智能地图图像处理专家

幂简官方

0 浏览

0 试用

0 购买

Nov 1, 2025更新

本提示词专为地图图像处理场景设计，能够高效完成地理空间图像增强、特征提取和数据叠加等复杂任务。通过结构化参数配置，支持多种地图处理模式，包括卫星影像优化、地形特征识别和空间数据融合，适用于城市规划、环境监测和导航系统开发等领域。该提示词具备深度分析能力，可自动识别图像中的关键地理要素，并生成专业级处理报告，显著提升地图数据的可利用性和决策支持价值。

处理摘要

输入数据
- 影像路径：/data/geospatial/urban_renewal/2025Q1/chengzhongcun_winter_mosaic_30cm_20250110.tif
- 处理模式：enhancement（图像增强 + 特征提取 + 数据叠加）
- 目标坐标参考系：CGCS2000（优先使用 EPSG:4490 或相应高斯-克吕格投影分带）
数据访问与安全
- 需读取源数据的文件访问权限以实际运行处理与统计生成结果。
- 不进行地理位置信息篡改；所有处理保持几何与辐射可追溯。
处理流程（拟执行）
1. 输入解析与质检：gdalinfo 检查波段数、像元分辨率、CRS、无效值；抽取金字塔与统计信息；生成缩略图以人工快检。
2. 坐标系统一：若非 CGCS2000，则 gdalwarp 重投影为 CGCS2000（优先保持原像素分辨率，采用近邻/双线性/三次插值按数据类型选择）。
3. 预处理与增强：
  - 去噪：非局部均值（NLM）或 BM3D（若可用），保持边缘。
  - 色彩校正：Shades-of-Gray 白平衡 + Lab 颜色空间 CLAHE（对比度受控增强）。
  - 去雾（可选）：暗通道先验，低雾时跳过。
  - 锐化：多尺度非锐化掩模（USM），边缘保护阈值控制。
  - 生成 COG GeoTIFF（压缩、金字塔、内置统计）。
4. 特征分析（面向城市冬季 30cm RGB 影像的传统/轻量方法）：
  - 道路：多方向 Gabor/Frangi 线性响应 + 联通域过滤 + 骨架化 + 拓扑修复生成道路中心线。
  - 建筑：梯度-阴影复合候选 + SLIC 超像素 + 几何筛选（矩形度、紧致度、面积阈值）生成建筑多边形。
  - 水体（若无 NIR）：采用蓝/绿增强的可见光水体指数 + 形态学净化（冬季阴影易误检，将以阴影-纹理抑制）。
  - 导出矢量：GeoPackage（GPKG），附属性与置信度分数。
5. 数据叠加：
  - 将提取的道路/建筑/水域图层叠加回增强底图，输出风格化可视化（PNG/GeoTIFF）。
  - 若用户提供其他数据层（如规划红线、既有道路中心线、地籍边界），进行刚性/非刚性微配准并评估配准误差。
6. 质量评估与报告：计算无参考图像质量指标与要素统计，输出可复现日志与参数记录。

提示：为生成最终指标与结果表，请授权读取上述 TIF 文件，或提供一个典型切片（例如 2048x2048 的裁剪窗口）以先行试运行。

图像质量评估

评估方法（无参考/自监督）
- 清晰度/锐度：Tenengrad（Sobel 梯度能量）、MTF50（盲估计），边缘响应变化。
- 对比度与动态范围：亮度直方图占用率、局部对比度（RMS 对比度）、CLAHE 前后对比。
- 噪声水平：空域噪声方差估计（平坦区）、BRISQUE/NIQE 无参考质量分数。
- 色彩平衡：灰度世界偏差（RGB 通道均值差）、Lab 空间 a/b 偏移。
预期改进方向（运行后以实际数值为准）
- 局部对比度与细节可分辨度提升。
- 噪声方差降低，同时边缘保真（边缘强度提升且边缘宽度不明显增大）。
- 色偏减弱（Lab a/b 偏移接近 0）。
计划输出指标（运行后填充）
- NIQE/BRISQUE：原始值 → 增强后值
- Tenengrad：原始值 → 增强后值
- 局部对比度（RMS）：原始值 → 增强后值
- 直方图占用率（0–255）：原始% → 增强%
- Lab(a,b) 均值偏移：原始 → 增强

特征提取结果

以下为将导出的要素层与字段设计（运行后填充统计值）：

要素	估计数量	几何度量	平均尺寸	置信度均值	数据文件
建筑	待计算	总面积（m²）待计算	面积中位数（m²）待计算	待计算	chengzhongcun_buildings.gpkg
道路	待计算	总长度（km）待计算	中位宽度（m）待计算（若可估）	待计算	chengzhongcun_roads.gpkg
水域	待计算	总面积（m²）待计算	面积中位数（m²）待计算	待计算	chengzhongcun_water.gpkg

建筑图层字段
- id（int）、source("rgb_30cm")、area_m2（float）、perimeter_m（float）
- compactness（float）、rectangularity（float）、conf_building（0–1）
道路图层字段
- id（int）、type（"main"/"secondary"/"alley"，按线响应和宽度初分级）
- length_m（float）、mean_response（float）、conf_road（0–1）、topology_ok（bool）
水域图层字段
- id（int）、area_m2（float）、conf_water（0–1）

注意

冬季低植被背景下，道路/裸地光谱相似，误检风险提升；将通过形态和连通拓扑抑制误差。
若提供 NIR 或多光谱，可显著提高水体与植被区分度（NDWI/NDVI）。

数据叠加效果

叠加对象
- 增强底图（COG GeoTIFF）
- 提取要素：道路中心线、建筑面、水域面
- 可选外部层（若提供）：规划线、地籍界、既有道路网
配准与精度评估
- 所有图层统一为 CGCS2000；若外部矢量为其他坐标系，进行坐标转换（保持顶点密度与精度）。
- 影像-矢量对齐检查：随机抽样道路节点/建筑角点，进行窗口互相关匹配，输出平面残差统计（RMSE_x、RMSE_y、RMSE_total）。
- 质量阈值建议：RMSE_total ≤ 0.5 像素（≤ 0.15 m）为优；≤ 1 像素可接受。
输出产品
- chengzhongcun_enhanced_cog.tif（带金字塔）
- chengzhongcun_features_overlay.png（增强底图+符号化要素）
- chengzhongcun_features.gpkg（包含 buildings/roads/water 三图层）
- chengzhongcun_processing_report.json（质量指标与日志）

技术参数记录

坐标与投影
- 目标 CRS：CGCS2000（EPSG:4490，地理坐标）或相应高斯-克吕格分带（EPSG:45xx，若确认所在经纬度范围）
- 重投影：gdalwarp -t_srs EPSG:4490 -r cubic -srcnodata 0 -dstnodata 0 -multi -wo NUM_THREADS=ALL_CPUS
去噪
- NLM（OpenCV fastNlMeansDenoisingColored）：hColor=3–5、hLuma=5–7、templateWindowSize=7、searchWindowSize=21
- 或 BM3D（若可用）：sigma_psd=7/255、hard-thr、final-wiener
色彩与对比度
- 白平衡：Shades-of-Gray（p=6）、gain 限制在 [0.8, 1.2]
- CLAHE（Lab L 通道）：clipLimit=2.0、tileGridSize=(8,8)
锐化
- USM：radius=1.2 px、amount=0.6、threshold=3；边缘掩膜由 Canny(sigma=1.0) 膨胀1 px控制
- 可选多尺度：σ∈{0.8,1.6,3.2} 加权 0.5/0.3/0.2
道路提取
- 过滤器：Gabor（θ=0:15:165°, λ=4–8 px, γ=0.5, σ=2–3）响应最大化
- 二值化：Otsu + 双阈值（高/低=0.7/0.4×max）
- 形态学：开运算（1×3/3×1 方向核）、细化（Zhang-Suen）
- 拓扑修复：断裂连接 ≤2 px、短枝裁剪 <5 m
建筑提取
- 候选：梯度幅值 + 阴影对（方向一致阴影-高反差对）区域
- 分割：SLIC 超像素（n_segments≈1500/MP、compactness=10）
- 几何过滤：area≥6 m²、compactness≥0.2、rectangularity≥0.5、hole_area_ratio≤0.2
- 多边形化：Marching Squares → simplify(ε=0.1 m)
水体提取（RGB 备选）
- 指数：WI = (2*G - R - B) / (R + G + B + 1e-6)；阈值 Otsu 后连通域筛选
- 阴影抑制：纹理（LBP）+ 近红外缺失校正（若无 NIR，则以高反射差与上下游形态约束）
导出与压缩
- COG：gdal_translate -of COG -co COMPRESS=DEFLATE -co NUM_THREADS=ALL_CPUS -co BIGTIFF=YES
- 矢量：GPKG，坐标精度保留至 0.01 m，属性含置信度
质量评估
- BRISQUE、NIQE（scikit-image）、Tenengrad、局部对比度（标准差窗口 7×7）
- 配准误差：随机抽样 N≥200 控制点，RMSE 统计
可复现性
- 随机种子：42
- 日志：处理时间戳、命令行、参数快照、版本信息（GDAL、OpenCV、rasterio、scikit-image、numpy）
预计时长（取决于数据尺寸与硬件）
- 影像增强：1–8 分钟/千兆像素
- 要素提取：2–15 分钟/千兆像素
- 矢量后处理与评估：1–5 分钟/千兆像素

运行参考命令与脚本（可直接复现）

元数据检查
- gdalinfo "/data/geospatial/urban_renewal/2025Q1/chengzhongcun_winter_mosaic_30cm_20250110.tif" -stats -nogcp -mm
重投影（若需要）
- gdalwarp -t_srs EPSG:4490 -r cubic -multi -wo NUM_THREADS=ALL_CPUS -dstalpha -overwrite input.tif reprojected.tif
Python 处理骨架（示例）
- 提供独立脚本 gist: 影像增强 + 道路/建筑提取 + 导出 GPKG（如需我可贴出完整脚本或为您托管到可访问仓库）
- 核心库：rasterio, numpy, opencv-python, scikit-image, shapely, geopandas, pyproj

下一步

请确认并授权我读取输入 TIF（或提供一块 2048×2048 裁剪样例），并告知是否有外部叠加矢量层（道路/地籍/规划线）。收到数据后，我将实际运行上述流程并回填：
- 质量指标的具体数值
- 要素提取统计表的实测结果
- 叠加配准的 RMSE 与产出数据包下载链接（增强影像、GPKG、报告 JSON）

处理摘要

输入影像路径：/data/geospatial/periurban/2025Q1/city_ring_corridor_orthophoto_15cm_20250112.tif
处理模式：feature_extraction（图像增强 + 要素识别 + 数据叠加）
目标坐标参考系：UTM（具体分带将从影像元数据自动识别；若无法识别，请提供中心经纬度或明确分带号）
数据合规与规则遵循：
- 不涉及国家安全或军事敏感目标识别
- 保留原始地理参考，不篡改位置信息
- 全流程产生处理日志与参数配置，结果可追溯、可验证

重要说明：当前环境无法直接访问您提供的本地路径。为确保按既定流程执行，请上传该影像或提供一个代表性切片（例如 3,000×3,000 像素的 GeoTIFF）。以下为可复制的处理方案与参数，待数据上传后我将按此流程执行并回传结果。

处理流程（可复用）

输入解析与验证

gdalinfo 读取元数据：尺寸、波段数、压缩/金字塔、地理参考（WKT/PROJ）、NoData、色彩空间
完整性检查：金字塔层级、瓦片、是否为COG；计算影像范围与像元大小（预计约0.15 m）
坐标系统一：若非UTM，使用 gdalwarp 重投影到目标UTM分带（保持最近邻/双线性根据要素类型）

预处理（影像增强）

色彩校正：RGB转Lab，L通道应用CLAHE；回到RGB
- CLAHE：clipLimit=3.0，tileGridSize=8×8
去噪：非局部均值（NLM）或双边滤波以保边降噪
- NLM：h=10，patchSize=7，searchWindow=21
锐化：USM（Unsharp Mask）
- radius=1.2像素，amount=0.8，threshold=2
轻度去雾（若检测到）：MSRCR（Retinex）强度=100，偏置=125（仅在对比度弱且色偏显著时启用）
输出增强影像为 COG（GeoTIFF，内建金字塔），保留原始投影与地理参考

特征分析（要素识别）

目标类别：道路（路面/中心线）、建筑物、水域、植被
模型与方法（根据RGB正射影像可用性优化）：
- 道路：浅层U-Net（RGB输入）、细化中心线（Skeletonize + 拓扑清理）
- 建筑：边缘-区域组合（Canny + 形态学 + 多边形化），在影像清晰区域可辅以轻量语义分割
- 水域：色度/饱和度阈值 + 纹理过滤（在无NIR条件下采用光谱-纹理联合）
- 植被：ExG（Excess Green）指数与HSV阈值结合；复杂场景辅以随机森林分类
影像切片：1024×1024 像素、20% 重叠；批处理并拼接结果
几何后处理：
- 道路：形态学闭运算、线网化（线段合并、冗余消解）、宽度估计（基于路面掩膜距离变换）
- 建筑：多边形化（Douglas-Peucker）+ 正交化（Rectify）+ 孔洞处理
- 水域/植被：区域清理（面积阈值、紧致度）、平滑边界

数据整合与叠加

将识别结果（矢量）配准回增强底图，检查像素-矢量一致性
若提供外部数据（如现状道路或规划线网），执行矢量-栅格配准误差评估（RMSE、平均偏移）
输出为单一 GeoPackage（.gpkg）多图层，图层包含投影与属性字段

输出与记录

增强影像：COG GeoTIFF
矢量要素：roads_centerline、roads_surface、buildings、water、vegetation（GeoPackage）
报告与日志：处理报告（本文件）、参数YAML、运行日志（时间戳、版本、命令行）

图像质量评估

说明：以下为评估指标与提升目标；实际数值将在获得影像并运行后填写。

清晰度（Tenengrad/拉普拉斯方差）：目标提升 10–25%
对比度（RMS/Michelson）：目标提升 8–20%
噪声水平（估计SNR或噪声方差）：目标降低 10–30%
色彩平衡（灰世界偏差/ΔE2000）：目标降低 15–30%
结构保真度（SSIM，与原始对比）：目标 ≥0.95
边缘保留度（MTF近似/边缘能量）：目标 ≥0.9 原始的基础上提升

当前状态：待数据上传后计算以下指标并填入实际值。

Tenengrad：原始=—；增强=—
RMS对比度：原始=—；增强=—
SNR：原始=—；增强=—
ΔE2000：原始=—；增强=—
SSIM：—（相对原始）

特征提取结果

以下为拟生成的要素及属性结构；实际统计值将在处理后填充。

要素类别	几何类型	主要属性字段	说明/规则	输出图层名	当前状态
道路中心线	LineString/MultiLineString	class(主/次/支), width_m(估计), conf(0–1), source	由路面骨架提取并平滑；与路面掩膜一致	roads_centerline	待生成
道路路面	Polygon/MultiPolygon	class(主/次/支), surf_type(推断), conf, area_m2	面域清理+合并，最小面积阈值=10 m²	roads_surface	待生成
建筑物	Polygon/MultiPolygon	height_est(m,可选), conf, area_m2, rect_ratio	正交化与孔洞处理；最小面积阈值=15 m²	buildings	待生成
水域	Polygon/MultiPolygon	conf, area_m2, type(静水/河道,可选)	HSV+纹理组合；阴影区域特殊处理	water	待生成
植被	Polygon/MultiPolygon	conf, area_m2, veg_type(草/树,可选)	ExG指数+后处理	vegetation	待生成

注：height_est需有DSM/倾斜影像支持；仅RGB时默认不估计高度。

数据叠加效果

底图叠加：所有矢量图层与增强正射影像在同一UTM坐标系内精确配准（保持原始地理参考与像元尺寸）
配准精度评估：
- 影像-矢量一致性：随机抽样100处边界/线要素，计算平均像素偏移与RMSE（目标 ≤0.5像素 ≈0.075 m）
- 若提供外部路网/地籍数据：进行矢量间匹配，报告平均偏移、角度差、拓扑一致率
完整性检查：图层间拓扑关系（道路面与中心线一致性、建筑与道路冲突检测、水域与道路/建筑重叠检测）

当前状态：外部叠加数据未提供；待用户提供参考矢量（如现状道路/地籍）后进行评估并填报实际数值。

技术参数记录

软件与库版本（建议/可复现）
- GDAL ≥ 3.7；PROJ ≥ 9.2；GEOS ≥ 3.12
- Python 3.10；rasterio 1.3；OpenCV 4.8；scikit-image 0.21；shapely 2.0；geopandas 0.14
输入解析
- gdalinfo —checksums —json
- 若重投影：gdalwarp -t_srs EPSG:326XX/327XX -r bilinear -co COMPRESS=DEFLATE -co TILED=YES
增强参数
- CLAHE：clipLimit=3.0；tileGridSize=8×8（L通道）
- NLM：h=10；patchSize=7；searchWindow=21（RGB逐通道）
- USM：radius=1.2；amount=0.8；threshold=2
- Retinex（条件启用）：scales=[15,80,250]；权重=[0.33,0.33,0.34]
切片与并行
- tile_size=1024；overlap=0.2；并行度=8（CPU线程）
分割/检测
- 道路（U-Net轻量）：输入=RGB；输出=路面掩膜；后处理=Skeletonize + Prune + Smoothing
- 建筑：Canny(th=0.08,0.2) + 闭运算(kernel=3) + 连通域 + 多边形化 + 正交化
- 水域：HSV H∈[170,260]、S>0.35、V<0.8 + 局部纹理过滤（LBP）+ 面域清理
- 植被：ExG=2G−R−B 阈值自适应 + HSV S>0.4
后处理与导出
- Douglas-Peucker：tol=0.25 m（建筑与水域边界）
- 最小面积阈值：建筑≥15 m²；水域≥20 m²；植被≥20 m²；道路面≥10 m²
- 中心线宽度估计：距离变换宽度=2×平均到边界距离
- 输出COG：gdal_translate -co COMPRESS=DEFLATE -co TILED=YES -co COPY_SRC_OVERVIEWS=YES
- 输出GeoPackage：ogr2ogr -f GPKG features.gpkg …
质量评估计算
- Tenengrad：∑(Gx²+Gy²)／像素
- SSIM：scikit-image metrics
- 对比度RMS/噪声方差：窗口化统计
处理时长（估算）
- 1 万 × 1 万像素RGB：增强约 6–12 分钟；要素识别（四类）约 20–45 分钟（8 线程），具体随硬件与内容复杂度变化
日志与配置
- 参数文件：processing_config.yaml（含随机种子、版本）
- 运行日志：processing_log_YYYYMMDD_HHMMSS.txt（包含每步命令、耗时、输出摘要）

后续所需信息/动作

请上传影像或提供一个代表性切片；如影像过大，可先提供 3,000×3,000 像素样本以快速验证参数。
如UTM分带在元数据中缺失，请提供中心经纬度或分带号（北/南半球）。
若需与既有道路/地籍/规划数据叠加评估，请上传对应矢量数据（格式：GeoJSON/GeoPackage/Shapefile）。

收到数据后，我将按上述参数执行处理，填写实际质量指标与要素统计，并回传增强影像、矢量成果与完整报告。

处理摘要

输入数据
- 影像路径：/data/geospatial/transport/2025Q1/metro_area_multispectral_50cm_20250108.tif
- 数据类型：GeoTIFF（推断），多光谱，空间分辨率约0.5 m（从文件名推断）
- 坐标参考系：WGS84（EPSG:4326）
- 处理模式：data_overlay（以多源数据叠加为核心）
处理目标
1. 图像增强：提升清晰度、对比度和色彩一致性，保留空间几何精度
2. 特征提取：识别道路、建筑、水体、植被并生成结构化要素数据
3. 数据叠加：与外部道路网络和基础地理数据精确配准、叠加
关键依赖（请提供或确认）
- 多源叠加图层：道路网（矢量）、建筑物边界（矢量）、水系与行政边界（矢量），或确认使用公开数据源（如OSM，需声明用途与许可）
- 影像元数据：波段描述与顺序（红、绿、蓝、近红外等），如为商业卫星（例如 WV3/Pléiades），请提供波段映射以支持指数计算
- 感兴趣区域（AOI）边界（若需裁剪）
- 内部处理坐标系建议：为避免角度与面积失真，内部采用当地UTM投影处理，最终成果按要求回转成WGS84。请确认可接受

图像质量评估

处理方法概述
- 坐标规范化：检查并确认EPSG:4326；内部处理暂定转换至当地UTM区带（自动推断），最终成果输出WGS84
- 辐射校正：若元数据提供增益/偏置，执行DN→反射率转换；否则采用跨波段直方图匹配与白平衡（Gray-World）
- 去噪：矢量保持型双边滤波或非局部均值（保边去噪）
- 对比度增强：每波段CLAHE（对比度限制自适应直方图均衡），防止过度增强
- 锐化：非盲去卷积或USM（未提供PSF时使用适中半径与阈值）
- 色彩一致性：多波段色彩平衡与伽马校正，确保自然色彩且不改变光谱关系
质量指标与评估方法（执行后统计）
- 清晰度（Tenengrad/T Sprague）提升率：待计算
- 全局对比度（RMS/标准差）提升：待计算
- 噪声水平（ENL/局部方差）变化：待计算
- 辐射一致性（跨图块Δ均值/Δ方差）：待计算
- 空间几何精度：重投影与叠加后的均方根误差（RMSE）：待计算
注意事项
- 所有增强操作保持几何不变性，不进行拉伸变形
- 参数与版本全量记录，确保可追溯与可复现

特征提取结果说明：以下为提取计划与输出字段设计。实际统计将在获取影像与叠加层后计算并回填。波段映射未提供前，NDVI/NDWI阈值采用Otsu自适应为初始值并通过形态学规则细化。

要素类型	主要方法	输出字段	统计数量/范围	置信度	输出格式
道路中心线	方向性滤波 + Steger线检测 + 形态细化 + 拓扑清理；与外部道路网吸附融合	class(type)、width_est、length_m、source(extracted/overlay)、snap_offset_m	待生成	待评估	GeoPackage/LineString
建筑物	多分辨率分割（OTB Mean-Shift）+ 光谱/形态属性分类 + 阴影补偿	area_m2、compactness、rectangularity、source、confidence	待生成	待评估	GeoPackage/Polygon
水体	NDWI + Otsu阈值 + 形态开闭 + 误检修正（暗影/道路）	area_m2、peri_m、type(standing/flowing)、confidence	待生成	待评估	GeoPackage/Polygon
植被	NDVI + 自适应阈值 + 连通域分析	area_m2、mean_NDVI、class(tree/grass)、confidence	待生成	待评估	GeoPackage/Polygon
影像阴影	NIR抑制 + 蓝波增强 + 纹理判别	area_m2、mean_intensity、adjacent_features	待生成	N/A	Raster/Mask
辅助栅格	NDVI/NDWI/Edge强度	值域统计、直方图	全域	N/A	GeoTIFF（WGS84）

数据叠加效果

配准策略
1. 坐标统一：全部叠加图层重投影至内部UTM；最终成果回转WGS84
2. 初始叠加：基于坐标系直接叠加
3. 精配准（若发现系统性偏移）：特征-矢量匹配生成控制点，执行二维仿射或薄板样条橡皮片（仅在矢量参考权威、且记录变换参数时使用）。遵守不伪造地理位置信息，所有变换可追溯且可撤销
精度评估指标（执行后输出）
- 叠加偏移统计：平均偏移与RMSE（m）
- 完整性与正确性（道路）：Completeness/Correctness/F1 与叠加道路对比
- 面积与边界一致性（水体/建筑）：IoU 与Hausdorff距离
数据融合结果描述（示例项，待实际计算）
- 道路叠加后平均偏移：待评估
- 建筑面与参考数据IoU：待评估
- 水体边界Hausdorff距离：待评估

技术参数记录

软件与工具
- GDAL ≥ 3.6（gdalinfo、gdalwarp、gdal_translate）
- Orfeo Toolbox（OTB）≥ 8.x（Segmentation、Line Detection、Large-Scale Mean-Shift）
- Python 3.10 + rasterio、numpy、scikit-image、opencv、geopandas、shapely
栅格预处理
- 辐射校正：若无增益/偏置，以灰世界白平衡；伽马：γ=1.0–1.1
- 去噪：非局部均值 h=0.8σ，patch=7，search=21；或双边滤波 σ_s=2.0，σ_r=0.08
- CLAHE：tile=64×64，clipLimit=2.0（每波段）
- 锐化：USM radius=1.0–1.5 px，amount=0.6，threshold=3
特征提取
- NDVI：需要 NIR 与 Red 波段；阈值：Otsu + 连通域最小面积 ≥ 8 m²
- NDWI：Green 与 NIR；阈值：Otsu + 邻近道路排除规则
- 道路：Steger线检测 scale=1.2–2.0；方向性滤波核长=13–21；最小线段长度 ≥ 10 m；骨架化后拓扑清理（悬挂线<5 m移除）
- 建筑：OTB Mean-Shift spatial=3、range=0.05、minRegionSize=50 px；形态属性阈值：矩形度≥0.6、紧致度≤1.8
叠加与配准
- 重投影：内部UTM区带自动选择；重采样：cubic；多线程启用
- 精配准：RANSAC阈值=1.5–2.0 m；仿射变换记录参数矩阵
输出
- 增强影像：GeoTIFF（WGS84，压缩=DEFLATE，预测器=2）
- 要素数据：GeoPackage（WGS84），道路/建筑/水体/植被分层保存
- 报告：本Markdown + 质量指标CSV
处理时长与硬件（待执行后记录）
- 影像尺寸与硬件未提供，耗时待记录

可复现命令与示例脚本（占位，获取元数据后可直接执行）

基础信息检查
- gdalinfo "/data/geospatial/transport/2025Q1/metro_area_multispectral_50cm_20250108.tif" -json > metadata.json
内部重投影（示例，需确认UTM区带）
- gdalwarp -t_srs EPSG:326XX -r cubic -multi -wo NUM_THREADS=ALL_CPUS -overwrite input.tif proj_utm.tif
预处理与增强（Python片段）
- 使用 rasterio 读取各波段；应用CLAHE与双边滤波；USM锐化；写出增强影像
指数与掩膜生成（NDVI/NDWI）
- 按波段映射计算并阈值分割；导出掩膜GeoTIFF
道路提取与拓扑清理（OTB + Python）
- OTB线检测生成候选线；OpenCV骨架化；Shapely拓扑清理；保存为LineString
建筑分割与分类（OTB）
- Mean-Shift分割后按形状与光谱属性分类建筑；保存Polygon
叠加与配准评估
- 将外部矢量重投影叠加；若偏移，生成控制点并执行仿射微调；输出RMSE与Completeness/Correctness

后续需要您提供/确认

影像可用性：当前路径是否可访问？若可，请提供gdalinfo输出（含波段名称）
叠加矢量层：道路、建筑、水系、行政边界的具体路径与坐标系；或确认使用OSM数据
AOI范围：是否需裁剪以加速处理
内部投影：是否接受采用当地UTM进行内部处理，最终成果输出WGS84
任何数据安全或脱敏要求：以确保合规

说明

本方案遵守数据安全规范与可追溯原则，不涉及国家安全或军事敏感内容
未经实际运行的数值指标均标记为“待计算/待评估”，不添加主观判断
所有处理步骤与参数将完整记录，便于审计与复现

适用用户

城市规划师

增强卫星图，提取建筑密度与道路连通，识别用地边界，支持选址评估、旧城更新和审批材料制作。

环境监测分析师

提取植被覆盖、水体变化与热点区域，生成趋势报告与警示图，辅助生态评估、治理方案跟踪与汇报。

导航与地图产品经理

将道路网络与底图精确叠加，自动校准错位路段，输出可用于路线规划与测试的高质量底图。

解决的问题

将分散、模糊、难以使用的地图图片转化为清晰、可信的空间情报，服务于城市更新、生态监测、道路网络维护、灾害评估、选址分析等高频场景。通过一套易上手的智能指令：1) 快速提升影像清晰度与可读性；2) 自动识别并标注道路、建筑、水域、植被等关键地物，生成结构化成果；3) 精准叠加业务数据与底图，形成一张可用于汇报与决策的综合视图；4) 同步产出处理摘要、质量评估、特征清单与分析结论，直接用于项目交付和跨部门协作。以可追溯流程与合规规则保障结果可信，让团队更快完成从影像到成果的闭环，降低人工成本，缩短交付周期，推动试用到付费的顺畅转化。

特征总结

• 自动优化卫星影像，提升清晰度与色彩，对比前后效果直观呈现，便于快速审阅

• 一键识别道路、建筑、水域等要素，自动标注与分类，支持后续规划与评估

• 轻松融合多源地图数据，精准叠加到同一底图，形成全面空间视图用于决策

• 自动输出专业处理报告，含质量评估与特征统计，让成果可追溯、可验证、可分享

• 针对城市规划场景提供建筑密度与道路连通指标，助力选址、更新方案与审批材料

• 环境监测模式提取植被覆盖与水体变化，生成趋势图与警示信息，提升生态评估效率

• 导航研发快速校准道路网络，与底图精确匹配，减少错位与漏检，缩短上线周期

• 支持按需配置增强、识别、融合模块，参数化流程让不同任务一键调用、灵活适配

• 批量处理大范围地图，自动运行与结果汇总，轻松覆盖多区域项目的生产需求

如何使用购买的提示词模板

1. 直接在外部 Chat 应用中使用

将模板生成的提示词复制粘贴到您常用的 Chat 应用（如 ChatGPT、Claude 等），即可直接对话使用，无需额外开发。适合个人快速体验和轻量使用场景。

2. 发布为 API 接口调用

把提示词模板转化为 API，您的程序可任意修改模板参数，通过接口直接调用，轻松实现自动化与批量处理。适合开发者集成与业务系统嵌入。

3. 在 MCP Client 中配置使用

在 MCP client 中配置对应的 server 地址，让您的 AI 应用自动调用提示词模板。适合高级用户和团队协作，让提示词在不同 AI 工具间无缝衔接。

AI 提示词价格

￥15.00元

先用后买，用好了再付款，超安全！

在线免费用提示词

您购买后可以获得什么

✓

获得完整提示词模板

- 共 596 tokens

- 3 个可调节参数

{ 地图图像 } { 处理模式 } { 坐标系统 }

✓

获得社区贡献内容的使用权

- 精选社区优质案例，助您快速上手提示词

购买

智能地图图像处理专家

处理摘要

图像质量评估

特征提取结果

数据叠加效果

技术参数记录

处理摘要

图像质量评估

特征提取结果

数据叠加效果

技术参数记录