CN103035006A - 一种LiDAR辅助下基于LEGION的高分辨率航空影像分割方法 - Google Patents
一种LiDAR辅助下基于LEGION的高分辨率航空影像分割方法 Download PDFInfo
- Publication number
- CN103035006A CN103035006A CN2012105412899A CN201210541289A CN103035006A CN 103035006 A CN103035006 A CN 103035006A CN 2012105412899 A CN2012105412899 A CN 2012105412899A CN 201210541289 A CN201210541289 A CN 201210541289A CN 103035006 A CN103035006 A CN 103035006A
- Authority
- CN
- China
- Prior art keywords
- image
- remote sensing
- lidar
- legion
- sensing 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000005192 partition Methods 0.000 title abstract description 11
- 238000000513 principal component analysis Methods 0.000 claims abstract description 27
- 230000004927 fusion Effects 0.000 claims description 19
- 238000003709 image segmentation Methods 0.000 claims description 14
- 230000000007 visual effect Effects 0.000 claims description 10
- 239000000203 mixture Substances 0.000 claims description 9
- 238000012952 Resampling Methods 0.000 claims description 6
- 230000005284 excitation Effects 0.000 claims description 5
- 230000010355 oscillation Effects 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 11
- 230000000694 effects Effects 0.000 abstract description 10
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 18
- 230000011218 segmentation Effects 0.000 description 12
- 238000000605 extraction Methods 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 230000001537 neural effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000003909 pattern recognition Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000002401 inhibitory effect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000004766 neurogenesis Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及一种LiDAR辅助下基于LEGION的高分辨率航空影像分割方法，包括以下步骤：利用LiDAR激光点云数据生成激光回波强度影像；激光回波强度影像与遥感影像全色波段进行配准；使用主成分分析法（PCA）对配准后的激光回波强度影像与遥感影像全色波段进行融合，获得融合影像；对融合影像进行LEGION图像分割。与现有技术相比，本发明利用主成分分析法（PCA）融合激光回波强度影像和高分辨率遥感影像全色波段，综合利用两种不同数据源作为LEGION分割方法的输入数据，较好保留了LiDAR数据和全色波段影像的特征，有效地提高了高分辨率遥感影像的分割精度。本发明综合使用LiDAR数据和遥感影像的信息来进行LEGION分割，实践证明，该技术够能有效地进行遥感影像分割，得到满意的分割效果。
Description
技术领域
本发明涉及一种高分辨率遥感影像分割方法，特别是涉及一种LiDAR辅助下基于LEGION的高分辨率航空影像分割方法。
背景技术
遥感技术已经被广泛地应用于土地利用调查、资源勘探、生态环境监测等诸多领域，对社会和经济发展发挥着重要的作用。随着航空、航天及传感器技术日新月异的发展，遥感影像的空间分辨率、时间分辨率和光谱分辨率不断提高。高空间分辨率遥感影像由于能够充分体现地物细节信息而备受关注。遥感影像分割是指将遥感影像中具有特殊涵义的不同区域区分开来，这些区域互不相交，每一个区域都满足特定区域的一致性，它是高分辨率遥感影像应用中非常重要的环节，涉及了图像处理、模式识别和人工智能等诸多技术领域。
数字图像处理、计算机图形学、模式识别、人工智能等学科的发展使得新的图像分割方法不断涌现，如聚类法、阈值法、边缘检测法、区域生长法、水平集方法、分水岭变换法、多尺度分割、神经网络分割等。上述分割方法各有优缺点，在实际应用中很难达到非常理想的效果。聚类法将图像内的像素划分到指定数目的类别之中，在此基础上将同一类别且相互联通的像素分割到同一个区域，但是类别数目的确定一般都是通过人工指定来实现的，此外由于没有考虑空间上的边缘信息和邻接信息，该方法经常会得出不符合人的视觉习惯的分割结果；边缘检测法在图像中存在噪声时，得到的边缘常常是孤立的或者分小段连续的，即使采用边缘闭合的方法进行处理，也很难得到精确边缘；区域增长法中合并和停止合并规则的制定会严重影响分割结果，往往会产生欠分割和过分割现象。其它分割方法在实际应用总也往往存在着各种问题，因此研究人员在改进现有技术的同时一直在探索新的分割方法。影像分割方法往往都是首先在普通的数字图像分割中得到广泛应用，然后引入到遥感影像分割中来。由于遥感影像数据量大、信息丰富等特征，新的分割方法应用到遥感影像分割中往往会出现很多难以解决的技术问题。
随着人类对视觉机理研究的不断深入，基于生物视觉仿真和人工神经网络的图像分割方法也越来越成熟。局部兴奋全局抑制振荡网络(LocallyExcitatory Globally Inhibitory Oscillator Networks，简称LEGION)方法是一种基于生物视觉仿真的神经网络方法，它的基本原理是：来自同一物体的刺激会引起检测这一物体的那些神经元发生同步神经振荡。在图像分割中，将一个像素视作一个神经元，首先选出一批振荡发起点，随后在它的邻域内，将和它具有相同属性的像素也发起振荡，直到这一片区域的振荡达到协同，则协同振荡的这些像素就被划为同一块区域，而与发起点不相似的像素则被划在不同的区域内。这种思路逐步被模型化，1995年，David Terman，DeLiang Wang在期刊《Physica D：Nonlinear Phenomena》第81卷发表“Global competitionand local cooperation in a network of neural oscillators”一文提出了全局竞争局部合作的神经元网络(Global competition and local cooperationin a network of neural oscillators)模型；随后，两人在前面工作的基础上，提出了改进过后的“局部兴奋全局抑制振荡网络(Locally ExcitatoryGlobally Inhibitory Oscillator Networks，LEGION)”模型。
目前，LEGION方法只能应用于单波段灰度图像的分割，而遥感影像往往具有多个波段的信息，因此LEGION方法尚不能充分利用遥感影像所提供的信息来进行分割。鲁东旭在《基于LEGION的图像目标提取方法研究及其对彩色图像的实现》一文中给出了基于LEGION方法的彩色图像目标提取的方法，对彩色图像分别在RGB空间和HSV空间进行了分割，并对目标提取结果进行了比较，实验表明提取的目标区域更符合人眼视觉习惯，效果较好。但是文中的方法对彩色图像各个波段分别进行LEGION分割，再将三个波段的运算结果进行综合显示，最后输出目标图像，这种方式没有真正解决综合使用多波段影像信息的问题，分割效果与单波段相比提升有限。
为了解决上述问题，申请人于2010年12月2日申请了“一种基于Gram-Schmidt融合和LEGION的高分辨率遥感影像分割方法”(申请号：201010572997.x)，其将多波段的影像数据经过重采样、融合形成单波段数据，然后对单波段数据进行LEGION分割，该方法结合了数据融合与LEGION分割，使得LEGION分割方法能够应用于不同波段影像数据中，并且取得了较好的效果。
LiDAR(激光雷达)即Light Detection And Ranging，大致分为机载和地面两大类，其中机载激光雷达是一种安装在飞机上的机载激光探测和测距系统，可以量测地面物体的三维坐标。机载LiDAR是一种主动式对地观测系统，是九十年代初首先由西方国家发展起来并投入商业化应用的一门新兴技术。它集成激光测距技术、计算机技术、惯性测量单元(IMU)/DGPS差分定位技术于一体，该技术在三维空间信息的实时获取方面产生了重大突破，为获取高时空分辨率地球空间信息提供了一种全新的技术手段。它具有自动化程度高、受天气影响小、数据生产周期短、精度高等特点。机载LiDAR传感器发射的激光脉冲能部分地穿透树林遮挡，直接获取高精度三维地表地形数据。机载LiDAR数据经过相关软件数据处理后，可以生成高精度的数字地面模型DTM、等高线图，具有传统摄影测量和地面常规测量技术无法取代的优越性，因此引起了测绘界的浓厚兴趣。机载激光雷达技术的商业化应用，使航测制图如生成DEM、等高线和地物要素的自动提取更加便捷，其地面数据通过软件处理很容易合并到各种数字图中。
因此，航空LiDAR数据与遥感影像各有特点，两种数据结合的应用受到越来越多的关注。
发明内容
本发明要解决技术问题是：克服现有技术缺点，提出一种LiDAR辅助下基于LEGION的高分辨率航空影像分割方法。
为了解决上述技术问题，本发明提出的技术方案是：一种LiDAR辅助下基于LEGION的高分辨率航空影像分割方法，包括如下步骤：
步骤1、激光回波强度影像生成——针对LiDAR点云数据中的每个LiDAR点，计算其多次回波强度均值作为该LiDAR点的回波强度，并对LiDAR点的回波强度数据重采样得到与遥感影像全色波段影像空间分辨率相同的栅格形式的激光回波强度影像；
步骤2、影像配准——将激光回波强度影像和遥感影像全色波段影像进行配准；
步骤3、PCA影像融合——使用主成分分析法对配准后的激光回波强度影像与遥感影像全色波段进行影像融合，获得融合影像；
步骤4、LEGION图像分割——对步骤3中得到的融合影像用局部兴奋全局抑制振荡网络分割方法进行图像分割。
本发明步骤2中，影像配准方法是在激光回波强度影像和遥感影像全色波段中选取多个同名地物点作为控制点，求得两影像之间的平移、旋转和仿射变换的多项式系数，通过图像重采样，获得具有相同地理坐标的配准后影像，配准误差在1个象元以内。
本发明步骤3中，PCA影像融合的具体方法如下：对配准的激光强度影像和遥感影像全色波段影像进行主成分变换，把两种影像中的有用信息集中到数量尽可能少的新的主成份图像中，选取主成分变换后的第一主成分，作为进行图像分割的融合数据。
与现有技术相比，本发明利用主成分分析法(PCA)融合激光回波强度影像和高分辨率遥感影像全色波段影像，综合利用两种不同数据源作为LEGION分割方法的输入数据，较好保留了LiDAR数据和全色波段影像的特征，有效地提高了高分辨率遥感影像的分割精度。LIDAR回波强度影像能够在一定程度上提供地物反射特性的信息，可以对地物的分类进行指导和帮助，但存在一定噪声。而高分辨率遥感影像全色波影像息具备清晰的空间结构与表层纹理特征，可以分辨出地物内部更为精细的组成，地物边缘信息更加清楚等特点，但光谱特征不如中低分辨率遥感影像丰富。本发明巧妙的利用PCA方法对这两种影像进行融合，将变换后的第一主成分作为LEGION分割的数据源，该数据源既保留了LIDAR回波强度影像中关于地物光谱特征的信息，也保留了高分辨率遥感影像全色波段影像关于地物结构特征的信息，为下一步的LEGION分割提供了良好地数据源，提高分割精度；本发明选用LEGION方法对上述融合影像进行分割，取得了很好的分割效果。在分割结果上，其效果类似于人眼对地物的识别，尤其纹理特征比较一致的地物能够很好地识别，如草地、广场、水体、道路等，且对地物内部的噪声不敏感。本方法属于生物视觉仿真模型分割算法，和其它人工神经网络分割方法相比，不需要先验知识，是一种强分类器。和阈值法、聚类法相比，本方法不需要预先设定分类阈值，也避免了聚类法中无法精确预知分类个数的问题，分割结果模拟人眼观察地物的效果，考虑了地物本身的空间特性，较以上方法更抗噪性更强，地物一致性更好。
综上，本发明通过PCA影像融合综合使用LIDAR数据和遥感影像全色波段的信息来进行LEGION分割，实践证明，该技术够能有效地进行遥感影像分割，得到比较满意的分割效果。
附图说明
下面结合附图对本发明作进一步的说明。
图1为LIDAR回波强度影像。
图2为高分辨率遥感全色波段影像。
图3为图1影像和图2影像的融合影像。
图4为对图3进行Legion图像分割结果示意图。
具体实施方式
本实施例以某地区航空LiDAR回波强度数据(分辨率5m)和高分辨率遥感影像全色波段影像(分辨率0.4m)为基础数据，对本发明方法进行详细说明。
本发明实施例LiDAR辅助下基于LEGION的高分辨率航空影像分割方法，包括如下步骤：
步骤1、激光回波强度影像生成：
LiDAR每个点云具有X、Y、Z属性以及地物的反射强度信息，并且其地物反射强度信息可能具有多个，即LIDAR有多次回波信息。针对LiDAR点云数据中的每个LiDAR点，计算其多次回波强度均值作为该LiDAR点的回波强度，并对LiDAR点的回波强度数据重采样得到与高分辨率遥感影像全色波段影像(见图2)空间分辨率相同的栅格形式的激光回波强度影像。
本例具体实现是在ENVI的BCAL LiDAR插件下完成，利用该插件的Intensitymetrics功能，在重采样的过程中设置的分辨率为5m，即得到的最终强度信息分辨率为5m。再使用ENVI中的Resize Data模块，将本处的激光回波强度影像分辨率与高分辨率遥感影像全色波段影像相同，为0.4m。
步骤2、影像配准：
将激光回波强度影像和遥感影像全色波段影像进行配准。配准后的激光回波强度影像参见图1。
图像配准就是将不同时间、不同传感器(成像设备)或不同条件下(天候、照度、摄像位置和角度等)获取的两幅或多幅图像进行匹配、叠加的过程。本方法利用ArcGIS软件(版本：10.0)中georeference模块，在激光回波强度图像和高分辨率遥感影像全色波段影像中选取多个同名地物点作为控制点，求得两图像之间的平移、旋转和仿射变换的多项式系数，通过图像重采样，获得具有相同地理坐标的配准后影像，配准误差在1个象元以内。
步骤3、PCA影像融合：
使用主成分分析法对配准后的激光回波强度影像与遥感影像全色波段影像进行影像融合，获得融合影像。本步骤中，PCA影像融合的具体方法如下：对配准的激光回波强度影像和遥感影像全色波段进行主成分变换，把两种影像中的有用信息集中到数量尽可能少的新的主成份图像中，选取主成分变换后的第一主成分，作为进行图像分割的融合数据。
主成分分析(PCA)是麻省理工学院的M.Turk和A.PenUand[1]在1991年提出的方法，直到现在，它仍然是特征提取的有效算法之一。主成分分析法是模式识别判别分析中最常用的一种线性映射方法，该方法是由样本点在多维模式空间的位置分布上，以样本点在空间中变化的最大方向，即方差最大的方向，作为判别矢量以实现数据的特征提取与数据压缩的。
主成分变换是在主成分分析的基础上，引入遥感数字图像处理领域的一种压缩和融合算法。主成份变换将各种光谱图像均视为一个随机变量，在统计特征基础上进行的多维(多波段)的正交线性变换。融合时首先求各波段的协方差矩阵的特征值和特征向量，然后将特征向量按对应特征值的大小从大到小排列并得到变换矩阵，最后对多波段图像作变换，并按照应用的目的和要求取前面几个图像进行融合。
本实施例中使用ENVI软件(版本：5.0)中Forward PCA Rotation NewStatistics模块进行主成分变换。经过主成分变换融合后的第一主成分如图3所示。从图中可以看出：融合后的图像，在保留了高分辨率遥感影像中地物详细的结构特征的同时，丰富了地物的纹理特征，加大了不同地物在反射率上的异质性。对于道路、水体、草地等地块，其内部的纹理特征更加趋于一致，内部的噪声减少，同时，小斑块地物与周围地物的差别进一步加大，这些都有利于取得更好的分割结果。
步骤4、LEGION图像分割：
对步骤3中得到的融合影像用局部兴奋全局抑制振荡网络分割方法进行图像分割，分割结果见图4。从图中可看出：对于道路、水体、草地等地块，本方法很好地将其分割了出来，较小的地物，如路灯等，也能在大类地块中被区分出来。房屋的屋顶结构也能较好地刻画，阴影等特殊的分割对象也被很好地分割了出来。
除上述实施例外，本发明还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围。
Claims (2)
1.一种LiDAR辅助下基于LEGION的高分辨率航空影像分割方法，包括如下步骤：
步骤1、激光回波强度影像生成——针对LiDAR点云数据中的每个LiDAR点，计算其多次回波强度均值作为该LiDAR点的回波强度，并对LiDAR点的回波强度数据重采样得到与遥感影像全色波段影像空间分辨率相同的栅格形式的激光回波强度影像；
步骤2、影像配准——将激光回波强度影像和遥感影像全色波段配准；
步骤3、PCA影像融合——使用主成分分析法对配准后的激光回波强度影像与遥感影像全色波段进行融合，获得融合影像；
步骤4、LEGION图像分割——对步骤3中得到的融合影像用局部兴奋全局抑制振荡网络分割方法进行图像分割。
2.根据权利要求1所述LiDAR辅助下基于LEGION的高分辨率航空影像分割方法，其特征在于：步骤3中，PCA影像融合的具体方法如下：对配准的激光强度影像和遥感影像全色波段进行主成分变换，把两种影像中的有用信息集中到数量尽可能少的新的主成份图像中，选取主成分变换后的第一主成分，作为进行图像分割的融合数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2012105412899A CN103035006A (zh) | 2012-12-14 | 2012-12-14 | 一种LiDAR辅助下基于LEGION的高分辨率航空影像分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2012105412899A CN103035006A (zh) | 2012-12-14 | 2012-12-14 | 一种LiDAR辅助下基于LEGION的高分辨率航空影像分割方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN103035006A true CN103035006A (zh) | 2013-04-10 |
Family
ID=48021873
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN2012105412899A Pending CN103035006A (zh) | 2012-12-14 | 2012-12-14 | 一种LiDAR辅助下基于LEGION的高分辨率航空影像分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103035006A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107784656A (zh) * | 2017-09-20 | 2018-03-09 | 重庆大学 | 一种基于几何要素的零件点云分割方法 |
| CN109613552A (zh) * | 2018-12-07 | 2019-04-12 | 厦门大学 | 一种用于tls多回波点云植被遮挡目标的探测和分析方法 |
| CN109919960A (zh) * | 2019-02-22 | 2019-06-21 | 西安工程大学 | 一种基于多尺度Gabor滤波器的图像连续边缘检测方法 |
| CN111931603A (zh) * | 2020-07-22 | 2020-11-13 | 北方工业大学 | 基于竞合网络的双流卷积网络的人体动作识别系统及方法 |
| CN112633155A (zh) * | 2020-12-22 | 2021-04-09 | 生态环境部卫星环境应用中心 | 一种基于多尺度特征融合的自然保护地人类活动变化检测方法 |
| CN113592882A (zh) * | 2021-08-09 | 2021-11-02 | 中国林业科学研究院资源信息研究所 | 一种基于无人机多源遥感的树冠提取方法 |
| CN113781408A (zh) * | 2021-08-24 | 2021-12-10 | 北京美照算算智能科技有限公司 | 一种图像拍摄智能指导系统及方法 |
| CN114049562A (zh) * | 2021-11-30 | 2022-02-15 | 中国科学院地理科学与资源研究所 | 一种土地覆被数据融合修正方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102013093A (zh) * | 2010-12-02 | 2011-04-13 | 南京大学 | 一种基于Gram-Schmidt融合和LEGION的高分辨率遥感影像分割方法 |
-
2012
- 2012-12-14 CN CN2012105412899A patent/CN103035006A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102013093A (zh) * | 2010-12-02 | 2011-04-13 | 南京大学 | 一种基于Gram-Schmidt融合和LEGION的高分辨率遥感影像分割方法 |
Non-Patent Citations (4)
| Title |
|---|
| LIANG-CHIEN CHEN*等: "《Fusion of LIDAR data and optical imagery for building modeling》", 《INTERNATIONAL ARCHIVES OF PHOTOGRAMMETRY AND REMOTE SENSING》, vol. 35, 31 December 2004 (2004-12-31) * |
| 于森等: "《基于PCA变换的遥感影像融合算法》", 《软件时空》, vol. 25, no. 33, 25 November 2009 (2009-11-25) * |
| 王文武: "《应用主成分分解（PCA）法的图像融合技术》", 《微计算机信息》, vol. 23, no. 12, 31 December 2007 (2007-12-31), pages 2 - 2 * |
| 谭衢霖等: "《结合高分辨率多光谱影像和LiDAR数据提取城区建筑》", 《应用基础与工程科学学报》, vol. 19, no. 5, 31 October 2011 (2011-10-31) * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107784656B (zh) * | 2017-09-20 | 2020-02-07 | 重庆大学 | 一种基于几何要素的零件点云分割方法 |
| CN107784656A (zh) * | 2017-09-20 | 2018-03-09 | 重庆大学 | 一种基于几何要素的零件点云分割方法 |
| CN109613552A (zh) * | 2018-12-07 | 2019-04-12 | 厦门大学 | 一种用于tls多回波点云植被遮挡目标的探测和分析方法 |
| CN109613552B (zh) * | 2018-12-07 | 2020-11-10 | 厦门大学 | 一种用于tls多回波点云植被遮挡目标的探测和分析方法 |
| CN109919960A (zh) * | 2019-02-22 | 2019-06-21 | 西安工程大学 | 一种基于多尺度Gabor滤波器的图像连续边缘检测方法 |
| CN111931603B (zh) * | 2020-07-22 | 2024-01-12 | 北方工业大学 | 基于竞合网络的双流卷积网络的人体动作识别系统及方法 |
| CN111931603A (zh) * | 2020-07-22 | 2020-11-13 | 北方工业大学 | 基于竞合网络的双流卷积网络的人体动作识别系统及方法 |
| CN112633155A (zh) * | 2020-12-22 | 2021-04-09 | 生态环境部卫星环境应用中心 | 一种基于多尺度特征融合的自然保护地人类活动变化检测方法 |
| CN112633155B (zh) * | 2020-12-22 | 2021-08-31 | 生态环境部卫星环境应用中心 | 一种基于多尺度特征融合的自然保护地人类活动变化检测方法 |
| CN113592882A (zh) * | 2021-08-09 | 2021-11-02 | 中国林业科学研究院资源信息研究所 | 一种基于无人机多源遥感的树冠提取方法 |
| CN113592882B (zh) * | 2021-08-09 | 2022-06-03 | 中国林业科学研究院资源信息研究所 | 一种基于无人机多源遥感的树冠提取方法 |
| CN113781408A (zh) * | 2021-08-24 | 2021-12-10 | 北京美照算算智能科技有限公司 | 一种图像拍摄智能指导系统及方法 |
| CN113781408B (zh) * | 2021-08-24 | 2024-05-28 | 北京美照算算智能科技有限公司 | 一种图像拍摄智能指导系统及方法 |
| CN114049562A (zh) * | 2021-11-30 | 2022-02-15 | 中国科学院地理科学与资源研究所 | 一种土地覆被数据融合修正方法 |
| CN114049562B (zh) * | 2021-11-30 | 2022-06-21 | 中国科学院地理科学与资源研究所 | 一种土地覆被数据融合修正方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111815776B (zh) | 综合机载和车载三维激光点云及街景影像的三维建筑物精细几何重建方法 | |
| CN103035006A (zh) | 一种LiDAR辅助下基于LEGION的高分辨率航空影像分割方法 | |
| CN109800671B (zh) | 面向目标解译的多源遥感信息知识图谱构建方法和系统 | |
| WO2021226977A1 (zh) | 一种基于多源遥感数据融合和深度神经网络的矿山开采典型地物动态监测方法及平台 | |
| Bulatov et al. | Context-based automatic reconstruction and texturing of 3D urban terrain for quick-response tasks | |
| Zhou et al. | Seamless fusion of LiDAR and aerial imagery for building extraction | |
| CN104899562B (zh) | 基于纹理分割融合的雷达遥感影像人工建筑识别算法 | |
| CN104376595B (zh) | 一种基于机载LiDAR和GIS协同的三维道路生成方法 | |
| CN108053408B (zh) | 一种基于遥感卫星影像的高自动化土地利用更新方法 | |
| Wang et al. | Window detection from mobile LiDAR data | |
| CN103632363A (zh) | 基于多尺度融合的对象级高分辨率遥感影像变化检测方法 | |
| CN105427314A (zh) | 基于贝叶斯显著性的sar图像目标检测方法 | |
| Bremer et al. | Eigenvalue and graph-based object extraction from mobile laser scanning point clouds | |
| Zhou | Urban High-Resolution Remote Sensing: Algorithms and Modeling | |
| CN110084844A (zh) | 一种基于深度相机的机场道面裂缝检测方法 | |
| CN110222586A (zh) | 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 | |
| Lehtomäki et al. | Performance analysis of a pole and tree trunk detection method for mobile laser scanning data | |
| CN105447452A (zh) | 一种基于地物空间分布特征的遥感亚像元制图方法 | |
| Uzar | Automatic building extraction with multi-sensor data using rule-based classification | |
| Hu et al. | Dynamic monitoring of land subsidence in mining area from multi-source remote-sensing data–a case study at Yanzhou, China | |
| Wang et al. | A method for detecting windows from mobile LiDAR data | |
| Dong et al. | Building extraction from high spatial resolution remote sensing images of complex scenes by combining region-line feature fusion and OCNN | |
| Shokri et al. | Utility poles extraction from mobile lidar data in urban area based on density information | |
| Zhang et al. | Individual tree detection and counting based on high-resolution imagery and the canopy height model data | |
| Dwivedi et al. | New horizons in planning smart cities using LiDAR technology |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130410 |