CN117576485B - 融合正负地形和光照晕渲的沙丘提取方法 - Google Patents

融合正负地形和光照晕渲的沙丘提取方法 Download PDF

Info

Publication number
CN117576485B
CN117576485B CN202410052019.4A CN202410052019A CN117576485B CN 117576485 B CN117576485 B CN 117576485B CN 202410052019 A CN202410052019 A CN 202410052019A CN 117576485 B CN117576485 B CN 117576485B
Authority
CN
China
Prior art keywords
digital elevation
elevation model
illumination
area
original digital
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
CN202410052019.4A
Other languages
English (en)
Other versions
CN117576485A (zh
Inventor
仇瑞博
代文
王国杰
王波
范佳鑫
郑晓东
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.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and 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 Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202410052019.4A priority Critical patent/CN117576485B/zh
Publication of CN117576485A publication Critical patent/CN117576485A/zh
Application granted granted Critical
Publication of CN117576485B publication Critical patent/CN117576485B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • 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
    • 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
    • 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
    • G06T2207/30184—Infrastructure

Landscapes

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

Abstract

本发明公开了一种融合正负地形和光照晕渲的沙丘提取方法，包括：获得研究区域的原始数字高程模型；利用邻域分析方法对研究区域的原始数字高程模型进行处理，提取得到研究区域的正地形区域和负地形区域；利用光晕渲染法，对研究区域的原始数字高程模型的每个像元进行六方向光照模拟计算，得到光照晕渲图，从中提取得到研究区域的光照区域和阴影区域；使用镶嵌合并方法对两种方法提取出的结果进行融合，得到沙丘边界。本发明提供了自动化、高精度的沙丘提取方法，提升了人工解译和依靠单一方法提取沙丘的不准确和低效率的问题，为沙漠化区域的遥感监测和治理提供了更好的方法。

Description

融合正负地形和光照晕渲的沙丘提取方法
技术领域
本发明属于基于DEM的沙丘提取技术领域，具体涉及一种融合正负地形和光照晕渲的沙丘提取方法。
背景技术
沙丘是一种最为常见的地貌类型，它是在沙漠或沙地中，受风力作用下沙粒堆积而成的丘状或垄状地貌。在长期的风力作用下，沙丘会不断地迁移运动，从而导致沙漠地区逐渐扩张，引起风蚀沙漠化。沙漠化威胁到了人类的生存区域，沙漠化的监测与治理成为了当今重要的问题。
无人机摄影测量的发展，提升了数字高程模型（DEM）的获取效率和精度，以高精度DEM为基础的数字地形分析方法得到飞速发展和广泛应用，尤其是在区域地貌分类和地形分割方面取得了重大进展。在沙丘提取方面，近年来基于高分辨率遥感影像的沙丘形态参数提取方法得到了广泛研究，但是在沙漠地区地面纹理信息相似度极高，仅仅依靠遥感影像很难准确提取沙丘。高精度DEM数据包含了地物的高程信息，从地物的高程信息中可以更精确的提取沙丘，例如基于DEM数据提取地形的坡度、坡向等参数可以实现对沙丘进行提取，进一步完善了沙丘形态分析的研究。但是仅利用单一方法对复杂的沙丘地形进行提取无法取得最优效果，因此，亟需有一种融合多种地形特征、准确、高效、自动化的沙丘提取方法。
有鉴于以上问题，有必要提出一种融合多方法的沙丘提取的方法。为区域地貌分类和地形分割提供更好的方法，提取更加准确的沙丘形态，为进一步探讨沙丘演化规律筑牢基础。
发明内容
解决的技术问题：本发明针对现有技术依靠单一地形特征提取复杂沙丘地形精度不足和效率低下的技术问题，提出了一种融合正负地形和光照晕渲的沙丘提取方法，为区域地貌分类和地形分割提供了新的方法，提高了沙丘地形提取的精度和效率，为沙丘演化规律的探索打下牢固基础。
技术方案：
一种融合正负地形和光照晕渲的沙丘提取方法，所述沙丘提取方法包括以下步骤：
步骤A，获得研究区域的原始数字高程模型；
步骤B，利用邻域分析方法对研究区域的原始数字高程模型进行处理，提取得到研究区域的正地形区域和负地形区域；具体包括以下子步骤：
B1，选取N*N的矩形邻域窗口对研究区域的原始数字高程模型进行遍历，得到新的统计数字高程模型；
B2，采用叠置分析方法对步骤B1得到的统计数字高程模型与原始数字高程模型进行作差运算，得到差值数字高程模型；
B3，按照组间方差最大、组内方差最小的原则，对差值数字高程模型进行图像二值化分类处理，将差值数字高程模型分为两类区域：正地形区域和负地形区域；
B4，对步骤B3的结果进行剔除空值部分处理，得到基于正负地形的沙丘提取结果；
步骤C，利用光晕渲染法，对研究区域的原始数字高程模型的每个像元进行六方向光照模拟计算，得到光照晕渲图，从中提取得到研究区域的光照区域和阴影区域；具体包括以下子步骤：
C1，根据模拟光源的高度角和方位角确定原始数字高程模型每个像元的六个方向的光源位置；
C2，根据步骤C1确定的模拟光源的光源位置，计算每个像元在模拟光照下的反射方向；
C3，根据步骤C2确定的反射方向，计算各个像元在模拟光照下的反射强度，得到原始数字高程模型的光照晕渲图；
C4，按照组间方差最大、组内方差最小的原则，对原始数字高程模型的光照晕渲图像进行图像二值化分类处理，将光照晕渲图像分为两类区域：光照区域和阴影区域；
步骤D，步骤D，使用镶嵌至新栅格的方法对步骤B和步骤C的提取结果进行融合，使用最大值规则进行镶嵌，即在两个栅格的重叠区域，以其中像元值最大的那个栅格值作为镶嵌后的栅格值，并将空值剔除。
进一步地，所述原始数字高程模型的分辨率为0.5m。
进一步地，所述沙丘提取方法还包括以下步骤：
获取0.5m分辨率的研究区域的数字正射影像模型用于人工辅助目视判度。
进一步地，步骤B1中，选取N*N的矩形邻域窗口对研究区域的原始数字高程模型进行遍历，得到新的统计数字高程模型的过程包括以下步骤：
对整个研究区域，在原始数字高程模型中选取一个3*3像元大小的矩形邻域窗口，采用3*3像元大小的矩形邻域窗口对研究区域的原始数字高程模型逐行依次计算中心像元在3*3像元邻域内的平均值，生成研究区域的统计数字高程模型；
统计中心像元在3*3像元邻域内的平均值的计算公式为：
其中代表邻域窗口中心像元/>的值，/>分别为邻域窗口中心像元在x轴和y轴的坐标值，/>为计算窗口，/>为统计类型窗口，，/>，/>。
进一步地，步骤C1中，以60度为间隔的方位角确定六个方向的光源位置。
进一步地，步骤C1中，光源的高度角h的计算公式为：
式中，h为太阳高度角；为地理纬度；/>为太阳赤纬角；/>和/>都是北纬为正，南纬为负；t为时间角；T为拍摄时间。
进一步地，步骤C3中，使用光照晕渲方法模拟以60度为间隔的六方向光照晕渲图，计算公式为：
式中，E为阴影模拟值，取值范围在0-255之间；为光照最大辐射强度；/>为模拟光源的高度角；/>为模拟光源的方位角；/>为地面坡向；/>为地面坡度。
有益效果：
本发明的融合正负地形和光照晕渲的沙丘提取方法，结合正负地形法和光晕渲染法可以得到更加准确的沙丘提取结果，经实践证明，本发明的沙丘提取结果精度高达87%，提取过程自动化，具有很高的精度和实用性，有效解决了现有技术中依靠单一地形特征提取沙丘的不准确和低效率的问题，为区域地貌分类和地形分割提供了新的方法，为沙漠化区域的遥感监测和治理提供了更好的方法。
附图说明
图1是本发明实施例的融合正负地形和光照晕渲的沙丘提取方法流程图；
图2是点云数据生成的研究样区的高精度DEM数据示意图；
图3是研究区域的基于正负地形的沙丘提取结果示意图；
图4是三个研究样区的基于光照晕渲的沙丘提取结果示意图；
图5是三个研究样区的融合正负地形和光照晕渲方法与未融合方法的沙丘提取结果对比图；
图6是本实施例中沙丘提取结果精度评价结果示意图。
具体实施方式
下面的实施例可使本专业技术人员更全面地理解本发明，但不以任何方式限制本发明。
实施例1
参见图1，本实施例公开了一种融合正负地形和光照晕渲的沙丘提取方法，所述沙丘提取方法包括以下步骤：
步骤A，获得研究区域的高分辨率（如0.5m分辨率）的原始数字高程模型（DEM）；优选的，可以同步获取0.5m分辨率的研究区域的数字正射影像模型（DOM）用于人工辅助目视判度。
步骤B，利用邻域分析方法对研究区域的原始数字高程模型进行处理，提取得到研究区域的正地形区域和负地形区域；具体包括以下子步骤：
B1，选取N*N的矩形邻域窗口对研究区域的原始数字高程模型进行遍历，得到新的统计数字高程模型；具体地，对整个研究区域，假设原始数字高程模型的分辨率为0.5m，本实施例可以在原始数字高程模型中选取一个3*3像元大小的矩形邻域窗口，采用3*3像元大小的矩形邻域窗口对研究区域的原始数字高程模型逐行依次计算中心像元在3*3像元邻域内的平均值，生成研究区域的统计数字高程模型；
统计中心像元在3*3像元邻域内的平均值的计算公式为：
其中代表邻域窗口中心像元/>的值，/>分别为邻域窗口中心像元在x轴和y轴的坐标值，/>为计算窗口，/>为统计类型窗口，，/>，/>。
B2，采用叠置分析方法对步骤B1得到的统计数字高程模型与原始数字高程模型数据进行作差运算，得到差值数字高程模型。
B3，按照组间方差最大、组内方差最小的原则，对差值数字高程模型进行图像二值化分类处理，将差值数字高程模型分为两类区域：正地形区域和负地形区域。
B4，对步骤B3的结果进行剔除空值部分处理，得到基于正负地形的沙丘提取结果。
步骤C，利用光晕渲染法，对研究区域的原始数字高程模型的每个像元进行六方向光照模拟计算，得到光照晕渲图，从中提取得到研究区域的光照区域和阴影区域；具体包括以下子步骤：
C1，根据模拟光源的高度角和方位角确定原始数字高程模型每个像元的六个方向的光源位置；优选的，以60度为间隔的方位角确定六个方向的光源位置。
在本实施例中，光源的高度角h的计算公式为：
式中，h为太阳高度角；为地理纬度；/>为太阳赤纬角；/>和/>都是北纬为正，南纬为负；t为时间角；T为拍摄时间。
C2，根据步骤C1确定的模拟光源的光源位置，计算每个像元在模拟光照下的反射方向。
C3，根据步骤C2确定的反射方向，计算各个像元在模拟光照下的反射强度，得到原始数字高程模型的光照晕渲图。
C4，按照组间方差最大、组内方差最小的原则，对原始数字高程模型的光照晕渲图像进行图像二值化分类处理，将光照晕渲图像分为两类区域：光照区域和阴影区域。
在本实施例中，使用光照晕渲方法模拟以60度为间隔的六方向光照晕渲图，计算公式为：
式中，E为阴影模拟值，取值范围在0-255之间；为光照最大辐射强度，在本实施例中，可以选取255；/>为模拟光源的高度角；/>为模拟光源的方位角；/>为地面坡向；为地面坡度。
步骤D，使用镶嵌合并方法对步骤B和步骤C的提取结果进行融合，得到沙丘边界；即，使用镶嵌至新栅格的方法对步骤B和步骤C的提取结果进行融合，镶嵌规则使用“最大值”规则，即在两个栅格的重叠区域，以其中像元值最大的那个栅格值作为镶嵌后的栅格值，并将空值剔除，则可以得到融合后的沙丘提取结果。
实施例2
图2是某研究区域的点云数据生成的研究样区高分辨率数字高程模型（DEM）数据示意图。针对获取到的点云数据，采用以下步骤进行处理：
步骤一，获取研究区域的0.5m分辨率的原始数字高程模型（DEM）；同时，生成0.5m分辨率的数字正射影像模型（DOM）；本实施例中生成DEM 的工具为Cloud Compare软件中的Rasterize工具，采样步长取0.5m，最终结果如图2所示。
步骤二，对步骤一的研究样区，在0.5m分辨率的原始数字高程模型中选取一个3*3像元大小的矩形邻域窗口，统计中心像元在3*3像元邻域内的平均值，逐行依次计算平均值，得到研究样区的统计数字高程模型。
步骤三，对步骤二得到的统计数字高程模型，使用叠置分析的方法与原始数字高程模型进行作差运算，得到差值数字高程模型（DOD）。本例作差运算的工具为ArcGIS软件中的Raster Calculator工具。
步骤四，对步骤三得到的差值数字高程模型（DOD），按照组间方差最大、组内方差最小的原则划分为两类，一类为正地形区域，一类为负地形区域，其中正地形区域代表起伏区域的沙丘；
步骤五，对步骤四得到的结果进行剔除空值部分处理，得到基于正负地形的沙丘提取结果，图3是针对图2中的三个研究样区（样区1、样区2、样区3）提取得到的正负地形结果示意图。
步骤六，对步骤一得到的原始数字高程模型（DEM），使用光照晕渲方法模拟以60度为间隔的六方向光照晕渲图。本例光照晕渲的工具为ArcGIS软件中的Hillshade工具。
步骤七，对步骤六得到的光照晕渲图，按照组间方差最大、组内方差最小的原则将研究区域划分为两类，一类为光照区域，一类为阴影区域，其中光照区域代表基于光照晕渲图的沙丘提取结果，图4是针对图2中的三个研究样区（样区1、样区2、样区3）提取得到的光照晕渲结果示意图。
步骤八，对步骤五提取得到的正负地形结果和步骤七提取得到的光照晕渲结果进行融合，并剔除空值部分，得到融合正负地形和光照晕渲的沙丘提取结果，如图5所示，本实施例针对样区1、样区2、样区3和样区4分别采用光照晕渲、正负地形和融合方法进行处理，结合原始图像进行对比，从对比结果来看，结合正负地形法和光晕渲染法可以得到更加准确的沙丘提取结果，能够有效地解决单一方法存在的问题。
为了客观、准确的评估沙丘提取的精度，采用了混淆矩阵方法对方法进行了精度评估。将原始栅格DEM转换为点数据，将目视解译和野外调查的栅格作为参考，将本方法的提取结果导入到点要素上进行比较。
定量评价结果如图6所示。用户精度指方法正确提取的正类别样本数占提取为正类别的样本数的比例，本发明沙丘的用户精度为80%。生产者精度指方法正确提取为正类别的样本数占实际正类别样本数的比例，本发明沙丘的生产者精度为84%。总体精度指模型正确提取的样本数占总样本数的比例，本发明的总体精度为87%。结果表明本发明具有较高的精度和实用性。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (7)

1.一种融合正负地形和光照晕渲的沙丘提取方法，其特征在于，所述沙丘提取方法包括以下步骤：
步骤A，获得研究区域的原始数字高程模型；
步骤B，利用邻域分析方法对研究区域的原始数字高程模型进行处理，提取得到研究区域的正地形区域和负地形区域；具体包括以下子步骤：
B1，选取N*N的矩形邻域窗口对研究区域的原始数字高程模型进行遍历，得到新的统计数字高程模型；
B2，采用叠置分析方法对步骤B1得到的统计数字高程模型与原始数字高程模型进行作差运算，得到差值数字高程模型；
B3，按照组间方差最大、组内方差最小的原则，对差值数字高程模型进行图像二值化分类处理，将差值数字高程模型分为两类区域：正地形区域和负地形区域；
B4，对步骤B3的结果进行剔除空值部分处理，得到基于正负地形的沙丘提取结果；
步骤C，利用光晕渲染法，对研究区域的原始数字高程模型的每个像元进行六方向光照模拟计算，得到光照晕渲图，从中提取得到研究区域的光照区域和阴影区域；具体包括以下子步骤：
C1，根据模拟光源的高度角和方位角确定原始数字高程模型每个像元的六个方向的光源位置；
C2，根据步骤C1确定的模拟光源的光源位置，计算每个像元在模拟光照下的反射方向；
C3，根据步骤C2确定的反射方向，计算各个像元在模拟光照下的反射强度，得到原始数字高程模型的光照晕渲图；
C4，按照组间方差最大、组内方差最小的原则，对原始数字高程模型的光照晕渲图像进行图像二值化分类处理，将光照晕渲图像分为两类区域：光照区域和阴影区域；
步骤D，使用镶嵌至新栅格的方法对步骤B和步骤C的提取结果进行融合，使用最大值规则进行镶嵌，即在两个栅格的重叠区域，以其中像元值最大的那个栅格值作为镶嵌后的栅格值，并将空值剔除。
2.根据权利要求1所述的融合正负地形和光照晕渲的沙丘提取方法，其特征在于，所述原始数字高程模型的分辨率为0.5m。
3.根据权利要求1所述的融合正负地形和光照晕渲的沙丘提取方法，其特征在于，所述沙丘提取方法还包括以下步骤：
获取0.5m分辨率的研究区域的数字正射影像模型用于人工辅助目视判度。
4.根据权利要求1所述的融合正负地形和光照晕渲的沙丘提取方法，其特征在于，步骤B1中，选取N*N的矩形邻域窗口对研究区域的原始数字高程模型进行遍历，得到新的统计数字高程模型的过程包括以下步骤：
对整个研究区域，在原始数字高程模型中选取一个3*3像元大小的矩形邻域窗口，采用3*3像元大小的矩形邻域窗口对研究区域的原始数字高程模型逐行依次计算中心像元在3*3像元邻域内的平均值，生成研究区域的统计数字高程模型；
统计中心像元在3*3像元邻域内的平均值的计算公式为：
其中代表邻域窗口中心像元(i,j)的值，i和j分别为邻域窗口中心像元在x轴和y轴的坐标值，/>为计算窗口，/>为统计类型窗口，，m=1,2,3，n=1,2,3。
5.根据权利要求1所述的融合正负地形和光照晕渲的沙丘提取方法，其特征在于，步骤C1中，以60度为间隔的方位角确定六个方向的光源位置。
6.根据权利要求1所述的融合正负地形和光照晕渲的沙丘提取方法，其特征在于，步骤C1中，光源的高度角h的计算公式为：
式中，h为太阳高度角；为地理纬度；/>为太阳赤纬角；/>和/>都是北纬为正，南纬为负；t为时间角；T为拍摄时间。
7.根据权利要求1所述的融合正负地形和光照晕渲的沙丘提取方法，其特征在于，步骤C3中，使用光照晕渲方法模拟以60度为间隔的六方向光照晕渲图，计算公式为：
式中，E为阴影模拟值，取值范围在0-255之间；为光照最大辐射强度；/>为模拟光源的高度角；/>为模拟光源的方位角；/>为地面坡向；/>为地面坡度。
CN202410052019.4A 2024-01-15 2024-01-15 融合正负地形和光照晕渲的沙丘提取方法 Active CN117576485B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410052019.4A CN117576485B (zh) 2024-01-15 2024-01-15 融合正负地形和光照晕渲的沙丘提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410052019.4A CN117576485B (zh) 2024-01-15 2024-01-15 融合正负地形和光照晕渲的沙丘提取方法

Publications (2)

Publication Number Publication Date
CN117576485A CN117576485A (zh) 2024-02-20
CN117576485B true CN117576485B (zh) 2024-04-02

Family

ID=89864645

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410052019.4A Active CN117576485B (zh) 2024-01-15 2024-01-15 融合正负地形和光照晕渲的沙丘提取方法

Country Status (1)

Country Link
CN (1) CN117576485B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102509347A (zh) * 2011-11-17 2012-06-20 南京信息工程大学 一种地貌晕渲图的制作方法
CN110188398A (zh) * 2019-05-06 2019-08-30 南京泛在地理信息产业研究院有限公司 基于均值邻域的黄土地貌沟沿线提取方法
CN115937676A (zh) * 2022-12-02 2023-04-07 南京师范大学 一种基于dem的大尺度沙丘地貌精细分类方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102509347A (zh) * 2011-11-17 2012-06-20 南京信息工程大学 一种地貌晕渲图的制作方法
CN110188398A (zh) * 2019-05-06 2019-08-30 南京泛在地理信息产业研究院有限公司 基于均值邻域的黄土地貌沟沿线提取方法
CN115937676A (zh) * 2022-12-02 2023-04-07 南京师范大学 一种基于dem的大尺度沙丘地貌精细分类方法

Also Published As

Publication number Publication date
CN117576485A (zh) 2024-02-20

Similar Documents

Publication Publication Date Title
CN109919875B (zh) 一种高时频遥感图像特征辅助的居民地提取与分类方法
WO2021232463A1 (zh) 多源移动测量点云数据空地一体化融合方法、存储介质
CN111898688B (zh) 一种基于三维深度学习的机载LiDAR数据树种分类方法
Ramiya et al. Segmentation based building detection approach from LiDAR point cloud
CN109840553B (zh) 耕地作物类型的提取方法及系统、存储介质、电子设备
CN109961510B (zh) 一种基于三维点云重构技术的高切坡地质快速编录方法
Grigillo et al. Automated building extraction from IKONOS images in suburban areas
CN111091079A (zh) 基于tls的高寒脆弱区植被优势单株结构参数测定方法
Berveglieri et al. Identification of successional stages and cover changes of tropical forest based on digital surface model analysis
CN112906719A (zh) 基于消费级深度相机的立木因子测量方法
CN113963259A (zh) 基于点云数据的街景地物多维度提取方法和系统
CN110765885B (zh) 一种基于异源夜光遥感影像的城市扩张检测方法及装置
Zou et al. Object based image analysis combining high spatial resolution imagery and laser point clouds for urban land cover
CN107977968B (zh) 基于建筑物阴影信息挖掘的建筑物分层检测方法
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
Kolecka et al. Mapping secondary forest succession on abandoned agricultural land in the Polish Carpathians
Su et al. Which CAM is better for extracting geographic objects? A perspective from principles and experiments
CN105005962A (zh) 基于分层筛选策略的岛礁遥感影像配准方法
CN117576485B (zh) 融合正负地形和光照晕渲的沙丘提取方法
CN112166688B (zh) 基于小卫星的沙漠与沙漠化土地监测方法
CN111444824A (zh) 一种基于无人机技术的植被空间分布格局调查方法及植被分类方法
Tian et al. A process-oriented method for rapid acquisition of canopy height model from RGB point cloud in semiarid region
CN114565854A (zh) 一种智能图像识别云状系统及方法
Atik et al. Comparison of automatic feature extraction methods for building roof planes by using airborne lidar data and high resolution satellite image
Liu et al. Identification of Damaged Building Regions from High-Resolution Images Using Superpixel-Based Gradient and Autocorrelation Analysis

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