CN114494082A - 一种基于图像识别的影像地图瓦片图处理方法 - Google Patents

一种基于图像识别的影像地图瓦片图处理方法 Download PDF

Info

Publication number
CN114494082A
CN114494082A CN202210339987.4A CN202210339987A CN114494082A CN 114494082 A CN114494082 A CN 114494082A CN 202210339987 A CN202210339987 A CN 202210339987A CN 114494082 A CN114494082 A CN 114494082A
Authority
CN
China
Prior art keywords
map
tile
image
gray
extract
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
Application number
CN202210339987.4A
Other languages
English (en)
Other versions
CN114494082B (zh
Inventor
袁俊江
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.)
Engineering and Technical College of Chengdu University of Technology
Original Assignee
Engineering and Technical College of Chengdu University of Technology
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 Engineering and Technical College of Chengdu University of Technology filed Critical Engineering and Technical College of Chengdu University of Technology
Priority to CN202210339987.4A priority Critical patent/CN114494082B/zh
Publication of CN114494082A publication Critical patent/CN114494082A/zh
Application granted granted Critical
Publication of CN114494082B publication Critical patent/CN114494082B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G06T5/70—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06T5/90—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
    • H04N19/134—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or criterion affecting or controlling the adaptive coding
    • H04N19/154—Measured or subjectively estimated visual quality after decoding, e.g. measurement of distortion
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/70—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals characterised by syntax aspects related to video coding, e.g. related to compression standards
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation

Abstract

本发明公开了一种基于图像识别的影像地图瓦片图处理方法，包括以下步骤：S1、通过GIS平台进行影像图配图，得到瓦片图；S2、根据瓦片图进行量化打分，从而对瓦片图进行分类；S3、将分类的瓦片图进行不同程度的高比压缩，得到最终的瓦片图；本发明更能体现5G网络优势，当前常用256×256瓦片图，单个图片几KB到十几KB，是基于3G、4G网络设计的，几乎体现不出5G网络的通讯优势，而本发明瓦片图单张大约100KB左右，并能减少存储空间及瓦片文件数量，5G网络下效果非常好。

Description

一种基于图像识别的影像地图瓦片图处理方法
技术领域
本发明属于瓦片图像处理技术领域，具体涉及一种基于图像识别的影像地图瓦片图处理方法。
背景技术
瓦片地图是地理信息系统中地图服务一种。指将一定范围内的地图按照一定的尺寸和格式，按缩放级别或者比例尺，切成若干行和列的正方形栅格图片，对切片后的正方形栅格图片被形象的称为瓦片图（Tile），而用来发布影像地图的瓦片地图就叫做影像地图瓦片图。
瓦片图是采用瓦片地图金字塔实现地图缩放。瓦片地图金字塔模型是一种多分辨率层次模型，从瓦片金字塔的底层到顶层，分辨率越来越低，瓦片图数量越来越少，但表示的地理范围不变；目前影像地图服务采用的瓦片地图通常大小设置为256×256，96dpi，格式为JPG或者PNG。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于图像识别的影像地图瓦片图处理方法解决了处理瓦片图较小且数量大的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种基于图像识别的影像地图瓦片图处理方法，包括以下步骤：
S1、通过GIS平台进行影像图配图，得到瓦片图；
S2、根据瓦片图进行量化打分，从而对瓦片图进行分类；
S3、将分类的瓦片图进行不同程度的高比压缩，得到最终的瓦片图。
进一步地：所述步骤S1具体为：
通过GIS平台生成瓦片图，所述瓦片图的大小设置为2048×2048，并将所述瓦片图以离散形式储存。
进一步地：所述步骤S2包括以下分步骤：
S21、将瓦片图进行去噪处理，并转换为灰度图；
S22、设置灰度阈值，并计算灰度图的灰度均值；
S23、判断灰度均值是否大于灰度阈值，若是，则令中间系数a=1，并进入步骤S24，否则令中间系数a=0，并跳转步骤S25；
S24、通过识别算法提取灰度图，计算灰度图中所有提取物的复杂度，进而确定灰度图的复杂系数；
S25、根据复杂系数或中间系数对灰度图进行量化评分，并将得分相同灰度图对应的瓦片图分为一类。
上述进一步方案的有益效果为：
进一步地：所述步骤S22中，计算灰度图的灰度均值
Figure 758755DEST_PATH_IMAGE001
表达式具体为：
Figure 100002_DEST_PATH_IMAGE002
式中，
Figure 100002_DEST_PATH_IMAGE004
为灰度图i行j列的像素位置，m为灰度图的总行数，n为灰度图的总列 数，
Figure 20103DEST_PATH_IMAGE005
为灰度图
Figure 534261DEST_PATH_IMAGE004
位置上的灰度值。
上述进一步方案的有益效果为：通过计算灰度均值，可以表示灰度图的目视效果，并可以反映灰度图中所包含的信息，设置灰度阈值筛选出灰度均值较大的灰度图，所述灰度图包含的提取物较多，需要计算其复杂系数。
进一步地：所述步骤S24中，计算灰度图中所有提取物的复杂度表达式具体为：
Figure 100002_DEST_PATH_IMAGE006
式中，F k 为提取物k的复杂度，P k 为提取物k的周长，S k 为提取物k的面积。
上述进一步方案的有益效果为：复杂度F用于表示提取物的复杂程度，并且本发明 根据提取物的复杂程度为每个提取物赋予有效数据
Figure 864224DEST_PATH_IMAGE007
，灰度图中的提取物的数量越多，则 提取物复杂度越大。灰度图中的提取物地物类型越多，则提取物有效数据
Figure 475334DEST_PATH_IMAGE007
越大。
进一步地：所述步骤S24中，确定灰度图的复杂系数G的表达式具体为：
Figure 100002_DEST_PATH_IMAGE008
式中，
Figure 704321DEST_PATH_IMAGE009
为灰度图影响权值，
Figure 705775DEST_PATH_IMAGE011
为提取物t的有效数据，其中t=1，…，N，N为提取物 的总数，其计算公式具体为：
Figure DEST_PATH_IMAGE012
其中，F t+q 为提取物t+q的复杂度，F t-q 为提取物t-q的复杂度，F t 为提取物t的复杂度。
上述进一步方案的有益效果为：通过灰度图影响权重进行修正，使得计算复杂系数越能反映灰度图整体的信息，复杂系数越大表示灰度图包含的提取物信息越多，提取物的轮廓和图像越清楚。
进一步地：所述步骤S25中，对灰度图进行量化评分的方法具体为：通过识别算法提取灰度图，得到提取物的类型总数b，根据瓦片图设置复杂度系数阈值M，判断中间系数a是否为0；
若是，则量化评分R=a；
若否，则当G>M时，令量化评分R=a+1；当G<M时，令量化评分R=a；
且当量化评分R大于10时，令量化评分为10。
进一步地：所述步骤S3具体为：将分类后的瓦片图用优化的WEBP格式进行瓦片图有损压缩，设置压缩后的图像质量=量化评分×10，并设置压缩后的图像质量最大值，当压缩后的图像质量大于图像质量最大值时，令压缩后的图像质量为图像质量最大值，将将所有压缩后的瓦片图作为最终的瓦片图。
本发明的有益效果为：
（1）本发明更能体现5G网络优势，当前常用256×256瓦片图，单个图片几KB到十几KB，是基于3G、4G网络设计的，几乎体现不出5G网络的通讯优势，而本发明瓦片图单张大约100KB左右，并能减少存储空间及瓦片文件数量，5G网络下效果非常好。
（2）本发明会降低瓦片地图服务并发请求数，采用本发明瓦片图处理方法的并发处理能力需求仅为当前常用方式的1/40。
附图说明
图1为本发明的流程图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
实施例1：
如图1所示，在本发明的一个实施例中，一种基于图像识别的影像地图瓦片图处理方法，包括以下步骤：
S1、通过GIS平台进行影像图配图，得到瓦片图；
S2、根据瓦片图进行量化打分，从而对瓦片图进行分类；
S3、将分类的瓦片图进行不同程度的高比压缩，得到最终的瓦片图。
所述步骤S1具体为：
通过GIS平台生成瓦片图，所述瓦片图的大小设置为2048×2048，并将所述瓦片图以离散形式储存。
在本实施例中，本发明设置的瓦片图的大小能减少存储空间及瓦片文件数量。目前，为了提高访问速度，通常服务器存储瓦片图会采用直接以离散的图片文件的形式存在硬盘上，单个瓦片比较小，会占用大于本身大小的的存储空间，且不方便迁移、备份。以四川省为例子，天地图18级地图大约会产生2千万张万瓦片图，如果为高清影像会占用大约1TB空间，而本发明仅有约2-3百万张瓦片，是原瓦片数量的1/8，占用大约25GB空间，是原有瓦片的1/40。
本发明更适合前端图像智能识别，在高清影像中256×256瓦片图中地物大概率会被分到1张或几张不同的瓦片，经大量实验得出2048×2048瓦片图更适合采用图像智能识别进行地物自动提取。
所述步骤S2包括以下分步骤：
S21、将瓦片图进行去噪处理，并转换为灰度图；
S22、设置灰度阈值，并计算灰度图的灰度均值；
S23、判断灰度均值是否大于灰度阈值，若是，则令中间系数a=1，并进入步骤S24，否则令中间系数a=0，并跳转步骤S25；
S24、通过识别算法提取灰度图，计算灰度图中所有提取物的复杂度，进而确定灰度图的复杂系数；
S25、根据复杂系数或中间系数对灰度图进行量化评分，并将得分相同灰度图对应的瓦片图分为一类。
所述步骤S22中，计算灰度图的灰度均值
Figure 107937DEST_PATH_IMAGE001
表达式具体为：
Figure 511237DEST_PATH_IMAGE002
式中，
Figure 301338DEST_PATH_IMAGE004
为灰度图i行j列的像素位置，m为灰度图的总行数，n为灰度图的总列 数，
Figure 790088DEST_PATH_IMAGE005
为灰度图
Figure 933625DEST_PATH_IMAGE004
位置上的灰度值。
在本实施例中，通过计算灰度均值，可以表示灰度图的目视效果，并可以反映灰度图中所包含的信息，设置灰度阈值筛选出灰度均值较大的灰度图，所述灰度图包含的提取物较多，需要计算其复杂系数。
所述步骤S24中，计算灰度图中所有提取物的复杂度表达式具体为：
Figure 253748DEST_PATH_IMAGE006
式中，F k 为提取物k的复杂度，P k 为提取物k的周长，S k 为提取物k的面积。
基于所述提取物的复杂度，计算每个提取物的有效数据；其中提取物t的有效数据a t 的表达式具体为：
Figure 418013DEST_PATH_IMAGE012
式中，t=1，…，N，N为提取物的总数，F t+q 为提取物t+q的复杂度，F t-q 为提取物t-q的复杂度，F t 为提取物t的复杂度；
在本实施例中，复杂度F用于表示提取物的复杂程度，并且本发明根据提取物的复 杂程度为每个提取物赋予有效数据
Figure 331742DEST_PATH_IMAGE013
，灰度图中的提取物的数量越多，则提取物复杂度越 大。灰度图中的提取物地物类型越多，则提取物有效数据
Figure 341287DEST_PATH_IMAGE007
越大。
所述步骤S24中，确定灰度图的复杂系数G的表达式具体为：
Figure 781495DEST_PATH_IMAGE008
式中，
Figure 523186DEST_PATH_IMAGE009
为灰度图影响权值。
在本实施例中，本发明在计算灰度图的复杂系数过程中，通过灰度图影响权重进行修正，使得计算复杂系数越能反映灰度图整体的信息，复杂系数越大表示灰度图包含的提取物信息越多，提取物的轮廓和图像越清楚。
所述步骤S25中，对灰度图进行量化评分的方法具体为：通过识别算法提取灰度图，得到提取物的类型总数b，根据瓦片图设置复杂度系数阈值M，判断中间系数a是否为0；
若是，则量化评分R=a；
若否，则当G>M时，令量化评分R=a+1；当G<M时，令量化评分R=a；
且当量化评分R大于10时，令量化评分为10。
在本实施例中，本发明设置复杂度系数阈值M，将提取物清晰灰度图对应的瓦片图评分加1。
所述步骤S3具体为：将分类后的瓦片图用优化的WEBP格式进行瓦片图有损压缩，设置压缩后的图像质量=量化评分×10，并设置压缩后的图像质量最大值，当压缩后的图像质量大于图像质量最大值时，令压缩后的图像质量为图像质量最大值，并将压缩后的图像质量默认值设置为80，将将所有压缩后的瓦片图作为最终的瓦片图。经过大量实验获取，该方法进行有损压缩后的影像瓦片图文件大小变成原文件的1/50-1/20，肉眼几乎无法分辨出图像质量变化。
本发明的有益效果为：本发明更能体现5G网络优势，当前常用256×256瓦片图，单个图片几KB到十几KB，是基于3G、4G网络设计的，几乎体现不出5G网络的通讯优势，而本发明瓦片图单张大约100KB左右，并能减少存储空间及瓦片文件数量，5G网络下效果非常好。
本发明会降低瓦片地图服务并发请求数。以PC浏览器浏览地图为例，假设显示分辨率为1920×1080，那么在浏览瓦片影像地图时，单屏需要同时显示大约40张256×256瓦片图，而采用本发明，只需要同时显示1-4张，如果拖动地图浏览会使单屏访问瓦片地图逐渐接近到1张。因此采用本发明瓦片图处理方法的并发处理能力需求仅为当前常用方式的1/40。
在本发明的描述中，需要理解的是，术语“中心”、“厚度”、“上”、“下”、“水平”、“顶”、“底”、“内”、“外”、“径向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或隐含指明的技术特征的数量。因此，限定由“第一”、“第二”、“第三”的特征可以明示或隐含地包括一个或者更多个该特征。

Claims (8)

1.一种基于图像识别的影像地图瓦片图处理方法，其特征在于，包括以下步骤：
S1、通过GIS平台进行影像图配图，得到瓦片图；
S2、根据瓦片图进行量化打分，从而对瓦片图进行分类；
S3、将分类的瓦片图进行不同程度的高比压缩，得到最终的瓦片图。
2.根据权利要求1所述的基于图像识别的影像地图瓦片图处理方法，其特征在于，所述步骤S1具体为：
通过GIS平台生成瓦片图，所述瓦片图的大小设置为2048×2048，并将所述瓦片图以离散形式储存。
3.根据权利要求1所述的基于图像识别的影像地图瓦片图处理方法，其特征在于，所述步骤S2包括以下分步骤：
S21、将瓦片图进行去噪处理，并转换为灰度图；
S22、设置灰度阈值，并计算灰度图的灰度均值；
S23、判断灰度均值是否大于灰度阈值，若是，则令中间系数a=1，并进入步骤S24，否则令中间系数a=0，并跳转步骤S25；
S24、通过识别算法提取灰度图，计算灰度图中所有提取物的复杂度，进而确定灰度图的复杂系数；
S25、根据复杂系数或中间系数对灰度图进行量化评分，并将得分相同灰度图对应的瓦片图分为一类。
4.根据权利要求3所述的基于图像识别的影像地图瓦片图处理方法，其特征在于，所述 步骤S22中，计算灰度图的灰度均值
Figure 403931DEST_PATH_IMAGE001
表达式具体为：
Figure DEST_PATH_IMAGE002
式中，
Figure DEST_PATH_IMAGE004
为灰度图i行j列的像素位置，m为灰度图的总行数，n为灰度图的总列数，
Figure 740366DEST_PATH_IMAGE005
为灰度图
Figure 639052DEST_PATH_IMAGE004
位置上的灰度值。
5.根据权利要求3所述的基于图像识别的影像地图瓦片图处理方法，其特征在于，所述步骤S24中，计算灰度图中所有提取物的复杂度表达式具体为：
Figure DEST_PATH_IMAGE006
式中，F k 为提取物k的复杂度，P k 为提取物k的周长，S k 为提取物k的面积。
6.根据权利要求5所述的基于图像识别的影像地图瓦片图处理方法，其特征在于，所述步骤S24中，确定灰度图的复杂系数G的表达式具体为：
Figure 474153DEST_PATH_IMAGE007
式中，
Figure DEST_PATH_IMAGE008
为灰度图影响权值，
Figure DEST_PATH_IMAGE010
为提取物t的有效数据，其中t=1，…，N，N为提取物的总 数，其计算公式具体为：
Figure 559396DEST_PATH_IMAGE011
其中，F t+q 为提取物t+q的复杂度，F t-q 为提取物t-q的复杂度，F t 为提取物t的复杂度。
7.根据权利要求6所述的基于图像识别的影像地图瓦片图处理方法，其特征在于，所述步骤S25中，对灰度图进行量化评分的方法具体为：通过识别算法提取灰度图，得到提取物的类型总数b，根据瓦片图设置复杂度系数阈值M，判断中间系数a是否为0；
若是，则量化评分R=a；
若否，则当G>M时，令量化评分R=a+1；当G<M时，令量化评分R=a；
且当量化评分R大于10时，令量化评分为10。
8.根据权利要求6所述的基于图像识别的影像地图瓦片图处理方法，其特征在于，所述步骤S3具体为：将分类后的瓦片图用优化的WEBP格式进行瓦片图有损压缩，设置压缩后的图像质量=量化评分×10，并设置压缩后的图像质量最大值，当压缩后的图像质量大于图像质量最大值时，令压缩后的图像质量为图像质量最大值，将将所有压缩后的瓦片图作为最终的瓦片图。
CN202210339987.4A 2022-04-02 2022-04-02 一种基于图像识别的影像地图瓦片图处理方法 Active CN114494082B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210339987.4A CN114494082B (zh) 2022-04-02 2022-04-02 一种基于图像识别的影像地图瓦片图处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210339987.4A CN114494082B (zh) 2022-04-02 2022-04-02 一种基于图像识别的影像地图瓦片图处理方法

Publications (2)

Publication Number Publication Date
CN114494082A true CN114494082A (zh) 2022-05-13
CN114494082B CN114494082B (zh) 2022-07-08

Family

ID=81487420

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210339987.4A Active CN114494082B (zh) 2022-04-02 2022-04-02 一种基于图像识别的影像地图瓦片图处理方法

Country Status (1)

Country Link
CN (1) CN114494082B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6259826B1 (en) * 1997-06-12 2001-07-10 Hewlett-Packard Company Image processing method and device
CN104820714A (zh) * 2015-05-20 2015-08-05 国家电网公司 基于hadoop的海量瓦片小文件存储管理方法
CN107301194A (zh) * 2016-10-09 2017-10-27 上海炬宏信息技术有限公司 瓦片式栅格地图的压缩存储及发布方法
CN109902135A (zh) * 2019-02-19 2019-06-18 武大吉奥信息技术有限公司 一种矢量瓦片预处理方法及装置
CN111143289A (zh) * 2019-12-26 2020-05-12 四川航天神坤科技有限公司 一种地图的瓦片数据处理方法及装置
CN111681295A (zh) * 2020-05-07 2020-09-18 天津市测绘院 一种基于超分图像重建的瓦片地图切片与服务方法及系统
CN111814542A (zh) * 2020-05-29 2020-10-23 汉海信息技术(上海)有限公司 地理对象的提取方法、装置及电子设备
CN113568995A (zh) * 2021-05-11 2021-10-29 数简科技(苏州)有限公司 基于检索条件的动态瓦片地图制作方法及瓦片地图系统
US20220026920A1 (en) * 2020-06-10 2022-01-27 AI Incorporated Light weight and real time slam for robots
US11274929B1 (en) * 2017-10-17 2022-03-15 AI Incorporated Method for constructing a map while performing work
CN114238772A (zh) * 2021-12-24 2022-03-25 韩效遥 内容自适应感知的网络地图智能推荐系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6259826B1 (en) * 1997-06-12 2001-07-10 Hewlett-Packard Company Image processing method and device
CN104820714A (zh) * 2015-05-20 2015-08-05 国家电网公司 基于hadoop的海量瓦片小文件存储管理方法
CN107301194A (zh) * 2016-10-09 2017-10-27 上海炬宏信息技术有限公司 瓦片式栅格地图的压缩存储及发布方法
US11274929B1 (en) * 2017-10-17 2022-03-15 AI Incorporated Method for constructing a map while performing work
CN109902135A (zh) * 2019-02-19 2019-06-18 武大吉奥信息技术有限公司 一种矢量瓦片预处理方法及装置
CN111143289A (zh) * 2019-12-26 2020-05-12 四川航天神坤科技有限公司 一种地图的瓦片数据处理方法及装置
CN111681295A (zh) * 2020-05-07 2020-09-18 天津市测绘院 一种基于超分图像重建的瓦片地图切片与服务方法及系统
CN111814542A (zh) * 2020-05-29 2020-10-23 汉海信息技术(上海)有限公司 地理对象的提取方法、装置及电子设备
US20220026920A1 (en) * 2020-06-10 2022-01-27 AI Incorporated Light weight and real time slam for robots
CN113568995A (zh) * 2021-05-11 2021-10-29 数简科技(苏州)有限公司 基于检索条件的动态瓦片地图制作方法及瓦片地图系统
CN114238772A (zh) * 2021-12-24 2022-03-25 韩效遥 内容自适应感知的网络地图智能推荐系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
JOËL VAN NEERBOS 等: "Towards a Parallel Topological Watershed: First Results", 《HAL OPEN SCIENCE》 *
刘鹏 等: "Arc GIS Server 平台下地图瓦片存储关键技术研究", 《地理空间信息》 *
李海亭: "网络环境中地图瓦片的索引与压缩方法研究", 《中国博士学位论文全文数据库信息科技辑》 *
申淑娟 等: "公共服务电子地图瓦片分类插值重建方法研究", 《城市勘测》 *
魏磊 等: "基于 ArcGIS Engine 无冗余地图瓦片裁切方法的研究", 《测绘与空间地理信息》 *

Also Published As

Publication number Publication date
CN114494082B (zh) 2022-07-08

Similar Documents

Publication Publication Date Title
CN109977956B (zh) 一种图像处理方法、装置、电子设备以及存储介质
WO2023000159A1 (zh) 高分辨率遥感影像半监督分类方法、装置、设备及介质
CN112766184B (zh) 基于多层级特征选择卷积神经网络的遥感目标检测方法
WO2021146937A1 (zh) 文字识别方法、文字识别装置和存储介质
CN102176208A (zh) 基于三维空时特征的鲁棒视频指纹方法
CN112418165B (zh) 基于改进型级联神经网络的小尺寸目标检测方法与装置
CN102495887B (zh) 一种基于关键区域色彩矩阵的视频镜头分割方法及其应用方法
CN113112519A (zh) 基于感兴趣目标分布的关键帧筛选方法
CN116030396B (zh) 一种用于视频结构化提取的精确分割方法
CN115205672A (zh) 一种基于多尺度区域注意力的遥感建筑物语义分割方法及系统
CN110991374B (zh) 一种基于rcnn的指纹奇异点检测方法
CN114494082B (zh) 一种基于图像识别的影像地图瓦片图处理方法
CN110223248A (zh) 一种红外图像细节增强的动态范围压缩方法
CN116095291A (zh) 一种用于媒体流图像传输的图像预处理方法
CN115082778B (zh) 一种基于多分支学习的宅基地识别方法及系统
CN112232102A (zh) 一种基于深度神经网络和多任务学习的建筑物目标识别方法和系统
CN114926826A (zh) 场景文本检测系统
CN110276755B (zh) 一种肿瘤位置定位系统及相关装置
CN113971763A (zh) 一种基于目标检测和超分重建的小目标分割方法和装置
CN110276738B (zh) 一种bmp图像的roi替换处理方法
CN111402223A (zh) 一种利用变电站视频图像的变电站缺陷问题检测方法
CN111161340B (zh) 基于深度特征提取的图像重定向方法及系统、终端
CN112836708B (zh) 一种基于Gram矩阵和F范数的图像特征检测方法
CN114897941B (zh) 基于Transformer和CNN的目标跟踪方法
CN117274723B (zh) 一种用于输电巡检的目标识别方法、系统、介质及设备

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