CN112883796B - 基于叠掩信息的sar图像多类型建筑物高度估计方法 - Google Patents
基于叠掩信息的sar图像多类型建筑物高度估计方法 Download PDFInfo
- Publication number
- CN112883796B CN112883796B CN202110069225.2A CN202110069225A CN112883796B CN 112883796 B CN112883796 B CN 112883796B CN 202110069225 A CN202110069225 A CN 202110069225A CN 112883796 B CN112883796 B CN 112883796B
- Authority
- CN
- China
- Prior art keywords
- building
- overlap
- height
- area
- rise building
- 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
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
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- 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
-
- 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
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
-
- 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
- G06T2207/10044—Radar image
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)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了一种基于叠掩信息的SAR图像多类型建筑物高度估计方法。该方法包括:从高分辨率SAR图像中提取建筑物的叠掩区,按叠掩区的形状变异参数对所述叠掩区进行定性分类,分为:低层建筑物叠掩区、中层建筑物叠掩区和高层建筑物叠掩区;采取不同提取方法分别提取所述低层建筑物叠掩区、所述中层建筑物叠掩区和所述高层建筑物叠掩区的叠掩尺寸信息;根据叠掩尺寸信息结合建筑物的成像几何关系估算建筑物高度。本发明根据不同建筑物类别采取不同建筑物高度信息提取方法,能有效的提取出较为准确的楼层高度信息。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于叠掩信息的SAR图像多类型建筑物高度估计方法。
背景技术
建筑物作为城市三维信息建设***中最主要的基本元素,其高度对缓解城区人均占地面积减少、空间资源浪费等一系列问题发挥着重要作用。最初的建筑物高度信息主要是利用传统的地面测量方法通过人工实地测量获取,但该方法无法满足高速推动下城市化进程的监测需求。合成孔径雷达(Synthetic aperture radar,SAR)作为一种主动微波遥感技术,能够不受成像时间段的影响,对云雾等不利的天气因素和自然条件具备强抗干扰性,从而能够在城市化进程中实现对不断扩张的城区进行全天时、全天候的监测需求。
针对建筑物高度信息提取方法,现有的提取方法有:
基于高分辨率SAR图像提取建筑物高度信息。基于单景高分辨率SAR图像的建筑物高度信息提取是根据图像中建筑物同其他地物灰度信息和纹理特征上的差异实现建筑物成像区的检测,利用SAR图像中含有的丰富的强度、极化、相位等信息进行定量化分析,进而完成建筑物高度信息提取。然而此类方法对于建筑物成像区的完整性与独立性有较强的依赖性,因此如何降低建筑物成像区不完整对高度估计的影响还有待进一步的研究。
基于高分辨率SAR图像结合辅助数据提取建筑物高度。由不同传感器获取的遥感数据越来越丰富,不同传感器对于同一成像区在空间、光谱分辨率等方面都存在着各自的优劣势,因此多源数据信息的冗余性与互补性能抽取更为丰富的遥感信息,目前光学和建筑物轮廓矢量等辅助数据同高分辨SAR图像结合提取建筑高度是研究的热点之一。然而此类方法需要同一片区域的多源遥感数据,且在应用中要求各数据之间进行严格配准,对数据间的严格要求及复杂的预处理操作限制了此类方法的实用性。
基于高分辨率SAR层析图像提取建筑物高度。合成孔径雷达层析(SARTomography、TomoSAR)成像技术作为真正的三维技术,通过在不同视角下对同一片区域进行多次成像,对多次成像结果实现在高度维上的孔径合成,得到第三维度的成像结果。与高分辨率SAR图像与InSAR相位图相比,TomoSAR图像不但可以获取观测目标的高程信息,还能得到高度维上的目标散射体分布情况,因此在建筑物重建等领域有着极为重要的作用。但是基于TomoSAR的建筑物高度估计方法计算效率低下限制了此类方法的实用性。
发明内容
本发明综合考虑不同高度的建筑物在高分辨率SAR图像中的叠掩区存在不同的细节表征,而且相近高度下的不同建筑物在高分辨率SAR图像中也存在不同特征的建筑物叠掩区的特点,本发明提供了基于叠掩信息的高分辨率SAR多类型建筑物高度综合估计方法。针对不同类型的建筑物提出不同的建筑物高度信息提取方法,能有效的提取出较为准确的建筑物高度。
本发明所采用的技术方案是基于从高分辨率SAR图像上提取出的建筑物叠掩区域引入形状变异参数,将建筑物分为低层建筑物、中层建筑物和高层建筑物。然后针对每类建筑物提出不同的叠掩尺寸信息(叠掩长度或高亮线长度)提取方法,最后根据不同的成像几何关系计算建筑物高度信息。
基于叠掩信息的高分辨率SAR多类型建筑物高度综合估计方法,包括以下步骤:
从高分辨率SAR图像中提取建筑物的叠掩区,按所述叠掩区的形状变异参数对所述叠掩区进行定性分类,分为:低层建筑物叠掩区、中层建筑物叠掩区和高层建筑物叠掩区;
分别提取所述低层建筑物叠掩区、所述中层建筑物叠掩区和所述高层建筑物叠掩区的叠掩尺寸信息;
根据所述叠掩尺寸信息结合建筑物的成像几何关系估算建筑物高度。
进一步地,所述从高分辨率SAR图像中提取建筑物的叠掩区,按所述叠掩区的形状变异参数对所述叠掩区进行定性分类,分为:低层建筑物叠掩区、中层建筑物叠掩区和高层建筑物叠掩区的步骤包括:
从高分辨率SAR图像中提取建筑物的叠掩区;
计算所述叠掩区的形状变异参数;
根据所述形状变异参数将所述叠掩区分为低层建筑物叠掩区、中层建筑物叠掩区和高层建筑物叠掩区。
进一步地,所述形状变异参数为:
其中,cvshape为形状变异参数,σ表示叠掩区统计值的标准差,μ表示叠掩区统计值的平均值,Lmax表示叠掩区统计值的最大值,即叠掩区最长距离。
进一步地,所述分别提取所述低层建筑物叠掩区、所述中层建筑物叠掩区和所述高层建筑物叠掩区的叠掩尺寸信息的步骤包括:
对于低层建筑物叠掩区,基于叠掩区最小外接矩形约束的方法对叠掩区边界进行优化处理,获得优化后叠掩区,将所述优化后叠掩区的形态统计值的中值作为叠掩长度;
对于中层建筑物叠掩区,利用高亮线特征对叠掩参数进行优化,获得优化后的叠掩参数,从优化后的叠掩参数中提取叠掩尺寸信息;
对于高层建筑物,对于有建筑物矢量辅助的情况,采用矢量边界分割和边界条带扫描算法相结合实现叠掩区的分割与重构,获取叠掩尺寸信息;对于无建筑物分布矢量辅助的情况,采用灰度量化分割方法和边界条带扫描算法对叠掩区进行分割与重构,获取叠掩尺寸信息。
进一步地,所述根据所述叠掩尺寸信息结合建筑物的成像几何关系估算建筑物高度的步骤包括:
计算SAR入射角度;
计算叠掩区逐像元的距离分辨率;
根据所述距离分辨率计算建筑物距离像宽度;
根据所述距离像宽度计算建筑物高度的正反切值;
判断SAR入射角度与所述建筑物高度的正反切值的大小关系,分为两种情况:
建筑物在高分辨率SAR图像中的起始位置x:
x=Llayet+xlayer
根据叠掩长度或阴影长度计算得到建筑物高度,建筑物高度计算公式为:
其中,h为建筑物高度,w为建筑物距离向宽度,x为建筑物在高分辨率SAR图像沿距离向的斜距切面上的起始位置,叠掩的起始位置为xlayer,叠掩长度为Llayer,阴影长度为Lshadow;
x=Llayer+xlayer
根据叠掩长度计算得到建筑物高度,建筑物高度计算公式为:
其中,h为建筑物高度,w为建筑物距离向宽度,x为建筑物在高分辨率SAR图像沿距离向的斜距切面上的起始位置,叠掩的起始位置为xlayer,长度为Llayer,阴影长度为Lshadow。
本发明的有益效果:充分考虑了不同类型建筑物在高分辨率SAR图像中叠掩区的统计分布,增强了叠掩长度信息提取的准确性,针对不同类型的建筑物提出了不同的建筑物高度估计方法,用于估计出更符合真实值的建筑物高度信息。
附图说明
图1是本发明基于叠掩信息的SAR图像多类型建筑物高度估计方法具体流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地描述。
本发明基于叠掩信息的SAR图像多类型建筑物高度估计方法包括以下步骤:
从高分辨率SAR图像中提取建筑物的叠掩区,按所述叠掩区的形状变异参数对所述叠掩区进行定性分类,分为:低层建筑物叠掩区、中层建筑物叠掩区和高层建筑物叠掩区;
分别提取所述低层建筑物叠掩区、所述中层建筑物叠掩区和所述高层建筑物叠掩区的叠掩尺寸信息;
根据所述叠掩尺寸信息结合建筑物的成像几何关系估算建筑物高度。
请参考图1,图1是本发明基于叠掩信息的SAR图像多类型建筑物高度估计方法具体流程图。
具体实施步骤如下:
步骤1:建筑物分类
将从高分辨率SAR图像中提取到的叠掩区按形状变异参数对建筑物高度实现定性分类。形状变异参数具体为:
其中σ表示叠掩区统计值的标准差,μ表示叠掩区统计值的平均值,Lmax表示叠掩区统计值的最大值,即叠掩区最长距离。
该形状变异参数对于基于多尺度梯度特征提取的高分辨率SAR图像中的高层建筑物叠掩区有较明显的识别效果。利用形状变异参数将建筑物分为低层建筑物、中层建筑物和高层建筑物三类。
步骤2:优化低层建筑物叠掩区
(1)针对叠掩区的形状在整体上时呈现聚拢状态的情况,低层建筑物在高分辨率SAR图像中的叠掩长度信息的采用叠掩区形态统计值的中值。
(2)针对叠掩区边界像元紧缩的不够彻底的情况,采用叠掩区最小外接矩形约束的方法对建筑物叠掩区边界进行优化处理,使其形状统计值离散程度减小,从而得到更精准的低层建筑物高度信息。主要步骤如下:
A:根据待优化的叠掩区对象计算其最小外接矩形,统计最小外接矩形各边界与叠掩区相交像元的个数,计算各相交像元数与边界长度的比值关系;
B:设定的相交比例阈值。若比值小于阈值,则该相交像元属于“触须”部分,删除该相交像元,同时将该边界向外接矩形中心移动一个像元,重复上述操作,直至相交像元占比大于阈值;
C:读取叠掩尺寸信息的中值用于建筑物高度信息提取。
步骤3:优化中层建筑物高亮线特征的叠掩参数
基于对中层建筑物在高分辨率SAR图像中叠掩区域提取的准确的假设上,利用中层建筑物叠掩区中与建筑物高度信息密切联系的高亮线特征实现叠掩参数优化,步骤如下所示:
(1)根据提取的建筑物叠掩区数据,完成高分辨率SAR图像中的建筑物高度提取,首先对整个叠掩区沿距离向进行叠掩远距离端边界像元集内各像元的灰度分布情况统计,提取边界线像元集在整个叠掩区内灰度值分布位于前四分之一的像元子集,作为与建筑物高度信息密切联系的高亮线基点。
(2)采用“探针”算子得到高亮线长度信息。
基于整个叠掩区的像元分布选取,即选取方位向上所有像元,统计各像元沿距离向的灰度值变化曲线,根据整个叠掩区内的表现,选取最亮的几组像元点作为“探针”基点,开始向近距离端滑动1*N的算子。
算子在滑动过程中,会实时统计窗口下的像元灰度值信息,根据设置好的变异系数阈值和均值阈值判断是否需要再次往前滑动,每次滑动的步长默认为1个像素,但在实时滑动中会根据输入的灰度阈值与窗口下各像元的灰度值的相对大小来选取滑动步长,即存在大于灰度阈值的最大灰度值时,下一次滑动以该像元为基点;若不存在灰度值大于灰度阈值的像元,则判断窗口下的变异系数及均值是否满足阈值条件,满足则以默认步长开始下一次滑动探测,不满足则结束该“探针”算子的滑动探测,直到“探针”算子存活小于最初的四分之一数。返回最后一个基点的像元位置,与对应初始基点的距离向差值,即为该栋建筑物叠掩分布的预范围,以此来检测叠掩区外漏识别的高亮特征线像元,根据自适应阈值探测完毕,得到叠掩区高亮线特征的长度信息。
(3)根据本组高亮线长度数据的变异系数,选择数据中的中值、均值或众数作为建筑物高度信息在高分辨率SAR图像中的映射。
步骤4:高层建筑物叠掩分割与重构
(1)对于有建筑物矢量辅助的情况,根据建筑物矢量数据对叠掩区边界信息进行分割提取,利用边界条带扫描算法对建筑物叠掩区进行重构,获取叠掩尺寸信息;
(2)对于无建筑物分布矢量辅助的情况,采用灰度量化分割方法和边界条带扫描算法对叠掩区进行分割与重构,获取叠掩尺寸信息。
(A)对实验区的高分辨率SAR图像进行灰度级量化;
(B)根据叠掩区提取结果,取得复杂叠掩区1.5倍外接矩形范围内灰度量化图像,采用梯度算子实现灰度量化边界的提取;
(C)结合提取到的叠掩区域远距离端边界线的位置区间,筛选灰度量化边界,将按位置约束得到的灰度量化边界进行形态学变换,实现叠掩分割;
(D)选取各灰度量化边界,读取各段边界的方位向位置区间,以此位置区间约束读取叠掩区内部像元,统计像元的灰度值分布情况,检索该栋建筑物叠掩区的高亮特征线;得到高亮特征线位置后,采用“探针”算子对该栋建筑物的叠掩区进行边界探测;在叠掩探测区内部进行灰度量化边界条带扫描处理,完成叠掩区的初步重构工作;合并原始叠掩区的远距离端边界分段边界,并进行形状变异参数计算与判断。
步骤5:根据建筑物叠掩与阴影区的成像几何关系,分别计算建筑物高度。
首先对实验区高分辨率SAR图像利用线性插值法对逐像元进行SAR入射角的计算,然后根据高分辨率SAR图像中的距离向视数与方位向视数的关系计算逐像元的距离向分辨率;根据距离分辨率计算建筑物距离像宽度;根据距离像宽度计算建筑物高度的正反切值;
判断SAR入射角度与所述建筑物高度的正反切值的大小关系,分为两种情况:
建筑物在高分辨率SAR图像中的起始位置x:
x=Llayer+xlayer
建筑物高度可由叠掩长度或阴影长度计算得到:
其中,h为建筑物高度,w为建筑物距离向宽度,x为建筑物在高分辨率SAR图像沿距离向的斜距切面上的起始位置,叠掩的起始位置为xlayer,长度为Llayer,阴影长度为Lshadow。
x=Llayer+xlayer
建筑物高度只能由叠掩长度计算得到:
其中,h为建筑物高度,w为建筑物距离向宽度,x为建筑物在高分辨率SAR图像沿距离向的斜距切面上的起始位置,叠掩的起始位置为xlayer,长度为Llayer,阴影长度为Lshadow。
本发明充分考虑了不同类型建筑物在高分辨率SAR图像中叠掩区的统计分布,增强了叠掩长度信息提取的准确性,用于估计出更符合真实值的建筑物高度信息。
以上所述仅为本发明的较佳实施例,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、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于叠掩信息的SAR图像多类型建筑物高度估计方法,其特征在于,所述基于叠掩信息的SAR图像多类型建筑物高度估计方法包括以下步骤:
从高分辨率SAR图像中提取建筑物的叠掩区,按所述叠掩区的形状变异参数对所述叠掩区进行定性分类,分为:低层建筑物叠掩区、中层建筑物叠掩区和高层建筑物叠掩区;
所述形状变异参数为:
其中,cvshape为形状变异参数,σ表示叠掩区统计值的标准差,μ表示叠掩区统计值的平均值,Lmax表示叠掩区统计值的最大值,即叠掩区最长距离;
分别提取所述低层建筑物叠掩区、所述中层建筑物叠掩区和所述高层建筑物叠掩区的叠掩尺寸信息;
根据所述叠掩尺寸信息结合建筑物的成像几何关系估算建筑物高度。
2.如权利要求1所述的基于叠掩信息的SAR图像多类型建筑物高度估计方法,其特征在于,所述从高分辨率SAR图像中提取建筑物的叠掩区,按所述叠掩区的形状变异参数对所述叠掩区进行定性分类,分为:低层建筑物叠掩区、中层建筑物叠掩区和高层建筑物叠掩区的步骤包括:
从高分辨率SAR图像中提取建筑物的叠掩区;
计算所述叠掩区的形状变异参数;
根据所述形状变异参数将所述叠掩区分为低层建筑物叠掩区、中层建筑物叠掩区和高层建筑物叠掩区。
3.如权利要求1所述的基于叠掩信息的SAR图像多类型建筑物高度估计方法,其特征在于,所述分别提取所述低层建筑物叠掩区、所述中层建筑物叠掩区和所述高层建筑物叠掩区的叠掩尺寸信息的步骤包括:
对于低层建筑物叠掩区,针对叠掩区的形状在整体上时呈现聚拢状态的情况,低层建筑物在高分辨率SAR图像中的叠掩长度信息的采用叠掩区形态统计值的中值;
针对叠掩区边界像元紧缩的不够彻底的情况,采用叠掩区最小外接矩形约束的方法对建筑物叠掩区边界进行优化处理,使其形状统计值离散程度减小,从而得到更精准的低层建筑物高度信息,主要步骤如下:
A:根据待优化的叠掩区对象计算其最小外接矩形,统计最小外接矩形各边界与叠掩区相交像元的个数,计算各相交像元数与边界长度的比值关系;
B:设定的相交比例阈值,若比值小于阈值,则该相交像元属于“触须”部分,删除该相交像元,同时将该边界向外接矩形中心移动一个像元,重复上述操作,直至相交像元占比大于阈值;
C:读取叠掩尺寸信息的中值用于建筑物高度信息提取;
对于中层建筑物叠掩区,利用高亮线特征对叠掩参数进行优化,获得优化后的叠掩参数,从优化后的叠掩参数中提取叠掩尺寸信息;
对于高层建筑物,对于有建筑物矢量辅助的情况,采用矢量边界分割和边界条带扫描算法相结合实现叠掩区的分割与重构,获取叠掩尺寸信息;
对于无建筑物分布矢量辅助的情况,采用灰度量化分割方法与边界条带扫描算法相结合对叠掩区进行分割与重构,获取叠掩尺寸信息;具体步骤如下:
(A)对实验区的高分辨率SAR图像进行灰度级量化;
(B)根据叠掩区提取结果,取得复杂叠掩区1.5倍外接矩形范围内灰度量化图像,采用梯度算子实现灰度量化边界的提取;
(C)结合提取到的叠掩区域远距离端边界线的位置区间,筛选灰度量化边界,将按位置约束得到的灰度量化边界进行形态学变换,实现叠掩分割;
(D)选取各灰度量化边界,读取各段边界的方位向位置区间,以此位置区间约束读取叠掩区内部像元,统计像元的灰度值分布情况,检索该栋建筑物叠掩区的高亮特征线;得到高亮特征线位置后,采用“探针”算子对该栋建筑物的叠掩区进行边界探测;在叠掩探测区内部进行灰度量化边界条带扫描处理,完成叠掩区的初步重构工作;合并原始叠掩区的远距离端边界分段边界,并进行形状变异参数计算与判断。
4.如权利要求1所述的基于叠掩信息的SAR图像多类型建筑物高度估计方法,其特征在于,所述根据所述叠掩尺寸信息结合建筑物的成像几何关系估算建筑物高度的步骤包括:
计算SAR入射角度;
计算叠掩区逐像元的距离分辨率;
根据所述距离分辨率计算建筑物距离像宽度;
根据所述距离像宽度计算建筑物高度的正反切值;
判断SAR入射角度与所述建筑物高度的正反切值的大小关系,分为两种情况:
其中,h为建筑物高度,w为建筑物距离向宽度,叠掩长度为Llayer,阴影长度为Lshadow;
其中,h为建筑物高度,w为建筑物距离向宽度,叠掩长度为Llayer。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110069225.2A CN112883796B (zh) | 2021-01-19 | 2021-01-19 | 基于叠掩信息的sar图像多类型建筑物高度估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110069225.2A CN112883796B (zh) | 2021-01-19 | 2021-01-19 | 基于叠掩信息的sar图像多类型建筑物高度估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112883796A CN112883796A (zh) | 2021-06-01 |
CN112883796B true CN112883796B (zh) | 2022-09-30 |
Family
ID=76049787
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110069225.2A Active CN112883796B (zh) | 2021-01-19 | 2021-01-19 | 基于叠掩信息的sar图像多类型建筑物高度估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112883796B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115578607B (zh) * | 2022-12-08 | 2023-04-25 | 自然资源部第三航测遥感院 | 一种遥感影像有效像元覆盖范围快速提取方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10521694B2 (en) * | 2016-09-09 | 2019-12-31 | The Chinese University Of Hong Kong | 3D building extraction apparatus, method and system |
CN109583284B (zh) * | 2017-09-29 | 2023-09-12 | 中国科学院空天信息创新研究院 | 基于高分辨率sar图像的城市高层建筑物高度提取方法及装置 |
CN108132468B (zh) * | 2017-12-25 | 2021-10-08 | 中南大学 | 一种多基线极化干涉sar建筑物高度提取方法 |
CN110222586A (zh) * | 2019-05-15 | 2019-09-10 | 清华大学 | 一种建筑物高度的计算及城市形态参数数据库的建立方法 |
-
2021
- 2021-01-19 CN CN202110069225.2A patent/CN112883796B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112883796A (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107341795B (zh) | 一种知识驱动的高空间分辨率遥感影像自动变化检测方法 | |
CN107330875B (zh) | 基于遥感图像正反向异质性的水体周边环境变化检测方法 | |
CN108596103A (zh) | 基于最佳光谱指数选择的高分辨率卫星遥感影像建筑物提取方法 | |
CN110309781B (zh) | 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法 | |
CN107067405B (zh) | 基于尺度优选的遥感影像分割方法 | |
WO2019071976A1 (zh) | 基于区域增长和眼动模型的全景图像显著性检测方法 | |
CN109859219B (zh) | 结合相位与光谱的高分遥感影像分割方法 | |
US11804025B2 (en) | Methods and systems for identifying topographic features | |
CN114005042A (zh) | 基于阴影补偿和U-net的遥感影像城市建筑提取方法 | |
CN110070545B (zh) | 一种城镇纹理特征密度自动提取城镇建成区的方法 | |
CN110598564A (zh) | 基于OpenStreetMap的高空间分辨率遥感影像迁移学习分类方法 | |
CN109741358B (zh) | 基于自适应超图学习的超像素分割方法 | |
CN105405138A (zh) | 基于显著性检测的水面目标跟踪方法 | |
Mahmoudabadi et al. | Efficient terrestrial laser scan segmentation exploiting data structure | |
CN115861409B (zh) | 大豆叶面积测算方法、***、计算机设备及存储介质 | |
CN114627104A (zh) | 一种机场净空保护区建筑变化的遥感影像检测方法 | |
CN107992856A (zh) | 城市场景下的高分遥感建筑物阴影检测方法 | |
CN110717531A (zh) | 一种基于不确定性分析和贝叶斯融合的分类后变化类型检测方法 | |
CN112883796B (zh) | 基于叠掩信息的sar图像多类型建筑物高度估计方法 | |
Jiang et al. | Semi-automatic building extraction from high resolution imagery based on segmentation | |
CN107564024B (zh) | 基于单侧聚集线段的sar图像聚集区域提取方法 | |
CN114612315A (zh) | 一种基于多任务学习的高分辨率影像缺失区域重建方法 | |
CN110276270B (zh) | 一种高分辨率遥感影像建筑区提取方法 | |
Wu et al. | Vehicle detection in high-resolution images using superpixel segmentation and CNN iteration strategy | |
Cheng et al. | Tensor locality preserving projections based urban building areas extraction from high-resolution SAR images |
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 |