基于互信息的机载LiDAR点云自动滤波处理特征选择

随着机器学习的发展,在LiDAR滤波处理中找到一个适用于所有地形的高效高精度滤波算法是我们一直追求的目标。现在,越来越多的学者致力于提取多个特征进行滤波计算。在选择的特征中难免出现冗余等现象,影响计算效率和滤波精度。本文基于机载激光雷达特有的高程精度优势,采用高程互信息作为测度去判断所选择特征的优劣。经过实验,验证了本文所用方法能够有效剔除自动滤波选特征中的冗余特征。     

图像地理定位研究进展

图像地理定位是将没有地理位置的图像,通过一系列方法获得对应地理位置,使其与现实地理空间建立关联映射的技术。该技术对进一步挖掘图像信息有着重要的作用,在网络空间测绘、情报获取、用户室外定位、增强现实等方面具有较高的应用价值。尽管计算机视觉领域取得了巨大的进展,但是由于图像地理定位涉及到图像特征提取、大规模数据检索、大规模点云处理、深度学习、地理信息特征提取、几何建模与推理、语义场景理解、基于上下文的推理、多数据融合应用等多个领域,所以对图像的高精度自动地理定位仍是需要进一步解决的难题。本文对图像地理定位研究进展进行了梳理,主要包括图像地理定位方法、图像地理定位数据集、图像地理定位评价方法和图像地理定位总结与展望4个方面。首先按照研究内容相关性将图像地理定位方法分为了图像检索、2D-3D匹配和跨模态检索3类方法,并详细介绍了每一类方法的最新研究进展;其次对图像地理定位研究所用的数据集和评价方法进行了归类与总结;最后分析了图像地理定位的研究现状,并从全球地理定位、自然区域地理定位、多方法融合地理定位、基于POI数据的地理定位和预选位置的精细化定位等方面对图像地理定位的未来研究方向进行了展望。     

基于分组LM算法的全波形LiDAR高斯分解

LM(Levenberg-Marquardt)算法是全波形机载激光雷达(Li DAR)数据高斯分解中求解模型参数的一种方法。针对其结果在一定程度上依赖初值、雅克比矩阵出现非数值导致无结果等问题,本文提出分组LM算法,以广义高斯混合函数为模型,模型参数初始化后,将参数分组并使用LM算法依次对各组参数进行优化,并生成点云。为验证结果的可靠性,以系统点云为参考,与基于改进的EM(Expectation Maximum)算法全波形分解法做对比。结果表明,本方法不仅得到较高质量的点云,而且得到回波位置和宽度等信息。