排序方式: 共有24条查询结果,搜索用时 78 毫秒
1.
针对高光谱影像分类面临的小样本问题,提出了一种深度少样例学习算法,该算法在训练过程中通过模拟小样本分类的情况来训练深度三维卷积神经网络提取特征,其提取得到的特征具有较小类内间距和较大的类间间距,更适合小样本分类问题,且能用于不同的高光谱数据,具有更好的泛化能力。利用训练好的模型提取目标数据集的特征,然后结合最近邻分类器和支持向量机分类器进行监督分类。利用Pavia大学、Indian Pines和Salinas 3组高光谱影像数据进行分类试验,试验结果表明,该算法能够在训练样本较少的情况下(每类地物仅选取5个标记样本作为训练样本)取得优于传统半监督分类方法的分类精度。 相似文献
2.
针对国产卫星境外定位的实际需要,提出利用Google Earth数据量测控制点辅助高分辨率遥感影像区域网平差的方法。首先统一坐标系,将所量测的控制点高程坐标转换为大地高;然后将其视为精度较低的控制点参与平差。试验分为无地面控制点和布设稀少地面控制点两种情况,对于每种情况分别设计不同的试验方案分析Google Earth数据对于定位精度的影响。结果表明利用Google Earth数据辅助区域网平差可以明显提高定位精度,可为缺少地面控制点的境外地区的光学线阵遥感影像几何定位提供新的思路。 相似文献
3.
4.
5.
针对高光谱影像分类问题,提出了一种显著性特征提取方法。首先,利用超像素分割算法将高光谱影像3个相邻波段分割为若干个小区域。然后,基于分割得到的小区域计算反映不同区域的显著性特征。最后,沿着光谱方向采用大小为3、步长为1的滑窗法获得所有波段的显著性特征。进一步将提取的显著性特征与光谱特征进行结合,并将结合后的特征输入到支持向量机中进行分类。利用Pavia大学、Indian Pines和Salinas 3组高光谱影像数据进行分类试验。试验结果表明,与传统的空间特征提取方法和基于卷积神经网络的高光谱影像分类方法相比,提取的显著性特征能够获得更高的高光谱影像分类精度,且结合光谱特征能够进一步提高分类精度。 相似文献
6.
针对现有特征法视觉SLAM只能重建稀疏点云、非关键帧对地图点深度估计无贡献等问题,本文提出一种特征法视觉SLAM逆深度滤波的三维重建方法,可利用视频序列影像实时、增量式地构建相对稠密的场景结构。具体来说,设计了一种基于运动模型的关键帧追踪流程,能够提供精确的相对位姿关系;采用一种基于概率分布的逆深度滤波器,地图点通过多帧信息累积、更新得到,而不再由两帧三角化直接获取;提出一种基于特征法与直接法的后端混合优化框架,以及基于平差约束的地图点筛选策略,可以准确、高效解算相机位姿与场景结构。试验结果表明,与现有方法相比,本文方法具有更高的计算效率和位姿估计精度,而且能够重建出全局一致的较稠密点云地图。 相似文献
7.
针对遥感影像噪声通常由光学噪声和电噪声组成的特点,提出了一种基于压缩感知的混合去噪模型。该模型结合了压缩感知原理和自适应中值滤波算法,分别在小波域与空间域对影像进行去噪。实验结果证明了混合模型在有效抑制影像中噪声的同时,可以保持较高的信噪比和归一化方差,有较高的图像的纹理和边缘信息保持能力。 相似文献
8.
提出一种基于自适应M-S模型的遥感影像多特征融合的分割方法。首先结合改进的Sobel算子进行阈值化轮廓提取方法提取边缘信息;然后利用波段距离加权函数计算边权值,同时按照一定的原则加入边缘特征,采用最小生成树算法获得初始分割对象;最后在光谱特征和纹理特征的辅助下进行自适应M-S模型合并,合并后的对象即为分割结果。为了验证该方法的可行性,采用Quickbird影像和高分二号影像进行实验分析并对结果做出定性和定量评估。实验结果表明,基于自适应M-S模型的遥感影像分割方法的分割精度优于分形网络演化算法,同时分割速度也略有提升。 相似文献
9.
10.
格网单元的编码计算是全球离散网格系统的核心,支撑着网格快速索引及应用分析的高效计算。Hilbert曲线具有聚簇性高、连续性强的特点,是研究设计全球离散网格编码的重要工具。利用Hilbert曲线进行格元编码实现了坐标等效降维表达,但是对Hilbert曲线不同层级之间的变换关系、一维Hilbert码如何刻画格元多维空间结构与关系等网格编码基础理论问题的研究尚不完备。本文以八叉树立体网格中三维Hilbert曲线层级演进关系为突破口,使用状态矩阵与演进矩阵构建层级演进模型,进而分别设计笛卡儿坐标至Hilbert码计算以及邻近格元Hilbert码计算方法。与现有算法对比,本文算法以层级演进模型为理论基础,避免了烦琐迭代步骤以及转换步骤,算法流程简明直接。试验结果表明,本文笛卡儿坐标至Hilbert码计算效率较迭代算法提高为7%~23%,邻近格元Hilbert码计算效率较转换算法提高4.0~4.5倍。 相似文献