CN115620168A - 基于空天数据提取三维建筑物轮廓的方法、装置及设备 - Google Patents
基于空天数据提取三维建筑物轮廓的方法、装置及设备 Download PDFInfo
- Publication number
- CN115620168A CN115620168A CN202211534739.1A CN202211534739A CN115620168A CN 115620168 A CN115620168 A CN 115620168A CN 202211534739 A CN202211534739 A CN 202211534739A CN 115620168 A CN115620168 A CN 115620168A
- Authority
- CN
- China
- Prior art keywords
- data
- target building
- base point
- building
- extracting
- 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
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
- G06V20/13—Satellite images
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Astronomy & Astrophysics (AREA)
- Processing Or Creating Images (AREA)
Abstract
本申请公开了基于空天数据提取三维建筑物轮廓的方法、装置及设备,涉及提取三维建筑物轮廓技术领域,用于解决现有技术中构建三维矢量建筑物外轮廓的效率较低的技术问题,该方法包括获取目标建筑物的航飞照片数据和遥感卫星影像DOM数据;基于所述目标建筑物的航飞照片数据,生成DSM数据;基于所述目标建筑物的所述遥感卫星影像DOM数据,提取所述目标建筑物的顶面轮廓数据;基于所述DSM数据和所述顶面轮廓数据,获得所述目标建筑物的空间高度信息数组,以提取所述目标建筑物的底面海拔数据和顶面海拔数据。通过该方法提取目标建筑物轮廓的效率更高,从而更利于相关人员利用目标建筑物的信息。
Description
技术领域
本申请涉及提取三维建筑物轮廓技术领域,尤其涉及基于空天数据提取三维建筑物轮廓的方法、装置及设备。
背景技术
我国目前在无人机行业发展迅猛,数字孪生的概念应运而生。现有的无人机模型生产的数据都是倾斜摄影数据,这类型数据能真实的表现建筑物和地物的外貌,但是无法显示其内在的属性。为了显示建筑物内在的属性,添加内在属性需要将数据进行单体化或者是构建三维矢量建筑物外轮廓。其中,构建三维矢量建筑物外轮廓非常重要。
但是,现有技术中构建三维矢量建筑物外轮廓的效率较低,从而不利于相关人员利用目标建筑物的信息。
发明内容
本申请的主要目的在于提供基于空天数据提取三维建筑物轮廓的方法、装置及设备,旨在解决现有技术中构建三维矢量建筑物外轮廓的效率较低,从而不利于相关人员利用目标建筑物的信息的技术问题。
为实现上述目的,本申请第一方面提供了一种基于空天数据提取三维建筑物轮廓的方法,所述方法包括:
获取目标建筑物的航飞照片数据和遥感卫星影像DOM数据;
基于所述目标建筑物的航飞照片数据,生成DSM数据;
基于所述目标建筑物的所述遥感卫星影像DOM数据,提取所述目标建筑物的顶面轮廓数据;其中,所述顶面轮廓数据包括经度信息数据和纬度信息数据;
基于所述DSM数据和所述顶面轮廓数据,获得所述目标建筑物的空间高度信息数组;
对所述空间高度信息数组中的数据进行统计分析,以提取所述目标建筑物的高度数据;
基于所述顶面轮廓数据和所述高度数据,获得所述目标建筑物的轮廓。
可选地,所述基于所述DSM数据和所述顶面轮廓数据,获得所述目标建筑物的空间高度信息数组,包括:
基于所述顶面轮廓数据,提取所述目标建筑物的空间位置数据;
对所述目标建筑物的空间位置进行预设范围的扩展,以获得包括缓冲区的更新空间位置数据;
将所述更新空间位置数据与所述DSM数据进行组合,以获得所述空间高度信息数组。
可选地,所述对所述空间高度信息数组中的数据进行统计分析,以提取所述目标建筑物的高度数据,包括:
将所述空间高度信息数组进行数值简化,以省去所述空间高度信息数组中各数值的小数;其中,所述空间高度信息数组中包括所述目标建筑物的若干海拔数据;将简化后的所述空间高度信息数组进行排序;
对排序后的所述空间高度信息数组进行聚类;
基于聚类后的空间高度信息数组,获得所述目标建筑物的顶面海拔数据和底面海拔数据;
基于所述顶面海拔数据和所述底面海拔数据,获得所述目标建筑物的高度数据。
可选地,所述基于聚类后的空间高度信息数组,获得所述目标建筑物的顶面海拔数据和底面海拔数据,包括:
基于聚类后的空间高度信息数组,获得重复次数最多的基点数据;
基于所述基点数据,向所述基点数据的左侧移动,以获得低集中点数据;其中,所述基点数据左侧的数据小于所述基点数据;所述低集中点数据为所述基点数据左侧的数据在上升趋势中出现次数最多的数据或为所述基点数据;所述低集中点数据即为所述底面海拔数据;
基于所述基点数据,向所述基点数据的右侧移动,以获得高集中点数据;其中,所述基点数据右侧的数据大于所述基点数据;所述高集中点数据为所述基点数据右侧的数据在上升趋势中出现次数最多的数据或为所述基点数据;所述高集中点数据即为所述顶面海拔数据。
所述基于所述基点数据,向所述基点数据的左侧移动,以获得低集中点数据,包括:
基于所述基点数据,预设第一数量下降阈值;其中,所述第一数量下降阈值用于统计向所述基点数据左侧移动过程中的点数之和的预设的数值;
向所述基点数据左侧移动的过程中,若统计的所述点数之和小于所述第一数量下降阈值,则所述基点数据左侧的数据在上升趋势中出现次数最多的数据为低集中点数据;若统计的所述点数之和大于或等于所述第一数量下降阈值,则所述基点数据为低集中点数据;
所述基于所述基点数据,向所述基点数据的右侧移动,以获得高集中点数据,包括:
基于所述基点数据,预设第二数量下降阈值;其中,所述第二数量下降阈值用于统计向所述基点数据右侧移动过程中的点数之和的预设的数值;
向所述基点数据右侧移动的过程中,若统计的所述点数之和小于所述第二数量下降阈值,则所述基点数据右侧的数据在上升趋势中出现次数最多的数据为高集中点数据;若统计的所述点数之和大于或等于所述第二数量下降阈值,则所述基点数据为高集中点数据。
可选地,在基于所述顶面轮廓数据和所述高度数据,获得所述目标建筑物的轮廓之后,还包括:
将所述目标建筑物的业务属性数据添加到所述目标建筑物的轮廓中,以获得带属性的轮廓数据,所述带属性的轮廓数据包括空间位置数据和属性数据;
所述将所述目标建筑物的业务属性数据添加到所述目标建筑物的轮廓中,以获得带属性的轮廓数据之后,还包括:
将所述带属性的轮廓数据存储在关系数据库中,以供调用。
可选地,所述基于所述目标建筑物的所述遥感卫星影像DOM数据,提取所述目标建筑物的顶面轮廓数据,包括:
基于历史建筑物的遥感卫星影像DOM数据,进行像素分类训练,以获得深度数据模型;
基于所述深度数据模型,提取所述目标建筑物的顶面轮廓数据。
可选地,所述基于所述深度数据模型,提取所述目标建筑物的顶面轮廓数据,包括:
基于所述深度数据模型和所述目标建筑物的遥感卫星影像DOM数据,获得所述目标建筑物的遥感卫星影像DOM数据的栅格数据;其中,所述栅格数据包括暗处栅格数据和亮处栅格数据;所述暗处栅格数据为所述目标建筑物未受光的点的数据,所述亮处栅格数据为所述目标建筑物受光的点的数据;
将所述亮处栅格数据转换为矢量数据;
基于所述矢量数据,获得所述目标建筑物的顶面轮廓数据。
第二方面,一种基于空天数据提取三维建筑物轮廓的装置,所述装置包括:
获取模块,用于获取目标建筑物的航飞照片数据和遥感卫星影像DOM数据;
生成模块,用于基于所述目标建筑物的航飞照片数据,生成DSM数据;
第一提取模块,用于基于所述目标建筑物的所述遥感卫星影像DOM数据,提取所述目标建筑物的顶面轮廓数据;其中,所述顶面轮廓数据包括经度信息数据和纬度信息数据;
第一获得模块,用于基于所述DSM数据和所述顶面轮廓数据,获得所述目标建筑物的空间高度信息数组;
第二提取模块,用于对所述空间高度信息数组中的数据进行统计分析,以提取所述目标建筑物的高度数据;
第二获得模块,用于基于所述顶面轮廓数据和所述高度数据,获得所述目标建筑物的轮廓。
第三方面,本申请提供了一种计算机设备,该计算机设备包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序,实现实施例中所述的方法。
第四方面,本申请提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,处理器执行所述计算机程序,实现实施例中所述的方法。
通过上述技术方案,本申请至少具有如下有益效果:
本申请实施例提出的基于空天数据提取三维建筑物轮廓的方法、装置及设备,该方法通过先获取目标建筑物的航飞照片数据和遥感卫星影像DOM数据;然后基于所述目标建筑物的航飞照片数据,生成DSM数据;然后基于所述目标建筑物的所述遥感卫星影像DOM数据,提取所述目标建筑物的顶面轮廓数据;其中,所述顶面轮廓数据包括经度信息数据和纬度信息数据;然后基于所述DSM数据和所述顶面轮廓数据,获得所述目标建筑物的空间高度信息数组;再对所述空间高度信息数组中的数据进行统计分析,以提取所述目标建筑物的高度数据;最后基于所述顶面轮廓数据和所述高度数据,获得所述目标建筑物的轮廓。通过该方法提取目标建筑物的三维轮廓时,通过拍摄目标建筑物的航飞照片和遥感卫星影像DOM数据,并生成DSM数据,再得到包括经度信息数据和纬度信息数据的顶面轮廓数据,以及目标建筑物的高度数据。经度信息数据和纬度信息数据的组合可以得到目标建筑物的无数个点,无数个点可以构成目标建筑物的基本外形轮廓,再加上目标建筑物的高度数据,也就是目标建筑物的最高点数据和最低点数据,即可得到目标建筑物的完整轮廓。本申请由于是通过目标建筑物的航飞照片数据为基础信息,并通过对航飞照片数据加以分析和处理,得到可以构成目标建筑物无数个点的经度信息数据和纬度信息数据,以及可以确定目标建筑物高度的高度数据,基于以上数据即可得到目标建筑物的轮廓。其中,目标建筑物的航飞照片可以通过无人机获得,经度信息数据、纬度信息数据和高度数据等重要数据可以通过计算机分析航飞照片而获得。由于无人机获得目标建筑物的航飞照片,以及计算机从航飞照片中分析提取上述重要数据的效率更高,因此相比通过人工构建目标建筑物的轮廓,通过该方法形成一个完整的数据流生产过程提取目标建筑物轮廓的效率更高。由于能更加高效的提取到目标建筑物的轮廓,从而更利于相关人员利用目标建筑物的信息。同时,可批量生产数据,并且可以充分利用计算机性能,与云计算技术结合,实现数据的高速生产。
附图说明
图1为本申请实施例涉及的硬件运行环境的计算机设备结构示意图;
图2为本申请实施例的基于空天数据提取三维建筑物轮廓的方法的流程图;
图3为本申请步骤S13的一种具体执行方法的流程示意图;
图4为本申请实施例中渲染后包括轮廓的三维建筑物示意图;
图5为本申请步骤S12的一种具体执行方法的流程示意图;
图6为本申请实施例的基于空天数据提取三维建筑物轮廓的装置的示意图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
卫星可获取遥感影像,遥感影像获取的信息量较为丰富,故而解译出遥感影像,遥感获取技术的快速发展,高分辨率遥感影像资源越来越丰富,如何自动处理、解译海量的图像数据是在整个社会信息化过程中面临的重要问题。建筑物作为重要的城市基础地理信息,它的自动识别与精确提取对GIS数据获取、影像理解、大比例尺制图以及其它许多应用都具有重要的意义。
我国目前在无人机行业发展迅猛,数字孪生的概念应运而生。现有的无人机模型生产的数据都是倾斜摄影数据。这类型数据能真实的表现建筑物和地物的外貌,但是无法显示其内在的属性。添加内在属性需要将数据进行单体化或者是构建矢量外轮廓。目前构建矢量外轮廓过程多为人工过程。人工构建主要问题为成本高,用时长等缺点。如果通过自动化的过程能大量降低成本并提高效率。其中,构建三维矢量建筑物外轮廓非常重要。综上,目前构建三维矢量建筑物外轮廓的效率较低,从而不利于相关人员利用目标建筑物的信息。
为了解决上述技术问题,本申请提供了基于空天数据提取三维建筑物轮廓的方法、装置及设备,在介绍本申请的具体技术方案之前,先介绍下本申请实施例方案涉及的硬件运行环境。
参照图1,图1为本申请实施例方案涉及的硬件运行环境的计算机设备结构示意图。
如图1所示,该计算机设备可以包括:处理器1001,例如中央处理器(CentralProcessing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选地可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选地还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对计算机设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及电子程序。
在图1所示的计算机设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明计算机设备中的处理器1001、存储器1005可以设置在计算机设备中,所述计算机设备通过处理器1001调用存储器1005中存储的基于空天数据提取三维建筑物轮廓的装置,并执行本申请实施例提供的基于空天数据提取三维建筑物轮廓的方法。
参照图2,基于前述实施例的硬件环境,本申请的实施例提供了一种基于空天数据提取三维建筑物轮廓的方法,该方法包括:
S10:获取目标建筑物的航飞照片数据和遥感卫星影像DOM数据。
在具体实施过程中,目标建筑物是指需要构建建筑物轮廓的建筑物;航飞照片数据是指在高处为目标建筑物拍摄的照片,具体的,可以通过无人机对目标建筑物进行航拍而得到航飞照片数据。拍摄时,先设置航线,在航飞软件上根据实际情况设置航飞高度,设置航飞路线的航向重叠率优选80%,旁向重叠率优选80%,然后通过无人机得到目标建筑物的航飞照片;遥感卫星影像DOM数据可以通过常规的卫星而获得。
DOM是英文Digital Orthophoto Map的缩写,中文意思为数字正射影像图。是利用数字高程模型对扫描处理的数字化的航空相片、遥感影像,经逐个像元纠正,按图幅范围裁切生成的影像数据。它的信息比较直观,具有良好的可判读性和可量测性,从中可直接提取自然地理和社会经济信息。
S11:基于所述目标建筑物的航飞照片数据,生成DSM数据。
在具体实施过程中,航飞照片数据通过利用pix4D软件生成DSM数据,DSM(DigitalSurface Model,数字地表模型)数据是通过有限的地形高程数据实现对地面地形的数字化模拟(即地形表面形态的数字化表达),它是用一组有序数值阵列形式表示地面高程的一种实体地面模型,是数字地形模型的一个分支,其它各种地形特征值均可由此派生。
S12:基于所述目标建筑物的所述遥感卫星影像DOM数据,提取所述目标建筑物的顶面轮廓数据;其中,所述顶面轮廓数据包括经度信息数据和纬度信息数据。
在具体实施过程中,顶面轮廓数据包括经度信息数据和纬度信息数据,纬度信息数据可以看作目标建筑物在x轴上的坐标数据,经度信息数据可以看作目标建筑物在y轴上的坐标数据,因此经度信息数据和纬度信息数据组合在一起可以得到构成目标建筑物的无数个点,无数个点可以构成目标建筑物的基本外形轮廓。因此通过目标建筑物的顶面轮廓数据,可以得到目标建筑物的基本外形轮廓。
S13:基于所述DSM数据和所述顶面轮廓数据,获得所述目标建筑物的空间高度信息数组。
在具体实施过程中,空间高度信息数组中可以包括关于目标建筑物的若干海拔数据,其中,可能包括顶部的一些海拔数据和底部的一些海拔数据。可以理解的是,一般来说,目标建筑物的顶部和底部都并不是一个平面,而是包括很多凹凸不平的结构,例如,在顶部,可能有边缘的围栏,也可能有水箱,还可以有容纳电梯突出的结构。因此,获得的若干海拔数据,不仅包括顶部和底部的海拔数据,还包括一些干扰的海拔数据,因此,空间高度信息数组中一般都包括多个具有一定差别的数值,要想获得准确的顶面和地面的海拔数据,需要从这些数组中识别出准确的底面海拔数据和顶面海拔数据。
具体的,底面海拔数据可以看作是目标建筑物的底面位置坐标数据,也就是目标建筑物的最低点的坐标位置;顶面海拔数据可以看作是目标建筑物的顶面位置坐标数据,也就是目标建筑物的最高点的坐标位置。
S14:对所述空间高度信息数组中的数据进行统计分析,以提取所述目标建筑物的高度数据。
在具体实施过程中,由于空间高度信息数组包括目标建筑物的若干海拔数据,目标建筑物的若干海拔数据包括目标建筑物的若干顶部海拔和若干底部海拔数据。这些若干顶部海拔和若干底部海拔数据需要进行统计分析,并根据统计分析的结果得到目标建筑物的高度数据,该高度数据可以体现目标建筑物的真实高度。
S15:基于所述顶面轮廓数据和所述高度数据,获得所述目标建筑物的轮廓。
在具体实施过程中,通过以上步骤的分析可知顶面轮廓数据包括经度信息数据和纬度信息数据,通过经度信息数据和纬度信息数据可以得到目标建筑物的基本外形轮廓;目标建筑物的基本外形轮廓加上目标建筑物的和高度数据,即可限定目标建筑物的轮廓,也就是可以得到目标建筑物的轮廓。
综上,通过该方法提取目标建筑物的三维轮廓时,通过拍摄目标建筑物的航飞照片和遥感卫星影像DOM数据,并生成DSM数据,再得到包括经度信息数据和纬度信息数据的顶面轮廓数据,以及目标建筑物的高度数据。经度信息数据和纬度信息数据的组合可以得到目标建筑物的无数个点,无数个点可以构成目标建筑物的基本外形轮廓,再加上目标建筑物的高度数据,也就是目标建筑物的最高点数据和最低点数据,即可得到目标建筑物的完整轮廓。
本申请由于是通过目标建筑物的航飞照片数据为基础信息,并通过对航飞照片数据加以分析和处理,得到可以构成目标建筑物无数个点的经度信息数据和纬度信息数据,以及可以确定目标建筑物高度的高度数据,基于以上数据即可得到目标建筑物的轮廓。其中,目标建筑物的航飞照片可以通过无人机获得,经度信息数据、纬度信息数据和高度数据等重要数据可以通过计算机分析航飞照片而获得。也就是,本申请基于天空数据(航飞照片数据)提取建筑物轮廓的过程是一个数据流的完整生产过程,可有批量生产数据,这里的“批量生产数据”至少包括如下两层意思:一是可以一次性同时对多个目标建筑物的航飞照片进行批量提取上述重要数据;二是可以一次性同时对一个目标建筑物的航飞照片进行批量提取上述重要数据;并构成最终建筑物的三维轮廓。且提取目标建筑物的重要数据,最终得到目标建筑物三维轮廓的过程中,可以同云计算技术结合,充分利用计算机性能,实现数据的高速生产。
总之,由于无人机获得目标建筑物的航飞照片,以及计算机从航飞照片中分析提取上述重要数据的效率更高(而且可以同时批量提取一个或多个目标建筑物的重要数据),因此相比通过人工构建目标建筑物的轮廓,通过该方法提取目标建筑物轮廓的效率更高,人工成本更低。由于能更加高效的提取到目标建筑物的轮廓,从而更利于相关人员流程化、自动化和标准化的利用目标建筑物的信息。
在一些实施例中,如图3所示,所述基于所述DSM数据和所述顶面轮廓数据,获得所述目标建筑物的空间高度信息数组,包括:
S131:基于所述顶面轮廓数据,提取所述目标建筑物的空间位置信息。
在具体实施过程中,依次取不同建筑物的轮廓样本并获得相应建筑物的经度信息和纬度信息,将生成的矢量进行遍历获取单个矢量面的空间位置信息。
S132:对所述目标建筑物的空间位置进行预设范围的扩展,以获得包括缓冲区的更新空间位置数据。
在具体实施过程中,基于每个建筑物的空间位置信息,优选的,进行1m的范围扩展,生成1m的缓冲区域并得到新的空间位置信息,添加一米缓冲区是为了后面叠加DSM数据时获取目标建筑物底面的高度。
S133:将所述更新空间位置数据与所述DSM数据进行组合,以获得所述空间高度信息数组。
在具体实施过程中,将新的空间位置信息与DSM数据(最高点与最低点的海拔高度)叠加,获取该一组空间高度信息数组,该数组会包含目标建筑物顶面的高度和目标建筑物底面的高度。
为了从这些数组中识别出准确的底面海拔数据和顶面海拔数据,可以将步骤S133得到的空间高度信息数组进行集中趋势的统计分析,具体的,分析步骤如下:
先将所述空间高度信息数组进行简化,以省去所述空间高度信息数组中各数值的小数,其中,空间高度信息数组中包括目标建筑物的若干海拔数据;目的是为了减少计算量和更好的统计趋势。然后将简化后的空间高度信息数组进行排序;再对排序后的所述空间高度信息数组进行聚类,如空间高度信息数组是[31,32,33,33,33,33,34…],则统计31出现1次,32出现2次,33出现3次…;然后,基于聚类后的空间高度信息数组,获得所述目标建筑物的顶面海拔数据和底面海拔数据;最后,基于所述顶面海拔数据和所述底面海拔数据,获得所述目标建筑物的高度数据。
具体的,获得目标建筑物的顶面海拔数据和底面海拔数据可以通过如下方式:
先基于聚类后的空间高度信息数组,获得重复次数最多的基点数据;然后基于所述基点数据,向所述基点数据的左侧移动,以获得低集中点数据;其中,所述基点数据左侧的数据小于所述基点数据;所述低集中点数据为所述基点数据左侧的数据在上升趋势中出现次数最多的数据或为所述基点数据;所述低集中点数据即为所述底面海拔数据;最后基于所述基点数据,向所述基点数据的右侧移动,以获得高集中点数据;其中,所述基点数据右侧的数据大于所述基点数据;所述高集中点数据为所述基点数据右侧的数据在上升趋势中出现次数最多的数据或为所述基点数据;所述高集中点数据即为所述顶面海拔数据。其中,所述基于所述基点数据,向所述基点数据的左侧移动,以获得低集中点数据,包括:基于所述基点数据,预设第一数量下降阈值;其中,所述第一数量下降阈值用于统计向所述基点数据左侧移动过程中的点数之和的预设的数值;向所述基点数据左侧移动的过程中,若统计的所述点数之和小于所述第一数量下降阈值,则所述基点数据左侧的数据在上升趋势中出现次数最多的数据为低集中点数据;若统计的所述点数之和大于或等于所述第一数量下降阈值,则所述基点数据为低集中点数据。其中,所述基于所述基点数据,向所述基点数据的右侧移动,以获得高集中点数据,包括:基于所述基点数据,预设第二数量下降阈值;其中,所述第二数量下降阈值用于统计向所述基点数据右侧移动过程中的点数之和的预设的数值;向所述基点数据右侧移动的过程中,若统计的所述点数之和小于所述第二数量下降阈值,则所述基点数据右侧的数据在上升趋势中出现次数最多的数据为高集中点数据;若统计的所述点数之和大于或等于所述第二数量下降阈值,则所述基点数据为高集中点数据。更为具体的,如确认高集中点数据为楼顶点还是楼底点,确认方法为:以基点数据为中心点(如该点为33),并设定个锚点(33为锚点),锚点左移(锚点依次变为32,31,..)并统计点数,如果出现数量大幅下降后再大幅上升的情况,则上升趋势中点数最多的为底面点的高度,如未出现数量大幅下降后再大幅上升的情况,则中心点为底面点;同理,中心点右移可得到顶面点。最后得到较高的趋势集中点为建筑物顶面海拔高度,较低的趋势集中点为建筑底面海拔高度。
在一些实施例中,在所述基于所述顶面轮廓数据和所述高度数据,获得所述目标建筑物的轮廓的步骤之后还包括:
将所述目标建筑物的业务属性数据添加到所述目标建筑物的轮廓中,以获得带属性的轮廓数据,所述带属性的轮廓数据包括空间位置数据和属性数据。
本实施例中,将获取的底面海拔数据和顶面海拔数据赋予给矢量面,得到带高度的矢量面通常可以同其他业务数据结合,获取其他带有经纬度信息的业务数据通过GIS中的join方法,将业务数据的属性(这里所指的属性包括:建筑物的类型是商用还是民用,商用的具体公司、法人信息等等其他属性)赋予到矢量面中。具体的,可以在GIS软件中挂载业务数据的属性,之后在前端GIS框架(如CESIUM)中渲染成三维表面轮廓,以满足点击查询建筑物属性的要求,这样可以显示目标建筑物的内在属性。如图4所示,图4为渲染后的包括轮廓的三维建筑物(即本实施例中的目标建筑物)的示意图,图中的由方框框住的部分为包括轮廓的目标建筑物,轮廓刚好包绕该三维建筑物,且与三维建筑物的外表吻合。
在一些实施例中,在所述将所述目标建筑物的业务属性数据添加到所述目标建筑物的轮廓中,以获得带属性的轮廓数据之后还包括:
将所述带属性的轮廓数据存储在关系数据库中,以供调用。
在具体实施过程中,顶面轮廓数据、所述底面海拔数据、所述顶面海拔数据和所述属性数据储存在关系数据库的表(关系数据库模型)中,存储内容包括目标建筑物的空间位置和属性;其中,矢量属性可以通过图表的形式进行展示。这样,可以获得更多目标建筑物的相关信息,从而更便于对目标建筑物数据的管理。
在cesium中点击地图场景能获取到该位置的经纬度(x,y)和海拔高度(h),上述获取的数据可通过sql进行查询得到相应矢量信息,上述得到的矢量位置和高度,可以通过cesium中的entity进行渲染。这样更便于后续对目标建筑物相关数据的查询和利用,从而可以极大的提高提取的目标建筑物的数据信息。
在一些实施例中,如图5所示,所述基于所述目标建筑物的所述遥感卫星影像DOM数据,提取所述目标建筑物的顶面轮廓数据的步骤包括:
S121:基于历史建筑物的遥感卫星影像DOM数据,进行像素分类训练,以获得深度数据模型;所述深度数据模型用于识别目标对象是否为建筑物。
在具体实施过程中,先基于所述历史建筑物的遥感卫星影像DOM数据,获得所述历史建筑物的二维轮廓数据;然后调整所述历史建筑物的遥感卫星影像DOM数据的分辨率,以获得深度学习样本;其中,所述深度学习样本包括若干个所述历史建筑物的二维轮廓数据;最后基于所述深度学习样本和UNET模型进行深度学习训练,以获得深度数据模型。具体的,首先标记训练样本,遥感卫星影像DOM数据在arcgis pro工具中绘制出部分建筑物屋顶的轮廓,绘制饭方式可以为手动绘制;然后将该遥感卫星影像DOM数据在arcgis pro中到利用工具导出深度学习的训练数据,该数据是根据遥感卫星影像DOM数据切割成256*256的图片和该图片信息的label,也就是调整遥感卫星影像DOM数据到合适的分辨率,并制作深度学习的样本,使每份样本能包含几个建筑物轮廓;最后使用arcgis pro 中的训练深度学习模型工具进行训练,在该工具中输入历史建筑物的二维轮廓数据和指定训练的模型UNET,得到训练后的深度数据模型,也就是使用上面生成的样本,并基于UNET模型进行深度学习的训练,即像素分类的训练,得到训练后的深度数据模型,进而区分样本中的物体是否是建筑物。如此,通过历史建筑物的遥感卫星影像DOM数据,进行像素分类训练得到深度数据模型,通过深度数据模型可以极大的提高对目标建筑物相关数据的提取效率,从而可以极大的提高对目标建筑物单位轮廓的提取效率。
S122:基于所述深度数据模型,提取所述目标建筑物的顶面轮廓数据。
在具体实施过程中,先基于所述深度数据模型和所述目标建筑物的遥感卫星影像DOM数据,获得所述目标建筑物的遥感卫星影像DOM数据的栅格数据;其中,所述栅格数据包括暗处栅格数据和亮处栅格数据;所述暗处栅格数据为所述目标建筑物未受光的点的数据,所述亮处栅格数据为所述目标建筑物受光的点的数据;然后将所述亮处栅格数据转换为矢量数据;最后基于所述矢量数据,获得所述目标建筑物的顶面轮廓数据。具体的,使用arcgis pro中的像素分类工具,输入通过深度数据模型和遥感卫星影像DOM数据,获得整个遥感卫星影像DOM数据分类后的栅格数据,该栅格建筑物部分会是一个数值(栅格数据为一个一个的标记点,比如暗处标0,亮处标1,即为标0-1的过程)。通过arcgis pro将分类后的栅格数据转换成矢量(上述步骤已经按照建筑物进行分类,这步是将栅格数据转换成矢量,亮处即标1的点转化为建筑物轮廓,该轮廓是精确的)。这样更容易获得目标建筑物的经度数据和纬度数据。
在另一实施例中,如图6所示,基于与前述实施例相同的发明思路,本申请的实施例还提供了一种基于空天数据提取三维建筑物轮廓的装置,该装置包括:
获取模块,用于获取目标建筑物的航飞照片数据和遥感卫星影像DOM数据;
生成模块,用于基于所述目标建筑物的航飞照片数据,生成DSM数据;
第一提取模块,用于基于所述目标建筑物的所述遥感卫星影像DOM数据,提取所述目标建筑物的顶面轮廓数据;其中,所述顶面轮廓数据包括经度信息数据和纬度信息数据;
第一获得模块,用于基于所述DSM数据和所述顶面轮廓数据,获得所述目标建筑物的空间高度信息数组;
第二提取模块,用于对所述空间高度信息数组中的数据进行统计分析,以提取所述目标建筑物的高度数据;
第二获得模块,用于基于所述顶面轮廓数据和所述高度数据,获得所述目标建筑物的轮廓。
需要说明的是,本实施例中基于空天数据提取三维建筑物轮廓的装置中各模块是与前述实施例中的基于空天数据提取三维建筑物轮廓的方法中的各步骤一一对应,因此,本实施例的具体实施方式和达到的技术效果可参照前述基于空天数据提取三维建筑物轮廓的方法的实施方式,这里不再赘述。
此外,在一种实施例中,本申请还提供一种计算机设备,所述计算机设备包括处理器,存储器以及存储在所述存储器中的计算机程序,所述计算机程序被处理器运行时实现前述实施例中方法。
此外,在一种实施例中,本申请还提供一种计算机存储介质,所述计算机存储介质上存储有计算机程序,所述计算机程序被处理器运行时实现前述实施例中方法。
在一些实施例中,计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器;也可以是包括上述存储器之一或任意组合的各种设备。计算机可以是包括智能终端和服务器在内的各种计算设备。
在一些实施例中,可执行指令可以采用程序、软件、软件模块、脚本或代码的形式,按任意形式的编程语言(包括编译或解释语言,或者声明性或过程性语言)来编写,并且其可按任意形式部署,包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
作为示例,可执行指令可以但不一定对应于文件系统中的文件,可以可被存储在保存其它程序或数据的文件的一部分,例如,存储在超文本标记语言(HTML,Hyper TextMarkup Language)文档中的一个或多个脚本中,存储在专用于所讨论的程序的单个文件中,或者,存储在多个协同文件(例如,存储一个或多个模块、子程序或代码部分的文件)中。
作为示例,可执行指令可被部署为在一个计算设备上执行,或者在位于一个地点的多个计算设备上执行,又或者,在分布在多个地点且通过通信网络互连的多个计算设备上执行。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器/随机存取存储器、磁碟、光盘)中,包括若干指令用以使得一台多媒体终端设备(可以是手机,计算机,电视接收机,或者网络设备等)执行本申请各个实施例所述的方法。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种基于空天数据提取三维建筑物轮廓的方法,其特征在于,所述方法包括:
获取目标建筑物的航飞照片数据和遥感卫星影像DOM数据;
基于所述目标建筑物的航飞照片数据,生成DSM数据;
基于所述目标建筑物的所述遥感卫星影像DOM数据,提取所述目标建筑物的顶面轮廓数据;其中,所述顶面轮廓数据包括经度信息数据和纬度信息数据;
基于所述DSM数据和所述顶面轮廓数据,获得所述目标建筑物的空间高度信息数组;
对所述空间高度信息数组中的数据进行统计分析,以提取所述目标建筑物的高度数据;
基于所述顶面轮廓数据和所述高度数据,获得所述目标建筑物的轮廓。
2.如权利要求1所述的基于空天数据提取三维建筑物轮廓的方法,其特征在于,所述基于所述DSM数据和所述顶面轮廓数据,获得所述目标建筑物的空间高度信息数组,包括:
基于所述顶面轮廓数据,提取所述目标建筑物的空间位置数据;
对所述目标建筑物的空间位置进行预设范围的扩展,以获得包括缓冲区的更新空间位置数据;
将所述更新空间位置数据与所述DSM数据进行组合,以获得所述空间高度信息数组。
3.如权利要求1所述的基于空天数据提取三维建筑物轮廓的方法,其特征在于,所述对所述空间高度信息数组中的数据进行统计分析,以提取所述目标建筑物的高度数据,包括:
将所述空间高度信息数组进行数值简化,以省去所述空间高度信息数组中各数值的小数;其中,所述空间高度信息数组中包括所述目标建筑物的若干海拔数据;
将简化后的所述空间高度信息数组进行排序;
对排序后的所述空间高度信息数组进行聚类;
基于聚类后的空间高度信息数组,获得所述目标建筑物的顶面海拔数据和底面海拔数据;
基于所述顶面海拔数据和所述底面海拔数据,获得所述目标建筑物的高度数据。
4.如权利要求3所述的基于空天数据提取三维建筑物轮廓的方法,其特征在于,所述基于聚类后的空间高度信息数组,获得所述目标建筑物的顶面海拔数据和底面海拔数据,包括:
基于聚类后的空间高度信息数组,获得重复次数最多的基点数据;
基于所述基点数据,向所述基点数据的左侧移动,以获得低集中点数据;其中,所述基点数据左侧的数据小于所述基点数据;所述低集中点数据为所述基点数据左侧的数据在上升趋势中出现次数最多的数据或为所述基点数据;所述低集中点数据即为所述底面海拔数据;
基于所述基点数据,向所述基点数据的右侧移动,以获得高集中点数据;其中,所述基点数据右侧的数据大于所述基点数据;所述高集中点数据为所述基点数据右侧的数据在上升趋势中出现次数最多的数据或为所述基点数据;所述高集中点数据即为所述顶面海拔数据。
5.如权利要求4所述的基于空天数据提取三维建筑物轮廓的方法,其特征在于,所述基于所述基点数据,向所述基点数据的左侧移动,以获得低集中点数据,包括:
基于所述基点数据,预设第一数量下降阈值;其中,所述第一数量下降阈值用于统计向所述基点数据左侧移动过程中的点数之和的预设的数值;
向所述基点数据左侧移动的过程中,若统计的所述点数之和小于所述第一数量下降阈值,则所述基点数据左侧的数据在上升趋势中出现次数最多的数据为低集中点数据;若统计的所述点数之和大于或等于所述第一数量下降阈值,则所述基点数据为低集中点数据;
所述基于所述基点数据,向所述基点数据的右侧移动,以获得高集中点数据,包括:
基于所述基点数据,预设第二数量下降阈值;其中,所述第二数量下降阈值用于统计向所述基点数据右侧移动过程中的点数之和的预设的数值;
向所述基点数据右侧移动的过程中,若统计的所述点数之和小于所述第二数量下降阈值,则所述基点数据右侧的数据在上升趋势中出现次数最多的数据为高集中点数据;若统计的所述点数之和大于或等于所述第二数量下降阈值,则所述基点数据为高集中点数据。
6.如权利要求1所述的基于空天数据提取三维建筑物轮廓的方法,其特征在于,在基于所述顶面轮廓数据和所述高度数据,获得所述目标建筑物的轮廓之后,还包括:
将所述目标建筑物的业务属性数据添加到所述目标建筑物的轮廓中,以获得带属性的轮廓数据,所述带属性的轮廓数据包括空间位置数据和属性数据;
所述将所述目标建筑物的业务属性数据添加到所述目标建筑物的轮廓中,以获得带属性的轮廓数据之后,还包括:
将所述带属性的轮廓数据存储在关系数据库中,以供调用。
7.如权利要求1所述的基于空天数据提取三维建筑物轮廓的方法,其特征在于,所述基于所述目标建筑物的所述遥感卫星影像DOM数据,提取所述目标建筑物的顶面轮廓数据,包括:
基于历史建筑物的遥感卫星影像DOM数据,进行像素分类训练,以获得深度数据模型;
基于所述深度数据模型,提取所述目标建筑物的顶面轮廓数据。
8.如权利要求7所述的基于空天数据提取三维建筑物轮廓的方法,其特征在于,所述基于所述深度数据模型,提取所述目标建筑物的顶面轮廓数据,包括:
基于所述深度数据模型和所述目标建筑物的遥感卫星影像DOM数据,获得所述目标建筑物的遥感卫星影像DOM数据的栅格数据;其中,所述栅格数据包括暗处栅格数据和亮处栅格数据;所述暗处栅格数据为所述目标建筑物未受光的点的数据,所述亮处栅格数据为所述目标建筑物受光的点的数据;
将所述亮处栅格数据转换为矢量数据;
基于所述矢量数据,获得所述目标建筑物的顶面轮廓数据。
9.一种基于空天数据提取三维建筑物轮廓的装置,其特征在于,所述装置包括:
获取模块,用于获取目标建筑物的航飞照片数据和遥感卫星影像DOM数据;
生成模块,用于基于所述目标建筑物的航飞照片数据,生成DSM数据;
第一提取模块,用于基于所述目标建筑物的所述遥感卫星影像DOM数据,提取所述目标建筑物的顶面轮廓数据;其中,所述顶面轮廓数据包括经度信息数据和纬度信息数据;
第一获得模块,用于基于所述DSM数据和所述顶面轮廓数据,获得所述目标建筑物的空间高度信息数组;
第二提取模块,用于对所述空间高度信息数组中的数据进行统计分析,以提取所述目标建筑物的高度数据;
第二获得模块,用于基于所述顶面轮廓数据和所述高度数据,获得所述目标建筑物的轮廓。
10.一种计算机设备,其特征在于,该计算机设备包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序,实现如权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211534739.1A CN115620168B (zh) | 2022-12-02 | 2022-12-02 | 基于空天数据提取三维建筑物轮廓的方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211534739.1A CN115620168B (zh) | 2022-12-02 | 2022-12-02 | 基于空天数据提取三维建筑物轮廓的方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115620168A true CN115620168A (zh) | 2023-01-17 |
CN115620168B CN115620168B (zh) | 2023-03-21 |
Family
ID=84880452
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211534739.1A Active CN115620168B (zh) | 2022-12-02 | 2022-12-02 | 基于空天数据提取三维建筑物轮廓的方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115620168B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115797592A (zh) * | 2023-02-08 | 2023-03-14 | 航天宏图信息技术股份有限公司 | 一种基于倾斜摄影三维模型自动生成建筑物体块的方法和装置 |
CN117036629A (zh) * | 2023-08-07 | 2023-11-10 | 自然资源部重庆测绘院 | 卫星联合生产dsm方法、装置、系统和计算机可读存储介质 |
CN117437364A (zh) * | 2023-12-20 | 2024-01-23 | 深圳大学 | 基于残缺点云数据的建筑三维结构提取方法和装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103017739A (zh) * | 2012-11-20 | 2013-04-03 | 武汉大学 | 基于激光雷达点云与航空影像的真正射影像的制作方法 |
CN105606123A (zh) * | 2015-12-18 | 2016-05-25 | 昆山数字城市信息技术有限公司 | 一种低空航空摄影测量自动纠正数字地面高程模型的方法 |
CN112489212A (zh) * | 2020-12-07 | 2021-03-12 | 武汉大学 | 一种基于多源遥感数据的建筑物智能化三维测图方法 |
CN113362359A (zh) * | 2021-06-18 | 2021-09-07 | 天津市勘察设计院集团有限公司 | 融合高度和光谱信息的倾斜摄影数据建筑物自动提取方法 |
CN114494627A (zh) * | 2022-01-25 | 2022-05-13 | 中煤航测遥感集团有限公司 | 城市模型的生成方法、装置、设备及计算机可读存储介质 |
CN115046571A (zh) * | 2022-08-16 | 2022-09-13 | 成都国星宇航科技股份有限公司 | 一种基于遥感影像的星敏感器安装误差校正方法及装置 |
-
2022
- 2022-12-02 CN CN202211534739.1A patent/CN115620168B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103017739A (zh) * | 2012-11-20 | 2013-04-03 | 武汉大学 | 基于激光雷达点云与航空影像的真正射影像的制作方法 |
CN105606123A (zh) * | 2015-12-18 | 2016-05-25 | 昆山数字城市信息技术有限公司 | 一种低空航空摄影测量自动纠正数字地面高程模型的方法 |
CN112489212A (zh) * | 2020-12-07 | 2021-03-12 | 武汉大学 | 一种基于多源遥感数据的建筑物智能化三维测图方法 |
CN113362359A (zh) * | 2021-06-18 | 2021-09-07 | 天津市勘察设计院集团有限公司 | 融合高度和光谱信息的倾斜摄影数据建筑物自动提取方法 |
CN114494627A (zh) * | 2022-01-25 | 2022-05-13 | 中煤航测遥感集团有限公司 | 城市模型的生成方法、装置、设备及计算机可读存储介质 |
CN115046571A (zh) * | 2022-08-16 | 2022-09-13 | 成都国星宇航科技股份有限公司 | 一种基于遥感影像的星敏感器安装误差校正方法及装置 |
Non-Patent Citations (2)
Title |
---|
王玉龙;王建忠;李锦;: "无人机低空航测在环境地质调查中的应用" * |
虞泰泉;沈泉飞;: "基于DSM和TDOM的城市三维模型构建" * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115797592A (zh) * | 2023-02-08 | 2023-03-14 | 航天宏图信息技术股份有限公司 | 一种基于倾斜摄影三维模型自动生成建筑物体块的方法和装置 |
CN115797592B (zh) * | 2023-02-08 | 2023-04-14 | 航天宏图信息技术股份有限公司 | 一种基于倾斜摄影三维模型自动生成建筑物体块的方法和装置 |
CN117036629A (zh) * | 2023-08-07 | 2023-11-10 | 自然资源部重庆测绘院 | 卫星联合生产dsm方法、装置、系统和计算机可读存储介质 |
CN117437364A (zh) * | 2023-12-20 | 2024-01-23 | 深圳大学 | 基于残缺点云数据的建筑三维结构提取方法和装置 |
CN117437364B (zh) * | 2023-12-20 | 2024-04-26 | 深圳大学 | 基于残缺点云数据的建筑三维结构提取方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115620168B (zh) | 2023-03-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115620168B (zh) | 基于空天数据提取三维建筑物轮廓的方法、装置及设备 | |
Kakooei et al. | Fusion of satellite, aircraft, and UAV data for automatic disaster damage assessment | |
CN110598784B (zh) | 基于机器学习的建筑垃圾分类方法及装置 | |
CN110443862B (zh) | 基于无人机的岩性填图方法及系统、电子设备 | |
CN109684428A (zh) | 空间数据建设方法、装置、设备及存储介质 | |
CN112115198A (zh) | 一种城市遥感智能服务平台 | |
CN114612488A (zh) | 建筑物单体化信息提取方法、计算机装置及存储介质 | |
US8855427B2 (en) | Systems and methods for efficiently and accurately detecting changes in spatial feature data | |
CN114049462B (zh) | 一种三维模型单体化方法及装置 | |
CN109491994B (zh) | Landsat-8卫星精选遥感数据集最简化筛选方法 | |
CN116343103B (zh) | 一种基于三维gis场景与视频融合的自然资源监管方法 | |
CN112084989A (zh) | 基于无人机与cnn的大范围松材线虫病枯立木智能检测方法 | |
CN113298042B (zh) | 遥感影像数据的处理方法及装置、存储介质、计算机设备 | |
CN109657728B (zh) | 样例生产方法及模型训练方法 | |
CN113033386B (zh) | 一种基于高分辨率遥感影像的输电线路通道隐患识别方法及系统 | |
Krooks et al. | WebGL visualisation of 3D environmental models based on finnish open geospatial data sets | |
CN114491108A (zh) | 一种基于多源遥感应用数据的在线分类系统及方法 | |
CN113780175A (zh) | 高植被覆盖区台风暴雨型滑坡的遥感识别方法 | |
CN114166842A (zh) | 高分遥感数据与地面调查数据协同的城镇森林监测方法 | |
CN113610032A (zh) | 基于遥感影像的建筑物识别方法和装置 | |
CN111121794B (zh) | 地图渲染方法、装置、终端设备及存储介质 | |
US8755606B2 (en) | Systems and methods for efficient feature extraction accuracy using imperfect extractors | |
CN114399728B (zh) | 一种雾天场景人群计数方法 | |
CN115713603A (zh) | 基于建筑空间图谱的多类型街区建筑群形态智能生成方法 | |
CN114140703A (zh) | 一种森林松材线虫病害智能识别方法及系统 |
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 |