超图平台软件创新:SuperMap GIS高性能GIS技术简介

正北京超图软件股份有限公司研发的高性能GIS技术,融合了内存计算、并行计算、GPU计算和高性能算法(图1),其研制的高性能GIS内核,整合发挥计算机大内存、多CPU、多核和显卡的高性能计算能力,显著提升空间数据处理的性能。SuperMap GIS内核构建了全新的基于内存计算(即64位计算)的GIS数据结构与算法,充分利用64位计算环境的大内存寻址能力和更高的指令处理带宽,     

超图平台软件创新:SuperMap GIS跨平台技术简介

正在国内外GIS平台厂商都基于Windows内核进行研发的背景下,北京超图软件股份有限公司率先研制了跨平台GIS内核。该系统支持国产芯片、国产操作系统以及超算平台,同时,还支持平板、手机和专业移动设备,全面实现了跨硬件平台和跨操作系统的应用,打破了GIS软件只能应用于Windows操作系统的局限,推动GIS功能重心从PC端向移动端和服务器端转移。Super Map GIS基于标准C++语言构建了跨平台GIS技术体系(图1),充分发挥标准C++一次编写随处     

超图平台软件创新:SuperMap GIS地图慧简介

正地图慧是一个集地理大数据、在线制图、看图、交流地图、企业应用服务以及地理商业智能服务于一体的互联网云服务门户。由北京超图软件股份有限公司研发,其主要面向研究机构、公众用户和企业提供在线地图与地理信息系统服务。地图慧包含大众制图、商业地理智能分析和企业服务三大产品扳块(图1)。     

超图平台软件创新:SuperMap GIS 8C简介

正2015 Super Map GIS技术大会9月10日-11日在北京举行。北京超图软件股份有限公司在会上强势推出了Super Map GIS 8C系列产品。Super Map GIS 8C是超图软件全新架构的新一代云端一体化GIS平台软件(图1),基于跨平台、二三维一体化、云端一体化3大技术体系,提供功能强大的GIS云管理器、云GIS门户     

超图平台软件创新:超图在线GIS平台(SuperMap Online)技术简介

正北京超图软件股份有限公司研发的SuperMap Online是超图软件全新推出的超图在线GIS平台,基于云计算技术提供了云GIS主机托管和GIS数据托管服务,同时提供了多种在线地图APIs,使用户能够将托管的数据服务与在线地图APIs结合起来,开发出属于自己的业务应用程序(图1)。SuperMap Online设计目标是帮助科研人员、中小企业和个人开发者方便地使用在线GIS平台,不用再购买和部署、配置硬件与软     

超图平台软件创新:超图GIS云管理系统(SuperMap iCloudManager)技术简介

正北京超图软件股份有限公司研发的SuperMap iCloudManager是超图软件研发的从开发、配置到部署的一体化GIS云管理系统,用于在云计算平台中部署、运维GIS业务,构建云GIS环境,特别适合构建行业云GIS共享平台,解决云GIS平台管理复杂、共享难等问题。SuperMap iCloudManager通过Iaa S API部署、运维GIS环境,如GIS门户环境、制图业务环境、切图业务     

超图平台软件创新:超图GIS云分发服务器(SuperMap iExpress)技术简介

正北京超图软件股份有限公司研发的Super Map i Express是基于云计算技术的GIS分发服务器。它作为GIS云和端的中介,通过服务代理与缓存加速技术,有效地提升了云GIS的终端访问效率,并提供地图、三维瓦片本地发布与多节点更新推送能力,可用于快速构建跨平台、低成本的Web GIS应用系统(图1)。Super Map i Express不仅作为跨平台、低成本的GIS服务器,独立提供瓦片地图服务,并与Super Map i Server 8C服     

超图平台软件创新:超图GIS云门户服务器(SuperMap iPortal)技术简介

正北京超图软件股份有限公司研发的Super Map i Portal是面向云计算的GIS门户平台,可实现对地图、服务、场景、数据等各种GIS资源进行整合、查找、共享与统一管理,还可实现对组织内部多个GIS服务器进行监控,保障平台系统安全稳定运行。其个性化的门户定制和API扩展开发能力,可快速构建符合行业风格的GIS门户站点或打造属于组织、单位的特色私有云门户。     

超图平台软件创新:SuperMap GIS智慧城市时空信息云平台简介

正北京超图软件股份有限公司研发的智慧城市时空信息云平台,定位为智慧城市的核心基础平台,是集数据管理、资源展示、数据交换、服务管理、应用开发、运维管理等于一体的区域信息资源公共服务平台。平台通过构建地理信息服务总线(Geo-ESB),打通不同资源、应用之间的通道,可以融合区域各类信息资源及实时感知信息、应用服务等,对外提供全面无缝集成、自动智能化的公共基础服务,实现不同部门、不同应用间的资源共享和业务协同,适应各类智慧城市(区域)/智慧应用中对信息资源共享应用的需求。     

基于图分割的高分辨率遥感影像建筑物变化检测研究

建筑物是城市地理数据库中最容易发生变化和最需要更新的部分,其更新工作量巨大,因此开展对高分辨率遥感影像中的建筑物进行自动提取和变化检测研究具有重要的意义.本文以精确提取变化建筑物的位置和轮廓为目标,基于图分割提出一种高分辨率遥感影像建筑物变化检测方法.首先,将遥感影像中的每个像元映射成图的顶点,利用像元之间的距离阈值构造图的边,综合利用位置,灰度和边缘3种特征计算边的权值,将遥感影像的分割转化为图的分割,并用归一化图分割方法得到分割对象集合;然后,以长宽比和矩形度作为约束条件,对2期遥感影像中的分割对象集合进行筛选,提取建筑物对象;最后,根据2期影像中建筑物之间的空间,面积和格局关系识别建筑物的变化类型(包括新增,消失和改建),并对其进行可视化表达.为了验证本文方法的有效性,分别以深圳市的WorldView影像和北京市的QuickBird全色影像为数据源,从中选取13组具有代表性的子影像进行实验.结果表明,本文提出的方法对配准精度较低的影像组具有一定的适应性,容许的配准误差达到20个像元(10 m),平均查准率和平均查全率分别达到93.16%和87.90%.     

多时相遥感影像变化检测综述

近几十年来,多时相影像处理和变化检测是遥感领域一个较为活跃的研究方向.虽然在环境变化监测和检测方面成功的应用有很多,但是从多时相影像及时提取地球环境和人类活动的动态信息仍面临很多挑战.近年来,随着新型遥感平台和传感器的发展,在克服技术障碍方面取得了很大进步.历史影像档案提供范围的扩大也使得长期变化检测和建模成为可能.这...     

超像素与主动学习相结合的遥感影像变化检测方法

针对高分辨率遥感影像变化检测结果较破碎,易产生椒盐噪声、监督训练过程中人工标注成本较高、训练样本冗余以及大量未标注样本信息未有效利用等问题,提出一种超像素与主动学习相结合的高分辨率遥感影像变化检测方法。利用超像素分割算法得到超像素对象,提取其光谱和纹理特征;引入并借助主动学习样本选择策略充分利用未标注样本信息,挖掘不确定性最大、最易错分的样本交由用户人工标注;为保证所选样本的多样性,加入基于余弦角距离的样本相似性度量,以减少样本间信息冗余,在减轻人工标注负担的同时获得良好的分类性能。通过对2组不同场景的遥感影像的实验,表明本文提出的2种方法能够在标注少量训练样本的情况下获得较好的变化检测结果,且加入样本相似性度量的变化检测方法在有效减少人工标注成本和训练样本冗余的同时,能够更快地达到收敛、提升检测质量。     

基于Gabor滤波方法的居民地识别分析

图像纹理对于高分辨率遥感图像的信息提取与目标识别具有重要意义。针对"北京一号"小卫星全色遥感图像非城市区域居民地块往往呈现出比较明显的方向性纹理的特点,扩充改进Gabor滤波方法进行提取。方法主要利用Gabor滤波器的多尺度、多方向滤波的性质,提取多尺度纹理特征集,并进行特征;而后利用多特征聚类实现图像的初步分割。由于分割是对特征进行聚类完成的,其结果可能存在一个居民地块由若干个相互间存在间隔的子区域组成、存在无用小斑块、居民地内部存在大量小孔洞等缺陷。针对上述不足,利用形态学尺度空间融合方法,对居民地块通过结构元素不断增大的闭运算进行迭代融合,并选择一个具备"最长生存期限"的类别个数作为最佳类数,选择首次出现该类别数的分割结果作为最后的识别结果。对延庆地区的小卫星影像进行了居民地提取,并与共生矩阵纹理分析方法进行了实验对比。结果表明方法是有效的,并在提取精度上具有优势。     

基于Adaboost的高分遥感影像自动变化检测方法

基于监督分类的高分辨率遥感影像变化检测需要大量人工标注,且单个监督分类器难以适应高分影像中复杂多样的地表变化信息提取,检测结果中“椒盐噪声”严重、变化图斑破碎。因此,本文提出一种基于Adaboost集成算法、自动标注训练样本的变化检测方法。首先利用非监督分类方法完成变化初检,接着在初检结果中进行“非等距”区间采样自动获取均匀分布的训练样本;然后以Adaboost算法为集成框架,选择决策树桩、Logistic回归和kNN作为弱分类器,构建一种混合分类器集成系统,充分挖掘和利用高分影像中的空间信息以提升分类精度和分类器泛化能力,最后利用SLIC分割算法和空间邻域信息对像元级检测结果进行空间约束滤波,进一步提升变化检测精度。为验证本文方法的有效性,选取SPOT-5和WorldView-2影像为实验数据,结果表明本文方法能有效降低训练样本人工标注成本、提高变化检测精度。     

高分辨率遥感影像中提取特定地物的分区多阶段混合分类方法

遥感图像分类技术发展过程中出现了各种不同的分类方法,本文提出一种对分类过程控制和分类中间数据管理的综合分类方式,通过分类方法应用方式的改进用于提取局部的特定地物。应用多阶段循环分类过程,在一个阶段的分类中控制参与分类的像元范围,在一次分类中混合应用监督分类、非监督分类和区域生长分类法,以及各种分类后处理技术,目的在于综合应用目视解译、计算机自动分类等各种技术的优点,结合地物的光谱数据,用于局部区域的特定地物信息提取和分类。     

基于MAEU-CNN的高分辨率遥感影像建筑物提取

从高空间分辨率图像（HSRI）中提取建筑物信息在遥感应用领域具有重要意义。然而,由于遥感影像中的建筑物尺度变化大、背景复杂和外观变化大等因素,从HSRI中自动提取建筑物仍然是一项具有挑战性的任务。特别是从影像中同时提取小型建筑物群和具有精确边界的大型建筑物时,难度更大。为解决这些问题,本文提出了一种端到端的编码器-解码器神经网络模型,用于从HSRI中自动提取建筑物。所设计的网络称为MAEU-CNN(Multiscale Feature Enhanced U-shaped CNN with Attention Block and Edge Constraint)。首先,在设计的网络编码部分加入多尺度特征融合（MFF）模块,使网络能够更好地聚集多个尺度特征。然后,在编码器和解码器部分之间添加了多尺度特征增强模块（MFEF）,以获得不同尺寸的感受野,用于获取更多的多尺度上下文信息。在跳跃连接部分引入双重注意机制,自适应地选择具有代表性的特征图用于提取建筑物。最后,为了进一步解决MAEU-CNN中由于池化及卷积操作导致的分割结果边界模糊的问题,引入多任务学习机制,将建筑物的边界几何信息融入网络...     

基于YOLOv5算法的飞机类型光学遥感识别

飞机类型检测是遥感影像分析领域的研究热点,在机场监控和情报分析等应用中起着重要的作用。其中,深度学习方法作为遥感影像分析领域广泛应用的手段之一,在飞机类型检测任务中仍面临许多问题,如使用未公开的自制数据集、实验复现困难、无法验证泛化能力等。同时,光学遥感影像易受光照条件、云雨变化等因素影响,使检测任务更加困难。为了解决这些问题,本文首先利用MTARSI数据集对样本进行筛选,再结合Google Earth等开源方法收集飞机影像,采用随机旋转、改变亮度等方法构建新的飞机类型检测数据集。其次,采用YOLOv5作为基础网络框架,针对其多层卷积和池化操作可能会削弱或完全丢失飞机特征的问题,进行多尺度优化训练,有效检测飞机类型特征。最后,利用跨数据集验证模型的泛化能力。实验结果表明,本文方法能准确、有效地检测出光学遥感影像中的飞机的具体类型,具有较强的鲁棒性和泛化能力,跨数据集进行飞机类型检测正确率达到82.12%,可为智能化的飞机目标语义分析、星上应用等研究提供技术支撑。