CN114241303B - 一种基于计算机视觉技术的流域下垫面特征提取方法 - Google Patents
一种基于计算机视觉技术的流域下垫面特征提取方法 Download PDFInfo
- Publication number
- CN114241303B CN114241303B CN202111475722.9A CN202111475722A CN114241303B CN 114241303 B CN114241303 B CN 114241303B CN 202111475722 A CN202111475722 A CN 202111475722A CN 114241303 B CN114241303 B CN 114241303B
- Authority
- CN
- China
- Prior art keywords
- data
- underlying surface
- watershed
- pixels
- image
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 17
- 238000005516 engineering process Methods 0.000 title claims abstract description 11
- 239000013598 vector Substances 0.000 claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 230000002776 aggregation Effects 0.000 claims abstract description 7
- 238000004220 aggregation Methods 0.000 claims abstract description 7
- 239000002689 soil Substances 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000011160 research Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于计算机视觉技术的流域下垫面特征提取方法,包括以下步骤:1)流域下垫面数据的收集与预处理;2)下垫面数据转换为灰度图;3)基于颜色聚合向量进行颜色特征提取;4)基于图像矩进行形状特征提取;5)基于局部二值模式进行纹理特征提取;6)流域下垫面特征向量集合构建。不同于以往采用统计值或者特征指数、系数的流域下垫面表达方式,本发明提出一种利用计算机视觉技术提取流域下垫面特征的方法,能够将流域下垫面特征以特征向量的形式进行表达,从而包含更多特征信息,尤其是避免了特征提取过程中空间信息的丢失,是一种更加准确和快速的下垫面特征提取和表达方法。
Description
技术领域
本发明属于水利工程技术领域,尤其涉及水文地理技术领域,具体为一种基于计算机视觉技术的流域下垫面特征提取方法。
背景技术
流域下垫面条件是其水文过程的决定性因素之一,因而流域下垫面特征的准确刻画是流域产汇流机制研究、水文过程模拟和洪水预报等工作的重要基础。
目前,流域下垫面特征通常有两种表达方式:其一是统计值,如流域平均高程、平均坡度、平均土壤深度、森林覆盖率等;其二是基于基本特征分析获得的指数或系数,如陡度指数、地形指数等。这两类特征表达方式均会带来空间信息丢失的问题。
发明内容
本发明的目的在于提出一种基于计算机视觉技术的流域下垫面特征提取方法,区别于以往的下垫面特征表达方法,本方法能够将下垫面信息转化为特征向量,避免空间信息的丢失。本发明的目的是通过以下技术方案实现的:
本发明的目的是这样实现的:
一种基于计算机视觉技术的流域下垫面特征提取方法,包括以下步骤:
1)流域下垫面数据的收集与预处理:所述下垫面数据包括数字高程数据、土地利用数据、土壤数据、归一化植被指数数据;
2)下垫面数据转换为灰度图;
3)基于颜色聚合向量进行颜色特征提取,包括以下步骤:
3-1读取各下垫面灰度图的数据,设置组数K,基于图像灰度值的最大、最小值和组数进行灰度级划分,以等间距方式将灰度值划分为K个灰度级,即K个灰度区间,并由小至大1至K进行编号;
3-2依据步骤3-1中得到的灰度区间对图像灰度值进行量化,将落入各灰度区间的灰度值设置为灰度级编号,得到量化灰度图;
3-3划分连通区域,基于步骤3-2中得到的量化灰度图进行连通性分析,根据像素间的连通性将图像划分为若干连通区域,对于任意两个具有相同量化灰度值的像素点,若之间存在通路,则属于同一个连通区域;
3-4判断聚合性,设置阈值ThC,分析步骤3-3中获得的连通区域,若连通区域所含像素点数量超过ThC,则其中的像素点均为聚合像素,否则为非聚合像素;
3-5统计各灰度级包含的聚合像素个数和非聚合像素个数,计算颜色特征向量C如下式所示:
式中,Ai为第i个像素区间内聚合像素的个数,Bi为第i个像素区间内非聚合像素的个数,M为总像素个数;
4)基于图像矩进行形状特征提取,包括以下步骤:
将图像的像素坐标看作二维随机变量(X,Y),像素点的值看作概率密度,用二维灰度概率密度函数f(x,y)表达灰度图,对于大小为(M,N)的灰度图,其p+q阶空间矩和中心矩分别定义为:
对各阶中心矩进行归一化处理,见下式:
式中,μ00为零阶中心矩,
在此基础上,计算7个不变矩,形式如下:
将7个不变矩组成特征向量,作为流域下垫面的形状特征表达,形式如下:
S=[φ1,φ2,φ3,φ4,φ5,φ6,φ7] (6)
5)基于局部二值模式进行纹理特征提取;
6)流域下垫面特征集合构建:
构建流域下垫面特征集合,按照步骤3)的方法提取流域数字高程数据、土地利用数据、土壤数据、归一化植被指数数据的颜色特征向量;按照步骤4)的方法提取流域的形状特征向量;按照步骤5)的方法提取流域的数字高程数据、坡度数据和流向数据的纹理特征向量;将三类8种特征向量组成特征向量集合,综合表达流域的下垫面特征。
进一步的优化,步骤1)包括以下步骤:
1-1收集研究区域的下垫面数据,数据形式为栅格数据,调整栅格数据的空间分辨率;
1-2对数字高程数据进行预处理,数字高程数据的预处理为流域流向和坡度的分析,其中流向计算采用D8算法,坡度值以百分比法表示;
1-3对土地利用数据进行预处理,对土地利用数据的预处理为将土地利用类型映射至SCS-CN值,以表达各土地利用类型的产流能力;
1-4对归一化植被指数数据进行预处理,对归一化植被指数数据的预处理为在时间尺度上的处理,在时间尺度的预处理包括进行平均化处理。
进一步的优化,步骤2)的具体操作为:将栅格数据转换为单通道灰度图,根据值域的不同,分别存储为8位PNG格式或16位TIFF格式。
进一步的优化,步骤5)包括以下步骤:
5-1首先定义局部二值模式LBP算子邻域,定义在圆形邻域上的算子通过设定邻域灰度值个数P值和控制半径R值计算其邻域灰度值坐标,对于灰度值为gc的像素点(x,y),其邻域灰度值gl,R的坐标为(x-Rsin(2πl/P),y+Rcos(2πl/P))(l=0,1,...,P-1),若此坐标与像素点坐标吻合,则采用像素点灰度值,若不完全吻合,则使用双线性插值计算;
5-2采用下式,计算像素点(x,y)的LBP值,即为灰度不变LBP算子,记为LBPP,R,
式中,s(θ)为二值函数,形式如下:
5-3采用下式计算旋转不变LBP算子:
式中,ROR(θ,i)函数代表对LBPP,R的二值模式进行i次右移位;
5-5统计各二值模式出现的频率{p1,p2,...,pk,...,pK},其中K=P+2,得到直方图LBP直方图,计算累积频率{0,p1,p1+p2,...,p1+p2+...+pk,...,1},以此作为下垫面的纹理特征向量:
L=[0,p1,p1+p2,...,p1+p2+...+pk,...,1] (12)
式中,pk代表第k种二值模式出现的频率,特征向量的维度为P+3,P为邻域像素点个数。
本发明的优点和有益效果是:
本发明公开的一种利用计算机视觉技术将空间分布多样性较强的下垫面数据转化为特征向量的方法,相对于单值,特征向量包含更为丰富的信息,能够有效地避免空间信息丢失的问题,能够更加准确、充分和快速地对流域下垫面特征进行刻画。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1为本发明方法流程示意图。
图2为局部二值模式邻域定义示意图。
图3为数字高程数据灰度图。
图4为土地利用数据灰度图。
图5为土壤数据灰度图。
图6为归一化植被指数数据灰度图。
图7为坡度数据灰度图。
图8为流向数据灰度图。
具体实施方式
实施例1:
1)流域下垫面数据的收集与预处理。
1-1收集研究区域的下垫面数据,包括但不限于数字高程数据、土地利用数据、土壤数据、归一化植被指数数据。数据形式为栅格数据,栅格数据的空间分辨率理论上以越高越优,可视流域面积大小适当调整,空间分辨率过低易导致特征提取效果不佳。
1-2对数字高程数据进行预处理,数字高程数据的预处理主要为流域流向和坡度的分析,其中流向计算采用D8算法,坡度值以百分比法表示;
1-3对土地利用数据进行预处理,对土地利用数据的预处理主要为将土地利用类型映射至SCS-CN值,以表达各土地利用类型的产流能力,映射表见表1。
表1土地利用类型映射表
1-4对归一化植被指数数据进行预处理,对归一化植被指数数据的预处理主要为在时间尺度上的处理,通常归一化植被指数数据为逐月数据,可根据实际需求在时间尺度上进行平均化或采取其他统计处理方式。
2)下垫面数据转换为灰度图;将栅格数据转换为单通道灰度图,根据值域的不同,分别存储为8位PNG格式或16位TIFF格式。
3)基于颜色聚合向量的颜色特征提取。
3-1读取各下垫面灰度图的数据,设置组数K,基于图像灰度值的最大、最小值和组数进行灰度级划分,以等间距方式将灰度值划分为K个灰度级,即K个灰度区间,并由小至大1至K进行编号;
3-2依据步骤3-1中得到的灰度区间对图像灰度值进行量化,将落入各灰度区间的灰度值设置为灰度级编号;
3-3划分连通区域,基于3-2中得到的量化灰度图进行连通性分析,根据像素间的连通性将图像划分为若干连通区域,对于任意两个具有相同量化灰度值的像素点,若之间存在通路,则属于同一个连通区域;像素点的相邻像素指其周围8个像素点;
3-4判断聚合性,设置阈值ThC,分析步骤3-3中获得的连通区域,若连通区域所含像素点数量超过ThC,则其中的像素点均为聚合像素,否则为非聚合像素;
3-5统计各灰度级包含的聚合像素个数和非聚合像素个数,计算颜色特征向量如下式所示。
式中,Ai为第i个像素区间内聚合像素的个数,Bi为第i个像素区间内非聚合像素的个数,M为总像素个数。
4)基于图像矩的形状特征提取。
将图像的像素坐标看作二维随机变量(X,Y),像素点的值看作概率密度,则可用二维灰度概率密度函数f(x,y)表达灰度图。对于大小为(M,N)的灰度图,其p+q阶空间矩和中心矩分别定义为:
对各阶中心矩进行归一化处理,见下式:
式中,μ00为零阶中心矩。
在此基础上,计算7个不变矩,形式如下:
将7个不变矩组成特征向量,作为流域下垫面的形状特征表达,形式如下:
S=[φ1,φ2,φ3,φ4,φ5,φ6,φ7] (6)
5)基于局部二值模式的纹理特征提取。
5-1首先定义局部二值模式LBP算子邻域,定义在圆形邻域上的算子通过设定邻域灰度值个数P值和控制半径R值计算其邻域灰度值坐标,对于灰度值为gc的像素点(x,y),其邻域灰度值gl,R的坐标为(x-Rsin(2πl/P),y+Rcos(2πl/P))(l=0,1,...,P-1),若此坐标与像素点坐标吻合,则采用像素点灰度值,若不完全吻合,则使用双线性插值计算;
5-2采用下式,计算像素点(x,y)的LBP值,即为灰度不变LBP算子,记为LBPP,R,
式中,s(θ)为二值函数,形式如下:
5-3采用下式计算旋转不变LBP算子:
式中,ROR(θ,i)函数代表对LBPP,R的二值模式进行i次右移位;
5-5统计各二值模式出现的频率{p1,p2,...,pk,...,pK},其中K=P+2,得到直方图LBP直方图,计算累积频率{0,p1,p1+p2,...,p1+p2+...+pk,...,1},以此作为下垫面的纹理特征向量:
L=[0,p1,p1+p2,...,p1+p2+...+pk,...,1] (12)
式中,pk代表第k种二值模式出现的频率,特征向量的维度为P+3,P为邻域像素点个数;6)流域下垫面特征集合构建。
构建流域下垫面特征集合,按照步骤3)介绍的方法提取流域数字高程数据、土地利用数据、土壤数据、归一化植被指数数据的颜色特征向量;按照步骤4)介绍的方法提取流域的形状特征向量;按照步骤5)介绍的方法提取流域的数字高程数据、坡度数据和流向数据的纹理特征向量;将三类8种特征向量组成特征向量集合,综合表达流域的下垫面特征。
本实施例中:
收集到清涧河流域的数字高程数据、土地利用数据、土壤数据、归一化植被指数数据,并基于数字高程数据分析获得坡度数据和流向数据,转换为单通道灰度图分别如图3至图8所示。
按照步骤3)介绍的方法提取流域数字高程数据、土地利用数据、土壤数据、归一化植被指数数据和坡度数据的颜色特征向量,其中K设置为5,数字高程数据ThC设置为100,土地利用数据ThC设置为10,土壤数据ThC设置为100,归一化植被指数数据ThC设置为200,坡度数据ThC设置为10;按照步骤4)介绍的方法提取流域的形状特征向量;按照步骤5)介绍的方法提取流域的数字高程数据、坡度数据和流向数据的纹理特征向量,其中P设置为8;将三类9种特征向量组成特征向量集合综合表达流域的下垫面特征,如下表所示。
表2流域下垫面特征向量集合
最后应说明的是,以上仅用以说明本发明的技术方案而非限制,尽管参照较佳布置方案对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围。
Claims (4)
1.一种基于计算机视觉技术的流域下垫面特征提取方法,其特征在于:包括以下步骤:
1)流域下垫面数据的收集与预处理:所述下垫面数据包括数字高程数据、土地利用数据、土壤数据、归一化植被指数数据;所述数据形式为栅格数据;
2)下垫面数据转换为灰度图:将栅格数据转换为单通道灰度图;
3)基于颜色聚合向量进行颜色特征提取,包括以下步骤:
3-1读取各下垫面灰度图的数据,设置组数K,基于图像灰度值的最大、最小值和组数进行灰度级划分,以等间距方式将灰度值划分为K个灰度级,即K个灰度区间,并由小至大1至K进行编号;
3-2依据步骤3-1中得到的灰度区间对图像灰度值进行量化,将落入各灰度区间的灰度值设置为灰度级编号,得到量化灰度图;
3-3划分连通区域,基于步骤3-2中得到的量化灰度图进行连通性分析,根据像素间的连通性将图像划分为若干连通区域,对于任意两个具有相同量化灰度值的像素点,若之间存在通路,则属于同一个连通区域;
3-4判断聚合性,设置阈值ThC,分析步骤3-3中获得的连通区域,若连通区域所含像素点数量超过ThC,则其中的像素点均为聚合像素,否则为非聚合像素;
3-5统计各灰度级包含的聚合像素个数和非聚合像素个数,计算颜色特征向量C如下式所示:
式中,Ai为第i个像素区间内聚合像素的个数,Bi为第i个像素区间内非聚合像素的个数,M为总像素个数;
4)基于图像矩进行形状特征提取,包括以下步骤:
将图像的像素坐标看作二维随机变量(X,Y),像素点的值看作概率密度,用二维灰度概率密度函数f(x,y)表达灰度图,对于大小为(M,N)的灰度图,其p+q阶空间矩和中心矩分别定义为:
对各阶中心矩进行归一化处理,见下式:
式中,μ00为零阶中心矩,
在此基础上,计算7个不变矩,形式如下:
将7个不变矩组成特征向量,作为流域下垫面的形状特征表达,形式如下:
S=[φ1,φ2,φ3,φ4,φ5,φ6,φ7] (6)
5)基于局部二值模式进行纹理特征提取;
6)流域下垫面特征集合构建:
构建流域下垫面特征集合,按照步骤3)的方法提取流域数字高程数据、土地利用数据、土壤数据、归一化植被指数数据的颜色特征向量;按照步骤4)的方法提取流域的形状特征向量;按照步骤5)的方法提取流域的数字高程数据、坡度数据和流向数据的纹理特征向量;将三类8种特征向量组成特征向量集合,综合表达流域的下垫面特征。
2.根据权利要求1所述的基于计算机视觉技术的流域下垫面特征提取方法,其特征在于:步骤1)包括以下步骤:
1-1收集研究区域的下垫面数据,数据形式为栅格数据,调整栅格数据的空间分辨率;
1-2对数字高程数据进行预处理,数字高程数据的预处理为流域流向和坡度的分析,其中流向计算采用D8算法,坡度值以百分比法表示;
1-3对土地利用数据进行预处理,对土地利用数据的预处理为将土地利用类型映射至SCS-CN值,以表达各土地利用类型的产流能力;
1-4对归一化植被指数数据进行预处理,对归一化植被指数数据的预处理为在时间尺度上的处理,在时间尺度的预处理包括进行平均化处理。
3.根据权利要求1所述的基于计算机视觉技术的流域下垫面特征提取方法,其特征在于:步骤2)的具体操作为:将栅格数据转换为单通道灰度图,根据值域的不同,分别存储为8位PNG格式或16位TIFF格式。
4.根据权利要求1所述的基于计算机视觉技术的流域下垫面特征提取方法,其特征在于:步骤5)包括以下步骤:
5-1首先定义局部二值模式LBP算子邻域,定义在圆形邻域上的算子通过设定邻域灰度值个数P值和控制半径R值计算其邻域灰度值坐标,对于灰度值为gc的像素点(x,y),其邻域灰度值gl,R的坐标为(x-Rsin(2πl/P),y+Rcos(2πl/P))(l=0,1,...,P-1),若此坐标与像素点坐标吻合,则采用像素点灰度值,若不完全吻合,则使用双线性插值计算;
5-2采用下式,计算像素点(x,y)的LBP值,即为灰度不变LBP算子,记为LBPP,R,
式中,s(θ)为二值函数,形式如下:
5-3采用下式计算旋转不变LBP算子:
式中,ROR(θ,i)函数代表对LBPP,R的二值模式进行i次右移位;
5-5统计各二值模式出现的频率{p1,p2,...,pk,...,pK},其中K=P+2,得到直方图LBP直方图,计算累积频率{0,p1,p1+p2,...,p1+p2+...+pk,...,1},以此作为下垫面的纹理特征向量:
L=[0,p1,p1+p2,...,p1+p2+...+pk,...,1] (12)
式中,pk代表第k种二值模式出现的频率,特征向量的维度为P+3,P为邻域像素点个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111475722.9A CN114241303B (zh) | 2021-12-06 | 2021-12-06 | 一种基于计算机视觉技术的流域下垫面特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111475722.9A CN114241303B (zh) | 2021-12-06 | 2021-12-06 | 一种基于计算机视觉技术的流域下垫面特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114241303A CN114241303A (zh) | 2022-03-25 |
CN114241303B true CN114241303B (zh) | 2022-07-12 |
Family
ID=80753343
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111475722.9A Active CN114241303B (zh) | 2021-12-06 | 2021-12-06 | 一种基于计算机视觉技术的流域下垫面特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114241303B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115331119B (zh) * | 2022-10-13 | 2023-01-31 | 山东爱福地生物股份有限公司 | 一种固体废弃物识别方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110570517B (zh) * | 2019-08-07 | 2020-10-16 | 河海大学 | 一种基于下垫面特征的重配置产流模拟方法 |
CN111220882A (zh) * | 2019-12-31 | 2020-06-02 | 国网辽宁省电力有限公司电力科学研究院 | 一种gis光学局放图谱的特征量提取方法 |
CN113128067B (zh) * | 2021-05-06 | 2024-08-23 | 大连理工大学 | 一种基于分布式时变地貌单位线的山丘区小流域洪水预报方法 |
CN113743017A (zh) * | 2021-09-13 | 2021-12-03 | 云南大学 | 一种基于计算机视觉及lstm神经网络的大流域径流模拟方法 |
-
2021
- 2021-12-06 CN CN202111475722.9A patent/CN114241303B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114241303A (zh) | 2022-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110334762B (zh) | 一种基于四叉树结合orb和sift的特征匹配方法 | |
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
CN102005034A (zh) | 基于区域聚类的遥感影像分割方法 | |
CN108573276A (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
CN105118090A (zh) | 一种自适应复杂地形结构的点云滤波方法 | |
CN108830870A (zh) | 基于多尺度结构学习的卫星影像高精度农田边界提取方法 | |
CN107564017B (zh) | 一种城市高分遥感影像阴影检测及分割方法 | |
CN109712143B (zh) | 一种基于超像素多特征融合的快速图像分割方法 | |
CN101286233A (zh) | 基于对象云的模糊边缘检测方法 | |
CN104616308A (zh) | 一种基于核模糊聚类的多尺度水平集图像分割方法 | |
CN107341837B (zh) | 基于影像金字塔的栅格-矢量数据转换及连续尺度表达方法 | |
CN113658163A (zh) | 多级协作改进fcm的高分sar影像分割法 | |
CN108710862B (zh) | 一种高分辨率遥感影像水体提取方法 | |
CN109886146B (zh) | 基于机器视觉检测的洪灾信息遥感智能采集方法及设备 | |
CN104408733A (zh) | 基于对象随机游走的遥感图像视觉显著性检测方法及系统 | |
CN105678747A (zh) | 一种基于主曲率的牙齿网格模型自动分割方法 | |
CN107301649B (zh) | 一种基于超像素的区域合并sar图像海岸线检测算法 | |
CN110473205A (zh) | 基于矢栅模型的遥感影像信息提取方法和系统 | |
CN110211128A (zh) | 基于遥感影像和dem的黄土高原梯田提取方法 | |
CN114241303B (zh) | 一种基于计算机视觉技术的流域下垫面特征提取方法 | |
CN114742849B (zh) | 一种基于图像增强的水准仪距离测量方法 | |
CN113409332A (zh) | 一种基于三维点云的建筑物平面分割方法 | |
CN116721121A (zh) | 一种植物表型彩色图像特征提取方法 | |
He et al. | A calculation method of phenotypic traits of soybean pods based on image processing technology | |
CN108765440A (zh) | 一种单极化sar图像的线引导超像素海岸线提取方法 |
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 |