CN112990001A - 应用于数字征迁的遥感影像单体建筑快速精准提取方法 - Google Patents
应用于数字征迁的遥感影像单体建筑快速精准提取方法 Download PDFInfo
- Publication number
- CN112990001A CN112990001A CN202110266481.0A CN202110266481A CN112990001A CN 112990001 A CN112990001 A CN 112990001A CN 202110266481 A CN202110266481 A CN 202110266481A CN 112990001 A CN112990001 A CN 112990001A
- Authority
- CN
- China
- Prior art keywords
- building
- remote sensing
- sensing image
- model
- image
- 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
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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种应用于数字征迁的遥感影像单体建筑快速精准提取方法,其特征在于:S1、获取工程范围内的遥感影像;S2、获取训练样本集;S3、得到训练好的建筑物模型;S4、将工程范围内的遥感影像作为输入,采用训练好的建筑物模型进行预测,得到遥感影像中栅格化的建筑物数据,建筑物数据中的每个栅格的取值范围为第一阈值范围,其中最大值代表最高概率属于建筑,最小值代表最高概率属于非建筑;S5、当建筑物数据中存在漏提误提时,获取针对漏提误提区域增加的建筑物样本文件,更新所述训练样本集,重复步骤S2至S4,直至预测得到的建筑物数据满足要求;S6、将栅格化的建筑物数据通过栅格转矢量的方式转换为建筑物的矢量图斑结果。
Description
技术领域
本发明涉及一种应用于数字征迁的遥感影像单体建筑快速精准提取方法。适用于高分辨率遥感影像信息提取领域。
背景技术
征迁是政府根据国民经济和社会发展规划、土地利用总体规划、城乡规划和专项规划等的需要,从而对土地进行征收的过程,其中涉及到征收土地的房屋拆迁问题,因此,需要获取征迁范围内的建筑物的现状,然后将征迁住户的信息与建筑图斑进行关联,为后续具体的征迁过程提供指导。
建筑是土地利用和地表覆盖变化的重要监测目标要素,遥感影像中可清晰辨别建筑屋顶信息,进而准确地反映建筑数量、面积、分布等现势情况,以往在数字征迁中,对于建筑物的获取,通常采用人工解译的方法或者建筑物,此方法虽然能获取精度较高的建筑物,但是需要耗费大量的人工成本,并且耗时很长,效率较低。
近年来,从高分辨率遥感影像中提取建筑物的方法由于能够更快速的获取建筑物图斑而得到广泛的应用,其次,遥感影像建筑物提取的方法也在不断更新,已经从基于像素的多尺度分割技术、基于面向对象的分类技术,发展为目前较为有效的基于深度卷积网络的语义分割技术,目前较为流行的网络有FCN、 U-Net、PSPNet、Mask-RCNN、D-LinkNet等。
然而,在数字征迁的应用方面,不仅仅是提取建筑物,往往还涉及到建筑物提取前期征迁范围的选定裁切、以及建筑物提取后的建筑图斑后处理和建筑物的征迁用户信息等属性的标定。
发明内容
本发明要解决的技术问题是:针对上述存在的问题,提供一种应用于数字征迁的遥感影像单体建筑快速精准提取方法。
本发明所采用的技术方案是:一种应用于数字征迁的遥感影像单体建筑快速精准提取方法,其特征在于:
S1、获取工程范围内的遥感影像;
S2、获取训练样本集,该训练样本集包括若干栅格化的建筑物样本文件,建筑物样本文件由从所述遥感影像上裁剪出的包含建筑物影像的影像样本经转栅格操作后形成,影像样本上绘制有建筑物轮廓并标注有建筑物和背景标签;
S3、根据训练样本集采用卷积神经网络模型进行训练,得到训练好的建筑物模型;
S4、将工程范围内的遥感影像作为输入,采用训练好的建筑物模型进行预测,得到遥感影像中栅格化的建筑物数据,建筑物数据中的每个栅格的取值范围为第一阈值范围,其中最大值代表最高概率属于建筑,最小值代表最高概率属于非建筑;
S5、当建筑物数据中存在漏提误提时,获取针对漏提误提区域增加的建筑物样本文件,更新所述训练样本集,重复步骤S2至S4,直至预测得到的建筑物数据满足要求;
S6、将栅格化的建筑物数据通过栅格转矢量的方式转换为建筑物的矢量图斑结果。
所述步骤S1包括:
获取最新时相的遥感影像和根据遥感影像绘制得到的工程范围面矢量文件,采用该面矢量文件对遥感影像进行裁切,得到工程范围内的遥感影像。
所述影像样本的长为600~1000像素,宽为600~1000像素。
步骤S5中在更新所述训练样本集后,以前一个训练好的建筑物模型作为预模型继续进行模型训练。
一种应用于数字征迁的遥感影像单体建筑快速精准提取装置,其特征在于:
影像获取模块,用于获取工程范围内的遥感影像;
样本获取模块,用于获取训练样本集,该训练样本集包括若干栅格化的建筑物样本文件,建筑物样本文件由从所述遥感影像上裁剪出的包含建筑物影像的影像样本经转栅格操作后形成,影像样本上绘制有建筑物轮廓并标注有建筑物和背景标签;
模型训练模块,用于根据训练样本集采用卷积神经网络模型进行训练,得到训练好的建筑物模型;
模型预测模块,用于将工程范围内的遥感影像作为输入,采用训练好的建筑物模型进行预测,得到遥感影像中栅格化的建筑物数据,建筑物数据中的每个栅格的取值范围为第一阈值范围,其中最大值代表最高概率属于建筑,最小值代表最高概率属于非建筑;
更新迭代模块,用于当建筑物数据中存在漏提误提时,获取针对漏提误提区域增加的建筑物样本文件,更新所述训练样本集,直至预测得到的建筑物数据满足要求;
矢量图转换模块,用于将栅格化的建筑物数据通过栅格转矢量的方式转换为建筑物的矢量图斑结果。
所述获取工程范围内的遥感影像,包括:
获取最新时相的遥感影像和根据遥感影像绘制得到的工程范围面矢量文件,采用该面矢量文件对遥感影像进行裁切,得到工程范围内的遥感影像。
所述影像样本的长为600~1000像素,宽为600~1000像素。
所述更新迭代模块中在更新所述训练样本集后,以前一个训练好的建筑物模型作为预模型继续进行模型训练。
一种存储介质,其上存储有可被处理器执行的计算机程序,其特征在于:所述计算机程序被执行时实现所述应用于数字征迁的遥感影像单体建筑快速精准提取方法的步骤。
一种计算机设备,具有存储器和处理器,存储器上存储有可被处理器执行的计算机程序,其特征在于:所述计算机程序被执行时实现所述应用于数字征迁的遥感影像单体建筑快速精准提取方法的步骤。
本发明的有益效果是:本发明以工程范围内的遥感影像作为输入,采用建筑物模型进行预测,得到遥感影像中栅格化的建筑物数据,并将建筑物数据转换为建筑物的矢量图斑,从而实现单体建筑快速精准提取。
本发明中建筑物模型采用由从工程范围内的遥感影像裁剪出的影像样本经转栅格后形成的训练样本集训练得到,更适用于该遥感影像上建筑物的预测,并且在预测得到的建筑物数据不能满足要求时,通过有针对性的增加训练样本优化建筑物模型。
附图说明
图1为本发明的实施流程图。
图2为本发明的逻辑流程图。
图3为本发明遥感影像单体建筑快速精准提取装置的流程图。
图4为本发明的效果示意图。
图5为本发明用作示例的遥感影像图。
图6为本发明计算得到的矢量图斑图。
图7为最终得到的矢量图。
图8为经过遥感影像单体建筑快速精准提取装置矢量美化后的矢量图。
图中:1、影像获取模块,2、样本获取模块,3、模型训练模块,4、模型预测模块,5、更新迭代模块,6、矢量图转换模块。
具体实施方式
本实施例为一种应用于数字征迁的遥感影像单体建筑快速精准提取方法,具体包括以下步骤:
S1、获取最新时相的高分辨率遥感影像,获取由工作人员根据遥感影像手动绘制得到数字征迁工程范围的面矢量文件,确定建筑物提取的目标范围矢量,采用该面矢量文件对遥感影像进行裁切,得到工程范围内的遥感影像。
S2、获取训练样本集,该训练样本集包括若干栅格化的建筑物样本文件,建筑物样本文件由从工程范围内的遥感影像上裁剪出的包含建筑物影像的影像样本经转栅格操作后形成,影像样本上绘制有建筑物轮廓并标注有建筑物和背景标签。
本实施例中工作人员基于获取的工程范围内的遥感影像,选取具有代表性的建筑区域,尽量覆盖各种建筑类型,对遥感影像进行裁剪,得到若干个样本,包括对应的栅格影像和面矢量文件,样本尺寸为X像素,宽为Y像素,一般地, X、Y的优选取值范围为600-1000像素;然后进一步根据各个样本栅格影像标注对应的面矢量文件,手动绘制建筑物的轮廓,并标注建筑物和背景标签,将标注好的矢量数据转换成栅格数据,得到栅格化的建筑物样本文件,即完成了建筑物样本的绘制,构成了训练样本集。
S3、根据训练样本集采用卷积神经网络模型进行训练,得到训练好的建筑物模型。
S4、将工程范围内的遥感影像作为输入,采用训练好的建筑物模型进行预测,得到遥感影像中栅格化的建筑物数据,即建筑的强度图,该强度图是与目标区域影像尺寸相同的栅格图,每个栅格取值范围为第一阈值范围,[0-255],其中255代表最高概率是属于建筑,0代表最高概率属于非建筑。
S5、当建筑物数据中存在漏提误提时,获取针对漏提误提区域增加适量的建筑物样本文件,更新训练样本集,以新的样本集,使用上一次训练的模型作为预模型,进行训练,预测影像,迭代多次直至获取满意的结果(如建筑物数据中不再有漏提误提)。
S6、将栅格化的建筑物数据通过栅格转矢量的方式转换为建筑物的矢量图斑结果。
S7、通过模型训练获得的建筑矢量图斑结果的建筑物边界呈现锯齿状等不规则边界,不够平滑,因而采用需要进行后处理,本例中通过对矢量化后的建筑物图斑进行平滑、拉直、拐点去除等等操作,获取较为美观与实用的建筑矢量结果。
S8、建筑物在数字征迁应用中还涉及到每个建筑物对应的征迁住户的信息,需要将建筑物图斑与征迁住户的信息相关联起来,为每个建筑物赋予相应的征迁住户的信息,本实施例中获取工作人员基于征迁住户的信息为每个建筑图斑增加相应的属性。
本实施例还提供一种应用于数字征迁的遥感影像单体建筑快速精准提取装置,包括影像获取模块、样本获取模块、模型训练模块、模型预测模块、更新迭代模块、矢量图转换模块、矢量图美化模块和属性添加模块。
本例中影像获取模块用于获取工程范围内的遥感影像;样本获取模块用于获取训练样本集,该训练样本集包括若干栅格化的建筑物样本文件,建筑物样本文件由从所述遥感影像上裁剪出的包含建筑物影像的影像样本经转栅格操作后形成,影像样本上绘制有建筑物轮廓并标注有建筑物和背景标签;模型训练模块用于根据训练样本集采用卷积神经网络模型进行训练,得到训练好的建筑物模型;模型预测模块用于将工程范围内的遥感影像作为输入,采用训练好的建筑物模型进行预测,得到遥感影像中栅格化的建筑物数据,建筑物数据中的每个栅格的取值范围为第一阈值范围,其中最大值代表最高概率属于建筑,最小值代表最高概率属于非建筑;更新迭代模块用于当建筑物数据中存在漏提误提时,获取针对漏提误提区域增加的建筑物样本文件,更新所述训练样本集,直至预测得到的建筑物数据满足要求;矢量图转换模块用于将栅格化的建筑物数据通过栅格转矢量的方式转换为建筑物的矢量图斑结果;矢量图美化模块用于通过对矢量化后的建筑物图斑进行平滑、拉直、拐点去除等等操作,获取较为美观与实用的建筑矢量结果;属性添加模块用于获取工作人员基于征迁住户的信息为每个建筑图斑增加相应的属性。
本实施例还提供一种存储介质,其上存储有可被处理器执行的计算机程序,该计算机程序被执行时实现本实施例中应用于数字征迁的遥感影像单体建筑快速精准提取方法的步骤。
本实施例还提供一种计算机设备,具有存储器和处理器,存储器上存储有可被处理器执行的计算机程序,该计算机程序被执行时实现本实施例中应用于数字征迁的遥感影像单体建筑快速精准提取方法的步骤。
Claims (10)
1.一种应用于数字征迁的遥感影像单体建筑快速精准提取方法,其特征在于:
S1、获取工程范围内的遥感影像;
S2、获取训练样本集,该训练样本集包括若干栅格化的建筑物样本文件,建筑物样本文件由从所述遥感影像上裁剪出的包含建筑物影像的影像样本经转栅格操作后形成,影像样本上绘制有建筑物轮廓并标注有建筑物和背景标签;
S3、根据训练样本集采用卷积神经网络模型进行训练,得到训练好的建筑物模型;
S4、将工程范围内的遥感影像作为输入,采用训练好的建筑物模型进行预测,得到遥感影像中栅格化的建筑物数据,建筑物数据中的每个栅格的取值范围为第一阈值范围,其中最大值代表最高概率属于建筑,最小值代表最高概率属于非建筑;
S5、当建筑物数据中存在漏提误提时,获取针对漏提误提区域增加的建筑物样本文件,更新所述训练样本集,重复步骤S2至S4,直至预测得到的建筑物数据满足要求;
S6、将栅格化的建筑物数据通过栅格转矢量的方式转换为建筑物的矢量图斑结果。
2.根据权利要求1所述的应用于数字征迁的遥感影像单体建筑快速精准提取方法,其特征在于,所述步骤S1包括:
获取最新时相的遥感影像和根据遥感影像绘制得到的工程范围面矢量文件,采用该面矢量文件对遥感影像进行裁切,得到工程范围内的遥感影像。
3.根据权利要求1所述的应用于数字征迁的遥感影像单体建筑快速精准提取方法,其特征在于:所述影像样本的长为600~1000像素,宽为600~1000像素。
4.根据权利要求1所述的应用于数字征迁的遥感影像单体建筑快速精准提取方法,其特征在于:步骤S5中在更新所述训练样本集后,以前一个训练好的建筑物模型作为预模型继续进行模型训练。
5.一种应用于数字征迁的遥感影像单体建筑快速精准提取装置,其特征在于:
影像获取模块,用于获取工程范围内的遥感影像;
样本获取模块,用于获取训练样本集,该训练样本集包括若干栅格化的建筑物样本文件,建筑物样本文件由从所述遥感影像上裁剪出的包含建筑物影像的影像样本经转栅格操作后形成,影像样本上绘制有建筑物轮廓并标注有建筑物和背景标签;
模型训练模块,用于根据训练样本集采用卷积神经网络模型进行训练,得到训练好的建筑物模型;
模型预测模块,用于将工程范围内的遥感影像作为输入,采用训练好的建筑物模型进行预测,得到遥感影像中栅格化的建筑物数据,建筑物数据中的每个栅格的取值范围为第一阈值范围,其中最大值代表最高概率属于建筑,最小值代表最高概率属于非建筑;
更新迭代模块,用于当建筑物数据中存在漏提误提时,获取针对漏提误提区域增加的建筑物样本文件,更新所述训练样本集,直至预测得到的建筑物数据满足要求;
矢量图转换模块,用于将栅格化的建筑物数据通过栅格转矢量的方式转换为建筑物的矢量图斑结果。
6.根据权利要求5所述的应用于数字征迁的遥感影像单体建筑快速精准提取装置,其特征在于,所述获取工程范围内的遥感影像,包括:
获取最新时相的遥感影像和根据遥感影像绘制得到的工程范围面矢量文件,采用该面矢量文件对遥感影像进行裁切,得到工程范围内的遥感影像。
7.根据权利要求5所述的应用于数字征迁的遥感影像单体建筑快速精准提取装置,其特征在于:所述影像样本的长为600~1000像素,宽为600~1000像素。
8.根据权利要求5所述的应用于数字征迁的遥感影像单体建筑快速精准提取装置,其特征在于:所述更新迭代模块中在更新所述训练样本集后,以前一个训练好的建筑物模型作为预模型继续进行模型训练。
9.一种存储介质,其上存储有可被处理器执行的计算机程序,其特征在于:所述计算机程序被执行时实现权利要求1~4任意一项所述应用于数字征迁的遥感影像单体建筑快速精准提取方法的步骤。
10.一种计算机设备,具有存储器和处理器,存储器上存储有可被处理器执行的计算机程序,其特征在于:所述计算机程序被执行时实现权利要求1~4任意一项所述应用于数字征迁的遥感影像单体建筑快速精准提取方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110266481.0A CN112990001A (zh) | 2021-03-11 | 2021-03-11 | 应用于数字征迁的遥感影像单体建筑快速精准提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110266481.0A CN112990001A (zh) | 2021-03-11 | 2021-03-11 | 应用于数字征迁的遥感影像单体建筑快速精准提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112990001A true CN112990001A (zh) | 2021-06-18 |
Family
ID=76336390
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110266481.0A Pending CN112990001A (zh) | 2021-03-11 | 2021-03-11 | 应用于数字征迁的遥感影像单体建筑快速精准提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112990001A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113610013A (zh) * | 2021-08-10 | 2021-11-05 | 四川易方智慧科技有限公司 | 基于高清遥感影像的rgb波段提取建筑物轮廓的方法 |
CN114187532A (zh) * | 2022-02-15 | 2022-03-15 | 中国测绘科学研究院 | 一种遥感影像时空样本生成与智能迭代分类方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140140571A1 (en) * | 2011-03-02 | 2014-05-22 | Raf Technology, Inc. | Document fingerprinting |
CN108830285A (zh) * | 2018-03-14 | 2018-11-16 | 江南大学 | 一种基于Faster-RCNN的加强学习的目标检测方法 |
CN109446992A (zh) * | 2018-10-30 | 2019-03-08 | 苏州中科天启遥感科技有限公司 | 基于深度学习的遥感影像建筑物提取方法及***、存储介质、电子设备 |
CN110298348A (zh) * | 2019-06-12 | 2019-10-01 | 苏州中科天启遥感科技有限公司 | 遥感影像建筑物样本区域提取方法及***、存储介质、设备 |
CN110472544A (zh) * | 2019-08-05 | 2019-11-19 | 上海英迈吉东影图像设备有限公司 | 一种物品识别模型的训练方法及*** |
CN111460936A (zh) * | 2020-03-18 | 2020-07-28 | 中国地质大学(武汉) | 基于U-Net网络的遥感影像建筑物提取方法、***、电子设备 |
-
2021
- 2021-03-11 CN CN202110266481.0A patent/CN112990001A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140140571A1 (en) * | 2011-03-02 | 2014-05-22 | Raf Technology, Inc. | Document fingerprinting |
CN108830285A (zh) * | 2018-03-14 | 2018-11-16 | 江南大学 | 一种基于Faster-RCNN的加强学习的目标检测方法 |
CN109446992A (zh) * | 2018-10-30 | 2019-03-08 | 苏州中科天启遥感科技有限公司 | 基于深度学习的遥感影像建筑物提取方法及***、存储介质、电子设备 |
CN110298348A (zh) * | 2019-06-12 | 2019-10-01 | 苏州中科天启遥感科技有限公司 | 遥感影像建筑物样本区域提取方法及***、存储介质、设备 |
CN110472544A (zh) * | 2019-08-05 | 2019-11-19 | 上海英迈吉东影图像设备有限公司 | 一种物品识别模型的训练方法及*** |
CN111460936A (zh) * | 2020-03-18 | 2020-07-28 | 中国地质大学(武汉) | 基于U-Net网络的遥感影像建筑物提取方法、***、电子设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113610013A (zh) * | 2021-08-10 | 2021-11-05 | 四川易方智慧科技有限公司 | 基于高清遥感影像的rgb波段提取建筑物轮廓的方法 |
CN114187532A (zh) * | 2022-02-15 | 2022-03-15 | 中国测绘科学研究院 | 一种遥感影像时空样本生成与智能迭代分类方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110298348B (zh) | 遥感影像建筑物样本区域提取方法及***、存储介质、设备 | |
CN102592268A (zh) | 一种分割前景图像的方法 | |
CN112990001A (zh) | 应用于数字征迁的遥感影像单体建筑快速精准提取方法 | |
US10803355B2 (en) | Method for training image generator | |
CN113223042B (zh) | 一种遥感影像深度学习样本智能采集方法及设备 | |
CN110598564B (zh) | 基于OpenStreetMap的高空间分辨率遥感影像迁移学习分类方法 | |
CN110956207B (zh) | 一种光学遥感影像全要素变化检测方法 | |
US20220414892A1 (en) | High-precision semi-automatic image data labeling method, electronic apparatus, and storage medium | |
CN113807301B (zh) | 一种新增建设用地自动提取方法及自动提取*** | |
WO2021093344A1 (zh) | 半自动化图像数据标注方法、电子装置及存储介质 | |
CN109685821A (zh) | 基于高质量体素的区域生长3d岩体点云平面提取方法 | |
CN112329751A (zh) | 一种基于深度学习的多尺度遥感影像目标识别***及方法 | |
CN114463623A (zh) | 一种基于多尺度遥感影像的耕地变化检测方法及装置 | |
CN111144487B (zh) | 一种遥感影像样本库的建立与更新方法 | |
CN111161300B (zh) | 一种基于改进大津法的Niblack的图像分割方法 | |
CN111104850A (zh) | 一种基于残差网络的遥感影像建筑物自动提取方法和*** | |
CN113034511A (zh) | 基于高分辨率遥感影像与深度学习的乡村建筑识别算法 | |
CN117572457A (zh) | 一种基于伪标签学习的跨场景多光谱点云分类方法 | |
CN115019163A (zh) | 基于多源大数据的城市要素识别方法 | |
CN112435274B (zh) | 一种基于面向对象分割的遥感影像面状地物提取方法 | |
CN116129278B (zh) | 一种基于遥感影像的土地利用分类识别*** | |
CN116822980A (zh) | 一种基矢量引导的典型地表要素智能监测方法及*** | |
CN117132886A (zh) | 道路平面交叉口提取方法、装置、设备以及存储介质 | |
CN115049997B (zh) | 边缘车道线的生成方法、装置、电子设备及存储介质 | |
CN108319927B (zh) | 一种自动识别病害的方法 |
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 |