面向对象分类特征优化选取方法及其应用

与传统基于像元的分类方法比较,面向对象的分类方法可利用的地物信息更加丰富,然而如何从众多信息中筛选出能够有效提取不同地物的分类特征,从而提高分类效率与精度,是使用面向对象方法分类时急需解决的问题。SEaTH算法（分离阈值法）是一种有效的自动选取分类特征并计算阈值的方法,但其只考虑了类间距离,容易存在信息的冗余,从而对分类精度造成一定影响。本文在SEaTH算法的基础上,综合考虑了特征间的相关性、类间距离以及类内距离,对SEaTH算法进行了优化,并将改进前后的两种方法运用到广东省肇庆市TM影像及环境一号卫星影像土地覆盖分类中进行对比分析。实验结果表明,改进后的方法筛选出的特征在提取地物上更为有效,尤其使耕地的分类精度提高了12.26%,使分类总体精度由80%提高到了85.26%。改进后的方法对不易获取多时相影像的地区的土地覆盖分类具有重要意义。     

结合mRMR选择和IFCM聚类的遥感影像分类算法

为解决高分影像特征间相关性大冗余度高、FCM聚类稳健性差带来的分类精度不佳问题，提出一种基于mRMR选择和改进FCM聚类的影像分类算法。首先基于对象置信度指标（OC）进行影像分割，然后利用mRMR算法实现特征选择，解决特征冗余问题，最后将提取的特征输入分类器通过IFCM聚类，得到最终分类结果。试验结果表明，本文算法能减少特征间相关性，降低冗余，并有效提高影像分类精度。     

利用等边长正交格网进行层次聚合聚类

层次聚合聚类的典型算法可以体现研究数据的多尺度特征,但是典型算法的时空复杂度太高。通过将数据所在空间划分成等边长正交格网,结合3点间距离的传递性排除冗余计算,并将其推广到N维空间。设计了一种与典型算法遵循相同的单链规则,可即时计算类间距离且无需计算距离矩阵的算法,在获得与典型算法相同的多尺度聚类序列的同时,所需内存远小于典型算法。实验结果表明,该算法无需人工干预且不使用距离矩阵,能大幅降低层次聚合聚类的运行时间,但是效率优势随空间维数增长逐渐降低。     

融合k-means聚类和Hausdorff距离的散乱点云精简算法

针对点云精简算法在处理点云数据时特征保留不完整和对小曲率点云精简造成数据空洞的问题,提出了一种融合k-means聚类和Hausdorff距离的点云精简算法。该算法在八叉树算法的基础上构建点云数据的拓扑关系,首先计算所有点云数据点的主曲率,然后计算点云数据点主曲率的Hausdorff距离,根据精简目标要求设定Hausdorff距离阈值,实现点云特征提取,最后对非特征区域进行k-means聚类提取特征点,并将两次提取的特征点融合得到精简结果。实验结果表明,该算法能较完整地保留模型的特征信息,并能避免形成空洞现象。     

基于GF-1面向对象的桉树林信息提取研究

采用2014年12月高分一号遥感影像作为基础数据源,以南流江流域的某小区域为研究区,采用面向对象的方法结合改进的SEaTH算法对光谱、形状和纹理特征进行筛选和分析,综合GPS野外采集数据,建立语义规则集提取桉树信息并对其分类结果进行精度验证和评价。该方法与基于像元的分类技术相比,面向对象的分类方法总体精度提高了3.29%,Kappa系数增加了0.04。该方法不仅提高了分类精度,还减轻了野外复杂的工作量,为有效地提取树种提供了借鉴。     

利用层次聚类对移动曲面拟合滤波算法快速分类的研究

经典移动曲面滤波算法由于算法简练,适用范围广泛且滤波效果较好,适用于多种地形。但是传统移动曲面滤波方法存在较多缺陷,如计算阈值参数难以确定、各个格网间阈值参数缺少相关性、分类主要依据高差阈值及水平距离相关性较小等缺点。文中提出层次聚类算法,将三维地形转换为二维平面,利用相邻点水平距离和高差构建数据集,进行聚类判断点云的属性,采用ISPRS提供的15组样本,定性和定量分析本算法的滤波精度。为验证本聚类算法的优越性和科学性,同时与改进型移动曲面和PTD滤波算法进行精度对比,充分说明本算法相较于其他算法的优越性和高效性。     

高光谱影像分类的深度少样例学习方法

针对高光谱影像分类面临的小样本问题,提出了一种深度少样例学习算法,该算法在训练过程中通过模拟小样本分类的情况来训练深度三维卷积神经网络提取特征,其提取得到的特征具有较小类内间距和较大的类间间距,更适合小样本分类问题,且能用于不同的高光谱数据,具有更好的泛化能力。利用训练好的模型提取目标数据集的特征,然后结合最近邻分类器和支持向量机分类器进行监督分类。利用Pavia大学、Indian Pines和Salinas 3组高光谱影像数据进行分类试验,试验结果表明,该算法能够在训练样本较少的情况下（每类地物仅选取5个标记样本作为训练样本）取得优于传统半监督分类方法的分类精度。     

面向对象分类的特征空间优化

为提高图像处理效率, 探讨了面向对象分类的特征空间优化方法。以区域增长算法获得的对象为处理单元, 根据植被在IKONOS影像上的表征, 初步选择了6个形状、2个位置、17个光谱和6个纹理特征, 共计31个作为初始特征空间。首先根据每组中特征所代表的信息量和特征之间的相关性, 去掉与其他特征相关性强而方差较小的特征, 将特征空间维降到23；以识别城区植被为目标, 根据220个植被样本计算2—23维特征空间的类间J-M距离, 以最小J-M和平均J-M距离为依据选择最优特征空间, 将特征空间维降到14；最后利用     

属类概率距离构图的半监督高光谱图像分类

提出一种利用属类概率距离构图的半监督学习算法,并应用于高光谱图像分类。首先,该算法利用基于分类的稀疏表达方法来预估未标记样本的属类概率向量,然后,利用这个概率向量对描述数据相似性的距离函数进行改造,改造后的距离函数能有效扩大异类样本点之间的距离,在新的距离函数的度量下,每个样本点的邻域中可包含更多同类的样本点。最后,将该距离函数应用于半监督学习线性邻域传播算法和标签传播算法中。在Hyperion 和AVIRIS高光谱遥感图像上的实验结果表明：相比于传统的基于图的半监督学习算法,该算法能有效提高高光谱遥感图像分类精度。     

一种基于属性值变化程度定权的聚类算法

针对经典K-means聚类算法以欧氏距离作为相似度判断法则进行聚类划分,而未考虑聚类对象的各属性值对聚类划分的影响程度存在差异的问题,该文提出了一种基于属性值变化程度定权的聚类算法。通过采用Iris dataset数据进行实验,该算法相对于其他聚类算法获得了更好的聚类效果,且该算法适用于生物物种分类、遥感影像识别等工作领域,能提高聚类运算的精准度。     

Algorithms for geodesics

Algorithms for the computation of geodesics on an ellipsoid of revolution are given. These provide accurate, robust, and fast solutions to the direct and inverse geodesic problems and they allow differential and integral properties of geodesics to be computed.     

多目标缓冲区生成算法

通过凸角圆弧算法对单一目标缓冲区生成进行改进,解决了自相交和尖锐角的问题。对于含有内环的多目标缓冲生成也给出了具体的解决方案,给出方便、实用的多目标缓冲区生成算法。     

光线追踪遮挡检测算法

遮挡检测是真正射影像制作中关键的一步。本文根据光线追踪法遮挡检测的原理,将TIN数据分为基本面三角网和墙面三角网分别进行遮挡检测,对格网数据则采用光线与DSM表面的高程差值的变化规律来确定遮挡关系,从而得到改进的遮挡检测算法。实验证明改进后的算法能够准确地检测出复杂建筑物的遮挡区域。特别是格网数据的光线追踪遮挡检测更简单、更有效。     

自动建立结构化河网的算法改进

本文论述了结构化河网的特点及其计算机描述，详细介绍了自动建立结构化河网的算法。本文的重点在于对自动建立层次结构索引的算法研究，实验结果表明此算法严谨明了，编程简单，效果很好。     

并行化矢量多边形叠加算法研究

正空间数据规模的快速增长对传统地学分析方法提出了更高的计算效率和处理规模要求。作为核心的空间分析算法之一,矢量多边形叠加分析具有典型的高算法复杂性和计算密集性特征。随着计算机硬件和软件技术的进步,并行计算为提高多边形叠加分析的计算效率,扩大问题处理规模提供了有效手段。研究面向新型计算架构的多边形并行叠加分析算法对完善高性能GIS理论研究和实现方法,提升传统地学分析算法的计算效率具有重要的理论价值和实践意义。本论文针对多边形非拓扑叠加算法的并行化问题,在多种高性能计算环境下解决了     

TIN压缩技术方法研究

利用可视化开发语言C#,采用静态三角网算法,建立了一个能够独立运行的DEM数据压缩平台,实现了顶点聚合法和基于中心点的顶点消去法两种TIN压缩方法,着重比较了顶点消去法和顶点聚合法的特点,找出了在各中不同阈值和地形复杂程度情况下,两种方法的优点和缺点比较,并提出了在不同情况下可以适用的压缩方法。     

动力学模型自适应滤波算法研究

在全球导航卫星系统（global navigation satellite system,GNSS）动态测量中,常采用Kalman滤波进行导航解算。但是,载体运动的不规则性经常会导致动力学模型偏差增大,从而出现定位精度下降的问题。针对此,在实时估计协同转弯模型（coordinated turn,CT）转弯率的基础上提出了两种减弱动力学模型偏差影响的自适应滤波算法。一种是实时估计转弯率的CT模型与改进的椭球约束方程相结合的滤波算法;另一种是通过对载体运动规律的分析,推导了实时估计转弯率的三维转弯模型,提出了一种三维转弯模型与新息向量构造的自适应因子相结合的自适应滤波算法。实验结果表明,这两种算法在不同的机动情况下都能较好地控制动力学模型误差的影响,其精度明显优于标准Kalman滤波和CT模型与常速度模型相结合的滤波算法。尤其是第二种算法,不仅通过自适应估计提高了动力学模型的精确性,还通过自适应因子进一步控制了动力学模型扰动的影响,显著提高了动态导航解的精度和可靠性。     

两种细化算法的比较

线划地图的扫描数字化和矢量转换是人们极为关注的问题。从扫描到矢量转换的工作过程包括一个重要步骤——线划变细。本文着重比较了经典细化算法和快速细化算法,并对快速细化算法作进一步改进,以适合不同类型线图形的细化,从而提高线图形的识别率。     

基于特征的影像匹配算法性能评估

目前,针对影像特征匹配的算法有很多,但是对于不同地物特征的影像,无法准确地选取可适用的匹配算法。针对此问题,本文选取了四种稳健的算法SIFT、SURF、ORB、AKAZE,在四种不同地物特征的相似影像上进行特征点检测,之后结合不同的描述子进行影像特征匹配,并对所检测的特征点的重复率及其描述子进行适应性实验,以此来判断不同算法对不同地物特征的影像适应范围。实验数据表明:针对特征点适应性实验,AKAZE算法在各类影像上所提取的特征点相对比较稳定;针对特征点匹配实验,在影像不涉及旋转变化时,AKAZE与SIFT描述子结合进行特征点匹配,影像的匹配率显著提高;若要实现影像的旋转不变性,此时可选用SURF-SIFT、AKAZE。     

线状要素化简算法的分析与评估

线状要素是地图中量最大、形式最多样的要素,它们的化简在自动制图综合中非常重要。目前对线状要素化简的算法研究较多,但其化简质量却少有研究。针对化简算法的基本要求,提出了易于操作的评估化简算法质量的6个方面:面积差、弯曲度、最大拐角比率、化简变化趋势、化简结果一致性和自相交性。通过大量实验,比较了Douglas-Peucker等算法的化简效果,最后对化简中的自相交问题提出了相应的改正措施。