边长为n的正方形窗口。
8.根据权利要求7所述基于遥感数据的断头路定位及重要性分级方法，其特征在于，在步骤(4)中，统计断头路的关联区域内的地表属性参数的过程如下：
(4.1)设置水体指数结果图阈值TW，植被指数结果图阈值TV，不透水地表指数结果图设置上、下阈值TNS1、TNS2，建筑用地指数结果图阈值TR，裸土指数结果图设置阈值TS；
(4.2)设置步骤(4)中正方形窗口内像素数为n2；统计窗口内水体指数结果图中像素值大于TW的像素数NW，植被指数结果图中像素值大于TV的像素数NV，不透水地表指数结果图中像素值大于TNS1且小于TNS2的像素数Nns，建筑用地指数结果图中像素值小于TR的像素数Nr，裸土指数结果图中像素值小于TS的像素数Ns；
(4.3)计算窗口内每种地物的占比Ratioi：
Figure FDA0003172951310000041
其中，Ni表示属于地物i的像素数，i＝W,V,ns,r,s；
(4.4)统计断头路关联区域内高程和坡度的最大值、最小值和均值。
9.根据权利要求1所述基于遥感数据的断头路定位及重要性分级方法，其特征在于，步骤(5)的具体过程如下：
(5.1)根据断头路关联区域内高程的最大值、最小值和均值，对断头路场景进行地貌类型划分，确定场景地貌类型为平原、丘陵、山区；根据断头路关联区域内坡度的最大值、最小值和均值，对断头路场景进行坡度划分，确定场景坡度类型为平坡、缓坡、斜坡；
(5.2)根据断头路关联区域内每种地物占比，确定场景土地利用类型为植被覆盖或水域覆盖为主的农业用地或生态用地、全部或部分为建筑区覆盖的建筑用地、大面积裸土覆盖的未利用土地；
(5.3)根据断头路关联区域的地貌类型、坡度类型和土地利用类型对断头路进行重要性分级，并估计断头路关联区域的场景类型。
CN202110824000.3A 2021-07-21 2021-07-21 一种基于遥感数据的断头路定位及重要性分级方法 Pending CN113643242A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110824000.3A CN113643242A (zh) 2021-07-21 2021-07-21 一种基于遥感数据的断头路定位及重要性分级方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110824000.3A CN113643242A (zh) 2021-07-21 2021-07-21 一种基于遥感数据的断头路定位及重要性分级方法

Publications (1)

Publication Number Publication Date
CN113643242A true CN113643242A (zh) 2021-11-12

Family

ID=78418039

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110824000.3A Pending CN113643242A (zh) 2021-07-21 2021-07-21 一种基于遥感数据的断头路定位及重要性分级方法

Country Status (1)

Country Link
CN (1) CN113643242A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106651609A (zh) * 2016-09-27 2017-05-10 云南大学 一种矿产资源开发环境遥感监测辅助信息系统及方法
CN109613513A (zh) * 2018-12-20 2019-04-12 长安大学 一种顾及InSAR形变因子的光学遥感潜在滑坡自动识别方法
WO2020049089A1 (en) * 2018-09-07 2020-03-12 Tomtom Global Content B.V. Methods and systems for determining the position of a vehicle
CN111914039A (zh) * 2019-05-07 2020-11-10 北京四维图新科技股份有限公司 道路网更新方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106651609A (zh) * 2016-09-27 2017-05-10 云南大学 一种矿产资源开发环境遥感监测辅助信息系统及方法
WO2020049089A1 (en) * 2018-09-07 2020-03-12 Tomtom Global Content B.V. Methods and systems for determining the position of a vehicle
CN109613513A (zh) * 2018-12-20 2019-04-12 长安大学 一种顾及InSAR形变因子的光学遥感潜在滑坡自动识别方法
CN111914039A (zh) * 2019-05-07 2020-11-10 北京四维图新科技股份有限公司 道路网更新方法及装置

Similar Documents

Publication Publication Date Title
CN107063197B (zh) 一种基于空间信息技术的水库特征曲线提取方法
CN105956058B (zh) 一种采用无人机遥感影像的变化用地快速发现方法
CN108288059B (zh) 一种基于高分辨率遥感技术的建筑垃圾监测方法
CN110543885B (zh) 一种交互式提取高分辨率遥感影像道路并生成路网的方法
CN104952107A (zh) 基于车载LiDAR点云数据的桥梁三维重建方法
CN107679498A (zh) 一种机载激光点云城区道路识别方法
CN104462660A (zh) 一种野外输电线路冬季覆冰厚度分布绘制方法
CN111046613B (zh) 基于路径追踪的最佳河道计算方法及基于多时相遥感影像的河网提取方法
CN106096497B (zh) 一种针对多元遥感数据的房屋矢量化方法
CN112241661A (zh) 一种结合机载LiDAR点云数据和航空影像的城市地物精细化分类方法
Pandey et al. Urban built-up area assessment of Ranchi township using Cartosat-I stereopairs satellite images
CN112365543B (zh) 基于光学影像的地质结构面提取方法、装置
CN112166688B (zh) 基于小卫星的沙漠与沙漠化土地监测方法
CN113643242A (zh) 一种基于遥感数据的断头路定位及重要性分级方法
Tian et al. A Process-Oriented Method for Rapid Acquisition of Canopy Height Model From RGB Point Cloud in Semiarid Region
Lehrbass et al. Urban tree cover mapping with relief-corrected aerial imagery and LiDAR
CN115984721A (zh) 基于倾斜摄影和图像识别技术实现乡村风貌管理的方法
CN111398958B (zh) 一种确定地面沉降与黄土填挖方区建筑高度相关性的方法
CN113468982B (zh) 一种城市功能区分类方法、装置及存储介质
Liu et al. Automatic building height estimation with shadow correction over heterogeneous compact cities using stereo Gaofen-7 data at sub-meter resolution
Na et al. Mapping artificial terraces from image matching point cloud in Loess Plateau of China
Heckel et al. The first sub-meter resolution digital elevation model of the Kruger National Park, South Africa
Wu et al. Voxel-based marked neighborhood searching method for identifying street trees using vehicle-borne laser scanning data
CN113446992B (zh) 地形勘测中的地形勘测点布测优化方法
Mi et al. Estimating Pylon Height Using Differences in Shadows between GF-2 Images

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