CN115439753B - 一种基于dem的陡峭河岸识别方法及系统 - Google Patents

一种基于dem的陡峭河岸识别方法及系统 Download PDF

Info

Publication number
CN115439753B
CN115439753B CN202211247787.2A CN202211247787A CN115439753B CN 115439753 B CN115439753 B CN 115439753B CN 202211247787 A CN202211247787 A CN 202211247787A CN 115439753 B CN115439753 B CN 115439753B
Authority
CN
China
Prior art keywords
steep
river
dem
data
layer
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
CN202211247787.2A
Other languages
English (en)
Other versions
CN115439753A (zh
Inventor
叶胜
何宗
袁超
高翔
陈甲全
王岚
贾亚辉
韩维喆
陈阳
董文杰
刘康甯
王俊
范文武
聂逍瞳
艾道骅
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.)
Chongqing Geographic Information And Remote Sensing Application Center
Original Assignee
Chongqing Geographic Information And Remote Sensing Application Center
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 Chongqing Geographic Information And Remote Sensing Application Center filed Critical Chongqing Geographic Information And Remote Sensing Application Center
Priority to CN202211247787.2A priority Critical patent/CN115439753B/zh
Publication of CN115439753A publication Critical patent/CN115439753A/zh
Application granted granted Critical
Publication of CN115439753B publication Critical patent/CN115439753B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种基于DEM的陡峭河岸识别方法及系统，其中，方法包括：获取河流范围数据、原始DEM数据和遥感影像数据，设定缓冲半径，对河流范围数据进行缓冲区分析，获取河流两岸缓冲区范围，并根据河流两岸缓冲区范围生成第一图层，以第一图层为裁切掩膜，对原始DEM数据进行裁切，获取目标DEM数据；通过陡峭河岸识别算法识别目标DEM数据的陡峭特征值，并生成第二图层，采用自然断裂法对陡峭特征值进行断裂分级，提取出符合条件的陡峭特征值数据，生成第三图层，并转换为矢量格式，得到第四图层，结合遥感影像数据，获取陡峭河岸识别结果图。本发明能够对陡峭河岸的精准识别，为后续规划和区域发展提供数据支撑。

Description

一种基于DEM的陡峭河岸识别方法及系统
技术领域
本发明涉及地理信息技术领域，尤其涉及一种基于DEM的陡峭河岸识别方法及系统。
背景技术
河流是人类生产、生活重要的水资源，河流的水资源可以供人类饮用、满足工业生产的需要等需求。因此，很多城镇、农村集聚区都位于河流的附近。然而，对于部分河网密集山地区域，虽然拥有丰富的河流水资源，却由于河岸过于陡峭，导致河流水资源利用困难，且改造工程量巨大。因此，就需要对区域内的河岸陡峭程度进行提前识别，以便于进行后续空间规划和水资源利用。
目前针对河岸陡峭程度识别的问题，并没有发现相关的解决方法。因此，亟需一种能够对陡峭河岸进行识别，为后续空间规划提供数据支撑的方法。
发明内容
基于此，有必要针对上述技术问题，提供一种基于DEM的陡峭河岸识别方法及系统。
一种基于DEM的陡峭河岸识别方法，包括以下步骤：获取河流范围数据、原始DEM数据和遥感影像数据；设定缓冲半径，对所述河流范围数据进行缓冲区分析计算，获取河流两岸缓冲区范围，并根据所述河流两岸缓冲区范围生成第一图层；将所述第一图层设定为裁切掩膜，对所述原始DEM数据进行裁切分析，获取所述河流两岸缓冲区范围的目标DEM数据；采用陡峭河岸识别算法，计算所述河流两岸缓冲区范围的目标DEM数据的陡峭特征值，生成第二图层；采用自然断裂法对所述第二图层中的陡峭特征值进行断裂分级，提取出符合条件的陡峭特征值数据，生成第三图层；将所述第三图层转换为矢量格式，获取第四图层，结合所述遥感影像数据与第四图层，获取陡峭河岸识别结果图。
在其中一个实施例中，所述陡峭河岸识别算法具体包括：设定分析窗口，根据所述分析窗口内DEM像元的海拔值，采用下式计算河岸的陡峭程度：
Figure BDA0003887413620000021
式中，DQA表示陡峭特征值，在DQA值越大时河岸越陡峭，DQA值越小时，河岸越平缓；PJHB表示分析窗口内DEM像元平均海拔，PJGC表示分析窗口内平均高差，HBi表示第i个DEM像元海拔值，HBd表示分析窗口内DEM像元海拔最低值，GCz表示表示分析窗口内DEM像元最大海拔差值。
在其中一个实施例中，所述分析窗口设定为1km×1km。
在其中一个实施例中，所述结合所述遥感影像数据与第四图层，获取陡峭河岸识别结果图，具体包括：调整图层空间至预设大小，将所述遥感影像数据作为所述第四图层的图层背景，并配备比例尺、指北针和图例；采用导出地图工具，设定图像分辨率，输出陡峭河岸识别结果图。
一种基于DEM的陡峭河岸识别系统，包括：数据获取模块，用于获取河流范围数据、原始DEM数据和遥感影像数据；缓冲区计算模块，用于设定缓冲半径，对所述河流范围数据进行缓冲区分析计算，获取河流两岸缓冲区范围，并根据所述河流两岸缓冲区范围生成第一图层；裁切分析模块，用于将所述第一图层设定为裁切掩膜，对所述原始DEM数据进行裁切分析，获取所述河流两岸缓冲区范围的目标DEM数据；陡峭河岸识别模块，用于采用陡峭河岸识别算法，计算所述河流两岸缓冲区范围的目标DEM数据的陡峭特征值，生成第二图层；断裂分级模块，用于采用自然断裂法对所述第二图层中的陡峭特征值进行断裂分级，提取出符合条件的陡峭特征值数据，生成第三图层；识别结果获取模块，用于将所述第三图层转换为矢量格式，获取第四图层，结合所述遥感影像数据与第四图层，获取陡峭河岸识别结果图。
相比于现有技术，本发明的优点及有益效果在于：通过获取河流范围数据、原始DEM数据和遥感影像数据，设定缓冲半径，对河流范围数据进行缓冲区分析计算，获取河流两岸缓冲区范围，并根据河流两岸缓冲区范围生成第一图层，以第一图层为裁切掩膜，对原始DEM数据进行裁切分析，获取河流两岸缓冲区范围的目标DEM数据；通过陡峭河岸识别算法识别目标DEM数据的陡峭特征值，并基于携带有陡峭特征值的DEM数据生成第二图层，采用自然断裂法对陡峭特征值进行断裂分级，提取出符合条件的陡峭特征值数据，生成第三图层，并转换为矢量格式，得到第四图层，结合遥感影像数据，获取陡峭河岸识别结果图，从而实现对陡峭河岸的精准识别，为后续规划和区域发展提供数据支撑。本发明还能够适用于大范围陡峭河岸的快速识别，操作简便，便于进行批量化操作。
附图说明
图1为一个实施例中一种基于DEM的陡峭河岸识别方法的流程示意图；
图2为一个实施例中陡峭河岸识别结果图的效果示意图；
图3为一个实施例中一种基于DEM的陡峭河岸识别系统的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，下面通过具体实施方式结合附图对本发明做进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
在一个实施例中，如图1所示，提供了一种基于DEM的陡峭河岸识别方法，包括以下步骤：
步骤S101，获取河流范围数据、原始DEM数据和遥感影像数据。
具体地，数据河流数据为矢量格式，可以根据国土调查成果进行获取；原始DEM(Digital Elevation Model，数字高程模型)数据为栅格格式，和遥感影像数据均来源于测绘地理数据信息库。在本实施例中，数据空间参考信息统一为2000国家大地坐标系和1985国家高程基准。
步骤S102，设定缓冲半径，对河流范围数据进行缓冲区分析计算，获取河流两岸缓冲区范围，并根据河流两岸缓冲区范围生成第一图层。
具体地，缓冲区是缓冲半径绕图层要素周围绘制出的环形区域，在本实施例中图层要素为河岸。在进行缓冲区分析时，可以采用Arcgis中的Buffer analysis工具，对河流范围数据进行缓冲区分析，例如设定缓冲半径为2km，确定河流范围数据中的缓冲区范围，并基于框定的缓冲区范围，生成第一图层。在设置时可以采用该工具同时设置多个缓冲区，也能够添加多个缓冲距离。
此外，也可以通过缓冲向导对河流范围数据进行缓冲区进行分析计算，设定缓冲半径方式包括：指定距离，例如手动输入缓冲半径；基于来自属性的距离，例如使用要素中某个字段的值作为缓冲区距离；或作为多缓冲区圆环，创建多缓冲区。
在设定缓冲区时，还可以通过字段、缓冲区单位、末端类型和融合类型等方式，建立缓冲区。其中，字段是采用某一字段作为缓冲区距离；缓冲区单位是根据地图要素进行选择；侧类型是将进行缓冲的输入要素的侧；末端类型是线输入要素末端的缓冲区形状；融合类型是指定要执行哪种融合操作以移除缓冲区重叠。
步骤S103，将第一图层设定为裁切掩膜，对原始DEM数据进行裁切分析，获取河流两岸缓冲区范围的目标DEM数据。
具体地，在获取到设定好缓冲区域范围的第一图层后，利用Arcgis中的Extractby mask工具，对原始DEM数据进行裁切分析，并将第一图层设定为裁切掩膜，得到河流两岸缓冲区范围的目标DEM数据。裁切掩膜即为裁剪范围数据，根据裁剪掩膜确定需要在第一图层中裁剪的图像大小，从而得到河流两岸缓冲区域范围的目标DEM数据。
步骤S104，采用陡峭河岸识别算法，计算河流两岸缓冲区范围的DEM数据的陡峭特征值，生成第二图层。
具体地，获取到河流两岸缓冲区域范围的目标DEM数据后，采用陡峭河岸识别算法，对目标DEM数据中河岸的陡峭特征值进行计算，根据陡峭特征值的大小确定陡峭河岸，并根据确定的陡峭河岸生成第二图层，得到的第二图层为栅格格式。
其中，陡峭河岸识别算法包括：设定分析窗口，根据分析窗口内DEM像元的海拔值，采用下式计算河岸的陡峭程度：
Figure BDA0003887413620000041
式中，DQA表示陡峭特征值，在DQA值越大时河岸越陡峭，DQA值越小时，河岸越平缓；PJHB表示分析窗口内DEM像元平均海拔，PJGC表示分析窗口内平均高差，HBi表示第i个DEM像元海拔值，HBd表示分析窗口内DEM像元海拔最低值，GCz表示表示分析窗口内DEM像元最大海拔差值。
具体地，采用Arcmap栅格计算器Raster Calculator工具加载目标DEM数据，设定分析窗口的大小，例如将分析窗口设定为1km×1km，在目标DEM中依次滑动分析窗口，采用上述算法进行陡峭特征值计算，直至计算完目标DEM数据中的所有陡峭特征值。
步骤S105，采用自然断裂法对第二图层中的陡峭特征值进行断裂分级，提取出符合条件的陡峭特征值数据，生成第三图层。
具体地，获取第二图层中的所有陡峭特征值，并采用自然断点法对所有陡峭特征值进行分类。采用自然断点法分类后，陡峭特征值各类别之间的差别较大，从而达到分级的目的，以便于选取出不小于预设阈值的陡峭特征值对应的数据，例如将预设阈值设置为80.43时，就能够将不小于80.43对应的河岸范围认定为陡峭河岸，根据携带有陡峭特征值的数据生成第三图层，第三图层为栅格格式。
在识别出符合条件的陡峭特征值后，可以通过框定的方式，将第二图层中对应的河岸数据进行标注，便于进行陡峭特征值数据提取，从而生成第三图层。
步骤S106，将第三图层转换为矢量格式，获取第四图层，结合遥感影像数据与第四图层，获取陡峭河岸识别结果。
具体地，在Arcmap中加载第三图层，利用栅格转矢量工具Raster to polygon，将第三图层转换为矢量格式的第四图层，便于根据第四图层进行制图；结合遥感影像数据和第四图层，采用地图导出工具，输出陡峭河岸识别结果图。
其中，调整图层空间至预设大小，将遥感影像数据作为第四图层的图层背景，并配备比例尺、指北针和图例；采用导出地图工具，设定图像分辨率，输出陡峭河岸识别结果图。
具体地，在需要导出识别结果图是，将图层中间调整到需要的大小，并配置好比例尺、指北针和图例等，采用地图导出工具，设定图像分辨率，例如设定为300dpi，从而能够得到对应的陡峭河岸识别结果图，如图2所示，为一陡峭河岸识别结果的效果示意图，封闭区域内的河岸为识别出的陡峭河岸。
在本实施例中，通过获取河流范围数据、原始DEM数据和遥感影像数据，设定缓冲半径，对河流范围数据进行缓冲区分析计算，获取河流两岸缓冲区范围，并根据河流两岸缓冲区范围生成第一图层，以第一图层为裁切掩膜，对原始DEM数据进行裁切分析，获取河流两岸缓冲区范围的目标DEM数据；通过陡峭河岸识别算法识别目标DEM数据的陡峭特征值，并基于携带有陡峭特征值的DEM数据生成第二图层，采用自然断裂法对陡峭特征值进行断裂分级，提取出符合条件的陡峭特征值数据，生成第三图层，并转换为矢量格式，得到第四图层，结合遥感影像数据，获取陡峭河岸识别结果图，通过数字高程模型和河流矢量范围数据，基于陡峭河岸识别算法，实现了对陡峭河岸的精准识别，有效解决了陡峭河岸识别的难题，为后续的空间规划和区域发展提供数据支撑。
如图3所示，提供了一种基于DEM的陡峭河岸识别系统30，包括：数据获取模块31、缓冲区计算模块32、裁切分析模块33、陡峭河岸识别模块34、断裂分级模块35和识别结果获取模块36，其中：
数据获取模块31，用于获取河流范围数据、原始DEM数据和遥感影像数据；
缓冲区计算模块32，用于设定缓冲半径，对河流范围数据进行缓冲区分析计算，获取河流两岸缓冲区范围，并根据河流两岸缓冲区范围生成第一图层；
裁切分析模块33，用于将第一图层设定为裁切掩膜，对原始DEM数据进行裁切分析，获取河流两岸缓冲区范围的目标DEM数据；
陡峭河岸识别模块34，用于采用陡峭河岸识别算法，计算河流两岸缓冲区范围的目标DEM数据的陡峭特征值，生成第二图层；
断裂分级模块35，用于采用自然断裂法对第二图层中的陡峭特征值进行断裂分级，提取符合条件的陡峭特征值数据，生成第三图层；
识别结果获取模块36，用于将第三图层转换为矢量格式，获取第四图层，结合遥感影像数据与第四图层，获取陡峭河岸识别结果图。
在一个实施例中，识别结果获取模块36具体用于：调整图层空间至预设大小，将遥感影像数据作为第四图层的图层背景，并配备比例尺、指北针和图例；采用导出地图工具，设定图像分辨率，输出陡峭河岸识别结果图。
显然，本领域的技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在计算机存储介质(ROM/RAM、磁碟、光盘)中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。所以，本发明不限制于任何特定的硬件和软件结合。
以上内容是结合具体的实施方式对本发明所做的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (4)

1.一种基于DEM的陡峭河岸识别方法，其特征在于，包括以下步骤：
获取河流范围数据、原始DEM数据和遥感影像数据；
设定缓冲半径，对所述河流范围数据进行缓冲区分析计算，获取河流两岸缓冲区范围，并根据所述河流两岸缓冲区范围生成第一图层；
将所述第一图层设定为裁切掩膜，对所述原始DEM数据进行裁切分析，获取所述河流两岸缓冲区范围的目标DEM数据；
采用陡峭河岸识别算法，计算所述河流两岸缓冲区范围的目标DEM数据的陡峭特征值，生成第二图层，其中，所述陡峭河岸识别算法具体包括：设定分析窗口，根据所述分析窗口内DEM像元的海拔值，采用下式计算河岸的陡峭程度：
Figure FDA0004186769170000011
式中，DQA表示陡峭特征值，在DQA值越大时河岸越陡峭，DQA值越小时，河岸越平缓；PJHB表示分析窗口内DEM像元平均海拔，PJGC表示分析窗口内平均高差，HBi表示第i个DEM像元海拔值，HBd表示分析窗口内DEM像元海拔最低值，GCz表示表示分析窗口内DEM像元最大海拔差值；
采用自然断裂法对所述第二图层中的陡峭特征值进行断裂分级，提取出符合条件的陡峭特征值数据，生成第三图层；
将所述第三图层转换为矢量格式，获取第四图层，结合所述遥感影像数据与第四图层，获取陡峭河岸识别结果图。
2.根据权利要求1所述的一种基于DEM的陡峭河岸识别方法，其特征在于，所述分析窗口设定为1km×1km。
3.根据权利要求1所述的一种基于DEM的陡峭河岸识别方法，其特征在于，所述结合所述遥感影像数据与第四图层，获取陡峭河岸识别结果图，具体包括：
调整图层空间至预设大小，将所述遥感影像数据作为所述第四图层的图层背景，并配备比例尺、指北针和图例；
采用导出地图工具，设定图像分辨率，输出陡峭河岸识别结果图。
4.一种基于DEM的陡峭河岸识别系统，用于实现上述权利要求1-3任一项所述的一种基于DEM的陡峭河岸识别方法，其特征在于，包括：
数据获取模块，用于获取河流范围数据、原始DEM数据和遥感影像数据；
缓冲区计算模块，用于设定缓冲半径，对所述河流范围数据进行缓冲区分析计算，获取河流两岸缓冲区范围，并根据所述河流两岸缓冲区范围生成第一图层；
裁切分析模块，用于将所述第一图层设定为裁切掩膜，对所述原始DEM数据进行裁切分析，获取所述河流两岸缓冲区范围的目标DEM数据；
陡峭河岸识别模块，用于采用陡峭河岸识别算法，计算所述河流两岸缓冲区范围的目标DEM数据的陡峭特征值，生成第二图层，其中，所述陡峭河岸识别算法具体包括：设定分析窗口，根据所述分析窗口内DEM像元的海拔值，采用下式计算河岸的陡峭程度：
Figure FDA0004186769170000021
式中，DQA表示陡峭特征值，在DQA值越大时河岸越陡峭，DQA值越小时，河岸越平缓；PJHB表示分析窗口内DEM像元平均海拔，PJGC表示分析窗口内平均高差，HBi表示第i个DEM像元海拔值，HBd表示分析窗口内DEM像元海拔最低值，GCz表示表示分析窗口内DEM像元最大海拔差值；
断裂分级模块，用于采用自然断裂法对所述第二图层中的陡峭特征值进行断裂分级，提取出符合条件的陡峭特征值数据，生成第三图层；
识别结果获取模块，用于将所述第三图层转换为矢量格式，获取第四图层，结合所述遥感影像数据与第四图层，获取陡峭河岸识别结果图。
CN202211247787.2A 2022-10-12 2022-10-12 一种基于dem的陡峭河岸识别方法及系统 Active CN115439753B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211247787.2A CN115439753B (zh) 2022-10-12 2022-10-12 一种基于dem的陡峭河岸识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211247787.2A CN115439753B (zh) 2022-10-12 2022-10-12 一种基于dem的陡峭河岸识别方法及系统

Publications (2)

Publication Number Publication Date
CN115439753A CN115439753A (zh) 2022-12-06
CN115439753B true CN115439753B (zh) 2023-06-06

Family

ID=84250307

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211247787.2A Active CN115439753B (zh) 2022-10-12 2022-10-12 一种基于dem的陡峭河岸识别方法及系统

Country Status (1)

Country Link
CN (1) CN115439753B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116342738B (zh) * 2023-01-31 2023-08-29 重庆市地理信息和遥感应用中心(重庆市测绘产品质量检验测试中心) 一种基于gis的禁捕矢量范围自动提取和图示制作方法
CN116778332B (zh) * 2023-06-25 2024-03-26 重庆市地理信息和遥感应用中心(重庆市测绘产品质量检验测试中心) 基于dem的河流沿岸易淹没范围识别方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103793907A (zh) * 2013-12-12 2014-05-14 中国科学院深圳先进技术研究院 一种水体信息的提取方法及装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106067030A (zh) * 2016-05-26 2016-11-02 广西师范学院 一种河流特征分类数据的处理方法
CN105787289A (zh) * 2016-05-26 2016-07-20 广西师范学院 一种河流特征数据分类系统及其分类方法
CN112507823B (zh) * 2020-11-27 2022-08-02 清华大学 森林火灾特殊危险地形识别方法及装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103793907A (zh) * 2013-12-12 2014-05-14 中国科学院深圳先进技术研究院 一种水体信息的提取方法及装置

Also Published As

Publication number Publication date
CN115439753A (zh) 2022-12-06

Similar Documents

Publication Publication Date Title
CN115439753B (zh) 一种基于dem的陡峭河岸识别方法及系统
CN108229485B (zh) 用于测试用户界面的方法和装置
Xu et al. A supervoxel approach to the segmentation of individual trees from LiDAR point clouds
CN108229418B (zh) 人体关键点检测方法和装置、电子设备、存储介质和程序
CN115375868B (zh) 地图显示和遥感地图显示方法、计算设备以及存储介质
CN102708587A (zh) 一种快速获取三维建筑信息的方法及系统
CN110188495B (zh) 一种基于深度学习的二维户型图生成三维户型图的方法
CN110941978B (zh) 一种未识别身份人员的人脸聚类方法、装置及存储介质
CN110136198A (zh) 图像处理方法及其装置、设备和存储介质
CN112883900B (zh) 遥感影像裸地反演可视图的方法及装置
CN114743109B (zh) 多模型协同优化高分遥感图像半监督变化检测方法及系统
CN113033516A (zh) 对象识别统计方法及装置、电子设备、存储介质
CN111461101A (zh) 工服标志的识别方法、装置、设备及存储介质
CN111753766B (zh) 一种图像处理方法、装置、设备及介质
CN116993732B (zh) 一种缝隙检测方法、系统和存储介质
CN111597845A (zh) 一种二维码检测方法、装置、设备及可读存储介质
KR102388777B1 (ko) ３６０도 ｖｒ 카메라를 이용한 연도변 조사 서비스 제공 시스템
CN117095216B (zh) 基于对抗生成网络的模型训练方法、系统、设备及介质
CN112232390B (zh) 一种高像素大图像的识别方法和系统
CN113610032A (zh) 基于遥感影像的建筑物识别方法和装置
CN113344064A (zh) 事件处理方法和装置
CN113537017A (zh) 基于级联型回归修正的光学遥感图像飞机检测方法和装置
CN112097776A (zh) 用于提高航线地图渲染效率的方法及系统
KR101768913B1 (ko) 지리 정보 데이터 분할 방법, 분할 장치 및 이를 수행하는 프로그램을 기록하는 기록매체
CN109118424B (zh) 一种目标检测的图像处理内存管理方法及管理系统

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