CN117351368B - 自然村边界的获取方法、装置、电子设备及存储介质 - Google Patents
自然村边界的获取方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117351368B CN117351368B CN202311657980.8A CN202311657980A CN117351368B CN 117351368 B CN117351368 B CN 117351368B CN 202311657980 A CN202311657980 A CN 202311657980A CN 117351368 B CN117351368 B CN 117351368B
- Authority
- CN
- China
- Prior art keywords
- concave
- target
- house
- natural village
- village
- 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 38
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 238000013136 deep learning model Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims description 59
- 238000012545 processing Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 10
- 238000005520 cutting process Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000010865 sewage Substances 0.000 abstract description 13
- 238000009826 distribution Methods 0.000 abstract description 8
- 238000013461 design Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000013440 design planning Methods 0.000 abstract description 3
- 239000013256 coordination polymer Substances 0.000 description 15
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 5
- 238000013439 planning Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000001746 atrial effect Effects 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明适用于排污管网设计技术,提供了自然村边界的获取方法、装置、电子设备及存储介质。该方法通过获取包含目标行政村区域的目标遥感图像;采用预训练的深度学习模型提取目标遥感图像中的每个房屋面位置;根据预先标记的自然村POI生成泰森多边形;根据各个房屋面位置,以预设距离聚类生成凹包;逐个遍历每个凹包,针对每个被遍历到的目标凹包,判断目标凹包与泰森多边形的位置关系,以及POI的分布情况,设置房屋面位置的自然村归属属性,利用已经分类的房屋面位置的自然村属性,对归属于同一自然村的屋面位置进行求取凹包,得到每个自然村的范围可以获得更加精确的适合污水管网设计规划的自然村边界。
Description
技术领域
本发明属于排污管网设计技术领域,尤其涉及自然村边界的获取方法、装置、电子设备及存储介质。
背景技术
对行政村进行排污管网设计时,为了提高设计准确度,需要基于单个自然村进行设计。因此,需要提取单独的自然村边界。
然而,现实中部门地方政府也没有自然村边界数据,或者在现有技术中直接从遥感影像上分割得到的边界轮廓过于简化,无法满足精细设计的需求。由于提取自然村偏差较大,这样会导致排水管网的铺设成本急剧增加。另外,人工对遥感影像进行分割处理的处理成本高,无法进行大规模自动化处理。
发明内容
本发明实施例提供一种自然村边界的获取方法,旨在解决如何获取精确的适合污水管网规划的自然村边界的问题。
本发明实施例是这样实现的,自然村边界的获取方法包括以下步骤:
获取包含目标行政村区域的目标遥感图像;
采用预训练的深度学习模型提取所述目标遥感图像中的每个房屋面位置;
根据预先标记的自然村POI生成泰森多边形;
根据各个所述房屋面位置,以预设距离聚类生成凹包;
逐个遍历每个凹包,针对每个被遍历到的目标凹包,判断所述目标凹包是否与超过一个的泰森多边形相交,若否则将所述目标凹包中的房屋面位置的自然村归属属性设置为POI对应的自然村,所述目标凹包标记为已处理;
若所述目标凹包与超过一个泰森多边形相交,则判断所述目标凹包是否包含超过1个POI,若否则将所述目标凹包中的房屋面位置的自然村归属属性设置为所述目标凹包面积占最大的泰森多边形所属的POI对应的自然村;
若所述目标凹包包含超过1个POI,则使用泰森多边形切割所述目标凹包生成对应的N个凹包子区域,其中,N为大于1的整数;
逐个判断N个所述凹包子区域中的每个目标凹包子区域是否包含POI,若是则将所述目标凹包子区域中房屋面位置的自然村归属属性设置为该POI对应的自然村,若否则将房屋面合并到所述目标凹包子区域最相邻的已处理自然村;
在逐个遍历每个凹包完成后,利用已经分类的房屋面位置的自然村属性,对归属于同一自然村的屋面位置进行求取凹包,得到每个自然村的范围。
本发明实施例还提供自然村边界的获取装置,包括:
目标遥感图像获取模块,用于获取包含目标行政村区域的目标遥感图像;
房屋面位置获取模块,用于采用预训练的深度学习模型提取所述目标遥感图像中的每个房屋面位置;
泰森多边形生成模块,用于根据预先标记的自然村POI生成泰森多边形;
第一凹包生成模块,用于根据各个所述房屋面位置,以预设距离聚类生成凹包;
第一凹包遍历模块,用于逐个遍历每个凹包,针对每个被遍历到的目标凹包,判断所述目标凹包是否与超过一个的泰森多边形相交,若否则将所述目标凹包中的房屋面位置的自然村归属属性设置为POI对应的自然村,所述目标凹包标记为已处理;
第一凹包遍历模块,还用于若所述目标凹包与超过一个泰森多边形相交,则判断所述目标凹包是否包含超过1个POI,若否则将所述目标凹包中的房屋面位置的自然村归属属性设置为所述目标凹包面积占最大的泰森多边形所属的POI对应的自然村;
第一凹包遍历模块,还用于若所述目标凹包包含超过1个POI,则使用泰森多边形切割所述目标凹包生成对应的N个凹包子区域,其中,N为大于1的整数;
第一凹包遍历模块,还用于逐个判断N个所述凹包子区域中的每个目标凹包子区域是否包含POI,若是则将所述目标凹包子区域中房屋面位置的自然村归属属性设置为该POI对应的自然村,若否则将房屋面合并到所述目标凹包子区域最相邻的已处理自然村;
第二凹包生成模块,用于在逐个遍历每个凹包完成后,利用已经分类的房屋面位置的自然村属性,对归属于同一自然村的屋面位置进行求取凹包,得到每个自然村的范围。
本发明实施例还提供一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的自然村边界的获取方法。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读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上所述的自然村边界的获取方法。
本发明所达到的有益效果,一方面,本申请通过根据房屋面位置聚类形成的凹包,与根据预先标记的自然村POI生成泰森多边形的位置关系,以及POI的分布情况,对每个凹包内的房屋面与自然村的归属关系进行调整。具体的,通过逐个遍历每个凹包,针对每个被遍历到的目标凹包,判断所述目标凹包是否与超过一个的泰森多边形相交,若否则将所述目标凹包中的房屋面位置归入POI对应的自然村,即将目标凹包中的房屋面位置的自然村归属属性设置为POI对应的自然村,所述目标凹包标记为已处理;若所述目标凹包与超过一个的泰森多边形相交,则判断所述目标凹包是否包含超过1个POI,若否则将所述目标凹包中的房屋面位置自然村归属属性设置为目标凹包面积占比较大的泰森多边形所属的POI对应的自然村;若所述目标凹包包含超过1个POI,则使用泰森多边形切割所述目标凹包生成对应的N个凹包子区域,其中,N为大于1的整数;逐个判断N个所述凹包子区域中的每个目标凹包子区域是否包含POI,若是则将所述目标凹包子区域中房屋面位置归入该POI对应的自然村,即将房屋面位置的自然村归属属性设置为POI对应的自然村,若否则将房屋面合并到所述目标凹包子区域最相邻的已处理自然村,聚类产生的凹包边界进行调整,将可能不属于自然村、或者远离自然村的房屋面进行重新划分,获得更加适合污水管网设计规划的自然村边界,使得基于此自然村边界规划的污水管网等设施的施工准确度大大提升,使得基于此自然村边界规划的污水管网等设施的施工成本大大降低。另一方面,本申请通过采用预训练的深度学习模型提取所述目标遥感图像中的每个房屋面位置,并进一步的根据房屋面位置聚类形成的凹包,与根据预先标记的自然村POI生成泰森多边形的位置关系,以及POI的分布情况,来自动提取自然村边界,解决了人工对遥感影像进行分割处理的处理成本高问题,并且提高了自然村边界提取的效率。
附图说明
图1是本申请实施例提供的自然村边界的获取方法流程示意图;
图2是本申请实施例提供的根据预先标记的自然村POI生成泰森多边形示意图;
图3是本申请实施例提供的根据各个所述房屋面,以预设距离聚类生成凹包示意图;
图4是本申请实施例提供的自然村边界的获取方法逐个遍历每个凹包流程示意图;
图5是本申请实施例提供的泰森多边形和凹包相交示意图;
图6是本申请实施例提供的凹包与一个泰森多边形相交示意图;
图7是本申请实施例提供的凹包与两个泰森多边形相交示意图;
图8是本申请实施例提供的凹包与三个泰森多边形相交并包含三个POI示意图;
图9是本申请实施例提供的最终每个自然村的范围示意图;
图10是本发明另一实施例提供的自然村边界的获取方法流程示意图;
图11是本申请实施例提供的训练区域的训练遥感图像示意图;
图12是本申请实施例提供的训练遥感图像标注房屋面示意图;
图13是本申请实施例提供的对训练遥感图像按预设尺寸进行切片示意图;
图14是本申请实施例提供的屋面标注蒙版切片的示意图;
图15是本发明另一实施例提供的自然村边界的获取方法流程示意图;
图16是本申请实施例提供的自然村边界的获取装置示意图;
图17是本申请实施例提供的电子设备示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
为了方便对本申请的理解,下面对本申请涉及到的术语进行解释。
行政村,中国基层行政区划单位之一,通常包含多个自然村。本申请中作为待分析的大范围区域。
自然村,指自然形成的村落范围,通常包含较集中的居民点,本申请旨在提取未知分布的自然村的边界。
GIS (Geographic Information System,地理信息***),地理数据管理、分析、可视化的计算机***。本申请结合GIS数据库管理和分析自然村数据。
GDAL(Geospatial Data Abstraction Library,意为地理空间数据抽象库),是一个开源的地理空间数据处理工具集。
Shapefile ,一种常用的GIS向量数据格式,用来存储地理要素的几何和属性信息。
Post GIS ,为PostgreSQL的空间数据库扩展,在数据库中实现空间数据管理和空间分析功能。
POI (Point of Interest,感兴趣点),通常表示具有一定意义的地理要素的位置,在本申请中表示自然村的地名位置点。
VP(Voronoi Polygons,泰森多边形),一种空间分割结构,根据点集生成表示区域范围的多边形。本申请中用来表征自然村POI的空间影响范围。本申请中采用GIS内置算法求解泰森多边形。
可以理解的是,本申请附图中点划线(——--——--——)构成的直线条为泰森多边形轮廓,在重复点划线的直线条上,图中显示为接近连续直线条,但是本领域技术人员可以分辨其为泰森多边形轮廓的组成部分。
CP(Concave Hull Polygon,凹包多边形),也称凹包,是一种能够更好表示点集形状的凹性边界。凹包的边界可以是非凸的,包含凹陷部分,通常利用点的分布密度来构建边界,在高密度区域形成凹入。本申请中采用GIS内置算法求解凹包。
实施例一
参考图1,本申请实施例提供一种自然村边界的获取方法,可以应用于本申请实施提供的电子设备,该自然村边界的获取方法包括步骤S110至S160,具体如下:
S110,获取包含目标行政村区域的目标遥感图像;
S120,采用预训练的深度学习模型提取所述目标遥感图像中的每个房屋面位置;
S130,根据预先标记的自然村POI生成泰森多边形;
S140,根据各个所述房屋面位置,以预设距离聚类生成凹包;
S150,逐个遍历每个凹包,
S151,针对每个被遍历到的目标凹包,判断所述目标凹包是否与超过一个的泰森多边形相交,若否则将所述目标凹包中的房屋面位置的自然村归属属性设置为POI对应的自然村,所述目标凹包标记为已处理;
S152,若所述目标凹包与超过一个的泰森多边形相交,则判断所述目标凹包是否包含超过1个POI,若否则将所述目标凹包中的房屋面位置的自然村归属属性设置为所述目标凹包面积占最大的泰森多边形所属的POI对应的自然村;
S153,若所述目标凹包包含超过1个POI,则使用泰森多边形切割所述目标凹包生成对应的N个凹包子区域,其中,N为大于1的整数;
S154,逐个判断N个所述凹包子区域中的每个目标凹包子区域是否包含POI若是则将所述目标凹包子区域中房屋面位置的自然村归属属性设置为该POI对应的自然村,若否则将房屋面合并到所述目标凹包子区域最相邻的已处理自然村;
S160,在逐个遍历每个凹包完成后,利用已经分类的房屋面位置的自然村属性,对归属于同一自然村的屋面位置进行求取凹包,得到每个自然村的范围。
在一些实施例中,获取包含目标行政村区域的目标遥感图像可以是根据用户输入的行政村信息,例如行政村名称等信息,从地图供应商服务器获取包含目标行政村的遥感影像。
在一些实施例中,为了解决人工对遥感影像进行分割处理的处理成本高的问题,并且提高自然村边界提取的效率,可以采用预训练的深度学习模型提取所述目标遥感图像中的每个房屋面位置。例如,可以采用标记房屋面的多个行政村遥感影像对深度学习模型进行训练。在一些具体的示例中,深度学习模型可以是U-Net神经网络模型。
在一些实施例中,利用深度学习模型提取目标遥感图像中的每个房屋面位置,可以是将遥感图像的房屋面位置识别出来后,生成二值图像,根据二值图像确定房屋面位置。这里,房屋面位置是指位置信息,位置信息不仅可以包含房屋面的经纬度信息,还可以包含房屋面在地图中的相对位置信息,可以在实施本申请时根据需求选择。
在一些实施例中,参考图2,根据预先标记的自然村POI生成泰森多边形。具体可以是,输入数据为行政村内的自然村POI点集合,这些POI点在地理上代表了各自然村的位置。利用PostGIS的ST_VoronoiPolygons()函数,以这些POI点为生成点进行泰森多边形的计算。该函数首先计算每个生成点与其周围各个点的距离。然后以两点间的垂线为边构建多边形,每个多边形包含一个生成点。最终输出行政村范围内所有自然村POI生成点对应的泰森多边形。每个泰森多边形代表一个自然村POI的影响区域和范围。其中,POI数据可以从电子地图获取,也可以手动标绘。图2中的文字位置示意该处标记的为POI,具体标注的地名的内容与本申请无关。图2中的点划线(——--——--——)构成的直线条为泰森多边形轮廓。虚线线条(-------)构成的曲线为行政村轮廓。
在一些实施例中,参考图3,根据各个所述房屋面位置,以预设距离聚类生成凹包。具体可以是,根据各个所述房屋面位置,以预设距离聚类生成凹包,包括:计算每两个房屋面位置之间的距离;将与参考房屋面位置的距离小于预设距离的待分类房屋面位置与所述参考房屋面位置归为同一类别,并将所述待分类房屋面位置的自然村归属属性设置为与所述参考房屋面位置同一自然村,其中所述参考房屋面位置为已经赋值自然村归属属性的房屋面位置;对自然村归属属性为同一自然村的房屋面位置求取凹包。
其中,距离计算和凹包分析通过调用地理信息***数据库的空间分析函数实现,这属于现有技术,不再赘述。在一些具体的示例中,聚类采用的预设距离具体可以选择30米。
图3中的虚线线条(-------)构成的曲线为行政村轮廓,在行政村轮廓内,高亮多边形区域为聚类房屋面生成的凹包。
在一些实施例中,参见图1,步骤S150整体上体现了逐个遍历每个凹包,根据房屋面位置聚类形成的凹包,与根据预先标记的自然村POI生成泰森多边形的位置关系,以及根据POI的分布情况,对每个凹包内的房屋面与自然村的归属关系进行调整的发明构思。
参见图4,在一个具体的示例中,步骤S150中可以采用循环变量i来判断是否遍历完全部CP,采用循环变量j来判CP子区域是否遍历完成,并且可以通过逐步递增i和j的方式来实现逐个选择目标CP,以及逐个选择目标CP子区域。可以理解的是,对全部CP进行遍历,当前遍历到的CP为目标CP;对全部CP的CP子区域进行遍历,当前遍历到的CP子区域为目标CP子区域。关于如何实现遍历,以及如何实现与本申请实施例等同的遍历方案,属于本领域技术人员能够理解具体实现方式,不再赘述。
在图4中,在根据各个所述房屋面位置,以预设距离聚类生成凹包后,遍历每个凹包,选择一个凹包作为当前处理的目标凹包进行判断,在处理完当前目标凹包后,选择下一个凹包作为当前处理的目标凹包进行判断,直至处理完全部凹包。
如图5所示,泰森多边形和凹包相交,将凹包进行了切割。如图5中,一个显示为高亮多边形区域的凹包,被多个泰森多边形切割为CP1至CP5这样5个区域。此时,需要判断目标凹包是否与多个泰森多边形有交集。
如图6所示,如果凹包只与一个泰森多边形相交,则将该凹包中包含的房屋面位置判定归属该泰森多边形的POI所对应的自然村。
如图7所示,如果凹包与多个泰森多边形相交,则判断凹包是否包含多个自然村POI。如果凹包内只包含一个POI,则判定凹包内的房屋面归属该POI对应的自然村。
如图8所示,如果凹包内包含多个POI点,则使用泰森多边形对凹包进行切割,得到多个凹包子区域。具体的,可以使用PostGIS中的ST_Intersection函数分割跨越多个VP并且包含多个POI的CP。在PostGIS中,ST_Intersection函数用于计算两个几何对象的交集。这里,交集是指两个几何对象中共同存在的部分。
针对每个目标凹包,遍历其每个凹包子区域,如果凹包子区域中包含POI点,则将其包含的房屋面判定归属该POI对应的自然村。对于不包含POI的凹包子区域,将其房屋面归属到最近的已处理好的自然村。具体的,通过PostGIS中的ST_Distance函数进行距离求解,根据距离进行升序排序,取第一个自然村作为最近的自然村。
重复图4中选择目标CP至判断全部CP是否遍历完成的步骤,直到所有凹包及其凹包子区域都进行了处理判定。最终所有房屋面根据规则被判定归属到唯一的自然村,完成整个区域的自然村划分。
如图9所示,对重新分配房屋面的自然村求取凹包,最终确定每个自然村的范围(图中点划线(——--——--——)构成的直线条为泰森多边形轮廓, 虚线线条(-------)构成的曲线为行政村轮廓,行政村轮廓内的高亮多边形的区域为重新分配房屋面自然村的范围)。图4所示的流程充分考虑了在污水管网设计时自然村边界划定尽可能紧凑的需求,确保房屋面位置归属自然村的处理结果符合污水管网设计要求,是实现本申请技术方案的核心步骤。可以理解的是,本申请附图中点划线(——--——--——)构成的直线条为泰森多边形轮廓,在重复点划线的直线条上,图中显示为接近连续直线条,但是本领域技术人员可以分辨其为泰森多边形轮廓的组成部分。
在本申请中,一方面,本申请通过根据房屋面位置聚类形成的凹包,与根据预先标记的自然村POI生成泰森多边形的位置关系,以及POI的分布情况,对每个凹包内的房屋面与自然村的归属关系进行调整。具体的,通过逐个遍历每个凹包,针对每个被遍历到的目标凹包,判断所述目标凹包是否与超过一个的泰森多边形相交,若否则将所述目标凹包中的房屋面位置归入POI对应的自然村,即将目标凹包中的房屋面位置的自然村归属属性设置为POI对应的自然村,所述目标凹包标记为已处理;若所述目标凹包与超过一个的泰森多边形相交,则判断所述目标凹包是否包含超过1个POI,若否则将所述目标凹包中的房屋面位置自然村归属属性设置为目标凹包面积占比较大的泰森多边形所属的POI对应的自然村;若所述目标凹包包含超过1个POI,则使用泰森多边形切割所述目标凹包生成对应的N个凹包子区域,其中,N为大于1的整数;逐个判断N个所述凹包子区域中的每个目标凹包子区域是否包含POI,若是则将所述目标凹包子区域中房屋面位置归入该POI对应的自然村,即将房屋面位置的自然村归属属性设置为POI对应的自然村,若否则将房屋面合并到所述目标凹包子区域最相邻的已处理自然村,聚类后的屋面位置进行调整,将可能不属于自然村、或者远离自然村的房屋面进行重新划分,获得更加适合污水管网设计规划的自然村边界,使得基于此自然村边界规划的污水管网等设施的施工成本大大降低。另一方面,本申请通过采用预训练的深度学习模型提取所述目标遥感图像中的每个房屋面位置,并进一步的根据房屋面位置聚类形成的凹包,与根据预先标记的自然村POI生成泰森多边形的位置关系,来自动提取自然村边界,解决了人工对遥感影像进行分割处理的处理成本高的问题,并且提高了自然村边界提取的效率。
实施例二
参考图10所示,本申请一些实施例中,在步骤S110,获取包含目标行政村区域的目标遥感图像的步骤前,还包括步骤S001至S003,具体如下:
S001,获取训练区域的训练遥感图像,所述训练遥感图像已经标注了房屋面;
S002,对所述训练遥感图像及房屋面标注按预设尺寸进行切片,获得切片训练数据集;
S003,利用所述切片训练数据集训练待训练深度学习模型,得到预训练的深度学习模型。
在一些实施例中,可以采用U-Net神经网络模型作为深度学习模型。
在一些实施例中,如图11所示,获取训练区域的训练遥感图像,该训练遥感图像已经标注了房屋面。具体可以是,通过遥感影像数据服务商获取用于训练深度学习模型的训练遥感图像,训练区域可以是选定的用于训练的行政村区域。如图12所示,这些用于训练深度学习模型的训练遥感图像可以通过人工标注的方式将房屋面标注出来(图12中高亮标注位置)。
在一些实施例中,如图13所示,对所述训练遥感图像及房屋面标注按预设尺寸进行切片,获得切片训练数据集。具体可以是根据深度学习模型的输入大小需求,如256×256(单位为像素),预设合适的切片尺寸。以该尺寸大小和一定的重合率,例如50%,对每个训练图像进行栅格化切分,训练图像包含切片后的遥感图像和切片后的标注蒙版。切割后,每个切片图像包含原始大图像的局部区域,并保留标注蒙版和遥感图像之间的对应关系。重复对所有训练图像进行上述切割,最终得到大量包含标注房屋面的切片图像。
在一些实施例中,利用图13和图14所示的切片训练数据集训练待训练深度学习模型,得到预训练的深度学习模型。
可以理解的是,采用切片图像构成新的训练集,可以高效训练深度学习模型,避免处理器内存不足问题。切片训练数据也更有利于模型学习不同位置、不同比例的房屋面特征。通过切片训练数据增强,使模型对各种情况下的房屋面识别能力更加强大和全面。采用切片技术获取训练样本,为提高模型泛化性能、处理大场景数据提供支持。
实施例三
参考图15所示,本申请一些实施例中,步骤S120采用预训练的深度学习模型提取所述目标遥感图像中的每个房屋面位置,包括步骤S121和S122,具体如下:
S121,采用预设路径在所述目标遥感图像中进行滑窗处理,提取每个滑窗内房屋面位置;
S122,将全部滑窗内的房屋面位置进行整合得到所述目标遥感图像中的每个房屋面位置。
在一些实施例中,针对需要进行房屋面提取的大尺寸目标遥感图像使用前面训练得到的对房屋面具有识别能力的深度学习模型进行房屋面提取。根据图像大小和模型输入大小,预设合适的滑窗大小,如256×256(单位为像素)。
例如,可以以预设的重叠率,例如50%,从图像顶部左侧开始,按Z字形路径进行滑窗处理,直到图像底部右侧。将每个滑窗图像输入到预训练过的深度学习模型中,该深度学习模型预测该窗口内的房屋面。该深度学习模型依次对所有滑窗进行预测,得到每个窗口的房屋面预测结果。根据滑窗的重叠区域,将不同滑窗的结果拼接融合,形成对全图的预测。最后汇总各个滑窗并整合,得到整张目标遥感图像中的所有房屋面预测结果。
可以理解的是,由于本申请采用切片训练数据和滑窗预测技术,一方面,滑窗只加载图像局部区域,大大减少了处理器和内存的占用,比加载整幅图像更加经济高效。这使得有限计算资源也可以处理大规模的遥感图像。显然,这种资源占用小的特点非常适合大面积行政村的处理。另一方面,固定尺寸的滑窗可以将不同大小的目标遥感图像预测问题统一转换为相同尺寸图像预测问题。这简化了模型设计,无需针对不同尺寸单独调整模型。考虑到不同行政村的面积存在很大差异,滑窗技术可以很好地适配这一复杂情况。可见,同时采用切片训练数据和滑窗预测技术,既降低了计算资源占用,也提高了模型适配性,有利于支持不同规模行政村的高效处理。
实施例四
本申请一些实施例中,步骤S140,根据各个所述房屋面位置,以预设距离聚类生成凹包,包括以下步骤:
根据各个所述房屋面位置,以预设距离聚类生成凹包,包括:计算每两个房屋面位置之间的距离;将与参考房屋面位置的距离小于预设距离的待分类房屋面位置与所述参考房屋面位置归为同一类别,并将所述待分类房屋面位置的自然村归属属性设置为与所述参考房屋面位置同一自然村,其中所述参考房屋面位置为已经赋值自然村归属属性的房屋面位置;对自然村归属属性为同一自然村的房屋面位置求取凹包。
其中,距离计算和凹包分析通过调用地理信息***数据库的空间分析函数实现。
在一个具体的实施方式中,使用gdal.Polygonize()方法,将预训练的深度学习模型滑窗预测生成的二值图转为房房屋面矢量Shapefile。gdal.Polygonize()方法是GDAL库中一个用于矢量化栅格数据的函数。其主要作用是将栅格影像转化为矢量多边形(Polygon)数据。将上一步骤中的房房屋面数据入库到PostGIS中,得到数据表resa。
可以采用以下伪代码描述的处理方式实现根据各个所述房屋面位置,以预设距离聚类生成凹包的步骤。
输入:行政村边界、房屋面数据、聚类距离
resa包含gid及geom字段。
resa表结构:
从resa房房屋面表创建临时表tmp,同样tmp也包括gid及geom字段,并添加dmn及chk字段,其中dmn默认值为NULL(空值),chk默认值为FALSE(假值)。
tmp表结构:
基于PostGIS进行数据的操作。
dmn_number初始化为1。
对tmp表进行更新操作,将gid最小的记录的dmn字段设置为1,chk字段设置为FALSE。
开启外层循环,查询出dmn=dmn_number并且chk为FALSE的记录outr。
开启内层循环,查询出tmp中dmn为空的所有记录innr。
判断outr和innr的距离,如果小于预设聚类距离,则将innr的dmn字段设置为当前dmn_number,chk字段设置为false。
此轮内层循环结束后,将此次外层记录outr的chk字段修改为TRUE(真值)。
结束此次外层循环。
查询tmp表中dmn=dmn_number并且chk=FALSE的记录,如果没有查询结果,则跳出循环。
查询tmp表中dmn为空的数据,如果有查询结果,对dmn_number执行加1操作;查找出tmp表中dmn为NULL并且gid最小的记录,将该记录的dmn更新为最新的dmn_number,chk字段更新为FALSE。
其中,
resa数据表,在PostGIS中创建的数据库表,用来存储导入的房房屋面数据。
gid,房屋面唯一标识ID,数据库中的主键字段,用于唯一标识每个房房屋面记录。
geom ,表示房屋面地理位置信息,是一个空间几何对象,可以使用点坐标、线坐标或面坐标来表示房房屋面的位置形状。
dmn, (integer,整型),自然村编号,用于标记每个房房屋面所属的自然村。
chk,(bool,布尔型),标记房房屋面是否已被判断过,避免重复判断。
innr代表待判断的房屋面,outr代表当前自然村的核心房屋面。计算innr与outr的距离,如果小于预设聚类距离,则将innr判定为属于当前自然村,dmn设为当前自然村的编号,加入到这个自然村的范围里。所以innr和outr在这个算法里面起到了极为重要的作用,innr保证每个房房屋面都会被判断是否属于某个自然村,outr作为自然村核心,与innr距离比较以决定自然村的范围。innr和outr的配合推动了自然村范围的迭代扩展,直到所有房屋面都被判定属于某个自然村。
可以理解的是,以预设距离阈值进行聚类生成凹包,一方面,可以更准确地刻画自然村内部的房屋面分布模式,通过距离聚类反映房屋面之间的空间关联性。相比直接从遥感影像上分割边界,可以更精细地描绘房屋面聚集的范围。另一方面,通过调节距离阈值参数,可以灵活控制聚类的粒度,实现多粒度的房屋面聚类。再一方面,采用聚类的方式,替代了人工解译,实现了自然村范围判定的智能化和自动化,适合大规模遥感图像的解析。
需要指出的是,通常情况下由于POI数量和位置已经确定的情况下,本领域技术人员会优先选择采用kmeans算法或与其类似的算法进行聚类处理。然而,在本申请中类似kmeans的算法并不适用,由于本申请要解决的技术问题是如何获取精确的适合污水管网规划的自然村边界的问题,因此,在聚类时,不仅需要考虑聚类本身性能的问题,还需要考虑是否适合污水管网规划的问题,考虑到这一点,采用基于距离聚类的算法获得的属于同一自然村的屋面位置才会更加的紧凑。基于距离聚类的算法与后续调整的步骤能够紧密配合,不会出现大量的屋面位置归属调整,或者是过多错误屋面位置归属调整,提高了自然村边界的问题的准确度。
实施例五
对应于上述图1所示的自然村边界的获取方法,图16示出的是本发明实施例提供的一种自然村边界的获取装置M100,包括:
目标遥感图像获取模块M110,用于获取包含目标行政村区域的目标遥感图像;
房屋面位置获取模块M120,用于采用预训练的深度学习模型提取所述目标遥感图像中的每个房屋面位置;
泰森多边形生成模块M130,用于根据预先标记的自然村POI生成泰森多边形;
第一凹包生成模块M140,用于根据各个所述房屋面位置,以预设距离聚类生成凹包;
第一凹包遍历模块M150,用于逐个遍历每个凹包,针对每个被遍历到的目标凹包,判断所述目标凹包是否与超过一个的泰森多边形相交,若否则将所述目标凹包中的房屋面位置的自然村归属属性设置为POI对应的自然村,所述目标凹包标记为已处理;
第一凹包遍历模块M150,还用于若所述目标凹包与超过一个泰森多边形相交,则判断所述目标凹包是否包含超过1个POI,若否则将所述目标凹包中的房屋面位置的自然村归属属性设置为所述目标凹包面积占最大的泰森多边形所属的POI对应的自然村;
第一凹包遍历模块M150,还用于若所述目标凹包包含超过1个POI,则使用泰森多边形切割所述目标凹包生成对应的N个凹包子区域,其中,N为大于1的整数;
第一凹包遍历模块M150,还用于逐个判断N个所述凹包子区域中的每个目标凹包子区域是否包含POI,若是则将所述目标凹包子区域中房屋面位置的自然村归属属性设置为该POI对应的自然村,若否则将房屋面合并到所述目标凹包子区域最相邻的已处理自然村;
第二凹包生成模块M160,用于在逐个遍历每个凹包完成后,利用已经分类的房屋面位置的自然村属性,对归属于同一自然村的屋面位置进行求取凹包,得到每个自然村的范围。
更进一步地,所述自然村边界的获取装置还包括:
训练遥感图像获取模块,用于获取训练区域的训练遥感图像,所述训练遥感图像已经标注了房屋面;
训练数据集切片模块,用于对所述训练遥感图像及房屋面标注按预设尺寸进行切片,获得切片训练数据集;
深度学习模型训练模块,利用所述切片训练数据集训练待训练深度学习模型,得到预训练的深度学习模型。
更进一步地,所述房屋面位置获取模块包括:
滑窗处理模块,用于采用预设路径在所述目标遥感图像中进行滑窗处理,提取每个滑窗内房屋面位置;
房屋面位置整合模块,用于将全部滑窗内的房屋面位置进行整合得到所述目标遥感图像中的每个房屋面位置。
更进一步地,所述第一凹包生成模块包括:
屋面位置间距计算模块,用于计算每两个房屋面位置之间的距离;
屋面位置聚类模块,用于将与参考房屋面位置的距离小于预设距离的待分类房屋面位置与所述参考房屋面位置归为同一类别,并将所述待分类房屋面位置的自然村归属属性设置为与所述参考房屋面位置同一自然村,其中所述参考房屋面位置为已经赋值自然村归属属性的房屋面位置;
第一凹包求取模块,用于对自然村归属属性为同一自然村的房屋面位置求取凹包。
可以理解的是,以上实施例中的各种实施方式和实施方式组合及其有益效果同样适用于本实施例,这里不再赘述。
实施例六
图17为本发明一实施例提供的电子设备的结构示意图。如图17所示,该实施例的电子设备D10包括:至少一个处理器D100(图17中仅示出一个)处理器、存储器D101以及存储在所述存储器D101中并可在所述至少一个处理器D100上运行的计算机程序D102,所述处理器D100执行所述计算机程序D102时实现上述任意各个方法实施例中的步骤。
所述电子设备D10可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该电子设备可包括,但不仅限于,处理器D100、存储器D101。本领域技术人员可以理解,图17仅仅是电子设备D10的举例,并不构成对电子设备D10的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括输入输出设备、网络接入设备等。
所称处理器D100可以是中央处理单元(Central Processing Unit,CPU),该处理器D100还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路 (Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器D101在一些实施例中可以是所述电子设备D10的内部存储单元,例如电子设备D10的硬盘或内存。所述存储器D101在另一些实施例中也可以是所述电子设备D10的外部存储设备,例如所述电子设备D10上配备的插接式硬盘,智能存储卡(Smart MediaCard, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器D101还可以既包括所述电子设备D10的内部存储单元也包括外部存储设备。所述存储器D101用于存储操作***、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器D101还可以用于暂时地存储已经输出或者将要输出的数据。
可以理解的是,本领域技术人员可以在以上实施例的教导下,可对以上各个实施例中各种实施方式进行组合,获得多种实施方式的技术方案。
以上所述仅为本发明的较佳实施例而已,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、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种自然村边界的获取方法,其特征在于,包括以下步骤:
获取包含目标行政村区域的目标遥感图像;
采用预训练的深度学习模型提取所述目标遥感图像中的每个房屋面位置;
根据预先标记的自然村POI生成泰森多边形;
根据各个所述房屋面位置,以预设距离聚类生成凹包;
逐个遍历每个凹包,针对每个被遍历到的目标凹包,判断所述目标凹包是否与超过一个的泰森多边形相交,若否则将所述目标凹包中的房屋面位置的自然村归属属性设置为POI对应的自然村,所述目标凹包标记为已处理;
若所述目标凹包与超过一个泰森多边形相交,则判断所述目标凹包是否包含超过1个POI,若否则将所述目标凹包中的房屋面位置的自然村归属属性设置为所述目标凹包面积占最大的泰森多边形所属的POI对应的自然村;
若所述目标凹包包含超过1个POI,则使用泰森多边形切割所述目标凹包生成对应的N个凹包子区域,其中,N为大于1的整数;
逐个判断N个所述凹包子区域中的每个目标凹包子区域是否包含POI,若是则将所述目标凹包子区域中房屋面位置的自然村归属属性设置为该POI对应的自然村,若否则将房屋面合并到所述目标凹包子区域最相邻的已处理自然村;
在逐个遍历每个凹包完成后,利用已经分类的房屋面位置的自然村属性,对归属于同一自然村的屋面位置进行求取凹包,得到每个自然村的范围。
2.如权利要求1所述的自然村边界的获取方法,其特征在于,在获取包含目标行政村区域的目标遥感图像的步骤前,还包括:
获取训练区域的训练遥感图像,所述训练遥感图像已经标注了房屋面;
对所述训练遥感图像及房屋面标注按预设尺寸进行切片,获得切片训练数据集;
利用所述切片训练数据集训练待训练深度学习模型,得到预训练的深度学习模型。
3.如权利要求2所述的自然村边界的获取方法,其特征在于,采用预训练的深度学习模型提取所述目标遥感图像中的每个房屋面位置,包括:
采用预设路径在所述目标遥感图像中进行滑窗处理,提取每个滑窗内房屋面位置;
将全部滑窗内的房屋面位置进行整合得到所述目标遥感图像中的每个房屋面位置。
4.如权利要求1所述的自然村边界的获取方法,其特征在于,根据各个所述房屋面位置,以预设距离聚类生成凹包,包括:
计算每两个房屋面位置之间的距离;
将与参考房屋面位置的距离小于预设距离的待分类房屋面位置与所述参考房屋面位置归为同一类别,并将所述待分类房屋面位置的自然村归属属性设置为与所述参考房屋面位置同一自然村,其中所述参考房屋面位置为已经赋值自然村归属属性的房屋面位置;
对自然村归属属性为同一自然村的房屋面位置求取凹包。
5.一种自然村边界的获取装置,其特征在于,所述自然村边界的获取装置包括:
目标遥感图像获取模块,用于获取包含目标行政村区域的目标遥感图像;
房屋面位置获取模块,用于采用预训练的深度学习模型提取所述目标遥感图像中的每个房屋面位置;
泰森多边形生成模块,用于根据预先标记的自然村POI生成泰森多边形;
第一凹包生成模块,用于根据各个所述房屋面位置,以预设距离聚类生成凹包;
第一凹包遍历模块,用于逐个遍历每个凹包,针对每个被遍历到的目标凹包,判断所述目标凹包是否与超过一个的泰森多边形相交,若否则将所述目标凹包中的房屋面位置的自然村归属属性设置为POI对应的自然村,所述目标凹包标记为已处理;
第一凹包遍历模块,还用于若所述目标凹包与超过一个泰森多边形相交,则判断所述目标凹包是否包含超过1个POI,若否则将所述目标凹包中的房屋面位置的自然村归属属性设置为所述目标凹包面积占最大的泰森多边形所属的POI对应的自然村;
第一凹包遍历模块,还用于若所述目标凹包包含超过1个POI,则使用泰森多边形切割所述目标凹包生成对应的N个凹包子区域,其中,N为大于1的整数;
第一凹包遍历模块,还用于逐个判断N个所述凹包子区域中的每个目标凹包子区域是否包含POI,若是则将所述目标凹包子区域中房屋面位置的自然村归属属性设置为该POI对应的自然村,若否则将房屋面合并到所述目标凹包子区域最相邻的已处理自然村;
第二凹包生成模块,用于在逐个遍历每个凹包完成后,利用已经分类的房屋面位置的自然村属性,对归属于同一自然村的屋面位置进行求取凹包,得到每个自然村的范围。
6.如权利要求5所述的自然村边界的获取装置,其特征在于,所述自然村边界的获取装置还包括:
训练遥感图像获取模块,用于获取训练区域的训练遥感图像,所述训练遥感图像已经标注了房屋面;
训练数据集切片模块,用于对所述训练遥感图像及房屋面标注按预设尺寸进行切片,获得切片训练数据集;
深度学习模型训练模块,利用所述切片训练数据集训练待训练深度学习模型,得到预训练的深度学习模型。
7.如权利要求5所述的自然村边界的获取装置,其特征在于,所述房屋面位置获取模块包括:
滑窗处理模块,用于采用预设路径在所述目标遥感图像中进行滑窗处理,提取每个滑窗内房屋面位置;
房屋面位置整合模块,用于将全部滑窗内的房屋面位置进行整合得到所述目标遥感图像中的每个房屋面位置。
8.如权利要求7所述的自然村边界的获取装置,其特征在于,所述第一凹包生成模块包括:
屋面位置间距计算模块,用于计算每两个房屋面位置之间的距离;
屋面位置聚类模块,用于将与参考房屋面位置的距离小于预设距离的待分类房屋面位置与所述参考房屋面位置归为同一类别,并将所述待分类房屋面位置的自然村归属属性设置为与所述参考房屋面位置同一自然村,其中所述参考房屋面位置为已经赋值自然村归属属性的房屋面位置;
第一凹包求取模块,用于对自然村归属属性为同一自然村的房屋面位置求取凹包。
9.一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述的自然村边界的获取方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的自然村边界的获取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311657980.8A CN117351368B (zh) | 2023-12-06 | 2023-12-06 | 自然村边界的获取方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311657980.8A CN117351368B (zh) | 2023-12-06 | 2023-12-06 | 自然村边界的获取方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117351368A CN117351368A (zh) | 2024-01-05 |
CN117351368B true CN117351368B (zh) | 2024-02-23 |
Family
ID=89371467
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311657980.8A Active CN117351368B (zh) | 2023-12-06 | 2023-12-06 | 自然村边界的获取方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117351368B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521973A (zh) * | 2011-12-28 | 2012-06-27 | 昆明理工大学 | 一种手机切换定位的道路匹配方法 |
CN115311576A (zh) * | 2022-08-09 | 2022-11-08 | 中山大学 | 一种基于农房分布的自然村边界提取方法 |
CN117152604A (zh) * | 2023-07-31 | 2023-12-01 | 河北师范大学 | 一种建筑物轮廓的提取方法、装置、电子设备和存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7399220B2 (en) * | 2002-08-02 | 2008-07-15 | Kriesel Marshall S | Apparatus and methods for the volumetric and dimensional measurement of livestock |
-
2023
- 2023-12-06 CN CN202311657980.8A patent/CN117351368B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521973A (zh) * | 2011-12-28 | 2012-06-27 | 昆明理工大学 | 一种手机切换定位的道路匹配方法 |
CN115311576A (zh) * | 2022-08-09 | 2022-11-08 | 中山大学 | 一种基于农房分布的自然村边界提取方法 |
CN117152604A (zh) * | 2023-07-31 | 2023-12-01 | 河北师范大学 | 一种建筑物轮廓的提取方法、装置、电子设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
Yaping Chen ; Akot Deng.Using POI Data and Baidu Migration Big Data to Modify Nighttime Light Data to Identify Urban and Rural Area.《 IEEE Access》.2022,第93513-93524页. * |
Also Published As
Publication number | Publication date |
---|---|
CN117351368A (zh) | 2024-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Aljumaily et al. | Urban point cloud mining based on density clustering and MapReduce | |
Wei et al. | On the spatial distribution of buildings for map generalization | |
CN109815993B (zh) | 基于gps轨迹的区域特征提取、数据库建立及路口识别方法 | |
CN110413816B (zh) | 彩色草图图像搜索 | |
Chen et al. | A scale-adaptive DEM for multi-scale terrain analysis | |
El‐Sayed et al. | Plane detection in 3D point cloud using octree‐balanced density down‐sampling and iterative adaptive plane extraction | |
US10019649B2 (en) | Point cloud simplification | |
CN111291811B (zh) | 区域划分和分类方法、装置和计算机可读存储介质 | |
CN111090712A (zh) | 一种数据处理方法、装置、设备及计算机存储介质 | |
Bastani et al. | Machine-assisted map editing | |
CN111339336B (zh) | 用于房屋户型数据的解析方法及*** | |
CN113868351A (zh) | 一种地址聚类方法、装置、电子设备及存储介质 | |
CN110956213A (zh) | 遥感影像特征库生成、遥感影像检索方法及装置 | |
Eum et al. | Vehicle detection from airborne LiDAR point clouds based on a decision tree algorithm with horizontal and vertical features | |
CN117033366A (zh) | 基于知识图谱的泛在时空数据交叉验证方法及装置 | |
CN111738319A (zh) | 一种基于大规模样本的聚类结果评价方法及装置 | |
Wei et al. | Linear building pattern recognition in topographical maps combining convex polygon decomposition | |
Ozdemir et al. | A novel algorithm for regularization of building footprints using raw LiDAR point clouds | |
CN113298042A (zh) | 遥感影像数据的处理方法及装置、存储介质、计算机设备 | |
CN117351368B (zh) | 自然村边界的获取方法、装置、电子设备及存储介质 | |
Ahmed et al. | Choosing thresholds for density-based map construction algorithms | |
CN105740878A (zh) | 地理信息***的符号识别方法和装置 | |
Ghosh et al. | Mining lidar data with spatial clustering algorithms | |
CN110188156A (zh) | 一种输电线路工程三维设计成果关键信息提取方法和*** | |
CN109492068A (zh) | 预定区域中的对象定位方法、装置和电子设备 |
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 |