遥感图象的马尔柯夫随机场模型的纹理识别方法

本文讨论了马尔柯夫随机场图象模型及邻域选择方法,提出了8邻域5特征参数的马尔柯夫随机场图象模型以及一套完整而有效的特征参数的估计算法,将这些特征参数变成可视图象从而实现了视算。对8类不同纹理的标准图象进行分类试验,其识别(分类)的平均正确率达97.57％。     

一种新的基于Wold分解的纹理分析方法

针对纹理图像具有结构性和随机性的特点,提出一种新的统一的纹理描述方法。该方法基于Wold分解,在图像为均匀同质随机场的条件下,将纹理图像分解为结构性成份和随机性成份,用少量参数对纹理特征进行描述,为纹理图像的分割、检索、压缩提供了一个统一的纹理模型。     

利用梯阶中值选址模型进行区域机场群布局适应性研究

研究了中值选址模型和梯阶选址问题,提出了利用梯阶中值选址模型的区域机场群选址布局模型,并对广东省机场群布局的适应性进行了实证研究。在模型实验中,应用地理信息技术对模型进行了计算,结果说明了该模型及模型计算方法对区域机场群选址规划的应用价值。     

基于马尔可夫随机场的模糊c-均值遥感影像分类

针对模糊c-均值聚类方法对初始值敏感,且在聚类时忽略空间相关信息的不足提出一种基于马尔可夫随机场的模糊c-均值聚类方法,该方法用马尔可夫随机场来描述像元的空间相关性,形成顾及空间相关的模糊c-均值分类方法。初始值依据第一主成分的密度函数确定,既克服对初始值的依赖性,又在聚类的时候考虑空间相关信息。通过实例数据验证,所提出的方法分类精度优于传统的模糊c-均值模型。     

四川抗震救灾民航直升机救援气象保障

2008年5月12日14时28分四川省汶川县发生了里氏8．0级地震。面对非常之灾,做非常之应,民航局紧急决定调用民航系统所属直升飞机,以中国民航飞行学院广汉机场为基地,从16日起加入救援活动。为此,民航局空管局气象处立即决定组成临时气象台,支持广汉机场气象台,保障民航直升机救援任务的顺利完成。截止至6月22日,共保障各类直升机飞行1千多架次。     

基于分层模式的随钻地震数据处理软件系统体系结构研究

针对目前国内随钻地震数据处理技术研究的需求,提出了基于分层模式的随钻地震资料处理集成平台体系结构,依次针对框架内的数据存储和服务层、应用服务层、执行控制层和用户界面层等每层的主要功能进行了界定和说明,并给出系统实现。该系统集资料处理、数据管理、可视化于一体,既满足常规室内资料处理的需求,也适用于钻井现场的实时处理,对现场监控钻探过程,及时调整施工方案具有意义。     

全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取

条件随机场模型由于其较强的上下文信息建模能力,被广泛应用于建筑物提取任务中。然而,面对高分辨率遥感影像丰富的地物信息,基于条件随机场的提取方法存在建筑物边界模糊的问题。本文提出了一种全局局部细节感知条件随机场框架,该框架提出全局局部一体化D-LinkNet,在有效利用多尺度建筑物信息的同时保留局部结构信息,解决了传统条件随机场一元势能丢失边界信息的问题。同时,该框架融合分割先验以缓解建筑物类内光谱差异较大的影响,利用更大尺度的上下文信息来精确提取建筑物,并引入局部类别标记代价从而保持细节信息以获取清晰的建筑物边界。实验结果表明,该框架在WHU卫星和航空数据集上的精度评价指标均优于其他对比方法,其IoU分别达89.82%和91.72%,对于复杂场景下的建筑物信息能够获得较好的提取效果。     

随采地震监测数据采集控制软件开发

随采地震能够对工作面前方地质异常体进行连续探测和实时预报,成为近几年的研究热点,但是目前还没有能够在煤矿井下开展随采地震长期连续监测的装备及配套软件。为了解决这个问题,基于Microsoft Foundation Classes（MFC）开发框架,开发了一套随采地震监测数据采集软件,在室内、野外进行了为期3个月的联调测试,并且在贵州岩脚煤矿与井下随采地震监测设备开展了为期3个月的全面试运行。测试表明,软件实现了随采地震信号的高效采集、完全存储和处理软件的实时通信功能,具有运行稳定、操作便捷、处理高效、便于维护、无人值守等优点。      

基于卷积神经网络与条件随机场方法提取乡镇非正规固体废弃物

随着村镇经济建设发展,生活垃圾和工业固体废弃物造成的污染问题日益突出,已经成为制约新农村建设发展和生态文明建设的关键问题,而目前针对乡镇非正规固体废弃物的调查与统计主要依赖全国各乡镇相关部门逐级调查上报,工作量较大。本文基于高分辨率遥感影像,将深度学习模型和条件随机场模型相结合引入到乡镇固体废弃物的提取研究中,探索一种基于深度卷积神经网络的乡镇固体废弃物提取模型。由于固体废弃物在影像上表现为面积小,分布破碎等特点,为了提高工作效率,将模型特分为识别和提取2个部分：① 通过全连接卷积网络（CNN）对固体废弃物进行快速识别判断,筛选感兴趣区域影像块;② 在传统的全卷积神经网络(FCN)的基础上加入条件随机场模型(CRF)提取固体废弃物边界,提高整体分割精度。根据安徽、山西等地区相关部门上报固体废弃物堆放点以及住房与城乡建设部城乡规划管理中心进行野外检查的结果,实验最终识别精度达到86.87%以上;形状提取精度为89.84%,Kappa系数为0.7851,识别与提取精度均优于传统分类方法。同时,该方法已经逐步应用于住房和城乡建设部有关成都、兰州、河北等部分乡镇非正规固体废弃物的核查工作,取得了较为满意的结果。