CN113837092A - 绿视率提取的方法、装置及设备、存储介质 - Google Patents
绿视率提取的方法、装置及设备、存储介质 Download PDFInfo
- Publication number
- CN113837092A CN113837092A CN202111123146.1A CN202111123146A CN113837092A CN 113837092 A CN113837092 A CN 113837092A CN 202111123146 A CN202111123146 A CN 202111123146A CN 113837092 A CN113837092 A CN 113837092A
- Authority
- CN
- China
- Prior art keywords
- green
- vision rate
- detection picture
- extracting
- green vision
- 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
- 230000004438 eyesight Effects 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000001514 detection method Methods 0.000 claims abstract description 51
- 238000000605 extraction Methods 0.000 claims abstract description 44
- 238000003709 image segmentation Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000003064 k means clustering Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 208000004350 Strabismus Diseases 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000010276 construction Methods 0.000 abstract description 3
- 239000003086 colorant Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241001464837 Viridiplantae Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Processing (AREA)
Abstract
本申请涉及一种绿视率提取的方法、装置及设备、存储介质,绿视率提取的方法,包括:获取设定规则;根据设定规则,获取检测图片;将检测图片输入到预先构建的图像分割模型中,得到绿色植被空间范围信息;基于检测图片,根据绿色植被空间范围信息对绿视率进行提取,得到绿视率提取结果。如此,利用设定规则来获取标准化的检测图片,同时,引入了图像分割技术来确定绿色植被的空间范围,有效提高了绿视率提取的效率和准确性,为城市规划和建设提供了理论依据。
Description
技术领域
本申请涉及城市环境监测技术领域,具体涉及一种绿视率提取的方法、装置及设备、存储介质。
背景技术
伴随着“以人为本”城市规划理念的推进,微观尺度的城市空间品质修复逐渐显现潜力,绿视率因考虑人的环境感知、立体视觉效果相较“绿地率”等传统绿化空间质量指标更具优势,已经成为评价城市绿化环境质量的全新视角,对城市空间品质评价与规划设计实践具有重要指导意义。
相关技术中,传统的绿视率评价研究多采用小范围拍摄采样和人工识别方法,这种方法缺乏效率与可靠性。目前,前沿技术运用网络图像大数据技术,通过提取街景图像中的绿色像素为绿视率识别提供了理论基础,然而,这种方式尽管解决了手动录入图像进行提取可能面临的工作复杂、人力消耗大、人工录入误差等问题,但在技术层面仍然停留在对简单绿色像素进行直接提取的阶段,检测效率和可靠性还有待进一步提升。
发明内容
有鉴于此,本申请的目的在于克服现有技术中对绿视率提取的效率和可靠性不足的技术问题,提供一种绿视率提取的方法、装置及设备、存储介质。
为实现以上目的,本申请采用如下技术方案:
本申请的第一方面提供一种绿视率提取的方法,包括:
获取设定规则;
根据所述设定规则,获取检测图片;
将所述检测图片输入到预先构建的图像分割模型中,得到绿色植被空间范围信息;
基于所述检测图片,根据所述绿色植被空间范围信息对绿视率进行提取,得到绿视率提取结果。
可选的,所述得到绿视率提取结果之后,所述方法还包括:
展示所述绿视率提取结果。
可选的,所述根据所述绿色植被空间范围信息对绿视率进行提取,包括:
根据所述绿色植被空间范围信息,利用K均值聚类算法提取所述绿视率。
可选的,所述设定规则携带有随机点属性;所述随机点属性包括:经纬度信息、图片尺寸和视角参数。
可选的,所述根据所述设定规则,获取检测图片,包括:
根据所述经纬度信息,确定所述检测图片的获取位置;
根据所述视角参数,确定所述检测图片在所述获取位置的获取角度参数;
根据所述图片尺寸,在所述获取位置,以所述获取角度参数获取所述检测图片。
可选的,所述图像分割模型的构建方法包括:
获取训练样本集;
基于Deep labv3+框架,利用所述训练样本集对Xception模型进行训练,得到所述图像分割模型。
本申请的第二方面提供一种绿视率提取的装置,包括:
第一获取模块,用于获取设定规则;
第二获取模块,用于根据所述设定规则,获取检测图片;
计算模块,用于将所述检测图片输入到预先构建的图像分割模型中,得到绿色植被空间范围信息;
提取模块,用于基于所述检测图片,根据所述绿色植被空间范围信息对绿视率进行提取,得到绿视率提取结果。
可选的,还包括展示模块;
所述展示模块,用于展示所述绿视率提取结果。
本申请的第三方面提供一种绿视率提取的设备,包括:
处理器,以及与所述处理器相连接的存储器;
所述存储器用于存储计算机程序;
所述处理器用于调用并执行所述存储器中的所述计算机程序,以执行如本申请的第一方面所述的方法。
本申请的第四方面提供一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时,实现如本申请的第一方面所述的绿视率提取的方法的各个步骤。
本申请提供的技术方案可以包括以下有益效果:
本申请的方案中,预先构建了可以用于确定图片中绿色植被空间范围的图像分割模型,基于此,在获取到设定规则后,可以根据设定规则获取到检测图片,继而将检测图片输入到图像分割模型中,得到检测图片的绿色植被空间范围信息,再基于检测图片,根据绿色植被空间范围信息进行绿视率提取,就可以得到绿视率提取结果。如此,利用设定规则来获取标准化的检测图片,同时,引入了图像分割技术来确定绿色植被的空间范围,有效提高了绿视率提取的效率和准确性,为城市规划和建设提供了理论依据。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一个实施例提供的一种绿视率提取的方法的流程图。
图2是本申请另一个实施例提供的一种绿视率提取的装置的结构示意图。
图3是本申请另一个实施例提供的一种绿视率提取的设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将对本申请的技术方案进行详细的描述。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式,都属于本申请所保护的范围。
绿视率是指“在串联人类生活空间、生产空间、生态空间的街道上,城市居民视野中城市景观的绿色植被占比”。通过对城市绿视率的测度,可以寻找城市居民视觉感受中需要提升绿色植被覆盖的街道,能够为建立宜居、宜业、宜游的公共城市空间提供精细化的规划实践支撑。
相关技术中,现有的绿视率提取技术多是通过对简单的绿色像素的提取来实现,然而,受城市各种建筑物和设施的干扰,通过提取绿色像素得到的绿视率,其准确率还有很大的提升空间。为此,本申请的实施例提供一种绿视率提取的方法,如图1所示,该方法至少可以包括如下步骤:
步骤11、获取设定规则。
实施时,可以获取用户提供的设定规则,利用设定规则来确定道路随机点的布置。例如,设定规则可以是在城市某条道路中,平均每千米选取m个随机点。m的数量可以根据需求进行设置。如此,可以为城市绿视率的测度提供数据采集基础。
步骤12、根据设定规则,获取检测图片。
步骤13、将检测图片输入到预先构建的图像分割模型中,得到绿色植被空间范围信息。
步骤14、基于检测图片,根据绿色植被空间范围信息对绿视率进行提取,得到绿视率提取结果。
本实施例中,预先构建了可以用于确定图片中绿色植被空间范围的图像分割模型,基于此,在获取到设定规则后,可以根据设定规则获取到检测图片,继而将检测图片输入到图像分割模型中,得到检测图片的绿色植被空间范围信息,再基于检测图片,根据绿色植被空间范围信息进行绿视率提取,就可以得到绿视率提取结果。如此,利用设定规则来获取标准化的检测图片,同时,引入了图像分割技术来确定绿色植被的空间范围,有效提高了绿视率提取的效率和准确性,为城市规划和建设提供了理论依据。
在步骤11中,设定规则可以由人为设置,以确保后续图像数据收集的标准性和可重复性。
实施时,设定规则中还可以携带有随机点属性,随机点属性可以包括经纬度信息、图片尺寸和视角参数。其中,视角参数可以包括水平视角、垂直视角和水平方向范围。经纬度信息是观测点(随机点)的信息,可以用来确定该随机点的位置,图片尺寸即图像大小,可以用来确定检测图片的大小,以统一所有检测图片的尺寸,提高提取效率和准确性。例如,可以在道路随机点确立拟定的“行人视角”标准,“行人视角”可以定义为:水平(pitch=0)的四个方向(heading=0,90,180,270),水平方向范围为90°(fov=90),每一个方向的图像大小宽度为1024(width=1024),高度为512(height=512),则每一张检测图片的获取都需要确定为pitch=0;heading=0,90,180,270;fov=90;width=1024;height=512。该点的随机点属性如表1所示。
表1随机点属性
一些实施例中,在根据设定规则,获取检测图片时,可以根据经纬度信息,确定检测图片的获取位置;根据视角参数,确定检测图片在获取位置的获取角度参数;根据图片尺寸,在获取位置,以获取角度参数获取检测图片。如此,一方面大大提高了检测图片数据的采集效率,另一方面也确立了检测图片收集的标准规范,确保了检测图片收集的可重复性。
在获取到检测图片后,就可以将检测图片输入到预先构建的图像分割模型中,以基于卷积神经网络的图像分割技术,实现对检测图片中绿色植被空间范围的精准确定。相较于现有的“绿色像素”识别,这种“图像分割”完全克服了“绿色像素”路径只有估计没有假设检验或者存在偏差的假设检验的问题,大大提高了识别准确性。
一些实施例中,图像分割模型的构建方法可以包括:获取训练样本集;基于Deeplabv3+框架,利用训练样本集对Xception模型进行训练,得到图像分割模型。
具体的,获取训练样本集以及利用样本集对Xception模型进行训练的具体实现方式可以参考现有相关技术,此处不再赘述。
由于无监督聚类算法中的K均值聚类算法提取植物空间面积能够提供更加丰富的、易解读的可视化图表数据,比如,图像簇分区提取展示、聚类颜色统计和色彩空间统计等。因此,在根据绿色植被空间范围信息对绿视率进行提取时,可以根据绿色植被空间范围信息,利用K均值聚类算法提取绿视率。
K均值聚类算法源于信号处理中的一种向量量化方法,广泛应用于数据挖掘领域。在计算时,对于给定的图像数据样本集,按照样本之间的距离大小,将样本集划分为k个簇。
具体实施时,以某一个观测点的数据为例,图像中的颜色可以分为多组,图片簇分区分配给每个集群的图像像素,边界是簇的颜色,由其像素的平均值计算得出。图片分区簇显示了每个集群的颜色分布,更具体的RGB颜色值、颜色显示、像素占比、K-means距离(ΔE)也可以统计出来,其中,ΔE是lab空间中两种颜色之间色差距离的度量,其公式可以表示为:
其中,L2-L1表示明度色差,a2-a1表示红绿颜色,b2-b1表示黄蓝色差。
经K均值聚类算法提取之后,就可以得到绿视率提取结果。绿视率提取结果可以包括颜色统计结果和色彩空间统计结果。
一些实施例中,在得到绿视率提取结果之后,绿视率提取的方法还可以包括:展示绿视率提取结果,以便于用户可以更加直观的获知提取结果。
基于相同的技术构思,本申请的实施例提供一种绿视率提取的装置,如图2所示,该装置可以包括:第一获取模块201,用于获取设定规则;第二获取模块202,用于根据设定规则,获取检测图片;计算模块203,用于将检测图片输入到预先构建的图像分割模型中,得到绿色植被空间范围信息;提取模块204,用于基于检测图片,根据绿色植被空间范围信息对绿视率进行提取,得到绿视率提取结果。
可选的,绿视率提取的装置还可以包括展示模块;展示模块,用于展示绿视率提取结果。
可选的,在根据绿色植被空间范围信息对绿视率进行提取时,计算模块203,具体用于:根据绿色植被空间范围信息,利用K均值聚类算法提取绿视率。
可选的,设定规则携带有随机点属性;随机点属性可以包括:经纬度信息、图片尺寸和视角参数。相应的,在根据设定规则,获取检测图片时,第二获取模块202,具体可以用于:根据经纬度信息,确定检测图片的获取位置;根据视角参数,确定检测图片在获取位置的获取角度参数;根据图片尺寸,在获取位置,以获取角度参数获取检测图片。
可选的,绿视率提取的装置还可以包括构建模块,构建模块具体用于:获取训练样本集;基于Deep labv3+框架,利用训练样本集对Xception模型进行训练,得到图像分割模型。
实施时,本申请的实施例提供的绿视率提取的装置的具体实现方式可以参考以上任意实施例所述的绿视率提取的方法的具体实施方式,此处不再赘述。
基于相同的技术构思,本申请的实施例提供一种绿视率提取的设备,如图3所示,该设备可以包括:处理器301,以及与处理器301相连接的存储器302;存储器302用于存储计算机程序;处理器301用于调用并执行存储器302中的计算机程序,以执行如以上任意实施例所述的绿视率提取的方法。
实施时,本申请的实施例提供的绿视率提取的设备的具体实现方式可以参考以上任意实施例所述的绿视率提取的方法的具体实施方式,此处不再赘述。
基于相同的技术构思,本申请的实施例还提供一种存储介质,该存储介质存储有计算机程序,计算机程序被处理器执行时,实现如以上任意实施例所述的绿视率提取的方法的各个步骤。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是,在本申请的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本申请的描述中,除非另有说明,“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种绿视率提取的方法,其特征在于,包括:
获取设定规则;
根据所述设定规则,获取检测图片;
将所述检测图片输入到预先构建的图像分割模型中,得到绿色植被空间范围信息;
基于所述检测图片,根据所述绿色植被空间范围信息对绿视率进行提取,得到绿视率提取结果。
2.根据权利要求1所述的绿视率提取的方法,其特征在于,所述得到绿视率提取结果之后,所述方法还包括:
展示所述绿视率提取结果。
3.根据权利要求1所述的绿视率提取的方法,其特征在于,所述根据所述绿色植被空间范围信息对绿视率进行提取,包括:
根据所述绿色植被空间范围信息,利用K均值聚类算法提取所述绿视率。
4.根据权利要求1所述的绿视率提取的方法,其特征在于,所述设定规则携带有随机点属性;所述随机点属性包括:经纬度信息、图片尺寸和视角参数。
5.根据权利要求4所述的绿视率提取的方法,其特征在于,所述根据所述设定规则,获取检测图片,包括:
根据所述经纬度信息,确定所述检测图片的获取位置;
根据所述视角参数,确定所述检测图片在所述获取位置的获取角度参数;
根据所述图片尺寸,在所述获取位置,以所述获取角度参数获取所述检测图片。
6.根据权利要求1所述的绿视率提取的方法,其特征在于,所述图像分割模型的构建方法包括:
获取训练样本集;
基于Deep labv3+框架,利用所述训练样本集对Xception模型进行训练,得到所述图像分割模型。
7.一种绿视率提取的装置,其特征在于,包括:
第一获取模块,用于获取设定规则;
第二获取模块,用于根据所述设定规则,获取检测图片;
计算模块,用于将所述检测图片输入到预先构建的图像分割模型中,得到绿色植被空间范围信息;
提取模块,用于基于所述检测图片,根据所述绿色植被空间范围信息对绿视率进行提取,得到绿视率提取结果。
8.根据权利要求7所述的绿视率提取的装置,其特征在于,还包括展示模块;
所述展示模块,用于展示所述绿视率提取结果。
9.一种绿视率提取的设备,其特征在于,包括:
处理器,以及与所述处理器相连接的存储器;
所述存储器用于存储计算机程序;
所述处理器用于调用并执行所述存储器中的所述计算机程序,以执行如权利要求1-6任一项所述的方法。
10.一种存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时,实现如权利要求1-6任一项所述的绿视率提取的方法的各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111123146.1A CN113837092A (zh) | 2021-09-24 | 2021-09-24 | 绿视率提取的方法、装置及设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111123146.1A CN113837092A (zh) | 2021-09-24 | 2021-09-24 | 绿视率提取的方法、装置及设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113837092A true CN113837092A (zh) | 2021-12-24 |
Family
ID=78970137
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111123146.1A Pending CN113837092A (zh) | 2021-09-24 | 2021-09-24 | 绿视率提取的方法、装置及设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113837092A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010272097A (ja) * | 2009-05-22 | 2010-12-02 | Advanced Systems Co Ltd | 緑視率測定装置、方法及びプログラム |
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 |
CN112329498A (zh) * | 2019-08-05 | 2021-02-05 | 四川大学 | 一种基于机器学习的街道空间品质量化方法 |
-
2021
- 2021-09-24 CN CN202111123146.1A patent/CN113837092A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010272097A (ja) * | 2009-05-22 | 2010-12-02 | Advanced Systems Co Ltd | 緑視率測定装置、方法及びプログラム |
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 |
CN112329498A (zh) * | 2019-08-05 | 2021-02-05 | 四川大学 | 一种基于机器学习的街道空间品质量化方法 |
Non-Patent Citations (1)
Title |
---|
刘一鸣等: "内涵式发展诉求下城市绿地***规划的绿视率问题研究", 城市发展研究, 28 February 2021 (2021-02-28), pages 2 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106017342B (zh) | 基于三维实景模型的建筑物变化自动检测方法及其*** | |
KR101333347B1 (ko) | 화상 처리 방법과 화상 처리 장치 | |
KR20190082062A (ko) | 포인트 클라우드 데이터 사이의 매칭 관계를 확정하는 방법 및 장치 | |
Yang et al. | Automated extraction of building outlines from airborne laser scanning point clouds | |
CN103630496B (zh) | 基于路面视亮度和最小二乘法的交通视频能见度检测方法 | |
CN105279372A (zh) | 一种建筑物高度计算方法和装置 | |
TW201022708A (en) | Method of change detection for building models | |
CN111832489A (zh) | 一种基于目标检测的地铁人群密度估计方法及*** | |
CN103530881A (zh) | 适用于移动终端的户外增强现实无标志点跟踪注册方法 | |
CN113112480B (zh) | 视频场景变换检测方法、存储介质和电子设备 | |
CN106558051A (zh) | 一种改进的从单幅图像检测道路的方法 | |
CN104217442B (zh) | 基于多模型估计的航拍视频运动目标检测方法 | |
CN112085778A (zh) | 基于超像素和形态学的倾斜摄影违法建筑检测方法及*** | |
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 | |
CN112946679A (zh) | 一种基于人工智能的无人机测绘果冻效应检测方法及*** | |
CN113420109A (zh) | 一种街道界面渗透率的测量方法、计算机及存储介质 | |
CN105631849B (zh) | 多边形目标的变化检测方法及装置 | |
CN108287845A (zh) | 一种道路信息自动提取方法和装置、及混合导航*** | |
CN114004950A (zh) | 一种基于BIM与LiDAR技术的路面病害智能识别与管理方法 | |
CN112347926A (zh) | 基于建筑形态分布的高分辨率影像城中村检测方法 | |
CN117808287A (zh) | 一种架空线路潜在风险综合评估方法 | |
CN113837092A (zh) | 绿视率提取的方法、装置及设备、存储介质 | |
WO2021138372A1 (en) | Feature coverage analysis | |
CN112001453A (zh) | 一种视频事件检测算法的准确率计算方法及装置 | |
CN112066998A (zh) | 用于航线地图的渲染方法及*** |
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 |