基于CNN-CBIR的遥感图像分类检索方法

遥感图像海量性、复杂性与多样性特征导致现有方法出现查全率、查准率低的问题,无法满足现今遥感图像应用的需求,故提出基于卷积神经网络-图像检索(Convolutional Neural Networks-Content-Based Image Retrieval,CNN-CBIR)的遥感图像分类检索方法研究.为了精确分类遥感图像,基于卷积神经网络-深度卷积神经网络-16(Convolutional Neural Networks-Visual Geometry Group Net-16,CNN-VGGNet-16)模型提取遥感图像卷积特征与池化特征,通过有效融合得到遥感图像高层聚合特征,以此为基础,采用模糊分类算法分类处理遥感图像,依据遥感图像分类结果,利用基于内容的图像检索(Content-Based Image Retrieval,CBIR)技术制定遥感图像分类检索程序,实现了遥感图像的分类检索.选取数据集图像遥感数据集(UC-Merced)与武大遥感数据集(WHU-RS)作为实验数据集,确定最佳池化区域尺寸与最佳输入尺寸,采用MATLAB软件进行仿真实验.仿真实验数据显示:与标准数值相比较,提出方法的查全率与查准率较高,充分说明提出方法具备更好的检索性能.     

顾及地理语境的旅游轨迹停留点语义标注

轨迹数据作为典型的时空大数据，具有较高的研究和应用价值。然而现有的轨迹数据挖掘主要聚焦于轨迹的空间特征，而较少关注轨迹数据语义的深度分析。本文面向智慧旅游服务的需求，重点探讨了旅游轨迹的轨迹停留点语义的自动标注问题。首先，针对POI短文本的特点，提出了基于《同义词词林》进行短文本语义扩展的方法对POI短文本进行特征扩展；同时，在顾及POI短文本的关键词集中、类别词分散等特征基础上，提出了改进TF-IDF的POI自动分类方法；其次，在POI分类的基础上，采用Native Bayes方法对轨迹停留点进行语义标注。结果表明，基于改进TF-IDF方法的POI自动分类可以达到约83%的精度，能够较好地实现POI的分类；而在POI自动分类基础上，基于Native Bayes的轨迹语义标注可以达到74%的精度，较好地实现了旅游轨迹停留点自动语义标注的目标。     

基于pLSA和Topo-MRF模型的SAR图像分类算法研究

针对大多数分类方法未能同时考虑图像与特征、类别与特征、类别与类别之间关系的问题,提出了一种基于潜在语义分析(pLSA)和拓扑马尔可夫随机场(Topo-MRF)模型的合成孔径雷达(synthetic aperture radar,SAR)图像的分类算法。实验结果证明了该算法的有效性。     

基于2D-3D语义传递的室内三维点云模型语义分割

针对现有三维点云模型重建对象化和结构化信息缺失的问题,提出一种基于图模型的二维图像语义到三维点云语义传递的算法。该算法利用扩展全卷积神经网络提取2D图像的室内空间布局和对象语义,基于以2D图像超像素和3D点云为结点构建融合图像间一致性和图像内一致性的图模型,实现2D语义到3D语义的传递。基于点云分类实验的结果表明,该方法能够得到精度较高的室内三维点云语义分类结果,点云分类的精度可达到73.875 2%,且分类效果较好。     

基于语义特征和贝叶斯网络的航空影像建筑物及灌木分类

提出一种基于分类的语义特征提取模型,并在航空影像建筑物及灌木分类应用中进行尝试.实验与分析表明,通过图像的底层特征来提取简单的语义特征是可行和有效的,提出的方法可以进一步提高影像分类的精度.     

综合多特征的极化SAR图像随机森林分类算法

为抑制相干斑噪声对极化SAR图像分类结果的干扰,本文提出一种综合多特征的极化SAR图像随机森林分类方法。该方法首先利用简单线性迭代聚类(SLIC)算法生成超像素作为分类单元;然后,基于高维极化特征图像,利用训练好的随机森林模型,统计决策树的分类投票数,计算各超像素的类别概率;最后,利用超像素间的空间邻域特征,采用概率松弛算法(PLR)迭代修正超像素的类别后验概率,并依据最大后验概率(MAP)准则得到分类结果;实现综合利用超像素和空间邻域特征,降低相干斑噪声干扰的极化SAR图像分类方法。实验对比结果表明:本文方法能得有效抑制极化SAR图像中相干斑噪声的干扰,得到高精度且光滑连续的分类结果。     

基于角色标注的中文POI名称语义分类方法

针对现有中文兴趣点POI(points of interest)分类的不足,分析POI名称的结构特征,利用中文文本处理、语义相似度计算方法,提出一种基于角色标注的中文名称语义分类方法,提高POI分类的精度。     

模态间匹配学习的高光谱和激光雷达联合分类

如何有效地提取和融合不同模态的特征是高光谱图像和激光雷达数据联合分类的关键。近年来,得益于深度学习强大的特征学习能力,其在高光谱图像和激光雷达数据联合分类领域受到了越来越多的关注。然而,现有的深度学习模型大多基于监督学习的模式,分类性能依赖标注样本的数量和质量。为此,本文提出了一种基于模态间匹配学习的联合分类方法,充分利用未标注样本的信息,减少对标注信息的依赖性。具体而言,本文首先通过高光谱图像和激光雷达数据之间的匹配关系和KMeans聚类算法,构造模态匹配标签。然后,利用该标签训练含有多个卷积层的匹配学习网络。该网络由两个并行分支构成,每个分支负责提取单个模态的特征。最后,以该网络为基础,构造高光谱图像和激光雷达数据联合分类模型。该模型的参数由匹配学习网络进行初始化,因而只需要少量标注样本进行微调即可达到理想的分类效果。为了验证本文方法的有效性,在Houston和MUUFL两个常用的高光谱图像和激光雷达数据联合分类数据集上进行了大量的实验。实验结果表明,与已有的分类模型相比,本文方法能够获得更高的分类性能。     

半监督条件随机场的高光谱遥感图像分类

善于捕捉空间信息的条件随机场模型虽然已被应用于高光谱遥感图像分类,但条件随机场的性能受到了标注训练样本数量的制约。为解决上述问题,本文提出了一种半监督条件随机场模型用于高光谱遥感图像分类。在该模型中,首先,利用空间-光谱拉普拉斯支持向量机定义关联势函数,以利用未标注样本中包含的信息获取样本类别概率;然后,在交互势函数中嵌入未标注的空间邻域样本,以充分利用空间信息实现对样本类别概率的修正;最后,采用分布式学习策略和平均场完成半监督条件随机场的训练和推断。本文在两个公开的高光谱数据集(Indian Pines数据集,Pavia University数据集)上进行了实验。实验结果表明Kappa系数提升3.94%。     

基于核PCA方法的高分辨率遥感图像自动解译

针对基于像元的高分辨率遥感图像自动解译存在的缺点,提出一种分三步走的高分辨率遥感图像自动解译技术流程:首先采用核PCA进行特征提取,然后采用支持向量机(Support Vector Machine,SVM)进行分类,最后采用择多滤波器进行分类后处理。通过对覆盖西藏山南地区的IKONOS图像的解译实验表明,本文方法能够有效地实现遥感图像自动解译,其结果与人工目视解译图基本一致,取得了理想的效果。     

细节层次简化建模在地图可视化中的应用研究

层次细节简化(LOD)是一种有效控制地图模型复杂程度,提高可视化效率的重要方法,其模型算法的研究是地图可视化表示技术的关键技术之一.主要分析了LOD的三种应用类型,重点就可视化中地图图层、点、线、面、注记的LOD模型建立进行了探讨研究.     

提高GIS中居民地要素层可视化效果的研究

GIS矢量数据中的居民地要素层可视化一直是GIS用户重点关心的问题。文中从居民地快速自动取舍、多级动态符号管理、注记显示完整性等方面对居民地可视化进行了研究,提出了“扩展虚拟浮动圆法”用于集群状居民地的自动取舍、“多级动态符号管理机制”代替传统的静态地图符号以及“标注与地理对象相结合法”用于解决注记的完整性显示,三者相结合在实践中予以综合使用,较好地解决了多幅图背景下的任意比例尺居民地要素层快速、美观、高质量的显示问题。     

高分辨率SAR与光学影像联合调绘研究

为解决地形图测绘中外业调绘效率低问题,在分析SAR影像与光学影像特点基础上,利用高分辨率机载SAR影像与Google Earth影像联合调绘方法,进行1∶5 000地形图调绘实验。通过层次分析法对SAR影像、Google Earth影像以及联合调绘方法的工作量进行对比分析。结果表明:联合调绘方法能大大减少外业工作量,缩短作业时间。     

提高GIS中居民地要素层可视化效果的研究

GIS矢量数据中的居民地要素层可视化一直是GIS用户重点关心的问题.文中从居民地快速自动取舍、多级动态符号管理、注记显示完整性等方面对居民地可视化进行了研究,提出了"扩展虚拟浮动圆法"用于集群状居民地的自动取舍、"多级动态符号管理机制"代替传统的静态地图符号以及"标注与地理对象相结合法"用于解决注记的完整性显示,三者相结合在实践中予以综合使用,较好地解决了多幅图背景下的任意比例尺居民地要素层快速、美观、高质量的显示问题.     

基于EV-Globe的三维地理信息系统研究

主要研究实现多尺度、多分辨率、不同时期、海量影像数据的快速加载,通过建立域地理三维演示系统,整合了三维模型场景数据、DEM、DOM等数据,实现了直观的全空间三维可视化、海量多元数据集成逼真的三维场景显示的特性、快捷的二三维一体化应用、高效的三维模型渲染与分析、矢量和影像文件的客户端直接加载,实现了城市DEM和DOM的快速加载、三维场景的对比浏览和地下镜头浏览、自然效果的模拟、地理位置的标注、城市场景的飞行浏览以及空间距离面积的测量、各种应用的分析及查询等功能,在将来的研究中,将根据城市建设及规划应用的需求,发挥三维立体展示优势,研究建设、规划辅助系统。     

基于城市POI的遥感影像渐进压缩技术

传统栅格影像均采用简单的、由低分辨率到高分辨率的像素级渐进压缩模式,较少考虑到用户需求特征和知识,因此,文中利用POI数据特点及图像感兴趣区编码特性,提出一种基于城市POI的遥感影像渐进压缩思想:首先根据大量的POI数据分析挖掘用户关注的热度信息,建立兴趣场,并以此确定遥感影像的感兴趣区域,然后综合SPIHT算法与Maxshift算法对遥感影像进行渐进压缩编码。实验结果表明,该方法在低码率下仍可以高质量保留图像所含重要信息,能够很好地满足用户的需求,实现了知识层级的遥感影像渐进压缩,有效提高图像压缩编码的实用性和优越性。     

基于八剖面临近点计算法的三维可视化研究

首先获取遥感影像并进行几何校正与配准,再基于八剖面临近点计算法提取高精度的DEM,然后利用ArcScene的可视化功能,从而实现了影像数据的三维可视化显示。使用八剖面临近点计算法进行提取DEM,除了可以减少"阶梯"地形带的误差,还大大提高了地形的三维可视化的精度。     

遥感云计算平台原型系统设计与实现

针对现有的云计算平台成本和系统复杂度高、不适于在普通台式电脑进行部署的问题,结合系统设计思想和云计算相关理论,构建了遥感影像云计算平台原型系统。该系统框架结构划分为系统依赖库、物理资源层、系统实体层、应用支持层、遥感应用层和用户界面层,包括云存储、云计算和数据可视化等三个子系统。实验结果表明:该系统可以在普通桌面电脑上进行部署,并且支持遥感影像的存储和处理,验证了基于云计算的海量遥感影像存储和处理关键技术,为遥感影像高效存储与快速处理提供了必要的现实支撑和理论参考。     

深度学习遥感图像标注系统研究

随着深度学习的发展,遥感影像处理技术也从传统机器学习算法向深度学习转变,然而,用于遥感图像的训练数据集却十分稀少,且数据标注困难。本文将GIS技术与图像标注技术相结合,基于Flask Web框架设计一个可用于海量遥感数据的标注系统。该系统可用于海量遥感数据的数据框标注、数据类别标注,以及目标关键点标注,同时能将标注数据导出为深度学习训练最常用的COCO数据集和VOC2007两种格式。     

退化四叉树格网的全球多分辨率DEM无缝表达

为了实现全球多分辨率地形快速、高效模拟与可视化表达,本文探讨了基于球面退化四叉树的全球多分辨率DEM无缝建模方法,主要内容包括：提出了一种基于球面退化四叉树的全球DEM分块建模方法;设计并实现了四叉树块内（相邻节点间相差任意剖分层次）、四叉树块间、四叉树与非四叉树块间的自适应无缝拼接算法;应用VC++语言和OpenGL工具,设计开发了相应的可视化实验系统,结果表明：该模型方法实现了全球多分辨率DEM的无缝表达,并在保证精度的同时有效简化了全球DEM格网的数目,简化效率为66.8%（剖分层次为12）。