CN116030354B - 一种基于遥感数据融合的地质灾害分析方法及系统 - Google Patents
一种基于遥感数据融合的地质灾害分析方法及系统 Download PDFInfo
- Publication number
- CN116030354B CN116030354B CN202310321783.2A CN202310321783A CN116030354B CN 116030354 B CN116030354 B CN 116030354B CN 202310321783 A CN202310321783 A CN 202310321783A CN 116030354 B CN116030354 B CN 116030354B
- Authority
- CN
- China
- Prior art keywords
- feature
- data
- remote sensing
- image
- feature information
- 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
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于遥感数据融合的地质灾害分析方法及系统,包括步骤S1:将历史遥感数据集和灾害遥感数据集内的所有遥感数据融合为第一图像和第二图像;步骤S2:分别对第一图像和第二图像进行视觉解释,获取第一地物信息数据和第二地物信息数据;步骤S3:将两个地物信息数据分别填充至第一表格和第二表格中;步骤S4:对比两个表格,以发现受灾害影响的区域;其中步骤S2中包括步骤S21:基于第一识别模型和第二识别模型对网格区域进行视觉解释,对比两个模型的视觉解释结果,以发现其中的错误信息。本发明通过建立多个识别模型对地物进行视觉解释,从而对视觉解释结果进行相互验证,避免视觉解释结果出错。
Description
技术领域
本发明属于数据识别技术领域,具体涉及一种基于遥感数据融合的地质灾害分析方法及系统。
背景技术
遥感是指根据电磁辐射理论,在不直接接触目标地物的情况下,应用各种传感仪器对远距离目标所辐射和反射的电磁波信息数据,进行收集、处理,并最后成像,从而对地面各种景物进行探测和识别的一种综合技术;在获得遥感数据后,可以基于人工或机器识别的方式,对遥感数据上展示的地物进行视觉解释,以获得地物的高度、形状等数据;因此通过遥感技术能够探知区域内的地形地貌,在此背景下,当灾害发生时,可以借助遥感技术对灾区内的具体情况进行勘测,从而快速确定灾害发生点和灾害发生范围等信息,以便于能够制定出更加合理的救灾方案,降低救灾过程的风险性。
基于上述理论分析,现有技术中提出了多种基于遥感技术的灾害分析方法,如中国专利申请“CN110427857B”公开了一种基于遥感数据融合的输电线路地质灾害分析方法,该方法通过进行航飞数据采集,分别得到激光雷达数据和高光谱图像数据,对激光雷达数据和高光谱图像数据进行数据预处理,完成激光雷达数据和高光谱图像数据的融合;然后对高光谱图像数据进行精度评估,提取各类型因子,得到研究区的综合各因子的信息量图,最后利用统计学中的自然断点法将信息量图重新分类,从而建立了区域性的输电线路地质灾害隐患分布图,为输电线路地质灾害治理提供有效的数据支撑。又例如中国专利申请“CN110765934B”公开了一种多源数据融合的地质灾害识别方法,该方法使用InSAR技术筛选出地表变形量较大的位置,即地质灾害潜在高发区;然后对地质灾害潜在高发区的地质灾害进行遥感排查,确定地质灾害高发区;通过无人机对地质灾害高发区进行航拍,以此获得地质灾害准确位置;该发明通过多层次、多手段、多精度的多元数据融合方法,可为地质灾害区治理方式的选择及灾害的发展趋势提供大量真实可靠的数据;然而,上述灾害分析方法在对灾害图像进行分析并获得初始分析结果后,并没有对初始分析结果进行验证,若初始分析结果出错时,就会使得研究人员获得错误的地物特征信息,这就会对灾害救援方案的制定产生影响。
发明内容
为解决上述问题,本发明提供了一种基于遥感数据融合的地质灾害分析方法,以解决现有技术中对灾害图像进行分析并获得初始分析结果后,并没有对初始分析结果进行验证,无法保持初始分析结果准确度的问题。
为了达到上述的发明目的,本发明提出一种基于遥感数据融合的地质灾害分析方法,包括:
步骤S1:获取历史遥感数据集和灾害遥感数据集,所述历史遥感数据集包括灾害发生前在同一时间点测量的遥感数据,所述灾害遥感数据集包括灾害发生后在同一时间点测量的遥感数据,将所述历史遥感数据集内的所有遥感数据融合并生成第一图像,所述灾害遥感数据集内的所有数据融合并生成第二图像;
步骤S2:将所述第一图像和所述第二图像分割为多个相同的网格区域,分别对所述第一图像和所述第二图像中的每个网格区域进行视觉解释,获取所述第一图像和所述第二图像中的第一地物信息数据和第二地物信息数据,所述第一地物信息数据和所述第二地物信息数据均包括地物名称、地物类别和地物所在区域坐标;
步骤S3:基于所述第一图像和所述第二图像的拍摄时间生成拍摄编号,建立第一表格和第二表格,所述第一表格和所述第二表格分别包括所述第一图像和所述第二图像的拍摄编号,将所述第一地物信息数据和所述第二地物信息数据分别填充至所述第一表格和所述第二表格中;
步骤S4:将所述第一表格和所述第二表格中所述第一地物信息数据和所述第二地物信息数据进行对比,以基于对比结果确定所述第一图像中受灾害影响的区域坐标;
所述步骤S2中,对网格区域进行视觉解释包括以下步骤:
步骤S21:建立第一识别模型和第二识别模型,分别基于所述第一识别模型和所述第二识别模型对网格区域进行视觉解释,获得第一解释数据和第二解释数据,所述第一解释数据和所述第二解释数据均包括第三地物信息数据和第四地物信息数据,建立第三表格和第四表格,将所述第三地物信息数据和所述第四地物信息数据分别填充至所述第三表格和所述第四表格中,对所述第三表格和所述第四表格中的所述第三地物信息数据和所述第四地物信息数据进行对比,以识别所述第一解释数据和所述第二解释数据中的错误。
进一步的,所述步骤S21中,基于以下步骤对所述第三表格和所述第四表格进行对比:
步骤S211:获取所述第三表格和所述第四表格的第一栏数据,分别从中抽取地物所在区域坐标,地物所在区域坐标为地物轮廓上的多个顶点坐标,基于第一公式计算地物所在区域坐标中,对应次序顶点坐标之间的距离值,所述第一公式为:α=((x i -x j )2+(y i -y j )2)1/2,其中,α为两个顶点之间的距离值,x i 、y i 为从所述第三表格中抽取的坐标,x j 、y j 为从所述第四表格中抽取的坐标;
步骤S212:设置漂移距离,若两个地物所在区域所有对应顶点坐标的距离值均小于等于所述漂移距离,则判定所述第三表格和所述第四表格第一栏填充的是同一地物区域,继续将所述第三表格和所述第四表格第一栏中的地物类别和地物名称进行对比,若地物类别和/或地物名称不同,则基于地物所在区域坐标,对区域内的地物再次进行识别,重复上述步骤,直至完成对所述第三表格和所述第四表格最后一栏数据的对比。
进一步的,获取地物轮廓的顶点坐标包括以下步骤:
定义所述第一图像其中一个顶点为第一目标顶点,地物轮廓其中一个顶点为第二目标顶点,获取所述第一目标顶点的坐标,以所述第二目标顶点为起点,向所述第一图像构成所述第一目标顶点的两条边界分别绘制第一垂线和第二垂线,获取所述第一垂线和所述第二垂线的长度,所述第二目标顶点横坐标基于所述第一目标顶点横坐标与所述第一垂线长度确定,所述第二目标顶点纵坐标基于所述第一目标顶点纵坐标与所述第二垂线长度确定。
进一步的,确定地物轮廓的顶点包括以下步骤:
获取地物轮廓的长度,基于第二公式确定第一距离,所述第二公式为:d=L/n,其中,d为所述第一距离,n为预设顶点数,L为地物轮廓的长度;
在地物轮廓上,每隔所述第一距离绘制第一特征点a 1 ,a 2 ,…,a n ,获取各个第一特征点的坐标,基于两个相邻第一特征点的坐标建立直线方程La 1 a 2 ,La 2 a 3 ,…,La n a 1 ,同时在每两个相邻第一特征点之间依次提取第二特征点b 1 ,b 2 ,…,b n ,各个第二特征点位于地物轮廓上,若第二特征点b 1 没有位于直线方程La 1 a 2 上,则将第一特征点a 2 沿地物轮廓向靠近或远离所述第一特征点a 1 的方向移动预设的第二距离,基于移动后第一特征点a 2 的坐标,更新直线方程La 1 a 2 ,重复此步骤,当第二特征点b 1 位于直线方程La 1 a 2 内时,将此时第一特征点a 2 的位置设置为地物轮廓的顶点,基于此步骤继续对第一特征点a 2 ,a 3 ,…,a n 的位置进行调整,以此获取地物轮廓的所有顶点。
进一步的,基于所述预设顶点数确定地物轮廓后,若第一特征点a n-m 和第一特征点a n-m+1 之间存在第二特征点b n-m ,第二特征点b n-m 没有位于第一特征点a n-m 和第一特征点a n-m+1 构成的直线方程La n-m a n-m+1 上,则在地物轮廓上增加第三特征点c,第三特征点c位于第一特征点a n-m 和第一特征点a n-m+1 之间,基于第三特征点c和第一特征点a n-m 建立直线方程Lca n-m ;
将第三特征点c沿地物轮廓向靠近或远离第一特征点a n-m 的方向移动所述第二距离,基于移动后第三特征点c的坐标,更新直线方程Lca n-m ,重复此步骤,第二特征点b n-m 位于直线方程Lca n-m 内时,将此时第三特征点c的位置设置为地物轮廓的顶点。
本发明还提供了一种基于遥感数据融合的地质灾害分析系统,该系统用于实现上述所述的一种基于遥感数据融合的地质灾害分析方法,该系统主要包括:
采集模块,用于采集历史遥感数据集和灾害遥感数据集,所述历史遥感数据集包括灾害发生前在同一时间点测量的遥感数据,所述灾害遥感数据集包括灾害发生后在同一时间点测量的遥感数据;
融合模块:用于将所述历史遥感数据集内的所有遥感数据融合并生成第一图像,所述灾害遥感数据集内的所有数据融合并生成第二图像;
视觉解释模块,用于将所述第一图像和所述第二图像分割为多个相同的网格区域,分别对所述第一图像和所述第二图像中的每个网格区域进行视觉解释,获取所述第一图像和所述第二图像中的第一地物信息数据和第二地物信息数据,所述第一地物信息数据和所述第二地物信息数据均包括地物名称、地物类别和地物所在区域坐标;
表格生成模块,基于所述第一图像和所述第二图像的拍摄时间生成拍摄编号,建立第一表格和第二表格,所述第一表格和所述第二表格分别包括所述第一图像和所述第二图像的拍摄编号,将所述第一地物信息数据和所述第二地物信息数据分别填充至所述第一表格和所述第二表格中;
灾害分析模块,将所述第一表格和所述第二表格中所述第一地物信息数据和所述第二地物信息数据进行对比,以基于对比结果确定所述第一图像中受灾害影响的区域坐标;
验证模块,所述验证模块包括第一识别模型和第二识别模型,所述验证模块分别基于所述第一识别模型和所述第二识别模型对网格区域进行视觉解释,获得第一解释数据和第二解释数据,所述第一解释数据和所述第二解释数据均包括第三地物信息数据和第四地物信息数据,建立第三表格和第四表格,将所述第三地物信息数据和所述第四地物信息数据分别填充至所述第三表格和所述第四表格中,对所述第三表格和所述第四表格中的所述第三地物信息数据和所述第四地物信息数据进行对比,以识别所述第一解释数据和所述第二解释数据中的错误。
与现有技术相比,本发明的有益效果至少如下所述:
本发明首先获取多张来源不同的历史遥感数据和灾害遥感数据,然后将其融合并生成第一图像和第二图像,从而增强了遥感数据清晰度与可解释性;之后在融合后的遥感数据内划分出多个网格区域,每个网格区域具有独立的编号,以网格区域为单位进行的地物的视觉解释,且通过建立多个识别模型对地物进行视觉解释,从而对视觉解释结果进行相互验证,当后期发现某个地物的视觉解释出现错误时,可以基于网格编号快速定位网格在遥感数据中的位置;最后将从第一图像获取的地物信息填充至第一表格内,从第二图像获取的地物信息填充至第二表格内,将第一表格和第二表格的每一栏进行对比,从而发现第一图像和第二图像中出现变化的地物信息,以此来快速定位地区受灾害的影响情况。
附图说明
图1为本发明的基于遥感数据融合的地质灾害分析方法的步骤流程图;
图2为本发明获取地物轮廓顶点坐标的原理示意图;
图3为本发明确定地物轮廓顶点的原理示意图;
图4为本发明确定地物轮廓顶点数量的原理示意图;
图5为本发明遥感数据采集方式的示意图。
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,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
可以理解,本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件,但除非特别说明,这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说,在不脱离本申请的范围的情况下,可以将第一xx脚本称为第二xx脚本,且类似地,可将第二xx脚本称为第一xx脚本。
如图1所示,一种基于遥感数据融合的地质灾害分析方法,包括
步骤S1:获取历史遥感数据集和灾害遥感数据集,历史遥感数据集包括灾害发生前在同一时间点测量的遥感数据,灾害遥感数据集包括灾害发生后在同一时间点测量的遥感数据,将历史遥感数据集内的所有遥感数据融合并生成第一图像,灾害遥感数据集内的所有数据融合并生成第二图像;
具体的,历史遥感数据和灾害遥感数据均包括多个遥感数据,不同遥感数据来源于不同的遥感卫星;在进行融合前,对历史遥感数据集和灾害遥感数据集内的遥感数据均进行大气纠正,然后通过时空维数据融合和光谱维数融合,将其融合为第一图像和第二图像;时空维数据融合和光谱维数融合均为现有技术,此处不再赘述。通过此步骤可以获得具有高分辨率的第一图像和第二图像,从而方便后续对遥感数据进行视觉解释。
步骤S2:将第一图像和第二图像分割为多个相同的网格区域,分别对第一图像和第二图像中的每个网格区域进行视觉解释,获取第一图像和第二图像中的第一地物信息数据和第二地物信息数据,第一地物信息数据和第二地物信息数据均包括地物名称、地物类别和地物所在区域坐标;
通过在第一图像和第二图像内划分网格区域,从而将图像拆分为多个小的识别区域,特别的,每个网格区域包括多个地物,也即网格区域的占地面积大于地物的占地面积;对每个网格区域进行编号,然后对每个网格区域进行视觉解释,获得网格区域内各个地物的信息,将地物信息与网格区域的编号相关联;这样,当发现某个地物的视觉解释出现错误时,可以根据视觉解释结果定位网格区域编号,基于编号在遥感数据地图上快速定位网格区域的位置,这样就可以仅在网格区域内寻找地物,由于网格区域的占地面积大于地物的占地面积,因此可以基于编号,在遥感数据上快速找到对应的网格区域;相比于直接在整个遥感数据地图寻找地物的方式,此种方式使得仅在网格区域内寻找出现视觉解释结果出错的地物,大大缩短了寻找时间。
步骤S3:基于第一图像和第二图像的拍摄时间生成拍摄编号,建立第一表格和第二表格,第一表格和第二表格分别包括第一图像和第二图像的拍摄编号,将第一地物信息数据和第二地物信息数据分别填充至第一表格和第二表格中;
通过在第一表格和第二表格写入拍摄编号,使得研究人员可以根据表格内的编号确定、表格对应遥感数据的拍摄时间,在进行两个表格的对比前,可以首先对表格内的编号进行确认,从而避免出现研究人员或识别系统将拍摄时间不同的表格进行对比的情况发生;预设填充规则为基于坐标系的填充规则,例如,将第一个网格区域内,自左向右第一个地物信息进行视觉解释,获取地物的顶点坐标及地物信息,将其填充至表格的第一栏内,那么第一表格的第一栏为在灾害发生前,第一个网格区域中位于最左侧地物的信息,第二表格为灾害发生后,第一个网格区域中位于最左侧地物的信息。
步骤S4:将第一表格和第二表格中第一地物信息数据和第二地物信息数据进行对比,以基于对比结果确定第一图像中受灾害影响的区域坐标;
在进行对比时,若第一表格的地物信息未在第二表格中找到,则表明该地物受到灾害影响;例如第一表格的第一栏为建筑物,其所在区域为第一区域,第二表格的第一栏为岩石,其所在区域覆盖了第一表格中的第一区域、第二区域和第三区域,那么在进行第一表格和第二表格对比时,第一区域包括的地物信息无法在第二表格中找到,因为该区域的地物信息已经被更改为岩石,因此,此时就可以判断第一区域内的建筑物受灾害影响。若第一表格和第二表格第一栏的地物信息仍然相同,则表明该地物未受到灾害的影响,对比完成后,再将第一表格的第二栏与第二表格的第二栏进行对比,从而对后续地物是否受到灾害影响进行判定。
步骤S2中,对网格区域进行视觉解释包括以下步骤:
步骤S21:建立第一识别模型和第二识别模型,分别基于第一识别模型和第二识别模型对网格区域进行视觉解释,获得第一解释数据和第二解释数据,第一解释数据和第二解释数据均包括第三地物信息数据和第四地物信息数据,建立第三表格和第四表格,将第三地物信息数据和第四地物信息数据分别填充至第三表格和第四表格中,对第三表格和第四表格中的第三地物信息数据和第四地物信息数据进行对比,以识别第一解释数据和第二解释数据中的错误。
具体的,首先使用第一识别模型对地物进行识别,获得第一解释数据,然后使用第二识别模型对该地物再次进行识别,获得第二解释数据,若第一解释数据和第二解释数据相同,则表明第一识别模型和第二识别模型获取到了同样的地物信息,例如第一识别模型和第二识别模型均将地物信息识别为建筑物。通过此步骤可以对两个模型的识别结果进行相互验证,进一步的,在两个识别模型输出的地物信息不同时,还可以通过人工对地物信息进行验证;另外,还可以设置第三识别模型,当三个识别模型中,有两个识别模型输出的地物信息相同时,可以基于投票的方式,将大多数识别模型输出的地物信息确定为正确的地物信息。
因此,综上,通过两种识别模型对同一地物进行多次视觉解释,可以对彼此输出的信息进行验证,从而解决了背景技术中,仅靠单一识别结果无法保证信息正确性的问题。
本发明首先获取多张来源不同的历史遥感数据和灾害遥感数据,然后将其融合并生成第一图像和第二图像,从而增强了遥感数据清晰度与可解释性;之后在融合后的遥感数据内划分出多个网格区域,每个网格区域具有独立的编号,以网格区域为单位进行的地物的视觉解释,且通过建立多个识别模型对地物进行视觉解释,从而对视觉解释结果进行相互验证,当后期发现某个地物的视觉解释出现错误时,可以基于网格编号快速定位网格在遥感数据中的位置;最后将从第一图像获取的地物信息填充至第一表格内,从第二图像获取的地物信息填充至第二表格内,将第一表格和第二表格的每一栏进行对比,从而发现第一图像和第二图像中出现变化的地物信息,以此来快速定位地区受灾害的影响情况。
常规的,在对第一解释数据和第二解释数据进行对比时,可以建立两个表格,将第一解释数据和第二解释数据中的地物信息分别填充至两个表格中,然后将两个表格中对应栏的内容进行对比,从而发现两个地物信息的不同之处;然而,当第二识别模型没有识别到某一地物时,会导致第一表格和第二表格地物填充顺序错乱,例如,第一表格第二栏中填充的是地物K的信息,而第二识别模型没有识别到地物K,那么第二表格第二栏中就会填充地物L的信息,其中地物L为第一图像中位于地物K右边的建筑物,这样就会导致后续第三表格和第四表格的对应次序发生错乱,致使后续的信息对照无法进行。因此本发明还提出以下方式对两个表格内的数据进行对比。
步骤S211:获取第三表格和第四表格的第一栏数据,分别从中抽取地物所在区域坐标,地物所在区域坐标为地物轮廓上的多个顶点坐标,基于第一公式计算地物所在区域坐标中,对应次序顶点坐标之间的距离值,第一公式为:α=((x i -x j )2+(y i -y j )2)1/2,其中,α为两个顶点之间的距离值,x i 、y i 为从所述第三表格中抽取的坐标,x j 、y j 为从所述第四表格中抽取的坐标;
在进行视觉解释前,首先在遥感数据图像上建立坐标系,坐标系可以为自行设置,也可以直接引用经纬坐标。本实施例在遥感数据图像上选择某一顶点为原点建立坐标系,建立完成后,分别使用第一识别模型和第二识别模型识别同一地物;例如第一识别模型识别到地物H为矩形的建筑,其四个顶点坐标为(1,2),(2,2)(2,1)(1,1),那么该地物所在的区域即为依次连接上述四个坐标点所围成的区域;当使用第二识别模型进行识别时,第二识别模型识别到地物H也为矩形建筑,其四个顶点坐标为(1.5,2),(2,2)(2,1)(1,1),将各个对应的顶点坐标代入至第一公式中进行计算,如第一识别模型第一个顶点坐标为(1,2),第二识别模型第一个顶点坐标为(1.5,2),将两个坐标代入第一公式得0.5。
步骤S212:设置漂移距离,若两个地物所在区域所有对应顶点坐标的距离值均小于等于漂移距离,则判定第三表格和第四表格第一栏填充的是同一地物区域,继续将第三表格和第四表格第一栏中的地物类别和地物名称进行对比,若地物类别和/或地物名称不同,则基于地物所在区域坐标,对区域内的地物再次进行识别,重复上述步骤,直至完成对第三表格和第四表格最后一栏数据的对比。
通过本步骤,一方面可以对地物的形状及所在区域进行判定,本实施例中漂移距离设置为0.3,基于上述的计算,地物H在经过两个识别模型的识别后,其第一个顶点坐标之间的距离值相差0.5,超过了漂移距离,在此情况下,地物H在经过第一识别模型和第二识别模型的视觉解释后,其输出不同的形状差别过大,虽然其地物类型均为建筑物,但仍会对后续的灾害分析造成影响,因此需要对地物H的形状进行修正;另一方面,在进行地物类别对比时,可以确定对比的是同一区域内的地物。需要说明的是,第一表格和第二表格在进行对比时,也可以采用此方式对两个表格中相同区域的地物信息进行对比,以防止对比过程中出现偏差。
获取地物轮廓的顶点坐标包括以下步骤:
定义第一图像其中一个顶点为第一目标顶点,地物轮廓其中一个顶点为第二目标顶点,获取第一目标顶点的坐标,以第二目标顶点为起点,向第一图像构成第一目标顶点的两条边界分别绘制第一垂线和第二垂线,获取第一垂线和第二垂线的长度,第二目标顶点横坐标基于第一目标顶点横坐标与第一垂线长度确定,第二目标顶点纵坐标基于第一目标顶点纵坐标与第二垂线长度确定。
下面结合图2对本步骤进行说明,第一图像包括四个顶点,当需要获取地物轮廓B第二目标顶点T的坐标时,首先以第一图像的顶点A为第一目标顶点,获取第一目标顶点A的坐标,例如,若第一目标顶点A建立坐标系,则第一目标顶点A的坐标为(0,0),也可以获取第一目标顶点A的经纬度,以经度和纬度作为第一目标顶点A的坐标;以第二目标顶点T为起点,分别向构成第一目标顶点A的两条边界做第一垂线S 1和第二垂线S 2,获取第一垂线S 1和第二垂线S 2的第一长度和第二长度,那么就可以以第一目标顶点A的坐标为基础,通过第一长度和第二长度确定第二目标顶点T的坐标;通过此步骤可以快速获取各个地物的顶点坐标。
现有技术中,获取轮廓顶点一般采用如下方式,在目标轮廓上选取多个特征点,计算各个特征点之间的距离,然后以相距最远的两个点作为初始顶点,将两个初始顶点连接成线段,确定轮廓上其他特征点到该线段的垂直距离,将具有最大垂直距离的特征点作为轮廓顶点;然而,该种方式需要事先在轮廓上选取大量的特征点,然后计算各个特征点之间的距离,才能选择出初始顶点,并且在选取出初始顶点后,还需要确定其他特征点至线段的距离,那么在进行计算时,还需要根据每个特征点的位置在连线上选择对应的垂足,以使得计算出的距离为最短距离,此过程复杂且计算量较大,因此,本发明提出以下步骤确定轮廓的顶点。
获取地物轮廓的长度,基于第二公式确定第一距离,第二公式为:d=L/n,其中,d为所述第一距离,n为预设顶点数,L为地物轮廓的长度;
在地物轮廓上,每隔所述第一距离绘制第一特征点a 1 ,a 2 ,…,a n ,获取各个第一特征点的坐标,基于两个相邻第一特征点的坐标建立直线方程La 1 a 2 ,La 2 a 3 ,…,La n a 1 ,同时在每两个相邻第一特征点之间依次提取第二特征点b 1 ,b 2 ,…,b n ,各个第二特征点位于地物轮廓上,若第二特征点b 1 没有位于直线方程La 1 a 2 上,则将第一特征点a 2 沿地物轮廓向靠近或远离所述第一特征点a 1 的方向移动预设的第二距离,基于移动后第一特征点a 2 的坐标,更新直线方程La 1 a 2 ,重复此步骤,当第二特征点b 1 位于直线方程La 1 a 2 内时,将此时第一特征点a 2 的位置设置为地物轮廓的顶点,基于此步骤继续对第一特征点a 2 ,a 3 ,…,a n 的位置进行调整,以此获取地物轮廓的所有顶点。
下面结合图3对步骤进行说明,在本实施例中,将预设顶点数n设置为4,那么就会获得第一特征点a 1 ,a 2 ,a 3 ,a 4 ,,在确定预定顶点数后,通过第一公式计算第一距离,从而将各个第一特征点均匀绘制在地物轮廓上;在此之后,在第一特征点a 1 和第一特征点a 2 之间选取第二特征点b 1 ,具体的,在选取时,可在靠近第一特征点a 1 的位置选取,例如将第二特征点b 1 的位置设置在距离第一特征点d/20的位置,d为第一特征点a 1 和第一特征点a 2 之间的距离。在确定第二特征点b 1 的位置后,基于第一特征点a 1 和第一特征点a 2 的坐标确定过这两点的二元一次方程,也即上文中的直线方程,具体确定方式为本领域的基础知识,此处不再赘述;在获取直线方程后,将第二特征点b 1 的坐标代入至直线方程内,从而确定第二特征点b 1 是否位于直线方程内,如图3所示,第二特征点b 1 没有位于直线方程上,由于第二特征点b 1 在靠近第一特征点a 1 的位置,因此将第一特征点a 2 向靠近第一特征点a 1 的方向移动,也即先向上移动,再向左移动;基于移动后的第一特征点a 1 和第一特征点a 2 ,计算两点之间的直线方程,那么可以推知,当第一特征点a 2 移动至图中矩形的顶点,第二特征点b 1 会位于直线方程上,将此时第一特征点a 2 确定为顶点,需要说明的是,即使第一特征点a 2 越过矩形顶点,在第一距离设置较小的情况下,也不会影响对地物轮廓造成较大的影响;同理,将第一特征点a 3 ,a 4 ,a 1 继续沿逆时针移动,从而获取到矩形的所有顶点。
通过本步骤仅需简单的计算就可以确定矩形的各个顶点,相比于现有技术中的确定方式,本发明既无需在地物轮廓上选取过多的特征点,也省去了对各个特征点之间距离的计算,从而大大提升了确定地物轮廓顶点的效率。
然而,上述方法中,若地物轮廓顶点的数量大于预设顶点数,依靠上述方法进行顶点确定时,会导致无法获得地物轮廓的所有顶点,这就会导致填入至表格内的坐标点存在缺失,也就无法完成对地物信息的对比,因此本发明还提出以下步骤解决上述问题。
基于预设顶点数确定地物轮廓后,若第一特征点a n-m 和第一特征点a n-m+1 之间存在第二特征点b n-m ,第二特征点b n-m 没有位于第一特征点a n-m 和第一特征点a n-m+1 构成的直线方程La n-m a n-m+1 上,则在地物轮廓上增加第三特征点c,第三特征点c位于第一特征点a n-m 和第一特征点a n-m+1 之间,基于第三特征点c和第一特征点a n-m 建立直线方程Lca n-m ;
将第三特征点c沿地物轮廓向靠近或远离第一特征点a n-m 的方向移动所述第二距离,基于移动后第三特征点c的坐标,更新直线方程Lca n-m ,重复此步骤,第二特征点b n-m 位于直线方程Lca n-m 内时,将此时第三特征点c的位置设置为地物轮廓的顶点。
下面对上述步骤进行解释,如图4所示,当地物轮廓为五边形时,在基于上述方法确定四个轮廓顶点后,在第一特征点a 2 和第一特征点a 3 再次选取第二特征点b 4 时,若地物轮廓为矩形,则第二特征点b 4 应该在第一特征点a 2 和第一特征点a 3 所构成的直线方程La 3 a 4 内,但是由于地物轮廓为五边形,这就导致第二特征点b 4 没有位于直线方程La 3 a 4 内,因此出现此种情况就表明预设顶点数小于地物轮廓内的顶点数。那么此时就需要在第一特征点a 2 和第一特征点a 3 之间增加第三特征点c,在本实施例中,在添加第三特征点c时,将第三特征点c的位置确定靠近第一特征点a 2 的位置,第二特征点b 4 位于第一特征点a 2 和第一特征点a 3 之间且靠近第一特征点a 3 的位置,然后基于确定顶点的方法,将第三特征点c朝向靠近第一特征点a 3 的方向移动,直至第二特征点b 4 位于直线方程Lca n-m 内。
本发明还提供了一种基于遥感数据融合的地质灾害分析系统,该系统用于实现上述的一种基于遥感数据融合的地质灾害分析方法,该系统主要包括:
采集模块,用于采集历史遥感数据集和灾害遥感数据集,历史遥感数据集包括灾害发生前在同一时间点测量的遥感数据,灾害遥感数据集包括灾害发生后在同一时间点测量的遥感数据;如图5所示,本发明的遥感数据均是通过遥感卫星C1、C2和C3获取,遥感卫星C1、C2和C3将拍摄完成的遥感数据发送至数据存储中心D中,当采集模块需要获取遥感数据时,直接从数据存储中心D中获取数据。
融合模块:用于将历史遥感数据集内的所有遥感数据融合并生成第一图像,灾害遥感数据集内的所有数据融合并生成第二图像;
视觉解释模块,用于将第一图像和第二图像分割为多个相同的网格区域,分别对第一图像和第二图像中的每个网格区域进行视觉解释,获取第一图像和第二图像中的第一地物信息数据和第二地物信息数据,第一地物信息数据和第二地物信息数据均包括地物名称、地物类别和地物所在区域坐标;
表格生成模块,基于第一图像和第二图像的拍摄时间生成拍摄编号,建立第一表格和第二表格,第一表格和第二表格分别包括第一图像和第二图像的拍摄编号,将第一地物信息数据和第二地物信息数据分别填充至第一表格和第二表格中;
灾害分析模块,将第一表格和第二表格中第一地物信息数据和第二地物信息数据进行对比,以基于对比结果确定第一图像中受灾害影响的区域坐标;
验证模块,验证模块包括第一识别模型和第二识别模型,验证模块分别基于第一识别模型和第二识别模型对网格区域进行视觉解释,获得第一解释数据和第二解释数据,第一解释数据和第二解释数据均包括第三地物信息数据和第四地物信息数据,建立第三表格和第四表格,将第三地物信息数据和第四地物信息数据分别填充至第三表格和第四表格中,对第三表格和第四表格中的第三地物信息数据和第四地物信息数据进行对比,以识别第一解释数据和第二解释数据中的错误。
应该理解的是,虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,上述的程序可存储于一个非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上上述的实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上上述的实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
以上上述的仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于遥感数据融合的地质灾害分析方法,其特征在于,包括:
步骤S1:获取历史遥感数据集和灾害遥感数据集,所述历史遥感数据集包括灾害发生前在同一时间点不同遥感卫星测量的遥感数据,所述灾害遥感数据集包括灾害发生后在同一时间点不同遥感卫星测量的遥感数据,将所述历史遥感数据集内的所有遥感数据融合并生成第一图像,所述灾害遥感数据集内的所有数据融合并生成第二图像;
步骤S2:将所述第一图像和所述第二图像分割为多个相同的网格区域,对每个网格区域进行编号,分别对所述第一图像和所述第二图像中的每个网格区域进行视觉解释,获取所述第一图像和所述第二图像中的第一地物信息数据和第二地物信息数据,将所述第一地物信息数据和所述第二地物信息数据与网格区域的编号相关联,所述第一地物信息数据和所述第二地物信息数据均包括地物名称、地物类别和地物所在区域坐标;
步骤S3:基于所述第一图像和所述第二图像的拍摄时间生成拍摄编号,建立第一表格和第二表格,所述第一表格和所述第二表格分别包括所述第一图像和所述第二图像的拍摄编号,将所述第一地物信息数据和所述第二地物信息数据分别填充至所述第一表格和所述第二表格中;
步骤S4:将所述第一表格和所述第二表格中所述第一地物信息数据和所述第二地物信息数据进行对比,以基于对比结果确定所述第一图像中受灾害影响的区域坐标;
所述步骤S2中,对网格区域进行视觉解释包括以下步骤:
步骤S21:建立第一识别模型和第二识别模型,分别基于所述第一识别模型和所述第二识别模型对网格区域进行视觉解释,获得第一解释数据和第二解释数据,所述第一解释数据和所述第二解释数据均包括第三地物信息数据和第四地物信息数据,建立第三表格和第四表格,将所述第三地物信息数据和所述第四地物信息数据分别填充至所述第三表格和所述第四表格中,对所述第三表格和所述第四表格中的所述第三地物信息数据和所述第四地物信息数据进行对比,以识别所述第一解释数据和所述第二解释数据中的错误;
所述步骤S21中,基于以下步骤对所述第三表格和所述第四表格进行对比:
步骤S211:获取所述第三表格和所述第四表格的第一栏数据,分别从中抽取地物所在区域坐标,地物所在区域坐标为地物轮廓上的多个顶点坐标,基于第一公式计算地物所在区域坐标中,对应次序顶点坐标之间的距离值,所述第一公式为:α=((xi-xj)2+(yi-yj)2)1/2,其中,α为两个顶点之间的距离值,xi、yi为从所述第三表格抽取地物所在区域坐标中第i个顶点的坐标,xj、yj为从所述第四表格抽取地物所在区域坐标中第j个顶点的坐标;
步骤S212:设置漂移距离,若两个地物所在区域所有对应顶点坐标的距离值均小于等于所述漂移距离,则判定所述第三表格和所述第四表格第一栏填充的是同一地物区域,继续将所述第三表格和所述第四表格第一栏中的地物类别和地物名称进行对比,若地物类别和/或地物名称不同,则基于地物所在区域坐标,对区域内的地物再次进行识别,重复上述步骤,直至完成对所述第三表格和所述第四表格最后一栏数据的对比。
2.根据权利要求1所述的一种基于遥感数据融合的地质灾害分析方法,其特征在于,获取地物轮廓的顶点坐标包括以下步骤:
定义所述第一图像其中一个顶点为第一目标顶点,地物轮廓其中一个顶点为第二目标顶点,获取所述第一目标顶点的坐标,以所述第二目标顶点为起点,向所述第一图像构成所述第一目标顶点的两条边界分别绘制第一垂线和第二垂线,获取所述第一垂线和所述第二垂线的长度,所述第二目标顶点横坐标基于所述第一目标顶点横坐标与所述第一垂线长度确定,所述第二目标顶点纵坐标基于所述第一目标顶点纵坐标与所述第二垂线长度确定。
3.根据权利要求2所述的一种基于遥感数据融合的地质灾害分析方法,其特征在于,确定地物轮廓的顶点包括以下步骤:
获取地物轮廓的长度,基于第二公式确定第一距离,所述第二公式为:d=L/n,其中,d为所述第一距离,n为预设顶点数,L为地物轮廓的长度;
在地物轮廓上,每隔所述第一距离绘制第一特征点a1,a2,…,an,获取各个第一特征点的坐标,基于两个相邻第一特征点的坐标建立直线方程La1a2,La2a3,…,Lana1,同时在每两个相邻第一特征点之间依次提取第二特征点b1,b2,…,bn,各个第二特征点位于地物轮廓上,若第二特征点b1没有位于直线方程La1a2上,则将第一特征点a2沿地物轮廓向靠近或远离所述第一特征点a1的方向移动预设的第二距离,基于移动后第一特征点a2的坐标,更新直线方程La1a2,重复此步骤,当第二特征点b1位于直线方程La1a2内时,将此时第一特征点a2的位置设置为地物轮廓的顶点,基于此步骤继续对第一特征点a2,a3,…,an的位置进行调整,以此获取地物轮廓的所有顶点。
4.根据权利要求3所述的一种基于遥感数据融合的地质灾害分析方法,其特征在于,基于所述预设顶点数确定地物轮廓后,若第一特征点an-m和第一特征点an-m+1之间存在第二特征点bn-m,第二特征点bn-m没有位于第一特征点an-m和第一特征点an-m+1构成的直线方程Lan- man-m+1上,则在地物轮廓上增加第三特征点c,第三特征点c位于第一特征点an-m和第一特征点an-m+1之间,基于第三特征点c和第一特征点an-m建立直线方程Lcan-m,其中,m为大于等于0且小于m的整数;
将第三特征点c沿地物轮廓向靠近或远离第一特征点an-m的方向移动所述第二距离,基于移动后第三特征点c的坐标,更新直线方程Lcan-m,重复此步骤,第二特征点bn-m位于直线方程Lcan-m内时,将此时第三特征点c的位置设置为地物轮廓的顶点。
5.一种基于遥感数据融合的地质灾害分析系统,用于实现如权利要求1-4任一项所述的基于遥感数据融合的地质灾害分析方法,其特征在于,包括:
采集模块,用于采集历史遥感数据集和灾害遥感数据集,所述历史遥感数据集包括灾害发生前在同一时间点不同遥感卫星测量的遥感数据,所述灾害遥感数据集包括灾害发生后在同一时间点不同遥感卫星测量的遥感数据;
融合模块:用于将所述历史遥感数据集内的所有遥感数据融合并生成第一图像,所述灾害遥感数据集内的所有数据融合并生成第二图像;
视觉解释模块,用于将所述第一图像和所述第二图像分割为多个相同的网格区域,对每个网格区域进行编号,分别对所述第一图像和所述第二图像中的每个网格区域进行视觉解释,获取所述第一图像和所述第二图像中的第一地物信息数据和第二地物信息数据,将所述第一地物信息数据和所述第二地物信息数据与网格区域的编号相关联,所述第一地物信息数据和所述第二地物信息数据均包括地物名称、地物类别和地物所在区域坐标;
表格生成模块,基于所述第一图像和所述第二图像的拍摄时间生成拍摄编号,建立第一表格和第二表格,所述第一表格和所述第二表格分别包括所述第一图像和所述第二图像的拍摄编号,将所述第一地物信息数据和所述第二地物信息数据分别填充至所述第一表格和所述第二表格中;
灾害分析模块,将所述第一表格和所述第二表格中所述第一地物信息数据和所述第二地物信息数据进行对比,以基于对比结果确定所述第一图像中受灾害影响的区域坐标;
验证模块,所述验证模块包括第一识别模型和第二识别模型,所述验证模块分别基于所述第一识别模型和所述第二识别模型对网格区域进行视觉解释,获得第一解释数据和第二解释数据,所述第一解释数据和所述第二解释数据均包括第三地物信息数据和第四地物信息数据,建立第三表格和第四表格,将所述第三地物信息数据和所述第四地物信息数据分别填充至所述第三表格和所述第四表格中,对所述第三表格和所述第四表格中的所述第三地物信息数据和所述第四地物信息数据进行对比,以识别所述第一解释数据和所述第二解释数据中的错误,其中,在进行对比时,获取所述第三表格和所述第四表格的第一栏数据,分别从中抽取地物所在区域坐标,地物所在区域坐标为地物轮廓上的多个顶点坐标,基于第一公式计算地物所在区域坐标中,对应次序顶点坐标之间的距离值,所述第一公式为:α=((xi-xj)2+(yi-yj)2)1/2,其中,α为两个顶点之间的距离值,xi、yi为从所述第三表格抽取地物所在区域坐标中第i个顶点的坐标,xj、yj为从所述第四表格抽取地物所在区域坐标中第j个顶点的坐标,设置漂移距离,若两个地物所在区域所有对应顶点坐标的距离值均小于等于所述漂移距离,则判定所述第三表格和所述第四表格第一栏填充的是同一地物区域,继续将所述第三表格和所述第四表格第一栏中的地物类别和地物名称进行对比,若地物类别和/或地物名称不同,则基于地物所在区域坐标,对区域内的地物再次进行识别,重复上述步骤,直至完成对所述第三表格和所述第四表格最后一栏数据的对比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310321783.2A CN116030354B (zh) | 2023-03-29 | 2023-03-29 | 一种基于遥感数据融合的地质灾害分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310321783.2A CN116030354B (zh) | 2023-03-29 | 2023-03-29 | 一种基于遥感数据融合的地质灾害分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116030354A CN116030354A (zh) | 2023-04-28 |
CN116030354B true CN116030354B (zh) | 2023-06-16 |
Family
ID=86091296
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310321783.2A Active CN116030354B (zh) | 2023-03-29 | 2023-03-29 | 一种基于遥感数据融合的地质灾害分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116030354B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107655457A (zh) * | 2016-12-23 | 2018-02-02 | 航天星图科技(北京)有限公司 | 一种基于遥感卫星图像的泥石流地质灾害识别方法 |
CN110765934A (zh) * | 2019-10-22 | 2020-02-07 | 成都理工大学 | 一种多源数据融合的地质灾害识别方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013051300A1 (ja) * | 2011-10-03 | 2013-04-11 | Hanabata Mitsuaki | 被災状況把握システム |
CN103870891B (zh) * | 2014-03-25 | 2017-09-22 | 安徽大学 | 基于网格流的输电线路火灾蔓延预测方法及系统 |
CN106504189A (zh) * | 2016-11-29 | 2017-03-15 | 福建四创软件有限公司 | 一种基于gis的海洋受灾面积提取方法 |
CN109165424A (zh) * | 2018-08-03 | 2019-01-08 | 四川理工学院 | 一种基于国产gf-1卫星数据的滑坡易发性评估方法 |
CN111742329B (zh) * | 2020-05-15 | 2023-09-12 | 安徽中科智能感知科技股份有限公司 | 一种基于多源遥感数据融合和深度神经网络的矿山开采典型地物动态监测方法及平台 |
AU2021105183A4 (en) * | 2021-08-11 | 2021-11-18 | Institute Of Agricultural Resources And Regional Planning, Chinese Academy Of Agricultural Sciences | A Method for Estimating Near-surface Air Temperature From Remote Sensing Data Based on Machine Learning |
CN114333207A (zh) * | 2021-12-30 | 2022-04-12 | 北京航天泰坦科技股份有限公司 | 基于遥感数据的火灾全过程监测方法和装置 |
CN114971061A (zh) * | 2022-06-10 | 2022-08-30 | 吉林建筑大学 | 一种应急救援基地选址优化方法 |
CN115546636A (zh) * | 2022-09-25 | 2022-12-30 | 四川省林业科学研究院 | 基于高分辨率遥感图像的地质灾害后植被恢复监测方法 |
CN115641509B (zh) * | 2022-11-16 | 2023-03-21 | 自然资源部第三地理信息制图院 | 遥感影像地物变化检测方法、系统、电子设备及存储介质 |
-
2023
- 2023-03-29 CN CN202310321783.2A patent/CN116030354B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107655457A (zh) * | 2016-12-23 | 2018-02-02 | 航天星图科技(北京)有限公司 | 一种基于遥感卫星图像的泥石流地质灾害识别方法 |
CN110765934A (zh) * | 2019-10-22 | 2020-02-07 | 成都理工大学 | 一种多源数据融合的地质灾害识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116030354A (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11798228B2 (en) | Method for updating road signs and markings on basis of monocular images | |
CN103337052B (zh) | 面向宽幅遥感影像的自动几何纠正方法 | |
CN105160702B (zh) | 基于LiDAR点云辅助的立体影像密集匹配方法及系统 | |
CN103235810B (zh) | 遥感影像控制点数据智能检索方法 | |
CN110827202A (zh) | 目标检测方法、装置、计算机设备和存储介质 | |
Cuartero et al. | Accuracy, reliability, and depuration of SPOT HRV and Terra ASTER digital elevation models | |
CN112052801B (zh) | 基于Himawari-8的HSD数据火点实时监测自动分析系统 | |
Tarsha Kurdi et al. | Automatic evaluation and improvement of roof segments for modelling missing details using Lidar data | |
CN116030354B (zh) | 一种基于遥感数据融合的地质灾害分析方法及系统 | |
CN114413882B (zh) | 一种基于多假设跟踪的全局初定位方法和装置 | |
CN115147549A (zh) | 基于多源数据融合的城市三维模型生成及更新方法 | |
CN115033728A (zh) | 全球卫星影像搜索引擎数据爬取与归一化方法及系统 | |
Jung et al. | Progressive modeling of 3D building rooftops from airborne Lidar and imagery | |
CN114780758A (zh) | 一种基于立体测图卫星影像的影像控制点库的构建方法 | |
CN116134488A (zh) | 点云标注方法、装置、计算机设备和存储介质 | |
Vozikis | Automated generation and updating of digital city models using high-resolution line scanning systems | |
Hernández-López et al. | Towards Unattended Maintenance of Photovoltaic Plants Using Drone Photogrammetry. Drones 2023, 7, 129 | |
CN115830248B (zh) | 一种基于无人机环绕规划的超高精细三维模型建立方法 | |
CN113077513B (zh) | 视觉定位方法、装置和计算机设备 | |
CN117470280B (zh) | 激光slam实时精度评估方法、装置、介质和设备 | |
CN114782801B (zh) | 一种基于机器学习的控制点自动布设方法及装置 | |
CN117647232B (zh) | 激光高程点转刺到卫星立体影像的方法、装置及设备 | |
Yang et al. | Coarse-to-Fine Crater Matching From Heterogeneous Surfaces of LROC NAC and Chang’e-2 DOM Images | |
Ridene et al. | Feature-based quality evaluation of 3d point clouds–study of the performance of 3d registration algorithms | |
Abdullah et al. | 3D Buildings Change Detection from Aerial and Satellite Stereo Imagery Using Kullback–Leibler Divergence Algorithm |
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 |