CN111428582B - 一种利用互联网街景照片计算城市天空开阔度的方法 - Google Patents
一种利用互联网街景照片计算城市天空开阔度的方法 Download PDFInfo
- Publication number
- CN111428582B CN111428582B CN202010146662.5A CN202010146662A CN111428582B CN 111428582 B CN111428582 B CN 111428582B CN 202010146662 A CN202010146662 A CN 202010146662A CN 111428582 B CN111428582 B CN 111428582B
- Authority
- CN
- China
- Prior art keywords
- sky
- street view
- calculating
- area
- internet
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000005070 sampling Methods 0.000 claims abstract description 21
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000003064 k means clustering Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 238000012952 Resampling Methods 0.000 claims description 2
- 239000003086 colorant Substances 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract description 7
- 230000007547 defect Effects 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 229920000433 Lyocell Polymers 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
- G06V20/38—Outdoor scenes
- G06V20/39—Urban scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10024—Color image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种利用互联网街景照片计算城市天空开阔度的方法,包括以下步骤:第一步、街景全景照片获取;第二步、天空区域提取,满足以下三个条件的区域判定为天空区域:1)、区域的平均色彩分量在所述色彩分量分布范围内;2)、区域的信息熵与所述平均信息熵的差小于两倍的所述标准差;3)、区域的中心点高度与整幅图像高度的比不低于所述高度阈值;第三步、天空开阔度计算——计算采样点的天空开阔度,即全景照片中天空区域面积占整张照片面积的比例。本发明使用互联网街景照片可以提供一种有效的方法来衡量城市天空开阔度水平。本发明中该指标与街景数据的结合提供了一个科学的城市景观评价方法,克服了传统景观评价工具的不足。
Description
技术领域
本发明涉及一种城市天空开阔度计算方法,特别是涉及一种利用互联网街景照片计算城市天空开阔度的方法。
背景技术
城市化的快速发展导致大量人口涌入城市(Debnath,2014;Phil,2014),有限的城市用地已经很难满足城市发展的需求。为缓解这一矛盾,城市垂直空间的开发成为有效的手段,高层建筑在城市中迅速崛起(Temelová,2014)。这些建筑打断了观者的视线,使城市公共空间成为一个封闭的空间,给城市居民带来心理上的压迫感(Asgarzadeh,2014)。合理的天空开阔度可以给居民带来视觉上的安全感(Moughtin,2003),天空开阔度过低会增加人的负面心理压力,甚至导致犯罪率增高(Asgarzadeh,2012),且会对城市环境质量产生负面影响,进而成为构造愉快的城市形态的障碍。因此,城市天空开阔度评价对城市规划和发展至关重要。
由于城市天空开阔或压抑是通过人的视觉感知得到的一种心理感受,传统的问卷调查根据被调查者对城市空间的直接感受进行分析。这些方法较费时、昂贵,阻碍了其在大范围的应用,结果是主观的(Gupta,2012)。因此,仍然需要一种简单、经济且有效的方法实现大范围城市尺度的天空开阔度计算。通过适当的物理参数来衡量城市空间心理压力的方法已经被众多研究者采用(Susaki,2014)。Takei认为建筑物立体角和外形因素是衡量天空开阔度的最佳指标,其他人也提出了一些物理变量,如配置因素(Hwang,2007),景深(Ewing,2009),树木和天空因子(Asgarzadeh,2012),视线遮挡比(Stamps,2002)等。这些物理参数主要可以通过野外测量或对城市周边的一些采样点拍照来计算,但仍然不能快速有效地测量整个城市的天空开阔度。
遥感技术可以获取大规模城市地表信息,为城市研究和景观分析提供数据。然而,遥感技术获取的地表景观仅提供二维的俯视视角,无法从人的角度准确表征城市景观(Charreire,2014)。LiDAR技术可以获取目标的三维信息,并以离散点的形式表示。Susaki等人利用航空LiDAR提出了衡量压抑度的方法,即被物体遮挡的面积与整个可见区域的比值。然而,LiDAR数据往往是昂贵的或不可用的,很难获得大规模数据。
街景地图可以为用户提供公共街道的全景图像,许多地图供应商提供了应用程序编程接口(API),允许公众免费下载其产品,这为城市研究提供了新的数据。YIN等人引入谷歌街景照片,采用机器学习算法从照片中提取天空区域,分析视觉郁闭度与街道可步性的关系。然而,我国目前还没有谷歌街景。城市街道是城市的骨架和重要公共空间,设计良好的街道可以促进居民主动出行,增加城市景观美感(Thompson,2011),在街道尺度衡量城市天空开阔度具有重要意义。
发明内容
本发明解决的技术问题是:克服现有技术的上述不足,提出一种利用互联网街景照片计算城市天空开阔度的方法。相对于传统的方法而言,本发明旨在挖掘互联网街景照片在城市研究中的应用潜力,提出一种科学的城市景观评价方法。
为解决上述技术问题,本发明提出的技术方案是:一种利用互联网街景照片计算城市天空开阔度的方法,包括以下步骤:
第一步、街景全景照片获取——数字化路网并重采样成离散点,离散点采样间隔与街景照片拍摄间隔一致;获取每个采样点的经纬度坐标,下载采样点的全方位街景数据并合成街景全景照片;
第二步、天空区域提取——根据颜色、纹理和位置从街景全景照片中提取天空区域,具体方法如下:
A1、目视选取若干天空样本区域,提取天空区域样本的RGB分量值的范围、平均信息熵及标准差、和高度阈值,所述高度阈值是指天空区域中心点高度占整幅图像高度比例的最低值;
A2、将RGB空间的街景全景照片转换到LAB空间,并进行形态学平滑滤波;
A3、使用K均值聚类方法对街景全景照片进行分割,得到若干个类别,针对归属于每个类别的区域,提取平均色彩分量,信息熵和位置信息;
A4、满足以下三个条件的区域判定为天空区域:1)、区域的平均色彩分量在所述色彩分量分布范围内;2)、区域的信息熵与所述平均信息熵的差小于两倍的所述标准差;3)、区域的中心点高度与整幅图像高度的比不低于所述高度阈值;
第三步、天空开阔度计算——计算采样点的天空开阔度SVI
其中,Nsky是在图像分割之后被分类为天空区域的数量,ri是第i个天空区域内像素的数量,N是街景全景照片像素的总数。
本发明的有效效益如下:
(1)本发明表明,使用互联网街景照片可以提供一种有效的方法来衡量城市天空开阔度水平。互联网街景照片可作为城市规划和研究的新数据源;
(2)本发明在昆明市中心城区的成功实施表明,基于街景全景照片的SVI指数可以实现大规模的应用。本发明中该指标与街景数据的结合提供了一个科学的城市景观评价方法,克服了传统景观评价工具的不足;
(3)中国目前还没有谷歌街景,腾讯公司提供的街景数据可作为谷歌街景等类似数据的重要补充。
附图说明
下面结合附图对本发明的利用互联网街景照片计算城市天空开阔度的方法作进一步说明。
图1天空开阔度计算流程图。
图2天空开阔度示意图。
图3实例研究区概况图。
图4天空开阔度计算结果图。
图5RGB分量频率分布直方图。
图6天空区域提取实例,(a)用来精度验证的全景照片;(b)天空区域自动提取结果;(c)天空区域手动提取结果。
图7天空区域提取结果对比,(a)散点图;(b)残差图。
具体实施方式
实施例
下面根据附图详细说明本发明,本发明的技术路线和操作步骤更加清晰。
实例以昆明市中心城区(二环以内)为试验区,如附图3所示,主城区道路总长278公里,共选择采样点5256个。昆明是云南省会,位于东经102°10′至103°40′,北纬24°23′至26°22′,是自然景观和人文景观荟萃之地。作为国际旅游目的地,城市街道舒适感的提升尤为重要。天空开阔度从一定程度上反映了昆明市城市建设现状,对昆明城市规划有指导意义。
本实例利用互联网街景照片计算城市天空开阔度的方法,采用ArcGIS10.4、matlab2016、Eclipse、PTGui共同完成,主要包括以下步骤:
第一步、街景全景照片获取——选用腾讯街景地图作为街景数据来源,腾讯电子地图作为道路网来源。数字化路网并重采样成离散点,离散点采样间隔与街景照片拍摄间隔一致。获取每个采样点的经纬度坐标,下载采样点的全方位街景数据并合成全景照片。
本步骤中具体方法如下:
1a)在Arcgis10.4中对腾讯电子地图获取的路网数据进行数字化及预处理,包括拓扑检查和双线道路的简化;
1b)对每条预处理后的道路以50米为间隔获取离散点,获取每个采样点的经纬度坐标。50m的采样间隔在保证照片覆盖度的同时平衡了数据量大小;
1c)对于每一个已知经纬度的采样点,调用腾讯街景静态图提供的API接口,下载该采样点360°全方位的街景数据。使用Eclipse软件,Java编码自动下载每个点0°、45°、90°、135°、180°、225°、270°、315°的8张照片。俯仰角设为0度,保证视野范围与人正常视野大致相同。
1d)本实例通过PTGui软件自动寻找每张照片的控制点,合成全景照片作为天空开阔度计算的数据源,如图2(a)为一张合成的全景照片。
第二步、天空区域提取——根据颜色、纹理和位置从全景照片中提取天空区域。首先定义天空区域提取的先验知识,其次对街景图像进行分割,根据先验知识获取天空区域。
天空区域提取先验知识定义如下:首先目视随机选取61个采样点对应的街景照片,在这些照片中手动选取天空区域,总结街景照片中天空区域的颜色、纹理、位置特征。在此基础上,创建红绿蓝(RGB)分量频率分布直方图并对每个分量进行高斯拟合,如图5所示,得到RGB分量值的范围为:R=102-179,G=147-204,B=202-235。其次,总结天空信息熵(纹理)。这是由于与照片中的其他区域相比,天空的纹理复杂度较低。在61个样本中,天空区域的平均信息熵值为1.98,标准差为0.60。如果一个区域的信息熵与平均信息熵值之差小于标准差的两倍,则该区域被认为是一个可能的天空区域。最后样本中天空区域中心点高度占整幅图像高度比例的最低值作为高度阈值,一个区域的中心点高度占整幅图像高度的比例小于该高度阈值,那么这个区域就被认为是非天空区域。将这三个规则作为先验知识提取天空区域。
分割之前需要将RGB空间的街景全景照片转换到LAB空间,并进行形态学平滑滤波,然后再使用K均值聚类方法进行街景照片的分割。
采用K均值聚类方法进行街景照片的分割,需要预先确定聚类数目。街景照片中主要目标包括天空、道路、建筑物、植被和车辆。将聚类数设为目标类型的整数倍,得到初始分割结果后将每一种目标类型划分为不同的类别。
最后,根据天空特征将可能属于天空区域的目标类型提取出来,剔除其他类型。具体的,满足以下三个条件的区域判定为天空区域:1)、区域的平均色彩分量在所述色彩分量分布范围内;2)、区域的信息熵与所述平均信息熵的差小于两倍的所述标准差;3)、区域的中心点高度与整幅图像高度的比不低于所述高度阈值。
第三步、天空开阔度计算——计算采样点的天空开阔度SVI
其中,Nsky是在图像分割之后被分类为天空区域的数量,ri是第i个天空区域内像素的数量,N是街景全景照片像素的总数。
天空开阔度计算示意图如图2所示。Point0、Point 1、Point 2分别为天空视觉量高、低、中的采样点。图2(c)显示了采样点相应的全景照片。对试验区进行天空开阔度计算,结果如图4所示。
验证实施例:
下面为验证本发明方法的精度,继续以该实例进行说明。
为验证本发明天空开阔度的计算精度,以单张全景照片为例,采用Photoshop软件手动提取街道街景全景照片中的天空区域,天空开阔度自动计算结果为17.1%(图6b),与手动提取结果16.5%较一致(图6c)。随机选取33张街景照片采用本发明所述方法计算天空开阔度,手动提取天空区域,通过绘制散点图和计算残差对计算结果进行精度评估,如图7所示,相关系数为0.92,表明两种手段得到的SVI值较接近。残差大多数较小,表明本发明提出的SVI计算方法具有较高的精度。
本发明利用互联网街景照片计算城市天空开阔度的方法不局限于上述实施例所述的具体技术方案,凡采用等同替换形成的技术方案均为本发明要求的保护范围。
Claims (5)
1.一种利用互联网街景照片计算城市天空开阔度的方法,包括以下步骤:
第一步、街景全景照片获取——数字化路网并重采样成离散点,离散点采样间隔与街景照片拍摄间隔一致;获取每个采样点的经纬度坐标,下载采样点的全方位街景数据并合成街景全景照片;
第二步、天空区域提取——根据颜色、纹理和位置从街景全景照片中提取天空区域,具体方法如下:
A1、目视选取若干天空样本区域,提取天空区域样本的RGB分量值的范围、平均信息熵及标准差、和高度阈值,所述高度阈值是指天空区域中心点高度占整幅图像高度比例的最低值;
A2、将RGB空间的街景全景照片转换到LAB空间,并进行形态学平滑滤波;
A3、使用K均值聚类方法对街景全景照片进行分割,得到若干个类别,针对归属于每个类别的区域,提取平均色彩分量,信息熵和位置信息;
A4、满足以下三个条件的区域判定为天空区域:1)、区域的平均色彩分量在所述色彩分量分布范围内;2)、区域的信息熵与所述平均信息熵的差小于两倍的所述标准差;3)、区域的中心点高度与整幅图像高度的比不低于所述高度阈值;
第三步、天空开阔度计算——计算采样点的天空开阔度SVI
其中,Nsky是在图像分割之后被分类为天空区域的数量,ri是第i个天空区域内像素的数量,N是街景全景照片像素的总数。
2.根据权利要求1所述的利用互联网街景照片计算城市天空开阔度的方法,其特征在于:所述第一步中,选用腾讯街景地图作为街景数据来源,腾讯电子地图作为道路网来源。
3.根据权利要求1所述的利用互联网街景照片计算城市天空开阔度的方法,其特征在于:所述第一步中,使用PT-GUI软件将每个采样点的街景照片合成全景照片,全景照片水平覆盖360°,垂直覆盖180°。
4.根据权利要求1所述的利用互联网街景照片计算城市天空开阔度的方法,其特征在于:第二步中,K均值聚类方法的类别数为目标类别的整数倍。
5.根据权利要求4所述的利用互联网街景照片计算城市天空开阔度的方法,其特征在于:第二步中,所述目标类别为五类,分别为天空、道路、建筑物、植被和车辆。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010146662.5A CN111428582B (zh) | 2020-03-05 | 2020-03-05 | 一种利用互联网街景照片计算城市天空开阔度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010146662.5A CN111428582B (zh) | 2020-03-05 | 2020-03-05 | 一种利用互联网街景照片计算城市天空开阔度的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111428582A CN111428582A (zh) | 2020-07-17 |
CN111428582B true CN111428582B (zh) | 2023-05-05 |
Family
ID=71547401
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010146662.5A Active CN111428582B (zh) | 2020-03-05 | 2020-03-05 | 一种利用互联网街景照片计算城市天空开阔度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111428582B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113034514A (zh) * | 2021-03-19 | 2021-06-25 | 影石创新科技股份有限公司 | 天空区域分割方法、装置、计算机设备和存储介质 |
CN114494598B (zh) * | 2022-01-25 | 2023-03-21 | 南京师范大学 | 一种城市三维可视空间比指标的优化方法 |
WO2023179296A1 (en) * | 2022-03-24 | 2023-09-28 | The University Of Hong Kong | System and methods for quantifying and calculating window view openness indexes |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105571572A (zh) * | 2016-02-03 | 2016-05-11 | 东南大学 | 一种天空可视域的标准测量方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105893675B (zh) * | 2016-03-31 | 2019-01-29 | 东南大学 | 一种基于天空可视域评价的开放空间周边建筑形态优化控制方法 |
CN109948547A (zh) * | 2019-03-20 | 2019-06-28 | 广州市城市规划勘测设计研究院 | 城市绿地景观评价方法、装置、存储介质及终端设备 |
-
2020
- 2020-03-05 CN CN202010146662.5A patent/CN111428582B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105571572A (zh) * | 2016-02-03 | 2016-05-11 | 东南大学 | 一种天空可视域的标准测量方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111428582A (zh) | 2020-07-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111986099B (zh) | 基于融合残差修正的卷积神经网络的耕地监测方法及*** | |
CN111428582B (zh) | 一种利用互联网街景照片计算城市天空开阔度的方法 | |
Voltersen et al. | Object-based land cover mapping and comprehensive feature calculation for an automated derivation of urban structure types at block level | |
Yu et al. | Automated derivation of urban building density information using airborne LiDAR data and object-based method | |
Trier et al. | Automatic detection of mound structures in airborne laser scanning data | |
US7983474B2 (en) | Geospatial modeling system and related method using multiple sources of geographic information | |
CN109858450B (zh) | 一种十米级空间分辨率遥感影像城镇提取方法及*** | |
CN113887515A (zh) | 一种基于卷积神经网络的遥感滑坡识别方法及*** | |
CN110866494A (zh) | 一种基于光学遥感影像的城镇群提取方法及*** | |
Gennaretti et al. | A methodology proposal for land cover change analysis using historical aerial photos | |
CN117746221A (zh) | 一种基于街景图像的城市街道空间更新成效评估方法 | |
Tang et al. | Assessing the visibility of urban greenery using MLS LiDAR data | |
CN109657728B (zh) | 样例生产方法及模型训练方法 | |
CN112597936B (zh) | 基于面向对象分层分割的建筑垃圾分离方法及相关产品 | |
CN117437489A (zh) | 基于决策树模型的城市绿地提取方法 | |
Sari et al. | Object segmentation on UAV photo data to support the provision of rural area spatial information | |
CN112686988B (zh) | 三维建模方法、装置、电子设备及存储介质 | |
Xu et al. | Advanced exploratory data analysis for mapping regional canopy cover | |
CN113610294A (zh) | 一种中小城市色彩规划方法、存储介质和装置 | |
Talebi et al. | Automated classification of urban areas for storm water management using aerial photography and LiDAR | |
Zhang et al. | Assessing Urban Park Open Space by Semantic Segmentation of Geo-tagged Panoramic Images | |
Henits et al. | Analysis of the connection between urban land cover and census districts using geoinformatical methods | |
CN117612038B (zh) | 基于无人机影像的矿区植被碳汇精细演算方法 | |
CN117576485B (zh) | 融合正负地形和光照晕渲的沙丘提取方法 | |
Chen et al. | Urban Environment Evaluation and Analysis Based on Street View Image |
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 |