面向多波束测深数据的双向布料模拟自动滤波算法

针对现有多波束测深数据的滤波算法需要人工干预且难以实现自动滤波的问题,在布料模拟滤波基础上,提出了一种基于双向布料模拟(bidirectional cloth simulation filtering, BCSF)的多波束测深数据滤波算法。首先,基于二次曲面（Levenberg-Marquardt）算法拟合构建传递式迭代趋势面,消除海底负异常数据;然后,构建BCSF修正模型,确定最终海底滤波面,解决海底凹凸地形或具有成簇噪点的复杂海域地形容易产生的过度滤波问题;最后,对分类海底点与非海底点的距离阈值进行了自适应优化与估计,进一步提高BCSF滤波结果的准确性。将所提算法应用于实测多波束测深数据,实验结果表明,与布料模拟滤波相比,所提算法不仅克服了过度滤波的缺陷,而且实验区域的整体测试数据的噪点剔除率从12.87%下降到0.76%,局部测试数据的噪点剔除率从15.29%下降到1.09%;与基于不确定度理论的多波束测深滤波相比,所提算法更加简洁,易于技术实现,人工干预很少,保留了更多的地形细节,具有较好的鲁棒性和应用前景。     

利用BP神经网络剔除多波束测深数据粗差

针对多波束单ping水深数据多呈现较为复杂的曲线形式的现象，提出了基于逆传播（back propagation，BP）神经网络的多波束测深数据粗差剔除方法，即依据BP神经网络具有从输入到输出的映射功能，构建适应多波束单ping水深数据复杂曲线的训练学习算法进行曲线拟合。考虑地形之间的延续性进行相邻ping水深数据间的相关性分析，纵向检查定位并剔除粗差。通过实测多波束测深数据验证该方法的有效性，并与不确定性与测深学联合估值滤波以及交互式滤波方法进行比对分析，结果表明该方法可以有效剔除多波束测深数据中的粗差。     

基于多分辨率层次分类的机载LiDAR点云滤波方法

针对复杂地形环境滤波的需求,提出一种具有较强抗差稳定性的多分辨率层次分类滤波算法。该方法首先对原始点云数据进行格网化,主要通过设置格网分辨率值将数据分为3个层次,在每一层通过改进的局部最小值法选取初始地面种子点;然后利用薄板样条函数迭代内插生成栅格曲面,根据定义的残差阈值判定方法,完成点云的分类;分离出的地面点作为下一次迭代的种子点用于构建栅格曲面。利用ISPRS提供的15个训练数据对该方法进行实验,将实验结果与8种经典滤波算法进行对比分析,证明该方法在适应不同地形环境方面具有较强的稳健性。     

基于距离限制的机载激光数据滤波方法

提出了基于距离限制的滤波算法，利用地物在三维空间的距离特性提取地面信息，并对可能影响算法稳健性的侧面信息提出角度判决的概念。试验表明，本文方法在处理复杂城市地形时，能很好地保留地面的细节信息，剔除低矮植被等非地面信息。     

考虑自然邻点影响域的多波束测深数据趋势面滤波改进算法

针对传统趋势面滤波法在多波束测深数据粗差探测方面存在曲面拟合函数不确定、滤波不彻底以及部分水深点被不合理剔除的问题,通过引入散乱水深点局部最小范围——自然邻点影响域的概念,提出一种基于自然邻点影响域的多波束测深数据趋势面滤波改进算法。首先,通过对自然邻点影响域内的局部曲面进行分析,构造了影响域内特定局部坐标系下的统一曲面拟合函数;然后,利用该统一曲面拟合函数按照所提传递式迭代趋势面滤波法进行顺次迭代,逐步滤除影响正常水深点判定的粗差数据;最后,根据突变地形边界点在其相邻邻域地形内连续性不一致的特性,建立了面向突变地形边界点的判断准则。试验结果表明：该改进算法可适应不同复杂程度的海底地形,有效剔除多波束水深数据中的粗差点,同时对实际海底地形中的正常水深点和各种特殊水深点进行保留,显著提高了海底地形表达的精度。     

基于趋势面的多波束测深粗差剔除研究

多波束测深的过程会受到多种因素的影响,必须对测深数据进行粗差剔除,以便获得能够真实反映海底地形的测深数据。简要介绍多波束测深数据粗差剔除方法,基于趋势面滤波进行实践验证,针对不同的地形,给出了较适用的滤波模型。     

多波束测深数据的抗差Kriging 拟合

针对普通Kriging法处理多波束测深数据受异常值影响的问题,推导了变异函数样本值的抗差计算公式来消除异常值对变异函数拟合的干扰。利用实测数据对算法进行实现,验证了其在精确估计和检测异常方面的优势。进一步采用该算法对数据进行规则格网的构建,将其与人工剔除异常生成的格网比较,获得了一致效果,证明了算法在自动检测异常的同时生成高精度海底地形规则格网的可行性。     

二次CUBE滤波算法及在边坡乱石区测深数据处理中的应用

针对传统CUBE（combined uncertainty bathymetry estimation）算法在水下边坡乱石区多波束测深数据滤波中表现出的水深估计不准确、地形特征模糊和粗差剔除能力不足等问题,基于乱石区测深数据特点,提出二次CUBE滤波算法,给出了位置和水深同步估计的思想和方法、顾及地形梯度的平面和水深不确定度传递模型、参考水深的多重估计和优选新算法,以及顾及地形梯度的二次水深估计模型,综合实现了乱石区水深的准确估计和粗差的自动准确检测。试验表明,本文给出的方法实现了粗差的自动准确剔除,提高了传统CUBE算法水深估值的精度,算法效率和抗差性更强,形成的地形特征更加准确。     

机载LiDAR测深点云SVB联合滤波算法

机载LiDAR测深(airborne LiDAR bathymetry, ALB)数据质量受海面破碎波浪、水体浮藻、鱼群及海底二次回波等多种因素影响。为剔除这些干扰产生的噪点,本文提出一种顾及水面、水体和水底(surface, volume, bottom, SVB)的联合滤波算法。针对水面噪点,通过构建双层布料模拟滤波模型分离水面点云;针对水体噪点,采用SOR(statistical outlier removal)滤波器剔除水体离群点;针对靠近地形主体的小尺度水底噪点,通过构建移动趋势面模型进行去噪平滑。为验证本文所提ALB滤波算法的性能,采用青岛胶州湾海域RIEGL VQ-840-G无人机载LiDAR测深数据进行验证,试验结果表明：SVB联合滤波算法对水面、水体、水底噪点一体化处理总体滤波精度和Kappa系数分别能够达到97.45%和0.947,在保证准确率的同时具有较高的效率。本文所提滤波算法可以较好地解决ALB点云滤波问题,能够为ALB测深数据点云滤波提供有效的解决方案。     

图论算法的无人机影像匹配特征点粗差剔除

无人机影像匹配过程中，粗差是不可避免的，因此，获取稳健性较高的特征点进行无人机影像匹配至关重要。传统的方法是采用经典的RANSAC算法进行粗差剔除，该算法受抽样次数、误差阈值的影响，还会残存部分误匹配的特征点。利用图论原理，对SIFT算法提取的特征点进行预处理，通过构建特征点的能量函数剔除能量较低的特征点，可以提高匹配特征点的稳健性，减少特征点的粗差。本文提出了一种新的方法，将图论算法与经典的RANSAC算法相结合进行粗差剔除。该方法命名为GSIFT-RANSAC算法，利用该算法可以提高特征点的稳健性，获取高精度的单应矩阵。采用两组无人机影像进行验证，本文提出的算法与单独利用图论剔除特征点的算法相比，粗差剔除率分别提高了5.31%和14.29%，说明该方法效果较好。     

面向单幅遥感图像的生成对抗网络超分辨率重建

利用低分辨率图像生成高分辨率图像的过程称为图像超分辨率,目的是得到一张清晰的影像。随着人工智能的蓬勃发展,在遥感、辅助文本识别等诸多领域,图像超分辨率的应用愈加广泛。本文利用生成对抗网络的深度学习模型进行单图像超分重建,SRGAN模型相较于传统方法,提出了新的感知损失函数,由对抗损失和内容损失组成。对抗损失通过训练判别器网络结构区分生成图像和实际高分辨率图像,而内容损失则利用预训练的VGG19网络模型计算图像特征的感知相似度,而不是在像素空间上的相似度。试验证明,利用SRGAN获得的高分辨率图片,MOS指标高于传统方法。本文围绕SRGAN的原理、效果、应用等进行了阐述。     

面向高光谱影像分类的生成式对抗网络

为了提高高光谱影像分类精度，提出了一种基于生成式对抗网络的高光谱影像分类方法。生成式对抗网络由生成器、判别器和分类器3部分组成，其中生成器用于模拟高光谱样本的数据分布，生成特定类别的样本；判别器是一个二值分类器，用于判断输入的样本是否为真实数据；分类器用于对输入的样本进行分类。利用反向传播算法依次更新生成器、判别器和分类器的网络参数使损失函数最小，从而达到训练网络的目的。生成器和判别器能够模拟高光谱影像的样本分布来辅助训练分类器，因此能够提高高光谱影像的分类精度。分别采用Pavia大学和Salinas高光谱数据集进行分类试验，试验结果表明提出的分类方法能够在小样本条件下提高高光谱影像的分类精度。     

基于生成对抗网络的建筑物损毁检测EI北大核心CSCD

建筑物作为自然灾害中最受影响的承灾体之一,其损毁信息的准确提取对灾后应急救援具有十分重要的意义。本文借鉴多模态的思想,提出了一种自动检测损毁建筑物的recursive-generative adversarial networks(RS-GAN)方法,将损毁建筑物检测分为灾前建筑物识别和灾后损毁建筑物检测两个任务,且分别在两个GAN分支中完成。RS-GAN加入联合损失函数将两个GAN分支进行连接,充分利用两个任务之间的潜在互利性提升检测效果。RS-GAN利用第1条GAN分支识别建筑物灾前形状与位置,并将识别结果作为第2条GAN分支的输入进行损毁建筑物检测任务,从而使检测结果具有更清晰的轮廓。该方法为端到端模型,在不需要过多的人工干预情形下,实现了损毁建筑物的自动检测。为了验证RS-GAN模型的效果,在圣罗莎和密苏里两个数据集上进行了测试。试验结果表明,RS-GAN方法拥有更好的检测性能,在圣罗莎数据集上的总体精度和平均精度分别达到了0.90和0.86。     

车辆轨迹数据的道路学习提取法

车辆轨迹数据的道路信息提取是地理信息领域的热点也是难点之一,深度学习的快速发展为该问题的解决提供了一种思路与方法。本文针对车辆轨迹数据的车行道级道路提取问题,引入深度学习领域的生成式对抗网络,利用残差网络构建深层网络和多尺度感受野感知轨迹数据不同细节特征,构建了基于条件生成式对抗网络的轨迹方向约束下车行道级道路提取模型。首先提出了朝向-颜色映射栅格化转换方法,实现轨迹朝向信息向HSV颜色空间的转换;然后利用样本数据学习模型参数;最后将训练模型应用到郑州、成都、南京3个试验区域提取车行道级道路数据。试验结果表明,本文方法能够有效地提取完整的车行道级道路数据。     

生成式对抗网络的高光谱遥感图像分类方法研究

针对基于深度学习的分类模型在训练样本较少时所遭受的潜在过拟合问题,提出一种具备过拟合抑制的生成式对抗网络分类算法,并应用于高光谱图像分类.该算法在每次迭代时,首先,依据训练样本的标签信息使判别器网络拟合训练样本的数据分布;然后对训练样本的高维特征进行均值最小化,该过程会重新更新判别器网络参数,减小参数的值和方差,以抑制...     

一种用于遥感影像语义分割对抗域适应方法

为利用已有标注的影像数据集实现对未标注遥感影像的语义分割,提出一种对抗域适应的方法。首先在生成对抗网络的基础上,利用基于香农熵的不确定图,进行域间的对抗学习,实现已标注的影像(源域)与未标注的影像(目标域)之间的迁移学习;其次为进一步提升模型的无监督学习能力,使用基于伪标签提纯的自学习策略。为验证所提方法的有效性,使用ISPRS提供的IRRG波段的Vaihingen数据集与RGB波段的Potsdam数据集进行实验。实验结果表明,与典型的域适应方法相比,该方法可以有效地提升网络的泛化能力,进而提高模型在目标域上的分割精度。