CN110852207A - 基于面向对象影像分类技术的蓝色屋顶建筑物提取方法 - Google Patents

基于面向对象影像分类技术的蓝色屋顶建筑物提取方法 Download PDF

Info

Publication number
CN110852207A
CN110852207A CN201911037489.9A CN201911037489A CN110852207A CN 110852207 A CN110852207 A CN 110852207A CN 201911037489 A CN201911037489 A CN 201911037489A CN 110852207 A CN110852207 A CN 110852207A
Authority
CN
China
Prior art keywords
blue
segmentation
buildings
remote sensing
brightness
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.)
Pending
Application number
CN201911037489.9A
Other languages
English (en)
Inventor
张德政
尹新宇
何哲宇
李鹏
栗辉
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.)
University of Science and Technology Beijing USTB
Original Assignee
University of Science and Technology Beijing USTB
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 University of Science and Technology Beijing USTB filed Critical University of Science and Technology Beijing USTB
Priority to CN201911037489.9A priority Critical patent/CN110852207A/zh
Publication of CN110852207A publication Critical patent/CN110852207A/zh
Pending legal-status Critical Current

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
    • G06V20/176—Urban or other man-made structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • 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
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/247—Aligning, centring, orientation detection or correction of the image by affine transforms, e.g. correction due to perspective effects; Quadrilaterals, e.g. trapezoids

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于面向对象影像分类技术的蓝色屋顶建筑物提取方法，能够将蓝色屋顶建筑物从复杂的遥感影像中完整准确地提取出来。所述方法包括：获取对研究区域的遥感影像进行分割后得到的地物对象，其中，所述地物对象包括：蓝色屋顶建筑物；根据蓝色屋顶建筑物遥感影像的光谱特征和形状特征，得到用于将蓝色屋顶建筑物区分出的提取规则；利用提取规则，从分割结果中提取研究区域内的蓝色屋顶建筑物。本发明适用于遥感影像分类技术领域。

Description

基于面向对象影像分类技术的蓝色屋顶建筑物提取方法
技术领域
本发明涉及对象影像技术领域，特别是指一种基于面向对象影像分类技术的蓝色屋顶建筑物提取方法。
背景技术
遥感影像(Remote Sensing Image，RS)是指记录各种地物电磁波大小的胶片或照片，主要分为航空像片和卫星相片。
现有技术中，有很多分类精度较高的基于像元的遥感影像分类方法，如深度学习方法中的U-net，机器学习方法中的基于SVM的影像分类方法等。但是这些基于像元的遥感影像分类方法并没有充分利用遥感影像的全部特征，忽略了地物对象本身的特点，并不能将地物对象的边界信息清晰完整地保留下来，导致地物对象提取准确性低。
发明内容
本发明要解决的技术问题是提供一种基于面向对象影像分类技术的蓝色屋顶建筑物提取方法，以解决现有技术所存在的基于像元的遥感影像分类方法忽略了地物对象本身的特点，导致地物对象提取准确性低的问题。
为解决上述技术问题，本发明实施例提供一种基于面向对象影像分类技术的蓝色屋顶建筑物提取方法，包括：
获取对研究区域的遥感影像进行分割后得到的地物对象，其中，所述地物对象包括：蓝色屋顶建筑物；
根据蓝色屋顶建筑物遥感影像的光谱特征和形状特征，得到用于将蓝色屋顶建筑物区分出的提取规则；
利用提取规则，从分割结果中提取研究区域内的蓝色屋顶建筑物。
进一步地，在获取对研究区域的遥感影像进行分割后得到的地物对象之前，所述方法还包括：
对研究区域的遥感影像进行正射校正，利用高斯滤波去除正射影像中的高斯噪声。
进一步地，在对研究区域的遥感影像进行正射校正，利用高斯滤波去除正射影像中的高斯噪声之后，所述方法还包括：
利用均值方差法确定蓝色屋顶建筑物的最优分割尺度；
根据确定的最优分割尺度对研究区域的遥感影像进行多尺度分割，得到多个地物对象。
进一步地，所述根据地物对象的光谱特征和形状特征，得到用于将蓝色屋顶建筑物区分出的提取规则包括：
根据地物对象的光谱特征，确定红蓝波段差异比值及其需大于的第一阈值，得到第一提取规则:blue_ratio＞第一阈值；
根据地物对象的光谱特征，确定亮度及其需大于的第二阈值，得到第二提取规则:Brightness＞第二阈值；
根据地物对象的形状特征，确定长宽比及需大于的第三阈值，得到第三提取规则:L_W＞第三阈值。
进一步地，所述红蓝波段差异比值表示为：
blue_ratio＝(B-R)/R
其中，blue_ratio表示红蓝波段差异比值，B表示分割得到的地物对象蓝色波段均值，R表示分割得到的地物对象红色波段均值。
进一步地，所述亮度表示为：
Brightness＝(B+R+G)/3
其中，Brightness表示亮度，G表示分割得到的地物对象绿色波段均值。
进一步地，所述长宽比表示为：
L_W＝L/W
其中，L_W表示长宽比，L表示分割得到的地物对象最小外接矩形的长，W表示分割得到的地物对象最小外接矩形的宽。
进一步地，所述利用提取规则，从分割结果中提取研究区域内的蓝色屋顶建筑物包括：
确定所有地物对象的blue_ratio、Brightness和L_W；
根据blue_ratio＞第一阈值这一提取规则，从分割结果中提取出蓝色屋顶建筑物和阴影混合对象；
根据Brightness＞第二阈值以及L_W＞第三阈值这两个提取规则，从蓝色屋顶建筑物和阴影混合对象中去除阴影部分，将蓝色屋顶建筑物从分割结果中提取出来。
本发明的上述技术方案的有益效果如下：
上述方案中，获取对研究区域的遥感影像进行分割后得到的地物对象，其中，所述地物对象包括：蓝色屋顶建筑物；根据蓝色屋顶建筑物遥感影像的光谱特征和形状特征，得到用于将蓝色屋顶建筑物区分出的提取规则；利用提取规则，从分割结果中提取研究区域内的蓝色屋顶建筑物。这样，根据蓝色屋顶遥感影像自身的特点，利用面向对象影像分类技术，能够将蓝色屋顶建筑物从复杂的遥感影像中完整准确地提取出来。
附图说明
图1为本发明实施例提供的基于面向对象影像分类技术的蓝色屋顶建筑物提取方法的流程示意图；
图2为本发明实施例提供的研究区域的原始遥感影像示意图；
图3为本发明实施例提供的高斯滤波处理之后的遥感影像示意图；
图4为本发明实施例提供的不同分割尺度对应的均值方差示意图；
图5为本发明实施例提供的多尺度分割算法的流程示意图；
图6为本发明实施例提供的多尺度分割结果示意图；
图7为本发明实施例提供的研究区域内蓝色屋顶建筑物的部分提取结果示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
本发明针对现有的基于像元的遥感影像分类方法忽略了地物对象本身的特点，导致地物对象提取准确性低的问题，提供一种基于面向对象影像分类技术的蓝色屋顶建筑物提取方法。
如图1所示，本发明实施例提供的基于面向对象影像分类技术的蓝色屋顶建筑物提取方法，包括：
S101，获取对研究区域的遥感影像进行分割后得到的地物对象，其中，所述地物对象包括：蓝色屋顶建筑物；
S102，根据蓝色屋顶建筑物遥感影像的光谱特征和形状特征，得到用于将蓝色屋顶建筑物区分出的提取规则；
S103，利用提取规则，从分割结果中提取研究区域内的蓝色屋顶建筑物。
本发明实施例所述的基于面向对象影像分类技术的蓝色屋顶建筑物提取方法，获取对研究区域的遥感影像进行分割后得到的地物对象，其中，所述地物对象包括：蓝色屋顶建筑物；根据蓝色屋顶建筑物遥感影像的光谱特征和形状特征，得到用于将蓝色屋顶建筑物区分出的提取规则；利用提取规则，从分割结果中提取研究区域内的蓝色屋顶建筑物。这样，根据蓝色屋顶遥感影像自身的特点，利用面向对象影像分类技术，能够将蓝色屋顶建筑物从复杂的遥感影像中完整准确地提取出来。
本实施例中，面向对象影像分类技术的处理对象不再是像元，而是以多边形实体作为最小单元。多边形实体中不仅有像素的光谱信息、还拥有形状信息等信息。因此，面向对象的遥感影像分类技术可以充分应用到影像的光谱特征、形状特征等多种信息，很好的运用了影像独有的优点，能够解决了影像分辨率过高带来的负面问题。
本实施例中，在执行S101之前，为了完成蓝色屋顶建筑物的精准提取，保留蓝色屋顶建筑物对象的相关特征，还需执行以下步骤：
A1，对获取研究区域的原始遥感影像进行预处理，在一定程度上减弱大气、光线等影响，提高影像质量，如图2、图3所示；具体可以包括以下步骤：
A11，对研究区域的遥感影像进行正射校正；
本实施例中，正射校正一般是通过在影像上选取一些地面控制点，并利用原来已经获取的该影像范围内的数字高程模型(DEM)数据，对影像同时进行倾斜改正和投影差改正，将影像重采样成正射影像，在一定程度上解决影像在拍摄中因为各种因素引起的影像变形问题。
A12，利用高斯滤波去除正射影像中的高斯噪声，消除噪声在后续步骤中带来的影响。
A2，对预处理后的遥感影像进行多尺度分割，得到形状与真实地物相似的分割对象，具体可以包括以下步骤：
A21，利用均值方差法确定蓝色屋顶建筑物的最优分割尺度。
本实施例中，在多尺度分割过程中，最重要的是确定最优的分割尺度。利用最优的分割尺度进行分割，可以得到与真实地物吻合程度较高的分割对象，使得针对目标地物(即：蓝色屋顶建筑物)的提取效果得到提升。
由于，最优的分割尺度可以使得相同类别对象之间的异质性尽可能小，不同类别对象之间的异质性尽可能大。当影像中混合对象增多时，与相邻对象之间的光谱异质性降低，影像中所有对象的均值方差变小；当影像中混合对象增多时，不同对象与相邻对象之间的光谱异质性增大，影像中所有对象的均值方差增大；也就是说：最优的分割尺度可能出现在均值方差的峰值处。因此，本实施例中，可以利用均值方差法确定蓝色屋顶建筑物最优的分割尺度。为了选出最优的分割尺度，先确定波段权重、颜色参数、紧致度参数和光滑度参数，并将分割尺度范围设置为10-170，每隔5使用当前的分割尺度进行一次多尺度分割。并且将分割结果导出到EXCEL中，计算研究区域内全部分割对象的均值方差。利用折线图描述不同分割尺度下分割对象的均值方差的变化趋势。不同分割尺度对应的均值方差如图4所示。
从图4可以看出，不同分割尺度对应的均值方差可以看出，对于蓝色屋顶建筑物较优的分割尺度为10、30、45、55、95、125、150。
本实施例中，接着需要从较优的分割尺度中选出蓝色屋顶建筑物最优的分割尺度，具体的：
利用确定的较优的分割尺度对研究区域进行分割，对研究区域的分割结果进行对比，比较不同分割尺度下分割得到的图斑数量、图斑形状、边界与真实的蓝色屋顶建筑物是否吻合，从中选出分割对象较完整、分割对象数量适中的分割尺度作为蓝色屋顶建筑物类别最优的分割尺度。经过对比，本实施例中，选用了55作为蓝色屋顶建筑物的最优分割尺度，波段权重设置为1：1：1，颜色参数设置为0.6，紧致度和光滑度均设置为0.5。
A22，根据确定的最优分割尺度对研究区域的遥感影像进行多尺度分割，得到多个地物对象。
利用上一步中确定的最佳分割参数对研究区域进行多尺度分割，得到多个分割对象。
本实施例中，利用最优分割尺度55及其他的分割参数(波段权重设置为1：1：1，颜色参数设置为0.6，紧致度和光滑度均设置为0.5)对研究区域进行多尺度分割，得到多个分割对象。
本实施例中，如图5所示，多尺度分割流程包括：首先向多尺度分割算法中输入高斯滤波后的遥感影像，然后根据需要分割的影像的特点，设置分割参数(分割尺度、波段权重、颜色参数、紧致度和光滑度)，多尺度分割算法根据设置好的分割参数的大小对遥感影像进行分割操作，多尺度分割结果如图6所示，多尺度分割技术是为了得到更加规整的对象，从而使蓝色屋顶房屋建筑物的提取结果更加准确。在分割过程中，多尺度分割算法根据分割得到对象的异质性是否满足预设的第四阈值来判断分割结果是否满足要求。多尺度分割算法要求同一对象内部的异质性尽可能小，不同对象之间的异质性尽可能大。首次分割，以单个像元为起点，计算与相邻像元合并后的异质性，如果合并之后的异质性大于等于预设的第四阈值，说明新加入的像元并不属于这个对象，结束分割；如果合并之后的异质性比预设的第四阈值小，说明新加入的像元属于这个对象，继续执行分割操作。第二次分割，以首次分割得到的多边形为起点，计算与相邻对象的异质性，如果异质性大于等于预设的第四阈值，说明相邻对象之间的异质性满足分割要求，结束分割；如果异质性小于预设的第四阈值，说明相邻对象之间的异质性不满足分割要求，需要对对象再次进行分割操作。重复上述的操作，第N次分割，以N-1次分割的多边形为起点，计算与相邻对象的异质性，如果异质性小于阈值，说明不同对象之间的异质性不满足要求；继续执行N+1次分割；如果异质性大于预设的第四阈值，说明不同对象之间的异质性已经满足分割要求，结束分割。
本实施例中，通过步骤A2的多尺度分割算法，将研究区域的原始遥感影像分割为不同的地物对象，接着，需要利用面向对象影像分类技术对多尺度分割得到的地物对象进行分类，提取蓝色屋顶建筑物，具体可以包括以下步骤：
A31，根据蓝色屋顶建筑物遥感影像的光谱特征和形状特征，得到用于将蓝色屋顶建筑物区分出的提取规则。
本实施例中，在得到不同的地物对象之后，需要根据地物对象的光谱特征、形状特征等用于将目标地类(蓝色屋顶建筑物)与其他地类进行区分。通过观察地物的蓝、绿、红三个波段的特点，发现蓝色屋顶建筑物在蓝色波段上值较高，在红色波段上的值较低，红蓝两个波段值差异明显。因此利用红蓝波段值的差异能够将蓝色屋顶建筑物区分开来。同时发现部分建筑物阴影也具有类似的光谱特征，阴影区域亮度较低，形状通常呈现瘦长型，长宽比值较大。因此可以利用亮度和长宽比这两个特征将阴影区域去除，保留蓝色屋顶建筑物对象。因此，为了凸显红蓝两个波段值的差异，本实施例根据地物对象的光谱特征，构建了红蓝波段差异比值参数：
blue_ratio＝(B-R)/R
其中，blue_ratio表示红蓝波段差异比值，B表示分割得到的地物对象蓝色波段均值，R表示分割得到的地物对象红色波段均值。
本实施例中，根据地物对象的光谱特征、形状特征，还分别构建了亮度以及长宽比这两个参数用于从提取结果中剔除阴影区域；其中，亮度参数表示为：
Brightness＝(B+R+G)/3
其中，Brightness表示亮度，G表示分割得到的地物对象绿色波段均值。
长宽比参数表示为：
L_W＝L/W
其中，L_W表示长宽比，L表示分割得到的地物对象最小外接矩形的长，W表示分割得到的地物对象最小外接矩形的宽。
本实施例中，根据蓝色屋顶建筑物在红蓝波段差异比值参数上和其他地类的差异，设置了blue_ratio＞第一阈值(例如，第一阈值为0.395)这个提取规则；同时根据阴影区域在亮度和长宽比参数上和蓝色屋顶建筑物的差异，设置了Brightness＞第二阈值(例如，第二阈值为90)以及L_W＞第三阈值(例如，第三阈值为10)这两个提取规则。
A32，利用提取规则，从分割结果中提取研究区域内的蓝色屋顶建筑物。
本实施例中，根据红蓝波段差异比值、亮度和长宽比的计算方法，利用ArcGIS中的计算字段功能，对所有地物对象计算这三个参数的值；计算完成之后，利用ArcGIS中的按属性选择、数据导出功能以及设置的blue_ratio＞第一阈值这一提取规则，从分割结果中提取出蓝色屋顶建筑物和阴影混合对象；然后，利用ArcGIS中的按属性选择、数据导出功能以及设置的Brightness＞第二阈值以及L_W＞第三阈值这两个提取规则，从蓝色屋顶建筑物和阴影混合对象中去除阴影部分，将蓝色屋顶建筑物从分割结果中提取出来。本实施例中，利用设置的这三条提取规则，能够从分割结果中将蓝色屋顶建筑物对象较好的提取出来，部分提取结果如图7所示。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种基于面向对象影像分类技术的蓝色屋顶建筑物提取方法，其特征在于，包括：
获取对研究区域的遥感影像进行分割后得到的地物对象，其中，所述地物对象包括：蓝色屋顶建筑物；
根据蓝色屋顶建筑物遥感影像的光谱特征和形状特征，得到用于将蓝色屋顶建筑物区分出的提取规则；
利用提取规则，从分割结果中提取研究区域内的蓝色屋顶建筑物。
2.根据权利要求1所述的基于面向对象影像分类技术的蓝色屋顶建筑物提取方法，其特征在于，在获取对研究区域的遥感影像进行分割后得到的地物对象之前，所述方法还包括：
对研究区域的遥感影像进行正射校正，利用高斯滤波去除正射影像中的高斯噪声。
3.根据权利要求2所述的基于面向对象影像分类技术的蓝色屋顶建筑物提取方法，其特征在于，在对研究区域的遥感影像进行正射校正，利用高斯滤波去除正射影像中的高斯噪声之后，所述方法还包括：
利用均值方差法确定蓝色屋顶建筑物的最优分割尺度；
根据确定的最优分割尺度对研究区域的遥感影像进行多尺度分割，得到多个地物对象。
4.根据权利要求1所述的基于面向对象影像分类技术的蓝色屋顶建筑物提取方法，其特征在于，所述根据地物对象的光谱特征和形状特征，得到用于将蓝色屋顶建筑物区分出的提取规则包括：
根据地物对象的光谱特征，确定红蓝波段差异比值及其需大于的第一阈值，得到第一提取规则:blue_ratio＞第一阈值；
根据地物对象的光谱特征，确定亮度及其需大于的第二阈值，得到第二提取规则:Brightness＞第二阈值；
根据地物对象的形状特征，确定长宽比及需大于的第三阈值，得到第三提取规则:L_W＞第三阈值。
5.根据权利要求4所述的基于面向对象影像分类技术的蓝色屋顶建筑物提取方法，其特征在于，所述红蓝波段差异比值表示为：
blue_ratio＝(B-R)/R
其中，blue_ratio表示红蓝波段差异比值，B表示分割得到的地物对象蓝色波段均值，R表示分割得到的地物对象红色波段均值。
6.根据权利要求5所述的基于面向对象影像分类技术的蓝色屋顶建筑物提取方法，其特征在于，所述亮度表示为：
Brightness＝(B+R+G)/3
其中，Brightness表示亮度，G表示分割得到的地物对象绿色波段均值。
7.根据权利要求6所述的基于面向对象影像分类技术的蓝色屋顶建筑物提取方法，其特征在于，所述长宽比表示为：
L_W＝L/W
其中，L_W表示长宽比，L表示分割得到的地物对象最小外接矩形的长，W表示分割得到的地物对象最小外接矩形的宽。
8.根据权利要求7所述的基于面向对象影像分类技术的蓝色屋顶建筑物提取方法，其特征在于，所述利用提取规则，从分割结果中提取研究区域内的蓝色屋顶建筑物包括：
确定所有地物对象的blue_ratio、Brightness和L_W；
根据blue_ratio＞第一阈值这一提取规则，从分割结果中提取出蓝色屋顶建筑物和阴影混合对象；
根据Brightness＞第二阈值以及L_W＞第三阈值这两个提取规则，从蓝色屋顶建筑物和阴影混合对象中去除阴影部分，将蓝色屋顶建筑物从分割结果中提取出来。
CN201911037489.9A 2019-10-29 2019-10-29 基于面向对象影像分类技术的蓝色屋顶建筑物提取方法 Pending CN110852207A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911037489.9A CN110852207A (zh) 2019-10-29 2019-10-29 基于面向对象影像分类技术的蓝色屋顶建筑物提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911037489.9A CN110852207A (zh) 2019-10-29 2019-10-29 基于面向对象影像分类技术的蓝色屋顶建筑物提取方法

Publications (1)

Publication Number Publication Date
CN110852207A true CN110852207A (zh) 2020-02-28

Family

ID=69599011

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911037489.9A Pending CN110852207A (zh) 2019-10-29 2019-10-29 基于面向对象影像分类技术的蓝色屋顶建筑物提取方法

Country Status (1)

Country Link
CN (1) CN110852207A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111563448A (zh) * 2020-04-30 2020-08-21 北京百度网讯科技有限公司 一种违章建筑物检测方法、装置、电子设备和存储介质
CN112033914A (zh) * 2020-09-01 2020-12-04 深圳市数字城市工程研究中心 一种基于遥感图像的彩钢瓦厂房提取方法
CN112927252A (zh) * 2021-04-12 2021-06-08 二十一世纪空间技术应用股份有限公司 一种新增建设用地监测方法及装置
CN116258958A (zh) * 2022-12-22 2023-06-13 二十一世纪空间技术应用股份有限公司 一种同源高分辨率影像和dsm数据的建筑物提取方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103279951A (zh) * 2013-05-13 2013-09-04 武汉理工大学 一种面向对象的遥感影像建筑物及其阴影提取的方法
AU2018101336A4 (en) * 2018-09-12 2018-10-11 Hu, Yuan Miss Building extraction application based on machine learning in Urban-Suburban-Integration Area

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103279951A (zh) * 2013-05-13 2013-09-04 武汉理工大学 一种面向对象的遥感影像建筑物及其阴影提取的方法
AU2018101336A4 (en) * 2018-09-12 2018-10-11 Hu, Yuan Miss Building extraction application based on machine learning in Urban-Suburban-Integration Area

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘丹丹等: "面向对象的多尺度高分影像建筑物提取方法研究", 《测绘与空间地理信息》 *
吕道双等: "面向对象的多尺度多特征高分遥感影像建筑物提取", 《北京测绘》 *
陈云浩等: "基于面向对象和规则的遥感影像分类研究", 《武汉大学学报》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111563448A (zh) * 2020-04-30 2020-08-21 北京百度网讯科技有限公司 一种违章建筑物检测方法、装置、电子设备和存储介质
CN112033914A (zh) * 2020-09-01 2020-12-04 深圳市数字城市工程研究中心 一种基于遥感图像的彩钢瓦厂房提取方法
CN112033914B (zh) * 2020-09-01 2021-04-20 深圳市数字城市工程研究中心 一种基于遥感图像的彩钢瓦厂房提取方法
CN112927252A (zh) * 2021-04-12 2021-06-08 二十一世纪空间技术应用股份有限公司 一种新增建设用地监测方法及装置
CN112927252B (zh) * 2021-04-12 2023-09-22 二十一世纪空间技术应用股份有限公司 一种新增建设用地监测方法及装置
CN116258958A (zh) * 2022-12-22 2023-06-13 二十一世纪空间技术应用股份有限公司 一种同源高分辨率影像和dsm数据的建筑物提取方法及装置
CN116258958B (zh) * 2022-12-22 2023-12-05 二十一世纪空间技术应用股份有限公司 一种同源高分辨率影像和dsm数据的建筑物提取方法及装置

Similar Documents

Publication Publication Date Title
CN110852207A (zh) 基于面向对象影像分类技术的蓝色屋顶建筑物提取方法
CN109271991B (zh) 一种基于深度学习的车牌检测方法
CN111415363B (zh) 一种图像边缘识别方法
CN109740639B (zh) 一种风云卫星遥感影像云检测方法、***及电子设备
CN107564017B (zh) 一种城市高分遥感影像阴影检测及分割方法
CN108629286B (zh) 一种基于主观感知显著模型的遥感机场目标检测方法
CN110766708B (zh) 基于轮廓相似度的图像比较方法
CN109726649B (zh) 遥感影像云检测方法、***及电子设备
US11804025B2 (en) Methods and systems for identifying topographic features
CN104657980A (zh) 一种改进的基于Meanshift的多通道图像分割算法
CN110070545B (zh) 一种城镇纹理特征密度自动提取城镇建成区的方法
CN111680704B (zh) 海洋红线新增人类活动斑块自动化快速提取方法和装置
CN110245600B (zh) 自适应起始快速笔画宽度无人机道路检测方法
WO2014004271A2 (en) Method and system for use of intrinsic images in an automotive driver-vehicle-assistance device
JP2005234603A (ja) 地図情報更新方法及び地図更新装置
CN111369605A (zh) 一种基于边缘特征的红外与可见光图像的配准方法和***
JP4747122B2 (ja) 特定領域自動抽出システム、特定領域自動抽出方法、および、プログラム
CN107992856A (zh) 城市场景下的高分遥感建筑物阴影检测方法
CN115272876A (zh) 一种基于深度学习的遥感图像船舶目标检测方法
CN110310263B (zh) 一种基于显著性分析和背景先验的sar图像居民区检测方法
CN109635679B (zh) 一种实时的靶纸定位及环线识别方法
JPH05181411A (ja) 地図情報照合更新方式
CN109389063B (zh) 基于波段相关性的遥感影像条带噪声去除方法
CN113284066B (zh) 遥感影像自动云检测方法和装置
CN106886609B (zh) 街区式农村居民地遥感快速标注方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200228