����شŵ͵�λ�Ƴ����һ�ֿ��ܻ���

????????????????????????????1998-01-10???????????o????Ч?????????????????????????λ?????????Ч?????????仯???????о?????????????????Ч?????????仯????“???λ??”????????????????????仯?????????????Ч????????仯??????????λ????????????????????     

��·��ЧӦ�ֶη��淽��

????·??Ч??????????????????????·??Ч?????????????????????????????????????????·??Ч?????г????????????????????????????????????????????????????б????о????????????????????????г?????????·??Ч????з?????????е????????????????????г????????     

�ش��ڡ���Դ�����뼰��ǿ��ǰ�ڡ���Դ��������ϵ���ݻ�����

?????????????????????????1997??11??8?????????????o????Ч?????????????????????????λ?????????Ч????????仯??????????????????????Ч?????????仯????????λ?????????????????????????Ч????????仯??????????λ????????????????????     

MKL��OpenMP��˲����㷨����߽׵�����������Ч�ʷ���

??OpenMP??????????Intel Math Kernel Library10.2??????????????????????????????????????????Ч??????????????1?????????????????γ??????????????????OpenMP????????????洢???????????????????????С??2???????????????????????????????γ?????????MKL?????????????Ч?????3??MKL??????Ч???????OpenMP????4?????????OpenMP??MKL??????????????????????????????????Ч???     

GPS��̬���β����еĶ�·��ЧӦ�����о�

?????????Χ??????????????GPS??·??Ч????к??????????????????β????е?GPS??·??Ч?????????????????????????????顣???????????????μ???е??·??Ч?????????г??????????????????????????????????????????????????????????????????????????????????????????t????????????????????·??Ч??????????????GPS???????????????30%?????     

SAR����ͼ�˲�����λ����㷨�Ƚ��о�

??L ^P ????????￡?????????λ???????????????????о?????????????3???????????????????????Bam?????????SAR??????????????????????????:Goldstein?????????Ч???????е??????????,??????????????Ч??????????????????????L ¹?????????????????????????????Ч?????L ²?????????????????????????Ч?????L ⁰????????????????????????????????????????????????????????     

��ͬ��������µ���Ƶ����̽�����޸��㷨�о�

?о?????????????????????????--α??/?????λ??????MW?????????λ???????????????????????????????????????????????????????????????￡????????????????????????????????????????????????????Ч?????????????????????У?????????????С??10 s??????????????MW?????????λ???????????Ч?????????????????????     

����GPS��վ����в����е�ARMA��ģ�����о�

??GPS???????в????????????????ARMA?????????佨???????Box-Jenkins??????Pandit-Wu???????????????????????????????????,???в??????????????????????Ч??????????????????????????????Pandit-Wu???????Ч???????Щ,???в??????Box-Jenkins?????????1/3??????????????     

��ͨ��·��������Ӧ��׮���ȵĽ�һ���о�

??????????????????????λ?????????????????????·?????????????????λ?????????λ?????????λ????????????????????????????????????????????????,?????????????Ч??     

Web Services�ֲ�ʽ�����ڴ��ģ��ƽ���е�Ӧ��

??????????????????????????????????????????????????????????????????????м???????????????Web Services??WS???????????????????????????????????Ч????????м????????????????????.NET???????????????Web?????????????????????м?????????Ч???????????????WS???????????????????Ч?????????????????     

复杂背景下提高精度的眼睛定位方法

提出了一种在基于肤色的人脸检测中通过进行相似度计算来实现人眼特征提取和定位的算法.其目的是在较复杂的背景环境下对静态图片中的人脸进行检测,找出脸部区域并对该人脸进行眼睛定位.先进行肤色分割来完成人脸的区域检测,然后在检测出的人脸范围中利用人脸的几何特征进行快速的眼睛定位.在人脸区域检测过程中使用均值滤波提高人脸区域定位的准确度.实验结果证明,这种方法是准确的、可靠的和快速的.     

一种球形立体全景的三维量测算法与实验

全景可为观察者提供某一地点360度方位的景观浏览,已广泛用于街景建模、数字校园等。但这类全景影像目前还缺乏对场景中目标的量测分析,不具备可量测性。而已有的三维全景重构方法采用了常规的多方位影像序列,影像之间定位计算复杂,需大量控制点,并结合光束法平差解算,虽然结果较好,但因其复杂不适于一般性景观浏览中量测应用。事实上,全景本身即是一种建模表达方式,可提供全方位景观浏览,其获取数据便捷,表达方式简捷,如果具备可量测性,则可为3D GIS提供一种较好的景观表达方法,作为对现有三维对象建模方式的补充。本文提出一种简便的立体全景的三维量测方法,通过构建球形全景投影下的相对定向、绝对定向及量测等算法解决景观浏览中的量测性问题。实验以实地采集的全景影像数据为背景,阐明球形全景三维模型构建的方法与计算过程,并对所提出的算法进行了有效的验证。     

数字钻孔全景影像中结构面特征智能识别方法

数字钻孔全景影像是识别深部岩体结构面的主要方法,传统解译方法主要依靠手动操作完成,其结果存在较强的人为性、主观性和较大误差。针对数字钻孔全景影像技术,提出了一种考虑结构面图像灰度分布特点的智能识别新方法。通过钻孔图像的灰度化、降噪预处理后利用结构面定位信号特征值D定位结构面,获取其所在区域图像;再进行边缘检测、阈值分割及形态学等处理,通过拟合边缘曲线并结合数学表征方法实现了结构面特征(产状、隙宽等几何参数)的智能化识别。通过对地下水封洞库工程深部岩体数字钻孔影像的实例分析,运用本智能识别方法获得结构面特征信息相对于传统人工识别方法,其结果的准确性和客观性更强、批量识别效率更高。这对这数字钻孔影像的智能、快速识别具有一定的参考价值。      

球形全景影像核线方程推导及其应用

核线约束是影像在数字摄影测量中的一项核心技术,可限制同名像点的搜索范围,显著提高计算效率和可靠性。目前,核线约束在传统中心投影影像与卫星扫描影像上取得了广泛的应用,而全景影像具有不同的几何模型,核线模型的推导与应用存在很大的难度。以往实现全景三维重建方法大多通过不同方位影像,应用大量的控制点,结合光束法平差以实现构筑物三维重构,缺乏球形全景核线数学方程的推导及应用。鉴此,本文通过对球形全景影像的投影几何研究,基于共面方程建立该类影像的核线几何模型,推导出数学方程及其特性,为核线在球形全景影像中的应用提供了理论基础,实验表明该球形全景核线方程的正确性与可行性。     

基于超像元词包特征和主动学习的高分遥感影像变化检测

为解决高分辨率遥感影像变化检测中存在底层特征缺乏语义信息、像元级的检测结果存在“椒盐”现象以及监督分类中样本标注自动化程度较低,本文提出一种基于超像元词包特征和主动学习的变化检测方法。首先采用熵率分割算法获取叠加影像的超像元对象;其次提取两期影像像元点对间的邻近相关影像特征（相关度、斜率和截距）和顾及邻域的纹理变化强度特征（均值、方差、同质性和相异性）,经线性组合作为像元点对的底层特征;然后基于像元点对底层特征利用BOW模型构建超像元词包特征,并采用一种改进标注策略的主动学习方法从无标记样本池中优选信息量较大的样本,且自动标注样本类别;最后训练分类器模型完成变化检测。通过选用2组不同地区的GF-2影像和Worldview-Ⅱ影像作为数据源进行实验,实验结果中2组数据集的F1分数分别为0.8714、0.8554,正确率分别为0.9148、0.9022,漏检率分别为0.1681、0.1868,误检率分别为0.0852、0.0978。结果表明,该法能有效识别变化区域、提高变化检测精度。此外,传统主动学习方法与改进标注策略的主动学习方法的学习曲线对比显示,改进的标注策略可在较低精度损失下,有效提高样本标注自动化程度。     

基于Adaboost的高分遥感影像自动变化检测方法

基于监督分类的高分辨率遥感影像变化检测需要大量人工标注,且单个监督分类器难以适应高分影像中复杂多样的地表变化信息提取,检测结果中“椒盐噪声”严重、变化图斑破碎。因此,本文提出一种基于Adaboost集成算法、自动标注训练样本的变化检测方法。首先利用非监督分类方法完成变化初检,接着在初检结果中进行“非等距”区间采样自动获取均匀分布的训练样本;然后以Adaboost算法为集成框架,选择决策树桩、Logistic回归和kNN作为弱分类器,构建一种混合分类器集成系统,充分挖掘和利用高分影像中的空间信息以提升分类精度和分类器泛化能力,最后利用SLIC分割算法和空间邻域信息对像元级检测结果进行空间约束滤波,进一步提升变化检测精度。为验证本文方法的有效性,选取SPOT-5和WorldView-2影像为实验数据,结果表明本文方法能有效降低训练样本人工标注成本、提高变化检测精度。     

网上全景多视点实时浏览与快速传输系统

设计了一个面向虚拟旅游场景的网上全景多视点实时漫游与传输系统。该虚拟旅游系统是基于Flash3D技术进行了构架设计,对海量虚拟旅游全景图片的传输模式和传输策略进行了优化调度,从而使得虚拟旅游场景的网上浏览和传输变得更为流畅。该优化调度策略在湛江虚拟旅游系统中得到了很好的运用。     

高分遥感图像相对辐射校正中的伪不变地物自动提取和优化选择

相对辐射校正是遥感变化检测中重要的预处理过程,伪不变地物（Pseudo-Invariant Features,PIF）是多时相影像中相对不变的地物,是相对辐射校正中的重要依据。针对高分遥感图像变化检测中相对辐射校正的要求,本文提出了一个自动提取和优化选择PIF的流程和方法：首先计算两期图像的亮度、光谱特征和空间特征的变化向量,然后对各变化向量的像元值从低到高进行排序,经多数投票后提取PIF,最后使用“迭代线性回归—去除异常值”方法选择获得最终PIF。以2016年11月27日和2017年7月18日的2期“北京二号”高空间分辨率多光谱影像为例,选择地物占比不同的两个实验区对流程和方法进行了验证,并与多元变化检测和迭代加权多元变化检测的PIF提取方法进行了比较。使用两期WorldView-2影像和Landsat-8 OLI影像对方法的适用性进行了验证。结果表明：① 2个实验区提取的PIF精度分别为98.74%和98.71%,PIF像元合理分布于未变化区域、包括了影像中主要的地物类型;② 使用本文方法提取的PIF建立的相对辐射校正模型具有显著的线性拟合效果（p<0.000 1）;③ 本文方法考虑了图像亮度、光谱信息以及空间信息的差异,使用参数少,可操作性高;④ 与多元变化检测和迭代加权多元变化检测方法相比,本文方法提取的PIF更为合理,建立的辐射校正方程拟合效果更佳;⑤ 本文方法适用于具有相同波段设置的中、高空间分辨率光学遥感影像。     

基于张量投票和目标追踪的墙体裂缝检测算法研究

针对墙体裂缝对比度低、受噪声干扰严重等特点,提出了一种基于张量投票和目标追踪的墙体裂缝检测算法。在对原始影像进行二值化的基础上,利用张量投票的聚类思想,突出线性区域目标的强度,然后在突出的线性目标上选取特征点,对特征点进行追踪得到裂缝的大致位置,再反投到原始影像上。实验结果表明,该算法能够正确检测出墙体裂缝信息,且检测率较高,具有一定的通用性。     

多源遥感影像深度特征融合匹配算法

针对多源遥感影像之间成像机理不同、非线性光谱辐射畸变大以及灰度梯度差异明显等所导致的匹配困难问题,提出深度特征融合匹配算法(Feature Fusion Matching Algorithm, FFM)。(1)通过构建特征图金字塔网络提取影像深度特征,使用特征连接结构将语义丰富的高层特征与定位精确的低层特征互补融合,解决多源影像同名特征难以表征的问题并提高特征向量的定位精度;(2)对原始维度1/8的特征图进行交叉变换来融合自身邻域信息与待匹配影像特征信息,通过计算特征向量间的相似性得分得到初次匹配结果,针对特征稀疏区域,提出滑动窗口自适应得分阈值检测算法来提升匹配效果;(3)将匹配结果映射至亚像素级特征图,在小窗口内计算像素间的匹配概率分布期望值来检校优化匹配结果,提高匹配点对的准确性;(4)使用PROSAC算法对匹配结果进行提纯,有效剔除误匹配的同时最大限度保留正确匹配点。试验选取6对多源遥感影像,将FFM同SuperPoint、SIFT、ContextDesc以及LoFTR算法进行对比,结果表明FFM算法在匹配点正确率、匹配点均方根误差以及分布均匀度等方面远优于其他算法。将FFM匹...