CN115064054B - 一种地理实体空间身份编码构建方法 - Google Patents

一种地理实体空间身份编码构建方法 Download PDF

Info

Publication number
CN115064054B
CN115064054B CN202210493592.XA CN202210493592A CN115064054B CN 115064054 B CN115064054 B CN 115064054B CN 202210493592 A CN202210493592 A CN 202210493592A CN 115064054 B CN115064054 B CN 115064054B
Authority
CN
China
Prior art keywords
road
point
code
geographic
building
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
Application number
CN202210493592.XA
Other languages
English (en)
Other versions
CN115064054A (zh
Inventor
刘俊伟
吴世珂
杨文雪
石喜阳
张福存
王鸿杰
孙昆
蒋玉祥
陈兴芳
王晓东
刘璐
马锦山
代云飞
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.)
Terry Digital Technology Beijing Co ltd
Xining Surveying And Mapping Institute
Qinghai University
Original Assignee
Terry Digital Technology Beijing Co ltd
Xining Surveying And Mapping Institute
Qinghai 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 Terry Digital Technology Beijing Co ltd, Xining Surveying And Mapping Institute, Qinghai University filed Critical Terry Digital Technology Beijing Co ltd
Priority to CN202210493592.XA priority Critical patent/CN115064054B/zh
Publication of CN115064054A publication Critical patent/CN115064054A/zh
Application granted granted Critical
Publication of CN115064054B publication Critical patent/CN115064054B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B29/00—Maps; Plans; Charts; Diagrams, e.g. route diagram
    • G09B29/003—Maps
    • G09B29/005—Map projections or methods associated specifically therewith
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • Y02A30/60—Planning or developing urban green infrastructure

Abstract

本发明涉及一种地理实体空间身份编码构建方法，其特征在于，包括对地理实体通过空间身份编码进行唯一标识，所述空间身份编码由位置码以及地理实体中心点坐标代表的一对实数对、类别代码、时间码和顺序码四部分构成，为29位+一对实数对的字母数字混合编码。编码方案简单、工作提高效率2倍以上，提高了编码的易用稳定性，能够精确找到地理实体方位。

Description

一种地理实体空间身份编码构建方法
技术领域
本发明涉及地理实体的身份识别的方法,尤其涉及一种地理实体空间身份编码构建方法,属于地理实体识别领域。
背景技术
地理实体本身处于刚兴起阶段，没有统一的规则，现有的地理实体数据空间身份编码构建没有统一的组成方式。有提出利用北斗网格码作为空间身份编码组成的一部分的，由于北斗网格码计算复杂，北斗网格码实际上作为空间身份编码组成一部分的应用很少。
而且现实面对的实体的类型多样，位置复杂如何准确识别具体一个地理实体并非简单采用行政区划、类别代码和时间能够区分的。采用人工标注则费时费力，低效成本大，容易出错。
发明内容
本发明提出空间身份编码由位置码、类别代码、时间码和顺序码四部分构成，为29位字母数字混合编码。本专利采用方便易用且便于实施的空间身份编码方式主要解决空间身份编码组成的复杂不便于落地执行的问题。本发明的坐标都是基于建构地理区域空间直角坐标系E下的坐标。
为解决上述问题，本发明提出一种地理实体空间身份编码构建方法，具体包括对地理实体通过空间身份编码进行唯一标识，所述空间身份编码由位置码、类别代码、时间码和顺序码四部分构成，为29位字母数字混合编码。
其中位置码是指县级街道以上区划代码，其中第1位到第6位按照GB/T 2260-2007表示县级以上行政区划代码，第7位到第9位采用市街道代码；
类别代码是指地理实体分类的编码，为8位字母数字码。每类地理实体的类别代码应符合附录A的规定；
时间码是地理实体产生的时间，为6位数字码，其中第1位到第4位表示年，第5位到第6位表示月，如果无法确定地理实体产生时间，则统一表示为000000；
顺序码是相同位置、分类和时间条件下地理实体的顺序，采用6位数字，范围为000000～999999。
优选地，位置码第9位之后还包括一对地理区域坐标实数。也就是说，位置码除了上述第1位到第6位的行政区划代码，以及第7位到第9位的市街道代码之外，在第9位之后还具有至少2位编码，用于表示地理实体的地理区域坐标，其中，地理实体的地理区域坐标为一对实数(X，Y)。
所述地理区域坐标实数的确定方式如下：
S1建构地理区域空间直角坐标系E,确定道路中心点；
S2确定建筑中心点；
S3确定其他地理实体中心点；
S4将道路中心点、建筑中心点、其他地理实体中心点在E下的坐标中的一对实数作为地理区域坐标实数。
进一步地，S1具体包括：
基于构建倾斜摄影技术或遥感影像技术获得的地理区域模型，拟用人工神经网络对规定区域内的道路进行了轮廓的拟合获得道路中心点，具体包括如下步骤：
S1-1调用所述配准图像通过RNN循环神经网络算法包括编码器以及解码器的节点生成器生成道路连续节点，并在生成过程中连接生成前后的两个节点，将新的生成节点输入节点生成器不断产生新的节点，而继续直线段连接产生的新节点，形成道路中心线，如此循环而连接成道路网；
S1-2将道路网中的所有直线段按照预设的宽度w进行扩宽，形成具有一定宽度的道路宽线条，从而获得城市道路网模型，其中w按照所述配准图像中对应的道路宽度进行扩宽，w为所述配准图像中道路节点所在所述直线段作为的道路分段所对应的实际道路宽度值的0.5-0.8倍；
S1-3对于每个P9中的节点在P10中w的扩宽范围内旁开选取一个对应的节点作为对应的标记节点，定义为道路中心点。
进一步地，S2具体包括：
S2-1获取基于构建倾斜摄影技术或遥感影像技术获得的地理区域模型，基于垂直地面俯视方向视图，使用无添加层的VGG-16算法作为CNN主干网络提取一系列不同卷积层获得的特征图，特征图是输入图像尺寸的1/2-1/10，优选为1/8；
同时，通过图像金字塔算法FPN利用CNN主干网络不同层来构建特征金字塔，并预测多个建筑的边框，
S2-2对于多个建筑中的每一建筑，都对所述一系列不同卷积层获得的特征图和对应的建筑的边框利用RoISlign算法获得建筑的本地特征图F；
S2-3对于每个建筑的所述本地特征图F采用卷积层处理形成多边形边界罩M，再利用卷积层处理形成边界罩M的P个预测顶点；
S2-4选定P个预测顶点中横坐标或纵坐标最大或最小的点为第一标定点，如果存在横坐标或纵坐标有相同最大或最小点，则取相应的纵坐标或横坐标最大或最小的点为第一标定点，将第一标定点与剩余P-1个点之间按顺时针或逆时针连接预测点的路径顺序进行距离计算，和与其距离最长者对应的点连接，相应选定基于边界罩M预测的另一个与第一标定点距离最短的相邻顶点为第二标定点，以同样方式和与其距离最长者对应的点连接，获得两条连接线段之间的交点作为每个建筑的当前建筑中心点。
进一步地，S3具体包括：
S3-1将地理区域模型中的遥感影像进行矩形区域的网格化区划，将地理区域模型中道路和建筑部分进行隐藏，基于已获得的每一个网格中的地理实体分类，对隐藏后剩余的地理实体进行纹理轮廓提取；
S3-2作所述纹理轮廓的外接矩，获得外接矩的的对角线交点即认定为纹理所对应的地理实体中心点。
优选地，所述顺序码按照各地理实体中对应的所述地理区域坐标中最小或最大横坐标，或最小或最大纵坐标的大小排序，对于至少有两个地理实体的最小或最大横坐标，或最小或最大纵坐标相同的，则分别按照最小或最大纵坐标，或最小或最大横坐标进一步排序。
有益效果：
1.现有技术方案需要开发计算软件系统，该软件系统的开发及购买均需投入。本方法不需要开发和购买软件系统，采用开源软件即可实施。即便借助软件，对于一对实数对的方案需要也是为了进一步精确找到地理实体方位的目的。
2.本方法通过项目实施得到认证，实施方案简单，无需任何成本投入。
3.通过本方法构建地理实体空间身份编码，可以工作提高效率2倍以上，提高编码的易用稳定性。
附图说明
图1本发明RNN循环神经网络算法流程以及城市路网生成过程示意图，
图2a为图1中圆圈范围内的局部路网以道路中圈出的节点C代表的分段的扩宽即道理中心点选取旁开方向示意图，
图2b为图2a中圈出的道路节点C附近局部放大示意图，
图3基于CNN主干网络的卷积长短期记忆ConvLSTM的多层RNN建筑边界罩M的提取以及基于建筑边界罩M进行的顶点预测点示意图，
图4基于建筑S1和凹形建筑S1的当前建筑中心点的获取方式示意图，
图5网格化的城市A的遥感影像其中显示了体育场部分的中心点y，
图6空间身份编码构成示意图。
具体实施方式
第一实施例
本实施例说明道路中心点的获取方法，如图1所示，调用遥感影像技术获得的地理区域模型，基于模型中的遥感影像图层，利用RNN循环神经网络算法，定义步长l(根据道路总长而在1-5m中选择)以及矢量方向r作为属性矢量V，将每个起始节点以及K条入射路经方向的点作为输入点(K个点与对应的起始点之间对应了K个初始属性矢量)，将K+1个输入点以及属性矢量V输入编码器，由解码器生成新节点；具体是对于每一个起始点的每一个方向的输入点/>对应了在E下的坐标/> 属性矢量V对应于坐标增量/>其中t表示当前输入点的序号(对于起始点为0，对于第一个新的输入点为1)，将该坐标和属性矢量V输入编码器，解码器将出射在E下生成的新节点其中/>图1中示例性地给出了每隔20次节点生成循环下，总共100次节点生成循环的路网生成过程，直线段连接各道路节点，形成道路中心线如图2a所示；
如图2a为图1中圆圈范围内的局部路网扩宽示意图。以道路节点C为代表，将图2a的局部路网按照预设的宽度w以生成路网的道路中心线向两边进行扩宽，形成具有一定宽度的道路宽线条，从而获得城市道路网模型，其中w为所述遥感影像图层中实际道路边界限定的道路宽度的0.8倍，形成扩宽边界。
过道路节点C作垂直于图2b所述对应的道路节点两边任一道路中心线的垂线与扩宽w的边界交于两个交点，选取其中一交点，在所述垂线上选取离开所选取的交点预设距离且位于扩宽范围w内的点作为多个所述道路中心点。其中以C为圆心与扩宽边界存在切点是圆C的半径为预设距离，于是获得图2b中的道路中心点。
第二实施例
本实施例描述城市建筑中心点的获取。具体包括如下步骤：
如图3所示，基于第一实施例中的遥感影像图层，使用无添加层的VGG-16算法作为CNN主干网络提取一系列不同卷积层获得的特征图，特征图是输入图像尺寸的1/8；
同时，通过图像金字塔算法FPN利用CNN主干网络不同层来构建特征金字塔，并预测多个建筑的边框，
对于多个建筑中的每一建筑，都对所述一系列不同卷积层获得的特征图和对应的建筑的边框利用RoIAlign算法获得建筑的本地特征图F；
对于每个建筑的所述本地特征图F采用卷积层处理形成多边形边界罩M，再利用卷积层处理形成边界罩M的5个预测顶点a、b、c、d、D2、D1。
如图4所示，坐标系E的X轴方向为基准，在建筑S1中选定所述5个预测顶点中横坐标最大的点D1为第一标定点，将标定点与剩余4个点之间按逆时针连接预测点的路径顺序a、b、c、d、D2进行距离计算，和与其距离最长者b点连接，相应选定基于边界罩M预测的另一个与第一标定点距离最短的相邻顶点D2为第二标定点，以同样方式和与其距离最长者a点连接，获得两条连接线段之间的交点x作为该建筑S1的中心点。
而对于屋顶面为凹字形的建筑S2为例，预测点为D3、e、f、g、h、i、j、D4，8个预测点，如图4所示，选定所述8个预测顶点中横坐标最大的点D3为第一标定点，将标定点与剩余7个点之间按逆时针连接预测点的路径顺序i、h、e、f、g、j、D4进行距离计算，和与其距离最长者f点连接，相应选定基于该凹字形的建筑的边界罩M预测6的另一个与第一标定点距离最短的相邻顶点D4为第二标定点，以同样方式和与其距离最长者e点连接，获得两条连接线段之间的交点x'作为该建筑S2的当前中心点。
第三实施例
本实施例将描述其他地理实体的中心点的获取，如图5所示为城市A的遥感影像，用于建模。因此示例性地说明基于此遥感影像建模时，其他地理实体中心点获取方法，将图5区域进行网格化，其中一个格点中体育场部分进行纹理图(图未示)外接矩红色框对角线交点y的坐标作为一对地理区域坐标实数置入位置码第9位之后。
如图5，红色外接矩左侧的一部分仍然是体育场，因此其中心点的横坐标与y的横坐标不同，从而区分出不同先后顺序的顺序码。
第四实施例
本实施例描述地理实体空间身份编码，如图6所示由位置码、类别代码、时间码和顺序码四部分构成，一共29位数字和位置码中地9位之后的实施例一到三获得的各建筑实体中心点的坐标实数对xy。

Claims (4)

1.一种地理实体空间身份编码构建方法，其特征在于，包括对地理实体通过空间身份编码进行唯一标识，所述空间身份编码由位置码、类别代码、时间码和顺序码四部分构成，为29位字母数字混合编码；
其中，位置码是指县级街道以上区划代码，其中第1位到第6位按照GB/T2260-2007表示县级以上行政区划代码，第7位到第9位采用市街道代码；
类别代码是指地理实体分类的编码，为8位字母数字码，每类地理实体的类别代码应符合附录A的规定；
时间码是地理实体产生的时间，为6位数字码，其中第1位到第4位表示年，第5位到第6位表示月，如果无法确定地理实体产生时间，则统一表示为000000；
顺序码是相同位置、分类和时间条件下地理实体的顺序，采用6位数字，范围为000000～999999；
所述位置码第9位之后还包括一对地理区域坐标实数；所述地理区域坐标实数的确定方式如下：
S1建构地理区域空间直角坐标系E,确定道路中心点；
S2确定建筑中心点；
S3确定其他地理实体中心点；
S4将道路中心点、建筑中心点、其他地理实体中心点在E下的坐标中的一对实数作为地理区域坐标实数；
S2具体包括：
S2-1获取基于构建倾斜摄影技术或遥感影像技术获得的地理区域模型，基于垂直地面俯视方向视图，使用无添加层的VGG-16算法作为CNN主干网络提取一系列不同卷积层获得的特征图，特征图是输入图像尺寸的1/2-1/10；
同时，通过图像金字塔算法FPN利用CNN主干网络不同层来构建特征金字塔，并预测多个建筑的边框，
S2-2对于多个建筑中的每一建筑，都对所述一系列不同卷积层获得的特征图和对应的建筑的边框利用RoISlign算法获得建筑的本地特征图F；
S2-3对于每个建筑的所述本地特征图F采用卷积层处理形成多边形边界罩M，再利用卷积层处理形成边界罩M的P个预测顶点；
S2-4选定P个预测顶点中横坐标或纵坐标最大或最小的点为第一标定点，如果存在横坐标或纵坐标有相同最大或最小点，则取相应的纵坐标或横坐标最大或最小的点为第一标定点，将第一标定点与剩余P-1个点之间按顺时针或逆时针连接预测点的路径顺序进行距离计算，和与其距离最长者对应的点连接，相应选定基于边界罩M预测的另一个与第一标定点距离最短的相邻顶点为第二标定点，以同样方式和与其距离最长者对应的点连接，获得两条连接线段之间的交点作为每个建筑的当前建筑中心点。
2.根据权利要求1所述的方法，其特征在于，S1具体包括：
基于构建倾斜摄影技术或遥感影像技术获得的地理区域模型，拟用人工神经网络对规定区域内的道路进行了轮廓的拟合获得道路中心点，具体包括如下步骤：
S1-1调用配准图像通过RNN循环神经网络算法包括编码器以及解码器的节点生成器生成道路连续节点，并在生成过程中连接生成前后的两个节点，将新的生成节点输入节点生成器不断产生新的节点，而继续直线段连接产生的新节点，形成道路中心线，如此循环而连接成道路网；
S1-2将道路网中的所有直线段按照预设的宽度w进行扩宽，形成具有一定宽度的道路宽线条，从而获得城市道路网模型，其中w按照所述配准图像中对应的道路宽度进行扩宽，w为所述配准图像中道路节点所在所述直线段作为的道路分段所对应的实际道路宽度值的0.5-0.8倍；
S1-3对于每个P9中的节点在P10中w的扩宽范围内旁开选取一个对应的节点作为对应的标记节点，定义为道路中心点。
3.根据权利要求1所述的方法，其特征在于，S3具体包括：
S3-1将地理区域模型中的遥感影像进行矩形区域的网格化区划，将地理区域模型中道路和建筑部分进行隐藏，基于已获得的每一个网格中的地理实体分类，对隐藏后剩余的地理实体进行纹理轮廓提取；
S3-2作所述纹理轮廓的外接矩，获得外接矩的对角线交点即认定为纹理所对应的地理实体中心点。
4.根据权利要求1-3中任一项所述的方法，其特征在于，所述顺序码按照各地理实体中对应的所述地理区域坐标中最小或最大横坐标，或最小或最大纵坐标的大小排序，对于至少有两个地理实体的最小或最大横坐标，或最小或最大纵坐标相同的，则分别按照最小或最大纵坐标，或最小或最大横坐标进一步排序。
CN202210493592.XA 2022-05-07 2022-05-07 一种地理实体空间身份编码构建方法 Active CN115064054B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210493592.XA CN115064054B (zh) 2022-05-07 2022-05-07 一种地理实体空间身份编码构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210493592.XA CN115064054B (zh) 2022-05-07 2022-05-07 一种地理实体空间身份编码构建方法

Publications (2)

Publication Number Publication Date
CN115064054A CN115064054A (zh) 2022-09-16
CN115064054B true CN115064054B (zh) 2023-10-13

Family

ID=83197318

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210493592.XA Active CN115064054B (zh) 2022-05-07 2022-05-07 一种地理实体空间身份编码构建方法

Country Status (1)

Country Link
CN (1) CN115064054B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1450499A (zh) * 2003-04-29 2003-10-22 上海城市发展信息研究中心 基于地理信息系统的城市基本实体编码方法及自动化算法
CN102289464A (zh) * 2011-07-18 2011-12-21 南京师范大学 一种矢量数据空间特征的编码方法
KR20130002244A (ko) * 2011-11-23 2013-01-07 (주)에스지원정보기술 도시공간정보모델의 등급정보에 따라 선택된 건물데이터를 이용하는 도시공간정보 생성 시스템
CN105022790A (zh) * 2015-06-19 2015-11-04 中国科学院遥感与数字地球研究所 一种面向对象的城市实体地理编码整合方法
CN108334579A (zh) * 2018-01-25 2018-07-27 孙如江 基于时空业务的地名身份号码编码器、编码方法及设备
CN113220808A (zh) * 2021-04-06 2021-08-06 深圳市宝安区信息中心 地理实体的编码方法、装置、设备及存储介质
CN113987082A (zh) * 2021-08-16 2022-01-28 湖南省地质测绘院 一种基于地理实体编码的三维单体模型数据模型表达方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7324666B2 (en) * 2002-11-15 2008-01-29 Whitegold Solutions, Inc. Methods for assigning geocodes to street addressable entities

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1450499A (zh) * 2003-04-29 2003-10-22 上海城市发展信息研究中心 基于地理信息系统的城市基本实体编码方法及自动化算法
CN102289464A (zh) * 2011-07-18 2011-12-21 南京师范大学 一种矢量数据空间特征的编码方法
KR20130002244A (ko) * 2011-11-23 2013-01-07 (주)에스지원정보기술 도시공간정보모델의 등급정보에 따라 선택된 건물데이터를 이용하는 도시공간정보 생성 시스템
CN105022790A (zh) * 2015-06-19 2015-11-04 中国科学院遥感与数字地球研究所 一种面向对象的城市实体地理编码整合方法
CN108334579A (zh) * 2018-01-25 2018-07-27 孙如江 基于时空业务的地名身份号码编码器、编码方法及设备
CN113220808A (zh) * 2021-04-06 2021-08-06 深圳市宝安区信息中心 地理实体的编码方法、装置、设备及存储介质
CN113987082A (zh) * 2021-08-16 2022-01-28 湖南省地质测绘院 一种基于地理实体编码的三维单体模型数据模型表达方法

Also Published As

Publication number Publication date
CN115064054A (zh) 2022-09-16

Similar Documents

Publication Publication Date Title
Chen et al. A methodology for automated segmentation and reconstruction of urban 3-D buildings from ALS point clouds
Yu et al. Automated derivation of urban building density information using airborne LiDAR data and object-based method
CN106898045B (zh) 一种基于sgog瓦块的大区域真三维地理场景自适应构建方法
CN104835202A (zh) 一种三维虚拟场景快速构建方法
CN113436319B (zh) 城市室内三维语义模型的异形排列矩阵构建方法及其系统
CN111784840B (zh) 基于矢量数据自动分割lod层级三维数据单体化方法及系统
CN113505842B (zh) 一种适用于大尺度区域遥感影像城市建筑物自动提取方法
CN114049462B (zh) 一种三维模型单体化方法及装置
CN112215308B (zh) 一种吊装物体单阶检测方法、装置、电子设备及存储介质
CN112712033A (zh) 一种城市排水管网汇水区自动划分方法
CN115082699B (zh) 一种轮廓形状提取方法、装置、电子设备及存储介质
CN115294294A (zh) 基于深度图像和点云的管线bim模型重建方法及系统
CN113869331A (zh) 基于遥感影像的水体提取方法、装置、设备及存储介质
CN115064054B (zh) 一种地理实体空间身份编码构建方法
CN114332616A (zh) 基于正射影像和倾斜摄影数据的建筑物变化检测方法
CN108898679A (zh) 一种零部件序号自动标注的方法
CN110348542A (zh) 一种遥感图像特征与地理空间位置的深度融合方法
CN113838199B (zh) 一种三维地形生成方法
Sun et al. Semantic Segmentation and Roof Reconstruction of Urban Buildings Based on LiDAR Point Clouds
CN113989680A (zh) 建筑三维场景自动构建方法及系统
CN115689965B (zh) 面向整景卫星影像深度学习密集匹配的多级视差融合方法
CN114863075B (zh) 基于多传感器的消防疏散路径规划方法、装置、设备
Ma et al. Complex buildings orientation recognition and description based on vector reconstruction
Uysal et al. 3d modeling of historical doger caravansaries by digital photogrammetry
CN117313217B (zh) 基于三维场景数据进行建筑物室内模型建模方法

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
TA01 Transfer of patent application right

Effective date of registration: 20230630

Address after: No. 27, Wusi West Road, Chengxi District, Xining City, Qinghai Province 810001

Applicant after: Xining surveying and Mapping Institute

Applicant after: Terry digital technology (Beijing) Co.,Ltd.

Applicant after: Qinghai University

Address before: No. 27, Wusi West Road, Chengxi District, Xining City, Qinghai Province 810001

Applicant before: Xining surveying and Mapping Institute

Applicant before: Terry digital technology (Beijing) Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant