大范围倾斜多视影像连接点自动提取的区域网平差法

提出了一种大范围倾斜多视影像自动连接点提取和光束法区域网平差算法。首先利用POS数据对倾斜影像进行矫正并预测候选像对,使用SIFT特征进行影像匹配;然后利用并查集数据结构实现多视影像间连接点对应关系的快速确定;最后将POS数据和控制点数据作为带权观测值进行平差解算。选取3种典型的倾斜相机系统(组装轻量级倾斜相机、国产SWDC-5相机、微软UltraCam相机)进行了试验,结果表明,本文算法能够适应国内外流行的倾斜摄影系统,且一次性可处理的影像数目超过2000张;在相同条件下倾斜影像光束法区域网平差的整体精度优于传统垂直摄影情形,实际精度可以达到水平方向0.75 GSD,高程方向2.0GSD。     

利用融合方法提升WorldView短波红外影像分辨率

WorldView卫星在8个可见光-近红外多光谱波段的基础上,新增加的8个短波红外（简称SWIR）影像,大大提高了地物信息提取能力。但短波红外影像分辨率与多光谱影像相比分辨率过低,影响应用效果。本文提出了一种结合主分量变换和非下采样小波变换的影像融合方法来提升WorldView短波红外影像的空间分辨率。定量指标和目视评价证明本文提出的融合方法具有较好的融合效果,能够在显著提升短波红外影像空间分辨率的同时很好地保持原始光谱特性。     

联合点云压缩的多特征融合点云语义分割方法

针对PointNet++对点云空间相关性特征提取能力不足,同时难以适用于大场景高密度LiDAR点云语义分割的问题,提出一种联合点云压缩的多特征融合LiDAR点云语义分割方法。首先利用点云压缩算法降低点云密度,并使用PointNet++提取简化点云的深度语义特征,再利用拟合算法计算完整点云的深度特征;之后提取人工设计的空间相关性特征与深度特征进行串联;最后利用随机森林算法对完整点云进行语义分割。通过在ISPRS提供的LiDAR点云语义分割标准数据集进行实验,证明提出方法的有效性,总体精度较PointNet++提升了5.3%。     

WorldView-3短波红外影像分类性能研究

WorldView-3卫星在8个可见光-近红外(VNIR)波段的基础上,新增了8个短波红外(SWIR)波段,大大提高了对地物信息的提取能力。利用随机森林分类方法分别对可见光-近红外8个波段影像和可见光-近红外-短波红外16个波段的影像进行实验验证;采用基于多尺度分割技术的面向对象方法对合理的特征空间进行实验与挑选。结果表明,引入SWIR波段后分类性能总体精度提升了3.78%,人工地物制图精度提升了5.65%,自然地物制图精度提升了2.88%;且允许识别特定类别(村镇中的红色低矮砖瓦房居民区),能保持地物较为完整的形状信息,可提高多光谱遥感影像的分类精度。     

利用融合方法提升WorldVeiw短波红外影像分辨率

WorldView卫星在8个可见光-近红外多光谱波段的基础上,新增加的8个短波红外(简称SWIR)影像,大大提高了地物信息提取能力.但短波红外影像分辨率与多光谱影像相比分辨率过低,影响应用效果.本文提出了一种结合主分量变换和非下采样小波变换的影像融合方法来提升WorldView短波红外影像的空间分辨率.定量指标和目视评价证明本文提出的融合方法具有较好的融合效果,能够在显著提升短波红外影像空间分辨率的同时很好地保持原始光谱特性.     

一种基于概率框架的遥感影像分割方法

基于区域增长的影像分割方法存在着种子选择和分割参数设置的难点。针对这两点,本文提出了一种基于概率合并框架的高分辨率遥感影像分割方法。首先,利用基于标记的分水岭变换和区域合并获得一个初始分割结果,避开种子点的选择;其次,利用初始分割所获得的具有一定大小的区域,计算统计、上下文和形状特征信息;然后,在贝叶斯准则的基础上,计算一个尺度无关的相邻区域间的合并概率,其应用于区域增长合并过程,合并概率具有直观统计意义,可以减少阈值确定的难度;同时由于区域的合并概率具有尺度无关性,可以在一次分割中成功地分割出不同尺度的地物;最后进行了试验,通过目视和定量分析及与eCognition分割结果的对比证明了本文算法的有效性。     

结合自注意力机制的多特征融合点云语义分割网络

由于三维激光点云的无序性、稀疏性、非结构性以及光谱纹理信息缺乏，使得点云的语义信息提取十分困难，而可以直接对原始非结构化点云进行语义分割的PointNet++网络无法考虑点云的空间相关性。针对这个问题，本文提出了一种结合自注意力机制的多特征融合点云语义分割网络，使用PointNet++和非局部信息统计注意力模块分别提取点云的多尺度特征和空间相关性特征，并融合两种特征以进行最终的点云分割。通过在ISPRS 3D语义分割数据集上进行对比实验，证明本文通过自注意力机制提取的空间相关性特征优于人工设计的特征，可以明显提高点云语义分割的精度，本文方法较PointNet++总体精度提升了4.5%。