CN109584245B - 基于最大内切圆算法的河道参数智能统计方法和*** - Google Patents
基于最大内切圆算法的河道参数智能统计方法和*** Download PDFInfo
- Publication number
- CN109584245B CN109584245B CN201811339224.XA CN201811339224A CN109584245B CN 109584245 B CN109584245 B CN 109584245B CN 201811339224 A CN201811339224 A CN 201811339224A CN 109584245 B CN109584245 B CN 109584245B
- Authority
- CN
- China
- Prior art keywords
- river
- river channel
- maximum
- inscribed circle
- algorithm
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 71
- 238000007619 statistical method Methods 0.000 title claims abstract description 33
- 238000003709 image segmentation Methods 0.000 claims abstract description 35
- 238000010276 construction Methods 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 16
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 239000003086 colorant Substances 0.000 claims description 5
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30184—Infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于最大内切圆算法的河道参数智能统计方法和***,该方法依次包括图像分割步骤、河道轮廓提取步骤、河道骨架构建步骤、有向图构建步骤、最大内切圆计算步骤和统计步骤,利用区域生长算法进行图像分割,并借助图论和最大内切圆算法进行河道参数的统计分析,提高了河道参数数据统计的速度和准确度,大大减少了人工成本,提高了统计效率。
Description
技术领域
本发明涉及地质勘探技术领域,特别是一种基于最大内切圆算法的河道参数智能统计方法和***。
背景技术
在地质勘探领域人们可以通过卫星照片和遥感图像数据,常利用RGB颜色进行基于区域的和基于边缘的河道图像信息的提取和分割,而传统技术直接利用RGB色域进行图像分割的方法存在将非河道区域因色域相近而与河道区混杂在一起的缺陷。
并且,目前人们依旧利用手工测量河道参数的方式进行河道参数的统计,统计数据量大,时间成本、人力成本较高且精确度不高。
发明内容
本发明针对现有技术采用人工测量河道参数的方式进行河道参数统计存在的统计数据量大,成本高,速度慢以及准确度低等问题,本发明提供一种基于最大内切圆算法的河道参数智能统计方法,利用区域生长算法进行图像分割二值化处理,并借助图论和最大内切圆算法进行河道参数统计,提高了河道参数数据统计的速度和准确度,大大减少了人工成本,提高了统计效率。本发明还涉及一种基于最大内切圆算法的河道参数智能统计***。
本发明的技术方案如下:
一种基于最大内切圆算法的河道参数智能统计方法,其特征在于,包括下述步骤:
图像分割步骤,在采集河道图像数据后根据河道水域连续的特点,利用区域生长算法进行图像分割二值化处理,分割出河道图像数据分布;
河道轮廓提取步骤,对分割后的河道图像数据提取出边缘轮廓;
河道骨架构建步骤,获取河道两个边缘轮廓之间的中位线,构建出河道骨架;
有向图构建步骤,根据中位线和河道骨架利用图论算法构建河道有向图,实现河道分段;
最大内切圆计算步骤,在各分段河道内以中位线上选取的若干点为圆心,利用最大内切圆算法获取与河道边缘轮廓相切的最大内切圆;
统计步骤,根据获取的最大内切圆进行河道参数的统计分析。
进一步地,在图像分割步骤中,在采集河道图像数据后先进行河道图像数据预处理,所述预处理包括滤波去噪处理。
进一步地,在有向图构建步骤中,以中位线的分叉点和汇流点为点并以河道为边,利用图论算法构建河道有向图。
进一步地,在统计步骤中,依次遍历河道有向图中每条边的若干数据点,自动记录每条边的各数据点的最大内切圆圆心和最大内切圆直径,最大内切圆的直径用为河道宽度,边的长度为河道长度,边的长度与起始点至终止点距离的比为河道曲率,对河道长度、河道宽度以及河道曲率进行统计分析处理,实现河道参数智能化统计。
一种基于最大内切圆算法的河道参数智能统计***,其特征在于,包括依次连接的图像分割模块、河道轮廓提取模块、河道骨架构建模块、有向图构建模块、最大内切圆计算模块和统计模块,
所述图像分割模块,在采集河道图像数据后根据河道水域连续的特点,利用区域生长算法进行图像分割二值化处理,分割出河道图像数据分布;
所述河道轮廓提取模块,对分割后的河道图像数据提取出边缘轮廓;
所述河道骨架构建模块,获取河道两个边缘轮廓之间的中位线,构建出河道骨架;
所述有向图构建模块,根据中位线和河道骨架利用图论算法构建河道有向图,实现河道分段;
所述最大内切圆计算模块,在各分段河道内以中位线上选取的若干点为圆心,利用最大内切圆算法获取与河道边缘轮廓相切的最大内切圆;
所述统计模块,根据获取的最大内切圆进行河道参数的统计分析。
进一步地,所述图像分割模块在采集河道图像数据后先进行河道图像数据预处理,所述预处理包括滤波去噪处理。
进一步地,所述有向图构建模块是以中位线的分叉点和汇流点为点并以河道为边,利用图论算法构建河道有向图。
进一步地,所述统计模块的具体工作为:依次遍历河道有向图中每条边的若干数据点,自动记录每条边的各数据点的最大内切圆圆心和最大内切圆直径,最大内切圆的直径用为河道宽度,边的长度为河道长度,边的长度与起始点至终止点距离的比为河道曲率,对河道长度、河道宽度以及河道曲率进行统计分析处理,实现河道参数智能化统计。
本发明的技术效果如下:
本发明涉及一种基于最大内切圆算法的河道参数智能统计方法,基于河道水体联通的特点,其图形分割步骤是利用区域生长算法进行图像分割二值化处理,可以把联通水域的河道从分割出来,排除掉其他非连通单具有相似颜色的干扰,能够避免传统技术直接利用RGB色域进行图像分割的方法导致将非河道区域因色域相近而与河道区混杂在一起的问题,再进行河道轮廓提取并构建出河道骨架,然后利用图论算法表征河道的形态,构建河道有向图,以实现河道分段,更重要的是,基于最大内切圆算法获取与河道边缘轮廓相切的最大内切圆,可以获得河道长度、宽度、和曲率的信息,并完成河道参数的智能化的统计分析,完全避免了现有技术采用人工测量河道参数的方式进行河道参数统计存在的种种问题,提高了河道参数数据统计的速度和准确度,大大减少了人工成本,提高了统计效率,经推广可以进行全球河道图像数据的定量化统计分析。
本发明还涉及一种基于最大内切圆算法的河道参数智能统计***,该***与上述的基于最大内切圆算法的河道参数智能统计方法相对应,也可以理解为是实现基于最大内切圆算法的河道参数智能统计方法的***,该***设置依次连接的图像分割模块、河道轮廓提取模块、河道骨架构建模块、有向图构建模块、最大内切圆计算模块和统计模块,各模块协同工作,结合了区域生长算法、图论算法和最大内切圆算法等多种计算机领域相关技术进行河道参数的智能统计,以提高河道参数数据统计的速度和准确度。
附图说明
图1为本发明基于最大内切圆算法的河道参数智能统计方法的流程图。
图2为本发明基于最大内切圆算法的河道参数智能统计方法的原理图。
图3为本发明基于最大内切圆算法的河道参数智能统计方法中采用的区域生长算法的示意图。
图4为本发明基于最大内切圆算法的河道参数智能统计方法中的有向图构建步骤的工作示意图。
图5为本发明基于最大内切圆算法的河道参数智能统计方法中的最大内切圆计算步骤和统计步骤的优选工作示意图。
图6为本发明基于最大内切圆算法的河道参数智能统计***的结构框图。
具体实施方式
下面结合附图对本发明的技术方案做详细的说明。
本发明涉及了一种基于最大内切圆算法的河道参数智能统计方法,如图1所示流程图,包括:S1图像分割步骤,在采集河道图像数据后根据河道水域连续的特点,利用区域生长算法进行图像分割二值化处理,分割出河道图像数据分布;S2河道轮廓提取步骤,对分割后的河道图像数据提取出边缘轮廓;S3河道骨架构建步骤,获取河道两个边缘轮廓之间的中位线,构建出河道骨架;S4有向图构建步骤,根据中位线和河道骨架利用图论算法构建河道有向图,实现河道分段;S5最大内切圆计算步骤,在各分段河道内以中位线上选取的若干点为圆心,利用最大内切圆算法获取与河道边缘轮廓相切的最大内切圆;S6统计步骤,根据获取的最大内切圆进行河道参数的统计分析。
具体地,本发明所述的河道参数智能统计方法基于河道水体联通的特点,其S1图形分割步骤是利用区域生长算法进行图像分割二值化处理,或者说是采用洪水填充算法进行河道图像的分割,选择河道内任意点设定一定的色域范围内,依次判别周围邻域像素色差,如果满足条件标记为河道,否则为其他,直到所有联通区域判别完为止。如图3所示的区域生长算法示意图,在河道图像中选择一个种子点(是图3所标注填充的五个黑色像素点的中间点),以该点为起点,假设我们要填充的颜色为A,则将该点颜色设置为A,然后判断它的四邻域像素,这里我们设置一个颜色阈值T,假设当前像素灰度值为P(x,y),四邻域像素为M(n),n=1,2,3,4,那么判断当前像素与四邻域像素的灰度差值D=|P-M|,如果D小于T,那么我们将该像素M作为下一个种子点,压入栈中,否则继续判断。也就是说,如图3中黑色像素的四邻域内有一灰色点,与其差值小于T,则把它作为新的种子点压入栈中,继续判断。根据颜色差异利用区域生长算法进行图像分割,可以把联通水域的河道从分割出来,排除掉其他非连通单具有相似颜色的干扰。图像分割实现二值化处理,河道为1,背景为0。
在S1图像分割步骤中,可以利用颜色阈值法、颜色梯度法、边缘检测法等图像分割方法,进行河道图像分割,但是河道具有水域连续的特点,利用区域生长算法进行河道的分割具有针对性,其分割效果最好。
进一步优选地,针对S1图像分割步骤,在采集河道图像数据后可以先进行河道图像数据预处理,比如进行滤波去噪处理,在预处理后再根据河道连续性和带状特点,利用区域生长算法如区域生长算法进行图像分割二值化处理,分割出河道图像数据分布。见图2所示的本发明基于最大内切圆算法的河道参数智能统计方法的原理图,在输入数据(即采集河道图像数据)后进行图像数据滤波,再进行河道图像分割。这样能够消除噪声等干扰,为后续数据计算处理的可靠性提供了保障,进一步提高河道参数数据统计的准确度。
如图1和图2所示,在S1图像分割步骤之后,依次执行S2河道轮廓提取步骤和S3河道骨架构建步骤,对分割后的河道图像数据提取出边缘轮廓,获取河道两个边缘轮廓之间的中位线,以中位线作为河道形态骨架,构建出河道骨架。
再进入S4有向图构建步骤,根据中位线和河道骨架利用图论算法构建河道有向图,实现河道分段。图论算法基本原理是:图由顶点(point)的集和边(Edge)的集组成。顶点代表了对象,在示意图中通常是使用点或圆来表示它;边代表了两个对象的连接关系,在示意图中通常是使用连接两顶点的线段来表示。有时也把边称作弧(arc),如果点对是有序的,那么图就叫做有向的图(有向图)。如果点对是无序的,那么图就叫做无向的图(无向图)。简单的讲,边没有指向性的图叫做无向图,边具有指向性的图叫做有向图。图4为S4有向图构建步骤的工作示意图,在发明中是将河道的交点为点河道骨架为边,或者说是以中位线的分叉点和汇流点为点,以河道为边,利用图论算法构建河道有向图。换句话讲,是利用中位线的连接关系,提取出连接点作为点,以点之间断开的中位线为边构建有向图,这样就可以实现河道的分段,以便进行分段后河道之间相互关系的分析。
然后执行S5最大内切圆计算步骤,在各分段河道内以中位线上选取的若干点为圆心,利用最大内切圆算法获取与河道边缘轮廓相切的最大内切圆。这些中位线可作为求取最大内切圆的圆心点数据列表,通过依次遍历中位线列表,求取和河道轮廓边缘相切最大内切圆。如图5所示,以河道中位线像素位内切圆圆心列表,依次计算每个圆心点的最大内切圆。对于某点圆心坐标(x,y)可以计算圆心到河道边缘的最小距离d,该最小距离即为圆心半径,圆心坐标即为河道中心点。
最后执行S6统计步骤,根据获取的最大内切圆进行河道参数的统计分析。也就是图2所示的河道参数统计以及河道参数数据分析。具体地,如图5所示,可依次遍历河道有向图中每条边的若干数据点,自动记录每条边的各数据点的最大内切圆圆心和最大内切圆直径,最大内切圆的直径用为河道宽度,边的长度为河道长度,边的长度与起始点至终止点距离的比为河道曲率,对河道长度、河道宽度以及河道曲率进行统计分析处理,还可以进一步进行河道交叉类型、长度、宽度和曲率等参数的统计分析,全面得出河道参数分布规律,实现河道参数智能化统计。中位线上的若干数据点的选取可根据具体需求进行合理设置,获取的各最大内切圆依次排布,相邻最大内切圆之间可以相交重叠,甚至重叠比较大,也可以相切排布。如图5所示,(x1、y1)和(x2、y2)为某段河道中的最大内切圆与河道边缘的两个切点的坐标,即相对应的河道边缘坐标,这两个切点的距离即为河道宽度;(x0、y0)和(x3、y3)为某段河道的两端的两个最大内切圆的圆心坐标,这两个圆心坐标的距离即为河道矢量距离,河道弯度=河道长度/河道矢量距离。
本发明还涉及一种基于最大内切圆算法的河道参数智能统计***,该***与上述的基于最大内切圆算法的河道参数智能统计方法相对应,也可以理解为是实现基于最大内切圆算法的河道参数智能统计方法的***,该***的结构如图6所示,包括依次连接的图像分割模块、河道轮廓提取模块、河道骨架构建模块、有向图构建模块、最大内切圆计算模块和统计模块。该河道参数智能统计***的优选的整体工作原理图可参考图2。其中,图像分割模块,在采集河道图像数据后根据河道水域连续的特点,利用区域生长算法进行图像分割二值化处理,分割出河道图像数据分布,这里所述的区域生长算法原理可参考图3,优选地,该图像分割模块在采集河道图像数据后可先进行河道图像数据预处理,如滤波去噪处理等等;河道轮廓提取模块,对分割后的河道图像数据提取出边缘轮廓;河道骨架构建模块,获取河道两个边缘轮廓之间的中位线,构建出河道骨架;有向图构建模块,根据中位线和河道骨架利用图论算法构建河道有向图,实现河道分段,具体地,可参考图4所示,该有向图构建模块是以中位线的分叉点和汇流点为点并以河道为边,利用图论算法构建河道有向图;最大内切圆计算模块,在各分段河道内以中位线上选取的若干点为圆心,利用最大内切圆算法获取与河道边缘轮廓相切的最大内切圆,可参考图5所示;统计模块,根据获取的最大内切圆进行河道参数的统计分析,具体地,如图5所示,该统计模块的具体工作为:依次遍历河道有向图中每条边的若干数据点,自动记录每条边的各数据点的最大内切圆圆心和最大内切圆直径,最大内切圆的直径用为河道宽度,边的长度为河道长度,边的长度与起始点至终止点距离的比为河道曲率,对河道长度、河道宽度以及河道曲率等参数进行统计分析处理,得出河道参数分布规律,实现河道参数智能化统计。
本发明提供的基于最大内切圆算法的河道参数智能统计方法***,结合了区域生长算法、图论算法和最大内切圆算法等多种计算机领域相关技术进行河道参数的智能统计,以提高河道参数数据统计的速度和准确度。
应当指出,以上所述具体实施方式可以使本领域的技术人员更全面地理解本发明创造,但不以任何方式限制本发明创造。因此,尽管本说明书参照附图和实施例对本发明创造已进行了详细的说明,但是,本领域技术人员应当理解,仍然可以对本发明创造进行修改或者等同替换,总之,一切不脱离本发明创造的精神和范围的技术方案及其改进,其均应涵盖在本发明创造专利的保护范围当中。
Claims (4)
1.一种基于最大内切圆算法的河道参数智能统计方法,其特征在于,包括下述步骤:
图像分割步骤,在采集河道图像数据后根据河道水域连续的特点,根据颜色差异利用区域生长算法进行图像分割二值化处理,分割出联通水域的河道图像数据分布以排除其他非连通单具有相似颜色的干扰;
河道轮廓提取步骤,对分割后的河道图像数据提取出边缘轮廓;
河道骨架构建步骤,获取河道两个边缘轮廓之间的中位线,以中位线作为河道形态骨架,构建出河道骨架;
有向图构建步骤,根据中位线和河道骨架利用图论算法构建河道有向图,实现河道分段;具体地,以中位线的分叉点和汇流点为点并以河道为边,利用图论算法构建河道有向图;
最大内切圆计算步骤,在各分段河道内以中位线上选取的若干数据点为圆心,利用最大内切圆算法获取与河道边缘轮廓相切的最大内切圆,中位线上的若干数据点的选取根据具体需求进行设置,获取的各最大内切圆依次排布,相邻最大内切圆之间相交重叠或相切排布;
统计步骤,依次遍历河道有向图中每条边的若干数据点,自动记录每条边的各数据点的最大内切圆圆心和最大内切圆直径,最大内切圆的直径用为河道宽度,边的长度为河道长度,边的长度与起始点至终止点距离的比为河道曲率,对河道长度、河道宽度以及河道曲率进行统计分析处理,实现河道参数智能化统计。
2.根据权利要求1所述的方法,其特征在于,在图像分割步骤中,在采集河道图像数据后先进行河道图像数据预处理,所述预处理包括滤波去噪处理。
3.一种基于最大内切圆算法的河道参数智能统计***,其特征在于,包括依次连接的图像分割模块、河道轮廓提取模块、河道骨架构建模块、有向图构建模块、最大内切圆计算模块和统计模块,
所述图像分割模块,在采集河道图像数据后根据河道水域连续的特点,根据颜色差异利用区域生长算法进行图像分割二值化处理,分割出联通水域的河道图像数据分布以排除其他非连通单具有相似颜色的干扰;
所述河道轮廓提取模块,对分割后的河道图像数据提取出边缘轮廓;
所述河道骨架构建模块,获取河道两个边缘轮廓之间的中位线,以中位线作为河道形态骨架,构建出河道骨架;具体地,以中位线的分叉点和汇流点为点并以河道为边,利用图论算法构建河道有向图;
所述有向图构建模块,根据中位线和河道骨架利用图论算法构建河道有向图,实现河道分段;
所述最大内切圆计算模块,在各分段河道内以中位线上选取的若干数据点为圆心,利用最大内切圆算法获取与河道边缘轮廓相切的最大内切圆,中位线上的若干数据点的选取根据具体需求进行设置,获取的各最大内切圆依次排布,相邻最大内切圆之间相交重叠或相切排布;
所述统计模块,依次遍历河道有向图中每条边的若干数据点,自动记录每条边的各数据点的最大内切圆圆心和最大内切圆直径,最大内切圆的直径用为河道宽度,边的长度为河道长度,边的长度与起始点至终止点距离的比为河道曲率,对河道长度、河道宽度以及河道曲率进行统计分析处理,实现河道参数智能化统计。
4.根据权利要求3所述的***,其特征在于,所述图像分割模块在采集河道图像数据后先进行河道图像数据预处理,所述预处理包括滤波去噪处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811339224.XA CN109584245B (zh) | 2018-11-12 | 2018-11-12 | 基于最大内切圆算法的河道参数智能统计方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811339224.XA CN109584245B (zh) | 2018-11-12 | 2018-11-12 | 基于最大内切圆算法的河道参数智能统计方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109584245A CN109584245A (zh) | 2019-04-05 |
CN109584245B true CN109584245B (zh) | 2023-11-17 |
Family
ID=65922078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811339224.XA Active CN109584245B (zh) | 2018-11-12 | 2018-11-12 | 基于最大内切圆算法的河道参数智能统计方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109584245B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103761522A (zh) * | 2013-12-27 | 2014-04-30 | 河海大学 | 基于最小外接矩形窗河道分段模型的sar图像河道提取方法 |
CN105095846A (zh) * | 2014-09-28 | 2015-11-25 | 航天恒星科技有限公司 | 面向遥感图像海陆分割的区域生长种子点提取方法及*** |
CN106447106A (zh) * | 2016-09-27 | 2017-02-22 | 西安理工大学 | 基于综合阻力权和图论的河网连通性评估及闸坝优化方法 |
CN107657623A (zh) * | 2017-08-28 | 2018-02-02 | 北京工业大学 | 一种用于无人机的河道线检测***与方法 |
WO2018040302A1 (zh) * | 2016-08-31 | 2018-03-08 | 上海创和亿电子科技发展有限公司 | 烟丝或梗丝的宽度测定方法、***及具有该***的服务器 |
-
2018
- 2018-11-12 CN CN201811339224.XA patent/CN109584245B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103761522A (zh) * | 2013-12-27 | 2014-04-30 | 河海大学 | 基于最小外接矩形窗河道分段模型的sar图像河道提取方法 |
CN105095846A (zh) * | 2014-09-28 | 2015-11-25 | 航天恒星科技有限公司 | 面向遥感图像海陆分割的区域生长种子点提取方法及*** |
WO2018040302A1 (zh) * | 2016-08-31 | 2018-03-08 | 上海创和亿电子科技发展有限公司 | 烟丝或梗丝的宽度测定方法、***及具有该***的服务器 |
CN107798672A (zh) * | 2016-08-31 | 2018-03-13 | 上海创和亿电子科技发展有限公司 | 烟丝或梗丝的宽度测定方法、***及具有该***的服务器 |
CN106447106A (zh) * | 2016-09-27 | 2017-02-22 | 西安理工大学 | 基于综合阻力权和图论的河网连通性评估及闸坝优化方法 |
CN107657623A (zh) * | 2017-08-28 | 2018-02-02 | 北京工业大学 | 一种用于无人机的河道线检测***与方法 |
Non-Patent Citations (3)
Title |
---|
RivWidth: A Software Tool for the Calculation of River Widths From Remotely Sensed Imagery;Tamlin M. Pavelsky 等;IEEE Geoscience and Remote Sensing Letters ( Volume: 5, Issue: 1, January 2008);全文 * |
面向对象化分割方法的TM 影像主河道信息提取;何湘 等;《内江师范学院学报》;20170430;第78-82页 * |
面向对象化分割方法的TM影像主河道信息提取;何湘等;内江师范学院学报;第78-82页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109584245A (zh) | 2019-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111274865B (zh) | 一种基于全卷积神经网络的遥感图像云检测方法及装置 | |
CN109558806B (zh) | 高分遥感图像变化的检测方法 | |
CN112287807B (zh) | 一种基于多分支金字塔神经网络的遥感影像道路提取方法 | |
CN109636784B (zh) | 基于最大邻域和超像素分割的图像显著性目标检测方法 | |
CN108416784B (zh) | 城市建成区边界快速提取方法、装置及终端设备 | |
CN110781756A (zh) | 基于遥感图像的城市道路提取方法及装置 | |
CN108921120B (zh) | 一种适应广泛零售场景下的香烟识别方法 | |
US20060008144A1 (en) | Vectorized image segmentation via trixel agglomeration | |
CN110838105B (zh) | 一种业务流程模型图像识别与再构方法 | |
CN112488046B (zh) | 一种基于无人机高分辨率影像的车道线提取方法 | |
CN108445009B (zh) | 一种太阳能电池板裂纹检测方法 | |
CN111680690A (zh) | 一种文字识别方法及装置 | |
KR20090109012A (ko) | 영상 처리 방법 | |
CN106875407B (zh) | 一种结合形态学和标记控制的无人机影像林冠分割方法 | |
CN116756836B (zh) | 一种隧道超欠挖体积计算方法、电子设备及存储介质 | |
CN113222992A (zh) | 基于多重分形谱的裂纹特征表征方法及*** | |
CN113888397A (zh) | 基于无人机遥感和图像处理技术的烟草清塘点株方法 | |
CN113129323A (zh) | 一种基于人工智能的遥感田埂界线检测方法、***、计算机设备及存储介质 | |
CN104637066A (zh) | 基于序贯细化的二值图像快速骨架提取方法 | |
CN114419458A (zh) | 一种基于高分辨率卫星遥感的裸土监测方法、装置和设备 | |
CN109584245B (zh) | 基于最大内切圆算法的河道参数智能统计方法和*** | |
CN116718599B (zh) | 一种基于三维点云数据的表观裂缝长度测量方法 | |
CN112232249A (zh) | 一种基于深度特征的遥感图像变化检测方法及装置 | |
Samet et al. | An implementation of automatic contour line extraction from scanned digital topographic maps | |
CN115578725B (zh) | 一种基于人机协同的滑坡边界与裂缝的标注方法及*** |
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 |