3维地理信息系统数据结构的初步研究

3维地理信息系统已经成为地理信息领域的研究热点,但是数据结构一直都是阻碍其发展的瓶颈问题,文中基于空间认知方法学,结合面向对象的思想,提出了一种新的3维地理信息系统数据结构.该数据结构符合人的一般思维,可以很方便清晰地存储和管理空间数据,并且有利于3维空间范围内的空间分析.     

由直线和曲线混合组成的地形符号在DCS中的处理

在ＤＣＳ输出的地籍图上，有许多由直线段和曲线段组成的地物符号，用传统方法处理难以取得理想的绘图效果。本文在分析ＤＣＳ数据结构和属性码的基础上，提出了曲线部分按三次参数样条曲线逼近，讨论了直线段和曲线段的各种组合情况，并且通过正确地选择边值条件使二者之间．的连接比较符合实际。最后扼要分析了该类线段按虚线绘出时的处理方法。     

二维Renyi灰度熵和模糊聚类在图像分割中的应用

针对传统二维Renyi熵阈值算法计算复杂度高的问题,提出一种改进的二维Renyi图像分割算法。该算法利用两个一维Renyi熵算法的阈值来代替传统二维Renyi法的阈值,使得计算复杂度大大降低;同时为了改善图像分割效果,综合使用了FCM算法。实验结果表明,改进的算法充分发挥了二者的优势,不仅提高了运算速度,且分割效果更好。     

多视点相机联合标定及改进的PMVS重建方法

提出一种能够在强约束条件下快速进行相机标定的方法。通过相机间6个相互独立的约束,充分利用系统的几何条件,确定相邻立体相机的固有关系;再以共线方程为基础推导强约束条件下的平差模型,并应用于自检校光束法平差,从而实现多相机系统的快速标定;最后利用改进的PMVS三维重建方法开展标定后系统的人体三维重建。实验表明,通过加入强约束条件,增加平差的多余观测数,提高了标定精度和鲁棒性,对三维重建的精度亦有较大提高,并且该方法可推广到多个相机组成的多相机立体量测系统的标定中。     

根据地性线绘制等高线的研究

根据地形特征点和地性线绘制等高线是测绘大比例尺地形图等高线的主要方法,本文在分析现有自动绘制等高线方法的基础上,提出了一种根据地性线及其拓扑关系直接求取和跟踪等高线的方法。针对利用各种传统曲线光滑算法所绘相邻等高线间常常出现不协调现象的缺点,首次提出并详细讨论了相邻等高线通过点间的抛物线双向加权平均光滑算法。大量实践表明,利用本文所提出的跟踪和光滑方法所绘等高线的光滑性和协调性是令人满意的。     

监控视频中动态目标与地理空间信息的融合与可视化方法

监控视频的动态前景目标智能分析是平安城市、智慧园区等安防建设的重要基础,将监控视频与地理空间数据融合可为静态的地理数据赋予动态属性。针对传统监控视频与地理信息数据集成仅仅将视频数据投射至地理空间,造成存储难、视频内容理解难度大等问题,本文提出了前景动态目标与地理空间信息的融合模型,通过推导出的映射模型将图像空间中的动态前景目标及跟踪轨迹映射至地理空间中,达到将监控视频与地理信息有机融合的目的。根据不同的应用需求,本文设计了4种多图层融合显示模式,实现了监控视频中的动态前景目标在地理空间的可视化。     

三维地理信息系统相关技术研究

对已经成为地理信息领域研究热点的三维地理信息系统进行了较为深入地探讨。基于空间认知方法学理论，结合面积对象的思想，提出了一种新的三维地理信息系统数据结构。该数据结构符合人的一般思维，可以方便清晰地存储和管理空间数据，并且有利于三维空间对象的空间分析与显示。针对三维地理信息系统空间分析的基础环节－－三维空间点定位与查询，提出了化三维查询为二维＋一维查询，该方法可以提高三维空间查询的速度。     

基于黑白环扇圆盘的角点自动识别与排序

采用传统棋盘格进行相机标定时,标定模板旋转角度对角点排序带来较大的影响,针对此设计了一种黑白环扇圆盘标定模板,并提出了与该标定模板相应的角点识别和排序算法。新的标定模板设计中心圆为1/4缺口的黑色圆,以此来消除标定模板旋转给角点排序带来的影响。通过模板区域分割算法实现标定模板的提取;创建圆形检测器剔除Harris算法提取的伪角点;利用向量积和角点几何特性完成角点排序。实验结果表明:该标定模板及其角点识别与排序算法可以有效剔除伪角点,角点排序具有良好的旋转不变性,能够实现自动相机标定。     

利用卷积神经网络的高光谱图像分类

针对高光谱图像分类中对光谱信息利用不足的问题,提出一种基于卷积神经网络在光谱域开展的分类算法。该算法通过构建五层网络结构,逐像素对光谱信息开展分析,将全光谱段集合作为输入,利用神经网络展开代价函数值的计算,实现对光谱特征的提取与分类。实验中采用三组高光谱遥感影像数据进行对比分析,以India Pines数据集为例,提出的基于卷积神经网络的分类方法的分类正确率达到90.16%,比RBF-SVM方法高出2.56%,相比三种传统的深度学习方法高出1%~3%,训练速度也较为理想。实验结果表明,本文所提出的算法充分利用了高光谱图像中逐像素点的光谱域信息,能够有效提高分类正确率。与传统学习算法相比,在较少训练样本的情况下,更能发挥其良好的分类性能。