CN117874273B - 一种基于地理映射的铁塔视频图像分类标识方法及装置 - Google Patents
一种基于地理映射的铁塔视频图像分类标识方法及装置 Download PDFInfo
- Publication number
- CN117874273B CN117874273B CN202410270633.8A CN202410270633A CN117874273B CN 117874273 B CN117874273 B CN 117874273B CN 202410270633 A CN202410270633 A CN 202410270633A CN 117874273 B CN117874273 B CN 117874273B
- Authority
- CN
- China
- Prior art keywords
- image
- geographic
- data
- model
- video
- 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
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 title claims abstract description 74
- 238000013507 mapping Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 43
- 229910052742 iron Inorganic materials 0.000 title claims abstract description 37
- 238000006243 chemical reaction Methods 0.000 claims abstract description 26
- 238000004891 communication Methods 0.000 claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 7
- 210000004907 gland Anatomy 0.000 claims abstract description 7
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 238000013145 classification model Methods 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Processing Or Creating Images (AREA)
Abstract
本发明提供一种基于地理映射的铁塔视频图像分类标识方法及装置，该方法包括：获取摄像头所在通信铁塔站点数据和摄像头所在区域的地理空间数据；获取视频中图像中心点及图像上靠近四个顶角且有明显目标地物的点，在数字正射影像图上的同名点，利用地理映射算法，建立图像与数字正射影像图转换模型；通过图像与数字正射影像图转换模型，计算视频中图像4个顶点的空间地理坐标，形成一个空间面；采用GeoTool工具，将空间面与地理空间数据做压盖叠加分析，计算出空间面内包含的地类信息，统计地类信息中各地类的占比。该方法采用地理映射的方式，实现了海量铁塔视频图像信息的快速分类并标识，节省计算资源及时间成本。
Description
技术领域
本发明涉及铁塔视频图像分类技术领域，特别是涉及一种基于地理映射的铁塔视频图像分类标识方法及装置。
背景技术
图像作为铁塔视频承载信息的媒介，对其进行快速分类标识可将各类监测信息快速整理分类，并精准、快速的共享给各个行业。当前铁塔视频数据的共享面临着如下几个问题：1）铁塔视频每天实时产生成百上千万张图像，需要实时分类共享给各个行业部门，采用现有技术在算力需要耗费大量资源；2）自然资源等地物的特征属性不清晰或者繁杂，无法逐一进行样本分类标注；3）现有自然资源等地物的分类模型、样本数据较少；4）现有的图像分类模型大多数都是单一地物分类模型。
目前图像分类技术包括基于色彩特征的索引技术、基于纹理的图像分类技术、基于形状的图像分类技术等方式。这些方式都需要大量的算力作为支撑，并可能需要大量的样本数据，或者无法确定具体的类型，后期需要人工进行目视判读。而铁塔视频每时每刻都在产生图像数据，接收和存储这些数据已经耗费了大量的带宽以及存储，采用现有技术对这些图像进行实时分类则需要更多的资源，同时由于自然界的很多资源在形态上存在差异，样本数据的制作种类无法精准分类，且受到人为因素的影响，样本质量也无法统一，从而使这些技术在铁塔视频图像数据的分类上无法得到满足。
发明内容
针对上述问题，本发明提出了一种基于地理映射的铁塔视频图像分类标识方法及装置，实现了快速分类，节约资源，降低分类时间成本。
一种基于地理映射的铁塔视频图像分类标识方法，具体包括：
获取摄像头所在通信铁塔站点的经纬度、高程数据和摄像头所在区域的地理空间数据，所述地理空间数据包括高程模型、数字正射影像图、地理国情数据、国土三调数据。
采集摄像头拍摄视频，获取视频中图像中心点及图像上靠近四个顶角且有明显目标地物的点在数字正射影像图上的同名点，建立所述图像与数字正射影像图的地理映射转换模型，利用同名点坐标计算地理映射转换模型的参数，所述模型为：
，
其中（XP,YP）为图像坐标，（XG,YG）为地理坐标，HG为在点（XG,YG）处的高程值，A1、B1、C1、D1、A2、B2、C2、D2为模型参数，通过将同名点坐标代入模型计算模型参数值。
获取图像拍摄时摄像头的水平旋转角、垂直俯仰角、焦距，结合所述通信铁塔站点的经纬度、高程数据和所述高程模型，通过所述图像与数字正射影像图的地理映射转换模型，计算图像4个顶点的空间地理坐标，根据所述4个顶点的地理坐标，形成一个空间面。
采用GeoTool工具，将所述空间面与所述地理国情数据、所述国土三调数据做压盖叠加分析，计算出所述空间面内包含的地类信息，统计所述地类信息中各地类的占比，并给视频中图像标记地类标签，根据所述图像标记的地类标签，将图像共享给数据关联方。
进一步的，所述通过将同名点坐标代入模型计算模型参数值，具体是利用numpy的线性代数模块求解np.linalg.solve函数，来计算模型参数值。
进一步的，所述获取视频中图像中心点及图像上靠近四个顶角且有明显目标地物的点，在数字正射影像图上的同名点，包括：以图像中心点为0号同名点，用于计算摄像头旋转角度与地图旋转角度的映射关系。
进一步的，在所述摄像头拍摄视频中，根据地理映射算法的精度来确定采集同名点图像的间隔。
进一步的，所述数字正射影像图为0.5米数字正射影像图。
进一步的，所述高程模型为摄像头周边2公里范围内的高程模型。
进一步的，所述计算出所述空间面内包含的地类信息，统计所述地类信息中各地类的占比，包括：首先计算出所述空间面中所包含二级地类信息，然后根据所述二级地类信息按一级地类进行分类统计得到各地类的占比。
为了实现上述基于地理映射的铁塔视频图像分类标识方法，本发明还相应提供一种基于地理映射的铁塔视频图像分类标识装置，所述装置包括：
数据获取单元，用于获取摄像头所在通信铁塔站点的经纬度、高程数据和摄像头所在区域的地理空间数据，所述地理空间数据包括高程模型、数字正射影像图、地理国情数据、国土三调数据。
模型构建单元，用于采集摄像头拍摄视频，获取视频中图像中心点及图像上靠近四个顶角且有明显目标地物的点在数字正射影像图上的同名点，建立所述图像与数字正射影像图的地理映射转换模型，利用同名点坐标计算地理映射转换模型的参数，所述模型为：，
其中（XP,YP）为图像坐标，（XG,YG）为地理坐标，HG为在点（XG,YG）处的高程值，A1、B1、C1、D1、A2、B2、C2、D2为模型参数，通过将同名点坐标代入模型计算模型参数值。
空间面获取单元，用于获取图像拍摄时摄像头的水平旋转角、垂直俯仰角、焦距，结合所述通信铁塔站点的经纬度、高程数据和所述高程模型，通过所述图像与数字正射影像图的地理映射转换模型，计算视频中图像4个顶点的空间地理坐标，根据所述4个顶点的地理坐标，形成一个空间面。
分类标识单元，用于采用GeoTool工具，将所述空间面与所述地理国情数据、所述国土三调数据做压盖叠加分析，计算出所述空间面内包含的地类信息，统计所述地类信息中各地类的占比，并给图像标记地类标签，根据所述图像标记的地类标签，将图像共享给数据关联方。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任意一项所述的方法。
本发明还提供一种计算机存储介质，所述存储介质中存储有至少一条可执行指令，所述可执行指令使处理器执行上述任一项所述的方法。
本发明所提供的一种基于地理映射的铁塔视频图像分类标识方法，采用地理映射的方式，实现了海量铁塔视频图像信息的快速分类并标识方法，节省了计算资源以及时间成本，适合在铁塔视频监测领域推广应用，且有利于各行业向各个行业精准共享行业图像信息，减少共享压力，降低共享数据的冗余。
附图说明
图1为一种基于地理映射的铁塔视频图像分类标识方法流程图。
图2为一种基于地理映射的铁塔视频图像分类标识方法示意图。
图3为一种基于地理映射的铁塔视频图像分类标识装置结构图。
具体实施方式
本发明实施列提供了一种基于地理映射的铁塔视频图像分类标识方法，本发明实施例的一种基于地理映射的铁塔视频图像分类标识方法应用于服务器。如附图1所示，一种基于地理映射的铁塔视频图像分类标识方法包括：
第一步，获取摄像头所在通信铁塔站点的经纬度、高程数据和摄像头所在区域的地理空间数据，所述地理空间数据包括高程模型、数字正射影像图、地理国情数据、国土三调数据。
所述摄像头所在通信铁塔站点的经纬度、高程数据是通过实地外业勘查获取，采用无人机航飞或RTK+全站仪的测量工具。所述地理空间数据有多种，包括高程模型（DEM）、0.5米数字正射影像图（DOM）、地理国情数据、国土三调数据等。所述铁塔站点数据和所述地理空间数据是作为实现本方法的基底数据。
第二步，采集摄像头拍摄视频，获取视频中图像中心点及图像上靠近四个顶角且有明显目标地物的点在数字正射影像图上的同名点，建立所述图像与数字正射影像图的地理映射转换模型，利用同名点坐标计算地理映射转换模型的参数，所述模型为：
，
其中（XP,YP）为图像坐标，（XG,YG）为地理坐标，HG为在点（XG,YG）处的高程值，A1、B1、C1、D1、A2、B2、C2、D2为模型参数，通过将同名点坐标代入模型计算模型参数值。
在该步中，在摄像拍摄视频的图像中，以图像中心点为0号点，在0.5米数字正射影像图上找到该0号点对应的位置，则为0号点的同名点；同样的方法，找到图像上靠近四个顶角且有明显目标地物的点，在0.5米数字正射影像图上的同名点。0号点用于计算摄像头旋转角度与地图旋转角度的映射关系，采集同名点图像的间隔，根据与地理映射算法的精度确定，采集的画面越多，照片与数字正射影像图转换的精度越高，反之亦然。该步中采用地理映射的方式，节省了计算资源以及时间成本。
图像与数字正射影像图的地理映射转换模型参考了遥感影像的线性配准算法,遥感影像的线性配准算法是根据图像上点和影像图上的同名点，计算图像坐标（XP,YP）与地理坐标（XG,YG）的线性回归方程式：
，
通过这个线性回归方程式，就可以求出图像上任意一点的地理坐标。
假设中心点０号点图像坐标和地理坐标分别为、/>，靠近4个顶角且有明显目标地物的点的图像坐标和地理坐标分别为/>、/>、/>、、/>、/>、/>、/>。
按照最小二乘法求解线性回归方程的方法，求得：
，
其中，/>。同理可求得A2、B2。
图像与数字正射影像图的地理映射转换模型，是参考遥感影像的线性配准算法，加入周边的DEM高程数据，模型为：
，
其中（XP,YP）为图像坐标，（XG,YG）为地理坐标，HG为在点（XG,YG）处的高程值。
则通过5个同名点求解A1、B1、C1、D1的线性方程组为：，其中
，
利用numpy的线性代数模块求解np.linalg.solve函数，可计算出的值，即A1、B1、C1、D1的值。由于solve函数要求系数/>为方阵，则需将/>转换为/>，再通过求解/>值。同法可求得A2、B2、C2、D2的值。
第三步，获取图像拍摄时摄像头的水平旋转角、垂直俯仰角、焦距，结合所述通信铁塔站点的经纬度、高程数据，通过所述图像与数字正射影像图的地理映射转换模型，计算图像4个顶点的空间地理坐标，根据所述4个顶点的地理坐标，形成一个空间面。
在该步中，输入图像拍摄时摄像头的P（水平旋转角）、T（垂直俯仰角）、Z（焦距）值，摄像头所在站点的经度、纬度、高程，摄像头周边2公里范围内的高程模型（DEM），通过铁塔视频与数字正射影像图转换模型，可计算出视频中图像4个顶点的空间地理坐标。
第四步，采用GeoTool工具，将所述空间面与所述地理国情数据、所述国土三调数据做压盖叠加分析，计算出所述空间面内包含的地类信息，统计所述地类信息中各地类的占比，并给视频中图像标记地类标签，根据所述图像标记的地类标签，将图像共享给数据关联方。
该步中，首先计算出所述空间面中所包含二级地类信息，然后根据所述二级地类信息按一级地类进行分类统计得到各地类的占比。所述二级地类信息，包括地类代码、地类名称、面积、地块位置，如该区域内可能包含有公路、耕地、林地、河流等信息。所述二级地类信息，包括湿地、耕地、种植园用地、林地、草地、商业服务业用地、工矿用地、住宅用地、交通运行用地、水域及水利设施用地等。
所述给视频中图像标记地类标签，具体的根据包含地类情况、面积大小和面积占比情况，参照耕地面积要大于2亩、水域面积要大于5亩、道路为县级以上公路且长度大于20米等阈值，给图像赋上地类标签；一张图像上可以拥有多个标签，如某图像的标签包含耕地、林地、河流等。
所述根据所述图像标记的地类标签，将图像共享给数据关联方，可以将具有耕地、种植园用地等标签的图像共享给自然资源部门，将有林地、草地标签的数据共享给林业和应急部门，将有河流、水域及水利设施用地标签的共享给水利部门，将有交通运输用地标签的照片共享给交通运输部门等，实现有目标的共享，减少共享压力，降低共享数据的冗余。同一角度的图像在一定时期可以实现批量赋值，定期对各角度的地类进行分析和统计。
上述基于地理映射的铁塔视频图像分类标识方法，实现快速分类，节约资源，降低分类时间成本，通过地理映射，结合地理国情数据的分类，对铁塔视频图片进行快速分类标识，推动铁塔视频数据的分类共享。
其中一个实施例如图2所示，首先，获取摄像头照片与0.5米卫星影像进行地理建模，在每张照片找到4-5个同名点进行标记，通过地理建模，实现照片与地图的地理映射关系。然后，通过野外测量获取摄像头站点的经纬度和高程数据，以及获取图像拍摄时的水平旋转角、垂直俯仰角、焦距、光学中心，通过地理映射关系和地理坐标转换模型计算出图像四个角的经纬度坐标。其次，将计算出的经纬度坐标形成一个矢量图形，与地理国情数据进行叠加分析。最后，对叠加分析得出的地理数据进行分类统计，统计每种地类的占比，根据统计结果对照片进行分类标识。
根据上述一种基于地理映射的铁塔视频图像分类标识方法，本发明实施例还提供了一种基于地理映射的铁塔视频图像分类标识装置，如图3所示，该装置包括：
数据获取单元，用于获取摄像头所在通信铁塔站点的经纬度、高程数据和摄像头所在区域的地理空间数据，所述地理空间数据包括高程模型、数字正射影像图、地理国情数据、国土三调数据。
模型构建单元，用于采集摄像头拍摄视频，获取视频中图像中心点及图像上靠近四个顶角且有明显目标地物的点在数字正射影像图上的同名点，建立所述图像与数字正射影像图的地理映射转换模型，利用同名点坐标计算地理映射转换模型的参数，所述模型为：，
其其中（XP,YP）为图像坐标，（XG,YG）为地理坐标，HG为在点（XG,YG）处的高程值，A1、B1、C1、D1、A2、B2、C2、D2为模型参数，通过将同名点坐标代入模型计算模型参数值。
空间面获取单元，用于获取图像拍摄时摄像头的水平旋转角、垂直俯仰角、焦距，结合所述通信铁塔站点的经纬度、高程数据和所述高程模型，通过所述图像与数字正射影像图的地理映射转换模型，计算视频中图像4个顶点的空间地理坐标，根据所述4个顶点的地理坐标，形成一个空间面。
分类标识单元，用于采用GeoTool工具，将所述空间面与所述地理国情数据、所述国土三调数据做压盖叠加分析，计算出所述空间面内包含的地类信息，统计所述地类信息中各地类的占比，并给视频中图像标记地类标签，根据所述图像标记的地类标签，将图像共享给数据关联方。
根据所述一种基于地理映射的铁塔视频图像分类标识方法，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以上所述的方法。
根据所述一种基于地理映射的铁塔视频图像分类标识方法，本发明实施例还提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行以上所述的方法。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本申请的保护范围限于这些例子；在本申请的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本申请中一个或多个实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
本申请中一个或多个实施例旨在涵盖落入本申请的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本申请中一个或多个实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于地理映射的铁塔视频图像分类标识方法，其特征在于，所述方法包括：
获取摄像头所在通信铁塔站点的经纬度、高程数据和摄像头所在区域的地理空间数据，所述地理空间数据包括高程模型、数字正射影像图、地理国情数据、国土三调数据；
采集摄像头拍摄视频，获取视频中图像中心点及图像上靠近四个顶角且有明显目标地物的点在数字正射影像图上的同名点，建立所述图像与数字正射影像图的地理映射转换模型，利用同名点坐标计算地理映射转换模型的参数，所述模型为：
，
其中（XP,YP）为图像坐标，（XG,YG）为地理坐标，HG为在点（XG,YG）处的高程值，A1、B1、C1、D1、A2、B2、C2、D2为模型参数，通过将同名点坐标代入模型计算模型参数值；
获取图像拍摄时摄像头的水平旋转角、垂直俯仰角、焦距，结合所述通信铁塔站点的经纬度、高程数据和高程模型，通过所述图像与数字正射影像图的地理映射转换模型，计算视频中图像4个顶点的空间地理坐标，根据所述4个顶点的地理坐标，形成一个空间面；
采用GeoTool工具，将所述空间面与所述地理国情数据、所述国土三调数据做压盖叠加分析，计算出所述空间面内包含的地类信息，统计所述地类信息中各地类的占比，并给图像标记地类标签，根据所述图像标记的地类标签，将图像共享给数据关联方。
2.根据权利要求1所述的铁塔视频图像分类标识方法，其特征在于，所述通过将同名点坐标代入模型计算模型参数值，具体是利用numpy的线性代数模块求解np.linalg.solve函数，来计算模型参数值。
3.根据权利要求1所述的铁塔视频图像分类标识方法，其特征在于，所述获取视频中图像中心点及图像上靠近四个顶角且有明显目标地物的点在数字正射影像图上的同名点，包括：
以图像中心点为0号同名点，用于计算摄像头旋转角度与地图旋转角度的映射关系。
4.根据权利要求1所述的铁塔视频图像分类标识方法，其特征在于，在所述摄像头拍摄视频中，根据地理映射算法的精度来确定采集同名点图像的间隔。
5.根据权利要求1所述的铁塔视频图像分类标识方法，其特征在于，所述数字正射影像图为0.5米数字正射影像图。
6.根据权利要求1所述的铁塔视频图像分类标识方法，其特征在于，所述高程模型为摄像头周边2公里范围内的高程模型。
7.根据权利要求1所述的铁塔视频图像分类标识方法，其特征在于，所述计算出所述空间面内包含的地类信息，统计所述地类信息中各地类的占比，包括：
首先计算出所述空间面中所包含二级地类信息，然后根据所述二级地类信息按一级地类进行分类统计得到各地类的占比。
8.一种基于地理映射的铁塔视频图像分类标识装置，其特征在于，所述装置包括：
数据获取单元，用于获取摄像头所在通信铁塔站点的经纬度、高程数据和摄像头所在区域的地理空间数据，所述地理空间数据包括高程模型、数字正射影像图、地理国情数据、国土三调数据；
模型构建单元，用于采集摄像头拍摄视频，获取视频中图像中心点及图像上靠近四个顶角且有明显目标地物的点，在数字正射影像图上的同名点，建立所述图像与数字正射影像图的地理映射转换模型，利用同名点坐标计算地理映射转换模型的参数，所述模型为：，
其中（XP,YP）为图像坐标，（XG,YG）为地理坐标，HG为在点（XG,YG）处的高程值，A1、B1、C1、D1、A2、B2、C2、D2为模型参数，通过将同名点坐标代入模型计算模型参数值；
空间面获取单元，用于获取图像拍摄时摄像头的水平旋转角、垂直俯仰角、焦距，结合所述通信铁塔站点的经纬度、高程数据和所述高程模型，通过所述图像与数字正射影像图的地理映射转换模型，计算视频中图像4个顶点的空间地理坐标，根据所述4个顶点的地理坐标，形成一个空间面；
分类标识单元，用于采用GeoTool工具，将所述空间面与所述地理国情数据、所述国土三调数据做压盖叠加分析，计算出所述空间面内包含的地类信息，统计所述地类信息中各地类的占比，并给图像标记地类标签，根据所述图像标记的地类标签，将图像共享给数据关联方。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征是，所述处理器执行所述程序时实现如权利要求1-7中任意一项所述的方法。
10.一种计算机存储介质，其特征是，所述存储介质中存储有至少一条可执行指令，所述可执行指令使处理器执行如权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410270633.8A CN117874273B (zh) | 2024-03-11 | 2024-03-11 | 一种基于地理映射的铁塔视频图像分类标识方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410270633.8A CN117874273B (zh) | 2024-03-11 | 2024-03-11 | 一种基于地理映射的铁塔视频图像分类标识方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117874273A CN117874273A (zh) | 2024-04-12 |
| CN117874273B true CN117874273B (zh) | 2024-05-10 |
Family
ID=90594931
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410270633.8A Active CN117874273B (zh) | 2024-03-11 | 2024-03-11 | 一种基于地理映射的铁塔视频图像分类标识方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117874273B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2020102712A4 (en) * | 2019-10-14 | 2020-12-03 | China University Of Geosciences (Beijing) | Method for making texture symbol of land use classification map |
| WO2021046861A1 (zh) * | 2019-09-12 | 2021-03-18 | 深圳市大疆创新科技有限公司 | 正射影像生成方法、***和存储介质 |
| CN112766417A (zh) * | 2021-02-26 | 2021-05-07 | 袁锦秀 | 一种利用现场照片识别目标地块土地利用现状地类的方法及*** |
| CN113449594A (zh) * | 2021-05-25 | 2021-09-28 | 湖南省国土资源规划院 | 一种多层网络组合的遥感影像地类语义分割与面积计算方法 |
| CN115203297A (zh) * | 2022-02-23 | 2022-10-18 | 中煤(西安)地下空间科技发展有限公司 | 一种地理信息数据库的构建方法、构建装置和电子设备 |
| CN115331178A (zh) * | 2022-09-29 | 2022-11-11 | 湖南省第二测绘院 | 一种基于铁塔视频的自然资源监测方法及*** |
| CN116383328A (zh) * | 2023-04-28 | 2023-07-04 | 西北核技术研究所 | 一种测绘地理多元数据融合处理方法 |
| CN116580097A (zh) * | 2023-05-31 | 2023-08-11 | 河南省遥感院 | 用于视频gis的坐标转换方法和装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10402697B2 (en) * | 2016-08-01 | 2019-09-03 | Nvidia Corporation | Fusing multilayer and multimodal deep neural networks for video classification |
-
2024
- 2024-03-11 CN CN202410270633.8A patent/CN117874273B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021046861A1 (zh) * | 2019-09-12 | 2021-03-18 | 深圳市大疆创新科技有限公司 | 正射影像生成方法、***和存储介质 |
| AU2020102712A4 (en) * | 2019-10-14 | 2020-12-03 | China University Of Geosciences (Beijing) | Method for making texture symbol of land use classification map |
| CN112766417A (zh) * | 2021-02-26 | 2021-05-07 | 袁锦秀 | 一种利用现场照片识别目标地块土地利用现状地类的方法及*** |
| CN113449594A (zh) * | 2021-05-25 | 2021-09-28 | 湖南省国土资源规划院 | 一种多层网络组合的遥感影像地类语义分割与面积计算方法 |
| CN115203297A (zh) * | 2022-02-23 | 2022-10-18 | 中煤(西安)地下空间科技发展有限公司 | 一种地理信息数据库的构建方法、构建装置和电子设备 |
| CN115331178A (zh) * | 2022-09-29 | 2022-11-11 | 湖南省第二测绘院 | 一种基于铁塔视频的自然资源监测方法及*** |
| CN116383328A (zh) * | 2023-04-28 | 2023-07-04 | 西北核技术研究所 | 一种测绘地理多元数据融合处理方法 |
| CN116580097A (zh) * | 2023-05-31 | 2023-08-11 | 河南省遥感院 | 用于视频gis的坐标转换方法和装置 |
Non-Patent Citations (1)
| Title |
|---|
| 第三次全国国土调查与地理国情监测调查要求和分类的对应关系分析;胡云华;李建勇;陈勇;李亮;应国伟;;测绘与空间地理信息;20200725(07);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117874273A (zh) | 2024-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110598784B (zh) | 基于机器学习的建筑垃圾分类方法及装置 | |
| CN111537515A (zh) | 基于三维实景模型的铁塔螺栓缺陷展示方法和*** | |
| Gao et al. | Automatic extraction of pavement markings on streets from point cloud data of mobile LiDAR | |
| CN114511784A (zh) | 环境监测预警方法、装置、设备及存储介质 | |
| CN112906455A (zh) | 一种海岸带生态***遥感识别方法 | |
| CN115457408A (zh) | 一种土地监测方法、装置、电子设备及介质 | |
| Xu et al. | Building height calculation for an urban area based on street view images and deep learning | |
| Cunha et al. | Water tank and swimming pool detection based on remote sensing and deep learning: Relationship with socioeconomic level and applications in dengue control | |
| Kim et al. | Participatory sensing-based geospatial localization of distant objects for disaster preparedness in urban built environments | |
| CN116168246A (zh) | 一种用于铁路工程的弃渣场识别方法、装置、设备及介质 | |
| CN112836590B (zh) | 洪涝灾害监测方法、装置、电子设备及存储介质 | |
| CN107301658B (zh) | 一种无人机影像与大规模旧时相影像快速匹配定位的方法 | |
| CN117874273B (zh) | 一种基于地理映射的铁塔视频图像分类标识方法及装置 | |
| CN113076855A (zh) | 一种分布式光伏资源整合方法、***、装置及存储介质 | |
| CN109325139A (zh) | 草原生态数据的处理方法及装置 | |
| Zhao | The role of drone photography in city mapping | |
| CN111598036B (zh) | 分布式架构的城市群地理环境知识库构建方法及*** | |
| CN112767469B (zh) | 一种城市海量建筑高度智能化获取方法 | |
| CN116523663B (zh) | 基于物理模型的城市建筑群风灾保险保费厘定方法及装置 | |
| ZHANG et al. | Investigation on the Relationship between Population Density and Satellite Image Features--a Deep Learning Based Approach. | |
| CN118135424B (zh) | 基于遥感图像和gis的生态环境监管方法和装置 | |
| CN117874526A (zh) | 一种基于lstm神经网络的fy4a/4b云覆盖率反演方法及*** | |
| CN118196659A (zh) | 一种输变电工程环境智能感知方法及*** | |
| CN118277612A (zh) | 一种三维gis视频融合方法 | |
| Zahradník et al. | Damage detection on cooling tower shell based on model textures |
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 |