MAPGIS 6.5与AutoCAD 2004间的数据转换

本文详细介绍了AutoCAD 2004图件与MAPG IS 6.5图件相互转换的全过程,并就一些细节进行了说明。     

结合张量与互信息的混合模型多模态图像配准方法

多模态图像之间存在显著的非线性强度差异,并且图像会因为噪声而退化,因此,多模态图像自动配准是一项具有挑战性的任务.为了解决这两个问题,本文提出一种多模态图像自动配准方法,该方法分为预配准和精配准两个阶段.在预配准阶段,通过改进SIFT算法来大致对齐多模态图像.在精配准阶段,首先,利用块Harri s检测器在预配准后的参考图上提取均匀分布的特征点.然后,通过各向异性结构张量捕捉多模态图像中的结构信息来构建特征描述符,该特征描述符对噪声具有稳健性.更进一步,本文结合张量方向平行度和梯度互信息提出了一种相似度准则(tensor orientation and mutual information,TOMI).最后,本文用多种模态图像(包括Optical,LiDAR,SAR和Map)来评估提出的方法.试验结果表明,本文提出的方法对非线性强度变化和噪声具有较好的稳健性,并且匹配效果优越.     

基于SAR-SIFT改进的SAR图像配准

合成孔径雷达（SAR）图像配准时,由于受到乘性散斑影响,匹配算法的性能受到限制。SAR-SIFT使用ROEWA算子代替差分算法计算梯度,对SAR图像的散斑具有一定的稳健性。为了进一步抑制散斑噪声,本文提出了基于SAR-SIFT改进的SAR图像配准算法。利用非线性扩散滤波生成SAR图像的非线性扩散尺度空间,在非线性尺度空间不同尺度层上计算对应的SAR-Harris函数。为了使非线性尺度空间对散斑噪声具有稳健性,在其构造过程中的梯度信息采用ROEWA算子计算。此外,利用相位一致性信息去除初始关键点中由散斑引起的虚假点。多源、多极化、多时相的SAR图像试验结果表明,与SAR-SIFT算法相比,本文算法对散斑噪声更具稳健性,提高了图像匹配性能。     

卡尔曼滤波算法的灰色理论模型在变形监测中的应用

本文针对灰色理论模型在建模过程中受到随机扰动影响这一问题,提出了利用卡尔曼滤波处理建模数据的方法.经过实例检验,证明基于滤波算法的灰色理论模型在一定程度上可以提高预测值的精度,更好地反映了观测目标的变形趋势,在变形监测中具有一定的优势.     

一种ITRF框架坐标的间接测量方法

在大范围的精密工程与大地形变测量问题中,选择ITRF参考框架是一种具有现实意义的方法.在具体问题中有时不能直接利用GPS测量相关点位的坐标,或者由于各种原因导致直接利用GPS测量的ITRF坐标误差不能满足具体需要.针对这种问题进行分析,提出一种GPS测量与常规大地测量相结合进行测量大地坐标的方法计算ITRF框架坐标,并对相关重要问题进行分析与研究.     

灰色理论模型在矿区滑坡变形预测中的应用

灰色理论模型具有利用“少数据”、“小样本”的优点,使得其在滑坡预测分析中显示出极大的优势。利用矿区滑坡监测数据建立起GM(1, 1)模型,通过数据对比、验证和分析,证明了灰色理论模型能更好的反映观测目标的变形趋势。      

GIS与CAD数据转换的方法探讨

GIS与CAD之间的数据交换也就是相互的图形转换，实现其信息共享，这对地理信息系统数据更新及地图数字化工作意义重大。本文详细介绍了AutoCAD2004图件与MAPGIS6．5图件相互转换的全过程，并就一些细节进行了说明。重点阐述了编辑对照表文件来完成CAD数据向GIS数据的转换，GIS数据向CAD数据转换时GIS数据输出和DWG格式数据的显示问题，仅供读者参考。     

灰色-小波神经网络支持下对地铁工程沉降变形的预测

变形监测是安全化工程施工和管理的重要内容，贯穿于项目的设计、施工和运行，对监测的沉降数据进行处理，并预测沉降量，提前对工程作出安全预警，有很重要的实际意义。本文基于GM（1，1）灰色模型、小波分析和神经网络结合的相关理论，借助Matlab软件编程，建立了灰色-小波神经网络变形预测网络模型。结合工程实例，将建立的变形预测网络模型应用于累积沉降量观测数据，结果表明组合模型具有很稳定的预测效果，比单独的GM（1，1）灰色模型预测准确度高，且训练样本越多，预测越符合实际情况。     

测量观测值模拟的Windows时间函数方法

随机模拟法，是用来进行测量观测值模拟、粗差的探测与排除、可靠性与模型误差分析的一种有效方法．在这种方法中，生成的伪随机数随机性的好坏，是一个非常重要的问题，在很大程度上影响到模拟的现实性与可靠性．本文在分析常用实现方法的基础上，提出利用Windows时间函数生成正态分布随机数的方法，并以此形成一种新的简便有效的测量观测值的模拟方法，本文主要说明这种随机数的生成方法。     

基于层次分析和神经网络的机载LiDAR点云分类

在机载LiDAR点云数据处理中,由于机载雷达点云数据的离散性、不确定性等原因,导致点云分类上很难得到准确的结果。针对机载LiDAR点云数据分类问题,提出了基于层次分析和神经网络的机载LiDAR点云分类方法。根据机载LiDAR点云的数据特征以及不同地物的属性,采用层次分析法赋予每个点云一个二进制信号,然后采用后向传播神经网络(BP-ANN)对机载LiDAR点云数据分类。实验表明:这种方法能够从机载LiDAR独立数据源中分类出房屋、高大的树、低矮的树、道路等地物点云。