CN113807301A - 一种新增建设用地自动提取方法及自动提取系统 - Google Patents
一种新增建设用地自动提取方法及自动提取系统 Download PDFInfo
- Publication number
- CN113807301A CN113807301A CN202111130258.XA CN202111130258A CN113807301A CN 113807301 A CN113807301 A CN 113807301A CN 202111130258 A CN202111130258 A CN 202111130258A CN 113807301 A CN113807301 A CN 113807301A
- Authority
- CN
- China
- Prior art keywords
- map
- building
- construction land
- spots
- 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.)
- Granted
Links
- 238000010276 construction Methods 0.000 title claims abstract description 206
- 238000000605 extraction Methods 0.000 title claims abstract description 47
- 238000013136 deep learning model Methods 0.000 claims abstract description 83
- 230000011218 segmentation Effects 0.000 claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 230000004927 fusion Effects 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 11
- 238000005520 cutting process Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 241000270295 Serpentes Species 0.000 claims description 5
- 230000001788 irregular Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 6
- 239000000284 extract Substances 0.000 abstract description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 20
- 238000004590 computer program Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000010354 integration Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明提供一种新增建设用地自动提取方法及自动提取系统,方法包括:提取历史非建设用地图斑;利用样本融合的方式制作建设用地样本,训练深度学习模型;利用深度学习模型从当前遥感影像中识别出建筑物和道路预测概率图;对预测概率图进行二值化分割,矢量化融合,得到当前建设用地矢量图斑;对历史非建设用地图斑和当前建设用地矢量图斑进行空间叠置分析,获取当前新增建设用地图斑。本发明充分利用国土调查数据库的图斑和影像,具有针对性地提出基于国土调查数据库的新增建设用地提取流程,利用当前建设用地提取结果与历史非建设用地图斑相结合的方式,以及利用多模型融合的技术提取新增建设用地,提高了新增建设用地图斑提取的准确性。
Description
技术领域
本发明涉及影像处理领域,更具体地,涉及一种新增建设用地自动提取方法及自动提取系统。
背景技术
近年来,我国建设用地规模急剧扩张,且出现无序扩张现象,引发土地资源利用率下降、耕地资源减少、环境污染与生态破坏等一系列问题。因此,及时、准确获得建设用地变化信息,对于合理制定城市规划方案,实现社会经济与资源利用、生态环境的可持续发展具有重要意义。与传统的实地调查相比,采用遥感变化信息提取技术进行建设用地变化信息提取具有速度快、覆盖范围广、效率高的优势。相比于其他遥感数据解译技术,变化信息提取的主要特点是处理和分析不同时间所获取的覆盖同一地区的多幅遥感影像,其所处理的数据涉及成像条件不同、分辨率不同的多时相影像,影像的地物情况更复杂。根据变化信息提取的发展历程和技术方向,可以分为以下几类:早期以中低分辨率为对象的基于像素简单运算的变化信息提取,例如差值法、比值法、回归分析法相关系数法和变化向量分析法等;基于图像变换的变化信息提取,包括可以用于多种图像的主成分分析法、典型相关分析法和用于Landsat系列影像的缨帽变换法等,该方法主要通过增强变化信息差异来区分变化信息和不变信息;基于机器学习的变化信息提取,如支持向量机SVM方法、决策树方法、随机森林方法等,机器学习方法应用于遥感影像变化信息提取领域,一度使得变化信息提取精度得到明显的提高;面向对象的变化信息提取,面向对象的方法是将原来的检测单元像素更改一组有特定关联的像素集合,综合考虑像元邻域范围的光谱特征和空间特征。
由于用于变化信息提取的影像复杂、地物多样,单一的方法往往难以达到自动化的变化信息提取,结果可靠性难以保证,且深度学习的变化检测受到样本局限性大,样本质量直接影响模型的检测效果。
发明内容
本发明针对现有技术中存在的技术问题,提供一种新增建设用地自动提取方法及自动提取系统。
根据本发明的第一方面,提供了一种新增建设用地自动提取方法,包括:从国土调查数据库中的历史建设用地图层中提取历史非建设用地图斑;将当前遥感影像分别输入预设的第一深度学习模型和第二深度学习模型,获取所述第一深度学习模型输出的建筑物预测概率图和所述第二深度学习模型输出的道路预测概率图;对建筑物预测概率图和所述道路预测概率图进行二值化分割,获取建筑物二值栅格图和道路二值栅格图;对建筑物二值栅格图和所述道路二值栅格图进行矢量化并融合,得到当前建设用地矢量图斑;对历史非建设用地图斑和所述当前建设用地矢量图斑进行空间叠置分析,获取当前新增建设用地图斑。
在上述技术方案的基础上,本发明还可以作出如下改进。
可选的,所述从国土调查数据库中的历史建设用地图层中提取历史非建设用地图斑,包括:从国土调查数据库中提取历史建设用地图层,使用建设用地图斑进行反切,生成历史非建设用地图斑。
可选的,所述预设的第一深度学习模型和第二深度学习模型通过如下方式训练得到:基于历史的新增建设用地图斑和对应影像,对影像中的建筑物和道路进行裁切,生成预设大小的影像切片,并标记影像切片对应的标签,所述标签为二值化栅格数据,用来表征所述影像切片中的新增建设用地类型为建筑物或道路;利用第一初始深度学习模型以及第二初始深度学习模型对所有的影像切片进行建筑物和道路的识别,得到建筑物二值化栅格数据和道路二值化栅格数据;将标记的影像切片的新增建筑物二值化栅格数据、新增道路二值化栅格数据与通过所述第一初始深度学习模型和所述第二初始深度学习模型识别的影像切片的建筑物二值化栅格数据、道路二值化栅格数据进行融合,得到融合后的建筑物二值化栅格数据和道路二值化栅格数据;基于融合后的建筑物二值化栅格数据和道路二值化栅格数据分别对所述第一初始深度学习模型和所述第二初始深度学习模型进行优化训练,得到预设的第一深度学习模型和第二深度学习模型。
可选的,所述对所述建筑物预测概率图和所述道路预测概率图进行二值化分割,获取建筑物二值栅格图和道路二值栅格图,包括:基于最大类间方差法Otsu算法,对所述建筑物预测概率图和所述道路预测概率图进行二值分割,得到分为前景和背景的二值栅格图,得到建筑物二值栅格图和道路二值栅格图;相应的,对所述建筑物二值栅格图和所述道路二值栅格图进行矢量化并融合,得到当前建设用地矢量图斑,包括:对建筑物二值栅格图和所述道路二值栅格图进行融合,得到融合二值栅格图,且对所述融合二值栅格图中的建筑物和道路分别进行标记;对融合二值栅格图进行矢量化,生成当前建设用地矢量图斑。
可选的,所述基于最大类间方差法Otsu算法,对所述建筑物预测概率图和所述道路预测概率图进行二值分割,包括:基于如下公式遍历分割阈值T,得到使类间方差g最大的分割阈值T值,为最佳分割阈值;
g=w0(μ-μ0)2+w1(μ-μ1)2;
其中,w1、w0分别为前景像素点和背景像素点占整幅图像的比例,前景像素点和背景像素点的平均灰度值分别为μ1、μ0,图像总平均灰度值为μ,类间方差为g;基于最佳分割阈值对所述建筑物预测概率图和所述道路预测概率图进行二值分割,得到分为前景和背景的二值栅格图,进而得到建筑物二值栅格图和道路二值栅格图。
可选的,所述对所述建筑物二值栅格图和所述道路二值栅格图进行矢量化,之后还包括:采用分水岭算法和Snake算法对所述建筑物二值栅格图和所述道路二值栅格图进行轮廓优化处理。
可选的,对历史非建设用地图斑和所述当前建设用地矢量图斑进行空间叠置分析,获取当前新增建设用地图斑,之后还包括:对于所述当前新增建设用地图斑中的建筑物矢量图斑,设置圆形度、最小面积去除不符合实际的图斑,以及,对于其中的道路矢量图斑,通过设置最小面积去除不符合实际的图斑。
可选的,对于所述当前新增建设用地图斑中的建筑物矢量图斑,设置圆形度、最小面积去除不符合实际的图斑,包括:设置圆形度c的取值范围,当建筑物矢量图斑的圆形度在取值范围内,则所述建筑物矢量图斑符合实际,保留所述建筑物矢量图斑;若不在取值范围内,则所述建筑物矢量图斑不符合实际,则剔除所述建筑物矢量图斑;其中,通过如下公式计算所述建筑物矢量图斑的圆形度:
其中,c为建筑物矢量图斑的圆形度,Ba为建筑物矢量图斑的面积,Bl为建筑物矢量图斑的周长,c越接近1,建筑物矢量图斑越接近圆形,c越接近0,建筑物矢量图斑形状越不规律;c的取值范围为0.50-0.90;
以及设置建筑物矢量图斑的最小面积,当建筑物矢量图斑的面积小于最小面积时,剔除所述建筑物矢量图斑;反之,当建筑物矢量图斑的面积大于最小面积时,保留所述建筑物矢量图斑。
根据本发明的第二方面,提供一种新增建设用地自动提取系统,包括:提取模块,用于从国土调查数据库中的历史建设用地图层中提取历史非建设用地图斑;获取模块,用于将当前遥感影像分别输入预设的第一深度学习模型和第二深度学习模型,获取所述第一深度学习模型输出的建筑物预测概率图和所述第二深度学习模型输出的道路预测概率图;分割模块,用于对所述建筑物预测概率图和所述道路预测概率图进行二值化分割,获取建筑物二值栅格图和道路二值栅格图;融合模块,用于对所述建筑物二值栅格图和所述道路二值栅格图进行矢量化并融合,得到当前建设用地矢量图斑;分析模块,用于对所述历史非建设用地图斑和所述当前建设用地矢量图斑进行空间叠置分析,获取当前新增建设用地图斑。
根据本发明的第三方面,提供了一种电子设备,包括存储器、处理器,所述处理器用于执行存储器中存储的计算机管理类程序时实现新增建设用地自动提取方法的步骤。
根据本发明的第四方面,提供了一种计算机可读存储介质,其上存储有计算机管理类程序,所述计算机管理类程序被处理器执行时实现新增建设用地自动提取方法的步骤。
本发明提供的一种新增建设用地自动提取方法及自动提取系统,从历史建设用地图层中提取历史非建设用地图斑;利用深度学习模型从当前遥感影像中识别出建筑物预测概率图和道路预测概率图;对预测概率图进行二值化分割,获取建筑物和道路二值栅格图,进行矢量化并融合,得到当前建设用地矢量图斑;对历史非建设用地图斑和当前建设用地矢量图斑进行空间叠置分析,获取当前新增建设用地图斑。充分利用国土调查数据库的图斑和影像,具有针对性地提出基于国土调查数据库的新增建设用地提取流程,利用当前建设用地提取结果与历史非建设用地图斑相结合的方式,以及利用多模型融合的技术提取新增建设用地,提高了新增建设用地图斑提取的准确性。
附图说明
图1为本发明提供的一种新增建设用地自动提取方法流程图;
图2为HRNet主干网络结构示意图;
图3为HRNet主干网络卷积运算示意图;
图4为HRNet主干网络的特征整合示意图;
图5(a)为当前建设用地矢量图斑示意图;
图5(b)为历史非建设用地图斑示意图;
图5(c)为新增建设用地图斑示意图;
图6为本发明提供的一种新增建设用地自动提取系统的结构示意图;
图7为本发明提供的一种可能的电子设备的硬件结构示意图;
图8为本发明提供的一种可能的计算机可读存储介质的硬件结构示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
图1为本发明提供的一种新增建设用地自动提取方法流程图,如图1所示,方法包括:101、从国土调查数据库中的历史建设用地图层中提取历史非建设用地图斑;102、将当前遥感影像分别输入预设的第一深度学习模型和第二深度学习模型,获取第一深度学习模型输出的建筑物预测概率图和第二深度学习模型输出的道路预测概率图;103、对建筑物预测概率图和所述道路预测概率图进行二值化分割,获取建筑物二值栅格图和道路二值栅格图;104、对建筑物二值栅格图和所述道路二值栅格图进行矢量化并融合,得到当前建设用地矢量图斑;105、对历史非建设用地图斑和当前建设用地矢量图斑进行空间叠置分析,获取当前新增建设用地图斑。
可以理解的是,基于背景技术中的缺陷,需要保证样本质量合格的前提下,将各种方法的优势进行结合,充分利用业务单位已有的多期、海量、多源的遥感数据和变化图斑数据,结合深度学习对遥感图像特征的强大抽取能力,解决新增建设用地图斑提取的准确性问题。
基于此,本发明提出了一种新增建设用地自动提取方法,从历史建设用地图层中提取历史非建设用地图斑;利用新增建设用地图斑和经过深度学习模型识别出的建设用地的融合数据作为样本对深度学习模型进行优化训练;利用优化后的深度学习模型从当前遥感影像中识别出建筑物预测概率图和道路预测概率图;对预测概率图进行二值化分割,获取建筑物和道路二值栅格图,进行矢量化并融合,得到当前建设用地矢量图斑;对历史非建设用地图斑和当前建设用地矢量图斑进行空间叠置分析,获取当前新增建设用地图斑。充分利用国土调查数据库的图斑和影像,具有针对性地提出基于国土调查数据库的新增建设用地提取流程,利用当前建设用地提取结果与历史非建设用地图斑相结合的方式,以及利用多模型融合的技术提取新增建设用地,提高了新增建设用地图斑提取的准确性。
在一种可能的实施例方式中,从国土调查数据库中的历史建设用地图层中提取历史非建设用地图斑,包括:从国土调查数据库中提取历史建设用地图层,使用建设用地图斑进行反切,生成历史非建设用地图斑。
具体的,从国土调查数据库中提取历史建设用地图层(JSYD),比如,去年的建设用地图层,使用各区县行政界线和建设用地图斑线反切,生成该区县非建设用地图斑。其中,在进行新增建设用地提取的过程中,可以分区域进行,也就是提取不同区域的新增建设用地。
对于历史建设用地图层,其中,历史的建设用地图斑信息一致的,因此,利用历史建设用地图斑线对历史用地图层进行反切操作,生成不同区域的历史非建设用地图斑。
在一种可能的实施例方式中,预设的第一深度学习模型和第二深度学习模型通过如下方式训练得到:基于历史的新增建设用地图斑和对应影像,对影像中的建筑物和道路进行裁切,生成预设大小的影像切片,并标记影像切片对应的标签,所述标签为二值化栅格数据,用来表征所述影像切片中的新增建设用地类型为建筑物或道路;利用第一初始深度学习模型以及第二初始深度学习模型对所有的影像切片进行建筑物和道路的识别,得到建筑物二值化栅格数据和道路二值化栅格数据;将标记的影像切片的新增建筑物二值化栅格数据、新增道路二值化栅格数据与通过所述第一初始深度学习模型和所述第二初始深度学习模型识别的影像切片的建筑物二值化栅格数据、道路二值化栅格数据进行融合,得到融合后的建筑物二值化栅格数据和道路二值化栅格数据;基于融合后的建筑物二值化栅格数据和道路二值化栅格数据分别对所述第一初始深度学习模型和所述第二初始深度学习模型进行优化训练,得到预设的第一深度学习模型和第二深度学习模型。
可以理解的是,对于当前的待提取新增建设用地的遥感影像,比如,今年的遥感影像,需要从今年的遥感影像中提取出新增建设用地。其中,建设用地包括多种不同类型的建设用地,比如,包括建筑物和道路。因此,将当前遥感影像分别输入训练后的两个深度学习模型,分别从当前遥感影像识别出建筑物预测概率图和道路预测概率图。
其中,对两个深度学习模型进行训练的过程为,利用现有的新增建设用地图斑和对应影像,对影像中的建筑物和道路进行样本裁切,得到新增建设用地周围一定范围内的512×512小切片样本,样本中包含影像切片和标签,标签标记出影像切片中新增建设用地的类型,本发明实施例的标签可表征影像切片中的新增建设用地是属于建筑物建设用地或者道路建设用地,此处标签为二值化栅格数据,通过二值化栅格数据可表征建设用地的位置区域,那么得到标记的建筑物二值化栅格数据和道路二值化栅格数据。
对于影像切片,分别用用第一初始深度学习模型和第二初始深度学习模型进行建筑物和道路解译,得到建筑物和道路二值化栅格数据。
由于标记的新增建筑物二值化栅格数据和新增道路二值化栅格数据通常比较准确,而通过第一初始深度学习模型和第二初始深度学习模型识别出的建筑物二值化栅格数据和道路二值化栅格数据通常不够准确,因此,将两者进行融合,提高建筑物二值化栅格数据和道路二值化栅格数据的准确性。其中,对于通过第一深度学习模型和第二深度学习模型识别出的建筑物二值化栅格数据和道路二值化栅格数据,还可以通过人工筛查的方式,提高识别的准确性。利用融合后的建筑物二值化栅格数据和道路二值化栅格数据,分别对第一初始深度学习模型和第二初始深度学习模型进行训练优化,得到优化训练后的第一深度学习模型和第二深度学习模型。
其中,第一深度学习模型和第二深度学习模型均为基于HRNet并行结构的语义分割模型,采用HRNet并行连接网络结构,将高分辨率与低分辨率的特征图层相融合,直接保持高分辨率的特征图层,有效保留图像的几何信息,并通过重复整合同级别、多层次的特征图层来完成多尺度特征整合操作,显著增强模型对上下文特征提取的能力,HRNet以高分辨率子网作为第一阶段,逐步增加高分辨率到低分辨率的子网,形成更多的阶段,并将多分辨率子网进行连接,通过在并行的多分辨率子网络上反复交换信息来实现多尺度的重复融合,其中,HRNet的网络结构如图2所示。
HRNet并行连接网络的最大特点是保持高分辨率特征图层的同时,进行多级别的特征整合,原理如图3和图4所示,其中,图3为HRNet并行连接网络的卷积运算示意图,其中,将特征X1、X2、X3和X4通过卷积后得到特征Y1、Y2、Y3和Y4,图4为HRNet并行连接网络的特征整合示意图,其中,对特征X1、X2、X3和X4进行整合得到特征Y1、Y2、Y3和Y4。
在一种可能的实施例方式中,对建筑物预测概率图和道路预测概率图进行二值化分割,获取建筑物二值栅格图和道路二值栅格图,包括:基于最大类间方差法Otsu算法,对所述建筑物预测概率图和所述道路预测概率图进行二值分割,得到分为前景和背景的二值栅格图,得到建筑物二值栅格图和道路二值栅格图;相应的,对建筑物二值栅格图和所述道路二值栅格图进行矢量化并融合,得到当前建设用地矢量图斑,包括:对所述建筑物二值栅格图和所述道路二值栅格图进行融合,得到融合二值栅格图,且对融合二值栅格图中的建筑物和道路分别进行标记;对融合二值栅格图进行矢量化,生成当前建设用地矢量图斑。
可以理解的是,对于通过第一深度学习模型和第二深度学习模型识别出的建筑物二值栅格图和道路二值栅格图进行二值化分割,将其中的前景和背景分割开来。
具体的,采用最大类间方差法Otsu算法对二值栅格数据进行二值化分割,具体的处理步骤为,基于如下公式遍历分割阈值T,得到使类间方差g最大的分割阈值T值,为最佳分割阈值;
g=w0(μ-μ0)2+w1(μ-μ1)2;
其中,w1、w0分别为前景像素点和背景像素点占整幅图像的比例,前景像素点和背景像素点的平均灰度值分别为μ1、μ0,图像总平均灰度值为μ,类间方差为g;基于最佳分割阈值对所述建筑物预测概率图和所述道路预测概率图进行二值分割,得到分为前景和背景的二值栅格图,进而得到建筑物二值栅格图和道路二值栅格图。
可以理解的是,对分割阈值进行遍历,其中,对于每一个分割阈值T,可通过上述公式计算得到对应的类间方差g,取类间方差g最大的分割阈值T,该分割阈值T即为最佳分割阈值。基于该最佳分割阈值T,对建筑物二值栅格图和道路二值栅格图进行二值化分割,得到分为前景和背景的二值栅格图,进而得到建筑物二值栅格图和道路二值栅格图。
在一种可能的实施例方式中,对建筑物二值栅格图和所述道路二值栅格图进行矢量化,之后还包括:采用分水岭算法和Snake算法对所述建筑物二值栅格图和所述道路二值栅格图进行轮廓优化处理。
可以理解的是,对于分割出的建筑物二值栅格图和道路二值栅格图进行矢量化,对于矢量化后的建筑物二值栅格图和道路二值栅格图,采用分水岭算法和Snake算法进行轮廓优化处理。
具体的,采用分水岭算法对遥感影像进行处理,并利用梯度阈值进行限制来改善在分割过程中存在的过分破碎的缺陷。分水岭通常表现为图像边缘,因此一般用梯度图像代替原图进行分水岭变换,图像梯度计算采用如下公式:
式中:x、y分别为图像的横坐标值、纵坐标值;f(x,y)为图像坐标点与灰度值构成的映射函数;grad(f(x,y))为梯度函数。
对梯度图像使用阈值限制,可消除噪声和灰度的微小变化导致的过分割,从而获得适量的区域,再对这些区域边缘点的灰度级进行从低到高的排序,最后实现从低到高的淹没过程。对梯度图像进行阈值限制的公式如下:
g(x,y)=max(grad(f(x,y)),gmin);
式中:gmin为图像梯度阈值。
随后采用Snake算法结合高层特征和底层特征,通过迭代求取最佳轮廓位置,考虑原始影像的边缘和角点等特征信息,对建设用地矢量轮廓进行处理,使得到的建设用地矢量轮廓与建设用地本身边界更为贴合。
经过上述各实施例的处理方法,获取精确的当前建设用地图斑,历史非建设用地图斑和当前建设用地矢量图斑进行空间叠置分析,获取当前新增建设用地图斑。其中,空间叠置分析可实现两个或两个以上矢量数据的叠置计算并得到新的矢量,其属性包括原来两个或多个层面要素的所有属性。本发明实施例使用空间叠置分析中的交集操作来提取非建设用地矢量中新增的建设用地,可分别参见图5(a)、5(b)和5(c)。
在一种可能的实施例方式中,对历史非建设用地图斑和当前建设用地矢量图斑进行空间叠置分析,获取当前新增建设用地图斑,之后还包括:对于当前新增建设用地图斑中的建筑物矢量图斑,设置圆形度、最小面积去除不符合实际的图斑,以及,对于其中的道路矢量图斑,通过设置最小面积去除不符合实际的图斑。
可以理解的是,对于求解出来的新增建设用地图斑,新增建设用地存在形状各异的图斑,而建设用地本身轮廓具有特定的形状。对于建筑物矢量,通过经验值,设置圆形度、最小面积去除不符合实际的图斑,对道路矢量,通过最小面积去除不符合实际的图斑。
具体的,设置圆形度c的取值范围,当建筑物矢量图斑的圆形度在取值范围内,则所述建筑物矢量图斑符合实际,保留所述建筑物矢量图斑;若不在取值范围内,则所述建筑物矢量图斑不符合实际,则剔除所述建筑物矢量图斑。
其中,通过如下公式计算所述建筑物矢量图斑的圆形度:
其中,c为建筑物矢量图斑的圆形度,Ba为建筑物矢量图斑的面积,Bl为建筑物矢量图斑的周长,c越接近1,建筑物矢量图斑越接近圆形,c越接近0,建筑物矢量图斑形状越不规律;c的取值范围为0.50-0.90。
另外,还可以设置建筑物矢量图斑的最小面积,当建筑物矢量图斑的面积小于最小面积时,剔除所述建筑物矢量图斑;反之,当建筑物矢量图斑的面积大于最小面积时,保留所述建筑物矢量图斑。
对于新增建设用地图斑中的道路矢量图斑,也可以通过设置最小面积的方法剔除异常的道路矢量图斑,使得最终保留的道路矢量图斑的准确性。
图6为本发明实施例提供的一种新增建设用地自动提取系统结构图,如图6所示,一种新增建设用地自动提取系统,包括提取模块61、获取模块62、分割模块63、融合模块64和分析模块65,其中:
提取模块61,用于从国土调查数据库中的历史建设用地图层中提取历史非建设用地图斑;
获取模块62,用于将当前遥感影像分别输入预设的第一深度学习模型和第二深度学习模型,获取所述第一深度学习模型输出的建筑物预测概率图和所述第二深度学习模型输出的道路预测概率图;
分割模块63,用于对所述建筑物预测概率图和所述道路预测概率图进行二值化分割,获取建筑物二值栅格图和道路二值栅格图;
融合模块64,用于对所述建筑物二值栅格图和所述道路二值栅格图进行矢量化并融合,得到当前建设用地矢量图斑;
分析模块65,用于对所述历史非建设用地图斑和所述当前建设用地矢量图斑进行空间叠置分析,获取当前新增建设用地图斑。
可以理解的是,本发明提供的一种新增建设用地自动提取系统与前述各实施例提供的新增建设用地自动提取方法相对应,新增建设用地自动提取系统的相关技术特征可参考新增建设用地自动提取方法的相关技术特征,在此不再赘述。
请参阅图7,图7为本发明实施例提供的电子设备的实施例示意图。如图7所示,本发明实施例提了一种电子设备700,包括存储器710、处理器720及存储在存储器710上并可在处理器720上运行的计算机程序711,处理器720执行计算机程序711时实现以下步骤:从国土调查数据库中的历史建设用地图层中提取历史非建设用地图斑;将当前遥感影像分别输入预设的第一深度学习模型和第二深度学习模型,获取所述第一深度学习模型输出的建筑物预测概率图和所述第二深度学习模型输出的道路预测概率图;对建筑物预测概率图和所述道路预测概率图进行二值化分割,获取建筑物二值栅格图和道路二值栅格图;对建筑物二值栅格图和所述道路二值栅格图进行矢量化并融合,得到当前建设用地矢量图斑;对历史非建设用地图斑和所述当前建设用地矢量图斑进行空间叠置分析,获取当前新增建设用地图斑。
请参阅图8,图8为本发明提供的一种计算机可读存储介质的实施例示意图。如图8所示,本实施例提供了一种计算机可读存储介质800,其上存储有计算机程序811,该计算机程序811被处理器执行时实现如下步骤:从国土调查数据库中的历史建设用地图层中提取历史非建设用地图斑;将当前遥感影像分别输入预设的第一深度学习模型和第二深度学习模型,获取所述第一深度学习模型输出的建筑物预测概率图和所述第二深度学习模型输出的道路预测概率图;对建筑物预测概率图和所述道路预测概率图进行二值化分割,获取建筑物二值栅格图和道路二值栅格图;对建筑物二值栅格图和所述道路二值栅格图进行矢量化并融合,得到当前建设用地矢量图斑;对历史非建设用地图斑和所述当前建设用地矢量图斑进行空间叠置分析,获取当前新增建设用地图斑。
本发明实施例提供的一种新增建设用地自动提取方法及自动提取系统,从历史建设用地图层中提取历史非建设用地图斑;利用深度学习模型从当前遥感影像中识别出建筑物预测概率图和道路预测概率图;对预测概率图进行二值化分割,获取建筑物和道路二值栅格图,进行矢量化并融合,得到当前建设用地矢量图斑;对历史非建设用地图斑和当前建设用地矢量图斑进行空间叠置分析,获取当前新增建设用地图斑。本发明充分利用国土调查数据的图斑和影像,具有针对性地提出基于国土调查数据库的新增建设用地提取流程,利用当前建设用地提取结果与历史非建设用地图斑相结合的方式,以及利用多模型融合的技术提取新增建设用地,提高了新增建设用地图斑提取的准确性。
需要说明的是,在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详细描述的部分,可以参见其它实施例的相关描述。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (10)
1.一种新增建设用地自动提取方法,其特征在于,包括:
从国土调查数据库中的历史建设用地图层中提取历史非建设用地图斑;
将当前遥感影像分别输入预设的第一深度学习模型和第二深度学习模型,获取所述第一深度学习模型输出的建筑物预测概率图和所述第二深度学习模型输出的道路预测概率图;
对所述建筑物预测概率图和所述道路预测概率图进行二值化分割,获取建筑物二值栅格图和道路二值栅格图;
对所述建筑物二值栅格图和所述道路二值栅格图进行矢量化并融合,得到当前建设用地矢量图斑;
对所述历史非建设用地图斑和所述当前建设用地矢量图斑进行空间叠置分析,获取当前新增建设用地图斑。
2.根据权利要求1所述的新增建设用地自动提取方法,其特征在于,所述从国土调查数据库中的历史建设用地图层中提取历史非建设用地图斑,包括:
从国土调查数据库中提取历史建设用地图层,使用建设用地图斑进行反切,生成历史非建设用地图斑。
3.根据权利要求1所述的新增建设用地自动提取方法,其特征在于,所述预设的第一深度学习模型和第二深度学习模型通过如下方式训练得到:
基于历史的新增建设用地图斑和对应影像,对影像中的建筑物和道路进行裁切,生成预设大小的影像切片,并标记影像切片对应的标签,所述标签为二值化栅格数据,用来表征所述影像切片中的新增建设用地类型为建筑物或道路;
利用第一初始深度学习模型以及第二初始深度学习模型对所有的影像切片进行建筑物和道路的识别,得到建筑物二值化栅格数据和道路二值化栅格数据;
将标记的影像切片的新增建筑物二值化栅格数据、新增道路二值化栅格数据与通过所述第一初始深度学习模型和所述第二初始深度学习模型识别的影像切片的建筑物二值化栅格数据、道路二值化栅格数据进行融合,得到融合后的建筑物二值化栅格数据和道路二值化栅格数据;
基于融合后的建筑物二值化栅格数据和道路二值化栅格数据分别对所述第一初始深度学习模型和所述第二初始深度学习模型进行优化训练,得到预设的第一深度学习模型和第二深度学习模型。
4.根据权利1所述的建设用地自动提取方法,其特征在于,所述对所述建筑物预测概率图和所述道路预测概率图进行二值化分割,获取建筑物二值栅格图和道路二值栅格图,包括:
基于最大类间方差法Otsu算法,对所述建筑物预测概率图和所述道路预测概率图进行二值分割,得到分为前景和背景的二值栅格图,得到建筑物二值栅格图和道路二值栅格图;
相应的,对所述建筑物二值栅格图和所述道路二值栅格图进行矢量化并融合,得到当前建设用地矢量图斑,包括:
对所述建筑物二值栅格图和所述道路二值栅格图进行融合,得到融合二值栅格图,且对所述融合二值栅格图中的建筑物和道路分别进行标记;
对所述融合二值栅格图进行矢量化,生成当前建设用地矢量图斑。
6.根据权利要求1所述的新增建设用地自动提取方法,其特征在于,所述对所述建筑物二值栅格图和所述道路二值栅格图进行矢量化,之后还包括:
采用分水岭算法和Snake算法对所述建筑物二值栅格图和所述道路二值栅格图进行轮廓优化处理。
7.根据权利要求1所述的新增建设用地自动提取方法,其特征在于,对所述历史非建设用地图斑和所述当前建设用地矢量图斑进行空间叠置分析,获取当前新增建设用地图斑,之后还包括:
对于所述当前新增建设用地图斑中的建筑物矢量图斑,设置圆形度、最小面积去除不符合实际的图斑,以及,对于其中的道路矢量图斑,通过设置最小面积去除不符合实际的图斑。
8.根据权利要求7所述的新增建设用地自动提取方法,其特征在于,对于所述当前新增建设用地图斑中的建筑物矢量图斑,设置圆形度、最小面积去除不符合实际的图斑,包括:
设置圆形度c的取值范围,当建筑物矢量图斑的圆形度在取值范围内,则所述建筑物矢量图斑符合实际,保留所述建筑物矢量图斑;若不在取值范围内,则所述建筑物矢量图斑不符合实际,则剔除所述建筑物矢量图斑;
其中,通过如下公式计算所述建筑物矢量图斑的圆形度:
其中,c为建筑物矢量图斑的圆形度,Ba为建筑物矢量图斑的面积,Bl为建筑物矢量图斑的周长,c越接近1,建筑物矢量图斑越接近圆形,c越接近0,建筑物矢量图斑形状越不规律;c的取值范围为0.50-0.90;
以及设置建筑物矢量图斑的最小面积,当建筑物矢量图斑的面积小于最小面积时,剔除所述建筑物矢量图斑;反之,当建筑物矢量图斑的面积大于最小面积时,保留所述建筑物矢量图斑。
9.一种新增建设用地自动提取系统,其特征在于,包括:
提取模块,用于从国土调查数据库中的历史建设用地图层中提取历史非建设用地图斑;
获取模块,用于将当前遥感影像分别输入预设的第一深度学习模型和第二深度学习模型,获取所述第一深度学习模型输出的建筑物预测概率图和所述第二深度学习模型输出的道路预测概率图;
分割模块,用于对所述建筑物预测概率图和所述道路预测概率图进行二值化分割,获取建筑物二值栅格图和道路二值栅格图;
融合模块,用于对所述建筑物二值栅格图和所述道路二值栅格图进行矢量化并融合,得到当前建设用地矢量图斑;
分析模块,用于对所述历史非建设用地图斑和所述当前建设用地矢量图斑进行空间叠置分析,获取当前新增建设用地图斑。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机管理类程序,所述计算机管理类程序被处理器执行时实现如权利要求1-8任一项所述的新增建设用地自动提取方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111130258.XA CN113807301B (zh) | 2021-09-26 | 2021-09-26 | 一种新增建设用地自动提取方法及自动提取系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111130258.XA CN113807301B (zh) | 2021-09-26 | 2021-09-26 | 一种新增建设用地自动提取方法及自动提取系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113807301A true CN113807301A (zh) | 2021-12-17 |
CN113807301B CN113807301B (zh) | 2024-06-07 |
Family
ID=78938672
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111130258.XA Active CN113807301B (zh) | 2021-09-26 | 2021-09-26 | 一种新增建设用地自动提取方法及自动提取系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113807301B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114972440A (zh) * | 2022-06-21 | 2022-08-30 | 江西省国土空间调查规划研究院 | 用于国土调查的es数据库图斑对象链式追踪方法 |
CN115994987A (zh) * | 2023-03-21 | 2023-04-21 | 天津市勘察设计院集团有限公司 | 基于倾斜三维模型的农村建筑物提取及矢量化方法 |
CN117237780A (zh) * | 2023-11-15 | 2023-12-15 | 人工智能与数字经济广东省实验室(深圳) | 多维数据特征图构建方法、系统、智能终端和介质 |
CN117633137A (zh) * | 2023-12-12 | 2024-03-01 | 华东交通大学 | 基于深度学习的地图数据分析提取方法及系统 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855487A (zh) * | 2012-08-27 | 2013-01-02 | 南京大学 | 高分辨率遥感图像新增建设用地变化图斑自动提取的方法 |
CN103971115A (zh) * | 2014-05-09 | 2014-08-06 | 中国科学院遥感与数字地球研究所 | 一种基于NDVI和PanTex指数的高分辨率遥感影像新增建设用地图斑自动提取方法 |
CN106940782A (zh) * | 2016-01-05 | 2017-07-11 | 程博 | 基于变差函数的高分sar新增建设用地提取软件 |
JP2019028657A (ja) * | 2017-07-28 | 2019-02-21 | 株式会社パスコ | 建物領域抽出用の学習済みモデル |
CN109446992A (zh) * | 2018-10-30 | 2019-03-08 | 苏州中科天启遥感科技有限公司 | 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 |
CN110298348A (zh) * | 2019-06-12 | 2019-10-01 | 苏州中科天启遥感科技有限公司 | 遥感影像建筑物样本区域提取方法及系统、存储介质、设备 |
CN110472661A (zh) * | 2019-07-10 | 2019-11-19 | 北京吉威数源信息技术有限公司 | 基于历史本底和现时遥感影像的自动变化检测方法和系统 |
CN111160127A (zh) * | 2019-12-11 | 2020-05-15 | 中国资源卫星应用中心 | 一种基于深度卷积神经网络模型的遥感影像处理及检测方法 |
US20200200548A1 (en) * | 2018-12-20 | 2020-06-25 | Qatar Foundation For Education, Science And Community Development | Mapping system and method |
CN111339948A (zh) * | 2020-02-25 | 2020-06-26 | 武汉大学 | 一种高分辨率遥感影像新增建筑自动识别方法 |
CN111582043A (zh) * | 2020-04-15 | 2020-08-25 | 电子科技大学 | 基于多任务学习的高分辨率遥感影像地物变化检测方法 |
CN111881801A (zh) * | 2020-07-22 | 2020-11-03 | 中国测绘科学研究院 | 基于不变检测策略的新增建设用地遥感监测方法及设备 |
CN112183416A (zh) * | 2020-09-30 | 2021-01-05 | 北京吉威数源信息技术有限公司 | 一种基于深度学习方法的新增建设用地自动提取方法 |
US20210166020A1 (en) * | 2019-06-25 | 2021-06-03 | Southeast University | Method and apparatus for extracting mountain landscape buildings based on high-resolution remote sensing images |
CN112967286A (zh) * | 2021-05-19 | 2021-06-15 | 航天宏图信息技术股份有限公司 | 一种新增建设用地检测方法及装置 |
CN113158807A (zh) * | 2021-03-24 | 2021-07-23 | 中科北纬(北京)科技有限公司 | 一种遥感影像的模型自训练和优化系统 |
CN113191213A (zh) * | 2021-04-12 | 2021-07-30 | 桂林电子科技大学 | 一种高分辨率遥感影像新增建筑物检测方法 |
-
2021
- 2021-09-26 CN CN202111130258.XA patent/CN113807301B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855487A (zh) * | 2012-08-27 | 2013-01-02 | 南京大学 | 高分辨率遥感图像新增建设用地变化图斑自动提取的方法 |
CN103971115A (zh) * | 2014-05-09 | 2014-08-06 | 中国科学院遥感与数字地球研究所 | 一种基于NDVI和PanTex指数的高分辨率遥感影像新增建设用地图斑自动提取方法 |
CN106940782A (zh) * | 2016-01-05 | 2017-07-11 | 程博 | 基于变差函数的高分sar新增建设用地提取软件 |
JP2019028657A (ja) * | 2017-07-28 | 2019-02-21 | 株式会社パスコ | 建物領域抽出用の学習済みモデル |
CN109446992A (zh) * | 2018-10-30 | 2019-03-08 | 苏州中科天启遥感科技有限公司 | 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 |
US20200200548A1 (en) * | 2018-12-20 | 2020-06-25 | Qatar Foundation For Education, Science And Community Development | Mapping system and method |
CN110298348A (zh) * | 2019-06-12 | 2019-10-01 | 苏州中科天启遥感科技有限公司 | 遥感影像建筑物样本区域提取方法及系统、存储介质、设备 |
US20210166020A1 (en) * | 2019-06-25 | 2021-06-03 | Southeast University | Method and apparatus for extracting mountain landscape buildings based on high-resolution remote sensing images |
CN110472661A (zh) * | 2019-07-10 | 2019-11-19 | 北京吉威数源信息技术有限公司 | 基于历史本底和现时遥感影像的自动变化检测方法和系统 |
CN111160127A (zh) * | 2019-12-11 | 2020-05-15 | 中国资源卫星应用中心 | 一种基于深度卷积神经网络模型的遥感影像处理及检测方法 |
CN111339948A (zh) * | 2020-02-25 | 2020-06-26 | 武汉大学 | 一种高分辨率遥感影像新增建筑自动识别方法 |
CN111582043A (zh) * | 2020-04-15 | 2020-08-25 | 电子科技大学 | 基于多任务学习的高分辨率遥感影像地物变化检测方法 |
CN111881801A (zh) * | 2020-07-22 | 2020-11-03 | 中国测绘科学研究院 | 基于不变检测策略的新增建设用地遥感监测方法及设备 |
CN112183416A (zh) * | 2020-09-30 | 2021-01-05 | 北京吉威数源信息技术有限公司 | 一种基于深度学习方法的新增建设用地自动提取方法 |
CN113158807A (zh) * | 2021-03-24 | 2021-07-23 | 中科北纬(北京)科技有限公司 | 一种遥感影像的模型自训练和优化系统 |
CN113191213A (zh) * | 2021-04-12 | 2021-07-30 | 桂林电子科技大学 | 一种高分辨率遥感影像新增建筑物检测方法 |
CN112967286A (zh) * | 2021-05-19 | 2021-06-15 | 航天宏图信息技术股份有限公司 | 一种新增建设用地检测方法及装置 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114972440A (zh) * | 2022-06-21 | 2022-08-30 | 江西省国土空间调查规划研究院 | 用于国土调查的es数据库图斑对象链式追踪方法 |
CN114972440B (zh) * | 2022-06-21 | 2024-03-08 | 江西省国土空间调查规划研究院 | 用于国土调查的es数据库图斑对象链式追踪方法 |
CN115994987A (zh) * | 2023-03-21 | 2023-04-21 | 天津市勘察设计院集团有限公司 | 基于倾斜三维模型的农村建筑物提取及矢量化方法 |
CN117237780A (zh) * | 2023-11-15 | 2023-12-15 | 人工智能与数字经济广东省实验室(深圳) | 多维数据特征图构建方法、系统、智能终端和介质 |
CN117237780B (zh) * | 2023-11-15 | 2024-03-15 | 人工智能与数字经济广东省实验室(深圳) | 多维数据特征图构建方法、系统、智能终端和介质 |
CN117633137A (zh) * | 2023-12-12 | 2024-03-01 | 华东交通大学 | 基于深度学习的地图数据分析提取方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113807301B (zh) | 2024-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113807301B (zh) | 一种新增建设用地自动提取方法及自动提取系统 | |
CN109409263B (zh) | 一种基于Siamese卷积网络的遥感影像城市地物变化检测方法 | |
CN106778605B (zh) | 导航数据辅助下的遥感影像道路网自动提取方法 | |
CN111709420B (zh) | 文本检测方法、电子设备及计算机可读介质 | |
CN108986122B (zh) | 室内泊车引导地图智能重构方法 | |
Li et al. | Automatic pavement crack recognition based on BP neural network | |
Liu et al. | Main road extraction from zy-3 grayscale imagery based on directional mathematical morphology and vgi prior knowledge in urban areas | |
WO2007001314A2 (en) | Automatically and accurately conflating road vector data, street maps, and orthoimagery | |
CN111028255A (zh) | 基于先验信息与深度学习的农田区域预筛选方法及装置 | |
CN110008900B (zh) | 一种由区域到目标的可见光遥感图像候选目标提取方法 | |
CN111369526B (zh) | 基于半监督深度学习的多类型旧桥裂痕识别方法 | |
CN115239644B (zh) | 混凝土缺陷识别方法、装置、计算机设备和存储介质 | |
Sun et al. | Roads and Intersections Extraction from High‐Resolution Remote Sensing Imagery Based on Tensor Voting under Big Data Environment | |
CN113240623A (zh) | 一种路面病害检测方法及装置 | |
CN115661765A (zh) | 一种路面病害检测方法 | |
Baluyan et al. | Novel approach for rooftop detection using support vector machine | |
CN116403109A (zh) | 一种基于改进神经网络的建筑物识别与提取方法及系统 | |
CN112132892B (zh) | 目标位置标注方法、装置及设备 | |
GB2556328A (en) | Street asset mapping | |
CN113378642A (zh) | 一种对农村违法占地建筑物进行检测的方法 | |
CN113487638A (zh) | 高精度语义分割算法U2-net的地物边缘检测方法 | |
Eken et al. | An automated technique to determine spatio-temporal changes in satellite island images with vectorization and spatial queries | |
CN116958837A (zh) | 基于无人机的市政设施故障检测系统 | |
CN111967460B (zh) | 文本检测方法、装置、电子设备及计算机存储介质 | |
CN114512052A (zh) | 融合遥感影像和轨迹数据的分歧合流路口生成方法及装置 |
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 |